CN113212417A - 输出扭矩的计算方法及模块、等效油耗的计算方法及系统 - Google Patents
输出扭矩的计算方法及模块、等效油耗的计算方法及系统 Download PDFInfo
- Publication number
- CN113212417A CN113212417A CN202110357301.XA CN202110357301A CN113212417A CN 113212417 A CN113212417 A CN 113212417A CN 202110357301 A CN202110357301 A CN 202110357301A CN 113212417 A CN113212417 A CN 113212417A
- Authority
- CN
- China
- Prior art keywords
- output
- output torque
- target vehicle
- input feature
- model
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 239000000446 fuel Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 73
- 238000010586 diagram Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/15—Control strategies specially adapted for achieving a particular effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0638—Engine speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/08—Electric propulsion units
- B60W2510/081—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
- B60W2710/0666—Engine torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/08—Electric propulsion units
- B60W2710/083—Torque
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Hybrid Electric Vehicles (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供的输出扭矩的计算方法应用于具有混合动力的目标车辆，输出扭矩的计算方法包括：获取目标车辆的第一输入特征组以及与第一输入特征组相对应的第一输出特征组；以获取的第一输入特征组和第一输出特征组为样本集，利用预设的模型算法提取训练样本集，从而构建计算模型；获取目标车辆的第二输入特征组，基于计算模型得到与第二输入特征组相对应的第二输出特征组。相较于现有技术的穷举搜索法，本发明构建的计算模型可在一个固定的时长下计算得出第二输出特征组和缩短搜索步长，即将指数时间复杂度转化为常数时间复杂度，从而减小了计算复杂度，提高目标车辆的等效燃油消耗优化求解的效率以及结果的精度。
Description
技术领域
本发明涉及汽车技术领域，特别涉及一种输出扭矩的计算方法及模块、等效油耗的计算方法及系统、目标车辆的控制器。
背景技术
随着排放和油耗法规的不断加严，越来越多的发动机和混合动力新技术被运用到新开发的车型中。混合动力的车辆中用于动力输出的装置包括发动机和电动机，二者的输出扭矩的协调提出了能量管理一个新问题。
现有技术中，基于发动机和电动机二者的输出扭矩，提出了等效燃油消耗的最小策略，即通过将电动机的电能消耗转化为等效的燃油消耗，在每个搜索步长求解最优化问题，所述的优化问题可通过如下函数表示：
min(H)
s.t.tqdemand＝tqengine+tqmotor
函数中，
Pbatt(SOC，tqmotor，ωmotor)——电动机的等效油耗；
tqengine——发动机的输出扭矩；
ωengine——发动机的转速；
tqmotor——电动机的输出扭矩；
ωmotor——电动机的转速；
tqdemand——混合动力汽车的输出扭矩；
SOC——电池的荷电状态；
s(t)——等效因子，即电动机电能消耗的权重。
基于上述函数可知，由于发动机和电动机二者的等效油耗的特性曲线具有高度非线性，现有技术中并无比较高效的在线求解上述函数的最优化问题。目前，工程上常用的方法是穷举搜索法，即究举满足约束条件下的电动机和发动机的输出扭矩的组合，然后从中找出混合动力汽车的等效燃油消耗最优的组合作为混合动力汽车的输出扭矩。穷举搜索法或者类似这种算法，一方面，复杂度为指数复杂度O(na)，其中a是寻优数量，对于具有一个发动机和一个电动机的混合动力汽车，a为2，计算将耗费较长时间且占用大量存储空间；另一方面，为了使计算简化，工程上常常选取针对发动机的输出扭矩和电动机的输出扭矩的较宽的搜索步长，如此便降低了上述函数的优化精度及优化效率。
发明内容
本发明的目的在于提供一种输出扭矩的计算方法及模块、等效油耗的计算方法及系统、目标车辆的控制器，以解决现有技术中混合动力汽车的等效燃油消耗优化求解不够准确且优化效率较低的问题。
为解决上述技术问题，基于本发明的第一个方面，本发明提供一种输出扭矩的计算方法，其应用于具有混合动力的目标车辆，所述输出扭矩的计算方法包括：
获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
获取所述目标车辆的第二输入特征组，基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；
其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。
可选的，获取所述第一输出特征组的步骤包括：利用服务器对所述第一输入特征组进行第一预处理，以得到与所述第一输入特征组相对应的所述第一输出特征组。
可选的，在构建所述计算模型之前，所述输出扭矩的计算方法还包括：对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
可选的，在获取所述目标车辆的第二输入特征组之前，所述输出扭矩的计算方法还包括：将构建的所述计算模型部署至所述目标车辆的控制器。
可选的，所述预设的模型算法包括查找表、高斯过程回归算法、局部线性模型树算法中的至少一种。
可选的，所述预设的模型算法包括高斯过程回归算法时，所述输出扭矩的计算方法还包括，将构建的所述计算模型进行压缩处理。
可选的，所述第一输入特征组和所述第二输入特征组均还包括所述目标车辆的排放量和/或车速，以及所述第一输出特征组和所述第二输出特征组均还包括所述目标车辆的档位。
基于本发明的第二个方面，本发明还提供一种等效油耗的计算方法，其包括：
利用如上所述的输出扭矩的计算方法得到所述第二输出特征组；以及
根据所述第二输出特征组获得所述目标车辆的等效油耗。
基于本发明的第三个方面，本发明还提供一种输出扭矩的计算模块，其应用于具有混合动力的目标车辆，所述输出扭矩的计算模块包括：
数据获取单元，用于获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
模型构建单元，用于以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
输出预测单元，用于获取所述目标车辆的第二输入特征组，并基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；
其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。
可选的，所述数据获取单元还包括第一预处理子单元，用于利用服务器对所述第一输入特征组进行第一预处理，从而得到与所述第一输入特征组相对应的所述第一输出特征组。
可选的，所述模型构建单元还包括第二预处理子单元，用于对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
可选的，所述输出扭矩的计算模块还包括模型移植单元，用于将构建的所述计算模型部署至所述目标车辆的控制器。
可选的，所述预设的模型算法包括高斯过程回归算法时，所述模型构建单元还包括模型压缩子单元，用于将构建的所述计算模型进行压缩处理。
基于本发明的第四个方面，本发明还提供一种等效油耗的计算系统，其包括：
如上所述的输出扭矩的计算模块；以及
油耗计算模块，用于根据所述第二输出特征组获得所述目标车辆的等效油耗。
基于本发明的第五个方面，本发明还提供一种目标车辆的控制器，其包括如上所述的等效油耗的计算系统。
综上所述，本发明提供的输出扭矩的计算方法应用于具有混合动力的目标车辆，所述输出扭矩的计算方法包括：获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；获取所述目标车辆的第二输入特征组，基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。相较于现有技术的穷举搜索法获取电动机的输出扭矩和发动机的输出扭矩，本发明由于构建了计算模型，一方面，可在一个固定的时长下计算得出第二输出特征组，即将指数时间复杂度转化为常数时间复杂度，从而减小了计算复杂度，提高了电动机的输出扭矩和发动机的输出扭矩优化求解的效率，进而提高目标车辆的等效燃油消耗优化求解的效率；另一方面，计算模型可缩短搜索步长，使第二输出特征组的结果更优，亦即提高目标车辆的等效燃油消耗优化结果的精度。
附图说明
本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1是现有技术中扭矩耦合式的混合动力汽车的示意图；
图2是本发明一实施例的第一目标函数的映射关系的示意图；
图3是本发明一实施例的等效油耗的计算方法的示意图；
图4是本发明一实施例的第二目标函数的映射关系的示意图；
图5是本发明一实施例的第三目标函数的映射关系的示意图；
图6是现有技术中二维查找表近似二元函数的示意图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，除非内容另外明确指出外。
目前，混合动力汽车按照动力传递路径，可以分为串联式、并联式和混联式(串并联式)；按照动力耦合方式又可分为扭矩耦合和速度耦合。如图1所示，图1是现有技术中扭矩耦合式的混合动力汽车的示意图，该混合动力汽车的结构主要包括发动机、电动机、变速箱和电池等硬件层面的部分，还包括发动机控制器(ECU)、电动机控制器、变速箱控制器(TCU)、电池管理系统(BMS) 及混合动力汽车整车控制器(HCU)等软件层面的部分，各部分之间的连接关系如图1所示，各部分的工作原理以及混合动力汽车整车的工作原理这里不做详细地说明，本领域技术人员可根据现有技术获悉。
这里，以图1所示的混合动力汽车的结构为例，该混合动力汽车的等效燃油消耗的最优策略可表示为如下函数：
min(H)
s.t.tqdemand＝tqengine+tqmotor
函数中，
Pbatt(SOC，tqmotor，ωmotor)——电动机的等效油耗；
tqengine——发动机的输出扭矩；
ωengine——发动机的转速；
tqmotor——电动机的输出扭矩；
ωmotor——电动机的转速；
tqdemand——混合动力汽车的输出扭矩；
SOC——电池的荷电状态；
s(t)——等效因子，即电动机电能消耗的权重。这里，s(t)的值需根据实际情况合理选定，若s(t)太大，则相当于电能一路的消耗受到过度惩罚而使燃油一路的工作机会增多，相当于增加了发动机的工作量，导致燃油消耗量增加；同理，若s(t)太小，则会增加电动机的工作量，导致蓄电池电能多度消耗。
通过上述函数可知，上述的等效燃油消耗的最优策略通过优化各工况下发动机和电动机的功率分配，使单位时间内混合动力汽车的总能量消耗(包括实际燃油热能耗和电池的电能耗)最小，同时利用引入的等效因子对电池的电能消耗和燃油热能进行“等效”，便于相关技术人员配置电荷荷电状态保持在预设状态。
进一步地，上述的函数可等价于如下函数：
更进一步，可转化为：
tqmotor，tqengine＝f(ωengine，SOC，ωmotor，s(t)，tqdemand)
即，电动机的输出扭矩，发动机的输出扭矩，关于发动机的转速、电动机的转速、电荷荷电状态、等效因子以及混合动力车的输出扭矩的函数，这里将此函数记作第一目标函数。
更直观地，请参考图2所示，图2是本发明一实施例的第一目标函数的映射关系的示意图，即原来的等效燃油消耗最优策略转化为在发动机的转速、电动机的转速、电荷荷电状态、等效因子以及混合动力车的输出扭矩作为输入量的条件下，求解电动机的输出扭矩，发动机的输出扭矩二者之间的组合最优策略。
由鉴于此，本实施例提出一种输出扭矩的计算方法及模块、等效油耗的计算方法及系统、目标车辆的控制器，以解决现有技术中混合动力汽车的等效燃油消耗优化求解不够准确且优化效率较低的问题。
以下请参考附图进行描述。
如图3所示，图3是本发明一实施例的输出扭矩的计算方法的示意图，本实施例提供一种输出扭矩的计算方法，其应用于具有混合动力的目标车辆，所述输出扭矩的计算方法包括：
步骤S1：获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
步骤S2：以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
步骤S3，获取所述目标车辆的第二输入特征组，基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；
为实现上述输出扭矩的计算方法，本实施例相应地提供一种输出扭矩的计算系统，其包括：
数据获取单元，用于获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
模型构建单元，用于以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
输出预测单元，用于获取所述目标车辆的第二输入特征组，并基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组。
其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。
根据上述的输出扭矩的计算方法和输出扭矩的计算模块可知，相较于现有技术的穷举搜索法获取电动机的输出扭矩和发动机的输出扭矩，本发明由于构建了计算模型，一方面，可在一个固定的时长下计算得出第二输出特征组，即将指数时间复杂度转化为常数时间复杂度，从而减小了计算复杂度，提高发动机的输出扭矩和电动机的输出扭矩优化求解的效率，进而提高目标车辆的等效燃油消耗优化求解的效率；另一方面，计算模型可缩短搜索步长，使第二输出特征组的结果更优，亦即提高目标车辆的等效燃油消耗优化结果的精度，这里等效燃油消耗的优化结果即通过发动机的输出扭矩和电动机的输出扭矩二者组合的最优结果(最优扭矩)体现。
可选的，所述第一输入特征组和所述第二输入特征组均还包括所述目标车辆的排放量和/或车速，以及所述第二输出特征组和所述第二输出特征组均还包括所述目标车辆的档位。
当第一输入特征组和第二输入特征组均还包括目标车辆的排放量时，等效然油消耗的最优策略可表示为如下函数，这里将此函数记作第二目标函数：
Pbatt(SOC，tqmotor，ωmotor)，s(t)，tqdemand)
其中，
emission(tqengine，ωengine)——目标车辆的排放量；
a——转化因子。
如图4所示，图4是本发明一实施例的第二目标函数的映射关系的示意图，相较于第一目标函数可知，第二目标函数相当于在第一目标函数的基础上加入了目标车辆的排放量作为输入量，由于第一输入特征组中加入了目标车辆的排放量，从而使根据样本集训练构建的计算模型适应性地改变，对于求解最优扭矩的方法及过程不变。
当第一输入特征组和第二输入特征组还包括目标车辆的车速，第一输出特征组和第二输出特征组还包括目标车辆的档位时，等效燃油消耗的最优策略可表示为如下函数，这里记作第三目标函数：
其中，
Vspeed——目标车辆的车速；
gear——目标车辆的档位。
如图5所示，图5是本发明一实施例的第三目标函数的映射关系的示意图，相较于第一目标函数可知，第三目标函数相当于在第一目标函数的基础上加入了目标车辆的车速作为输入量，目标车辆的档位作为输出量，由于第一输入特征组中的加入了目标车辆的车速，第一输出特征组中加入了目标车辆的档位，从而使根据样本集训练构建的计算模型适应性地改变，对于求解最优扭矩的方法及过程不变。
可理解的，上述的第二目标函数和第三目标函数与第一目标函数是基于同一思想构建，第二目标函数和第三目标函数的计算模型是在第一目标函数的计算模型的基础上适应性地改变。基于上述的第二目标函数和第三目标函数，可使构建的计算模型计算得到目标车辆最优的排放量，利于保护环境；根据目标车辆的车速调整得到最优的相应档位，便于节省能耗。需说明，第一输入特征组和第二输入特征组包括但不限于还列举的所述目标车辆的排放量和/或档位，第二输出特征组包括但不限于还列举的所述目标车辆的档位，对于目标车辆的其他相关变量，也可相应地作为本实施例的输入特征组或输出特征组，从而构建其他目标函数进而优化求解，这里对目标车辆的其他相关变量不再做进一步列举。以上描述，体现出本实施例的输出扭矩的计算方法和输出扭矩的计算模块具有较强的扩展性。
优选地，输出扭矩的计算方法中获取所述第一输出特征组的步骤包括：利用服务器对所述第一输入特征组进行第一预处理，以得到与所述第一输入特征组相对应的所述第一输出特征组。
相应地，输出扭矩的计算模块的数据获取单元还包括第一预处理子单元，用于利用服务器对所述第一输入特征组进行第一预处理，从而得到与所述第一输入特征组相对应的所述第一输出特征组。
如此配置，可以在服务器(计算机)的处理下，使第一输出特征组中发动机的输出扭矩和电动机的输出扭矩组合为最优扭矩之和，进而使构建的计算模型更准确，提高第二输出特征组的精确度。对于发动机的输出扭矩和电动机的输出扭矩的组合出现一些误差较大的情况，服务器可舍弃这些扭矩组合的情况。
为示范性的说明，表1列举了两组利用服务器对第一输入特征组进行预处理后得到对应的第一输出特征组的相关样本数据。表1中，仅仅列举的相关输入量的数值，对于其单位并未附上，本领域技术人员可根据公知常识获取。
表1
由表1可知，在利用服务器对第一输入特征组进行第一预处理，包括发动机的转速、电动机的转速、电池荷电状态、等效因子以及目标车辆的输出扭矩，可得到电动机的输出扭矩和发动机的输出扭矩的最优组合扭矩。
优选地，在构建所述计算模型之前，所述输出扭矩的计算方法还包括：对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
相应地，输出扭矩计算系统的模型构建单元还包括第二预处理子单元，用于对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
由前文可知，样本集从侧面反应出第一输入特征组和第一输出特征组之间的函数关系，这里将二者形成的函数称为目标函数(包括前文所述的第一目标函数、第二目标函数、第三目标函数)，由于目标函数在局部的一些点拟合得并不平滑，使得在该点的输出结果跳变，导致构建的计算模型并非是最优的模型。通过对样本集进行第二预处理，使得拟合的所述目标函数高度平滑，进而使计算模型达到最优的模型。
在其他一些实施例中，可通过调节预设的模型算法本身具有的参数使目标函数拟合平滑。比如预设的算法是高斯过程回归算法时，可将其方差系数调大。
可选地，在获取所述目标车辆的第二输入特征组之前，所述输出扭矩的计算方法还包括：将构建的所述计算模型部署至所述目标车辆的控制器。
相应地，输出扭矩的计算模块还包括模型移植单元，用于将构建的所述计算模型部署至所述目标车辆的控制器。如此，便可将本实施例提到的输出扭矩的计算方法和输出扭矩的计算模块运用至实际场景中，体现实用性；另外，目标车辆的控制器通常是嵌入式控制器，而对于更高复杂度的问题(例如输入特征组和输出特征组均包括多个变量)，计算模型也可在控制器的辅助作用下较快且准确的求解更高复杂度的问题，体现出本实施例的输出扭矩的计算模块的更广的适用性。
