CN114625013A - 一种能量回馈的控制方法和三输入一输出模糊控制器 - Google Patents

一种能量回馈的控制方法和三输入一输出模糊控制器 Download PDF

Info

Publication number
CN114625013A
CN114625013A CN202210342341.1A CN202210342341A CN114625013A CN 114625013 A CN114625013 A CN 114625013A CN 202210342341 A CN202210342341 A CN 202210342341A CN 114625013 A CN114625013 A CN 114625013A
Authority
CN
China
Prior art keywords
time
fuzzy
output
estimation
covariance
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.)
Granted
Application number
CN202210342341.1A
Other languages
English (en)
Other versions
CN114625013B (zh
Inventor
徐飞
王国进
谢宇
李海波
朱海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfeng Motor Group Co Ltd
Original Assignee
Dongfeng Motor Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfeng Motor Group Co Ltd filed Critical Dongfeng Motor Group Co Ltd
Priority to CN202210342341.1A priority Critical patent/CN114625013B/zh
Publication of CN114625013A publication Critical patent/CN114625013A/zh
Application granted granted Critical
Publication of CN114625013B publication Critical patent/CN114625013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种能量回馈的控制方法和三输入一输出模糊控制器，通过状态估计和模糊控制计算电制动扭矩，实现了整车在运行于不同工况下的最优电制动的功能。本发明优化了整车电制动回收能量，增加了整车续驶里程，有效提高了整车经济性。本发明适用于具有能量回馈电动汽车的电制动回收的控制。

Description

一种能量回馈的控制方法和三输入一输出模糊控制器
技术领域
本发明属能量回收技术领域，具体涉及一种能量回馈的控制方法和三输入一输出模糊控制器。
背景技术
电动汽车包含混合动力和纯电动车型，采用状态估计和模糊控制方法进行电制动回收控制方法；现有电动汽车滑行能量回收技术方案参考车速或电机转速，通过标定电制动力查表的方法进行电制动回收，控制算法简单，参考整车因素较少，不能充分适用于整车运行状态，续驶里程、整车经济性仍有提高的空间。
采用单一参考变量(车速或电机转速)进行能量回收，对纯电工况续驶里程和整车经济性的提高空间有限，随着用户对续驶里程要求高、整车经济性的严格要求，采用单一参考变量(车速或电机转速)进行能量回收远远不能满足当前用户要求。
发明内容
本发明要解决的技术问题是：提供一种能量回馈的控制方法，用于实现整车在运行于不同工况下的最优电制动。
本发明为解决上述技术问题所采取的技术方案为：一种能量回馈的控制方法，包括以下步骤：
S0：建立能量回馈控制系统的模型；
S1：获取油门踏板开度，通过ESC采集整车当前车速u，计算电驱动轮边输出扭矩Ttq，并对上述采集的信息进行转态估计；
S2：采用自适应卡尔曼估算整车质量m和道路坡度i；
S3：根据包括整车车速u、整车质量m和道路坡度i的三个输入变量，采用三输入一输出模糊逻辑控制器计算并输出电制动减速度a。
按上述方案，所述的步骤S2中，具体步骤为：
S21：设车轮滚动半径为r，重力加速度为g，空气密度为ρ，减速箱速比为ig，主减速比为i0，风阻系数为CD，迎风面积为A，滚动阻力系数为f，传递效率为η，质量换算系数为δ；初始化参数，确定系统的状态方程和量测方程：
Figure BDA0003575280480000021
S22：设第k-1时刻的整车车速为uk-1、整车质量为mk-1、道路坡度为ik-1、Δt为时间间隔、
Figure BDA0003575280480000022
为加速度、wk-1为系统噪声，对状态方程进行离散化处理：
Figure BDA0003575280480000023
其中，
Figure BDA0003575280480000024
S23：设Hk为量测矩阵，vk为量测噪声，对量测方程进行线性化处理：
Figure BDA0003575280480000025
S24：设F为状态方程，对X求偏导的雅克比矩阵，计算先验状态向量：
Xk＝FXk-1+qk-1；
S25：设Fk,k-1为k-1→k时刻状态转移矩阵，Pk-1为k-1时刻协方差，
Figure BDA0003575280480000026
为k-1时刻量测噪声估计；根据第k-1时刻的预测噪声估算，计算误差协方差的预测值：
Figure BDA0003575280480000027
S26：设Pk,k-1为k-1→k时刻协方差，
Figure BDA0003575280480000028
为k-1时刻系统误差估计，计算卡尔曼增益：
Figure BDA0003575280480000029
S27：设vk为k时刻修正项，
Figure BDA00035752804800000210
为k时刻量测噪声期望估计，更新误差：
Figure BDA00035752804800000211
设dk为权重系数，Kk为k时刻卡尔曼增益，Pk为k时刻协方差，
Figure BDA00035752804800000212
为k-1时刻量测噪声期望估计，则k时刻量测噪声期望估计
Figure BDA0003575280480000031
和k-1时刻量测协方差估计
Figure BDA0003575280480000032
分别为：
Figure BDA0003575280480000033
进一步的，所述的步骤S27中，具体步骤为：
S271：设
Figure BDA0003575280480000034
为初始状态量，
Figure BDA0003575280480000035
为初始估计协方差，
Figure BDA0003575280480000036
和
Figure BDA0003575280480000037
为系统和量测噪声期望，
Figure BDA0003575280480000038
和
Figure BDA0003575280480000039
为初始系统和量测噪声协方差，初始化参数：
Figure BDA00035752804800000310
S272：设b为遗忘因子，范围选择0＜b＜1，计算权重系数
dk＝(1-b)/(1-bk+1)；
S273：设Fk,k-1为k-1→k时刻状态转移矩阵，
Figure BDA00035752804800000311
为k-1时刻状态估计，
Figure BDA00035752804800000312
为k-1时刻量测误差期望估计，计算一步预测估计
Figure BDA00035752804800000313
S274：设Fk,k-1为k-1→k时刻状态转移矩阵，Pk-1为k-1时刻状态协方差，
Figure BDA00035752804800000314
为k-1时刻的协方差估计，计算一步预测估计的均方误差
Figure BDA00035752804800000315
S275：设
Figure BDA00035752804800000316
为k-1时刻噪声期望估计，得到
Figure BDA00035752804800000317
S276：设vk为修正项
Figure BDA00035752804800000318
计算量测噪声协方差估计
Figure BDA00035752804800000319
S277：计算增益矩阵
Figure BDA00035752804800000320
S278：计算状态估计
Figure BDA0003575280480000041
S279：计算均方误差矩阵
Pk＝[I-KkHk]Pk,k-1；
S2710：得到
Figure BDA0003575280480000042
Figure BDA0003575280480000043
按上述方案，所述的步骤S3中，具体步骤为：
S31：确定系统输入变量包括整车车速u、整车质量m和道路坡度i，输出变量包括电制动减速度a；
S32：输入隶属度函数，将输入变量与输出变量的精确量转化为对应变量的模糊集合；
S33：制定模糊规则：
如果整车车速u＝A1，且道路坡度i＝A2，且整车质量m＝A3，则电制动减速度a＝A4；
S34：根据模糊规则进行模糊推理，采用Mamdani推理法决策模糊输出量电制动减速度a：若
Figure BDA0003575280480000044
且
Figure BDA0003575280480000045
则
Figure BDA0003575280480000046
Figure BDA0003575280480000047
S35：采用中位数法对输出模糊量解模糊，输出隶属度函数；
S36：根据电制动减速度计算电制动扭矩：
Tch＝m*a*r*η/(i0*ig)。
进一步的，所述的步骤S32中，具体步骤为：输入变量的模糊集合包括小、中、大；输出变量的模糊集合包括极小、稍小、一般、稍大、极大。
一种用于能量回馈的控制方法的三输入一输出模糊控制器，包括依次串联的模糊化模块、模糊推理模块、解模糊模块；模糊化模块用于输入包括整车车速u、整车质量m和道路坡度i的变量，并输入隶属度函数，将输入变量与输出变量的精确量转化为对应变量的模糊集合；模糊推理模块用于制定模糊规则，并根据模糊规则进行模糊推理，采用Mamdani推理法决策模糊输出量电制动减速度a；解模糊模块用于采用中位数法对输出模糊量解模糊，输出隶属度函数。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至5中任意一项所述的一种能量回馈的控制方法。
本发明的有益效果为：
1.本发明的一种能量回馈的控制方法和三输入一输出模糊控制器，通过状态估计和模糊控制计算电制动扭矩，实现了整车在运行于不同工况下的最优电制动的功能。
2.本发明优化了整车电制动回收能量，增加了整车续驶里程，有效提高了整车经济性。
3.本发明适用于具有能量回馈电动汽车的电制动回收的控制。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的卡尔曼算法流程图。
图3是本发明实施例的更新误差估计流程图。
图4是本发明实施例的模糊控制流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明实施例的一种能量回馈的控制方法，包括以下步骤：
S1：获得油门踏板开度，计算出轮边输出扭矩Ttq，采集ESC的车速信号u；
S2：采用自适应卡尔曼估计当前整车质量m和道路坡度i，参见图2：
S21：初始化参数，确定系统的状态方程和量测方程；
已知车轮滚动半径为r，重力加速度为g，空气密度为ρ，减速箱速比ig，主减速比i0，风阻系数CD，迎风面积A，滚动阻力系数f，传递效率η，质量换算系数δ；
Figure BDA0003575280480000061
S22：设第k-1时刻的整车车速为uk-1、整车质量为mk-1、道路坡度为ik-1、Δt为时间间隔、
Figure BDA0003575280480000062
为加速度、wk-1为系统误差，状态方程进行离散化处理：
Figure BDA0003575280480000063
其中，
Figure BDA0003575280480000064
S23：设Hk为量测矩阵，vk为量测误差，对量测方程进行线性化处理：
Figure BDA0003575280480000065
S24：设F为状态方程，对X求偏导的雅克比矩阵，计算先验状态向量：
Xk＝FXk-1+qk-1；
S25：设Fk,k-1为k-1→k时刻状态转移矩阵，Pk-1为k-1时刻协方差，
Figure BDA0003575280480000066
为k-1时刻量测误差估计；根据第k-1时刻的预测误差估算，计算协方差的预测值
Figure BDA0003575280480000067
S26：设Pk,k-1为k-1→k时刻协方差，
Figure BDA0003575280480000068
为k-1时刻系统误差估计，计算卡尔曼增益
Figure BDA0003575280480000069
S27：设vk为k时刻修正项，
Figure BDA00035752804800000610
为k时刻量测误差期望估计，更新误差估计，参见图3
Figure BDA00035752804800000611
Figure BDA00035752804800000612
设dk为权重系数，Kk为k时刻卡尔曼增益，Pk为k时刻协方差，
Figure BDA0003575280480000071
为k-1时刻量测误差期望估计，则k时刻量测误差期望估计
Figure BDA0003575280480000072
和k-1时刻量测误差估计
Figure BDA0003575280480000073
分别为：
Figure BDA0003575280480000074
Figure BDA0003575280480000075
S3：采用三输入一输出模糊逻辑控制器计算电制动减速度a，参见图4
S31：确定系统输入量(车速u、坡度i、重量m)，输出量(电制动减速度a)；
S32：将输入输出的精确量转化为对应变量的模糊集合；(输入变量(小、中、大)，输出变量(极小、稍小、一般、稍大、极大))
S33：模糊规则制定；
If车速＝**，and坡度＝**，and重量＝**，Then电制动扭矩系统＝**
S34：模糊推理；
根据模糊控制规则进行模糊推理，采用Mamdani推理法决策模糊输出量(电制动减速度a)；
If x is
Figure BDA0003575280480000076
and y is
Figure BDA0003575280480000077
Then z is
Figure BDA0003575280480000078
当x is
Figure BDA0003575280480000079
and y is
Figure BDA00035752804800000710
则z is
Figure BDA00035752804800000711
Figure BDA00035752804800000712
S35：对输出模糊量解模糊，采用中位数法；
S36：根据电驱动系统能力，解输出量计算制动扭矩。
Tch＝m*a*r*η/(i0*ig)
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (7)

1.一种能量回馈的控制方法，其特征在于：包括以下步骤：
S0：建立能量回馈控制系统的模型；
S1：获取油门踏板开度，通过ESC采集整车当前车速u，计算电驱动轮边输出扭矩Ttq，并对上述采集的信息进行转态估计；
S2：采用自适应卡尔曼估算整车质量m和道路坡度i；
S3：根据包括整车车速u、整车质量m和道路坡度i的三个输入变量，采用三输入一输出模糊逻辑控制器计算并输出电制动减速度a。
2.根据权利要求1所述的一种能量回馈的控制方法，其特征在于：所述的步骤S2中，具体步骤为：
S21：设车轮滚动半径为r，重力加速度为g，空气密度为ρ，减速箱速比为ig，主减速比为i0，风阻系数为CD，迎风面积为A，滚动阻力系数为f，传递效率为η，质量换算系数为δ；初始化参数，确定系统的状态方程和量测方程：
Figure FDA0003575280470000011
S22：设第k-1时刻的整车车速为uk-1、整车质量为mk-1、道路坡度为ik-1、Δt为时间间隔、
Figure FDA0003575280470000012
为加速度、wk-1为系统噪声，对状态方程进行离散化处理：
Figure FDA0003575280470000013
其中，
Figure FDA0003575280470000014
S23：设Hk为量测矩阵，vk为量测噪声，对量测方程进行线性化处理：
Figure FDA0003575280470000015
S24：设F为状态方程，对X求偏导的雅克比矩阵，计算先验状态向量：
Xk＝FXk-1+qk-1；
S25：设Fk,k-1为k-1→k时刻状态转移矩阵，Pk-1为k-1时刻协方差，
Figure FDA0003575280470000016
为k-1时刻量测噪声估计；根据第k-1时刻的预测噪声估算，计算误差协方差的预测值：
Figure FDA0003575280470000021
S26：设Pk,k-1为k-1→k时刻协方差，
Figure FDA0003575280470000022
为k-1时刻系统误差估计，计算卡尔曼增益：
Figure FDA0003575280470000023
S27：设vk为k时刻修正项，
Figure FDA0003575280470000024
为k时刻量测噪声期望估计，更新误差：
Figure FDA0003575280470000025
设dk为权重系数，Kk为k时刻卡尔曼增益，Pk为k时刻协方差，
Figure FDA0003575280470000026
为k-1时刻量测噪声期望估计，则k时刻量测噪声期望估计
Figure FDA0003575280470000027
和k-1时刻量测协方差估计
Figure FDA0003575280470000028
分别为：
Figure FDA0003575280470000029
3.根据权利要求2所述的一种能量回馈的控制方法，其特征在于：所述的步骤S27中，具体步骤为：
S271：设
Figure FDA00035752804700000210
为初始状态量，
Figure FDA00035752804700000211
为初始估计协方差，
Figure FDA00035752804700000212
和
Figure FDA00035752804700000213
为系统和量测噪声期望，
Figure FDA00035752804700000214
和
Figure FDA00035752804700000215
为初始系统和量测噪声协方差，初始化参数：
Figure FDA00035752804700000216
b,k＝1；
S272：设b为遗忘因子，范围选择0＜b＜1，计算权重系数
dk＝(1-b)/(1-bk+1)；
S273：设Fk,k-1为k-1→k时刻状态转移矩阵，
Figure FDA00035752804700000217
为k-1时刻状态估计，
Figure FDA00035752804700000218
为k-1时刻量测误差期望估计，计算一步预测估计
Figure FDA00035752804700000219
S274：设Fk,k-1为k-1→k时刻状态转移矩阵，Pk-1为k-1时刻状态协方差，
Figure FDA00035752804700000220
为k-1时刻的协方差估计，计算一步预测估计的均方误差
Figure FDA0003575280470000031
S275：设
Figure FDA0003575280470000032
为k-1时刻噪声期望估计，得到
Figure FDA0003575280470000033
S276：设vk为修正项
Figure FDA0003575280470000034
计算量测噪声协方差估计
Figure FDA0003575280470000035
S277：计算增益矩阵
Figure FDA0003575280470000036
S278：计算状态估计
Figure FDA0003575280470000037
S279：计算均方误差矩阵
Pk＝[I-KkHk]Pk,k-1；
S2710：得到
Figure FDA0003575280470000038
Figure FDA0003575280470000039
4.根据权利要求1所述的一种能量回馈的控制方法，其特征在于：所述的步骤S3中，具体步骤为：
S31：确定系统输入变量包括整车车速u、整车质量m和道路坡度i，输出变量包括电制动减速度a；
S32：输入隶属度函数，将输入变量与输出变量的精确量转化为对应变量的模糊集合；
S33：制定模糊规则：
如果整车车速u＝A1，且道路坡度i＝A2，且整车质量m＝A3，则电制动减速度a＝A4；
S34：根据模糊规则进行模糊推理，采用Mamdani推理法决策模糊输出量电制动减速度a：若
Figure FDA0003575280470000041
且
Figure FDA0003575280470000042
则
Figure FDA0003575280470000043
Figure FDA0003575280470000044
S35：采用中位数法对输出模糊量解模糊，输出隶属度函数；
S36：根据电制动减速度计算电制动扭矩：
Tch＝m*a*r*η/(i0*ig)。
5.根据权利要求4所述的一种能量回馈的控制方法，其特征在于：所述的步骤S32中，具体步骤为：输入变量的模糊集合包括小、中、大；输出变量的模糊集合包括极小、稍小、一般、稍大、极大。
6.一种用于权利要求1至5中任意一项所述的能量回馈的控制方法的三输入一输出模糊控制器，其特征在于：包括依次串联的模糊化模块、模糊推理模块、解模糊模块；
模糊化模块用于输入包括整车车速u、整车质量m和道路坡度i的变量，并输入隶属度函数，将输入变量与输出变量的精确量转化为对应变量的模糊集合；
模糊推理模块用于制定模糊规则，并根据模糊规则进行模糊推理，采用Mamdani推理法决策模糊输出量电制动减速度a；
解模糊模块用于采用中位数法对输出模糊量解模糊，输出隶属度函数。
7.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至5中任意一项所述的一种能量回馈的控制方法。
CN202210342341.1A 2022-03-31 2022-03-31 一种能量回馈的控制方法和三输入一输出模糊控制器 Active CN114625013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210342341.1A CN114625013B (zh) 2022-03-31 2022-03-31 一种能量回馈的控制方法和三输入一输出模糊控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210342341.1A CN114625013B (zh) 2022-03-31 2022-03-31 一种能量回馈的控制方法和三输入一输出模糊控制器

Publications (2)

Publication Number Publication Date
CN114625013A true CN114625013A (zh) 2022-06-14
CN114625013B CN114625013B (zh) 2024-04-16

Family

ID=81905691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210342341.1A Active CN114625013B (zh) 2022-03-31 2022-03-31 一种能量回馈的控制方法和三输入一输出模糊控制器

Country Status (1)

Country Link
CN (1) CN114625013B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118438893A (zh) * 2024-07-05 2024-08-06 北京福田欧辉新能源汽车有限公司 车辆制动控制方法、电子设备和车辆

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
US20120265194A1 (en) * 2011-04-12 2012-10-18 Tyco Healthcare Group Lp System and Method for Process Monitoring and Intelligent Shut-Off
WO2015180050A1 (zh) * 2014-05-26 2015-12-03 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
WO2018028711A1 (zh) * 2016-08-12 2018-02-15 贵州火星探索科技有限公司 一种对无人机的噪声协方差进行估算的方法
CN112526883A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种基于智能网联信息的整车能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964018A (zh) * 2010-08-26 2011-02-02 湘潭大学 一种电动车电池soc的估计方法
US20120265194A1 (en) * 2011-04-12 2012-10-18 Tyco Healthcare Group Lp System and Method for Process Monitoring and Intelligent Shut-Off
WO2015180050A1 (zh) * 2014-05-26 2015-12-03 北京理工大学 一种估计电动车辆的动力系统的参数和状态的方法
WO2018028711A1 (zh) * 2016-08-12 2018-02-15 贵州火星探索科技有限公司 一种对无人机的噪声协方差进行估算的方法
CN107290688A (zh) * 2017-08-24 2017-10-24 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
CN112526883A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种基于智能网联信息的整车能量管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
尹巍;全书海;: "基于模糊控制的燃料电池电动车制动能量回馈策略", 仪表技术, no. 05, 15 May 2010 (2010-05-15) *
张健, 王耀南, 曹松波: "基于模糊逻辑的电动汽车制动能量回馈系统", 交通与计算机, no. 04, 30 August 2005 (2005-08-30) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118438893A (zh) * 2024-07-05 2024-08-06 北京福田欧辉新能源汽车有限公司 车辆制动控制方法、电子设备和车辆

Also Published As

Publication number Publication date
CN114625013B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Yuan et al. Intelligent energy management strategy based on hierarchical approximate global optimization for plug-in fuel cell hybrid electric vehicles
US11958365B2 (en) Method for dual-motor control on electric vehicle based on adaptive dynamic programming
WO2021114742A1 (zh) 一种混合动力电动汽车综合预测能量管理方法
CN112613253B (zh) 考虑环境因素的车辆质量和道路坡度联合自适应估计方法
CN111507019A (zh) 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法
Lee et al. Energy management strategy of fuel cell electric vehicles using model-based reinforcement learning with data-driven model update
CN110615003B (zh) 基于策略梯度在线学习算法的巡航控制系统及设计方法
CN112249002B (zh) 一种基于td3的启发式串并联混合动力能量管理方法
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
CN110727994A (zh) 参数解耦的电动汽车质量与坡度估计方法
CN113022384B (zh) 一种基于凸优化的燃料电池汽车能量管理方法
CN110341546A (zh) 一种纯电动车续航里程估算方法
CN112977402A (zh) 混合动力车辆及其控制方法
CN116552548B (zh) 一种四轮分布式电驱动汽车状态估计方法
CN113635879A (zh) 一种车辆制动力分配方法
CN111783943A (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN114625013A (zh) 一种能量回馈的控制方法和三输入一输出模糊控制器
CN113442906A (zh) 一种分布式驱动电动汽车横向稳定性分层控制系统及方法
CN118103266A (zh) 用于交通工具中的功率或扭矩分配的自适应实时优化的方法
Hu et al. Vehicle mass and road grade estimation based on adaptive forgetting factor RLS and EKF algorithm
CN114670828A (zh) 一种采用复合模型预测控制器的自适应巡航控制方法
Nguyen et al. Optimal Energy Management Strategy based on Driving Pattern Recognition for a Dual-Motor Dual-Source Electric Vehicle
CN113595220B (zh) 一种超级电容-燃料电池混合动力特种车辆功率协调方法
Zhou et al. In-wheel Motor Electric Vehicle Based on Fuzzy Neural Network Yaw Stability Optimization Control.
CN111332278A (zh) 一种分布式驱动电动车辆横向稳定控制方法及系统

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