CN115903585A - 新能源运载工具充电可视数字孪生优化控制方法 - Google Patents
新能源运载工具充电可视数字孪生优化控制方法 Download PDFInfo
- Publication number
- CN115903585A CN115903585A CN202211368332.6A CN202211368332A CN115903585A CN 115903585 A CN115903585 A CN 115903585A CN 202211368332 A CN202211368332 A CN 202211368332A CN 115903585 A CN115903585 A CN 115903585A
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- digital twin
- control
- energy
- 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
Images
Classifications
-
- 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
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明专利属于人工智能与能源技术领域,尤其涉及一种新能源运载工具充电系统可视数字孪生优化控制方法,以电动车智能控制系统为切入点,提出一种“运载工具‑充电目标”协同数字孪生控制管理系统仿真建模方法,并开发实现可视化和人机交互能力好的三维仿真系统与平台,构建一套远程实时数字孪生智能充电系统,能够对大范围运载工具和充电目标进行远程控制,也能够对充电大数据进行可视化智能分析,以辅助运载工具与充电目标的统筹管理。
Description
技术领域
本发明专利属于人工智能与能源技术领域,尤其涉及一种新能源运载工具充电系统可视数字孪生优化控制方法。
背景技术
近年来,全球电动汽车保有量呈现快速增长趋势,新能源汽车成为各大车企重点发展的关键领域,电动车及其充电问题也称为研究的热点;国内外电动车使用量激增,所需电量和充电基础设施随之快速增长;欧盟27国按使用情况划分装机充电容量,重点关注充电基础设施的预测存量和份额数据;工作场所和公共直流。
电动车、移动机器人、无人艇、无人机等均属于现代运载工具,这些运载工具在运行或作业过程中均需要补充动力系统所需的能源,在电动方式下,最常见的行为则是充电;以电动车包括电动汽车、电动自行车及其他各种形态电动车为例,目前技术上仍存在如下问题:复杂交通系统环境下电动车与充电桩协同控制及可视化数字孪生仿真仍是难题,基于数字孪生控制技术的电动车充电仿真系统尚未被开发出来,出现事故时无法通过数字化系统快速精准定位;电动车充电系统的可视化程度与人机交互程度不高;车辆与充电桩之间缺少快速、可靠、实时的通信及控制;大范围充电时车辆无法通过动态路径规划自寻优的找到最短能通行路径并以最快方式到达目标充电桩;在寻找充电桩的过程中,车辆往往需要走很多弯路甚至绕行,这就增加了尾气排放时长与排放量,不利于节能环保。
以往开展的相关代表性研究工作如下:向鸿以交通现状与交通数据为基础,分析了电动车对长沙市交通系统规划的影响。李海鸥设计开发了一个基于智能手机的电动车路径规划应用,实现了对锂电池电量评估以辅助决策行驶路径。宋毅等设计开发了能配套用于电动车充电预约平台的新型智能车位管理装置,具有感知车位被占用情况及计时计费功能;程卓等提出了一种基于ZigBee网络的电动车充电监测系统及方法。纵观前人的研究工作,借助信息化技术与系统优化路径、优化计费、缓解拥堵等的思路比较多,结合智能控制技术与系统,并考虑优良人机交互界面的研究和系统开发工作尚不多。
发明内容
为此,本发明提供新能源运载工具充电系统可视数字孪生优化调度与控制方法,用以克服现有技术中电动运载工具充电系统的优化调度和优化控制的问题。
为实现上述目的,本发明提供一种新能源运载工具充电可视数字孪生优化控制方法,其特征在于,该方法包括以下步骤:
步骤1,建立基于交通要素的“A-B”系统网络拓扑表示有向图;
步骤2,设计运载工具控制系统总体架构及各技术组成模块;
步骤3,完成运载工具动力学系统建模及仿真;
步骤4,完成运载工具感知控制系统建模及仿真;
步骤5,采用混沌粒子群算法实现运载工具端和充电目标端的多目标端云双向优化调度与控制;
步骤6,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
进一步地,在所述步骤1中,建立基于交通要素的“A-B”系统网络拓扑表示方法,该表示方法基于有向图论,建立过程中设计多种交通要素,每种交通要素相应的采用不同类型符号表示,要素实体之间根据信息流和能源流的方向能够建立关系,构建出一种包含方向信息的电力信息有向图。
进一步地,在所述步骤2中,所述运载工具控制系统包括,以电控单元VCU 为总成系统的主控单元,以CAN总线为通信网络,及若干通讯接口;所述通讯接口电路包括CAN接口、100BASE-T1和1000BASE-T1车载以太网接口;向VCU植入能量管理程序,通过能源的AI智能监测管理提高能量使用效率,提升电动汽车的续航里程;所述能量管理程序能够对充电桩能量进行管理并对整车能耗、整车能量分配、制动能量回收和新能源接口进行控制。
进一步地,在所述步骤3中,在对运载工具动力学系统建模时,通过电子元器件级、板卡级、模块级、系统级进行建模,各所述级共同组成的多粒度数字孪生系统,多粒度数字孪生系统内的ISO 8855至SAE J670E模块将使用ISO 8855 的车道检测到的坐标转换为使用SAE J670E表示的MPC控制器坐标;
多粒度数字孪生系统包含Actor和Sensor Simulation系统,Actor和SensorSimulation系统生成跟踪和传感器融合所需的合成传感器数据。
进一步地,在所述步骤4中,采用MATLAB仿真软件建立充电系统远程监控平台的三维可视数字孪生仿真系统模型;通过可视化数字孪生方式完成数据采集、运动控制、导航定位、远程通信的仿真及各部分之间的集成,并且能够在线动态调整所述仿真系统的各个组件,实现环境自适应下的快速充电设施目标定位,仿真系统根据环境状况自适应改变运载工具的速度、加速度、方向、高度的相关参数。
进一步地,在所述步骤4中,运动控制部分的算法实现方法如下:
通过离散PID算法进行车辆运动控制;
通过自适应MPC控制器算法实现对自适应巡航控制子系统的控制;
通过扩展卡尔曼滤波器获取车辆运行状态;
通过神经网络预测控制算法对目标充电桩所在地的距离、拥堵程度进行预测。
进一步地,所述神经网络预测控制算法对目标充电桩所在地的距离、拥堵程度进行预测的步骤如下:
(5)建立充电系统神经网络模型,用于进行系统辨识;
(6)训练充电系统神经网络,用模型输出与神经网络输出之间的误差作为神经网络的训练信号;
(7)测试充电系统神经网络,通过新采集的数据作为系统输入,测试所训练网络的性能;
(8)预测未来受控量值及神经网络参数和性能,将预测结果反馈给神经网络模型,辅助模型进一步调优。
进一步地,其特征在于,在所述步骤5中,构建了一种A-B”优化调度与经济运行控制管理策略,其中,A为运载工具,B为充电目标;
将最优化问题简化为一个求函数最小值问题,即:minf(X),电动车充电网络的目标函数设计为,
F=minf(Fe+Ft+Fm)
式中,Fe为能源成本参数,Ft为时间代价参数,Fm为环境代价参数;
采用改进的混沌粒子群优化算法,将混沌状态引入到优化变量使粒子获得持续搜索能力。
进一步地,其特征在于,在所述步骤5中,所述控制方法能够实现无人运载装备的多目标端云双向优化控制。
进一步地,在所述步骤6中,基于三维图像显示和增强现实、虚拟现实技术建立高仿真虚拟人机交互界面,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
与现有技术相比,本发明以电动车智能控制系统为切入点,提出一种“运载工具-充电目标”协同数字孪生控制管理系统仿真建模方法,并开发实现可视化和人机交互能力好的三维仿真平台,构建一套远程实时数字孪生智能充电系统,可对大范围运载工具和充电目标进行远程控制,也可对充电大数据进行可视化智能分析,以辅助运载工具与充电目标的统筹管理。
本发明可实现通过精准实时的数字孪生系统模型进行仿真、预测、预警、监测、控制、管理,出现设备故障和突发事故时可通过数字孪生系统快速精准定位,大幅度提升系统的智能感知与智能控制能力、智慧管理与决策能力、大范围协同能力、可视化人机交互能力。
附图说明
图1基于交通要素的车桩系统网络拓扑表示;
图2纯电动汽车整车控制系统组成模块及整体架构;
图3单车动力学模型及车辆横向误差计算模型;
图4传感器模块对关键参数的测量图;
图5粒子聚合过程模拟演示图;
图6神经网络预测控制算法原理框图;
图7速度、纵向加速度、横向加速度模拟分析结果图;
图8各种运行场景可视化仿真效果图;
图9流域无人艇自动充电场景应用方法框架图。
具体实施方式
新能源运载工具充电可视数字孪生优化控制方法,其特征在于,该方法包括以下步骤:
步骤1,建立基于交通要素的“A-B”系统网络拓扑表示有向图;
步骤2,设计运载工具控制系统总体架构及各技术组成模块;
步骤3,完成运载工具动力学系统建模及仿真;
步骤4,完成运载工具感知控制系统建模及仿真;
步骤5,采用混沌粒子群算法实现运载工具端和充电目标端的多目标端云双向优化调度与控制;
步骤6,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
具体而言,建立基于交通要素的“A-B”系统网络拓扑表示方法,该表示方法基于有向图论,建立过程中设计多种交通要素,每种交通要素相应的采用不同类型符号表示,要素实体之间根据信息流和能源流的方向能够建立关系,构建出一种包含方向信息的电力信息有向图。
具体而言,所述运载工具控制系统包括,以电控单元VCU为总成系统的主控单元,以CAN总线为通信网络,及若干通讯接口;所述通讯接口电路包括CAN 接口、100BASE-T1和1000BASE-T1车载以太网接口;向VCU植入能量管理程序,通过能源的AI智能监测管理提高能量使用效率,提升电动汽车的续航里程;所述能量管理程序能够对充电桩能量进行管理并对整车能耗、整车能量分配、制动能量回收和新能源接口进行控制。
具体而言,在所述步骤3中,在对运载工具动力学系统建模时,通过电子元器件级、板卡级、模块级、系统级进行建模,各所述级共同组成的多粒度数字孪生系统,多粒度数字孪生系统内的ISO 8855至SAE J670E模块将使用ISO 8855 的车道检测到的坐标转换为使用SAE J670E表示的MPC控制器坐标;
多粒度数字孪生系统包含Actor和Sensor Simulation系统,Actor和SensorSimulation系统生成跟踪和传感器融合所需的合成传感器数据。
具体而言,在所述步骤4中,采用MATLAB仿真软件建立充电系统远程监控平台的三维可视数字孪生仿真系统模型;通过可视化数字孪生方式完成数据采集、运动控制、导航定位、远程通信的仿真及各部分之间的集成,并且能够在线动态调整所述仿真系统的各个组件,实现环境自适应下的快速充电设施目标定位,仿真系统根据环境状况自适应改变运载工具的速度、加速度、方向、高度的相关参数。
具体而言,在所述步骤4中,运动控制部分的算法实现方法如下:
通过离散PID算法进行车辆运动控制;
通过自适应MPC控制器算法实现对自适应巡航控制子系统的控制;
通过扩展卡尔曼滤波器获取车辆运行状态;
通过神经网络预测控制算法对目标充电桩所在地的距离、拥堵程度进行预测。
所采用的神经网络预测控制算法步骤如下:
(1)建立充电系统神经网络模型,用于进行系统辨识;
(2)训练充电系统神经网络,用模型输出与神经网络输出之间的误差作为神经网络的训练信号;
(3)测试充电系统神经网络,用新采集的数据作为系统输入,测试所训练网络的性能,直到满足指标需求;
(4)预测未来受控量值及神经网络参数和性能,将预测结果反馈给神经网络模型,辅助模型进一步调优。
具体而言,构建了一种基于粒子群多目标优化算法的“A-B”优化调度与经济运行控制管理策略;A:运载工具,如电动车、新能源无人艇;B:充电目标,如充电桩等能源装备;将最优化问题简化为一个求函数最小值问题,即:minf(X)。电动车充电网络的目标函数设计为:
F=minf(Fe+Ft+Fm)
式中,Fe:能源成本参数,Ft:时间代价参数,Fm:环境代价参数;
采用改进的混沌粒子群优化算法,将混沌状态引入到优化变量使粒子获得持续搜索能力。
具体而言,所述控制方法能够实现无人车、无人艇等无人运载装的多目标端云双向优化控制。
具体而言,基于三维图像显示和增强现实、虚拟现实技术建立高仿真虚拟人机交互界面,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
为实现本发明的目的,本发明所采用的技术方案是:新能源运载工具充电系统可视数字孪生优化调度与控制方法,该方法包括以下步骤:
步骤1,建立基于交通要素的“A-B”系统网络拓扑表示有向图;
请参阅图1所示,图1为基于交通要素的车桩系统网络拓扑表示,是城市复杂交通环境下基于交通要素的车桩系统网络拓扑表示,该表示方法基于有向图论,每种交通要素相应的采用不同类型符号表示,要素实体之间根据信息流和能源流的方向能够建立关系,构建出一种包含方向信息的电力信息有向图;利用“能源流+信息流”有向图描述新能源交通系统的拓扑结构、输入输出接口、能源传输路径、能源转换节点、储能装置及其之间的关系;
该方法能够清晰表示出各种道路、桥梁交通基础设施及运行于其间的各种电动车——电动汽车、电动自行车、电动公交;运载工具类型能够根据具体应用场景情况再拓展,如有的场景中有无人驾驶电动车,能够增加具体无人车类型。充电基础设施包括充电站、充电桩及其他各种形态能源补给装备。
步骤2,设计运载工具控制系统总体架构及各技术组成模块;
请参阅图2所示,图2为纯电动汽车整车控制系统组成模块及整体架构;纯电动汽车整车控制系统含充电设施架构,系统包含如下主要组成部分,充电设施、电动运载工具控制硬件、电动运载工具控制软件;电子电气电路主要技术模块包括,电控单元,CAN总线通信网络,电机控制器,高压部分;软件部分主要是能量管理程序;
整车控制系统以电控单元Vehicle Control Unit为总成系统的主控单元,以CAN总线为通信网络,实现对电机系统、储能系统、充电系统等子系统的控制,最终完成整车、车桩、车路、车云等V2X控制;VCU硬件由主控芯片以及周边的时钟电路、复位电路、预留接口电路和电源模块等组成最小系统;
在最小系统以外,还包括数字信号处理电路、模拟信号处理电路、频率信号处理电路、通讯接口电路;通讯接口电路包括CAN接口、100BASE-T1和 1000BASE-T1车载以太网接口、RS232接口;
VCU植入能量管理策略和能耗监测、分析、评估程序,通过能源的AI智能监测管理提高能量使用效率,提升电动汽车的续航里程;能量管理程序包括充电桩能量管理、整车能耗控制、整车能量分配、制动能量回收、控制新能源接口相关方面;
电机控制器(Motor Control Unit,MCU)和驱动电机共同组成电机系统;电机控制器接收来整车控制器VCU的需求扭矩、车速相关信息;
电机、电池和电控构成电动汽车的整车控制系统;整车控制系统分为低压部分和高压部分,并由HV-LV DC/DC变换器完成高压到低压的转换;低压部分完成车辆控制器供电、信号采集、通信任务,高压部分通过高压线束将动力电池的电能传输到空调系统、电机等高压供电设备,实现动力电能的传输。
步骤3,完成运载工具动力学系统建模及仿真;
运载工具动力学系统建模采用电子元器件级、板卡级、模块级、系统级;这些共同组成了多粒度数字孪生系统建模思想;车辆动力学模型用于分析车辆的平顺性和车辆操纵的稳定性,车辆动力学主要研究车轮及其相关部件的受力情况,纵向速度控制通过控制轮胎转速实现;横向航向控制通过控制轮胎转角实现;
车辆单车模型建立方法如下:设置固定于车身的车辆坐标系oxyz,设置固定于地面的惯性坐标系OXY;单车模型的车辆具有两个自由度:绕z轴的横摆运动,沿x轴的纵向运动;纵向指沿物体前进方向,横向(或侧向)指垂直纵向方向;
建立单车动力学模型,
请参阅图3-图4所示,图3为单车动力学模型及车辆横向误差计算模型,其中,(a)为单车动力学模型,(b)为横向误差计算模型,模型中符号定义见表 1;图4传感器模块对关键参数的测量图。
表1:
符号 | 定义 |
<![CDATA[F<sub>lf</sub>,F<sub>lr</sub>]]> | 前、后轮胎受到的纵向力 |
<![CDATA[F<sub>cf</sub>,F<sub>cr</sub>]]> | 前、后轮胎受到的侧向力 |
<![CDATA[F<sub>xf</sub>,F<sub>xr</sub>]]> | 前、后轮胎受到的x方向的力 |
<![CDATA[F<sub>yf</sub>,F<sub>yr</sub>]]> | 前、后轮胎受到的y方向的力 |
a | 前悬长度 |
b | 后悬长度 |
<![CDATA[δ<sub>f</sub>]]> | 前轮偏角 |
<![CDATA[δ<sub>r</sub>]]> | 后轮偏角 |
<![CDATA[α<sub>f</sub>]]> | 前轮偏移角 |
车辆动力学方程如公式1:
式中,
x——车辆横向位置;
y——车辆纵向位置;
Vx——车辆平动产生的x轴方向速度分量;
m——质量;
Cαf——比例常数,表示每个前轮的侧偏刚度;
Cαr——比例常数,表示每个后轮的侧偏刚度;
λf——前轮胎到重心的距离;
λr——后轮胎到重心的距离;
Iz——车辆绕z轴旋转产生的转动惯量;
δ——前轮转向角;
方向盘控制的动力学方程如公式2:
e1——横向误差;
e2——航向误差;
车辆动力学的输出基于车身固定坐标。为了获得车辆所经过的轨迹,通过以下关系将车身固定坐标转换为如公式3、公式4的整体坐标:
车辆能够具有自动驾驶功能,相应能够配备自动驾驶算法(含自适应巡航、车道保持、路径跟踪控制算法模型模块);
核心算法1:增量式离散PID算法
所采用的的增量式离散PID算法公式如下:
其中:u(k)为系统输出,e(k)为k时刻系统某受控量(如转速)误差, Kp、Ti、Td分别为比例、积分、微分系数,T为采样间隔;
核心算法2:神经网络预测控制算法
所采用的神经网络预测控制算法步骤如下:
(1)建立充电系统神经网络模型用于进行系统辨识;
(2)训练充电系统神经网络,用模型输出与神经网络输出之间的误差作为神经网络的训练信号;
(3)测试充电系统神经网络,用新采集的数据作为系统输入,测试所训练网络的性能,直到满足指标需求;
(4)预测未来受控量值及神经网络参数和性能,将预测结果反馈给神经网络模型,辅助模型进一步调优;
模型预测控制的原理框架,如图6神经网络预测控制算法原理框图控制器由神经网络模型和最优化模块组成,最优化模块确定u(k),最优u(k)值作为神经网络模型的输入;
将最优化问题简化为一个求函数最小值问题,即:minf(X)。对于多电动车多充电桩系统来讲,求最优解的过程应综合考虑能源成本、时间代价、环境代价,以节能、环保、快速为主要目标。电动车充电网络的目标函数设计为:
F=minf(Fe+Ft+Fm) (公式6)
式中,Fe:能源成本参数,Ft:时间代价参数,Fm:环境代价参数;采用混沌粒子群优化算法,将混沌状态引入到优化变量使粒子获得持续搜索能力,请继续参阅如图5,其为粒子聚合过程模拟演示图,横坐标和纵坐标分别代表不同粒子。算法步骤如下:
(1)初始化,设置参数(粒子数,最大迭代数,更新公式中的各系数),混沌初始化所有粒子,给粒子的速度和位置赋值,并将个体的历史最优pbest设为当前位置,群体中的最优个体作为当前的gbest;随机产生n个初始粒子{X1,X2,…, Xn}。粒子的初始化速率设置为0;
(2)在每一代进化中,计算各个粒子的适应度函数值;
(3)如果当前适应度函数值优于历史最优值,则更新pbest;
(4)如果当前适应度函数值优于全局历史最优值,则更新gbest;
(5)对每个粒子i的第d维的速度和位置分别按照公式6和公式7进行更新;
判断是否达到结束条件,是的话则输出gbest,否的话转到(2)循环执行下面步骤;
整个迭代过程朝着最优目标gbest方向进行;
其中:
实施以上算法的粒子聚合过程。
实施例一,山路场景电动汽车充电;
可视化数字孪生仿真系统运行后的效果如图7-图8所示,图7为速度、纵向加速度、横向加速度模拟分析结果图,图8各种运行场景可视化仿真效果图,其中,(a)为起点区域,(b)为直行道路,(c)为环形道路区域,(d)为上坡区域,(e)为下坡区域,(f)为颠簸区域,(g)为停车充电地点,(h)为故障发生地点,
重点模拟仿真并跟踪控制速度、纵向加速度、横向加速度三个参数。选择起点区域、直行道路、环形道路区域、上坡区域、下坡区域、颠簸区域、停车充电地点、故障发生地点、终点区域作为9个重点监测控制场景,记为车桩场景集合,表示为:其他运行过程能够连续实时远程监测和控制,根据实际项目需求扩充场景数量。其中,停车充电地点和故障发生地点的定位精度为厘米级,为优先级和可视化精度最高的场景。
实施例2:某城区一个季度各种电动车辆充电。
以某城区一个季度各种电动车辆(统计源包括电动汽车、电动客车、电动自行车、电动无人车)充电事件为例,说明车桩数字孪生控制系统能够发挥的作用。通过对电动车辆充电大数据的统计分析和智能计算,能够形成充电热力图,直观的反映出各具体区域的充电电量分布情况,能够用于指导各街道、各高速路段、各建筑物等各类基础设施配建充电桩的数量、规格、容量,实现更加精准的智能化规划设计,最大限度降低因规划设计不精确、不直观带来的经济损失;
配建充电桩时变压器容量设计、负荷计算参照南方电网《电动汽车充电站及充电桩设计规范》(Q/CSG 11516.2—2010)的计算方法;
式中:
P1、P2、......、PN:充电桩输出功率,kW;
E:充电机输入总容量,kW;
η:充电机效率,取0.9;
K:充电机同时工作系数,取0;
通过数字孪生系统平台,还能够做寻桩拥堵度显示与分析;通过这个平台可以看到附件最近的充电桩的情况以及路上的拥挤情况。
实施例3:无人艇充电。
本发明在流域无人艇自动充电场景的应用方法如图9,其为流域无人艇自动充电场景应用方法框架图。能源补给是无人艇在运行过程中必然执行的行为,以保障船舶能够顺利续航。在以太阳能、风能、水利发电电能作为新能源供给方式的场景下,无人艇通过自主导航、自主巡航方式快速到达能源供给站执行自动充电操作。云端远程管理平台能够以本专利所述可视数字孪生方式实现对无人艇充电过程的全过程可视化远程监测与控制,原则上在无人艇能够实现自主作业时只需监测无需控制,必要时实施人为干预性控制(如设备出现故障、现场出现异常)。通过神经网络预测算法,无人艇能够提前预知与充电站之间距离的里程数、到达时间等,也能够对天气状况、水流量等做预测。沿岸充电基础设施通过5G 基站和5G网络与远程平台建立通信网。最终帮助无人艇建立一个高度智能化的充电环境。
Claims (10)
1.新能源运载工具充电可视数字孪生优化控制方法,其特征在于,该方法包括以下步骤:
步骤1,建立基于交通要素的“A-B”系统网络拓扑表示有向图;
步骤2,设计运载工具控制系统总体架构及各技术组成模块;
步骤3,完成运载工具动力学系统建模及仿真;
步骤4,完成运载工具感知控制系统建模及仿真;
步骤5,采用混沌粒子群算法实现运载工具端和充电目标端的多目标端云双向优化调度与控制;
步骤6,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
2.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤1中,建立基于交通要素的“A-B”系统网络拓扑表示方法,该表示方法基于有向图论,建立过程中设计多种交通要素,每种交通要素相应的采用不同类型符号表示,要素实体之间根据信息流和能源流的方向能够建立关系,构建出一种包含方向信息的电力信息有向图。
3.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤2中,所述运载工具控制系统包括,以电控单元VCU为总成系统的主控单元,以CAN总线为通信网络,及若干通讯接口;所述通讯接口电路包括CAN接口、100BASE-T1和1000BASE-T1车载以太网接口;向VCU植入能量管理程序,通过能源的AI智能监测管理提高能量使用效率,提升电动汽车的续航里程;所述能量管理程序能够对充电桩能量进行管理并对整车能耗、整车能量分配、制动能量回收和新能源接口进行控制。
4.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤3中,在对运载工具动力学系统建模时,通过电子元器件级、板卡级、模块级、系统级进行建模,各所述级共同组成的多粒度数字孪生系统,多粒度数字孪生系统内的ISO8855至SAE J670E模块将使用ISO 8855的车道检测到的坐标转换为使用SAE J670E表示的MPC控制器坐标;
多粒度数字孪生系统包含Actor和Sensor Simulation系统,Actor和SensorSimulation系统生成跟踪和传感器融合所需的合成传感器数据。
5.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤4中,采用MATLAB仿真软件建立充电系统远程监控平台的三维可视数字孪生仿真系统模型;通过可视化数字孪生方式完成数据采集、运动控制、导航定位、远程通信的仿真及各部分之间的集成,并且能够在线动态调整所述仿真系统的各个组件,实现环境自适应下的快速充电设施目标定位,仿真系统根据环境状况自适应改变运载工具的速度、加速度、方向、高度的相关参数。
6.根据权利要求5所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤4中,运动控制部分的算法实现方法如下:
通过离散PID算法进行车辆运动控制;
通过自适应MPC控制器算法实现对自适应巡航控制子系统的控制;
通过扩展卡尔曼滤波器获取车辆运行状态;
通过神经网络预测控制算法对目标充电桩所在地的距离、拥堵程度进行预测。
7.根据权利要求6所述的新能源运载工具充电可视数字孪生优化控制方法,
所述神经网络预测控制算法对目标充电桩所在地的距离、拥堵程度进行预测的步骤如下:
(1)建立充电系统神经网络模型,用于进行系统辨识;
(2)训练充电系统神经网络,用模型输出与神经网络输出之间的误差作为神经网络的训练信号;
(3)测试充电系统神经网络,通过新采集的数据作为系统输入,测试所训练网络的性能;
(4)预测未来受控量值及神经网络参数和性能,将预测结果反馈给神经网络模型,辅助模型进一步调优。
8.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤5中,构建了一种A-B”优化调度与经济运行控制管理策略,其中,A为运载工具,B为充电目标;
将最优化问题简化为一个求函数最小值问题,即:minf(X),电动车充电网络的目标函数设计为,
F=minf(Fe+Ft+Fm)
式中,Fe为能源成本参数,Ft为时间代价参数,Fm为环境代价参数;
采用改进的混沌粒子群优化算法,将混沌状态引入到优化变量使粒子获得持续搜索能力。
9.根据权利要求8所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤5中,所述控制方法能够实现无人运载装备的多目标端云双向优化控制。
10.根据权利要求1所述的新能源运载工具充电可视数字孪生优化控制方法,其特征在于,在所述步骤6中,基于三维图像显示和增强现实、虚拟现实技术建立高仿真虚拟人机交互界面,实现基于唯一标识数字人的云端远程监控平台可视数字孪生型实时人机交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368332.6A CN115903585A (zh) | 2022-11-03 | 2022-11-03 | 新能源运载工具充电可视数字孪生优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368332.6A CN115903585A (zh) | 2022-11-03 | 2022-11-03 | 新能源运载工具充电可视数字孪生优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903585A true CN115903585A (zh) | 2023-04-04 |
Family
ID=86477609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211368332.6A Pending CN115903585A (zh) | 2022-11-03 | 2022-11-03 | 新能源运载工具充电可视数字孪生优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903585A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131828A (zh) * | 2023-07-12 | 2023-11-28 | 合肥工业大学 | 一种升压变换器无源参数的数字孪生辨识方法 |
-
2022
- 2022-11-03 CN CN202211368332.6A patent/CN115903585A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131828A (zh) * | 2023-07-12 | 2023-11-28 | 合肥工业大学 | 一种升压变换器无源参数的数字孪生辨识方法 |
CN117131828B (zh) * | 2023-07-12 | 2024-05-03 | 合肥工业大学 | 一种升压变换器无源参数的数字孪生辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Prediction-based eco-approach and departure at signalized intersections with speed forecasting on preceding vehicles | |
Zhang et al. | Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook | |
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
CN107067110B (zh) | 车-路-网模式下电动汽车充电负荷时空预测方法 | |
Tang et al. | Visual detection and deep reinforcement learning-based car following and energy management for hybrid electric vehicles | |
Lin et al. | Velocity prediction using Markov Chain combined with driving pattern recognition and applied to Dual-Motor Electric Vehicle energy consumption evaluation | |
CN109684702B (zh) | 基于轨迹预测的行车风险辨识方法 | |
CN110298122A (zh) | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 | |
Kivekäs et al. | Reducing the energy consumption of electric buses with design choices and predictive driving | |
CN112734097B (zh) | 无人驾驶列车能耗预测方法、系统及存储介质 | |
CN106427635B (zh) | 一种电动汽车 | |
CN103158704A (zh) | 用于车辆的驾驶模式引导系统及其方法 | |
Hamid et al. | Investigation into train positioning systems for saving energy with optimised train trajectories | |
CN114312845A (zh) | 基于地图数据的深度强化学习型混合动力汽车控制方法 | |
Yi et al. | Energy aware driving: Optimal electric vehicle speed profiles for sustainability in transportation | |
Zhang et al. | Optimal eco-driving control of autonomous and electric trucks in adaptation to highway topography: Energy minimization and battery life extension | |
CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
CN115903585A (zh) | 新能源运载工具充电可视数字孪生优化控制方法 | |
Sun et al. | A fast optimal speed planning system in arterial roads for intelligent and connected vehicles | |
Abdrakhmanov et al. | Dynamic Programming Resolution and Database Knowledge for Online Predictive Energy Management of Hybrid Vehicles. | |
Lv et al. | Speed planning for solar-powered electric vehicles | |
Wang et al. | Ecological cruising control of connected electric vehicle: a deep reinforcement learning approach | |
Guan et al. | Learn collision-free self-driving skills at urban intersections with model-based reinforcement learning | |
Li et al. | A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes | |
Ziadia et al. | An adaptive regenerative braking strategy design based on naturalistic regeneration performance for intelligent vehicles |
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 |