CN114708724B - 一种人车路协同的多车能效优化算法 - Google Patents

一种人车路协同的多车能效优化算法 Download PDF

Info

Publication number
CN114708724B
CN114708724B CN202110723404.3A CN202110723404A CN114708724B CN 114708724 B CN114708724 B CN 114708724B CN 202110723404 A CN202110723404 A CN 202110723404A CN 114708724 B CN114708724 B CN 114708724B
Authority
CN
China
Prior art keywords
vehicle
model
optimization algorithm
driver
energy efficiency
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
Application number
CN202110723404.3A
Other languages
English (en)
Other versions
CN114708724A (zh
Inventor
谢辉
宋康
张榆川
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202110723404.3A priority Critical patent/CN114708724B/zh
Publication of CN114708724A publication Critical patent/CN114708724A/zh
Application granted granted Critical
Publication of CN114708724B publication Critical patent/CN114708724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种人车路协同的多车能效优化算法，该多车能效优化算法，从线路、车辆、司机、动力系统控制参数4个层面，开展多车运输效率和能效的优化，从全局实现多车能效的优化。

Description

一种人车路协同的多车能效优化算法
技术领域
本发明属于智能物流技术领域，具体涉及一种人车路协同的多车能效优化算法。
背景技术
面对大批量的公路运输任务，物流货运公司需要选择合理的运输线路，安排对应的车辆，并分配相应的驾驶员。上述管理过程，一般是依靠人工经验，或者简单的信息共享平台，并没有系统的全局规划系统。
显而易见，路线的选择对于能耗影响巨大。而在选定的线路下，如何选择货运车辆也对于运输效率影响明显。其原因在于，车辆选择影响投入使用的车辆数量和车辆的空载率影响实际油耗。此外，驾驶员驾驶行为和道路工况对车辆的能耗影响也非常显著。已有研究表明，相同车辆相同路线，不同的驾驶员驾驶风格下，因发动机工况分布及瞬态过程不同，整车油耗差异能够达到14％(见参考文献：Gregory J.Thompson,In-Use EmissionsTesting of Light-Duty Diesel Vehicles in the United States,2014.)。ICCT(国际清洁交通理事会)发现：相对于设计工况的运行结果，内燃动力车实际运行油耗可较设计工况高24％(详见以下网址记载内容https://arpa-e.energy.gov/？q＝slick-sheet-project/hybrid-electric-vehicle-platooning-control)。在车辆控制系统层面，车辆控制参数对能效有很大影响，但传统的车辆控制的相关参数往往基于有限的离线标定优化得到，在面对不同的司机驾驶行为、道路工况以及运输任务时，难以得到最佳的匹配。
目前，现有的车辆调度系统，在调度时往往忽略了不同车型以及驾驶员对运输效率的影响,没有系统地从线路、车辆、司机及车辆动力系统控制参数的角度，开展全流程的多车能耗考量，制约了整体货运效率和能效的提升。例如，孔德财等设计了一种车货匹配指标体系，并提出了一种基于双边匹配理论的车货匹配优化方法，但缺少对线路优化选择的考虑，并且忽略了驾驶员的影响(见参考文献：孔德财,刘鹭,霍晋元.公路整车货物运输车货匹配优化[J].物流技术,2021,40(04):71-75+98.)。陈潇建立了带有配送时间约束和车辆载重约束的动态车辆调度数学模型，并设计了遗传算法对模型问题进行求解(见参考文献：陈潇.基于云平台的物流配送车辆调度系统[D].西安科技大学,2020.)；葛显龙建立了基于时间轴的联合配送车辆调度模型，并配送任务的复杂性与动态性设计了一种车辆调度系统(见参考文献：葛显龙.面向云配送模式的车辆调度问题及算法研究[D].重庆大学,2011.)。但两者的研究都缺少对不同型号车辆匹配的设计，同时也忽略了驾驶员的影响。
发明内容
本发明的目的在于克服现有技术的不足，提供一种人车路协同的多车能效优化算法，该多车能效优化算法，从线路、车辆、司机、动力系统控制参数4个层面，开展多车运输效率和能效的优化，从全局实现多车能效的优化。
本发明是通过以下技术方案实现的：
一种人车路协同的多车能效优化算法，包括以下步骤：
步骤1，根据给定运输任务的起点和终点，通过数据库中的历史数据、交通导航信息，采用路径规划算法选取起点和终点之间的最短路径，生成起点和终点之间的节点路径图，得到各节点之间的里程，同时所述最短路径满足给定任务运输的时长约束；将节点之间的车速片段进行融合生成最短路径的全局车速工况曲线；
所述历史数据包括不同车型在不同地域行驶的行驶数据，所述行驶数据至少包括：行驶时间、车速、发动机转速、油耗；
步骤2，根据给定运输任务的货运重量，从备选车型中选取合适的车辆组合，使得车队中车辆的数目尽可能小的同时每辆车的载货率最大，目标是使车队总能耗最小；
步骤3，建立驾驶员孪生模型和步骤2中选定车辆的车辆孪生模型，以步骤1得到的所述全局车速工况曲线为运行边界条件，输入给所述驾驶员孪生模型和车辆孪生模型运行推算多车的油耗总和，采用驾驶员优化算法挑选在步骤2中所述车辆组合和步骤1中所述最短路径下车辆油耗最低的驾驶员，作为相应车辆的推荐驾驶员；
所述车辆孪生模型中包括控制器模型、发动机模型、传动系统模型及整车子模型；
步骤4，通过对所述控制器模型的闭环推演，采用控制参数优化算法对控制器的参数进行寻优，得到优化后的控制参数；
所述控制参数包括发动机的喷油控制参数、进气控制参数；
所述步骤1中所述最短路径、步骤2中所述车辆组合、步骤3中所述推荐驾驶员以及步骤4中所述优化后的控制参数为完成所述给定运输任务的优选配置方案。
上述技术方案中，所述步骤1～步骤4既可以在本地平台运行也可以在云平台上运行。
上述技术方案中，所述步骤1中，路径规划算法为Dijkstra算法、RRT算法或A*算法。
路径规划算法的具体步骤可以参考：顾蕾.车辆路径规划算法及其应用综述[J].物流工程与管理,2019,41(08):100-101+33。
所述给定运输任务中除起点、终点外还可以包含途经点。
所述行驶数据包括：各车辆的时间、车速、经纬度、加速踏板开度、制动踏板开度、离合踏板开度、档位。
所述运输时长的约束是指根据历史数据中车速数据计算出起点终点的计算运输时长，所述计算运输时长应小于给定任务中要求的运输时长。
上述技术方案中，所述步骤2中，从备选车型中选取合适的车辆组合的方法采取全局优化法选择车型组合；
设车辆的最大载货重量为mload_max，实际载重为mload，则车辆的载货率可定义为设所选取的车辆编号为1,2…n，运输任务的货运重量为mtarget，则车型组合的优化问题可以表述为/>
上述技术方案中，所述步骤3中，所述驾驶员孪生模型的输入为步骤1中得到的所述全局车速工况曲线及所述车辆孪生模型反馈得到的车速；所述驾驶员孪生模型的输出为加速踏板开度、制动踏板开度、离合踏板开度及档位操作；其目的是使所述车辆孪生模型能够按照全局车速工况曲线运行。
驾驶员孪生模型的主要原理可以参考：孟繁杰.速度控制驾驶员建模研究[D].吉林大学,2007.。驾驶员模型中的不同参数即对应不同风格和类型的实际驾驶员。
上述技术方案中，所述步骤3中，所述车辆孪生模型的输入为所述驾驶员孪生模型输出的加速踏板开度、制动踏板开度、离合踏板开度及档位操作，所述车辆孪生模型的输出为车辆运行状态量；所述车辆运行状态量包括车速、发动机转速、发动机油耗。
所述车辆孪生模型中的建模方法可以参考：拉尔斯·埃里克松(Lars Eriksson).汽车发动机与传动系统建模及控制[M].北京:化学工业出版社,2018.。
上述技术方案中，所述驾驶员优化算法及控制器的控制参数优化方法为遗传算法或贝叶斯优化算法。
在上述技术方案中，所述步骤4中，所述控制器孪生模型是指将相应车辆上的的控制算法复制到平台上，并与平台上的车辆孪生模型形成闭环控制系统。
本发明的优点和有益效果为：
1.相对于传统的多车管理平台，本平台实现了线路、车辆、司机，以及动力系统控制参数的一体化优化，有望从全局实现多车能效的优化，充分挖掘车队的综合节油潜力，带来显著的经济效益。
2.本发明算法流程清晰，结构简单，不需要较大的算力要求，易于实现。
附图说明
图1是本发明多车能效优化算法的流程框图。
图2是本发明具体实施方式中生成的节点路径示意图。
图3为本发明具体实施方式中全局车速工况曲线示意图。
图4为本发明具体实施方式中所搭建的驾驶员孪生模型和车辆孪生模型示意图。
图5为本发明具体实施方式中驾驶员模型参数优化结构图。
对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
给定的运输任务为从北京至无锡，货运质量为135吨，运输时长不多于30小时。
一种人车路协同的多车能效优化算法，包括以下步骤：
步骤1，通过数据库中的历史数据生成的节点路径图如图2所示，由Dijkstra算法规划的最短路径为1-4-9-10(北京-衡水-南京-无锡)，最短距离为1313km。采用高斯过程回归方法对节点间的车速片段进行融合，生成的全局车速工况曲线如图3所示。该线路运输时长为24.13小时，满足任务要求。
部分历史数据示例见下表1，其中设备号代表某辆A车型的历史行驶数据：
表1部分历史数据示例
步骤2，备选车型为A、B、C三种中重卡，其主要参数如表2所示。其中，A车型为陕汽重卡德龙M3000，B车型为福田欧曼，C车型为陕汽某仓栅式运输车。则采用全局遍历法克求解车型组合的优化问题：
解得n＝5，1-4号车为A型车，5号车为C型车。其中η1、η2、η3、η4＝100％，η5＝87.5％。
表2备选车型参数表
步骤3，在建立驾驶员孪生模型和车辆孪生模型如图4所示。以步骤1中全局车速工况曲线为运行边界条件，输入给驾驶员和车辆孪生模型运行推算多车的油耗总和，采用贝叶斯优化方法对驾驶员模型中的换挡特性系数进行优化，得其最优值为1.3。优化的结构如图5所示。
驾驶员孪生模型采用PI控制建立，其换挡和离合器操作根据换挡特性map进行(车速和加速踏板开度)。换挡特性系数与原有的换挡特性map上的换挡阈值参数相乘得到新的阈值参数，从而改变换挡操作。驾驶员孪生模型的主要原理可以参考：孟繁杰.速度控制驾驶员建模研究[D].吉林大学,2007.。
车辆孪生模型，可参见图4车辆孪生模型中包括控制器模型、发动机模型、传动系统模型及整车子模型。控制器和发动机模型可根据发动机的万有特性、台架标定数据进行数据建模，传动系统和整车子模型一般根据离合器处扭矩计算公式、车轮转速动态公式、车辆纵向动力学模型建立。主要原理可以参考:拉尔斯·埃里克松(Lars Eriksson).汽车发动机与传动系统建模及控制[M].北京:化学工业出版社,2018.。
在实际驾驶员中挑选换挡特性系数接近于1.3的作为车辆驾驶员，实际驾驶员的换挡特性系数可通过历史数据中进行辨识。
优化前驾驶员的换挡特性系数为1.75，表3展示了在该线路下各车型满载时驾驶员优化前后的百公里油耗对比图，优化后各车型的油耗均下降了10％左右。
表3驾驶员优化前后油耗对比
步骤4，以步骤1中全局车速工况曲线为运行边界条件，采用步骤3中优化得到的驾驶员孪生模型，通过对车辆孪生模型中的控制器模型的闭环推演，采用贝叶斯优化算法对控制器中的发动机喷油修正系数进行了优化，得其最优值为1.02优化的结构与图5类似。
步骤5，将优选的线路、车辆、驾驶员，以及控制器参数显示在云平台并下发给运营公司、司机以及车辆控制器，完成调度和优化。
现有技术下一般通过人工经验进行线路、车辆、驾驶员匹配，并不涉及对驾驶员和控制参数进行优化，其车辆方案为5辆B型车，其中4辆满载，剩余1辆载货率为82.14％，载货率低于本发明方案优化的车型组合。现有技术下多车总百公里油耗为243.2L，而本发明方案的多车总百公里油耗为210L，相比降低了13.6％。

Claims (10)

1.一种人车路协同的多车能效优化算法，其特征在于，包括以下步骤：
步骤1，根据给定运输任务的起点和终点，通过数据库中的历史数据、交通导航信息，采用路径规划算法选取起点和终点之间的最短路径，生成起点和终点之间的节点路径图，得到各节点之间的里程，同时所述最短路径满足给定运输任务的时长约束；将节点之间的车速片段进行融合生成最短路径的全局车速工况曲线；
所述历史数据包括不同车型在不同地域行驶的行驶数据，所述行驶数据至少包括：行驶时间、车速、油耗；
步骤2，根据给定运输任务的货运重量，从备选车型中选取车辆组合，使得车队中车辆的数目尽可能小的同时每辆车的载货率最大，目标是使车队总能耗最小；
步骤3，建立驾驶员孪生模型和步骤2中选定车辆的车辆孪生模型，以步骤1得到的所述全局车速工况曲线为运行边界条件，输入给所述驾驶员孪生模型和车辆孪生模型运行推算多车的油耗总和，采用驾驶员优化算法挑选在步骤2中所述车辆组合和步骤1中所述最短路径下车辆油耗最低的驾驶员，作为相应车辆的推荐驾驶员；
所述车辆孪生模型中包括控制器模型、发动机模型、传动系统模型及整车子模型；
步骤4，通过对所述控制器模型的闭环推演，采用控制参数优化算法对控制器的参数进行寻优，得到优化后的控制参数；
所述控制参数包括发动机的喷油控制参数、进气控制参数；
所述步骤1中所述最短路径、步骤2中所述车辆组合、步骤3中所述推荐驾驶员以及步骤4中所述优化后的控制参数为完成所述给定运输任务的优选配置方案。
2.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤1~步骤4既可以在本地平台运行也可以在云平台上运行。
3.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤1中，路径规划算法为Dijkstra算法、RRT算法或A*算法；
所述给定运输任务中除起点、终点外还包含途经点。
4.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤1中，所述行驶数据进一步包括：经纬度、加速踏板开度、制动踏板开度、离合踏板开度、档位。
5.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤1中，所述给定运输任务的时长约束是指根据历史数据中车速数据计算出起点终点的计算运输时长，所述计算运输时长应小于给定运输任务中要求的运输时长。
6.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤2中，从备选车型中选取车辆组合的方法采取全局优化法选择车型组合；
设车辆的最大载货重量为，实际载重为/>，则车辆的载货率可定义为*100%；设所选取的车辆编号为1,2…n，运输任务的货运重量为/>，则车型组合的优化问题可以表述为/>。
7.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤3中，所述驾驶员孪生模型的输入为步骤1中得到的所述全局车速工况曲线及所述车辆孪生模型反馈得到的车速；所述驾驶员孪生模型的输出为加速踏板开度、制动踏板开度、离合踏板开度及档位操作；其目的是使所述车辆孪生模型能够按照全局车速工况曲线运行。
8.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤3中，所述车辆孪生模型的输入为所述驾驶员孪生模型输出的加速踏板开度、制动踏板开度、离合踏板开度及档位操作，所述车辆孪生模型的输出为车辆运行状态量；所述车辆运行状态量包括车速、发动机转速、发动机油耗。
9.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述驾驶员优化算法及控制器的控制参数优化算法为遗传算法或贝叶斯优化算法。
10.根据权利要求1所述的人车路协同的多车能效优化算法，其特征在于，所述步骤4中，所述控制器模型是指将相应车辆上的控制算法复制到平台上，并与平台上的车辆孪生模型形成闭环控制系统。
CN202110723404.3A 2021-06-28 2021-06-28 一种人车路协同的多车能效优化算法 Active CN114708724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110723404.3A CN114708724B (zh) 2021-06-28 2021-06-28 一种人车路协同的多车能效优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110723404.3A CN114708724B (zh) 2021-06-28 2021-06-28 一种人车路协同的多车能效优化算法

Publications (2)

Publication Number Publication Date
CN114708724A CN114708724A (zh) 2022-07-05
CN114708724B true CN114708724B (zh) 2023-08-01

Family

ID=82166724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110723404.3A Active CN114708724B (zh) 2021-06-28 2021-06-28 一种人车路协同的多车能效优化算法

Country Status (1)

Country Link
CN (1) CN114708724B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865472A (zh) * 2016-04-06 2016-08-17 重庆邮电大学 一种基于最佳油耗的车载导航方法
CN107290016A (zh) * 2016-04-10 2017-10-24 广西盛源行电子信息股份有限公司 基于车速波动的高油耗分析方法及系统
CN107972673A (zh) * 2016-10-25 2018-05-01 Ifp新能源公司 使用线图确定使车辆的能耗最小化的路线的方法
CN108072381A (zh) * 2016-11-18 2018-05-25 中国移动通信有限公司研究院 一种路径规划的方法及装置
CN110012069A (zh) * 2019-03-05 2019-07-12 浙江吉利新能源商用车集团有限公司 一种车辆数据处理装置、方法及车辆监控平台
CN110488629A (zh) * 2019-07-02 2019-11-22 北京航空航天大学 一种基于数字孪生技术的混合动力汽车的管控方法
CN111792259A (zh) * 2020-07-24 2020-10-20 深圳市海柔创新科技有限公司 货物搬运方法、装置、服务器以及搬运机器人
CN112525210A (zh) * 2020-11-24 2021-03-19 同济大学 一种面向节能的电动汽车全局路径和速度联合优化方法
CN112925309A (zh) * 2021-01-22 2021-06-08 中国汽车技术研究中心有限公司 智能网联汽车数据交互方法及交互系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110126841B (zh) * 2019-05-09 2020-08-04 吉林大学 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN110348103B (zh) * 2019-07-04 2020-12-08 北京航空航天大学 一种基于数字孪生的车辆抗毁伤评估方法
CN110533654A (zh) * 2019-08-30 2019-12-03 北京明略软件系统有限公司 零部件的异常检测方法及装置
CN111753377B (zh) * 2020-07-06 2022-09-30 吉林大学 基于道路信息的纯电动汽车能耗最优路径规划方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105865472A (zh) * 2016-04-06 2016-08-17 重庆邮电大学 一种基于最佳油耗的车载导航方法
CN107290016A (zh) * 2016-04-10 2017-10-24 广西盛源行电子信息股份有限公司 基于车速波动的高油耗分析方法及系统
CN107972673A (zh) * 2016-10-25 2018-05-01 Ifp新能源公司 使用线图确定使车辆的能耗最小化的路线的方法
CN108072381A (zh) * 2016-11-18 2018-05-25 中国移动通信有限公司研究院 一种路径规划的方法及装置
CN110012069A (zh) * 2019-03-05 2019-07-12 浙江吉利新能源商用车集团有限公司 一种车辆数据处理装置、方法及车辆监控平台
CN110488629A (zh) * 2019-07-02 2019-11-22 北京航空航天大学 一种基于数字孪生技术的混合动力汽车的管控方法
CN111792259A (zh) * 2020-07-24 2020-10-20 深圳市海柔创新科技有限公司 货物搬运方法、装置、服务器以及搬运机器人
CN112525210A (zh) * 2020-11-24 2021-03-19 同济大学 一种面向节能的电动汽车全局路径和速度联合优化方法
CN112925309A (zh) * 2021-01-22 2021-06-08 中国汽车技术研究中心有限公司 智能网联汽车数据交互方法及交互系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Robust Energy Scheduling in Vehicle-to-Grid Networks;Zhou, Zhenyu,Sun, Changhao,Shi, Ruifeng;《The Magazine of Computer Communications》;全文 *
多跳车联网中能效优先的资源分配方案研究;熊飞;《中国知网硕士电子期刊 工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN114708724A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
Enang et al. Modelling and control of hybrid electric vehicles (A comprehensive review)
National Research Council et al. Transitions to alternative vehicles and fuels
RU2359857C2 (ru) Многоуровневая система и способ оптимизации работы железнодорожного транспорта
Ngo et al. An optimal control-based algorithm for hybrid electric vehicle using preview route information
Wollaeger et al. Cloud-computing based velocity profile generation for minimum fuel consumption: A dynamic programming based solution
CN103879414B (zh) 一种基于自适应A-Star算法的铁路机车优化操纵方法
US20140107912A1 (en) Factor cost time series to optimize drivers and vehicles: method and apparatus
US20210108937A1 (en) Fleet emission control, distribution, and limits adherence
CN109733378A (zh) 一种线下优化线上预测的转矩分配方法
US20220363238A1 (en) Method and system for controlling a powertrain in a hybrid vehicle
Li et al. The role and application of convex modeling and optimization in electrified vehicles
CN114148325A (zh) 重型混合动力商用车预见性能量管理方法
Vignesh et al. Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle
CN113821966A (zh) 高速磁浮列车运行节能优化方法、系统及存储介质
Schmid et al. Efficient optimal control of plug-in-hybrid electric vehicles including explicit engine on/off decisions
CN114708724B (zh) 一种人车路协同的多车能效优化算法
CN117980597A (zh) 用于交通工具系统的预测控制系统和方法
Patel Comparison of Optimal Energy Management Strategies Using Dynamic Programming, Model Predictive Control, and Constant Velocity Prediction
Diaby et al. Optimization for energy efficient cooperative adaptive cruise control
DE102008002580A1 (de) Verfahren zum Berechnen einer Fahrroute, Verfahren zum Steuern eines Antriebs und Vorrichtung
Dyakov et al. Optimization problems in designing automobiles
CN109520517B (zh) 路线规划方法及其系统
Li et al. Traffic Information-Based Hierarchical Control Strategies for Eco-Driving of Plug-In Hybrid Electric Vehicles
Kampker et al. Fixed Route Refueling-Strategy for Fuel Cell Trucks
Lomotko et al. Modeling the railway and automobile supply chain on the basis of «green» logistics

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