CN116663436B - 一种基于智能优化算法的车载电源系统参数匹配方法 - Google Patents
一种基于智能优化算法的车载电源系统参数匹配方法 Download PDFInfo
- Publication number
- CN116663436B CN116663436B CN202310959910.1A CN202310959910A CN116663436B CN 116663436 B CN116663436 B CN 116663436B CN 202310959910 A CN202310959910 A CN 202310959910A CN 116663436 B CN116663436 B CN 116663436B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- optimal
- power supply
- search
- supply system
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000001052 transient effect Effects 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 63
- 230000007547 defect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000283153 Cetacea Species 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000009096 changqing Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种基于智能优化算法的车载电源系统参数匹配方法,涉及电源优化技术领域,包括步骤:构建车载电源系统的目标函数,通过引进JAVA算法的改进型瞬态搜索优化算法迭代更新最优位置更新,同时考虑最差位置,远离最差位置进行更新,获得最优搜索代理;根据预设最大迭代次数依次更新最优搜索代理,获得最优的车载电源系统参数匹配方案。本发明通过提升种群位置分布的均匀性和多样性,对搜索代理搜索范围的增大,大大提高了车载电源系统参数匹配最优参数精度,提高供电可靠性和车辆行驶的安全性。
Description
技术领域
本发明涉及电源优化技术领域,尤其涉及一种基于智能优化算法的车载电源系统参数匹配方法。
背景技术
随着新军事变革持续推进,新的作战方式对装备提出更高的要求,而电传动车辆采用电机驱动车辆行驶,具有低速扭矩大、动态响应快、调速范围宽、传动效率高、结构简单等优点,电传动车辆具有更优越的机动性能。为实现对车辆电力的统一管理,电传动车辆电源系统及其控制技术研究得到世界各国重视,并取得很大的进展。
车载电源系统是为装甲车辆的用电负载统一提供电力的微电网系统,其一般包含多能源装置(发动机-发电机组、储能装置等),并对其按照一定的控制策略进行有机的管控,实现大功率电能生成、变换、存储控制,能够满足用电负载的不间断供电要求。
在工程实践中,根据车载电源系统的设计方案,结合车辆性能指标要求,研究车载电源系统参数匹配方法对电传动装甲车辆的开发具有重要支撑作用。
智能优化算法是人工智能研究的热点内容之一,已经在电力领域的参数匹配优化设计中有着广泛的应用。例如,肖伟等人研究了一种基于强度帕累托进化算法的复合电源参数优化方法(肖伟,杜常清,任卫群.基于强度帕累托进化算法的复合电源参数优化[J].电源技术,2022,46(12):1422-1427.);陈宗海等人发明了 一种纯电动汽车复合电源系统的容量配比方法及系统(陈宗海 , 李民策 , 王丽 , 陈旭 , 杨晓宇.一种纯电动汽车复合电源系统的容量配比方法及系统 [P]. 安徽:CN112434374A,2021-03-02.);李奇等人发明了一种燃料电池超级电容混合动力机车参数匹配优化方法(李奇 , 陈维荣 , 刘志祥 ,戴朝华 , 张雪霞 , 郭爱 , 刘述奎. 燃料电池超级电容混合动力机车参数匹配优化方法[P]. 四川省:CN104071033A,2014-10-01.);王文玺等人发明了一种考虑源荷匹配度的主动配电网分布式电源规划方法(王文玺 , 刘宝林 , 冯磊 , 李玲芳 , 程军照 , 周少雄, 廖一旭 , 陈燿圣. 一种考虑源荷匹配度的主动配电网分布式电源规划方法[P]. 广东省:CN107688879A,2018-02-03.)。
瞬态搜索优化算法(Transient search optimization algorithm,TSOA)是一种模拟包含电感和电容等存储元件的开关电路瞬态行为的新型智能优化算法,同样可以应用于车载电源系统参数匹配问题。但是,瞬态搜索优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行车载电源系统参数匹配时,往往达不到理想的匹配效果。
发明内容
本发明提供了一种基于智能优化算法的车载电源系统参数匹配方法,目的是解决现有技术中瞬态搜索优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行车载电源系统参数匹配时,往往达不到理想匹配效果的缺点。
为了实现上述目的,本发明提供如下技术方案:一种基于智能优化算法的车载电源系统参数匹配方法,包括步骤:
根据车载电源系统的基本要素和性能参数,初始化车载电源系统的拓扑结构和参数信息,确定车载电源系统的各参数范围和约束条件;