在第一个示范性的实施例中，所述预设的模型算法包括查找表。基于现有技术可知，查找表是工程上常用的一种函数近似方式，如图6所示，图6是现有技术中二维查找表近似二元函数的示意图，二元函数的形式为z＝f(x，y)，查找表的基本思想是使用二维表格存储每一对(x，y)对应的z。函数为连续函数，通常按照x，y一定的步长(即图6中单个表格的长度)离散，仅仅存储相应步长点所对应的z值，对于未存储的值采用插值法求出，插值法包括线性插值和多项式插值，对于插值法的具体实施步骤这里不再做详细说明，本领域技术人员可根据现有技术获悉。
本实施例提到第一目标函数：
tqmotor，tqengine＝f(ωengine，SOC，ωmotor，s(t)，tqdemand)，
请继续参考图2，相当于寻找这个多输入，单输出的函数，该第一目标函数具有单值映射特性，可以使用查找表存储每组输入对应的输出值。本实施例中第一输入特征组包括多个输入值，第二输入特征组包括多个输出值，与二维查找表基于同一思想，本实施例基于第一目标函数(第二目标函数、第三目标函数)构建一个多维查找表，对于多维查找表中未存储的值，利用插值法求得，而后利用该多维查找表直接得到与第二输入特征组相对应的第二输出特征组。
在第二个示范性的实施例中，所述预设的模型算法包括高斯过程回归算法。请继续参考图2、图4和图5，基于第一个示范性的实施例描述可知，所述的第一目标函数(第二目标函数、第三目标函数)的映射关系进一步可理解为多维输入映射到单维输出。完全存储每组输入和对应的输出将耗费大量时间，且占用大量的存储空间，基于此，本实施例可利用高斯过程回归算法存储多输入和对应的输出，而后拟合所述第一目标函数(第二目标函数、第三目标函数)的曲线，得到近似精度的曲线即可。具体地，利用高斯过程回归算法根据所述样本集建立整个数据的概率分布，而后利用高斯过程回归算法中的联合概率分布，基于第二输入特征组对第二输出特征组进行预测。利用高斯过程回归算法得到的第一目标函数(第二目标函数、第三目标函数)的曲线，拟合精度高，函数的光滑度可调节，易于嵌入式实现，便于计算模型移植到目标车辆的控制器。基于高斯过程回归算法构建的计算模型的鲁棒性和兼容性更高，更容易进行工程化实施。
进一步，所述预设的模型算法包括高斯过程回归算法时，所述输出扭矩的计算方法还包括，将构建的所述计算模型进行压缩处理。
相应地，所述模型构建单元还包括模型压缩子单元，用于将构建的所述计算模型进行压缩处理。需知，高斯过程回归算法构建的所述计算模型较复杂，维度较高，预先压缩可减少计算模型的一些相关参数量，预先压缩后再部署至目标车辆的控制器更容易嵌入式实现。
在第三个示范性的实施例中，所述预设的模型算法包括局部线性回归树算法，局部线性回归树算法可认为是对RBF神经网络算法的改进。利用局部线性回归树算法对所述样本集进行训练，从而构建局部线性树模型(即计算模型)，而后基于局部线性树模型求出第二输入特征组相对应的第二输出特征组。这里对局部线性回归树算法不再作进一步说明，本领域技术人员可根据公知技术获悉。
在其他一些实施例中，所述预设的模型算法还包括深度神经网络算法、支持向量机算法。本领域技术人员可根据实际情况选择相应的机器学习算法作为本发明中提到的预设的模型算法，然后根据算法对应的公知技术构建相应的计算模型，进而实现求解发动机的输出扭矩和电动机的输出扭矩组合的最优解，以及提高求解效率。
需说明的是，本实施例所述的输出扭矩的计算方法和输出扭矩的计算模块中的计算模型均是服务器在离线条件下训练建立的，而后离线部署至目标车辆的控制器，然后控制器在线运行所述计算模型，从而实现工程化实施。此外，可认为服务器具有无限算力，可对搜索步长进一步细化，即所述第一目标函数的拟合精度更高，提高输出扭矩的计算方法和输出扭矩的计算模块对求解发动机的输出扭矩和电动机的输出扭矩组合的精确度。
基于上述的输出扭矩的计算方法，本实施例还提供一种等效油耗的计算方法，所述等效油耗的计算方法包括：
利用如上所述的输出扭矩的计算方法得到所述第二输出特征组；以及
根据所述第二输出特征组获得所述目标车辆的等效油耗。
相应地，基于上述的输出扭矩的计算模块，本实施例还提供一种等效油耗的计算模块，所述等效油耗的计算模块包括：
如上所述的输出扭矩的计算模块；以及
油耗计算模块，用于根据所述第二输出特征组获得所述目标车辆的等效油耗。
如前文所述，混合动力汽车的等效燃油消耗的最优策略可表示为如下函数：
进一步等价为第一目标函数：
tqmotor，tqengine＝f(ωengine，SOC，ωmotor，s(t)，tqdemand)。
优化求解第一目标函数相当于优化求解等效燃油消耗的最优策略，即当电动机的输出扭矩和发动机的输出扭矩组合达到最优解(最优扭矩)时，目标汽车的等效油耗达到最优解。需说明的，等效油耗的计算方法和等效油耗的计算系统的油耗计算模块中的“根据所述第二输出特征组获得所述目标车辆的等效油耗”相当于是一种对应关系，即发动机的输出扭矩和电动机的输出扭矩组合为最优组合时，对应于目标车辆的等效油耗达到最优，相当于从侧面体现目标车辆的等效油耗达到最优。此外，进一步应理解，本实施例着重于说明电动机的输出扭矩和发动机的输出扭矩组合最优求解，对于根据所述第二输出特征组所述目标车辆的等效油耗的具体实施例步骤，以及等效油耗的计算系统的油耗计算模块的具体工作原理及油耗计算模块的其他结构部件，本实施例不在详细地说明，本领域技术人员可根据现有技术或公知常识获取及相应地配置。
