CN113002370B - 一种燃料电池汽车实时能量管理控制方法 - Google Patents
一种燃料电池汽车实时能量管理控制方法 Download PDFInfo
- Publication number
- CN113002370B CN113002370B CN202110409869.1A CN202110409869A CN113002370B CN 113002370 B CN113002370 B CN 113002370B CN 202110409869 A CN202110409869 A CN 202110409869A CN 113002370 B CN113002370 B CN 113002370B
- Authority
- CN
- China
- Prior art keywords
- soc
- fuel cell
- equivalent
- vehicle speed
- energy management
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/40—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for controlling a combination of batteries and fuel cells
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/10—Vehicle control parameters
- B60L2240/12—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了的一种燃料电池汽车实时能量管理控制方法,包括:第一步,根据汽车当前车速、最近的历史车速和选定的工况特征参数,输入到基于神经网络的短期车速预测模型中,得到未来一段时间的预测车速;第二步,进行预测车速和蓄电池SOC反馈相结合的等效因子自适应调整;第三步,基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列;第四步,根据第三步得到的最优控制序列,完成燃料电池与蓄电池间的最优能量分配。本发明提供的方法基于等效氢耗最小算法实现燃料电池能量实时最优控制,解决了传统控制方法有效性和实时性不佳的问题,提高了整车能量管理策略的有效性和实时性。
Description
技术领域
本发明属于汽车能量管理系统,更确切地说,本发明涉及燃料电池汽车实时能量管理控制方法。
背景技术
近年来,为应对能源与环境问题,世界各大汽车制造商的开始投入研发新能源汽车,燃料电池汽车作为一种新能源汽车,加料快、行驶里程长且温室气体排放为零,成为一种优秀的解决方案。
传统的燃料电池汽车能量管理策略分为两类:基于规则和基于优化。基于规则的能量管理策略鲁棒性好,实现简单;基于优化的能量管理策略能够控制系统性能最优。
但是,基于规则的能量管理策略并不能保证控制系统的性能最优,基于优化的能量管理策略只能根据全局工况进行离线计算,不能进行实时的能量管理。
发明内容
本发明所要解决的技术问题是克服现有燃料电池汽车能量管理方法实时性差、难以实现系统经济性最优的问题,提供了一种燃料电池汽车实时能量管理控制方法。
为实现上述目的,本发明提供了如下方案:
一种燃料电池汽车实时能量管理控制方法,包括下列步骤:
第一步,根据汽车当前车速、最近的历史车速和选定的工况特征参数,输入到基于神经网络的短期车速预测模型中,得到未来一段时间的预测车速;
所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型;BP神经网络为传统的三层网络拓扑结构,其中隐藏层和输出层的激励函数均选择Sigmoid函数,定义如下:
基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速;
所述的选定的工况特征参数分别为:平均车速vmean、加速度标准差σa、减速度标准差σd、加速度平均值amean、怠速时间比例ridle;
第二步,进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整;
所述的等效因子自适应调整,其离散形式表示为:
s(k+1)=s(k)+Ksocε(SOC(t0)-SOC(t)),t=kT,k=1,2,3…
其中,s(k+1),s(k)分别为第k+1次、第k次的等效因子;Ksoc为调整参数;ε反映未来工况变化趋势;SOC(t0)为初始时刻蓄电池SOC值;SOC(t)为当下时刻蓄电池SOC值;SOC(t0)-SOC(t)表示蓄电池SOC差对等效因子的调节作用;
ε定义如下:
第三步,基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列;
所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k),具体描述如下:
MinimizeJ(u,x)
约束条件为:
其中,Pfc为燃料电池的输出功率,Pfc,min和Pfc,max分别是燃料电池输出功率的下限值和上限值;Pbat为蓄电池的输出功率,Pbat,min和Pbat,max分别是蓄电池输出功率的下限值和上限值;ΔPfc,min和ΔPfc,max分别是燃料电池输出功率变化率的下限值和上限值;
所述的燃料电池能量管理优化问题的哈密顿函数表示如下:
其中,H(x,u,s)表征等效氢耗;s为等效因子;为燃料电池氢耗率,为蓄电池等效氢耗率;LHV为氢气的低热值,燃料电池氢耗率可以通过实验数据拟合得到,a(k),a(k-1),…a(1),a(0)为拟合系数;
第四步,根据第三步得到的最优控制序列,完成燃料电池与蓄电池间的最优能量分配。
在第二步中所述的等效因子的初始值采用二分法迭代进行计算,具体流程可描述为:
首先,根据等效因子的上下限范围,选定等效因子迭代计算的初始值;
其次,根据等效氢耗最小算法计算当前等效因子下的SOC轨迹;
然后,定义允许的SOC偏差为Δ,SOC初始值为SOC0,仿真结束时的SOC为SOCt,如果满足:
|SOC0-SOCt|>Δ
表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差,无法保证SOC的前后平衡,需要继续进行迭代计算,下一等效因子的取值区间由二分法进行确定;反之,如果满足:
|SOC0-SOCt|<Δ
则终止迭代计算,将当前的等效因子作为等效因子自适应调整的等效因子初始值。
本发明提出了一种燃料电池汽车实时能量管理控制方法。
与现有技术相比本发明的有益效果是:
本发明提供了的一种燃料电池汽车实时能量管理控制方法,在得到BP神经网络车速预测模型输出的未来预测时域内的未来车速预测之后,完成未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整方案,最后基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列,从而完成燃料电池与蓄电池间的实时最优能量分配。
附图说明
图1为燃料电池汽车实时能量管理控制方法流程图;
图2为二分法迭代求解等效因子自适应调整的等效因子初始值判断图。
具体实施方式
下面结合附图对本发明作详细的描述:
本发明提供了的一种燃料电池汽车实时能量管理控制方法,在得到BP神经网络车速预测模型输出的未来预测时域内的未来车速预测之后,完成未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整方案,最后基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列,从而完成燃料电池与蓄电池间的最优能量分配。
参阅图1,本发明所述的一种燃料电池汽车实时能量管理控制方法包括下列步骤:
第一步,根据汽车当前车速、最近的历史车速和选定的工况特征参数,输入到基于神经网络的短期车速预测模型中,得到未来一段时间的预测车速;
所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型;BP神经网络为传统的三层网络拓扑结构,其中隐藏层和输出层的激励函数均选择Sigmoid函数,定义如下:
基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速;
所述的选定的工况特征参数分别为:平均车速vmean、加速度标准差σa、减速度标准差σd、加速度平均值amean、怠速时间比例ridle;
第二步,进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整;
所述的等效因子自适应调整,其离散形式表示为:
s(k+1)=s(k)+Ksocε(SOC(t0)-SOC(t)),t=kT,k=1,2,3…
其中,s(k+1),s(k)分别为第k+1次、第k次的等效因子;Ksoc为调整参数;ε反映未来工况变化趋势;SOC(t0)为初始时刻蓄电池SOC值;SOC(t)为当下时刻蓄电池SOC值;SOC(t0)-SOC(t)表示蓄电池SOC差对等效因子的调节作用;
ε定义如下:
所述的等效因子的初始值采用二分法迭代进行计算,参阅图2,具体流程可描述为:
首先,根据等效因子的上下限范围,选定等效因子迭代计算的初始值;
其次,根据等效氢耗最小算法计算当前等效因子下的SOC轨迹;
然后,定义允许的SOC偏差为Δ,SOC初始值为SOC0,仿真结束时的SOC为SOCt,如果满足:
|SOC0-SOCt|>Δ
表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差,无法保证SOC的前后平衡,需要继续进行迭代计算,下一等效因子的取值区间由二分法进行确定;反之,如果满足:
|SOC0-SOCt|<Δ
则终止迭代计算,将当前的等效因子作为等效因子自适应调整的等效因子初始值。
第三步,基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列;
所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k),具体描述如下:
MinimizeJ(u,x)
约束条件为:
其中,Pfc为燃料电池的输出功率,Pfc,min和Pfc,max分别是燃料电池输出功率的下限值和上限值;Pbat为蓄电池的输出功率,Pbat,min和Pbat,max分别是蓄电池输出功率的下限值和上限值;ΔPfc,min和ΔPfc,max分别是燃料电池输出功率变化率的下限值和上限值;
所述的燃料电池能量管理优化问题的哈密顿函数表示如下:
其中,H(x,u,s)表征等效氢耗;s为等效因子;为燃料电池氢耗率,为蓄电池等效氢耗率;LHV为氢气的低热值,燃料电池氢耗率可以通过实验数据拟合得到,a(k),a(k-1),…a(1),a(0)为拟合系数;
第四步,根据第三步得到的最优控制序列,完成燃料电池与蓄电池间的最优能量分配。
Claims (2)
1.一种燃料电池汽车实时能量管理控制方法,其特征在于包括下列步骤:
第一步,根据汽车当前车速、最近的历史车速和选定的工况特征参数,输入到基于神经网络的短期车速预测模型中,得到未来一段时间的预测车速;
所述的基于神经网络的短期车速预测模型是采用BP神经网络的短期车速预测模型;BP神经网络为传统的三层网络拓扑结构,其中隐藏层和输出层的激励函数均选择Sigmoid函数,定义如下:
基于神经网络的短期车速预测模型输出结果为未来一段时间的预测车速;
所述的选定的工况特征参数分别为:平均车速vmean、加速度标准差σa、减速度标准差σd、加速度平均值amean、怠速时间比例ridle;
第二步,进行未来车速预测和蓄电池SOC反馈相结合的等效因子自适应调整;
所述的等效因子自适应调整,其离散形式表示为:
s(k+1)=s(k)+Ksocε(SOC(t0)-SOC(t)),t=kT,k=1,2,3...···········(2)
其中,s(k+1),s(k)分别为第k+1次、第k次的等效因子;Ksoc为调整参数;ε反映未来工况变化趋势;SOC(t0)为初始时刻蓄电池SOC值;SOC(t)为当下时刻蓄电池SOC值;SOC(t0)-SOC(t)表示蓄电池SOC差对等效因子的调节作用;
ε定义如下:
第三步,基于等效氢耗最小算法建立燃料电池能量管理优化问题,得到满足系统约束条件下的最优控制序列;
所述的燃料电池能量管理优化问题的目标是找到使目标函数J最小的最优控制序列u(k),具体描述如下:
MinimizeJ(u,x)···························(6)
约束条件为:
其中,Pfc为燃料电池的输出功率,Pfc,min和Pfc,max分别是燃料电池输出功率的下限值和上限值;Pbat为蓄电池的输出功率,Pbat,min和Pbat,max分别是蓄电池输出功率的下限值和上限值;ΔPfc,min和ΔPfc,max分别是燃料电池输出功率变化率的下限值和上限值;
所述的燃料电池能量管理优化问题的哈密顿函数表示如下:
其中,H(x,u,s)表征等效氢耗;s为等效因子;为燃料电池氢耗率,为蓄电池等效氢耗率;LHV为氢气的低热值,燃料电池氢耗率可以通过实验数据拟合得到,a(k),a(k-1),…a(1),a(0)为拟合系数;
第四步,根据第三步得到的最优控制序列,完成燃料电池与蓄电池间的最有能量分配。
2.按照权利要求1所述的一种燃料电池汽车实时能量管理控制方法,其特征在于:所述的等效因子的初始值采用二分法迭代进行计算,具体流程可描述为:
首先,根据等效因子的上下限范围,选定等效因子迭代计算的初始值;
其次,根据等效氢耗最小算法计算当前等效因子下的SOC轨迹;
然后,定义允许的SOC偏差为Δ,SOC初始值为SOC0,仿真结束时的SOC为SOCt,如果满足:
|SOC0-SOCt|>Δ···························(11)
表明仿真结束时的SOC与SOC初始值的差值大于允许的SOC偏差,无法保证SOC的前后平衡,需要继续进行迭代计算,下一等效因子的取值区间由二分法进行确定;反之,如果满足:
|SOC0-SOCt|<Δ····························(12)
则终止迭代计算,将当前的等效因子作为等效因子自适应调整的等效因子初始值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409869.1A CN113002370B (zh) | 2021-04-16 | 2021-04-16 | 一种燃料电池汽车实时能量管理控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110409869.1A CN113002370B (zh) | 2021-04-16 | 2021-04-16 | 一种燃料电池汽车实时能量管理控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113002370A CN113002370A (zh) | 2021-06-22 |
CN113002370B true CN113002370B (zh) | 2022-06-21 |
Family
ID=76388838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110409869.1A Active CN113002370B (zh) | 2021-04-16 | 2021-04-16 | 一种燃料电池汽车实时能量管理控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113002370B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113352951B (zh) * | 2021-06-30 | 2022-12-06 | 武汉格罗夫氢能汽车有限公司 | 一种燃料电池汽车能量平衡标定参数自适应方法及系统 |
CN113991151B (zh) * | 2021-10-12 | 2023-07-07 | 广东省武理工氢能产业技术研究院 | 一种基于功率预测的燃料电池自适应控制方法及系统 |
CN114122466A (zh) * | 2021-11-11 | 2022-03-01 | 广东汉合汽车有限公司 | 燃料电池车电池优化管理方法、系统、设备及介质 |
CN114291067B (zh) * | 2021-12-29 | 2024-04-02 | 山东大学 | 基于预测的混合动力汽车凸优化能量控制方法及系统 |
CN114559859B (zh) * | 2022-03-28 | 2023-11-21 | 吉林大学 | 一种基于燃料电池温度反馈的自适应等效氢耗最小策略 |
CN116278987B (zh) * | 2023-03-16 | 2024-04-23 | 佛山仙湖实验室 | 基于鸽群优化算法的氢燃料电池汽车能量管理方法及系统 |
CN116729106B (zh) * | 2023-07-12 | 2023-11-21 | 吉林大学 | 一种纯电动汽车的智能能量管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008017594A (ja) * | 2006-07-05 | 2008-01-24 | Suzuki Motor Corp | 燃料電池を搭載した車両の制御装置 |
CN101734249A (zh) * | 2010-01-08 | 2010-06-16 | 清华大学 | 一种燃料电池发动机稳态运行控制方法 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
CN109808518A (zh) * | 2018-12-29 | 2019-05-28 | 清华大学 | 基于地理位置信息的燃料电池汽车能量管理方法与系统 |
CN110997396A (zh) * | 2017-08-10 | 2020-04-10 | 日产自动车株式会社 | 混合动力车辆的控制方法及控制装置 |
CN112109594A (zh) * | 2020-08-31 | 2020-12-22 | 上汽大众汽车有限公司 | 用于混合动力车的能量管理控制方法和系统 |
CN112455291A (zh) * | 2020-12-08 | 2021-03-09 | 吉林大学 | 一种燃料电池汽车复合电源瞬时最优能量管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4525112B2 (ja) * | 2004-03-08 | 2010-08-18 | 日産自動車株式会社 | 燃料電池車両の制御装置 |
-
2021
- 2021-04-16 CN CN202110409869.1A patent/CN113002370B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008017594A (ja) * | 2006-07-05 | 2008-01-24 | Suzuki Motor Corp | 燃料電池を搭載した車両の制御装置 |
CN101734249A (zh) * | 2010-01-08 | 2010-06-16 | 清华大学 | 一种燃料电池发动机稳态运行控制方法 |
CN110997396A (zh) * | 2017-08-10 | 2020-04-10 | 日产自动车株式会社 | 混合动力车辆的控制方法及控制装置 |
CN109808518A (zh) * | 2018-12-29 | 2019-05-28 | 清华大学 | 基于地理位置信息的燃料电池汽车能量管理方法与系统 |
CN109760523A (zh) * | 2019-01-21 | 2019-05-17 | 浙江工业大学 | 基于bp神经网络车速预测的复合电源能量管理方法 |
CN112109594A (zh) * | 2020-08-31 | 2020-12-22 | 上汽大众汽车有限公司 | 用于混合动力车的能量管理控制方法和系统 |
CN112455291A (zh) * | 2020-12-08 | 2021-03-09 | 吉林大学 | 一种燃料电池汽车复合电源瞬时最优能量管理方法 |
Non-Patent Citations (3)
Title |
---|
基于工况预测的燃料电池汽车能量管理策略研究;牛超凡;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》;20220115(第1期);全文 * |
基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略;赵勇等;《科学技术与工程》;20200518(第14期);全文 * |
燃料电池混合动力客车整车控制策略;曹桂军等;《机械工程学报》;20080615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113002370A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113002370B (zh) | 一种燃料电池汽车实时能量管理控制方法 | |
Xiong et al. | Towards a smarter hybrid energy storage system based on battery and ultracapacitor-A critical review on topology and energy management | |
CN109895760B (zh) | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 | |
CN112287463B (zh) | 一种基于深度强化学习算法的燃料电池汽车能量管理方法 | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
CN110429652B (zh) | 一种可拓展深宽度自适应动态规划的智能发电控制方法 | |
CN111572369A (zh) | 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法 | |
CN112035949B (zh) | 一种结合q增强学习的实时模糊能源管理方法 | |
CN111301397B (zh) | 一种插电混合动力汽车变时域模型预测能量管理方法 | |
CN112498334B (zh) | 智能网联混合动力汽车的鲁棒能量管理方法及系统 | |
CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
CN111613817B (zh) | 基于改进粒子群算法的电池混动系统能源优化策略 | |
CN115284973A (zh) | 基于改进多目标Double DQN的燃料电池汽车能量管理方法 | |
CN115793445A (zh) | 一种基于多智能体深度强化学习的混合动力汽车控制方法 | |
CN110077389B (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
Zheng et al. | A deep deterministic policy gradient-based energy management strategy for fuel cell hybrid vehicles | |
CN113815437A (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
CN116409216A (zh) | 基于预测的非线性模型控制的燃料电池汽车能量管理方法 | |
CN116244888A (zh) | 基于mpc序列凸优化的混合电动无人机能源管理方法 | |
CN114919752B (zh) | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 | |
CN116191421A (zh) | 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 | |
CN113997925B (zh) | 一种插电式混合动力系统能量管理方法 | |
CN115716469A (zh) | 一种混合动力系统的输出功率分配控制方法 | |
CN114889580A (zh) | 混合动力车辆能量管理控制方法、系统、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |