CN112660127B - 一种基于深度迁移学习的列队混动卡车cacc能量管理方法 - Google Patents
一种基于深度迁移学习的列队混动卡车cacc能量管理方法 Download PDFInfo
- Publication number
- CN112660127B CN112660127B CN202011617231.9A CN202011617231A CN112660127B CN 112660127 B CN112660127 B CN 112660127B CN 202011617231 A CN202011617231 A CN 202011617231A CN 112660127 B CN112660127 B CN 112660127B
- Authority
- CN
- China
- Prior art keywords
- cacc
- energy management
- function
- optimal
- queue
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 238000013508 migration Methods 0.000 title claims abstract description 37
- 230000005012 migration Effects 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- NRJAVPSFFCBXDT-HUESYALOSA-N 1,2-distearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCCCCCCCCCCCC NRJAVPSFFCBXDT-HUESYALOSA-N 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 abstract description 18
- 230000003044 adaptive effect Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- 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
- Y02T10/62—Hybrid vehicles
Landscapes
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开了一种基于深度迁移学习的列队混动卡车CACC能量管理方法，包括：基于VGG网络构建深度迁移学习神经网络模型；利用神经网络模型分别提取前一阶段短时行驶工况片段特征参数和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据；基于最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；根据参考SOC轨迹及最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，实现列队混动卡车CACC能量管理。本发明可以实现列队混合动力卡车协同式自适应巡航***(CACC)中实时能量管理，进而实现列队跟车行驶时等效燃油经济性最优。
Description
技术领域
本发明涉及列队卡车协同式自适应巡航***(CACC)的能量管理的技术领域，尤其涉及一种基于深度迁移学习的列队混动卡车CACC能量管理方法。
背景技术
混合动力卡车“列队跟驰”作为自动驾驶率先应用的领域，可有效控制车辆之间的距离和车队的行驶状态，减少车队行驶中的风阻，从而降低车辆的燃油消耗。协同式自适应巡航***可很好地实现混合动力卡车列队行驶，但由于列队行驶会遇到各种工况，现有基于规则或基于优化的能量管理方法，都不能很好的实现混合动力卡车列队跟车行驶时等效燃油经济性最优，如何创新性的提出一种基于学习的能量管理方法，使混合动力卡车在列队行驶时做到对能量进行实时管理控制，使其CACC实现等效燃油经济性最优，是本领域中亟待解决的问题。
发明专利ZL201510896784.5提出了一种用于控制CACC***的速度的装置和方法，该发明专利存在的不足有：只提供了使用所收集的信息控制车辆的速度来减少减速和加速的宽度，以改善燃料效率，未能提供对能量进行实时管理控制的方法，故改善的燃料效率很低；发明专利ZL201710832339.1提出了一种用于提高CACC***中的燃料效率的控制装置和方法，该发明专利存在的不足有：只提供了考虑到目标车辆速度、当前车辆速度、车辆中设定的最小行驶速度和减速距离使用优化成本行驶车辆来提高燃料效率，未能提供先进的能量管理方法来实现等效燃油经济性最优。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有技术无法提供对能量进行实时管理控制的方法及先进的能量管理方法来实现等效燃油经济性最优。
为解决上述技术问题，本发明提供如下技术方案：一种基于深度迁移学习的列队混动卡车CACC能量管理方法，其特性在于，包括：基于VGG网络构建深度迁移学习神经网络模型；利用所述神经网络模型分别提取前一阶段短时行驶工况片段特征参数作为所述模型的输入和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据作为所述模型的输出；基于所述最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到所述列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；根据所述参考SOC轨迹及所述最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随所述最优SOC轨迹，实现列队混动卡车CACC能量管理。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述VGG网络包括13个卷积层、5个池化层、3个全连接层和Softmax层。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述深度迁移学习神经网络模型由六元组组成包括两个并行网络，具体包括初次特征提取和二次特征提取。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述第一并行网络包括，
M＝(V1,V2,D,C,P,S)
其中，V1、V2表示特征提取函数，D表示全连接函数，C表示卷积函数，P表示池化函数，S表示Softmax分类函数。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述特征提取函数包括，
V1(I)＝R
其中,R∈RE×F,V1(.)表示特征空间映射，所述V1(.)将输入的工况片段特征参数信息I变换成一个E×F维度的特征。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述全连接函数包括，
D(R)＝T
其中，D(.)将E×F维的数据转换为EF×1维度的数据。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述卷积函数包括，
其中，i和j表示矩阵的行和列索引，K表示卷积核，P表示池化函数。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述池化函数包括，
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：所述前一阶段短时行驶工况片段特征参数提取途径包括环境感知、DSPC、GIS以及GPS。
作为本发明所述的基于深度迁移学习的列队混动卡车CACC能量管理方法的一种优选方案，其中：将列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹作为参考跟车车速轨迹输入到模型预测控制中；以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化。
本发明的有益效果：列队混合动力卡车在协同式自适应巡航跟车行驶过程中的下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，以实现列队混合动力卡车协同式自适应巡航***(CACC)中实时能量管理，进而实现列队跟车行驶时等效燃油经济性最优。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的基于深度迁移学习的列队混动卡车CACC能量管理方法的基本流程示意图；
图2为本发明一个实施例提供的基于深度迁移学习的列队混动卡车CACC能量管理方法的另一个流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～2，为本发明的一个实施例，提供了一种基于深度迁移学习的列队混动卡车CACC能量管理方法，包括：
S1：基于VGG网络构建深度迁移学习神经网络模型；
需要说明的是，VGG网络包括13个卷积层、5个池化层、3个全连接层和Softmax层。
其中，深度迁移学习神经网络模型由六元组组成包括两个并行网络，具体包括初次特征提取和二次特征提取。
进一步的，第一并行网络包括，
M＝(V1,V2,D,C,P,S)
其中，V1、V2表示特征提取函数，D表示全连接函数，C表示卷积函数，P表示池化函数，S表示Softmax分类函数。
其中，特征提取函数包括：
V1(I)＝R
其中,R∈RE×F,V1(.)表示特征空间映射，V1(.)将输入的工况片段特征参数信息I变换成一个E×F维度的特征。
进一步的，全连接函数包括：
D(R)＝T
其中，D(.)将E×F维的数据转换为EF×1维度的数据。
更进一步的，卷积函数包括：
其中，i和j表示矩阵的行和列索引，K表示卷积核，P表示池化函数。
池化函数包括：
具体的，神经网络模型构建中，如图2所示，深度迁移学习网络由两个并行网络组成，该网络包括初次特征提取和二次特征提取两个部分。在分类器运算过程中，任意一个并行网络使得不同维度的特征产生交互，这样能够提取不同的工况片段特征，因此，通过两个并行网络，可以同时捕获输入工况片段不同特征之间的关系；深度迁移学习网络模型由六元组组成，以第一并行网络为例，函数形式为：
M＝(V1,V2,D,C,P,S)
其中V1、V2表示特征提取函数，D表示全连接函数，C表示卷积函数，P表示池化函数，S表示Softmax分类函数。
特征提取函数V1(.)通过VGG模型来完成，V1(.)为特征空间映射，将数据特征空间进行变换：
V1(I)＝R
其中R∈RE×F,V1(.)将输入的工况片段特征参数信息I变换成一个E×F维度的特征；接着通过一个全连接函数D将两个VGG特征提取函数的输出进行维度变换：
D(R)＝T
D(.)将E×F维的数据转换为EF×1维度的数据，C为卷积函数，对VGG的输出数据再次进行特征提取，卷积函数为：
其中i和j表示矩阵的行和列索引，K为卷积核，P为池化函数，其作用是将每个卷积层的输出汇聚为一个最终的参考SOC轨迹特征数据特征，减少计算量，P的计算公式为：
S2：利用神经网络模型分别提取前一阶段短时行驶工况片段特征参数作为模型的输入和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据作为模型的输出；
需要说明的是，前一阶段短时行驶工况片段特征参数提取途径包括环境感知、DSPC、GIS以及GPS。
具体的，神经网络模型训练中，先是通过DP(动态规划算法)将行驶工况优化出此行驶工况下的全局最优SOC轨迹，分别提取前一阶段短时行驶工况片段特征参数和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据，将当前工况片段特征参数作为模型输入，将下一阶段工况片段的最优SOC轨迹特征数据作为模型输出，通过多输入多输出的训练模型，建立了前一阶段短时行驶工况片段特征参数与后一阶段短时行驶工况片段的最优SOC轨迹特征数据之间的映射关系。
S3：基于最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；
S4：根据参考SOC轨迹及最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，实现列队混动卡车CACC能量管理。
需要说明的是，实时预测控制过程包括，
将列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹作为参考跟车车速轨迹输入到模型中进行预测控制；
以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化。
具体的，CACC实时预测控制中，混合动力卡车在列队行驶时，从环境感知(雷达、摄像头)、DSPC、GIS以及GPS提取前一阶段短时行驶工况片段特征参数，将前一阶段短时行驶工况片段特征参数作为深度迁移神经网络的输入，即可输出预测后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据，根据神经网络状态迁移，亦可输出列队混合动力卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹，将后一阶段短时行驶工况片段对应的最优SOC轨迹作为参考SOC轨迹，将列队混合动力卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹作为参考跟车车速轨迹输入到模型预测控制中，以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化，使列队混合动力卡车在协同式自适应巡航跟车行驶过程中的下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，以实现列队混合动力卡车协同式自适应巡航***(CACC)中实时能量管理，进而实现列队跟车行驶时等效燃油经济性最优。
本发明方法包括神经网络模型构建、神经网络模型训练、CACC实时预测控制，利用雷达、摄像头、DSPC、GIS以及GPS采集数据信息，能够实时、精确的获取混合动力卡车在列队行驶时的运行状态信息，利用深度迁移学习神经网络模型获得最优SOC轨迹作为参考SOC轨迹，以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化，使列队混合动力卡车在协同式自适应巡航跟车行驶过程中的下一阶段短时行驶工况内实际SOC轨迹跟随最优SOC轨迹，能够实现列队混合动力卡车协同式自适应巡航***(CACC)中实时能量管理，进而实现列队跟车行驶时等效燃油经济性最优。
实施例2
为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案基于优化的能量管理方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案：由于列队行驶会遇到各种工况，现有基于规则或基于优化的能量管理方法，都不能很好的实现混合动力卡车列队跟车行驶时等效燃油经济性最优。为验证本方法相对传统方法具有较高的燃油经济性本实施例中将采用CACC传统能量管理方法和本方法分别对仿真车辆的巡航速度超调量、油耗、电池荷电状态进行实时测量对比。
测试环境：选取6辆同类型混动卡车构成2组卡车列队，在UDDS工况下进行对比试验仿真，两组混动卡车分别使用两种能量管理方法在UDDS工况下仿真，利用两种方法对车队进行测试，以经济性作为评判标准进行多次实验，所得的结果如下表所示：
表1：实验结果对比表。
从上表可看出，混动卡车在巡航跟车行驶过程中，本发明方法能控制车速较为精确的保持在理性巡航速度(超调量均小于3％)，当设定的巡航车速发生变化时，控制车辆能较快响应，且在跟车行驶过程中，车间距误差较小，能够保证较好的跟车精度的同时油耗降低，SOC值降低较多，燃油经济性得到明显提高。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于深度迁移学习的列队混动卡车CACC能量管理方法，其特性在于，包括：
基于VGG网络构建深度迁移学习神经网络模型；
所述深度迁移学习神经网络模型由六元组组成包括两个并行网络，具体包括初次特征提取和二次特征提取；
利用所述神经网络模型分别提取前一阶段短时行驶工况片段特征参数作为所述模型的输入和后一阶段短时行驶工况片段对应的最优SOC轨迹的特征数据作为所述模型的输出；
基于所述最优SOC轨迹的特征数据得到参考SOC轨迹，根据神经网络状态迁移得到所述列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹；
根据所述参考SOC轨迹及所述最优跟车车速轨迹实时预测控制下一阶段短时行驶工况内实际SOC轨迹跟随所述最优SOC轨迹，实现列队混动卡车CACC能量管理；
实时预测控制过程包括，
将列队混动卡车后一阶段短时行驶工况片段对应的最优跟车车速轨迹作为参考跟车车速轨迹输入到模型预测控制中；
以车辆加速度、电机扭矩以及发动机转速为控制变量，增加扰动观测器和史密斯预估器对扰动变量进行优化。
2.如权利要求1所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述VGG网络包括13个卷积层、5个池化层、3个全连接层和Softmax层。
3.如权利要求1所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：第一并行网络包括，
M＝(V1,V2,D,C,P,S)
其中，V1、V2表示特征提取函数，D表示全连接函数，C表示卷积函数，P表示池化函数，S表示Softmax分类函数。
4.如权利要求1～3任一项所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述特征提取函数包括，
V1(I)＝R
其中,R∈RE×F,V1(.)表示特征空间映射，所述V1(.)将输入的工况片段特征参数信息I变换成一个E×F维度的特征。
5.如权利要求3所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述全连接函数包括，
D(R)＝T
其中，D(.)将E×F维的数据转换为EF×1维度的数据。
6.如权利要求3所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述卷积函数包括，
其中，i和j表示矩阵的行和列索引，K表示卷积核，P表示池化函数。
7.如权利要求3所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述池化函数包括，
8.如权利要求7所述的基于深度迁移学习的列队混动卡车CACC能量管理方法，其特征在于：所述前一阶段短时行驶工况片段特征参数提取途径包括环境感知、DSPC、GIS以及GPS。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011617231.9A CN112660127B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度迁移学习的列队混动卡车cacc能量管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011617231.9A CN112660127B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度迁移学习的列队混动卡车cacc能量管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112660127A CN112660127A (zh) | 2021-04-16 |
| CN112660127B true CN112660127B (zh) | 2022-04-22 |
Family
ID=75411435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011617231.9A Active CN112660127B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度迁移学习的列队混动卡车cacc能量管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112660127B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109895760A (zh) * | 2019-04-03 | 2019-06-18 | 大连理工大学 | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 |
| JP2020035182A (ja) * | 2018-08-30 | 2020-03-05 | トヨタ自動車株式会社 | 制御装置及び制御方法 |
| CN112084700A (zh) * | 2020-08-06 | 2020-12-15 | 南京航空航天大学 | 一种基于a3c算法的混合动力***能量管理方法 |
| CN112101684A (zh) * | 2020-11-10 | 2020-12-18 | 北京理工大学 | 一种插电式混合动力车辆实时能量管理方法和*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101838512B1 (ko) * | 2017-04-04 | 2018-03-14 | 현대자동차주식회사 | 하이브리드 자동차 및 그를 위한 충전 모드 제어 방법 |
-
2020
- 2020-12-30 CN CN202011617231.9A patent/CN112660127B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020035182A (ja) * | 2018-08-30 | 2020-03-05 | トヨタ自動車株式会社 | 制御装置及び制御方法 |
| CN109895760A (zh) * | 2019-04-03 | 2019-06-18 | 大连理工大学 | 基于soc参考轨迹的插电式混合动力汽车能量管理方法 |
| CN112084700A (zh) * | 2020-08-06 | 2020-12-15 | 南京航空航天大学 | 一种基于a3c算法的混合动力***能量管理方法 |
| CN112101684A (zh) * | 2020-11-10 | 2020-12-18 | 北京理工大学 | 一种插电式混合动力车辆实时能量管理方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112660127A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021103625A1 (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
| CN110936949B (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
| CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
| CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
| CN108764298B (zh) | 基于单分类器的电力图像环境影响识别方法 | |
| CN113525396B (zh) | 一种融合深度强化学习的混动汽车分层预测能量管理方法 | |
| CN112785845B (zh) | 一种基于K-means聚类与RBF神经网络的车速预测方法 | |
| CN116070783B (zh) | 一种混动传动***在通勤路段下的学习型能量管理方法 | |
| CN110717218A (zh) | 一种电驱动车辆分布式动力驱动***重构控制方法及车辆 | |
| CN110490275A (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
| Lee et al. | Study on power management strategy of HEV using dynamic programming | |
| CN115107733A (zh) | 一种混合动力汽车的能量管理方法及*** | |
| CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
| CN111002975B (zh) | 车辆能量管理方法、***、电子设备和存储介质 | |
| CN112949931A (zh) | 数据驱动和模型混合的充电站数据的预测方法和装置 | |
| CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
| CN112298155A (zh) | 一种基于变时域模型预测混合动力卡车耗能的方法 | |
| CN115204041A (zh) | 一种大型航空器进场和进近阶段耗油量预测方法 | |
| CN112660127B (zh) | 一种基于深度迁移学习的列队混动卡车cacc能量管理方法 | |
| He et al. | Deep reinforcement learning based energy management strategies for electrified vehicles: Recent advances and perspectives | |
| Kang et al. | Logical control approach to fuel efficiency optimization for commuting vehicles | |
| CN111959491A (zh) | 一种基于混合动力汽车统一模型的规则控制参数优化方法 | |
| CN116901981A (zh) | 一种在线自学习型的马尔可夫车辆速度预测方法 | |
| CN113788007B (zh) | 一种分层式实时能量管理方法和*** | |
| CN112124298A (zh) | 一种基于快速求解算法的混合动力车辆跟车巡航能量管理方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240530 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 250023 No. 5 Jiao Tong Road, Tianqiao District, Shandong, Ji'nan Patentee before: SHANDONG JIAOTONG University Country or region before: China |