DE102020117880A1 - Method for optimizing an electrical system using a particle swarm optimization algorithm - Google Patents
Method for optimizing an electrical system using a particle swarm optimization algorithm Download PDFInfo
- Publication number
- DE102020117880A1 DE102020117880A1 DE102020117880.8A DE102020117880A DE102020117880A1 DE 102020117880 A1 DE102020117880 A1 DE 102020117880A1 DE 102020117880 A DE102020117880 A DE 102020117880A DE 102020117880 A1 DE102020117880 A1 DE 102020117880A1
- Authority
- DE
- Germany
- Prior art keywords
- particle swarm
- optimization algorithm
- swarm optimization
- search space
- particles
- 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.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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]
Abstract
Die Erfindung betrifft ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus (1), wobei ein Modell des elektrischen Systems mit einer Mehrzahl systemspezifischer Modellparameter in dem Partikelschwarm-Optimierungsalgorithmus (1) abgebildet wird und zumindest einer der Modellparameter als zu optimierende Größe ausgewählt wird, wobei der Partikelschwarm-Optimierungsalgorithmus (1) iterativ ausgeführt wird und einen virtuellen festen Suchraum (2) und einen realen dynamischen Suchraum (3) für die Partikel aufweist, welcher bei jedem Iterationsschritt geändert wird und wobei diejenigen Partikel des Partikelschwarms, welche ein vordefiniertes Leistungskriterium nicht erfüllen, vor der Ausführung eines nächsten Iterationsschritts aus dem Partikelschwarm-Optimierungsalgorithmus (1) entfernt werden.The invention relates to a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm (1), a model of the electrical system having a plurality of system-specific model parameters being used in the particle swarm optimization algorithm ( 1) is mapped and at least one of the model parameters is selected as the variable to be optimized, with the particle swarm optimization algorithm (1) being executed iteratively and having a virtual fixed search space (2) and a real dynamic search space (3) for the particles, which at is changed at each iteration step and wherein those particles of the particle swarm which do not meet a predefined performance criterion are removed from the particle swarm optimization algorithm (1) before the execution of a next iteration step.
Description
Die vorliegende Erfindung betrifft ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus.The present invention relates to a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm.
Die Verwendung von Partikelschwarm-Optimierungsalgorithmen zur Optimierung von Systemparametern ganz unterschiedlicher Systeme ist aus dem Stand der Technik grundsätzlich bekannt. Zu nennen sind in diesem Zusammenhang zum Beispiel die
Es existiert bereits eine Vielzahl von Algorithmen-Typen, die auf dem Prinzip der Schwarmintelligenz basieren. Ein Hauptproblem derartiger Algorithmen besteht insbesondere darin, dass diese durch eine vorzeitige Konvergenz oder eine geringe Diversität in einem lokalen Minimum oder Maximum einer Fehlerfunktion stecken bleiben, oder dass sie die Extrempunkte nicht mit der gewünschten Genauigkeit erreichen.A large number of algorithm types based on the principle of swarm intelligence already exist. A main problem of such algorithms is that they get stuck in a local minimum or maximum of an error function due to premature convergence or low diversity, or that they do not reach the extreme points with the desired accuracy.
Die vorliegende Erfindung macht es sich zur Aufgabe, ein verbessertes Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus zur Verfügung zu stellen.The object of the present invention is to provide an improved method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm.
Die Lösung dieser Aufgabe liefert ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus mit den Merkmalen des Anspruchs 1. Die Unteransprüche betreffen vorteilhafte Weiterbildungen der Erfindung.The solution to this problem is provided by a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm with the features of
Bei einem erfindungsgemäßen Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus ist vorgesehen, dass ein Modell des elektrischen Systems mit einer Mehrzahl systemspezifischer Modellparameter in dem Partikelschwarm-Optimierungsalgorithmus abgebildet wird und zumindest einer der Modellparameter als zu optimierende Größe ausgewählt wird, wobei der Partikelschwarm-Optimierungsalgorithmus iterativ ausgeführt wird und einen virtuellen festen Suchraum und einen realen dynamischen Suchraum für die Partikel aufweist, welcher bei jedem Iterationsschritt geändert wird, und wobei diejenigen Partikel des Partikelschwarms, welche ein vordefiniertes Leistungskriterium nicht erfüllen, vor der Ausführung eines nächsten Iterationsschritts aus dem Partikelschwarm-Optimierungsalgorithmus entfernt werden. Das erfindungsgemäße Verfahren verbessert insbesondere das Konvergenzverhalten des Partikelschwarm-Optimierungsalgorithmus und bietet den Vorteil, dass es Rechenzeit einspart und dass der RAM-Speicherbedarf einer Recheneinrichtung, mittels derer das computerimplementierte Verfahren ausgeführt wird, verringert werden kann.In a method according to the invention for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm, it is provided that a model of the electrical system with a plurality of system-specific model parameters is mapped in the particle swarm optimization algorithm and at least one of the model parameters is selected as the variable to be optimized, with the particle swarm optimization algorithm being executed iteratively and having a virtual fixed search space and a real dynamic search space for the particles, which is changed with each iteration step, and with those particles of the particle swarm which a do not meet a predefined performance criterion, are removed from the particle swarm optimization algorithm before executing a next iteration step. The method according to the invention improves in particular the convergence behavior of the particle swarm optimization algorithm and offers the advantage that it saves computing time and that the RAM memory requirement of a computing device by means of which the computer-implemented method is executed can be reduced.
Mittels des Partikelschwarm-Optimierungsalgorithmus zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, wird nach dem Vorbild eines biologischen Schwarmverhaltens eine Lösung für das Optimierungsproblem gesucht. Der Partikelschwarm bildet dabei eine Population von Lösungskandidaten (Partikeln) für das zu lösende Optimierungsproblem des elektrischen Systems. Erfindungsgemäß wird dabei zusätzlich zu einem virtuellen festen Suchraum für die Partikel des Partikelscharms ein realer dynamischer Suchraum zur Verfügung gestellt, wobei in jedem Iterationsschritt vorzugsweise eine Skalierung zwischen dem dynamischen Suchraum und dem festen Suchraum vorgenommen wird und die Nachbarschaftsbeziehungen der Partikel innerhalb des Partikelschwarms neu definiert werden.Using the particle swarm optimization algorithm for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, a solution to the optimization problem is sought on the model of biological swarm behavior. The particle swarm forms a population of solution candidates (particles) for the optimization problem to be solved for the electrical system. According to the invention, in addition to a virtual fixed search space for the particles of the particle swarm, a real dynamic search space is made available, with scaling between the dynamic search space and the fixed search space preferably being carried out in each iteration step and the neighboring relationships of the particles within the particle swarm being redefined .
Diejenigen Partikel des Partikelschwarms, welche die vordefinierten Erwartungen durch Nichterreichen des vordefinierten Leistungskriteriums nicht erfüllen, werden vor einem nachfolgenden Iterationsschritt gezielt aus dem Partikelschwarm-Optimierungsalgorithmus entfernt. Dadurch kann das Konvergenzverhalten des Partikelschwarm-Optimierungsalgorithmus wirksam verbessert werden. Ferner kann durch das gezielte Entfernen von Partikeln in vorteilhafter Weise Rechenleistung eingespart werden.Those particles of the particle swarm that do not meet the predefined expectations by not meeting the predefined performance criterion are specifically removed from the particle swarm optimization algorithm before a subsequent iteration step. This allows the convergence behavior of the particle swarm-Optimie algorithm can be effectively improved. Furthermore, the targeted removal of particles can advantageously save computing power.
In einer vorteilhaften Ausführungsform kann der Kommunikationsgraph zwischen den Partikeln und zwischen den Partikelgruppen bei jeder Iteration geändert werden. Auf diese Weise wird eine bessere Suchraumerkundung erreicht, so dass ein Steckenbleiben in einem lokalen Optimum (also einem lokalen Extremwert) wirksam verhindert werden kann. Dabei wird bei jedem Iterationsschritt eine Anzahl von Partikeln (fest oder dynamisch) von jeder Partikelgruppe ausgewählt, um eine Bindung zwischen den Partikelgruppen zu bilden. Ebenso wird bei jedem Iterationsschritt eine Art der Kommunikation zwischen den Partikelgruppen und den Partikeln innerhalb der Partikelgruppen ausgewählt, die von Anfang an festgelegt oder auch dynamisch veränderbar sein kann. Beispielsweise kann zwischen mehreren Typen, wie zum Beispiel einem Ring-Typ, einem Stern-Typ, einem von Neumann-Typ usw., gewählt werden.In an advantageous embodiment, the communication graph between particles and between particle groups can be changed at each iteration. In this way, a better search space exploration is achieved, so that getting stuck in a local optimum (ie a local extreme value) can be effectively prevented. At each iteration, a number of particles (fixed or dynamic) are selected from each particle group to form a bond between the particle groups. Likewise, with each iteration step, a type of communication between the particle groups and the particles within the particle groups is selected, which can be fixed from the start or can also be dynamically changed. For example, one can choose between several types, such as a ring type, a star type, a von Neumann type, etc.
In einer bevorzugten Ausführungsform wird vorgeschlagen, dass der geänderte dynamische Suchraum zumindest in Grenzen abhängig von einer Fehlervariation modifiziert wird und gleichzeitig an einer global besten Position neu zentriert wird. Diese Maßnahme führt ebenfalls zu einem weiter verbesserten Konvergenzverhalten.In a preferred embodiment it is proposed that the changed dynamic search space is modified at least within limits depending on an error variation and at the same time is re-centered at a globally best position. This measure also leads to a further improved convergence behavior.
In einer besonders vorteilhaften Ausführungsform besteht die Möglichkeit, dass der Partikelschwarm-Optimierungsalgorithmus bei jeder Iteration eine Skalierung zwischen dem festen und dem dynamischen (variablen) Suchraum durchführt. Durch diese Maßnahme ist es möglich, die Effizienz und die Ausbeute des Partikelschwarm-Optimierungsalgorithmus in vorteilhafter Weise weiter zu verbessern.In a particularly advantageous embodiment, there is the possibility that the particle swarm optimization algorithm carries out a scaling between the fixed and the dynamic (variable) search space in each iteration. This measure makes it possible to advantageously further improve the efficiency and yield of the particle swarm optimization algorithm.
Beispielsweise kann in einer Ausführungsform mittels des Verfahrens ein Klauenpolgenerator optimiert werden.For example, in one embodiment, a claw-pole generator can be optimized using the method.
In einer weiteren Ausführungsform besteht die Möglichkeit, dass mittels des Verfahrens eine Batterie oder ein Akkumulator optimiert wird.In a further embodiment, there is the possibility that a battery or an accumulator is optimized by means of the method.
Ferner kann in einer Ausführungsform vorgesehen sein, dass mittels des Verfahrens ein Gleichspannungswandler optimiert wird.Furthermore, in one embodiment it can be provided that a DC voltage converter is optimized by means of the method.
Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele unter Bezugnahme auf die beiliegenden Abbildungen. Dabei zeigen
-
1 eine schematische Darstellung, welche den grundlegenden Ablauf eines Verfahrens zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus zeigt, -
2 eine Darstellung, welche die Kommunikation zwischen Partikeln einer Partikelgruppe und die Kommunikation zwischen mehreren Partikelgruppen veranschaulicht.
-
1 a schematic representation showing the basic sequence of a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm, -
2 a representation that illustrates the communication between particles of a particle group and the communication between multiple particle groups.
Unter Bezugnahme auf
Der Partikelschwarm-Optimierungsalgorithmus 1 wird iterativ ausgeführt und weist einen virtuellen festen Suchraum 2 für die Partikel des Partikelschwarms und zusätzlich einen realen dynamischen Suchraum 3 auf, welcher bei jedem Iterationsschritt geändert wird. Der neue Suchraum wird zumindest in Grenzen abhängig von der Fehlervariation modifiziert und wird gleichzeitig an der global besten Position neu zentriert. Bei jeder Iteration führt der Partikelschwarm-Optimierungsalgorithmus 1 vorzugsweise eine Skalierung 4 zwischen dem festen Suchraum 2 und dem dynamischen (variablen) Suchraum 3 durch. Diese Verbesserung trägt in vorteilhafter Weise dazu bei, eine gute Effizienz und Ausbeute zu erhalten. Vorzugsweise werden auch die Nachbarschaftsbeziehungen der Partikel innerhalb einzelner Partikelgruppen 10, 11, 12 des Partikelschwarms und die Nachbarschaftsbeziehungen zwischen den einzelnen Partikelgruppen 10, 11, 12 bei jedem Iterationsschritt neu definiert.The particle
Vorzugsweise wird ein bestimmter Prozentsatz der Partikel auf Basis eines vordefinierten Leistungskriteriums eliminiert, so dass eine schnellere Konvergenz des Partikelschwarm-Optimierungsalgorithmus 1 erreicht werden kann. Dabei werden solche Partikel, welche die Erwartungen in einem vorhergehenden Iterationsschritt durch Nichterreichen des vordefinierten Leistungskriteriums nicht erfüllt haben, im nächsten Iterationsschritt eliminiert, wohingegen solche Partikel, welche die Erwartungen in dem betreffenden Iterationsschritt erfüllt haben, im nachfolgenden Iterationsschritt weiterhin berücksichtigt werden. Diese Maßnahme wirkt sich vorteilhaft auf das Konvergenzverhalten und somit auch auf die benötigte Rechenzeit bei der Ausführung des Partikelschwarm-Optimierungsalgorithmus 1 aus.A certain percentage of the particles is preferably eliminated on the basis of a predefined performance criterion, so that a faster convergence of the particle
In
Mittels des hier vorgestellten Verfahrens können ganz unterschiedliche elektrische Systeme, wie zum Beispiel elektrische Maschinen, elektrochemische Speichereinrichtungen oder elektrische Schaltungen, optimiert werden.Using the method presented here, very different electrical systems, such as electrical machines, electrochemical storage devices or electrical circuits, can be optimized.
Beispielsweise kann ein Klauenpolgenerator optimiert werden, indem mittels eines Partikelschwarm-Optimierungsalgorithmus 1, der einen Zusammenhang zwischen dem erzeugten elektrischen Strom und dem Drehmoment modellmäßig abbildet, eine (Fein-)Einstellung der Induktivität erfolgt. Derartige Klauenpolgeneratoren werden zum Beispiel in Kraftfahrzeugen eingesetzt, um elektrischen Strom für eine Starterbatterie und elektrische Verbraucher des Kraftfahrzeugs zur Verfügung zu stellen.For example, a claw-pole generator can be optimized by (fine) adjustment of the inductance using a particle
Unter dem Aspekt der konstanten Lasterfordernis kann der Klauenpolgenerator auch dahingehend optimiert werden, dass mittels eines Partikelschwarm-Optimierungsalgorithmus 1 eine Approximation des erzeugten Stroms vorgenommen wird. Der Partikelschwarm-Optimierungsalgorithmus 1 beziehungsweise das damit abgebildete Modell des Klauenpolgenerators ist so ausgeführt, dass Eingangsgrößen wie eine konstante Temperatur, ein Erregerstrom und eine Rotorgeschwindigkeit verarbeitet werden.Under the aspect of the constant load requirement, the claw-pole generator can also be optimized in such a way that an approximation of the current generated is carried out using a particle
Ferner kann mittels eines entsprechend ausgeführten Partikelschwarm-Optimierungsalgorithmus 1 eine reluktanzbasierte Diskretisierungsmodellierung eines Klauenpolgenerators vorgenommen werden. Ein dem Partikelschwarm-Optimierungsalgorithmus 1 zugrundeliegendes Modell des Klauenpolgenerators ist überaus komplex und umfasst gemäß einem Aspekt eine thermische Modellierung und Validierung einer Gleichrichterbrücke des Klauenpolgenerators.Furthermore, a reluctance-based discretization modeling of a claw-pole generator can be carried out by means of a correspondingly implemented particle
Ein entsprechend ausgeführter Partikelschwarm-Optimierungsalgorithmus 1 kann auch für eine Optimierung elektrochemischer Speichereinrichtungen, wie zum Beispiel Batterien oder Akkumulatoren, eingesetzt werden, mit dem Ziel, Parameter für einen inneren Widerstand, insbesondere als Funktion von Temperatur und Strom, und eine Spannungsdynamik zu optimieren.A correspondingly executed particle
Ein weiteres Anwendungsbeispiel für Partikelschwarm-Optimierungsalgorithmen 1, die nach dem hier erläuterten Prinzip arbeiten, sind Gleichspannungswandler (DC-DC-Wandler), um zum Beispiel eine wirksame Spannungsstabilisierung zu erreichen und ein Überschwingen zu vermeiden.Another application example for particle
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- US 9160280 B1 [0002]US9160280B1 [0002]
- US 2018307787 A1 [0002]US2018307787A1[0002]
- DE 102017123042 A1 [0002]DE 102017123042 A1 [0002]
Claims (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117880.8A DE102020117880A1 (en) | 2020-07-07 | 2020-07-07 | Method for optimizing an electrical system using a particle swarm optimization algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117880.8A DE102020117880A1 (en) | 2020-07-07 | 2020-07-07 | Method for optimizing an electrical system using a particle swarm optimization algorithm |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020117880A1 true DE102020117880A1 (en) | 2022-01-13 |
Family
ID=79019976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020117880.8A Ceased DE102020117880A1 (en) | 2020-07-07 | 2020-07-07 | Method for optimizing an electrical system using a particle swarm optimization algorithm |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020117880A1 (en) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100229131A1 (en) | 2009-03-05 | 2010-09-09 | International Business Machines Corporation | Swarm intelligence for electrical design space modeling and optimization |
US20110257800A1 (en) | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
US8593088B2 (en) | 2012-01-13 | 2013-11-26 | Chrysler Group Llc | Method and system for controlling an electric motor for a vehicle |
US9160280B1 (en) | 2014-05-21 | 2015-10-13 | King Fahd University Of Petroleum And Minerals | Memory polynomial based digital predistorter |
US20160025023A1 (en) | 2014-07-24 | 2016-01-28 | Basler Electric Company | System and method for a load anticipation feature and its tuning method for a generating set |
US20180307787A1 (en) | 2014-10-31 | 2018-10-25 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
DE102017123042A1 (en) | 2017-10-05 | 2019-04-11 | Man Diesel & Turbo Se | Method for designing an internal combustion engine or a system of several internal combustion engines |
-
2020
- 2020-07-07 DE DE102020117880.8A patent/DE102020117880A1/en not_active Ceased
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100229131A1 (en) | 2009-03-05 | 2010-09-09 | International Business Machines Corporation | Swarm intelligence for electrical design space modeling and optimization |
US20110257800A1 (en) | 2010-04-14 | 2011-10-20 | Zakariya Al-Hamouz | Particle swarm optimizing sliding mode controller |
US8593088B2 (en) | 2012-01-13 | 2013-11-26 | Chrysler Group Llc | Method and system for controlling an electric motor for a vehicle |
US9160280B1 (en) | 2014-05-21 | 2015-10-13 | King Fahd University Of Petroleum And Minerals | Memory polynomial based digital predistorter |
US20160025023A1 (en) | 2014-07-24 | 2016-01-28 | Basler Electric Company | System and method for a load anticipation feature and its tuning method for a generating set |
US20180307787A1 (en) | 2014-10-31 | 2018-10-25 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
DE102017123042A1 (en) | 2017-10-05 | 2019-04-11 | Man Diesel & Turbo Se | Method for designing an internal combustion engine or a system of several internal combustion engines |
Non-Patent Citations (1)
Title |
---|
Prof. Dr. Rudolf Kruse: Vorlesung Intelligente Systeme, Winter Semester 2006/2007. Magdeburg : Otto-von-Guericke-Universität Magdeburg, 2006/2007. Kapitel 14. http://fuzzy.cs.ovgu.de/studium/ise/txt_ws0607/is0607k14.pdf, Bibliographie: http://fuzzy.cs.ovgu.de/studium/ise/txt_ws0607/is0607intro.pdf [abgerufen am 21.01.2021] |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AT511520B1 (en) | Method and device for testing the drive train of at least partially electrically operated vehicles | |
DE102019206186A1 (en) | Electric vehicle reservation charging system and method | |
DE102015214454A1 (en) | POWER CONVERSION DEVICE AND POWER CONVERSION PROCESS | |
EP3539816B1 (en) | Method for charging an energy storage device of a vehicle with a modular charging device with high overall efficiency | |
DE102015007913A1 (en) | Method for online adaptation of a characteristic curve of a hybrid vehicle | |
EP2736756B1 (en) | Energy storage device, system having an energy storage device, and method for operating an energy storage device | |
DE102015203232A1 (en) | Apparatus and method for charging a battery for a vehicle | |
DE102011055757A1 (en) | POWER GENERATION CONTROL SYSTEM FOR A VEHICLE | |
DE102014204354A1 (en) | Method for operating a vehicle and driver assistance system | |
DE102015006820A1 (en) | Method for selecting a mode of operation of a hybrid vehicle | |
DE102014002973A1 (en) | Method for charging batteries and converter for charging | |
DE102009057919A1 (en) | Electric onboard electric power supply i.e. two voltage onboard power supply, for use in motor vehicle, has generator for producing electric voltage whose amplitude determines electric potential difference between voltage levels of loads | |
DE102018200540A1 (en) | Method for operating a motor vehicle electrical system | |
DE102013014667A1 (en) | Method for the application of the control of the drive of a hybrid vehicle | |
DE102008022582A1 (en) | Electrical energy on-board supply system for motor vehicle, has controllable electrical coupling device designed such that on-board power supply voltage for one of on-board supply systems is adjustable | |
DE102016213105A1 (en) | Method and system for operating an on-board charging device for an environmentally friendly vehicle | |
DE102014210283A1 (en) | Method for operating a vehicle electrical system and vehicle electrical system | |
DE102018201321A1 (en) | A method of operating an assembly of an electric machine and a rectifier | |
DE102020117880A1 (en) | Method for optimizing an electrical system using a particle swarm optimization algorithm | |
DE112010002329T5 (en) | An electric power control apparatus and method for calculating electric power in an electric power control apparatus | |
DE102017123033A1 (en) | SYSTEM AND METHOD FOR CONTROLLING ELECTRIC VEHICLES | |
DE102017212659A1 (en) | Method for operating an electrical overall on-board network, control unit and motor vehicle | |
DE102012214877A1 (en) | Method of use for electrical energy storage, arrangement for carrying out such a method of use, battery and motor vehicle with such a battery | |
DE102016220089A1 (en) | Method, machine-readable storage medium and electronic control unit for operating an electrical energy storage system and corresponding electrical energy storage system | |
DE102016206538A1 (en) | Method for determining a state of charge of a battery for a motor vehicle, device and motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |