CN112818594B - 一种基于神经网络的多目标优化电池包结构方法 - Google Patents
一种基于神经网络的多目标优化电池包结构方法 Download PDFInfo
- Publication number
- CN112818594B CN112818594B CN202110116697.9A CN202110116697A CN112818594B CN 112818594 B CN112818594 B CN 112818594B CN 202110116697 A CN202110116697 A CN 202110116697A CN 112818594 B CN112818594 B CN 112818594B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- neural network
- structural parameters
- inlet
- objective
- 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
Images
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于神经网络的多目标优化电池包结构方法,包括以下步骤:S1:将电池包的三维模型转换为二维模型后在COMSOL中进行仿真,生成多组影响电池包性能值的结构参数;S2:将多组结构参数作为神经网络的输入,将电池包的性能值作为神经网络的输出,采用贝叶斯正则化算法对神经网络进行训练;S3:对步骤S2中训练好的神经网络采用NSGA2算法进行结构参数优化,得到多组帕累托最优解,选择帕累托最优解中最高温度最低的一组作为电池包的最终方案。本发明大大缩短了电池包结构优化的周期,提高了电池包的性能。
Description
技术领域
本发明涉及电池***技术领域,特别涉及一种基于神经网络的多目标优化电池包结构方法。
背景技术
随着大气污染和资源短缺问题的日益加剧,越来越多的国家开始大力推动电动汽车的发展。电动汽车的核心是动力电池,动力电池的性能影响着电动汽车的质量和用户体验。而温度对动力电池性能的影响是显著的,在大电流放电时,电池产生的热量若没有及时散出,电池会出现寿命衰减、燃烧甚至***等问题。因此,为了将温度维持在最佳的范围内和提升电动汽车的续航里程,设计合理的电池包对于提高动力电池的性能具有重要的意义。
目前对电池包性能模拟广泛采用三维电池包进行模拟,但每仿真一次三维的电池包需要消耗很多的时间。在采用大数据训练神经网络时,需要大量进行仿真才可以得到电池包的性能数据,因此电池包三维仿真会消耗大量的时间,甚至需要数个月才能得到训练好的神经网络。而且先前的电池包优化只以最高温度为目标,没有考虑电池包散热所需要的功率消耗。因此,由于目前的电池包结构模拟存在过程时间长,因素考虑不周的问题,导致电池包的结构设置会存在不合理之处。
发明内容
本发明的目的在于,提供一种基于神经网络的多目标优化电池包结构方法。本发明大大缩短了电池包结构优化的周期,提高了电池包的性能。
本发明的技术方案:一种基于神经网络的多目标优化电池包结构方法,包括以下步骤:
S1:将电池包的三维模型转换为二维模型后在COMSOL中进行仿真,生成多组影响电池包性能值的结构参数;
S2:将多组结构参数作为神经网络的输入,将电池包的性能值作为神经网络的输出,采用贝叶斯正则化算法对神经网络进行训练;
S3:对步骤S2中训练好的神经网络采用NSGA2算法进行结构参数优化,得到多组帕累托最优解,选择帕累托最优解中最高温度最低的一组作为电池包的最终方案。
上述的基于神经网络的多目标优化电池包结构方法,所述结构参数包括进口位置、出口位置、进口宽度、出口宽度和电池间距。
前述的基于神经网络的多目标优化电池包结构方法,其中进口位置和出口位置每20mm进行调整增大一次,范围为[20100]mm;进口宽度和出口宽度每5mm进行调整增大一次,范围为[1530]mm;电池间距每0.4mm调整增大以此,范围为[23.6]mm;共有2000个电池包结构参数组合。
前述的基于神经网络的多目标优化电池包结构方法,将2000个电池包结构参数的70%用于训练神经网络,15%用于预测,15%用于验证。
前述的基于神经网络的多目标优化电池包结构方法,所述电池包性能值包括最高温度、最大温差和电池包内用于冷却电池所消耗的功率;其中,用于冷却电池所消耗的功率Wp表示如下:
Wp=(Pin-Pout)×Q0;
式中:Pin是进口位置的压强;Pout是出口位置的压强;Q0是进口空气流量。
前述的基于神经网络的多目标优化电池包结构方法,所述神经网络的隐藏层和输出层的数量分别设置为20和3。
前述的基于神经网络的多目标优化电池包结构方法,步骤S3中,在结构参数优化时,遗传代数设为500,种群数量设为200。
与现有技术相比,本发明考虑到三维的电池包每仿真一次需要消耗很多的时间,在采用大数据训练神经网络时,需要大量进行仿真才可以得到电池包的性能数据,因此电池包三维仿真会消耗大量的时间,甚至需要数个月才能得到训练好的神经网络,因此本发明将电池模型转换成二维模型进行COMSOL仿真,减少仿真周期,提高设计效率,然后以二维模型仿真得到的多组影响电池包性能值的结构参数作为神经网络的输入,并将性能值作为输出,针对电池包复杂的强非线性***,利用贝叶斯正则化算法对神经网络进行训练,有效地解决过度拟合问题,再通过NSGA2算法进行结构参数优化,得到多组帕累托最优解,由此得到的电池包最终方案经试验最大温差下降了67.4%,功率消耗下降了26%。大大提高了电池包的性能。此外,本发明进一步地优化了神经网络的训练、输入和输出的步骤参数以及结构参数优化的遗传代数和种群数量,进一步的提高了神经网络的预测精度。
附图说明
图1为本发明的流程图;
图2为电池包的三维模型示意图;
图3为电池包的二维模型示意图;
图4为不同电池包组合下得到的最高温度性能参数分布图;
图5为不同电池包组合下得到的最大温差性能参数分布图;
图6为不同电池包组合下得到的功率消耗性能参数分布图;
图7为训练集回归图;
图8为测试集回归图;
图9为神经网络回归图;
图10为帕累托最优解集图;
图11为优化前电池包内电池的温度示意图;
图12为优化后电池包内电池的温度示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:一种基于神经网络的多目标优化电池包结构方法,如图1所示,包括以下步骤:
S1:将电池包的三维模型转换为二维模型后在COMSOL中进行仿真,生成多组影响电池包性能值的结构参数;由于三维电池包计算需要数小时才能获得数值结果,而二维电池包计算仅需要数分钟,因此可以将二维电池包代替三维电池包进行仿真为了简化电池包的结构,电池包的三维模型是轴对称的,忽略了电池包内的小细节,风冷式三维电池包示意图如图2所示。电池包的左下侧是冷却空气的进气口,而右上侧是空气的出气口,空气从进口进入电池包内后对电池进行冷却,然后从出口流出电池包;所述的电池包的二维模型如图3所示。因此,将电池包的三维模型转换为二维模型后在COMSOL中进行仿真,生成多组影响电池包性能值的结构参数,所述结构参数包括进口位置Ipo、出口位置Jpo、进口宽度Iwi、出口宽度Jwi和电池间距d;所述电池包性能值包括最高温度、最大温差和电池包内用于冷却电池所消耗的功率;为了保证电池热管理***的安全工作和提升电池包的性能输出,电池包内的最大温差、最高温度和功率消耗越小越好,其中,用于冷却电池所消耗的功率Wp表示如下:
Wp=(Pin-Pout)×Q0;
式中:Pin是进口位置的压强;Pout是出口位置的压强;Q0是进口空气流量。
电池包结构在优化时需要多次更改,并且一旦结构改变就需要重建神经网络。因此为了提高仿真效率,在COMSOL中对模型进行了参数化,其中进口位置和出口位置每20mm进行调整增大一次,范围为[20100]mm;进口宽度和出口宽度每5mm进行调整增大一次,范围为[1530]mm;电池间距每0.4mm调整增大以此,范围为[23.6]mm;共有2000个电池包结构参数组合;COMSOL的进口流量为0.014m3/s,出口采用自由流的边界条件,进而获得2000组电池包的最高温度、最大温差和功率消耗性能参数,分别如图4、图5和图6所示。
S2:将多组结构参数作为神经网络的输入,将电池包的性能值作为神经网络的输出,本实施例中采用BP神经网络,基于BP神经网络映射能力强、自适应性强、具有容错能力等优点,这里利用BP神经网络建立电池包结构参数与电池包性能值之间的近似函数关系,将2000个电池包结构参数的70%用于训练神经网络,15%用于预测,15%用于验证;该神经网络的隐藏层和输出层的数量分别设置为20和3;在神经网络中,为了有效地解决过度拟合问题,针对电池包复杂的强非线性***,采用贝叶斯正则化算法训练神经网络;经过训练后得到如图7-图9的BP神经网络回归图,图7是描述训练集的回归能力示意图,图8是描述测试集的回归能力示意图,可从图7和图8中可以看出目标值和输出结果基本上在同一个直线上,R越接近于1表示预测精度越高,图9是全部数据总的神经网络回归图,从图9中可以看出,经过训练后的升降网络预测精度非常高。
S3:对步骤S2中训练好的神经网络采用NSGA2算法进行结构参数优化,在结构参数优化时,遗传代数设为500,种群数量设为200,使得可以更好地得到理想的结果。由于多目标不会存在多个目标同时最优,而是存在一组最优的解集,称为Pareto(帕累托)解集。帕累托解集中的元素称为非支配解。经过NSGA2算法(即带有精英保留策略的快速非支配多目标优化算法,是一种基于Pareto最优解的多目标优化算法)寻优后的功率消耗、最高温度和最大温差的帕累托解集分布如图10所示,在符合要求的多个解里面取最高温度最小的帕累托解作为算法优化后的最终解,最终本实施例中解对应的电池包设计方案为:进口位置为86.2mm,出口位置76.6mm,进口宽度26.4mm,出口宽度30.0mm,电池间距2.6mm。
之后在COMSOL中对优化前和优化后电池包设计方案仿真,可以得到如图11所示优化前和如图12所示优化后的电池包性能输出。从图11和图12中可以看出,优化前的电池包的最高温度320.4K,最大温差为14.1K,功率消耗为0.9W,根据神经网络和NSGA2算法优化后的电池包的最高温度为312.9K,最大温差为4.6K,功率消耗为0.67W。本发明利用神经网络和NSGA2算法优化后的电池包的最高温度降低了7.5K,最大温差下降了67.4%,功率消耗下降了26%,将三维模型转化为二维模型可以极大的提高设计效率,节约大量的时间。
综上,针对通过三维模型得到的少量数据建立起来的传统神经网络预测的结果不理想,本发明通过二维电池包仿真得到大量电池包性能数据建立的神经网络可以更加准确预测电池包的性能,而且提升了电池包的设计周期。根据二维电池包模型建立起来的神经网络结合NSGA2算法对电池包的结构设计有重要的指导意义。本发明解决了电池包的最高温度、最大温差与功率消耗之间的矛盾,可以得到最高温度低,最大温差小,功率消耗小的电池包结构。从而保证电池包内的温度处在合适的范围内,同时提高了电动汽车的续航里程。
Claims (7)
1.一种基于神经网络的多目标优化电池包结构方法,其特征在于:包括以下步骤:
S1:将电池包的三维模型转换为二维模型后在COMSOL中进行仿真,生成多组影响电池包性能值的结构参数;
S2:将多组结构参数作为神经网络的输入,将电池包的性能值作为神经网络的输出,采用贝叶斯正则化算法对神经网络进行训练;
S3:对步骤S2中训练好的神经网络采用NSGA2算法进行结构参数优化,得到多组帕累托最优解,选择帕累托最优解中最高温度最低的一组作为电池包的最终方案。
2.根据权利要求1所述的基于神经网络的多目标优化电池包结构方法,其特征在于:所述结构参数包括进口位置、出口位置、进口宽度、出口宽度和电池间距。
3.根据权利要求2所述的基于神经网络的多目标优化电池包结构方法,其特征在于:其中进口位置和出口位置每20mm进行调整增大一次,范围为[20100]mm;进口宽度和出口宽度每5mm进行调整增大一次,范围为[1530]mm;电池间距每0.4mm调整增大以此,范围为[23.6]mm;共有2000个电池包结构参数组合。
4.根据权利要求3所述的基于神经网络的多目标优化电池包结构方法,其特征在于:将2000个电池包结构参数的70%用于训练神经网络,15%用于预测,15%用于验证。
5.根据权利要求2所述的基于神经网络的多目标优化电池包结构方法,其特征在于:所述电池包性能值包括最高温度、最大温差和电池包内用于冷却电池所消耗的功率;其中,用于冷却电池所消耗的功率Wp表示如下:
Wp=(Pin-Pout)×Q0;
式中:Pin是进口位置的压强;Pout是出口位置的压强;Q0是进口空气流量。
6.根据权利要求1所述的基于神经网络的多目标优化电池包结构方法,其特征在于:所述神经网络的隐藏层和输出层的数量分别设置为20和3。
7.根据权利要求1所述的基于神经网络的多目标优化电池包结构方法,其特征在于:步骤S3中,在结构参数优化时,遗传代数设为500,种群数量设为200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116697.9A CN112818594B (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络的多目标优化电池包结构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116697.9A CN112818594B (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络的多目标优化电池包结构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818594A CN112818594A (zh) | 2021-05-18 |
CN112818594B true CN112818594B (zh) | 2023-05-30 |
Family
ID=75859791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116697.9A Active CN112818594B (zh) | 2021-01-28 | 2021-01-28 | 一种基于神经网络的多目标优化电池包结构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818594B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435016A (zh) * | 2021-06-10 | 2021-09-24 | 同济大学 | 基于回归模型算法的混合热管理***多目标优化设计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060110832A (ko) * | 2005-04-20 | 2006-10-25 | 가부시키가이샤 덴소 | 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치 |
CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
CN107301266A (zh) * | 2017-05-15 | 2017-10-27 | 中山职业技术学院 | 一种磷酸铁锂电池loc估算方法和*** |
CN109507598A (zh) * | 2017-09-11 | 2019-03-22 | 安徽师范大学 | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 |
CN109769400A (zh) * | 2016-07-22 | 2019-05-17 | Eos能源储存有限责任公司 | 蓄电池管理*** |
WO2020106894A1 (en) * | 2018-11-20 | 2020-05-28 | Georgia Tech Research Corporation | Systems and methods for enhanced engineering design and optimization |
CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130260357A1 (en) * | 2012-03-27 | 2013-10-03 | Lauren Reinerman-Jones | Skill Screening |
KR102221756B1 (ko) * | 2014-07-18 | 2021-03-02 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US20200394278A1 (en) * | 2019-06-14 | 2020-12-17 | Abraham Varon-Weinryb | Hybrid Finite Element and Artificial Neural Network Method and System for Safety Optimization of Vehicles |
-
2021
- 2021-01-28 CN CN202110116697.9A patent/CN112818594B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060110832A (ko) * | 2005-04-20 | 2006-10-25 | 가부시키가이샤 덴소 | 뉴럴 네트워크 연산에 기초하여 2차 전지의 충전 상태를검출하기 위한 방법 및 장치 |
CN109769400A (zh) * | 2016-07-22 | 2019-05-17 | Eos能源储存有限责任公司 | 蓄电池管理*** |
CN107145628A (zh) * | 2017-03-31 | 2017-09-08 | 中南大学 | 基于电化学‑热耦合模型的预测锂电池循环寿命的方法 |
CN107301266A (zh) * | 2017-05-15 | 2017-10-27 | 中山职业技术学院 | 一种磷酸铁锂电池loc估算方法和*** |
CN109507598A (zh) * | 2017-09-11 | 2019-03-22 | 安徽师范大学 | 贝叶斯正则化的lm-bp神经网络的锂电池soc预测方法 |
WO2020106894A1 (en) * | 2018-11-20 | 2020-05-28 | Georgia Tech Research Corporation | Systems and methods for enhanced engineering design and optimization |
CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及*** |
CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
Non-Patent Citations (1)
Title |
---|
基于模糊控制磷酸铁锂电池SOC的准确估计;余懿衡;钱祥忠;杨光辉;夏克刚;张佳瑶;;电子测量技术(第20期);第13-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818594A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Orderly charging strategy of battery electric vehicle driven by real-world driving data | |
CN107730048B (zh) | 一种风电-电动汽车联合***随机鲁棒优化调度方法 | |
CN112818594B (zh) | 一种基于神经网络的多目标优化电池包结构方法 | |
CN113022385B (zh) | 燃料电池锂电池混合动力***参数匹配方法 | |
CN111342459B (zh) | 一种电力需量决策分析***及方法 | |
CN115257304B (zh) | 一种驻车加热器运行检测管控*** | |
CN114519449A (zh) | 一种园区能源***运行优化方法 | |
CN112319462A (zh) | 一种插电式混合动力汽车能量管理方法 | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
CN116029453A (zh) | 一种电动汽车充电桩配置方法、记录媒体及*** | |
CN106503450A (zh) | 一种电动车大数据分析优化***与方法 | |
CN116683500A (zh) | 一种电化学储能电站有功功率调度方法和*** | |
Sun et al. | Energy management strategy for FCEV considering degradation of fuel cell | |
Rašić et al. | Multi-domain and Multi-scale model of a fuel cell electric vehicle to predict the effect of the operating conditions and component sizing on fuel cell degradation | |
Hu et al. | Hierarchical energy management strategy for fuel cell/ultracapacitor/battery hybrid vehicle with life balance control | |
CN113799659B (zh) | 一种燃料电池整车能量分配方法 | |
Zhao et al. | Research on personalized charging strategy of electric bus under time-varying constraints | |
CN112052987B (zh) | 一种计及风电的综合能源***优化规划方法及*** | |
CN112590763A (zh) | 一种基于电池热及老化的行星混联混动汽车能量优化方法 | |
CN116072437A (zh) | 一种储能热管理***、控制方法及控制装置 | |
CN113487131B (zh) | 一种基于充电需求和储能调节的站网互动方法 | |
CN113094852A (zh) | 一种电动汽车充电负荷时-空分布计算方法 | |
CN113104021A (zh) | 一种基于智能优化的增程式电动汽车能量管理控制方法 | |
Ren et al. | Decision-making approach in charging mode for electric vehicle based on cumulative prospect theory | |
Jiahui et al. | Structure optimization of air-cooled battery thermal management system based on neural network |
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 |