依据各参数范围和约束条件,构建车载电源系统的目标函数;
根据所述目标函数计算适应度值,获得以各参数范围为基础的最优搜索代理位置;
通过对瞬态搜索优化算法引入JAVA算法改进瞬态搜索代理位置更新方式,获得改进型瞬态搜索优化算法;
通过所述改进型瞬态搜索优化算法更新搜索代理位置,同时以远离最差位置为参考进行更新搜索代理位置,获得最优搜索代理位置,即获得最优的各参数范围;
根据预设最大迭代次数依次更新最优的各参数范围,通过所述各参数范围间关系获得最优的车载电源系统参数匹配方案。
优选的,所述车载电源系统的基本要素和性能参数包括:电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数。
优选的,在建立所述目标函数后,进行参数设置,包括:搜索代理种群的大小N;迭代的最大次数Miter;搜索代理寻优下边界LB;搜索代理寻优上边界UB。
优选的,根据所述目标函数计算适应度值,获得以各参数范围为基础的最优搜索代理位置,包括步骤:
利用高斯映射初始化设置参数后的搜索代理种群位置;
根据目标函数计算初始化后代理种群位置的适应度值,记录最优搜索代理位置。
优选的,所述利用高斯映射初始化设置参数后的搜索代理种群位置,包括步骤:
高斯映射随机数产生:
利用产生的高斯随机数初始化搜索代理位置:
式中:是初始搜索代理的位置,xt为随机数,mod(·)为求余函数,xt+1为下一个随机数。
优选的,所述通过所述改进型瞬态搜索优化算法更新搜索代理位置,包括步骤:
引入JAVA算法后的改进型瞬态搜索优化算法更新公式为:
其中,
其中,为第t+1次迭代的搜索代理的位置;/>表示第t次迭代的搜索代理的最佳位置;/>表示第t次迭代的搜索代理的最差位置;/>为当前第t次迭代的搜索代理的位置;/>和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数(k=0,1,2…);/>、/>和/>为[0,1]内的随机数;α为[0,1]内的随机数;
计算适应度值:
式中,fitness(·)为适应度值,F(·)为计算适应度值时的适应度函数;
记录当次迭代中适应度值最优的最优搜索代理位置。
优选的,所述通过改进型瞬态搜索优化算法迭代更新最优位置更新时,对最优搜索代理位置,进行逐维度双向sine变异。
优选的,所述对最优搜索代理位置进行逐维度双向sine变异,包括步骤:
对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向;具体计算表达式为:
式中,SinValue为sine混沌值;x0为迭代序列值;
对最优搜索代理位置进行变异扰动,具体表达式为:
其中,表示第t+1次迭代的最优搜索代理位置/>的第j维;
贪婪更新:
每个维度都进行变异后,停止变异。
本发明与现有技术相比具有以下有益效果:
本发明对搜索代理的位置更新方式进行了改进,引入JAVA算法的位置更新机制来改进搜索代理位置更新方式,即搜索代理位置更新朝最优位置更新,同时参考最差位置,远离最差位置进行更新,来提高算法的全局搜索能力,实现了算法搜索范围的增大,算法的适应性得以增强,大大提高了车载电源系统拓扑结构的最优参数精度,提高供电可靠性和车辆行驶的安全性。
附图说明
图1为本发明的的车载电源系统参数匹配方法流程图;
图2为本发明的车载电源系统参数匹配方案的迭代过程曲线图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
使用瞬态搜索优化算法模拟包含电感和电容等存储元件的开关电路瞬态行为,但瞬态搜索优化算法存在以下3个不足:
(1)在确定种群位置时,搜索代理的位置是随机确定的,这就使得算法具有一定的盲目性和随机性;
(2)瞬态搜索优化算法的位置更新仅利用搜索代理的最优位置进行引导,来更新搜索代理的位置,很容易使搜索代理的位置陷入局部最优解。
(3)瞬态搜索优化算法陷入局部最优解时,没有有效措施能帮助其跳出局部最优解。
上述3个不足,导致在采用瞬态搜索优化算法进行车载电源系统参数匹配时,不能达到最佳的匹配效果。
本发明的目的就是提出一种车载电源系统参数匹配方法,它克服了瞬态搜索优化算法存在的几点不足,能够显著提升车载电源系统参数匹配的效果。
为了理解和说明,如图1所示,下面详细说明本发明实施例的一种基于智能优化算法的车载电源系统参数匹配方法,包括步骤:
S1:根据车载电源系统的基本要素和性能参数,初始化车载电源系统的拓扑结构和参数信息,确定车载电源系统的各参数范围和约束条件。
(1)车载电源系统的基本要素和性能参数包括:电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数。
S2:(2)依据各参数范围和约束条件,建立车载电源系统的目标函数funtion。
(3)进行参数设置,主要包括:搜索代理种群的大小(即搜索代理个体的数量)N;迭代的最大次数(即迭代停止的条件)Miter;搜索代理寻优下边界LB;搜索代理寻优上边界UB。
(4)利用高斯映射初始化搜索代理种群位置。
高斯映射随机数产生:
利用产生的高斯随机数初始化搜索代理位置:
式中:是初始搜索代理的位置,xt为随机数,mod(·)为求余函数,xt+1为下一个随机数。
S3:根据目标函数计算适应度值,获得以各参数范围为基础的最优搜索代理位置。
S4:通过对瞬态搜索优化算法引入JAVA算法改进瞬态搜索代理位置更新方式,获得改进型瞬态搜索优化算法。
(5)搜索代理的位置更新。
原始瞬态搜索优化算法中,只利用最优搜索代理位置进行引导,来更新搜索代理位置,为了更加有效的提高搜索代理的全局搜索能力,引入JAVA算法的位置更新机制来改进搜索代理位置更新方式,即搜索代理位置更新朝最优位置更新,同时参考最差位置,远离最差位置进行更新,来提高算法的全局搜索能力。
S5:通过改进型瞬态搜索优化算法更新搜索代理位置,同时以远离最差位置为参考进行更新搜索代理位置,获得最优搜索代理位置,即获得最优的各参数范围。
引入JAVA算法,改进后的搜索代理位置更新公式如下:
(9)
其中:
(10)
(11)
(12)
其中,为第t+1次迭代的搜索代理的位置;/>表示第t次迭代的搜索代理的最佳位置;/>表示第t次迭代的搜索代理的最差位置;/>为当前第t次迭代的搜索代理的位置;/>和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数(k=0,1,2…);/>、/>和/>为[0,1]内的随机数;α为[0,1]内的随机数。
(6)计算适应度值。
(14)
式中,fitness(·)为适应度值,F(·)为计算适应度值时的适应度函数。
(7)记录信息。记录当次迭代中最优搜索代理。
(8)对最优搜索代理,进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值。并等概率切换正负方向。
(15)
(16)
式中,SinValue为sine混沌值;x0为迭代序列值;
然后对最优位置进行变异扰动
(17)
式中:表示第t+1次迭代的最优位置/>的第j维。
贪婪更新:
(18)
每个维度都进行变异后,停止变异。
(9)记录信息。记录当次迭代中最优搜索代理。
S6:根据预设最大迭代次数依次更新最优的各参数范围,通过各参数范围间关系获得最优的车载电源系统参数匹配方案。
(10)重复执行步骤(5)~(10),达到最大迭代次数Miter后,算法停止,输出最优搜索代理,即得到最优的车载电源系统参数匹配方案。
实施例1:
以MATLAB为仿真平台,选取鲸鱼优化算法(Whale Optimization Algorithm,WOA)、灰狼优化算法(Grey Wolf Optimizer,GWO)、麻雀搜索算法(Sparrow SearchAlgorithm,SSA)和瞬态搜索优化算法(Transient search optimization algorithm,TSOA),与本文所提的ITSOA方法进行对比。
为保证实验的公平性,所有算法的种群规模设为30,最大迭代次数设为300,LB =0,UB=100,其他参数设置如表1所示。
表1 算法参数设置
图2为迭代过程曲线。从图2中可以直观的发现ITSOA方法的收敛速度快于其他4种算法,ITSOA方法的收敛精度优于其他4种算法。仿真结果表明,ITSOA算法搜索能力更强,获得了更优的车载电源系统参数匹配方案,验证了算法的有效性。
本发明还通过引入高斯映射进行搜索代理种群位置的初始化,可以提升种群位置分布的均匀性和多样性,进而算法的稳定性得以增强。通过对搜索代理的位置更新方式进行了改进,引入JAVA算法的位置更新机制来改进搜索代理位置更新方式,即搜索代理位置更新朝最优位置更新,同时参考最差位置,远离最差位置进行更新,来提高算法的全局搜索能力,实现了算法搜索范围的增大,算法的适应性得以增强。同时对最优搜索代理利用双向sine混沌映射变异,实现了算法在后期跳出局部最优解的能力。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (7)
1.一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,包括:
根据车载电源系统的基本要素和性能参数,初始化车载电源系统的拓扑结构和参数信息,确定车载电源系统的各参数范围和约束条件;
依据各参数范围和约束条件,构建车载电源系统的目标函数;
根据所述目标函数计算适应度值,获得以各参数范围为基础的最优搜索代理位置;
通过对瞬态搜索优化算法引入JAVA算法改进瞬态搜索代理位置的更新方式,获得改进型瞬态搜索优化算法;
通过所述改进型瞬态搜索优化算法更新搜索代理位置,同时以远离最差位置为参考进行更新搜索代理位置,获得最优搜索代理位置,即获得最优的各参数范围;
所述通过所述改进型瞬态搜索优化算法更新搜索代理位置,包括步骤:
引入JAVA算法后的改进型瞬态搜索优化算法更新公式为:
其中,
C(t)=k·z·λ3+1
T=2·z·λ2-z
其中,X(t+1)为第t+1次迭代的搜索代理的位置;Xbs(t)表示第t次迭代的搜索代理的最佳位置;Xwt(t)表示第t次迭代的搜索代理的最差位置;X(t)为当前第t次迭代的搜索代理的位置;C(t)和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数,k=0,1,2…;λ1、λ2和λ3为[0,1]内的随机数;α为[0,1]内的随机数;
计算适应度值:
fitness(t)=F(X(t+1))
式中,fitness(·)为适应度值,F(·)为计算适应度值时的适应度函数;
记录当次迭代中适应度值最优的最优搜索代理位置;
根据预设最大迭代次数依次更新最优的各参数范围,通过所述各参数范围间关系获得最优的车载电源系统参数匹配方案。
2.如权利要求1所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,所述车载电源系统的基本要素和性能参数包括:电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数。
