CN116661296B - 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 - Google Patents
面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116661296B CN116661296B CN202211300777.0A CN202211300777A CN116661296B CN 116661296 B CN116661296 B CN 116661296B CN 202211300777 A CN202211300777 A CN 202211300777A CN 116661296 B CN116661296 B CN 116661296B
- Authority
- CN
- China
- Prior art keywords
- power
- range extender
- storage element
- equivalent
- energy storage
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000004606 Fillers/Extenders Substances 0.000 claims abstract description 159
- 238000004146 energy storage Methods 0.000 claims abstract description 108
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 239000000446 fuel Substances 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims description 67
- 239000003921 oil Substances 0.000 claims description 53
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000005065 mining Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
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)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质，方法包括：获取增程式电动矿卡的系统状态参数，计算电机需求功率；根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，工作模式包括等效能耗管理模式；所述等效能耗管理模式为基于求解得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；构建增程器功率‑最优油耗映射模型和增程器功率‑扭矩映射模型；分别确定等效油耗最小时对应的增程器功率点和增程器扭矩，进而确定增程器输出功率和储能元件输出功率；控制增程器功率和储能元件功率输出。发明降低了能耗管理策略的瞬时计算量和对工况信息的依赖性，工况适应性强。
Description
技术领域
本发明专利涉及面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质，属于新能源领域。
背景技术
等效能耗最小策略(ECMS)凭借实时性好、算力要求低、易于工程化应用等优点，已成为解决增程式电动矿卡能量优化问题的有效方法之一。
对于ECMS来说，决定其能耗优化效果的重要因素是选择出合理的等效因子。为此，现有专利提出了多种寻找等效因子的方法来提高ECMS优化效果的一致性。现有方法的主要思想是利用已知工况信息来求取初始等效因子，再根据储能系统SOC的状态，设计相应的修正因子来动态调整等效因子。这个过程中，初始等效因子和修正因子选取的合理性直接影响策略对系统瞬时能耗的优化效果。然而，对于行驶状态随机，工况复杂多变的增程式电动矿卡来说，一般很难提前准确获知车辆未来的工况信息，无法保证工况信息的完整性，这就降低了现有ECMS在增程式电动矿卡上的能耗优化效果。为此，设计一种不依赖于工况信息的等效因子求解方法，对进一步提升ECMS在增程式电动矿卡上的节能减排性能至关重要。
发明内容
本发明为克服现有ECMS在增程式电动矿卡上的应用局限性，提供了一种不依赖于工况信息完整性和准确性的ECMS，降低策略的瞬时计算量和对工况信息的依赖性，工况适应性强，便于移植和工程化应用。
本发明采用以下技术方案。
第一方面，本发明提供了面向增程式电动矿卡的能耗管理平台，包括：车载数据采集器模块、需求功率计算模块、增程器功率-最优油耗和功率-扭矩映射模块、等效因子和惩罚因子求解模块、能量管理控制器和控制器；
所述车载数据采集器模块，用于获取增程式电动矿卡的系统状态参数，包括整车质量、道路坡度、车速、车辆加速度以及储能元件SOC(State of Charge，荷电状态)；
所述需求功率计算模块，用于至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率；
所述等效因子和惩罚因子求解模块，用于求解得到的最优个体等效因子s和惩罚因子p；
所述增程器功率-最优油耗和功率-扭矩映射模块，用于构建增程器功率-扭矩映射模型以及增程器功率-最优油耗映射模型，基于优化得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；根据等效油耗计算模型、增程器功率-最优油耗映射模型，以及增程器功率-扭矩映射模型，分别确定等效油耗最小时对应的增程器功率点和增程器扭矩；
能量管理控制器，用于根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，所述工作模式包括等效能耗管理模式；根据等效油耗最小时对应的增程器功率点和增程器扭矩，确定增程器输出功率和储能元件输出功率；
所述控制器，用于控制增程器按照确定的增程器输出功率实现功率输出；控制储能元件按照确定的储能元件输出功率实现功率输出。
进一步地，所述能量管理控制器根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，包括以下判据：
判据一、当储能元件SOC在下限值SOCmin和上限值SOCmax之间时，判断若电机需求功率Pd大于0，则进入等效能耗管理模式；若电机需求功率Pd小于0，则进入能量回收模式，为储能元件充电；
判据二、当储能元件SOC小于下限值SOCmin时，此时储能元件不参与工作，判断若电机需求功率Pd小于增程器功率上限阈值Pe_max，则进入等效能耗管理模式，并为储能元件充电；若电机需求功率Pd大于增程器功率上限阈值Pe_max，则进入增程器单独驱动模式；
判据三、当储能元件SOC大于上限值SOCmax时，判断若电机需求功率Pd大于0且小于增程器功率下限阈值Pe_min，则进入纯电模式；若电机需求功率Pd大于增程器功率下限阈值Pe_min，进入等效能耗管理模式；当电机需求功率Pd小于0时，此时储能元件SOC过高，进入能量耗散模式，将储能元件能量耗散掉。
进一步地，所述需求功率计算模块至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率，包括采用以下表达式：
Ft＝mgf cosα+mg sinα+0.5ρCdAv2+δma；
其中Pd为电机需求功率，Ft为行驶驱动力，ηt为整个动力总成效率；v为车速，a为车辆加速度，m为整车质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，ρ为空气密度，Cd为风阻系数，A为迎风面积，δ为旋转质量换算系数。
进一步地，所述等效因子和惩罚因子求解模块利用粒子群算法优化等效因子s和惩罚因子p，求解得到最优个体等效因子s和惩罚因子p，包括：
步骤1：初始化参数和确定适应度函数：初始化参数包括种群大小S，迭代次数N，个体位置Ii＝[si,pi]，种群I＝[I1,I2,…,Ii,…,Is]；
适应度函数fitness如下式：
其中，meqv(i)为第i个个体Ii的等效油耗，Qlhv为燃油热值，Δt为时间步长，fitness(i)为第i个个体Ii的适应度，为油耗率；
步骤2：将当前种群视为父辈种群，顺序计算出父辈种群中每个个体的适应度值，并选择出适应度值最小的个体为父辈种群的最优个体；
步骤3：父辈种群按照下式更新种群，形成子代种群：
其中，Vi G和分别表示个体Ιi在第G次迭代的移动速度和位置信息；Pi G为个体Ιi在G次迭代过程中适应度值最优时的位置信息；/>为第G次迭代时种群中适应度值最优的个体的位置信息；/>是权重因子；c1和c2为非负加速因子；r1、r2和ψ分别为分布于[0,1]之间的随机数；Vi G+1和/>分别表示个体Ιi在第G+1次迭代的移动速度和位置信息；
步骤4：计算子代种群中每个个体的适应度值，并按子代种群个体序号依次和父辈种群个体的适应度值比较，选择出每个序号上适应度值较小的个体组成新的子代种群，同时将父辈种群中最优个体与新的子代种群中的最优个体进行比较，选择出适应度较小的个体作为新种群的最优个体；
步骤5：判断是否满足收敛条件|fitnessG-fitnessG-1|≤ε或最大迭代次数N，其中fitnessG为第G次迭代后的最优适应度值，fitnessG-1为第G-1次迭代后的最优适应度值，ε是设定的期望误差值；若不满足，将步骤4产生的种群视为父辈种群，最优个体视为父辈最优个体，继续执行步骤3；若满足，则执行步骤6；
步骤6：输出最优个体等效因子s和惩罚因子p。
进一步地，等效油耗计算模型，表示如下：
其中meqv为等效油耗，为油耗率，Δt为时间步长，Pb为储能元件输出功率，s为最优个体等效因子，p为惩罚因子，Qlhv为燃油热值。
进一步地，所述增程器功率-最优油耗和功率-扭矩映射模块构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型的方法包括：
根据增程器中发动机的转速ne、发动机功率Pe和油耗率数据，按以下表达式确定发动机功率Pe-最优油耗率点/>集合和对应的功率Pe-扭矩点Te *集合，
构建神经网络构建模型，表示如下：
其中，x、y分别表示网络输入量和输出量，W1、W2分别表示输入层到隐含层以及隐含层到输出层各节点的权值矩阵，θ1、θ2分别表示隐含层各节点及输出层节点的阈值矩阵；Hin为输入层的输入；f(*)为隐含层节点激励函数，h(*)为输出层节点激励函数；Hou为输出层的输出；
变量可进一步表示为：
利用获取到的功率Pe-最优油耗率点集合和对应的功率Pe-扭矩点Te *集合，分别训练上式中的权值和阈值，拟合出增程器功率-最优油耗映射模型及对应的增程器功率-扭矩映射模型。
进一步地，等效油耗最小时对应的增程器功率点和增程器扭矩的计算表达式如下：
Pb＝min(Pd-Pe·η,Pb_max)；
ne＝9550·Pe/Te，
其中，Pe为增程器中发动机输出功率，Pb为储能元件输出功率，为等效油耗最小时对应的增程器功率点，Pd为电机需求功率，η为增程器的发电效率；Pb_max为储能元件输出功率的最大值，Te为增程器发动机的扭矩，/>为等效能耗最小功率点对应的增程器扭矩，ne为增程器中发动机的转速。
第二方面，本发明提供了面向增程式电动矿卡的能耗管理方法，其特征在于，包括：
获取增程式电动矿卡的系统状态参数，包括整车质量、道路坡度、车速、车辆加速度以及储能元件SOC；
根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率；
根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，所述工作模式包括等效能耗管理模式；所述等效能耗管理模式为基于求解得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；
构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型；
根据等效油耗计算模型、增程器功率-最优油耗映射模型，以及增程器功率-扭矩映射模型，分别确定等效油耗最小时对应的增程器功率点和增程器扭矩；
根据等效油耗最小时对应的增程器功率点和增程器扭矩，确定增程器输出功率和储能元件输出功率；
控制增程器按照确定的增程器输出功率实现功率输出；控制储能元件按照确定的储能元件输出功率实现功率输出。
第三方面，本发明提供了面向增程式电动矿卡的能耗管理系统，包括：如第一方面任意一种可能的实施方式所提供的面向增程式电动矿卡的能耗管理平台、增程器、储能元件、整流器、逆变器、驱动总成、变速箱以及电阻栅；
所述增程器控制器连接增程器，增程器包括发动机和发电机；增程器通过整流器连接储能元件；
所述BMS控制器连接储能元件，储能元件和整流器连接逆变器，所述逆变器连接开关和驱动总成；
所述能量管理控制器控制开关通断，所述开关连接电阻栅；
驱动总成连接变速箱，所述驱动总成包括电机控制器和电机，电机根据电机控制器的指令信号输出驱动扭矩来控制增程式电动矿卡行驶。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第二方面任意一种可能的实施方式所提供的方法的步骤。
本发明所取得有益技术效果：
本发明拟合出增程器的功率-最优油耗映射模型，及其对应的功率-扭矩映射模型；在此基础上，根据当前整车需求功率，对等效因子和惩罚因子进行优化求解。该方法在满足整车动力性的前提下，通过设计的改进型ECMS实时调整增程器和储能元件的功率输出，实现整车在复杂工况下的能耗实时调整。本发明设计的能量管理方法降低了策略的瞬时计算量和对工况信息的依赖性，工况适应性强，便于移植和工程化应用；本发明根据计算得到的电机需求功率Pd和实时获取的储能元件SOC大小确定不同的工作模式，提高了能耗管理的灵活性。
用粒子群算法对等效因子和惩罚因子进行优化求解，进一步降低了策略对工况信息的依赖性，提高了策略的对随机工况的适应性。
本发明利用神经网络拟合增程器的功率-最优油耗、功率-扭矩映射模型可降低策略在线实现最优油耗点寻优的计算量，提高了策略的实时性。
附图说明
图1为实施例提供的面向增程式电动矿卡的能耗管理系统的结构示意图；
图2为实施例的整机系统构型图；
图3为实施例提供的面向增程式电动矿卡的能耗管理方法流程示意图；
图4为实施例中采用的BP神经网络结构图；
图5为实施例的中粒子群算法流程图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
在详细介绍本申请实施例之前，为了便于理解本申请实施例，先对本申请涉及的面向增程式电动矿卡的能耗管理平台进行详细介绍。
实施例1：面向增程式电动矿卡的能耗管理平台，如图1所示，所述能耗管理平台应用于控制层，包括：车载数据采集器模块、需求功率计算模块、增程器功率-最优油耗和功率-扭矩映射模块、等效因子和惩罚因子求解模块、能量管理控制器和控制器(本实施例中控制器包括增程器控制器和BMS控制器)；
所述车载数据采集器模块，用于获取增程式电动矿卡的系统状态参数，包括整车质量、道路坡度、车速、车辆加速度以及储能元件SOC；
所述需求功率计算模块，用于至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率；
所述等效因子和惩罚因子求解模块，用于求解得到的最优个体等效因子s和惩罚因子p；
所述增程器功率-最优油耗和功率-扭矩映射模块，用于构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型，基于优化得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；根据等效油耗计算模型、增程器功率-最优油耗映射模型，以及增程器功率-扭矩映射模型，分别确定等效油耗最小时对应的增程器功率点和增程器扭矩；
能量管理控制器，用于根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，所述工作模式包括等效能耗管理模式；根据等效油耗最小时对应的增程器功率点和增程器扭矩，确定增程器输出功率和储能元件输出功率；
所述增程器控制器，用于控制增程器按照确定的增程器输出功率实现功率输出；
所述BMS(电池管理系统)控制器，用于控制储能元件按照确定的储能元件输出功率实现功率输出。
具体实施例中，所述能量管理控制器根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，包括以下判据：
判据一、当储能元件SOC在下限值SOCmin和上限值SOCmax之间时，判断若电机需求功率Pd大于0，则进入等效能耗管理模式；若电机需求功率Pd小于0，则进入能量回收模式，为储能元件充电；
判据二、当储能元件SOC小于下限值SOCmin时，此时储能元件不参与工作，判断若电机需求功率Pd小于增程器功率上限阈值Pe_max，则进入等效能耗管理模式，并为储能元件充电；若电机需求功率Pd大于增程器功率上限阈值Pe_max，则进入增程器单独驱动模式；
判据三、当储能元件SOC大于上限值SOCmax时，判断若电机需求功率Pd大于0且小于增程器功率下限阈值Pe_min，则进入纯电模式；若电机需求功率Pd大于增程器功率下限阈值Pe_min，进入等效能耗管理模式；当电机需求功率Pd小于0时，此时储能元件SOC过高，进入能量耗散模式，将储能元件能量耗散掉。
关于具体工作模式的描述，可参考本申请中其他实施例，在本实施例中，不赘述。
本实施例中，所述需求功率计算模块至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率，包括采用以下表达式：
Ft＝mgf cosα+mg sinα+0.5ρCdAv2+δma；
其中Pd为电机需求功率，Ft为行驶驱动力，ηt为整个动力总成效率；v为车速，a为车辆加速度，m为整车质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，ρ为空气密度，Cd为风阻系数，A为迎风面积，δ为旋转质量换算系数。
可选地，本实施例中所述等效因子和惩罚因子求解模块利用粒子群算法优化等效因子s和惩罚因子p，求解得到最优个体等效因子s和惩罚因子p，包括：
步骤1：初始化参数和确定适应度函数：初始化参数包括种群大小S，迭代次数N，个体位置Ii＝[si,pi]，种群I＝[I1,I2,…,Ii,…,Is]；
适应度函数fitness如下式：
其中，meqv(i)为第i个个体Ii的等效油耗，Qlhv为燃油热值，Δt为时间步长，fitness(i)为第i个个体Ii的适应度，为油耗率；
步骤2：将当前种群视为父辈种群，顺序计算出父辈种群中每个个体的适应度值，并选择出适应度值最小的个体为父辈种群的最优个体；
步骤3：父辈种群按照下式更新种群，形成子代种群：
其中，Vi G和分别表示个体Ιi在第G次迭代的移动速度和位置信息；Pi G为个体Ιi在G次迭代过程中适应度值最优时的位置信息；/>为第G次迭代时种群中适应度值最优的个体的位置信息；/>是权重因子；c1和c2为非负加速因子；r1、r2和ψ分别为分布于[0,1]之间的随机数；Vi G+1和/>分别表示个体Ιi在第G+1次迭代的移动速度和位置信息；
步骤4：计算子代种群中每个个体的适应度值，并按子代种群个体序号依次和父辈种群个体的适应度值比较，选择出每个序号上适应度值较小的个体组成新的子代种群，同时将父辈种群中最优个体与新的子代种群中的最优个体进行比较，选择出适应度较小的个体作为新种群的最优个体；
步骤5：判断是否满足收敛条件|fitnessG-fitnessG-1|≤ε或最大迭代次数N，其中fitnessG为第G次迭代后的最优适应度值，fitnessG-1为第G-1次迭代后的最优适应度值，ε是设定的期望误差值；若不满足，将步骤4产生的种群视为父辈种群，最优个体视为父辈最优个体，继续执行步骤3；若满足，则执行步骤6；
步骤6：输出最优个体等效因子s和惩罚因子p。
本实施例中，等效油耗计算模型，表示如下：
其中meqv为等效油耗，为油耗率，Δt为时间步长，Pb为储能元件输出功率，s为最优个体等效因子，p为惩罚因子，Qlhv为燃油热值。
所述增程器功率-最优油耗和功率-扭矩映射模块构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型的方法包括：根据增程器中发动机的转速ne、发动机功率Pe和油耗率数据，按以下表达式确定发动机功率Pe-最优油耗率点/>集合和对应的功率Pe-扭矩点Te *集合，表示如下:
构建神经网络构建模型，表示如下：
其中，x、y分别表示网络输入量和输出量，W1、W2分别表示输入层到隐含层以及隐含层到输出层各节点的权值矩阵，θ1、θ2分别表示隐含层各节点及输出层节点的阈值矩阵；Hin为输入层的输入；f(*)为隐含层节点激励函数，h(*)为输出层节点激励函数；Hou为输出层的输出；
变量可进一步表示为：
利用获取到的功率Pe-最优油耗率点集合和对应的功率Pe-扭矩点Te *集合，分别训练上式中的权值和阈值，拟合出增程器功率-最优油耗映射模型及对应的增程器功率-扭矩映射模型。
等效油耗最小时对应的增程器功率点和增程器扭矩的计算表达式如下：
Pb＝min(Pd-Pe·η,Pb_max)；
ne＝9550·Pe/Te，
其中，Pe为增程器中发动机输出功率，Pb为储能元件输出功率，为等效油耗最小时对应的增程器功率点，Pd为电机需求功率，η为增程器的发电效率；Pb_max为储能元件输出功率的最大值，Te为增程器扭矩，/>为等效能耗最小功率点对应的增程器扭矩，ne为增程器中发动机的转速。
实施例2：与以上实施例提供的面向增程式电动矿卡的能耗管理平台相对应地，本实施例提供了面向增程式电动矿卡的能耗管理方法，如图3所示，具体实现步骤如下：
步骤S1：根据增程器的工作特性，构建增程器功率-最优油耗映射模型及其对应的功率-扭矩映射模型；具体包括：
①根据增程器中发动机的转速ne-功率Pe-油耗率对应的map数据，按以下表达式确定发动机功率Pe-最优油耗率点/>集合和对应的功率Pe-扭矩点Te *集合：
②利用BP神经网络(BPNN,Back Propagation Neural Network)模型构建增程器功率-最优油耗映射模型及对应的功率-扭矩映射模型。这里，以“1-5-1”形式的三层BPNN结构为例，构建出BPNN模型，其结构示意图如图4所示(在其它实施例中，所述BPNN还可以用其他神经网络代替)：
其中，x、y分别表示网络输入量和输出量，W1、W2分别表示输入层到隐含层以及隐含层到输出层各节点的权值矩阵，θ1、θ2分别表示隐含层各节点及输出层节点的阈值矩阵。隐含层节点激励函数f(*)和输出层节点激励函数h(*)分别选择tansig和purelin函数。上述变量可进一步表示为：
利用获取到的功率Pe-最优油耗率点集合和对应的功率Pe-扭矩点Te *集合，分别训练式(3)中的权值和阈值，拟合出增程器功率-最优油耗及对应的功率-扭矩映射模型。
步骤S2：利用车载数据采集器实时获取车辆的系统状态参数，包括整车质量、道路坡度、车速v、车辆加速度a、储能元件SOC；
步骤S3：根据获取的系统状态参数计算电机的需求功率Pd，并设定增程器输出功率为Pe，储能元件输出功率为Pb。具体需求功率计算如式：
式中ηt为整个动力总成效率，行驶驱动力Ft可表示为：
Ft＝mgf cosα+mg sinα+0.5ρCdAv2+δma (5)
其中，m为整车质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，ρ为空气密度，Cd为风阻系数，A为迎风面积，δ为旋转质量换算系数；
步骤S4：根据计算得到的电机需求功率Pd和实时获取的储能元件SOC大小确定不同的工作模式，本实施例中具体如下：
a.当储能元件SOC在下限值SOCmin和上限值SOCmax之间时：
①若电机需求功率Pd大于0，则进入等效能耗管理模式；
②若电机需求功率Pd小于0，则进入能量回收模式，为储能元件充电。
b.当储能元件SOC小于下限值SOCmin时，储能元件电量过低，为保证储能元件的使用寿命，此时储能元件不参与工作：
①若电机需求功率Pd小于增程器功率上限阈值Pe_max，则进入等效能耗管理模式，并为储能元件充电；
②若电机需求功率Pd大于增程器功率上限阈值Pe_max，则进入增程器单独驱动模式。
c.当储能元件SOC大于上限值SOCmax时，
①若电机需求功率Pd大于0且小于增程器功率下限阈值Pe_min，则进入纯电模式；
②若电机需求功率Pd大于增程器功率下限阈值Pe_min，进入等效能耗管理模式；
③当电机需求功率Pd小于0时，此时储能元件SOC过高，通过机械制动或电阻栅将能量耗散掉。
下面对上述所述工作模式的具体实现方式进行阐述：
(1)等效能耗管理模式：
①可选地，本实施例中利用粒子群算法优化等效因子s和惩罚因子p，具体流程如附图5所示；具体的步骤包括：
步骤1：初始化参数和确定适应度函数：初始化参数包括种群大小S，迭代次数N，个体位置Ii＝[si,pi]，种群I＝[I1,I2,…,Ii,…,Is]；
适应度函数fitness如下式：
其中，meqv为等效油耗，Qlhv为燃油热值，Δt为时间步长，fitness为适应度；
步骤2：将当前种群视为父辈种群，顺序计算出父辈种群中每个个体的适应度值，并选择出适应度值最小的个体为父辈种群的最优个体；
步骤3：父辈种群按照下式更新种群，形成子代种群：
其中，Vi G和分别表示个体Ιi在第G次迭代的移动速度和位置信息；Pi G为个体Ιi在G次迭代过程中适应度值最优时的位置信息；/>为第G次迭代时种群中适应度值最优的个体的位置信息；/>是权重因子；c1和c2为非负加速因子；r1、r2和ψ分别为分布于[0,1]之间的随机数；
步骤4：计算子代种群中每个个体的适应度值，并按子代种群个体序号依次和父辈种群个体的适应度值比较，选择出每个序号上适应度值较小的个体组成新的子代种群，同时将父辈种群中最优个体与新的子代种群中的最优个体进行比较，选择出适应度较小的个体作为新种群的最优个体；
步骤5：判断是否满足收敛条件|fitnessG-fitnessG-1|≤ε或最大迭代次数N，其中fitnessG为第G次迭代后的最优适应度值，fitnessG-1为第G-1次迭代后的最优适应度值，ε是设定的期望误差值。若不满足，将步骤4产生的种群视为父辈种群，最优个体视为父辈最优个体，继续执行步骤3；若满足，则执行步骤6；
步骤6：输出最优个体等效因子s和惩罚因子p。
②利用优化得到的s和p，通过以下等效油耗计算模型计算等效油耗meqv：
③在保证满足整车需求功率的前提下，根据增程器功率-最优油耗映射模型，寻找等效油耗最小时对应的增程器功率点
④根据增程器功率-扭矩映射模型，确定等效能耗最小功率点对应的增程器扭矩
⑤增程器和储能元件功率分配可表示为：Pb＝min(Pd-Pe·η,Pb_max)，ne＝9550·Pe/Te，η为增程器的发电效率；
(2)纯电模式：
此时仅储能元件放电，增程器不参与工作，储能元件输出功率可表示为：Pb＝Pd；
(3)增程器单独驱动模式：
①确定增程器输出最大功率Pe_max；
②根据增程器功率-扭矩映射模型，确定当前增程器输出最大功率下增程器扭矩Te_powermax；
③此时仅增程器输出功率：Pe＝Pe_max，Te＝Te_powermax，ne＝9550·Pe/Te。
步骤S5：控制增程器按照确定的增程器输出功率实现功率输出；控制储能元件按照确定的储能元件输出功率实现功率输出，以使得驱动总成根据增程器和储能元件输出的功率精准控制电机输出扭矩，经变速箱变速增扭后驱动行走系统正常工作。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述实施例描述的平台，各模块的具体工作过程，与本实施例提供的方法实施例中的对应过程可以互相参考，在此不再赘述。
实施例3
面向增程式电动矿卡的能耗管理系统，其特征在于，包括：如以上实施例所提供的面向增程式电动矿卡的能耗管理平台，如图1所示，还包括：增程器、电池包、整流器、逆变器、驱动总成、变速箱以及电阻栅；对应的整机系统构型如附图2所示；
所述增程器控制器连接增程器，增程器包括发动机和发电机；增程器通过整流器连接储能元件；
所述BMS控制器连接储能元件，储能元件和整流器连接逆变器，所述逆变器连接开关和驱动总成；
所述能量管理控制器控制开关通断，所述开关连接电阻栅；
驱动总成连接变速箱，所述驱动总成包括电机控制器和电机，电机根据电机控制器的指令信号输出驱动扭矩来控制增程式电动矿卡行驶。
其中增程器没有直接连接驱动总成，大大消减了负载突变给增程器带来的冲击与振动，增程器通过整流器整流、逆变器逆变后驱动总成工作，同时可以为储能元件充电；
储能元件起到削峰填谷的作用，在大功率需求时，与增程器一起驱动总成工作，并在制动时将回收的能量储存起来，如若储能元件SOC较高，不能进行能量回收时，通过能量管理控制器控制开关开启，利用电阻栅将动能耗散掉；
驱动总成包括电机控制器和电机，电机根据电机控制器的指令信号精准输出驱动扭矩来控制车辆行驶。
本实施例中，储能元件采用电池包，在其他例中的储能元件，还可以用超级电容来替代。
实施例4
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例提供的所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (9)
1.面向增程式电动矿卡的能耗管理平台，其特征在于，包括：
车载数据采集器模块、需求功率计算模块、增程器功率-最优油耗和功率-扭矩映射模块、等效因子和惩罚因子求解模块、能量管理控制器和控制器；
所述车载数据采集器模块，用于获取增程式电动矿卡的系统状态参数，包括整车质量、道路坡度、车速、车辆加速度以及储能元件SOC；
所述需求功率计算模块，用于至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率；
所述等效因子和惩罚因子求解模块，用于求解得到最优个体等效因子s和惩罚因子p；
所述增程器功率-最优油耗和功率-扭矩映射模块，用于构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型，基于优化得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；根据等效油耗计算模型、增程器功率-最优油耗映射模型以及增程器功率-扭矩映射模型，分别确定等效油耗最小时对应的增程器功率点和增程器扭矩；
能量管理控制器，用于根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，所述工作模式包括等效能耗管理模式；根据等效油耗最小时对应的增程器功率点和增程器扭矩，确定增程器输出功率和储能元件输出功率；
所述控制器，用于控制增程器按照确定的增程器输出功率实现功率输出；控制储能元件按照确定的储能元件输出功率实现功率输出；等效油耗计算模型，表示如下：
其中meqv为等效油耗，为油耗率，Δt为时间步长，Pb为储能元件输出功率，s为最优个体等效因子，p为惩罚因子，Qlhv为燃油热值。
2.如权利要求1所述的面向增程式电动矿卡的能耗管理平台，其特征在于，所述能量管理控制器根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，包括以下判据：
判据一、当储能元件SOC在下限值SOCmin和上限值SOCmax之间时，判断若电机需求功率Pd大于0，则进入等效能耗管理模式；若电机需求功率Pd小于0，则进入能量回收模式，为储能元件充电；
判据二、当储能元件SOC小于下限值SOCmin时，此时储能元件不参与工作，判断若电机需求功率Pd小于增程器功率上限阈值Pe_max，则进入等效能耗管理模式，并为储能元件充电；若电机需求功率Pd大于增程器功率上限阈值Pe_max，则进入增程器单独驱动模式；
判据三、当储能元件SOC大于上限值SOCmax时，判断若电机需求功率Pd大于0且小于增程器功率下限阈值Pe_min，则进入纯电模式；若电机需求功率Pd大于增程器功率下限阈值Pe_min，进入等效能耗管理模式；当电机需求功率Pd小于0时，此时储能元件SOC过高，进入能量耗散模式，将储能元件能量耗散掉。
3.如权利要求1所述的面向增程式电动矿卡的能耗管理平台，其特征在于，所述需求功率计算模块至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率，包括采用以下表达式：
Ft＝mgfcosα+mgsinα+0.5ρCdAv2+δma；
其中Pd为电机需求功率，Ft为行驶驱动力，ηt为整个动力总成效率；v为车速，a为车辆加速度，m为整车质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，ρ为空气密度，Cd为风阻系数，A为迎风面积，δ为旋转质量换算系数。
4.如权利要求1所述的面向增程式电动矿卡的能耗管理平台，其特征在于，所述等效因子和惩罚因子求解模块利用粒子群算法优化等效因子s和惩罚因子p，求解得到最优个体等效因子s和惩罚因子p，包括：
步骤1：初始化参数和确定适应度函数：初始化参数包括种群大小S，迭代次数N，个体位置Ii＝[si,pi]，种群I＝[I1,I2,…,Ii,…,Is]；
适应度函数fitness如下式：
其中，meqv(i)为第i个个体Ii的等效油耗，Qlhv为燃油热值，Δt为时间步长，fitness(i)为第i个个体Ii的适应度，为油耗率；
步骤2：将当前种群视为父辈种群，顺序计算出父辈种群中每个个体的适应度值，并选择出适应度值最小的个体为父辈种群的最优个体；
步骤3：父辈种群按照下式更新种群，形成子代种群：
其中，Vi G和分别表示个体Ii在第G次迭代的移动速度和位置信息；Pi G为个体Ii在G次迭代过程中适应度值最优时的位置信息；/>为第G次迭代时种群中适应度值最优的个体的位置信息；/>是权重因子；c1和c2为非负加速因子；r1、r2和ψ分别为分布于[0,1]之间的随机数；Vi G+1和/>分别表示个体Ii在第G+1次迭代的移动速度和位置信息；
步骤4：计算子代种群中每个个体的适应度值，并按子代种群个体序号依次和父辈种群个体的适应度值比较，选择出每个序号上适应度值较小的个体组成新的子代种群，同时将父辈种群中最优个体与新的子代种群中的最优个体进行比较，选择出适应度较小的个体作为新种群的最优个体；
步骤5：判断是否满足收敛条件|fitnessG-fitnessG-1|≤ε或最大迭代次数N，其中fitnessG为第G次迭代后的最优适应度值，fitnessG-1为第G-1次迭代后的最优适应度值，ε是设定的期望误差值；若不满足，将步骤4产生的种群视为父辈种群，最优个体视为父辈最优个体，继续执行步骤3；若满足，则执行步骤6；
步骤6：输出最优个体等效因子s和惩罚因子p。
5.如权利要求1所述的面向增程式电动矿卡的能耗管理平台，其特征在于，所述增程器功率-最优油耗和功率-扭矩映射模块构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型的方法包括：
根据增程器中发动机的转速ne、发动机功率Pe和油耗率数据，按以下表达式确定发动机功率Pe-最优油耗率点/>集合和对应的功率Pe-扭矩点Te *集合，表示如下：
构建神经网络构建模型，表示如下：
其中，x、y分别表示网络输入量和输出量，W1、W2分别表示输入层到隐含层以及隐含层到输出层各节点的权值矩阵，θ1、θ2分别表示隐含层各节点及输出层节点的阈值矩阵；Hin为输入层的输入；f(*)为隐含层节点激励函数，h(*)为输出层节点激励函数；Hou为输出层的输出；
变量可进一步表示为：
利用获取到的功率Pe-最优油耗率点集合和对应的功率Pe-扭矩点Te *集合，分别训练上式中的权值和阈值，拟合出增程器功率-最优油耗映射模型及对应的增程器功率-扭矩映射模型。
6.如权利要求1所述的面向增程式电动矿卡的能耗管理平台，其特征在于，等效油耗最小时对应的增程器功率点和增程器扭矩的计算表达式如下：
Pb＝min(Pd-Pe·η,Pb_max)；
ne＝9550·Pe/Te，
其中，Pe为增程器中发动机输出功率，Pb为储能元件输出功率，为等效油耗最小时对应的增程器功率点，Pd为电机需求功率，η为增程器的发电效率；Pb_max为储能元件输出功率的最大值，Te为增程器扭矩，/>为等效能耗最小功率点对应的增程器扭矩，ne为增程器中发动机的转速。
7.面向增程式电动矿卡的能耗管理方法，其特征在于，包括：
获取增程式电动矿卡的系统状态参数，包括整车质量、道路坡度、车速、车辆加速度以及储能元件SOC；
至少根据获取的整车质量、道路坡度、车速、车辆加速度计算电机需求功率；
根据电机需求功率以及储能元件SOC确定能耗管理的工作模式，所述工作模式包括等效能耗管理模式；所述等效能耗管理模式为基于求解得到的最优个体等效因子s和惩罚因子p，确定等效油耗计算模型；
构建增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型；
根据等效油耗计算模型、增程器功率-最优油耗映射模型和增程器功率-扭矩映射模型，分别确定等效油耗最小时对应的增程器功率点和增程器扭矩；
根据等效油耗最小时对应的增程器功率点和增程器扭矩，确定增程器输出功率和储能元件输出功率；
控制增程器按照确定的增程器输出功率实现功率输出；控制储能元件按照确定的储能元件输出功率实现功率输出；
等效油耗计算模型，表示如下：
其中meqv为等效油耗，为油耗率，Δt为时间步长，Pb为储能元件输出功率，s为最优个体等效因子，p为惩罚因子，Qlhv为燃油热值。
8.面向增程式电动矿卡的能耗管理系统，其特征在于，包括：如权利要求1～6任一所述的面向增程式电动矿卡的能耗管理平台、增程器、储能元件、整流器、逆变器、驱动总成、变速箱以及电阻栅；
所述控制器包括增程器控制器和BMS控制器；
所述增程器控制器连接增程器，增程器包括发动机和发电机；
增程器通过整流器连接储能元件；
所述BMS控制器连接储能元件，储能元件和整流器连接逆变器，所述逆变器连接开关和驱动总成；
所述能量管理控制器控制开关通断，所述开关连接电阻栅；
驱动总成连接变速箱，所述驱动总成包括电机控制器和电机，电机根据电机控制器的指令信号，输出驱动扭矩来控制增程式电动矿卡行驶。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求7所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211300777.0A CN116661296B (zh) | 2022-10-24 | 2022-10-24 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
| PCT/CN2023/094496 WO2024087590A1 (zh) | 2022-10-24 | 2023-05-16 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211300777.0A CN116661296B (zh) | 2022-10-24 | 2022-10-24 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116661296A CN116661296A (zh) | 2023-08-29 |
| CN116661296B true CN116661296B (zh) | 2024-04-12 |
Family
ID=87712376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211300777.0A Active CN116661296B (zh) | 2022-10-24 | 2022-10-24 | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116661296B (zh) |
| WO (1) | WO2024087590A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116811664B (zh) * | 2023-08-30 | 2023-11-07 | 新誉集团有限公司 | 电动矿车的行驶控制方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
| CN110040004A (zh) * | 2019-04-01 | 2019-07-23 | 一汽-大众汽车有限公司 | 一种增程式纯电动汽车的功率跟随控制方法和系统 |
| CN112590762A (zh) * | 2020-12-08 | 2021-04-02 | 上汽大众汽车有限公司 | 一种基于ecms的车辆soc自适应能量管理方法 |
| CN113554337A (zh) * | 2021-08-03 | 2021-10-26 | 青岛理工大学 | 融合交通信息的插电式混动汽车能量管理策略构建方法 |
| CN113911101A (zh) * | 2021-10-14 | 2022-01-11 | 燕山大学 | 一种基于同轴并联式结构的在线能量分配方法 |
| CN113910925A (zh) * | 2021-10-25 | 2022-01-11 | 浙江大学杭州国际科创中心 | 基于ecms的超级电容-锂电池混合动力rtg能量优化管理策略 |
| CN114559859A (zh) * | 2022-03-28 | 2022-05-31 | 吉林大学 | 一种基于燃料电池温度反馈的自适应等效氢耗最小策略 |
| JP2022082371A (ja) * | 2020-11-20 | 2022-06-01 | 日産自動車株式会社 | エンジン始動制御方法及びエンジン始動制御装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012201270A1 (de) * | 2012-01-30 | 2013-08-01 | Bayerische Motoren Werke Aktiengesellschaft | Bestimmen des Arbeitspunktes eines Range-Extenders in einem Elektrofahrzeug |
| CN102735303B (zh) * | 2012-07-16 | 2014-05-07 | 奇瑞汽车股份有限公司 | 一种增程式电动汽车能量消耗量实验计算方法 |
| DE102016206173A1 (de) * | 2016-04-13 | 2017-10-19 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Betrieb eines einen elektrischen Energiespeicher aufweisenden Hybridfahrzeuges mit einem Elektromotor und mit einem Verbrennungsmotor |
| WO2018209038A1 (en) * | 2017-05-12 | 2018-11-15 | Ohio State Innovation Foundation | Real-time energy management strategy for hybrid electric vehicles with reduced battery aging |
| KR102570749B1 (ko) * | 2019-04-11 | 2023-08-28 | 현대자동차주식회사 | 차량 및 차량의 제어방법 |
| CN114103924A (zh) * | 2020-08-25 | 2022-03-01 | 郑州宇通客车股份有限公司 | 一种混合动力车辆能量管理控制方法及装置 |
| CN111959490B (zh) * | 2020-08-25 | 2022-11-18 | 吉林大学 | 插电式混合动力汽车模型参考自适应最优能量管理方法 |
| CN112721907B (zh) * | 2021-01-28 | 2022-08-02 | 西安理工大学 | 一种考虑道路坡度的网联混合动力汽车高效能量管理方法 |
| CN115214606B (zh) * | 2021-12-16 | 2024-06-07 | 广州汽车集团股份有限公司 | 一种插电式混合动力汽车能量管理方法 |
| CN115214608A (zh) * | 2022-08-30 | 2022-10-21 | 江苏汇智高端工程机械创新中心有限公司 | 一种面向增程式电传动矿用卡车的能量输出控制方法及系统 |
-
2022
- 2022-10-24 CN CN202211300777.0A patent/CN116661296B/zh active Active
-
2023
- 2023-05-16 WO PCT/CN2023/094496 patent/WO2024087590A1/zh unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107748498A (zh) * | 2017-10-09 | 2018-03-02 | 上海海事大学 | 一种基于模型预测控制的混合动力船舶的能量管理方法 |
| CN110040004A (zh) * | 2019-04-01 | 2019-07-23 | 一汽-大众汽车有限公司 | 一种增程式纯电动汽车的功率跟随控制方法和系统 |
| JP2022082371A (ja) * | 2020-11-20 | 2022-06-01 | 日産自動車株式会社 | エンジン始動制御方法及びエンジン始動制御装置 |
| CN112590762A (zh) * | 2020-12-08 | 2021-04-02 | 上汽大众汽车有限公司 | 一种基于ecms的车辆soc自适应能量管理方法 |
| CN113554337A (zh) * | 2021-08-03 | 2021-10-26 | 青岛理工大学 | 融合交通信息的插电式混动汽车能量管理策略构建方法 |
| CN113911101A (zh) * | 2021-10-14 | 2022-01-11 | 燕山大学 | 一种基于同轴并联式结构的在线能量分配方法 |
| CN113910925A (zh) * | 2021-10-25 | 2022-01-11 | 浙江大学杭州国际科创中心 | 基于ecms的超级电容-锂电池混合动力rtg能量优化管理策略 |
| CN114559859A (zh) * | 2022-03-28 | 2022-05-31 | 吉林大学 | 一种基于燃料电池温度反馈的自适应等效氢耗最小策略 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116661296A (zh) | 2023-08-29 |
| WO2024087590A1 (zh) | 2024-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108528436B (zh) | 一种内外层嵌套的ecms多目标双层优化方法 | |
| CN105539423B (zh) | 结合环境温度保护电池的混合动力车转矩分配控制方法及系统 | |
| CN113928187B (zh) | 一种燃料电池汽车的能量管理控制方法 | |
| CN105501214B (zh) | 控制轻度混合动力汽车的电池的方法 | |
| CN103631149A (zh) | 一种增程式电动汽车续驶里程的仿真系统及其仿真方法 | |
| Herrera et al. | Optimal energy management of a hybrid electric bus with a battery-supercapacitor storage system using genetic algorithm | |
| CN113635879B (zh) | 一种车辆制动力分配方法 | |
| CN110287526B (zh) | 混合动力汽车模型构建方法 | |
| Zhang et al. | Multi-objective parameter optimization of a series hybrid electric vehicle using evolutionary algorithms | |
| WO2024045321A1 (zh) | 一种面向增程式电传动矿用卡车的能量输出控制方法及系统 | |
| CN116661296B (zh) | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 | |
| CN113460026B (zh) | 一种功率分配方法、装置、设备及汽车 | |
| Li et al. | A real-time energy management strategy combining rule-based control and ECMS with optimization equivalent factor for HEVs | |
| CN111645685B (zh) | 一种经济车速的规划方法、装置、存储介质及设备 | |
| CN109552112A (zh) | 一种用于混合动力汽车的电池储能控制方法 | |
| CN114475566B (zh) | 一种智能网联插电式混合动力汽车能量管理实时控制策略 | |
| Chenghui et al. | Particle Swarm Optimization for energy management fuzzy controller design in dual-source electric vehicle | |
| CN108583293A (zh) | 新能源汽车的制动回馈扭矩分配方法及其四驱控制系统 | |
| Zhang et al. | Optimal energy management for series-parallel hybrid electric city bus based on improved genetic algorithm | |
| Zhou et al. | Research on fuzzy energy management strategy of parallel hybrid electric vehicle | |
| CN115675102A (zh) | 一种粒子群算法优化的混合动力汽车再生制动控制方法 | |
| Boyacıoğlu et al. | Modeling and Control of a PEM Fuel Cell Hybrid Energy System Used in a Vehicle with Fuzzy Logic Method | |
| Yadav et al. | Fuzzy control implementation for energy management in hybrid electric vehicle | |
| CN115092012A (zh) | 考虑复合电源系统多工作模式的等效荷电状态估计方法 | |
| Sreejith et al. | Modelling and analysis of PMBLDC motor based three wheeler EV for closed loop optimum operation |
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 |