CN117021897B - 运输过程冷柜控制方法及系统 - Google Patents
运输过程冷柜控制方法及系统 Download PDFInfo
- Publication number
- CN117021897B CN117021897B CN202311294256.3A CN202311294256A CN117021897B CN 117021897 B CN117021897 B CN 117021897B CN 202311294256 A CN202311294256 A CN 202311294256A CN 117021897 B CN117021897 B CN 117021897B
- Authority
- CN
- China
- Prior art keywords
- temperature
- time
- humidity
- error
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000005057 refrigeration Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 31
- 238000009825 accumulation Methods 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
- B60H1/00764—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being a vehicle driving condition, e.g. speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00985—Control systems or circuits characterised by display or indicating devices, e.g. voice simulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
- B60P3/00—Vehicles adapted to transport, to carry or to comprise special loads or objects
- B60P3/20—Refrigerated goods vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明提供一种运输过程冷柜控制方法及系统,涉及制冷技术领域,所述方法包括:获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息、路况信息;确定运输车辆到达下一站点的剩余时间;确定维持时间是否大于或等于剩余时间;如果维持时间大于或等于剩余时间,根据温度信息和剩余时间,确定运输温度评分;根据湿度信息、温度信息和剩余时间,确定运输湿度评分;根据运输温度评分和运输湿度评分,确定货物状态评分;根据货物状态评分,生成提示消息,发送至运输车辆和下一站点。根据本发明,能够监测货物所处的冷柜内的环境,从而确定货物的状态,如果状态出现异常,则可生成提示消息,提示相关人员采取措施。
Description
技术领域
本发明涉及制冷技术领域,尤其涉及一种运输过程冷柜控制方法及系统。
背景技术
在相关技术中,通常可监测货物的位置以及运输的过程,但对货物在运输途中的状态缺乏有效的监测措施。对于某些需要特定运输条件的货物(例如,冷链产品),难以实时了解冷柜内货物所处的环境,难以保持货物的质量,并且在环境出现异常时,也难以使相关人员知晓,并采取相应措施。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供一种运输过程冷柜控制方法及系统,能够解决在运输过程中难以实时了解冷柜内的环境,难以保持货物的质量的技术问题。
根据本发明的第一方面,提供一种运输过程冷柜控制方法,包括:
获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
确定所述维持时间是否大于或等于所述剩余时间;
如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点。
根据本发明的第二方面,提供一种运输过程冷柜控制系统,包括:
获取模块,用于获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
路况模块,用于获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
剩余时间模块,用于根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
判断模块,用于确定所述维持时间是否大于或等于所述剩余时间;
运输温度评分模块,用于如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
运输湿度评分模块,用于根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
货物状态评分,用于根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
提示模块,用于根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点。