3.如权利要求1所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,在建立所述目标函数后,进行参数设置,包括:搜索代理种群的大小N;迭代的最大次数Miter;搜索代理寻优下边界LB;搜索代理寻优上边界UB。
4.如权利要求3所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,所述根据所述目标函数计算适应度值,获得以各参数范围为基础的最优搜索代理位置,包括步骤:
利用高斯映射初始化设置参数后的搜索代理种群位置;
根据目标函数计算初始化后代理种群位置的适应度值,记录最优搜索代理位置。
5.如权利要求4所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,所述利用高斯映射初始化设置参数后的搜索代理种群位置,包括步骤:
高斯映射随机数产生:
利用产生的高斯随机数初始化搜索代理位置:
X(0)=(UB-LB)×xt+LB
式中:X(0)是初始搜索代理的位置,xt为随机数,mod(·)为求余函数,xt+1为下一个随机数。
6.如权利要求1所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,所述通过改进型瞬态搜索优化算法迭代更新最优位置更新时,对最优搜索代理位置进行逐维度双向sine变异。
7.如权利要求6所述的一种基于智能优化算法的车载电源系统参数匹配方法,其特征在于,所述对最优搜索代理位置进行逐维度双向sine变异,包括步骤:
对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向;具体计算表达式为:
SinValue=sin(πx0)
式中,SinValue为sine混沌值;x0为迭代序列值;
对最优搜索代理位置进行变异扰动,具体表达式为:
Xbs(j)(t+1)'=Xbs(j)(t+1)+SinValue×Xbs(j)(t+1)
其中,Xbs(j)(t+1)表示第t+1次迭代的最优搜索代理位置Xbs(t+1)的第j维;
贪婪更新:
每个维度都进行变异后,停止变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310959910.1A CN116663436B (zh) | 2023-08-02 | 2023-08-02 | 一种基于智能优化算法的车载电源系统参数匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310959910.1A CN116663436B (zh) | 2023-08-02 | 2023-08-02 | 一种基于智能优化算法的车载电源系统参数匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116663436A CN116663436A (zh) | 2023-08-29 |
CN116663436B true CN116663436B (zh) | 2023-10-27 |
Family
ID=87721059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310959910.1A Active CN116663436B (zh) | 2023-08-02 | 2023-08-02 | 一种基于智能优化算法的车载电源系统参数匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663436B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521534B (zh) * | 2024-01-08 | 2024-03-15 | 中国人民解放军陆军装甲兵学院 | 基于数据驱动的轮毂电机驱动装置集成匹配设计方法 |
CN117521533A (zh) * | 2024-01-08 | 2024-02-06 | 中国人民解放军陆军装甲兵学院 | 轮毂电机驱动装置集成匹配设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020121696A1 (de) * | 2020-08-19 | 2022-02-24 | Bayerische Motoren Werke Aktiengesellschaft | Steuervorrichtung und Verfahren zum prädiktiven Betreiben eines Energiebordnetzes |
CN115375204A (zh) * | 2022-10-25 | 2022-11-22 | 中国人民解放军陆军装甲兵学院 | 一种车载智能微电网性能评估方法 |
-
2023
- 2023-08-02 CN CN202310959910.1A patent/CN116663436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020121696A1 (de) * | 2020-08-19 | 2022-02-24 | Bayerische Motoren Werke Aktiengesellschaft | Steuervorrichtung und Verfahren zum prädiktiven Betreiben eines Energiebordnetzes |
CN115375204A (zh) * | 2022-10-25 | 2022-11-22 | 中国人民解放军陆军装甲兵学院 | 一种车载智能微电网性能评估方法 |
Non-Patent Citations (1)
Title |
---|
布谷鸟搜索算法的IT2FLS在PEMFC湿度软测量中的应用;朱笑花;;陕西科技大学学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116663436A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116663436B (zh) | 一种基于智能优化算法的车载电源系统参数匹配方法 | |
He et al. | Model predictive control with lifetime constraints based energy management strategy for proton exchange membrane fuel cell hybrid power systems | |
Bose | Energy, environment, and advances in power electronics | |
Mesbahi et al. | Combined optimal sizing and control of Li-ion battery/supercapacitor embedded power supply using hybrid particle Swarm–Nelder–Mead algorithm | |
CN101941519B (zh) | 风光能、岸电充电的蓄电池电动船及控制方法 | |
CN111572369B (zh) | 基于改进遗传算法的燃料电池混合动力汽车能量管理在线优化方法 | |
CN109552110B (zh) | 基于规则与非线性预测控制的电动汽车复合能量管理方法 | |
CN108470220A (zh) | 考虑功率变化率限制的混合储能系统能量管理优化方法 | |
Zhang et al. | Multi-objective parameter optimization of a series hybrid electric vehicle using evolutionary algorithms | |
CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
Rashed et al. | Optimal TCSC placement in a power system by means of Differential Evolution Algorithm considering loss minimization | |
Zhang et al. | Genetic Algorithm based optimal component sizing for an electric vehicle | |
CN113928182B (zh) | 基于全局交通信息的混合动力汽车电池热管理优化系统 | |
Li et al. | Research on multi-energy management system of fuel cell vehicle based on fuzzy control | |
Li et al. | IGBT thermal model-based predictive energy management strategy for plug-In hybrid electric vehicles using game theory | |
CN116542006B (zh) | 一种车载电源系统拓扑结构设计方法 | |
Serpi et al. | A novel highly integrated hybrid energy storage system for electric propulsion and smart grid applications | |
CN112467717A (zh) | 一种基于模糊控制的混合能源系统实时负荷分配方法 | |
CN116865271A (zh) | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 | |
CN117521534B (zh) | 基于数据驱动的轮毂电机驱动装置集成匹配设计方法 | |
Reddy et al. | Technology advancements and trends in development of proton exchange membrane fuel cell hybrid electric vehicles in India: a review | |
CN114234480A (zh) | 一种新型回收化工废热的能源系统及其调度方法 | |
CN114056184B (zh) | 一种降成本增寿命的复合电池能量控制方法 | |
Wang et al. | Optimization of hybrid energy system based on pareto differential evolution algorithm | |
Lin et al. | Power distribution methods of ultra-capacitor/battery hybrid power source for vehicular applications |
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 |