CN113050426A - 一种融合遗传蚁群算法的热管理控制方法及*** - Google Patents

一种融合遗传蚁群算法的热管理控制方法及*** Download PDF

Info

Publication number
CN113050426A
CN113050426A CN202110301556.4A CN202110301556A CN113050426A CN 113050426 A CN113050426 A CN 113050426A CN 202110301556 A CN202110301556 A CN 202110301556A CN 113050426 A CN113050426 A CN 113050426A
Authority
CN
China
Prior art keywords
ant colony
genetic
colony algorithm
motor
rotating speed
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.)
Granted
Application number
CN202110301556.4A
Other languages
English (en)
Other versions
CN113050426B (zh
Inventor
闫伟
梅娜
曲春燕
纪嘉树
王俊博
袁子洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202110301556.4A priority Critical patent/CN113050426B/zh
Publication of CN113050426A publication Critical patent/CN113050426A/zh
Application granted granted Critical
Publication of CN113050426B publication Critical patent/CN113050426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F04B49/065—Control using electricity and making use of computers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种融合遗传蚁群算法的热管理控制方法及***，获取环境温度、环境湿度、电机转速、电机转矩和电机出水温度，作为控制输入参数；利用基于融合遗传蚁群算法改进的支持向量机预测模型，基于控制输入参数进行控制，确定与当前工况相匹配的风扇占空比，利用该风扇占空比控制电子风扇转速。本发明在保证满足电机散热需求的同时，尽可能地降低风扇的能耗，对于电驱动总成热管理***的有效工作以及节能减排具有较大的应用价值。

Description

一种融合遗传蚁群算法的热管理控制方法及***
技术领域
本发明属于热管理技术领域，具体涉及一种融合遗传蚁群算法的热管理控制方法及***，更为具体的，是根据实时测定的各传感器信号来对电驱动车辆及工程机械在不同工况下电子风扇的转速进行控制的技术领域。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电动汽车及电驱动工程机械低能耗，零排放的特点使其成为势不可挡的新兴产业。对纯电动汽车及电驱动工程机械而言，电机等关键部件的正常工作是保证其安全运行的基础，是汽车及工程机械的动力***的核心所在。电机及其控制器作为电驱动总成动力转换的关键部件，必须运行在最高安全温度以下，才能保证其内部的滚动轴承、电机绕组等正常工作，而一套完善且高效的热管理***是保证电机及控制器工作在适合温度范围的关键。因此研发和设计满足热负荷要求的热管理***成为研究的热点。
电子风扇和电子水泵作为热管理***必不可少的一环，其消耗的功率随转速的提高而增大，其中电子水泵的能耗低于风扇能耗，因此控制风扇的转速是降低能耗的有效手段。现存的电驱动总成热管理***一般将风扇转速设置为几个档位，无法满足具体工况需求，某些工况可能会出现以下情况：一是风扇转速过低，无法达到制冷需求；二是风扇转速过高，造成能源的浪费。
发明内容
本发明为了解决上述问题，提出了一种融合遗传蚁群算法的热管理控制方法及***，本发明根据电机散热需求实时地匹配电子风扇的合理转速，即建立有效的风扇控制策略，保证满足电机散热需求的同时，尽可能地降低风扇的能耗，对于电驱动总成热管理***的有效工作以及节能减排具有较大的应用价值。
根据一些实施例，本发明采用如下技术方案：
一种融合遗传蚁群算法的热管理控制方法，包括以下步骤：
获取环境温度、环境湿度、电机转速、电机转矩和电机出水温度，作为控制输入参数；
利用基于融合遗传蚁群算法改进的支持向量机预测模型，基于控制输入参数进行控制，确定与当前工况相匹配的风扇占空比，利用该风扇占空比控制电子风扇转速。
作为可选择的实施方式，所述融合遗传蚁群算法，将遗传算法引入到蚁群算法中，采用遗传算法的选择算子和变异算子，执行选择算子时，将蚂蚁个体按照信息素浓度高低进行排序，选择信息素浓度排名位于前面设定范围的个体进行信息素更新；执行变异算子时，蚂蚁个体的基因值以设定变异率进行实值变异为其他等位基因值。
作为可选择的实施方式，所述基于融合遗传蚁群算法改进的支持向量机预测模型中，通过设定初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，每代蚂蚁经过转移、选择、变异和释放信息素操作，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
作为进一步的限定，所述初始参数包括但不限于种群个数、最大迭代次数、信息素挥发上下限、转移概率、变异概率和选择概率。
作为可选择的实施方式，所述基于融合遗传蚁群算法改进的支持向量机预测模型预先经过训练，训练样本由历史环境温度、环境湿度、电机转速、电机转矩和电机出水温度检测数据以及仿真模拟实验数据得到。
作为进一步的限定，通过设置不同的环境温度、环境湿度、电机转速、电机转矩，电子水泵转速，结合散热模块风洞试验数据仿真得到不同工况下满足电机出水温度目标要求的电子风扇转速，转换得到作为输出参数的风扇占空比。
一种融合遗传蚁群算法的热管理控制***，包括：
电驱动总成热管理***和控制器，所述控制器被配置为获取环境温度、环境湿度、电机转速、电机转矩和电机出水温度，作为控制输入参数；
利用基于融合遗传蚁群算法改进的支持向量机预测模型，基于控制输入参数进行控制，确定与当前工况相匹配的风扇占空比，利用该风扇占空比控制电子风扇转速，进而控制电驱动总成热管理***。
作为可选择的实施方式，所述电驱动总成热管理***中环境温度、环境湿度、电机转速、电机转矩和电机出水温度均有相应的传感器采集得到。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述一种融合遗传蚁群算法的热管理控制方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种融合遗传蚁群算法的热管理控制方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明对蚁群算法进行改进，得到的遗传蚁群融合算法用于改进支持向量机算法，得到的支持向量机预测模型更加准确。
本发明利用遗传蚁群融合算法改进的支持向量机模型预测电驱动总成热管理***的风扇转速，误差更小，在满足制冷要求的前提下，合理节约了风扇和电子水泵的功耗，为热管理***控制策略的研发提供了依据，对节能减排具有重要意义。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的控制逻辑示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对电驱动总成热管理***，本发明提出一种融合遗传蚁群算法的电驱动总成热管理控制策略，将蚁群算法改进成遗传蚁群融合算法，并基于该算法形成支持向量机的预测模型。通过提取传感器信号结合散热模块风洞试验数据进行仿真计算得到了预测模型的样本数据。用样本数据对该支持向量机预测模型进行训练，最终形成各工况下电子风扇转速的控制策略。
一种针对电子风扇转速的控制策略，使该***满足制冷需求的同时，最大限度地降低能耗。在该控制策略中，以环境温度、环境湿度、电机转速、电机转矩、电机出水温度为输入变量，电子风扇和电子水占空比信号为输出参数，对该支持向量机预测模型进行训练，最终形成各工况下风扇转速的控制模型。
如图1所示，车辆处于某工况下，由各传感器实时监测到环境温度、环境湿度、电机出水温度、电机转速、电机转矩、电子水泵转速为输入参数，风扇占空比为输出参数，对遗传蚁群融合算法改进的支持向量机进行训练，得到如图1所示的训练好支持向量机预测模型。
具体的，遗传蚁群融合算法将遗传算法引入到蚁群算法中时，采用了遗传算法的选择算子和变异算子。在执行选择算子时，将蚂蚁个体按照信息素浓度高低进行排序，选择信息素浓度排名靠前的个体进行信息素更新。在执行变异算子时，蚂蚁个体的基因值以变异率Pm进行实值变异为其他等位基因值。个体i更新为：
Figure BDA0002986458940000061
其中，
Figure BDA0002986458940000062
xij和xij′分别是变异前后第i只蚂蚁的第j维位置坐标，xmax和xmin分别是蚂蚁位置对应维度的上下限，rand是随机生成的0-1的随机数，当前迭代次数iter，最大迭代次数maxgen。遗传蚁群融合算法的自适应信息素挥发系数为
Figure BDA0002986458940000063
其中，rhomax，rhomin分别为信息素挥发系数上下限。信息素更新公式为taui'＝(1-rho)·taui+Δtaui，其中以求最大值为例，
Figure BDA0002986458940000071
taui和taui'分别是变异前后第i只蚂蚁的信息素含量。Δtaui是第i只蚂蚁的信息素增量，ωi是第只蚂蚁的排名，L是执行选择算子之后选择出的参与信息素更新的蚂蚁数，剩余ant-L只蚂蚁不更新信息素。fmin(x)，fmax(x)分别是适应度最小值和最大值。
遗传蚁群融合算法改进的支持向量机，通过设定种群个数、最大迭代次数、信息素挥发上下限、转移概率、变异概率、选择概率等初始参数，随机生成惩罚因子c和径向基核函数的方差g参数组合作为初始种群，每代经过转移、选择、变异和释放信息素等操作，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
当然，本发明中的电驱动总成热管理***为现有***即可。电驱动总成包括电动汽车及电动工程机械，如电动推土机、电动挖掘机、电动装载机、电动压路机等。
电驱动总成热管理***包括电机散热器、电子水泵、电子风扇、风道、冷凝器等零部件，其中电子水泵设为低速、中速、高速三个档位。
预测模型训练样本是通过一维、三维流体力学联合运算得到的。电驱动总成热管理***中对于电子风扇的控制策略，通过设置不同的环境温度、环境湿度、电机转速、电机转矩，电子水泵转速，仿真得到不同工况下满足电机出水温度目标要求的电子风扇转速，转换得到作为输出参数的风扇占空比，并将上述数据作为该支持向量机预测模型的训练样本。
电驱动总成热管理***对于电子风扇的控制策略的形成过程：车辆处于某工况时，通过各传感器采集环境温度、环境湿度、电机出水温度、电机转速、电机转矩、电子水泵转速作为输入变量，输出风扇占空比，对遗传蚁群融合算法改进的支持向量机预测模型进行训练，得到电驱动总成热管理***关于风扇的控制策略ConStrMach_fan。
电子风扇转速的控制策略和散热器、电子风扇、电子水泵等构成了用于电驱动总成的热管理控制策略及***，该控制策略及***可以满足电机制冷需求并降低能耗。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种融合遗传蚁群算法的热管理控制方法，其特征是：包括以下步骤：
获取环境温度、环境湿度、电机转速、电机转矩和电机出水温度，作为控制输入参数；
利用基于融合遗传蚁群算法改进的支持向量机预测模型，基于控制输入参数进行控制，确定与当前工况相匹配的风扇占空比，利用该风扇占空比控制电子风扇转速。
2.如权利要求1所述的一种融合遗传蚁群算法的热管理控制方法，其特征是：所述融合遗传蚁群算法，将遗传算法引入到蚁群算法中，采用遗传算法的选择算子和变异算子，执行选择算子时，将蚂蚁个体按照信息素浓度高低进行排序，选择信息素浓度排名位于前面设定范围的个体进行信息素更新；执行变异算子时，蚂蚁个体的基因值以设定变异率进行实值变异为其他等位基因值。
3.如权利要求1所述的一种融合遗传蚁群算法的热管理控制方法，其特征是：所述基于融合遗传蚁群算法改进的支持向量机预测模型中，通过设定初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，每代蚂蚁经过转移、选择、变异和释放信息素操作，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
4.如权利要求3所述的一种融合遗传蚁群算法的热管理控制方法，其特征是：所述初始参数包括但不限于种群个数、最大迭代次数、信息素挥发上下限、转移概率、变异概率和选择概率。
5.如权利要求1所述的一种融合遗传蚁群算法的热管理控制方法，其特征是：所述基于融合遗传蚁群算法改进的支持向量机预测模型预先经过训练，训练样本由历史环境温度、环境湿度、电机转速、电机转矩和电机出水温度检测数据以及仿真模拟实验数据得到。
6.如权利要求5所述的一种融合遗传蚁群算法的热管理控制方法，其特征是：通过设置不同的环境温度、环境湿度、电机转速、电机转矩，电子水泵转速，结合散热模块风洞试验数据仿真得到不同工况下满足电机出水温度目标要求的电子风扇转速，转换得到作为输出参数的风扇占空比。
7.一种融合遗传蚁群算法的热管理控制***，其特征是：包括：
电驱动总成热管理***和控制器，所述控制器被配置为获取环境温度、环境湿度、电机转速、电机转矩和电机出水温度，作为控制输入参数；
利用基于融合遗传蚁群算法改进的支持向量机预测模型，基于控制输入参数进行控制，确定与当前工况相匹配的风扇占空比，利用该风扇占空比控制电子风扇转速，进而控制电驱动总成热管理***。
8.如权利要求7所述的一种融合遗传蚁群算法的热管理控制***，其特征是：所述电驱动总成热管理***中环境温度、环境湿度、电机转速、电机转矩和电机出水温度均有相应的传感器采集得到。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种融合遗传蚁群算法的热管理控制方法中的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6中任一项所述的一种融合遗传蚁群算法的热管理控制方法中的步骤。
CN202110301556.4A 2021-03-22 2021-03-22 一种融合遗传蚁群算法的热管理控制方法及*** Active CN113050426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301556.4A CN113050426B (zh) 2021-03-22 2021-03-22 一种融合遗传蚁群算法的热管理控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301556.4A CN113050426B (zh) 2021-03-22 2021-03-22 一种融合遗传蚁群算法的热管理控制方法及***

Publications (2)

Publication Number Publication Date
CN113050426A true CN113050426A (zh) 2021-06-29
CN113050426B CN113050426B (zh) 2022-11-25

Family

ID=76514111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301556.4A Active CN113050426B (zh) 2021-03-22 2021-03-22 一种融合遗传蚁群算法的热管理控制方法及***

Country Status (1)

Country Link
CN (1) CN113050426B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114060902A (zh) * 2021-11-29 2022-02-18 广东万和新电气股份有限公司 供暖预测模型建立方法、供暖***及其控制方法
CN114610030A (zh) * 2022-03-08 2022-06-10 山东大学 基于组合智能算法的作业调配路径规划方法及***
CN114992808A (zh) * 2022-06-15 2022-09-02 山东大学 基于组合智能算法的热泵空调热管理控制方法及***
WO2023232017A1 (zh) * 2022-05-31 2023-12-07 中国第一汽车股份有限公司 一种车辆热管理***的控制方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2733252A1 (en) * 2012-11-16 2014-05-21 Electrolux Home Products Corporation N.V. Method of operating a heat pump laundry dryer and heat pump laundry dryer or heat pump washing machine having drying function
CN106985658A (zh) * 2017-04-24 2017-07-28 中国人民解放军装甲兵技术学院 一种基于电子风扇的混合动力专用发动机散热装置及其控制方法
CN108608628A (zh) * 2018-03-16 2018-10-02 黄力 遗传算法修正蚁群算法优化的pid控制器及其应用
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
KR102165865B1 (ko) * 2019-07-22 2020-10-14 성균관대학교산학협력단 소프트웨어 정의 네트워크에서 유전자 및 개미 집단 알고리즘 기반 동적 로드 밸런싱 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2733252A1 (en) * 2012-11-16 2014-05-21 Electrolux Home Products Corporation N.V. Method of operating a heat pump laundry dryer and heat pump laundry dryer or heat pump washing machine having drying function
CN106985658A (zh) * 2017-04-24 2017-07-28 中国人民解放军装甲兵技术学院 一种基于电子风扇的混合动力专用发动机散热装置及其控制方法
CN108608628A (zh) * 2018-03-16 2018-10-02 黄力 遗传算法修正蚁群算法优化的pid控制器及其应用
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
KR102165865B1 (ko) * 2019-07-22 2020-10-14 성균관대학교산학협력단 소프트웨어 정의 네트워크에서 유전자 및 개미 집단 알고리즘 기반 동적 로드 밸런싱 방법 및 장치

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
XIAOYAN CHEN 等: "Research on an Improved Ant Colony Algorithm Fusion with Genetic Algorithm for Route Planning", 《2020 IEEE 4TH INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 *
YONG-FENG DONG 等: "Combination of Genetic Algorithm and Ant Colony Algorithm for Distribution Network Planning", 《2007 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 *
刘新亮: "基于遗传蚁群算法的旅行商问题的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
曲春燕: "基于智能理论的工程机械施工一体化若干技术研发", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
樊丽娟: "引进"蚁王"概念的人工蚁群算法及其应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
邢娅浪 等: "《逆变控制新技术》", 31 May 2015 *
陈杰: "《面对复杂优化问题求解的智能优化方法》", 30 September 2017 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114060902A (zh) * 2021-11-29 2022-02-18 广东万和新电气股份有限公司 供暖预测模型建立方法、供暖***及其控制方法
CN114060902B (zh) * 2021-11-29 2023-04-11 广东万和新电气股份有限公司 供暖预测模型建立方法、供暖***及其控制方法
CN114610030A (zh) * 2022-03-08 2022-06-10 山东大学 基于组合智能算法的作业调配路径规划方法及***
CN114610030B (zh) * 2022-03-08 2024-05-28 山东大学 基于组合智能算法的作业调配路径规划方法及***
WO2023232017A1 (zh) * 2022-05-31 2023-12-07 中国第一汽车股份有限公司 一种车辆热管理***的控制方法、装置、设备及介质
CN114992808A (zh) * 2022-06-15 2022-09-02 山东大学 基于组合智能算法的热泵空调热管理控制方法及***
CN114992808B (zh) * 2022-06-15 2023-06-02 山东大学 基于组合智能算法的热泵空调热管理控制方法及***

Also Published As

Publication number Publication date
CN113050426B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN113050426B (zh) 一种融合遗传蚁群算法的热管理控制方法及***
CN111267831B (zh) 一种混合动力车辆智能变时域模型预测能量管理方法
Amini et al. Cabin and battery thermal management of connected and automated HEVs for improved energy efficiency using hierarchical model predictive control
Zhu et al. A real-time battery thermal management strategy for connected and automated hybrid electric vehicles (CAHEVs) based on iterative dynamic programming
CN113378463B (zh) 基于深度学习的电传动推土机电池热管理控制方法及***
CN108072384A (zh) 基于预期功率要求进行电动车辆电池热管理的车辆***和方法
CN113219981B (zh) 一种基于蚁群算法的移动机器人路径规划方法
CN112277927B (zh) 一种基于强化学习的混合动力汽车能量管理方法
EP3404497A1 (en) A method and system for providing an optimized control of a complex dynamical system
CN112288139A (zh) 基于混沌时间序列的空调能耗预测方法、***及存储介质
Montazeri-Gh et al. Driving condition recognition for genetic-fuzzy HEV control
CN113246958B (zh) 基于td3多目标hev能量管理方法及***
CN116070783A (zh) 一种混动传动***在通勤路段下的学习型能量管理方法
CN116394711B (zh) 汽车热管理方法、***、计算机及可读存储介质
CN114992808B (zh) 基于组合智能算法的热泵空调热管理控制方法及***
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN111241749A (zh) 一种基于储备池计算的永磁同步电动机混沌预测方法
Fechert et al. Using deep reinforcement learning for hybrid electric vehicle energy management under consideration of dynamic emission models
Billert et al. Predictive battery thermal management using quantile convolutional neural networks
Hmidi et al. Design and simulation of a 2DOF PID controller based on particle swarm optimization algorithms for a thermal phase of hybrid vehicle
CN113254876B (zh) 一种空调能耗数据确定方法、装置、设备及存储介质
CN117002475A (zh) 混合动力车能量优化控制方法、装置、电子设备及存储介质
CN115952737A (zh) 数据中心运行仿真的优化方法及装置
Katepalli et al. An Eco-Driving Technique for Energy Aware Driving With an Electric Vehicle
Kayabaşı et al. Design of The Direct Current Motor Speed Controller with Embedded System Using Fuzzy Logic

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