技术效果:根据本发明,可基于运输车辆在运输过程中获取的多种信息,来监测货物所处的环境,从而确定货物的状态,以提升货物在运输过程中的质量,如果状态出现异常,则可生成提示消息,提示相关人员采取措施。在确定货物状态时,可预测运输车辆到达下一站点时冷柜内的温度和湿度。在预测运输车辆到达下一站点时冷柜内的温度时,可通过多个时刻的温度误差来预测结束时刻的温度误差,从而判断温度预测模型的精度是否足够,在精度不足的情况下,可训练温度预测模型,从而提升对于结束时刻的温度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升温度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并提升结束时刻的温度的预测精度。在预测运输车辆到达下一站点时冷柜内的湿度时,可通过多个时刻的湿度误差来预测结束时刻的湿度误差,从而判断湿度预测模型的精度是否足够,在精度不足的情况下,可训练湿度预测模型,从而提升对于结束时刻的湿度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升湿度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并在训练过程中考虑温度对于湿度的影响,提升对于结束时刻的湿度的预测精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本发明。根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将更清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的实施例,
图1示例性地示出根据本发明实施例的运输过程冷柜控制方法的流程示意图;
图2示例性地示出根据本发明实施例的运输过程冷柜控制系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出根据本发明实施例的运输过程冷柜控制方法的流程示意图,所述方法包括:
步骤S101,获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
步骤S102,获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
步骤S103,根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
步骤S104,确定所述维持时间是否大于或等于所述剩余时间;
步骤S105,如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
步骤S106,根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
步骤S107,根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
步骤S108,根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点。
根据本发明的实施例的运输过程冷柜控制方法,可基于运输车辆在运输过程中获取的多种信息,来监测货物所处的环境,从而确定货物的状态,以提升货物在运输过程中的质量,如果状态出现异常,则可生成提示消息,提示相关人员采取措施。
根据本发明的一个实施例,在步骤S101中,可获取运输车辆自身的信息,例如,速度信息、位置信息和剩余能量信息(例如,剩余油量或剩余电量等),从而可获得运输车辆的行驶状态。并且,可获得运输车辆上承载的冷柜的状态信息,例如,温度信息和湿度信息,从而确定货物所处的环境状态,从而预测货物的状态。
根据本发明的一个实施例,在步骤S102中,可获得运输车辆的位置信息与下一站点之间的路径的路况信息,在示例中,如果路况良好(例如,拥堵较少、颠簸较少等)则车辆行驶速度可较快,颠簸较少,货物也可较长时间保持在较好的状态,反之,则行驶时间较长,货物也难以在较长的时间段内一直保持在较好的状态。
根据本发明的一个实施例,在步骤S103中,可确定运输车辆的速度信息,并基于运输车辆的当前的位置信息,以及与下一站点之间的路径的路况信息,来估计到达下一站点的剩余时间,例如,可基于路况信息来进行估计,如果距离下一站点的剩余路径的路况与当前路况相似,则可通过剩余路径的路程与速度信息之比来确定所述剩余时间。如果剩余路径的路况相比当前路况更差(例如,更拥堵,或者更颠簸等),则估算的剩余时间比以上情况更长,反之,剩余路径的路况相比当前路况更好(例如,拥堵缓解,或者从颠簸路段驶入平坦路段等),则估算的剩余时间比以上情况更短。以上对于剩余时间的估算仅为示例,还可通过其他方式估算剩余时间,本发明对此不做限制。
根据本发明的一个实施例,在步骤S104中,由于冷柜的环境需要使用运输车辆的能源来维持,例如,运输车辆为电动车辆,冷柜则需要电动车辆的电源提供电力来维持,又例如,运输车辆为燃油车辆,则冷柜需要燃油车辆将燃油转化为电能,并向冷柜中的制冷设备等提供电力来维持。可综合考虑运输车辆自身对能量的消耗,以及冷柜对能量的消耗,来确定维持冷柜环境状况的维持时间。
根据本发明的一个实施例,在步骤S105中,如果维持时间大于或等于所述剩余时间,则运输车辆不需要中途补充能源,即,不需要中途充电或加油,因此,可使用所述剩余时间作为参数,来预测运输车辆到达下一站点时冷柜内的预测温度,并确定运输温度评分,并预测运输车辆到达下一站点时冷柜内的预测湿度,并确定运输湿度评分。
根据本发明的一个实施例,在所述维持时间大于或等于所述剩余时间的情况下,可确定运输温度评分,步骤S105可包括:将所述剩余时间划分为n个时间段,并获取时刻的冷柜温度/>、/>时刻的冷柜温度/>和/>时刻的冷柜温度/>,其中,/>时刻为第1个时间段的开始时刻,/>时刻为第1个时间段的结束时刻,/>时刻为第2个时间段的结束时刻;将所述/>时刻的冷柜温度/>、/>时刻的冷柜温度/>输入温度预测模型,获得/>时刻的预测温度/>;确定/>时刻的温度误差/>,并根据/>时刻的温度误差/>,确定/>时刻的预测温度误差/>,其中,/>时刻为第n个时间段的结束时刻;在/>时刻的预测温度误差/>小于或等于温度误差阈值的情况下,通过所述温度预测模型,获得/>时刻的预测温度;在/>时刻的预测温度误差/>大于温度误差阈值的情况下,根据/>时刻的预测温度/>,/>时刻的冷柜温度/>,以及/>时刻的温度误差/>,确定/>时刻的温度损失函数/>;根据/>时刻的温度损失函数/>调整所述温度预测模型的参数,获得第1次调整后的温度预测模型;通过第j次调整后的温度预测模型,对/>时刻至/>时刻的冷柜温度进行处理,获得/>时刻的预测温度/>;获取/>时刻的冷柜温度/>,根据/>时刻的冷柜温度/>和/>时刻的预测温度/>,确定/>时刻的温度误差/>,并根据/>时刻的温度误差/>,确定/>时刻的预测温度误差/>;在/>时刻的预测温度误差/>大于误差阈值的情况下,根据各个时刻的温度误差,各个时刻的预测温度和冷柜温度,获得/>时刻的温度损失函数/>;根据/>时刻的温度损失函数/>调整所述温度预测模型的参数,获得第j+1次调整后的温度预测模型;在/>时刻的预测温度误差/>小于或等于温度误差阈值的情况下,通过第j次调整后的温度预测模型,获得/>时刻的预测温度;根据所述预测温度和设置温度,确定运输温度评分。
根据本发明的一个实施例,根据本发明的一个实施例,可将剩余时间划分为n个时间段,例如,剩余时间为2小时,共120分钟,按照每个时间段1分钟来划分,则可划分为120个时间段。并分别在时刻、/>时刻和/>时刻获取冷柜温度/>、/>和/>。
根据本发明的一个实施例,可通过温度预测模型来预测时刻的预测温度/>,并确定/>时刻的温度误差/>,即,/>与/>之间的误差。所述温度预测模型可以是深度学习神经网络模型,本发明对温度预测模型的类型不做限制。并且,由于冷柜的保温性能较好,货物产生的热量在冷柜内会累加,因此,在剩余时间结束的/>时刻,预测温度与实测温度之间的误差也会在每次测量时累加,且每次测量时误差会由于热量的累加而放大,即,由于每时每刻释放的热量均被保存在冷柜内,因此,冷柜内的热量会持续增多,基于相同的温度预测模型预测的结果会与累计热量后的实测结果的误差会越来越大。因此,可预计在/>时刻的预测温度误差/>,该误差可由公式(1)来表示,即,由逐步扩大的误差累加,而获得/>时刻的预测温度误差,
(1)
其中,为预设的误差扩大系数,/>>1。
根据本发明的一个实施例,如果时刻的预测温度误差小于或等于温度误差阈值,即,误差可接受,温度预测模型精度较高,则可直接使用温度预测模型的获得/>时刻的预测温度,即,剩余时间结束或车辆到达所述下一站点时冷柜内的预测温度。由于上述的预测温度误差为预测结果,并非真实结果,仅用来评判温度预测模型的准确性,因此,可在预测温度误差较小时,认为温度预测模型的准确性较高,并直接使用温度预测模型求解预测结果,并作为预测温度。
根据本发明的一个实施例,如果时刻的预测温度误差大于温度误差阈值,即,认为当前的温度预测模型的预测准确性不高,则可训练温度预测模型,使得温度预测模型的预测精度在短期内能够迅速上升。在/>时刻的预测温度误差/>大于温度误差阈值的情况下,根据/>时刻的预测温度/>,/>时刻的冷柜温度/>,以及/>时刻的温度误差/>,确定时刻的温度损失函数/>,包括:根据公式(2),确定/>时刻的温度损失函数LT2。
(2)
根据本发明的一个实施例,可通过公式(2)来确定时刻的温度损失函数/>,并基于该损失函数对温度预测模型进行第1次训练,得到温度预测模型。如果使用该温度预测模型的预测结果,确定的/>时刻的预测温度误差小于或等于温度误差阈值,则可不再调整,并使用该模型来预测/>时刻的预测温度。
根据本发明的一个实施例,如果模型训练后,时刻的预测温度误差仍然大于误差阈值则可继续调整。即,第j(j≥1,且j为正整数)次调整后,通过温度预测模型对/>时刻至/>时刻的冷柜温度(实测温度)进行处理,获得/>时刻的预测温度/>,并确定/>时刻的预测温度误差/>。根据/>时刻的温度误差/>,确定/>时刻的预测温度误差,包括:根据公式(3),确定/>时刻的预测温度误差/>。
(3)
根据本发明的一个实施例,可基于公式(3)来确定tn时刻的预测温度误差,即,由时刻的温度误差以及之后的预测误差(每一个在后时刻的预测温度误差为在前时刻的温度预测误差的α倍)累加得到/>时刻的预测温度误差。
根据本发明的一个实施例,如果时刻的预测温度误差小于或等于温度误差阈值,则可不再调整,使用该次训练后的温度预测模型获得/>时刻的预测温度,否则,可继续训练温度预测模型,获得第j+1次调整后的温度预测模型。在/>时刻的预测温度误差/>大于误差阈值的情况下,根据各个时刻的温度误差,各个时刻的预测温度和冷柜温度,获得时刻的温度损失函数/>,包括:根据公式(4),获得/>时刻的温度损失函数,
(4)
其中,和/>为预设系数,/>为/>时刻的预测温度,/>为/>时刻的温度误差,/>为/>时刻的冷柜温度,。
根据本发明的一个实施例,可根据公式(4)确定的损失函数继续调整温度预测模型,获得第j+1次调整后的温度预测模型。相对于公式(2),公式(4)将1与每个预测温度与实测温度的比值之差进行连乘,并在每个连乘项前乘以预设系数,/>可以是大于1的系数,从而可在每次连乘时放大连乘项,使损失函数对于连乘项的训练力度增大,加快训练速度。公式(4)还将每个温度误差进行累加,且为每个累加项乘以预设系数/>,/>可以是大于1的系数,从而可在每次累加时放大累加项,使损失函数对于累加项的训练力度增大,加快训练速度。因此,基于公式(4),可提升温度预测模型的训练速度,使其在短期内迅速提升预测精度,即,利用少数几次测量与预测结果,即可提升预测精度。
根据本发明的一个实施例,在迭代上述训练过程后,最终可获得可使得时刻的预测温度误差小于或等于温度误差阈值的温度预测模型,并使用此时的温度预测模型获得时刻的预测温度,进而可基于预测温度来求解运输温度评分。
根据本发明的一个实施例,根据预测温度和设置温度,可确定运输温度评分,例如,可利用预测温度和设置温度之差,除以设置温度,来确定预测温度与设置温度之间的偏差百分比,并可将该百分比作为运输温度评分。
通过这种方式,可通过多个时刻的温度误差来预测结束时刻的温度误差,从而判断温度预测模型的精度是否足够,在精度不足的情况下,可训练温度预测模型,从而提升对于结束时刻的温度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升温度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并提升结束时刻的温度的预测精度。
根据本发明的一个实施例,在步骤S106中,可确定运输湿度评分,并且在确定运输湿度评分的过程中考虑冷柜内温度对于湿度的影响。步骤S106包括:获取时刻的冷柜湿度/>、/>时刻的冷柜湿度/>和/>时刻的冷柜湿度/>;将所述/>时刻的冷柜湿度/>、/>时刻的冷柜湿度/>、所述/>时刻的冷柜温度/>和/>时刻的冷柜温度/>输入湿度预测模型,获得/>时刻的预测湿度/>;确定/>时刻的湿度误差/>,并根据/>时刻的湿度误差/>,确定/>时刻的预测湿度误差/>;在/>时刻的预测湿度误差/>小于或等于湿度误差阈值的情况下,通过所述湿度预测模型,获得/>时刻的预测湿度;在/>时刻的预测湿度误差大于湿度误差阈值的情况下,根据/>时刻的温度误差/>,/>时刻的冷柜湿度/>,/>时刻的预测湿度/>,和/>时刻的冷柜温度/>,获得/>时刻的湿度损失函数/>;根据/>时刻的湿度损失函数/>调整所述湿度预测模型的参数,获得第1次调整后的湿度预测模型;通过所述第j次调整后的湿度预测模型,对/>时刻至/>时刻的冷柜湿度和冷柜温度/>进行处理,获得/>时刻的预测湿度/>;获取/>时刻的冷柜湿度/>,并确定/>时刻的湿度误差/>,并根据/>时刻的湿度误差/>,确定/>时刻的预测湿度误差/>;在/>时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据多个时刻的冷柜湿度,多个时刻的预测湿度,多个时刻的冷柜温度,多个时刻的湿度误差,确定/>时刻的湿度损失函数/>;根据时刻的湿度损失函数/>调整所述湿度预测模型的参数,获得第j+1次调整后的湿度预测模型;在/>时刻的预测湿度误差/>小于或等于湿度误差阈值的情况下,通过第j次调整后的湿度预测模型,获得/>时刻的预测湿度;根据所述预测湿度和设置湿度,确定运输湿度评分。
根据本发明的一个实施例,可获取时刻的冷柜湿度/>和冷柜温度/>、/>时刻的冷柜湿度/>和冷柜温度/>,以及/>时刻的冷柜湿度/>。并可通过湿度预测模型来预测/>时刻的预测湿度/>,并确定/>时刻的湿度误差/>,即,/>与/>之间的误差。所述湿度预测模型可以是深度学习神经网络模型,本发明对湿度预测模型的类型不做限制。并且,由于冷柜的密闭性能较好,货物融化产生的水汽在冷柜内会累加,因此,在剩余时间结束的/>时刻,预测湿度与实测湿度之间的误差也会在每次测量时累加,且每次测量时误差会由于水汽的累加而放大,即,由于每时每刻产生的水汽均被保存在冷柜内,因此,冷柜内的水汽会持续增多,基于相同的湿度预测模型预测的结果会与累计水汽后的实测结果的误差会越来越大。因此,可预计在/>时刻的预测湿度误差,该误差可由公式(5)来表示,即,由逐步扩大的误差累加,而获得tn时刻的预测湿度误差/>,
(5)
其中,为预设的误差扩大系数,/>>1。
根据本发明的一个实施例,如果时刻的预测湿度误差小于或等于湿度误差阈值,即,误差可接受,湿度预测模型的精度较高,则可直接使用湿度预测模型确定/>时刻的预测温度,即,剩余时间结束或车辆到达所述下一站点时冷柜内的预测湿度。由于上述的预测湿度误差为预测结果,并非真实结果,仅用来评判湿度预测模型的准确性,因此,可在预测湿度误差较小时,认为湿度预测模型的准确性较高,并直接使用湿度预测模型的预测结果作为预测湿度。
根据本发明的一个实施例,如果时刻的预测湿度误差大于湿度误差阈值,即,认为当前的湿度预测模型的预测准确性不高,则可训练湿度预测模型,使得湿度预测模型的预测精度在短期内能够迅速上升。在/>时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据/>时刻的温度误差/>,/>时刻的冷柜湿度/>,/>时刻的预测湿度/>,和/>时刻的冷柜温度/>,获得/>时刻的湿度损失函数/>,包括:根据公式(6),获得/>时刻的湿度损失函数/>,
(6)
其中,为对所述湿度预测模型的输出信息进行解码获得的/>时刻的预测温度,/>。
根据本发明的一个实施例,可基于该损失函数对温度预测模型进行第1次训练,得到湿度预测模型。如果使用该湿度预测模型的预测结果,确定的时刻的预测湿度误差小于或等于湿度误差阈值,则可不再调整,并使用该模型来预测/>时刻的预测湿度。在公式(6)中,除了湿度误差外,还考虑了实测温度与预测温度时间的误差,由于温度越高,则货物融化速度越快,湿度的上升速度越快,因此,温度对于湿度会产生一定影响,因此,可在公式(6)中以乘积的形式来表示温度的误差对于湿度误差扩大的影响,从而使得公式(6)表达的时刻的湿度损失函数更准确和客观。
根据本发明的一个实施例,如果模型训练后,时刻的预测湿度误差仍然大于误差阈值则可继续调整。即,第j(j≥1且j为正整数)次调整后,通过湿度预测模型对/>时刻至时刻的冷柜湿度(实测湿度)和冷柜温度(实测温度)进行处理,获得/>时刻的预测湿度/>,并可预测/>时刻的预测湿度误差/>。
根据本发明的一个实施例,根据时刻的湿度误差/>,确定/>时刻的预测湿度误差/>,包括:根据公式(7),确定/>时刻的预测湿度误差/>。
(7)
根据本发明的一个实施例,基于公式(7)可确定时刻的预测湿度误差,即,由时刻的湿度误差以及之后的预测误差(每一个在后时刻的预测湿度误差为在前时刻的湿度预测误差的/>倍)累加得到/>时刻的预测湿度误差。
根据本发明的一个实施例,如果时刻的预测湿度误差小于或等于湿度误差阈值,则可不再调整,使用该次训练后的湿度预测模型获得/>时刻的预测湿度,否则,可继续训练湿度预测模型。
根据本发明的一个实施例,在时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据多个时刻的冷柜湿度,多个时刻的预测湿度,多个时刻的冷柜温度,多个时刻的湿度误差,确定/>时刻的湿度损失函数/>,包括:根据公式(8),确定/>时刻的湿度损失函数/>,
(8)
其中,为/>时刻的预测湿度,/>为/>时刻的湿度误差,/>为对所述湿度预测模型的输出信息进行解码获得的/>时刻的预测温度,/>为/>时刻的冷柜温度,/>为/>时刻的冷柜湿度,/>和/>为预设系数,/>。
根据本发明的一个实施例,可根据公式(8)确定的损失函数继续调整湿度预测模型,获得第j+1次调整后的湿度预测模型。相对于公式(6),公式(8)将1与每个预测湿度与实测湿度的比值之差进行连乘,并在每个连乘项前乘以预设系数,/>可以是大于1的系数,从而可在每次连乘时放大连乘项,使损失函数对于连乘项的训练力度增大,加快训练速度,并且,还可考虑温度对于湿度的影响,使每个连乘项乘以1减去预测温度与实测温度的比值,使得公式(8)可表示温度对于湿度增大的影响。公式(8)还将每个湿度误差进行累加,且为每个累加项乘以预设系数/>,/>可以是大于1的系数,从而可在每次累加时放大累加项,使损失函数对于累加项的训练力度增大,加快训练速度,并且,还可使每个累加项乘以每个时刻的温度误差,以表示温度对于湿度增大的影响。因此,基于公式(8),可提升湿度预测模型的训练速度,使其在短期内迅速提升预测精度,即,利用少数几次测量与预测结果,即可提升预测精度,还可表示温度对于湿度的影响,在训练湿度预测模型时考虑温度因素,提升预测精度。
根据本发明的一个实施例,在迭代上述训练过程后,可获得精度足够的适度预测模型,使得时刻的预测湿度误差小于或等于湿度误差阈值,并使用此时的湿度预测模型预测/>时刻的预测湿度。
根据本发明的一个实施例,根据预测湿度和设置湿度,可确定运输湿度评分,例如,可利用预测湿度和设置湿度之差,除以设置湿度,来确定预测湿度与设置湿度之间的偏差百分比,并可将该百分比作为运输湿度评分。
通过这种方式,可通过多个时刻的湿度误差来预测结束时刻的湿度误差,从而判断湿度预测模型的精度是否足够,在精度不足的情况下,可训练湿度预测模型,从而提升对于结束时刻的湿度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升湿度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并在训练过程中考虑温度对于湿度的影响,提升对于结束时刻的湿度的预测精度。
根据本发明的一个实施例,在步骤S107中,可将运输温度评分和运输湿度评分进行加权求和,并通过1减去该求和结果,获得货物状态评分,使得货物状态评分越高,则预测温度与设置温度的偏差越小,且预测湿度与设置湿度的偏差也越小,货物的状态越好,即,能够以较小的误差保持温度和湿度,保持货物的质量。反之,则货物状态较差,可能无法保持预设的温度或湿度。
根据本发明的一个实施例,在步骤S108中,如果货物状态较差,则可生成提示消息,发送至下一站点,以提示提示下一站点的工作人员接车,或携带燃油、电池等能源接应运输车辆等,还可发送至运输车辆,以提示驾驶员充电或加油等。
根据本发明的一个实施例,如果所述维持时间小于所述剩余时间,则可预测加油或充电时长,并将加油或充电时长合并至所述剩余时间之内,再运行上述处理步骤。
根据本发明的实施例的运输过程冷柜控制方法,可基于运输车辆在运输过程中获取的多种信息,来监测货物所处的环境,从而确定货物的状态,以提升货物在运输过程中的质量,如果状态出现异常,则可生成提示消息,提示相关人员采取措施。在确定货物状态时,可预测运输车辆到达下一站点时冷柜内的温度和湿度。在预测运输车辆到达下一站点时冷柜内的温度时,可通过多个时刻的温度误差来预测结束时刻的温度误差,从而判断温度预测模型的精度是否足够,在精度不足的情况下,可训练温度预测模型,从而提升对于结束时刻的温度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升温度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并提升结束时刻的温度的预测精度。在预测运输车辆到达下一站点时冷柜内的湿度时,可通过多个时刻的湿度误差来预测结束时刻的湿度误差,从而判断湿度预测模型的精度是否足够,在精度不足的情况下,可训练湿度预测模型,从而提升对于结束时刻的湿度的预测精度,在训练过程中,可通过大于1的预设系数来放大损失函数的连乘项和累加项,从而提升湿度预测模型的训练速度,使其在短期内迅速提升预测精度,提升训练效率,并在训练过程中考虑温度对于湿度的影响,提升对于结束时刻的湿度的预测精度。
图2示例性地示出根据本发明实施例的运输过程冷柜控制系统的框图,所述系统包括:
获取模块,用于获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
路况模块,用于获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
剩余时间模块,用于根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
判断模块,用于确定所述维持时间是否大于或等于所述剩余时间;
运输温度评分模块,用于如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
运输湿度评分模块,用于根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
货物状态评分,用于根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
提示模块,用于根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点。
根据本发明的一个实施例,提供一种运输过程冷柜控制设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行所述运输过程冷柜控制方法。
根据本发明的一个实施例,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现所述运输过程冷柜控制方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种运输过程冷柜控制方法,其特征在于,包括:
获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
确定所述维持时间是否大于或等于所述剩余时间;
如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点;
如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分,包括:
将所述剩余时间划分为n个时间段,并获取 时刻的冷柜温度/>、/>时刻的冷柜温度和/>时刻的冷柜温度/>,其中,/>时刻为第1个时间段的开始时刻,/>时刻为第1个时间段的结束时刻,/>时刻为第2个时间段的结束时刻;
将所述时刻的冷柜温度/>、/>时刻的冷柜温度/>输入温度预测模型,获得/>时刻的预测温度/>;
确定时刻的温度误差/>,并根据/>时刻的温度误差/>,确定/>时刻的预测温度误差/>,其中,/>时刻为第n个时间段的结束时刻;
在时刻的预测温度误差/>小于或等于温度误差阈值的情况下,通过所述温度预测模型,获得/>时刻的预测温度;
在时刻的预测温度误差/>大于温度误差阈值的情况下,根据/>时刻的预测温度,/>时刻的冷柜温度/>,以及/>时刻的温度误差/>,确定/>时刻的温度损失函数;
根据时刻的温度损失函数/>调整所述温度预测模型的参数,获得第1次调整后的温度预测模型;
通过第j次调整后的温度预测模型,对时刻至/>时刻的冷柜温度进行处理,获得/>时刻的预测温度/>;
获取时刻的冷柜温度/>,根据/>时刻的冷柜温度/>和/>时刻的预测温度/>,确定/>时刻的温度误差/>,并根据/>时刻的温度误差/>,确定/>时刻的预测温度误差/>;
在时刻的预测温度误差/>大于误差阈值的情况下,根据各个时刻的温度误差,各个时刻的预测温度和冷柜温度,获得/>时刻的温度损失函数/>;
根据时刻的温度损失函数/>调整所述温度预测模型的参数,获得第j+1次调整后的温度预测模型;
在时刻的预测温度误差/>小于或等于温度误差阈值的情况下,通过第j次调整后的温度预测模型,获得/>时刻的预测温度;
根据所述预测温度和设置温度,确定运输温度评分。
2.根据权利要求1所述的运输过程冷柜控制方法,其特征在于,在时刻的预测温度误差/>大于温度误差阈值的情况下,根据/>时刻的预测温度/>,/>时刻的冷柜温度/>,以及/>时刻的温度误差/>,确定/>时刻的温度损失函数/>,包括:
根据公式,确定/>时刻的温度损失函数LT2。
3.根据权利要求1所述的运输过程冷柜控制方法,其特征在于,根据tj+2时刻的温度误差,确定/>时刻的预测温度误差/>,包括:
根据公式,确定/>时刻的预测温度误差/>,/>为预设的误差扩大系数,/>>1。
4.根据权利要求1所述的运输过程冷柜控制方法,其特征在于,在时刻的预测温度误差/>大于误差阈值的情况下,根据各个时刻的温度误差,各个时刻的预测温度和冷柜温度,获得/>时刻的温度损失函数/>,包括:
根据公式,获得/>时刻的温度损失函数,其中,/>和/>为预设系数,/>为/>时刻的预测温度,/>为/>时刻的冷柜温度,/>为/>时刻的温度误差。
5.根据权利要求1所述的运输过程冷柜控制方法,其特征在于,根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分,包括:
获取时刻的冷柜湿度/>、/>时刻的冷柜湿度/>和/>时刻的冷柜湿度/>;
将所述时刻的冷柜湿度/>、/>时刻的冷柜湿度/>、所述/>时刻的冷柜温度/>和/>时刻的冷柜温度/>输入湿度预测模型,获得/>时刻的预测湿度/>;
确定时刻的湿度误差/>,并根据/>时刻的湿度误差/>,确定/>时刻的预测湿度误差/>;
在时刻的预测湿度误差/>小于或等于湿度误差阈值的情况下,通过所述湿度预测模型,获得/>时刻的预测湿度;
在时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据/>时刻的温度误差,/>时刻的冷柜湿度/>,/>时刻的预测湿度/>,和/>时刻的冷柜温度/>,获得/>时刻的湿度损失函数/>;
根据时刻的湿度损失函数/>调整所述湿度预测模型的参数,获得第1次调整后的湿度预测模型;
通过所述第j次调整后的湿度预测模型,对时刻至/>时刻的冷柜湿度和冷柜温度/>进行处理,获得/>时刻的预测湿度/>;
获取时刻的冷柜湿度/>,并确定/>时刻的湿度误差/>,并根据/>时刻的湿度误差/>,确定/>时刻的预测湿度误差/>;
在时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据多个时刻的冷柜湿度,多个时刻的预测湿度,多个时刻的冷柜温度,多个时刻的湿度误差,确定/>时刻的湿度损失函数/>;
根据时刻的湿度损失函数/>调整所述湿度预测模型的参数,获得第j+1次调整后的湿度预测模型;
在时刻的预测湿度误差/>小于或等于湿度误差阈值的情况下,通过第j次调整后的湿度预测模型,获得/>时刻的预测湿度;
根据所述预测湿度和设置湿度,确定运输湿度评分。
6.根据权利要求5所述的运输过程冷柜控制方法,其特征在于,在时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据/>时刻的温度误差/>,/>时刻的冷柜湿度/>,时刻的预测湿度/>,和/>时刻的冷柜温度/>,获得/>时刻的湿度损失函数/>,包括:
根据公式,获得/>时刻的湿度损失函数/>,其中,/>为对所述湿度预测模型的输出信息进行解码获得的t2时刻的预测温度,。
7.根据权利要求5所述的运输过程冷柜控制方法,其特征在于,根据时刻的湿度误差/>,确定/>时刻的预测湿度误差/>,包括:
根据公式,确定/>时刻的预测湿度误差/>,其中,/>为预设的误差扩大系数,/>>1。
8.根据权利要求5所述的运输过程冷柜控制方法,其特征在于,在时刻的预测湿度误差/>大于湿度误差阈值的情况下,根据多个时刻的冷柜湿度,多个时刻的预测湿度,多个时刻的冷柜温度,多个时刻的湿度误差,确定/>时刻的湿度损失函数/>,包括:
根据公式,确定/>时刻的湿度损失函数/>,其中,/>为/>时刻的预测湿度,/>为/>时刻的湿度误差,/>为对所述湿度预测模型的输出信息进行解码获得的/>时刻的预测温度,/>为/>时刻的冷柜温度,/>为/>时刻的冷柜湿度,/>和/>为预设系数,/>。
9.一种实施权利要求 1至8中任一所述运输过程冷柜控制方法的系统,其特征在于,包括:
获取模块,用于获取运输车辆的速度信息、位置信息、剩余能量信息,以及冷柜的温度信息、湿度信息,其中,所述剩余能量信息表示所述运输车辆的剩余电量或剩余油量能够维持冷柜的环境状况的维持时间;
路况模块,用于获取所述运输车辆的位置信息与下一站点之间的路径的路况信息;
剩余时间模块,用于根据所述速度信息、所述位置信息和所述路况信息,确定所述运输车辆到达下一站点的剩余时间;
判断模块,用于确定所述维持时间是否大于或等于所述剩余时间;
运输温度评分模块,用于如果所述维持时间大于或等于所述剩余时间,根据所述温度信息和所述剩余时间,确定运输温度评分;
运输湿度评分模块,用于根据所述湿度信息、所述温度信息和所述剩余时间,确定运输湿度评分;
货物状态评分,用于根据所述运输温度评分和所述运输湿度评分,确定货物状态评分;
提示模块,用于根据所述货物状态评分,生成提示消息,并发送至所述运输车辆和所述下一站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294256.3A CN117021897B (zh) | 2023-10-09 | 2023-10-09 | 运输过程冷柜控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311294256.3A CN117021897B (zh) | 2023-10-09 | 2023-10-09 | 运输过程冷柜控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117021897A CN117021897A (zh) | 2023-11-10 |
CN117021897B true CN117021897B (zh) | 2023-12-12 |
Family
ID=88635869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311294256.3A Active CN117021897B (zh) | 2023-10-09 | 2023-10-09 | 运输过程冷柜控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117021897B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852107A (zh) * | 2012-12-05 | 2014-06-11 | 上海清美绿色食品有限公司 | 生鲜食品物流用远程温湿传感系统 |
CN206178381U (zh) * | 2016-09-20 | 2017-05-17 | 李勇 | 基于wifi冷藏车智能温湿度监控系统 |
CN109073316A (zh) * | 2016-03-28 | 2018-12-21 | 开利公司 | 运输制冷单元的自动诊断 |
EP3647087A1 (en) * | 2018-11-01 | 2020-05-06 | Thermo King Corporation | Method and system for predicting stored energy consumption of a transport refrigeration system |
CN116753662A (zh) * | 2023-08-16 | 2023-09-15 | 江苏星星冷链科技有限公司 | 冷柜分区控制方法及系统 |
-
2023
- 2023-10-09 CN CN202311294256.3A patent/CN117021897B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852107A (zh) * | 2012-12-05 | 2014-06-11 | 上海清美绿色食品有限公司 | 生鲜食品物流用远程温湿传感系统 |
CN109073316A (zh) * | 2016-03-28 | 2018-12-21 | 开利公司 | 运输制冷单元的自动诊断 |
CN206178381U (zh) * | 2016-09-20 | 2017-05-17 | 李勇 | 基于wifi冷藏车智能温湿度监控系统 |
EP3647087A1 (en) * | 2018-11-01 | 2020-05-06 | Thermo King Corporation | Method and system for predicting stored energy consumption of a transport refrigeration system |
CN116753662A (zh) * | 2023-08-16 | 2023-09-15 | 江苏星星冷链科技有限公司 | 冷柜分区控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117021897A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108172930B (zh) | 电池包冷却控制方法、装置和电池包 | |
CN107000599B (zh) | 电池组系统的冷却策略 | |
US9533597B2 (en) | Parameter identification offloading using cloud computing resources | |
WO2022076146A1 (en) | Supplying power to an electric vehicle | |
CN112490540B (zh) | 动力电池系统及其温度控制方法、装置、介质及处理器 | |
CN106483470B (zh) | 一种基于未来运行工况预测的电池剩余放电能量预测方法 | |
US9446678B2 (en) | Battery model with robustness to cloud-specific communication issues | |
CN106515478A (zh) | 电动汽车剩余行驶里程在线预测方法及装置 | |
US20120158228A1 (en) | Method and System for Conditioning an Energy Storage System (ESS) for a Vehicle | |
CN105842626A (zh) | 用于控制和/或调节电能蓄能器的运行参数方法和设备 | |
Qi et al. | A novel blended real-time energy management strategy for plug-in hybrid electric vehicle commute trips | |
US11807213B2 (en) | Method for managing the state of charge of a hybrid vehicle | |
US20180111504A1 (en) | Monitoring device of fuel cell, control device of fuel cell, and monitoring method of fuel cell | |
US20180111503A1 (en) | Energy consumption predicting device and energy consumption predicting method | |
Huang et al. | An adaptive model predictive controller for a novel battery-powered anti-idling system of service vehicles | |
US20190286079A1 (en) | Motor vehicle cooling control system and method | |
JP2011217549A (ja) | バッテリ充電制御装置 | |
JP2019161791A (ja) | 二次電池の温度制御システム及び温度制御方法 | |
Pham et al. | Integrated energy and thermal management for hybrid electric heavy duty trucks | |
CN117021897B (zh) | 运输过程冷柜控制方法及系统 | |
US9739835B2 (en) | Method for estimating power of fuel cell | |
JP2018156866A (ja) | 温度管理装置 | |
CN116753662B (zh) | 冷柜分区控制方法及系统 | |
WO2021098026A1 (zh) | 一种动力电池热管理控制系统 | |
WO2021006860A1 (en) | Method and apparatus for estimating a state of health of a battery |
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 |