CN115158094A - 基于长短期soc规划的插电式混合动力汽车能量管理方法 - Google Patents
基于长短期soc规划的插电式混合动力汽车能量管理方法 Download PDFInfo
- Publication number
- CN115158094A CN115158094A CN202210921635.XA CN202210921635A CN115158094A CN 115158094 A CN115158094 A CN 115158094A CN 202210921635 A CN202210921635 A CN 202210921635A CN 115158094 A CN115158094 A CN 115158094A
- Authority
- CN
- China
- Prior art keywords
- soc
- short
- vehicle
- energy management
- term
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000007774 longterm Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NTHFOQKLSZUQTR-OICFXQLMSA-N (4r)-4-[(3r,5s,7r,8r,9s,10s,13r,14s,17r)-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]pentanoic acid;sulfuric acid Chemical compound OS(O)(=O)=O.C([C@H]1C[C@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(O)=O)C)[C@@]2(C)CC1 NTHFOQKLSZUQTR-OICFXQLMSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种基于长短期SOC规划的插电式混合动力汽车能量管理方法，属于新能源汽车技术领域。该方法包含以下步骤：S1：驾驶员或用户在出发前将期望的目的地与车辆信息号输入云端，等待信号开始行驶；S2：通过云服务器下载历史交通数据，预测未来交通信息，从预测信息中提取全局驾驶工况；S3：云服务器下载车辆零部件简化模型，云服务中心运用动态规划算法求解出最优SOC轨迹；S4：车辆启动，短期速度预测器预测短期车速发送给能量管理模块；S5：结合云服务器的全局SOC信息，确定目标函数，采用MPC实现在线能量管理；S6：利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配。
Description
技术领域
本发明属于新能源汽车技术领域，涉及基于长短期SOC规划的插电式混合动力汽车能量管理方法。
背景技术
随着汽车使用量的增加，出现了交通拥堵、能源过度消耗、交通事故、高碳排放等社会问题。插电式混合动力汽车是最具节能减排前景的技术之一。开发插电式混合动力车的关键挑战在于能量管理系统(EMS)的设计，该系统旨在在整个驾驶周期中合理管理电池的充电状态(SOC)。在过去的几十年里，有各种各样的研究聚焦于EMS的设计，以最大限度地提高能源效率，减少有害排放，以及延长电池功率。这些研究人员普遍认为这是一种近乎最优的燃油经济性。在电池充电技术尚未取得突破性进展阶段，常规混合动力车是现阶段汽车行业发展的重点对象。CDCS策略被广泛的运用于插电式混合动力车能量管理，在纯电续航里程内，这确实是最佳选择，但里程超出纯电行驶范围，则会造成过多油耗损失。现有的插电式混合动力汽车能量管理方法，大多专注于通过选取不同的权重因子对线性规划的参考SOC进行价值评估，但这样对于不同道路不同工况的场景下，这种方法适应性差，且需要大量时间对权重进行实验测定。因此，设计一种高效率且适应性强的基于长短期SOC规划的插电式混合动力汽车能量管理方法有重要科学研究和工程应用价值。
发明内容
有鉴于此，本发明的目的在于提供一种基于长短期SOC规划的插电式混合动力汽车能量管理方法，实现在允许误差内，最优解为全局最优解，并且计算时间少，结果准确的目的。
为达到上述目的，本发明提供如下技术方案：
基于长短期SOC规划的插电式混合动力汽车能量管理方法，该方法包含以下步骤：
S1：驾驶员或用户在出发前将期望的目的地与车辆信息号输入云端，等待信号开始行驶；
S2：通过云服务器下载历史交通数据，预测未来交通信息，从预测信息中提取全局驾驶工况；
S3：云服务器下载车辆零部件简化模型，云服务中心运用动态规划算法求解出最优SOC轨迹，发送启动信息；
S4：车辆启动，短期速度预测器预测短期车速发送给能量管理模块；
S5：结合云服务器的全局SOC信息，确定目标函数，采用MPC实现在线能量管理；
S6：利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配。
可选的，所述S1中，用户需要将目的地以及期待出发时间输入到智能辅助系统中，并等待系统回应。
可选的，所述S2中，智能辅助系统通过云端下载历史交通数据，输入给交通信息预测器，预测出通行路线的路段均速信息，提取出预测工况。
可选的，所述S2中，交通信息预测器采用基于粒子群优化的小波神经网络对未来交通信息进行预测；其中小波神经网络结构如下：
其中，Wij与Wjk链接层权值，m是输出层节点数；xi为输入，i＝1，2，...，k；式中h(j)表示第j个隐层输出值，aj为膨胀参数，bj为平移参数，隐层节点数用bj表示；采用Morlet小波函数；式中η为网络学习效率，α为动量参数，s为训练次数；
粒子群优化如下：
其中i为评估数，w为惯性权重，z为进化数，c1和c2均为加速度因子且为非负，r1与r2为均匀分布于[0,1]中的随机数，fi为粒子群算法的适应度函数，NoP为采样点数，
为实际输出的第k个点实际输出。
可选的，所述S3中，智能辅助系统根据需求目标的车辆品牌型号，下载车辆零部件参数，并根据下式建立汽车的纵向动力学模型：
其中，Ft(k)表示汽车牵引力，
表示汽车行驶时的空气阻力，cd为空气阻力系数，Af为汽车的迎风面积，ρ为空气密度，v为汽车行驶速度，k代表汽车行驶时刻，g为重力加速度，cr为道路的滚动阻力系数，β为道路坡度，a为汽车行驶时的加速度，mtot表示汽车的质量。
可选的，所述S3中，计算汽车的需求转矩Tdem(k)、需求功率Pdem(k)为：
Pdem(k)＝Ft(k)*v(k)
Tdem(k)＝Ft(k)*rwheel
其中，Ft(k)为k时刻汽车的牵引力，v(k)为k时刻汽车的速度，rwheel为汽车的车轮半径。可选的，所述S3中，各部件动力学模型为：
PEM,out＝TEM*ωEM
PEM,tot＝PEM,out+PEM,loss
PICE，out＝TICE*ωICE
PICE,tot＝PICE,out+PICE,loss
Pbat,tot＝Pbat,out+Pbat,loss
其中，PEM,out，TEM，ωEM分别为电机输出功率、转矩和转速，PEM,tot和PEM,loss为电机总功率与损失功率，下标为ICE的代表发动机各参数；
S3中的简化模型为对发动机最佳工作曲线的拟合，以及对电机发动机效率的多项式拟合。
可选的，所述S3中，对传动系统的各部件工作状态进行约束具体为：
TEM(k)∈[TEN,min,TEM,max]
TICE(k)∈[0,TICE,max]
Pbat(k)∈[Pbat,min,Pbat,max]
Ebat∈[SOCmin,SOCmax]*Voc*Q
Ebat(0)＝Ebat(N)
其中TEM(k)为电机在k时刻的输出转矩，Pbat(k)为电池在k时刻的功率，Ebat为电池的储存电量，Pbat,min,Pbat,max分别为电池功率的最小值和最大值，SOCmin,SOCmax分别为电池荷电状态的最小值和最大值，Voc为电池的开路电压，Q为电池的容量；
采用动态规划算法对下面的目标函数进行优化，得到最佳SOC曲线,：
可选的，所述S6中，汽车短期速度预测器采用LSTM短期速度预测器对短期车速进行预测。
可选的，所述S7中，成本目标函数为：
其中，mfuel为燃油消耗率，tk为第k时刻；p为MPC控制的预测域长度；
为根据t时刻车辆所在物理位置，结合云服务器的全局SOC信息，以短期速度预测器预测的预测域终端距离插值出的预测域终点SOC推荐值；SOCf(t)为t时刻，预测域终端SOC值；α为权重系数；
S8中，利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配，并将最佳控制量分配给控制器。
本发明的有益效果在于：
1、下层实时能量管理算法采用凸优化算法，计算时间快，结果准确；
2、通过预测行程的路段均速与运用简化模型更快的规划出最优SOC参考曲线，适应性强，效率高，节省了更多时间。
3、通过对没时刻预测域终端的SOC进行参考规划，减少了控制器的过约束，减少了发动机的启停次数，提高了燃油经济性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明方法的总体逻辑图；
图2为本发明中所用车辆动力系统；
图3为本发明中所用交通信息预测器原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为本发明方法的总体逻辑图；图2为发明中所用车辆动力系统；图3为发明中所用交通信息预测器原理图。
基于长短期SOC规划的插电式混合动力汽车能量管理方法，该方法包含如下步骤：
S1：用户需要将目的地以及期待出发时间输入到智能辅助系统中，并等待系统回应。
S2：中智能辅助系统通过云端下载历史交通数据，输入给交通信息预测器，预测出通行路线的路段均速信息，提取出预测工况。
其中小波神经网络结构如下：
其中，Wij与Wjk链接层权值，m是输出层节点数；xi为输入，i＝1，2，...，k；式中h(j)表示第j个隐层输出值，aj为膨胀参数，bj为平移参数，隐层节点数用bj表示；采用Morlet小波函数；式中η为网络学习效率，α为动量参数，s为训练次数。
粒子群优化如下：
其中i为评估数，w为惯性权重，z为进化数，c1和c2均为加速度因子且为非负，r1与r2为均匀分布于[0，1]中的随机数，fi为粒子群算法的适应度函数，NoP为采样点数，
为实际输出的第k个点实际输出。
S3：智能辅助系统根据需求目标的车辆品牌型号，下载车辆零部件参数，并根据下式建立汽车的纵向动力学模型：
其中，Ft(k)表示汽车牵引力，
表示汽车行驶时的空气阻力，cd为空气阻力系数，Af为汽车的迎风面积，ρ为空气密度，v为汽车行驶速度，k代表汽车行驶时刻，g为重力加速度，cr为道路的滚动阻力系数，β为道路坡度，a为汽车行驶时的加速度，mtot表示汽车的质量。
计算汽车的需求转矩Tdem(k)、需求功率Pdem(k)为：
Pdem(k)＝Ft(k)*v(k)
Tdem(k)＝Ft(k)*rwheel
其中，Ft(k)为k时刻汽车的牵引力，v(k)为k时刻汽车的速度，rwheel为汽车的车轮半径。
各部件动力学模型为：
PEM,out＝TEM*ωEM
PEM,tot＝PEM,out+PEM,loss
PICE，out＝TICE*ωICE
PICE,tot＝PICE,out+PICE,loss
Pbat,tot＝Pbat,out+Pbat,loss
其中，PEM,out，TEM，ωEM分别为电机输出功率、转矩和转速，PEM,tot和PEM,loss为电机总功率与损失功率，下标为ICE的代表发动机各参数。
简化模型为对发动机最佳工作曲线的拟合,电机发动机效率的多项式拟合。
对传动系统的各部件工作状态进行约束具体为：
TEM(k)∈[TEN,min,TEM,max]
TICE(k)∈[0,TICE,max]
Pbat(k)∈[Pbat,min,Pbat,max]
Ebat∈[SOCmin,SOCmax]*Voc*Q
Ebat(0)＝Ebat(N)
其中TEM(k)为电机在k时刻的输出转矩，Pbat(k)为电池在k时刻的功率，Ebat为电池的储存电量，Pbat,min,Pbat,max分别为电池功率的最小值和最大值，SOCmin,SOCmax分别为电池荷电状态的最小值和最大值，Voc为电池的开路电压，Q为电池的容量。
采用动态规划算法对下面的目标函数进行优化,得到最佳SOC曲线。
S4：汽车短期速度预测器采用LSTM短期速度预测器对短期车速进行预测。
S5：成本目标函数为：
其中，mfuel为燃油消耗率，tk为第k时刻；p为MPC控制的预测域长度；
为根据t时刻车辆所在物理位置，结合云服务器的全局SOC信息，以短期速度预测器预测的预测域终端距离插值出的预测域终点SOC推荐值；SOCf(t)为t时刻，预测域终端SOC值；α为权重系数。
S6：利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配，并将最佳控制量分配给控制器。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：该方法包含以下步骤：
S1：驾驶员或用户在出发前将期望的目的地与车辆信息号输入云端，等待信号开始行驶；
S2：通过云服务器下载历史交通数据，预测未来交通信息，从预测信息中提取全局驾驶工况；
S3：云服务器下载车辆零部件简化模型，云服务中心运用动态规划算法求解出最优SOC轨迹，发送启动信息；
S4：车辆启动，短期速度预测器预测短期车速发送给能量管理模块；
S5：结合云服务器的全局SOC信息，确定目标函数，采用MPC实现在线能量管理；
S6：利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配。
2.根据权利要求1所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S1中，用户需要将目的地以及期待出发时间输入到智能辅助系统中，并等待系统回应。
3.根据权利要求2所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S2中，智能辅助系统通过云端下载历史交通数据，输入给交通信息预测器，预测出通行路线的路段均速信息，提取出预测工况。
4.根据权利要求3所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S2中，交通信息预测器采用基于粒子群优化的小波神经网络对未来交通信息进行预测；其中小波神经网络结构如下：
其中，Wij与Wjk链接层权值，m是输出层节点数；xi为输入，i＝1,2,…,k；式中h(j)表示第j个隐层输出值，aj为膨胀参数，bj为平移参数，隐层节点数用bj表示；采用Morlet小波函数；式中η为网络学习效率，α为动量参数，s为训练次数；
粒子群优化如下：
其中i为评估数，w为惯性权重，z为进化数，c1和c2均为加速度因子且为非负，r1与r2为均匀分布于[0,1]中的随机数，fi为粒子群算法的适应度函数，NoP为采样点数，
为实际输出的第k个点实际输出。
5.根据权利要求4所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S3中，智能辅助系统根据需求目标的车辆品牌型号，下载车辆零部件参数，并根据下式建立汽车的纵向动力学模型：
其中，Ft(k)表示汽车牵引力，
表示汽车行驶时的空气阻力，cd为空气阻力系数，Af为汽车的迎风面积，ρ为空气密度，v为汽车行驶速度，k代表汽车行驶时刻，g为重力加速度，cr为道路的滚动阻力系数，β为道路坡度，a为汽车行驶时的加速度，mtot表示汽车的质量。
6.根据权利要求5所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S3中，计算汽车的需求转矩Tdem(k)、需求功率Pdem(k)为：
Pdem(k)＝Ft(k)*v(k)
Tdem(k)＝Ft(k)*rwheel
其中，Ft(k)为k时刻汽车的牵引力，v(k)为k时刻汽车的速度，rwheel为汽车的车轮半径。
7.根据权利要求6所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S3中，各部件动力学模型为：
PEM,out＝TEM*ωEM
PEM,tot＝PEM,out+PEM,loss
PICE，out＝TICE*ωICE
PICE,tot＝PICE,out+PICE,loss
Pbat,tot＝Pbat,out+Pbat,loss
其中，PEM,out，TEM，ωEM分别为电机输出功率、转矩和转速，PEM,tot和PEM,loss为电机总功率与损失功率，下标为ICE的代表发动机各参数；
S3中的简化模型为对发动机最佳工作曲线的拟合，以及对电机发动机效率的多项式拟合。
8.根据权利要求7所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S3中，对传动系统的各部件工作状态进行约束具体为：
TEM(k)∈[TEN,min,TEM,max]
TICE(k)∈[0,TICE,max]
Pbat(k)∈[Pbat,min,Pbat,max]
Ebat∈[SOCmin,SOCmax]*Voc*Q
Ebat(0)＝Ebat(N)
其中TEM(k)为电机在k时刻的输出转矩，Pbat(k)为电池在k时刻的功率，Ebat为电池的储存电量，Pbat,min,Pbat,max分别为电池功率的最小值和最大值，SOCmin,SOCmax分别为电池荷电状态的最小值和最大值，Voc为电池的开路电压，Q为电池的容量；
采用动态规划算法对下面的目标函数进行优化，得到最佳SOC曲线,：
9.根据权利要求8所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S6中，汽车短期速度预测器采用LSTM短期速度预测器对短期车速进行预测。
10.根据权利要求9所述的基于长短期SOC规划的插电式混合动力汽车能量管理方法，其特征在于：所述S7中，成本目标函数为：
其中，mfuel为燃油消耗率，tk为第k时刻；p为MPC控制的预测域长度；
为根据t时刻车辆所在物理位置，结合云服务器的全局SOC信息，以短期速度预测器预测的预测域终端距离插值出的预测域终点SOC推荐值；SOCf(t)为t时刻，预测域终端SOC值；α为权重系数；
S8中，利用凸优化工具箱，在保证约束有效条件下，计算最佳功率分配，并将最佳控制量分配给控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921635.XA CN115158094A (zh) | 2022-08-02 | 2022-08-02 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921635.XA CN115158094A (zh) | 2022-08-02 | 2022-08-02 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115158094A true CN115158094A (zh) | 2022-10-11 |
Family
ID=83477555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210921635.XA Pending CN115158094A (zh) | 2022-08-02 | 2022-08-02 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115158094A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
| CN116729356A (zh) * | 2023-06-02 | 2023-09-12 | 深圳市哲思特科技有限公司 | 一种基于物联网技术的新能源汽车控制系统及方法 |
| CN116901927A (zh) * | 2023-08-08 | 2023-10-20 | 广州汽车集团股份有限公司 | 一种能源量控制方法、装置、设备及存储介质 |
| CN116946107A (zh) * | 2023-09-21 | 2023-10-27 | 北京航空航天大学 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
| CN116985778A (zh) * | 2023-09-27 | 2023-11-03 | 北京航空航天大学 | 一种多任务跨核部署下的混动汽车全局能量管理优化方法 |
| CN117521947A (zh) * | 2023-10-25 | 2024-02-06 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
| CN116901927B (zh) * | 2023-08-08 | 2024-05-14 | 广州汽车集团股份有限公司 | 一种能源量控制方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
| CN110543978A (zh) * | 2019-08-15 | 2019-12-06 | 平安科技（深圳）有限公司 | 基于小波神经网络的交通流数据预测方法和装置 |
| CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
| CN111976707A (zh) * | 2020-09-07 | 2020-11-24 | 重庆大学 | 基于凸优化考虑电机热状态的混合动力汽车能量管理方法 |
| CN112937547A (zh) * | 2021-01-28 | 2021-06-11 | 北京理工大学 | 一种基于全局工况的插电式混合动力公交车能量管理方法 |
| CN114771293A (zh) * | 2022-04-06 | 2022-07-22 | 燕山大学 | 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 |
-
2022
- 2022-08-02 CN CN202210921635.XA patent/CN115158094A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108909702A (zh) * | 2018-08-23 | 2018-11-30 | 北京理工大学 | 一种插电式混合动力汽车能量管理方法及系统 |
| CN110543978A (zh) * | 2019-08-15 | 2019-12-06 | 平安科技（深圳）有限公司 | 基于小波神经网络的交通流数据预测方法和装置 |
| CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
| CN111976707A (zh) * | 2020-09-07 | 2020-11-24 | 重庆大学 | 基于凸优化考虑电机热状态的混合动力汽车能量管理方法 |
| CN112937547A (zh) * | 2021-01-28 | 2021-06-11 | 北京理工大学 | 一种基于全局工况的插电式混合动力公交车能量管理方法 |
| CN114771293A (zh) * | 2022-04-06 | 2022-07-22 | 燕山大学 | 一种基于等效消耗最小策略的燃料电池汽车能量管理方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116729356A (zh) * | 2023-06-02 | 2023-09-12 | 深圳市哲思特科技有限公司 | 一种基于物联网技术的新能源汽车控制系统及方法 |
| CN116729356B (zh) * | 2023-06-02 | 2024-03-15 | 深圳市哲思特科技有限公司 | 一种基于物联网技术的新能源汽车控制系统及方法 |
| CN116432478A (zh) * | 2023-06-15 | 2023-07-14 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
| CN116432478B (zh) * | 2023-06-15 | 2023-09-08 | 广东电网有限责任公司东莞供电局 | 一种电力系统的能量确定方法、装置、设备及介质 |
| CN116901927A (zh) * | 2023-08-08 | 2023-10-20 | 广州汽车集团股份有限公司 | 一种能源量控制方法、装置、设备及存储介质 |
| CN116901927B (zh) * | 2023-08-08 | 2024-05-14 | 广州汽车集团股份有限公司 | 一种能源量控制方法、装置、设备及存储介质 |
| CN116946107A (zh) * | 2023-09-21 | 2023-10-27 | 北京航空航天大学 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
| CN116946107B (zh) * | 2023-09-21 | 2023-12-01 | 北京航空航天大学 | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 |
| CN116985778A (zh) * | 2023-09-27 | 2023-11-03 | 北京航空航天大学 | 一种多任务跨核部署下的混动汽车全局能量管理优化方法 |
| CN116985778B (zh) * | 2023-09-27 | 2023-12-08 | 北京航空航天大学 | 一种多任务跨核部署下的混动汽车全局能量管理优化方法 |
| CN117521947A (zh) * | 2023-10-25 | 2024-02-06 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
| CN117521947B (zh) * | 2023-10-25 | 2024-04-30 | 上海交通大学 | 混合动力船舶能效比率优化方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Online energy management for multimode plug-in hybrid electric vehicles | |
| Montazeri-Gh et al. | Optimized predictive energy management of plug-in hybrid electric vehicle based on traffic condition | |
| CN115158094A (zh) | 基于长短期soc规划的插电式混合动力汽车能量管理方法 | |
| Maia et al. | Electrical vehicle modeling: A fuzzy logic model for regenerative braking | |
| Johannesson et al. | Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming | |
| Maamria et al. | Computation of eco-driving cycles for Hybrid Electric Vehicles: Comparative analysis | |
| CN108909702A (zh) | 一种插电式混合动力汽车能量管理方法及系统 | |
| Katsargyri et al. | Optimally controlling hybrid electric vehicles using path forecasting | |
| Kivekäs et al. | Reducing the energy consumption of electric buses with design choices and predictive driving | |
| CN109733378A (zh) | 一种线下优化线上预测的转矩分配方法 | |
| Ouddah et al. | From offline to adaptive online energy management strategy of hybrid vehicle using Pontryagin’s minimum principle | |
| Lim et al. | Hierarchical energy management for power-split plug-in HEVs using distance-based optimized speed and SOC profiles | |
| Johannesson et al. | Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming | |
| Mariani et al. | A model predictive control scheme for regenerative braking in vehicles with hybridized architectures via aftermarket kits | |
| Abdrakhmanov et al. | Dynamic Programming Resolution and Database Knowledge for Online Predictive Energy Management of Hybrid Vehicles. | |
| CN115805840A (zh) | 一种增程式电动装载机能耗控制方法及系统 | |
| Yu et al. | Model predictive control of hybrid electric vehicles for improved fuel economy | |
| Meshginqalam et al. | Integrated convex speed planning and energy management for autonomous fuel cell hybrid electric vehicles | |
| Din et al. | Operation and energy evaluation of diesel and hybrid trains with smart switching controls | |
| Chau et al. | Fuel minimization of plug-in hybrid electric vehicles by optimizing drive mode selection | |
| Grossard et al. | An optimal energy-based approach for driving guidance of full electric vehicles | |
| Kural et al. | Predictive-equivalent consumption minimization strategy for energy management of a parallel hybrid vehicle for optimal recuperation | |
| Ruan et al. | A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis | |
| Abdrakhmanov et al. | Efficient acc with stop&go maneuvers for hybrid vehicle with online sub-optimal energy management | |
| Zhang et al. | Battery aging-minimal speed control of autonomous heavy-duty electric trucks in adaptation to highway topography and traffic |
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 |