与上述的等效油耗的计算系统基于同一思想，本实施例还提供一种目标车辆的控制器，其包括如上所述的等效油耗的计算系统。应理解，由于所述的目标车辆的控制器包括如上所述的等效油耗的计算系统，故所述的目标车辆的控制器也具有所述的等效油耗的计算系统所带来的有益效果，这里对所述的目标车辆的控制器的工作原理以及组成结构不再做详细说明，本领域技术人员可根据现有技术相应地配置。
综上所述，本发明提供的输出扭矩的计算方法应用于具有混合动力的目标车辆，所述输出扭矩的计算方法包括：获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；获取所述目标车辆的第二输入特征组，基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。相较于现有技术的穷举搜索法获取电动机的输出扭矩和发动机的输出扭矩，本发明由于构建了计算模型，一方面，可在一个固定的时长下计算得出第二输出特征组，即将指数时间复杂度转化为常数时间复杂度，从而减小了计算复杂度，提高了电动机的输出扭矩和发动机的输出扭矩优化求解的效率，进而提高目标车辆的等效燃油消耗优化求解的效率；另一方面，计算模型可缩短搜索步长，使第二输出特征组的结果更优，亦即提高目标车辆的等效燃油消耗优化结果的精度。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (15)
1.一种输出扭矩的计算方法，应用于具有混合动力的目标车辆，其特征在于，包括：
获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
获取所述目标车辆的第二输入特征组，基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；
其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。
2.根据权利要求1所述的输出扭矩的计算方法，其特征在于，获取所述第一输出特征组的步骤包括：利用服务器对所述第一输入特征组进行第一预处理，以得到与所述第一输入特征组相对应的所述第一输出特征组。
3.根据权利要求1所述的输出扭矩的计算方法，其特征在于，在构建所述计算模型之前，所述输出扭矩的计算方法还包括：对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
4.根据权利要求1所述的输出扭矩的计算方法，其特征在于，在获取所述目标车辆的第二输入特征组之前，所述输出扭矩的计算方法还包括：将构建的所述计算模型部署至所述目标车辆的控制器。
5.根据权利要求1所述的输出扭矩的计算方法，其特征在于，所述预设的模型算法包括查找表、高斯过程回归算法、局部线性模型树算法中的至少一种。
6.根据权利要求5所述的输出扭矩的计算方法，其特征在于，所述预设的模型算法包括高斯过程回归算法时，所述输出扭矩的计算方法还包括，将构建的所述计算模型进行压缩处理。
7.根据权利要求1所述的输出扭矩的计算方法，其特征在于，所述第一输入特征组和所述第二输入特征组均还包括所述目标车辆的排放量和/或车速，以及所述第一输出特征组和所述第二输出特征组均还包括所述目标车辆的档位。
8.一种等效油耗的计算方法，其特征在于，包括：
利用根据权利要求1～7中任一项所述的输出扭矩的计算方法得到所述第二输出特征组；以及
根据所述第二输出特征组获得所述目标车辆的等效油耗。
9.一种输出扭矩的计算模块，应用于具有混合动力的目标车辆，其特征在于，包括：
数据获取单元，用于获取所述目标车辆的第一输入特征组以及与所述第一输入特征组相对应的第一输出特征组；
模型构建单元，用于以获取的所述第一输入特征组和所述第一输出特征组为样本集，利用预设的模型算法提取训练所述样本集，从而构建计算模型；
输出预测单元，用于获取所述目标车辆的第二输入特征组，并基于所述计算模型得到与所述第二输入特征组相对应的第二输出特征组；
其中，所述第一输入特征组和所述第二输入特征组均包括发动机转速、电动机转速、电池荷电状态、等效因子、所述目标车辆的输出扭矩；所述第一输出特征组和所述第二输出特征组均包括发动机的输出扭矩、电动机的输出扭矩。
10.根据权利要求9所述的输出扭矩的计算模块，其特征在于，所述数据获取单元还包括第一预处理子单元，用于利用服务器对所述第一输入特征组进行第一预处理，从而得到与所述第一输入特征组相对应的所述第一输出特征组。
11.根据权利要求9所述的输出扭矩的计算模块，其特征在于，所述模型构建单元还包括第二预处理子单元，用于对所述样本集进行第二预处理，所述第二预处理包括空间低通滤波和/或高斯滤波。
12.根据权利要求9所述的输出扭矩的计算模块，其特征在于，所述输出扭矩的计算模块还包括模型移植单元，用于将构建的所述计算模型部署至所述目标车辆的控制器。
13.根据权利要求9所述的输出扭矩的计算模块，其特征在于，所述预设的模型算法包括高斯过程回归算法时，所述模型构建单元还包括模型压缩子单元，用于将构建的所述计算模型进行压缩处理。
14.一种等效油耗的计算系统，其特征在于，包括：
根据权利要求9～13中任一项所述的输出扭矩的计算模块；以及
油耗计算模块，用于根据所述第二输出特征组获得所述目标车辆的等效油耗。
15.一种目标车辆的控制器，其特征在于，包括根据权利要求14所述的等效油耗的计算系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357301.XA CN113212417A (zh) | 2021-04-01 | 2021-04-01 | 输出扭矩的计算方法及模块、等效油耗的计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110357301.XA CN113212417A (zh) | 2021-04-01 | 2021-04-01 | 输出扭矩的计算方法及模块、等效油耗的计算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113212417A true CN113212417A (zh) | 2021-08-06 |
Family
ID=77086353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110357301.XA Pending CN113212417A (zh) | 2021-04-01 | 2021-04-01 | 输出扭矩的计算方法及模块、等效油耗的计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113212417A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230093357A1 (en) * | 2021-09-21 | 2023-03-23 | Abb Schweiz Ag | Systems and methods of estimating torque, rotational speed, and overhung shaft forces using a machine learning model |
| CN116452095A (zh) * | 2023-06-16 | 2023-07-18 | 深圳普菲特信息科技股份有限公司 | 一种数字工厂的车辆智能监管调度方法、系统和介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050274553A1 (en) * | 2004-06-09 | 2005-12-15 | Salman Mutasim A | Predictive energy management system for hybrid electric vehicles |
| CN103350696A (zh) * | 2013-07-11 | 2013-10-16 | 北京交通大学 | 一种控制混合动力汽车扭矩输出的装置及方法 |
| CN106740822A (zh) * | 2017-02-14 | 2017-05-31 | 上汽大众汽车有限公司 | 混合动力系统及其能量管理方法 |
| CN108482358A (zh) * | 2018-03-27 | 2018-09-04 | 吉利汽车研究院（宁波）有限公司 | 混合动力汽车扭矩分配方法、装置及电子设备 |
| CN110254418A (zh) * | 2019-06-28 | 2019-09-20 | 福州大学 | 一种混合动力汽车增强学习能量管理控制方法 |
| CN111460381A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况燃油车油耗预测方法及系统 |
| CN111476403A (zh) * | 2020-03-17 | 2020-07-31 | 华为技术有限公司 | 预测模型构建方法和相关装置 |
-
2021
- 2021-04-01 CN CN202110357301.XA patent/CN113212417A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050274553A1 (en) * | 2004-06-09 | 2005-12-15 | Salman Mutasim A | Predictive energy management system for hybrid electric vehicles |
| CN103350696A (zh) * | 2013-07-11 | 2013-10-16 | 北京交通大学 | 一种控制混合动力汽车扭矩输出的装置及方法 |
| CN106740822A (zh) * | 2017-02-14 | 2017-05-31 | 上汽大众汽车有限公司 | 混合动力系统及其能量管理方法 |
| CN108482358A (zh) * | 2018-03-27 | 2018-09-04 | 吉利汽车研究院（宁波）有限公司 | 混合动力汽车扭矩分配方法、装置及电子设备 |
| CN110254418A (zh) * | 2019-06-28 | 2019-09-20 | 福州大学 | 一种混合动力汽车增强学习能量管理控制方法 |
| CN111476403A (zh) * | 2020-03-17 | 2020-07-31 | 华为技术有限公司 | 预测模型构建方法和相关装置 |
| CN111460381A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况燃油车油耗预测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230093357A1 (en) * | 2021-09-21 | 2023-03-23 | Abb Schweiz Ag | Systems and methods of estimating torque, rotational speed, and overhung shaft forces using a machine learning model |
| CN116452095A (zh) * | 2023-06-16 | 2023-07-18 | 深圳普菲特信息科技股份有限公司 | 一种数字工厂的车辆智能监管调度方法、系统和介质 |
| CN116452095B (zh) * | 2023-06-16 | 2023-09-19 | 深圳普菲特信息科技股份有限公司 | 一种数字工厂的车辆智能监管调度方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711532B (zh) | 一种针对硬件实现稀疏化卷积神经网络推断的加速方法 | |
| TWI694406B (zh) | 用於多動力源車輛的智慧配能方法及系統 | |
| CN113212417A (zh) | 输出扭矩的计算方法及模块、等效油耗的计算方法及系统 | |
| CN109973226B (zh) | 一种发动机的扭矩控制方法及装置 | |
| CN111016922B (zh) | 一种单电机混合动力系统优化分扭的能量管理系统和方法 | |
| CN111160515A (zh) | 运行时间预测方法、模型搜索方法及系统 | |
| US9708985B1 (en) | Matching torque map to shift pattern | |
| Dabadie et al. | Automatic generation of online optimal energy management strategies for hybrid powertrain simulation | |
| CN114715122A (zh) | 增程器的控制方法、装置、电子设备和存储介质 | |
| Hadj-Said et al. | Analytical solution for energy management of parallel hybrid electric vehicles | |
| Felgenhauer et al. | Geometric substitute models for efficient scaling of dimensions during vehicle architecture design | |
| CN112519778B (zh) | 汽车驾驶控制方法、汽车驾驶控制设备及存储介质 | |
| CN111186308B (zh) | 电动汽车驱动转矩分配方法、装置和计算机设备 | |
| CN112758078A (zh) | 车辆发动机负荷点调整量的寻优方法及寻优系统 | |
| CN110469661B (zh) | 一种基于cvt效率的动力性速比优化方法及系统 | |
| CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
| CN112606822B (zh) | 一种混合动力汽车能量管理的两阶段双模型预测控制方法 | |
| CN113147727B (zh) | 混合动力汽车的能量回收控制方法、车辆及存储介质 | |
| CN115009256A (zh) | 混合动力车辆的扭矩分配方法和装置 | |
| CN114872685A (zh) | 混合动力汽车控制方法、装置、混合动力汽车及存储介质 | |
| US20210103688A1 (en) | Driveline Model | |
| CN116384065B (zh) | 一种混合动力车辆组合参数优化方法和装置 | |
| CN112896141A (zh) | 增程器控制方法、装置、存储介质、电子设备、车辆 | |
| Khodabakhshian et al. | Improvement of fuel efficiency and drivability using simple prediction for gear changing | |
| CN111301434B (zh) | 一种车辆发动机扭矩校正方法、终端设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |