CN113434962A - 一种混联式混合动力无人机动力***的优化方法 - Google Patents

一种混联式混合动力无人机动力***的优化方法 Download PDF

Info

Publication number
CN113434962A
CN113434962A CN202110756768.1A CN202110756768A CN113434962A CN 113434962 A CN113434962 A CN 113434962A CN 202110756768 A CN202110756768 A CN 202110756768A CN 113434962 A CN113434962 A CN 113434962A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
engine
model
series
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
CN202110756768.1A
Other languages
English (en)
Other versions
CN113434962B (zh
Inventor
***
齐前锦
赵万忠
王春燕
昌诚程
张自宇
薛子宽
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110756768.1A priority Critical patent/CN113434962B/zh
Priority claimed from CN202110756768.1A external-priority patent/CN113434962B/zh
Publication of CN113434962A publication Critical patent/CN113434962A/zh
Application granted granted Critical
Publication of CN113434962B publication Critical patent/CN113434962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种混联式混合动力无人机动力***的优化方法，包括步骤如下：建立混联式混合动力无人机动力***关联模型；分别建立飞行动力性函数模型、耦合结构经济性函数模型，混合***排放性函数模型三个分目标函数模型；确定***约束条件；推导出混联式混合动力无人机动力***多目标优化函数模型；采用多目标优化算法，进行多目标参数优化。本发明的方法使得固定翼混合动力无人机在具备较高的飞行动力性的同时，提高了经济性，并进一步减少排放。

Description

一种混联式混合动力无人机动力***的优化方法
技术领域
本发明属于无人机动力***优化技术领域，具体涉及一种混联式混合动力无人机动力***的优化方法。
背景技术
目前，消费级无人机市场趋于饱和，工业级无人机市场则处于快速上升的趋势，固定翼无人机在远距离、长航时工作任务时具有巨大优势。与此同时，为了实现减少排放、降低污染的目标，混合动力无人机开始成为研究热点。
混合动力无人机动力***包括：串联式、并联式、混联式，串联式动力***发动机的能量利用率不高，需要更大功率的发动机和电动机；并联式动力***油耗和排污指标在一定工况下不如串联式；混联式动力***能够满足发动机、发电机、电动机在各种工况下的最佳优化匹配，最大化的实现能量回收和节能减排的目的。
目前，混联式固定翼混合动力无人机鲜有研究；主要问题在于，混联式动力***的应用虽然能够适应各种不同工况的飞行任务，但也会增加***结构复杂度，导致动力***、整机制造成本增加，同时质量的增加也会对飞行动力性造成影响。此外，动力***的排放性也是需要考虑的因素。
综上可知，混联式无人机的多目标优化设计，对其综合性能有重要意义。然而，现有研究工作集中在独立的燃油经济性单目标优化，尤其是还没有针对特有的固定翼形式的油电混合动力***的多目标优化方法，无法从本质上解决混合动力***性能目标之间的耦合关系对性能的影响，不利于固定翼混合动力无人机的设计应用。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种混联式混合动力无人机动力***的优化方法，以克服现有技术中存在的无人机混合动力***优化目标单一的问题，本发明的方法使得固定翼混合动力无人机在具备较高的飞行动力性的同时，提高了经济性，并进一步减少排放。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种混联式混合动力无人机动力***的优化方法，包括步骤如下：
(1)建立混联式混合动力无人机动力***关联模型；
(2)确定混联式混合动力无人机动力***优化目标，分别建立飞行动力性函数模型、耦合结构经济性函数模型，混合***排放性函数模型三个分目标函数模型；
(3)通过对所述***优化目标进行对比分析，根据***结构选取特征优化变量，确定***约束条件；
(4)根据所述分目标函数模型和***约束条件，推导出混联式混合动力无人机动力***多目标优化函数模型；
(5)根据步骤(4)得到的混联式混合动力无人机动力***多目标优化函数模型，采用多目标优化算法，进行多目标参数优化。
进一步地，所述步骤(1)中的关联模型包括：机体动力学模型、发动机模型、电动机模型、动力电池组模型。
进一步地，所述机体动力学模型为：
Figure BDA0003147969690000021
所述发动机模型包括为：：
Figure BDA0003147969690000022
所述电动机模型为：
Figure BDA0003147969690000023
所述动力电池组模型为：
Figure BDA0003147969690000024
式中，M为合力矩；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量，Ix、Iy、Iz分别为截面对x轴、y轴、z轴的惯性矩，Ixy、Ixz分别为截面对坐标轴的惯性积，Teng_act为发动机实际扭矩，Teng_loss为发动机损失扭矩，Teng_max为发动机峰值扭矩，Teng_ind为发动机控制模块发送的发动机指示扭矩信号，Q为发动机总油耗，Peng为发动机功率，ρ为燃油体积质量，be为发动机燃油消耗率，Um为电动机电压，Im为电动机电流，Cbat为电池容量，τ为电动机油门量，Ub为动力电池组输出电压，Ib为动力电池组放电电流，τr为正常飞行时电动机油门量，ωm为电动机转速，Ke为反电动势常数，R0为电动机内阻，ηd为电调效率，In为正常飞行时电动机电流，ηb为电池实际可用容量系数，tv和tc分别为设计起降和巡航时间。
进一步地，所述步骤(2)中的优化目标包括：飞行动力性、耦合结构经济性、混合***排放性。
进一步地，所述飞行动力性函数模型为：
Figure BDA0003147969690000031
式中，Ffli为飞行动力性指标，u、v、w分别表示飞行速度在机体坐标系分量；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量；m为无人机质量，du/dt、dv/dt、dw/dt分别为Ox轴、Oy轴、Oz轴上飞行速度分量对时间的导数。
进一步地，所述耦合结构经济性函数模型为：
Feco＝1229+10.436Peng+19.733Pm+(124.523+6.195PEratio)Cbat
式中，Feco为耦合结构经济性指标，Pm表示电动机额定功率，Peng为发动机功率，Cbat为电池容量，PEratio为电池的功率能量比。
进一步地，所述混合***排放性函数模型为：
Fair＝FCO+FHC+FNOx
式中，Fair为混合***排放性指标，FCO表示一氧化碳排放量，FHC表示碳氢化合物排放量，FNOx表示氮氧化合物排放量。
进一步地，所述步骤(3)中的特征优化变量包括：发动机功率Peng、动力电池组容量Cbat、发电机峰值功率Pmax1、电动机峰值功率Pmax2、动力电池组SOC上下限SL与SU、油电功率混合度Pc。
进一步地，所述步骤(4)中的混联式混合动力无人机动力***多目标优化模型为：
Figure BDA0003147969690000041
式中，Ffli(X)为飞行动力性函数，Feco(X)为耦合结构经济性函数，Fair(X)为混合***排放性函数，g1(X)为最大平飞速度，g2(X)为最大升限，g3(X)为最大航程，g4(X)为混合动力***总质量，g5(X)动力耦合响应时间。
进一步地，所述步骤(5)中多目标算法包括但不限于：多目标遗传算法、粒子群算法、多目标进化算法。
本发明的有益效果：
(1)本发明方法可以从本质上解决混合动力***性能目标之间的耦合关系对性能的影响，有利于固定翼混合动力无人机的设计应用。
(2)本发明对混联式混合动力无人机动力***进行优化，有效解决飞行动力性、经济性、排放性多个优化目标之间相互矛盾的问题，得到综合飞行性能较好的一组解集。
(3)本发明通过对多个目标进行优化，满足所述三个目标之间平衡的同时，还可以对无人机部分零部件选型进行优化，尽可能减小混联式混合动力***带来的机体整体质量变大的问题。
附图说明
图1为本发明中***的结构原理图。
图2为本发明优化方法的原理图。
图3为本发明中多目标优化算法流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明中的混联式混合动力无人机动力***，包括：发动机、发电机、电动机、动力电池组、离合器、传感器、控制器、第一动力耦合器、第二动力耦合器及螺旋桨；
所述传感器与控制器电气相连，其接收高度、速度、气压信号并传递给所述控制器；
所述控制器包含：发动机控制模块、发电机/电动机控制模块、电池管理模块；所述发动机控制模块分别与所述离合器、发动机电气相连；所述发电机/电动机控制模块与所述发电机电气相连；所述电池管理模块与所述动力电池组电气相连；所述控制器根据传感器的输入信号对当前飞行工况进行分析，并产生相应的指令信号控制所述发动机的燃油喷射量和点火时刻；
所述发动机的输入端接收所述控制器传递的控制信号，输出端通过所述第一动力耦合器分别与所述发电机的输入端、离合器的输入端相连；
所述离合器的输出端、电动机的输出端分别通过第二动力耦合器与螺旋桨相连并传输动力；所述离合器根据所述控制器传递的指令信号实现闭合与断开两种状态，以传递或切断发动机输出的动力；
所述发电机与所述动力电池组电气相连；
所述动力电池组与所述电动机电气相连，所述控制器通过所述动力电池组反馈的SOC信号与此时的飞行工况进行分析，判断动力电池组进入充电或放电状态，并向所述发电机以及电动机传递指令以控制二者的启停。
参照图2所示，本发明的一种混联式混合动力无人机动力***的优化方法，基于上述***，包括步骤如下：
(1)建立混联式混合动力无人机动力***关联模型；
所述关联模型包括：机体动力学模型、发动机模型、电动机模型、动力电池组模型。
机体动力学模型为：
Figure BDA0003147969690000051
所述发动机模型包括为：：
Figure BDA0003147969690000052
所述电动机模型为：
Figure BDA0003147969690000061
所述动力电池组模型为：
Figure BDA0003147969690000062
式中，M为合力矩；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量，Ix、Iy、Iz分别为截面对x轴、y轴、z轴的惯性矩，Ixy、Ixz分别为截面对坐标轴的惯性积，Teng_act为发动机实际扭矩，Teng_loss为发动机损失扭矩，Teng_max为发动机峰值扭矩，Teng_ind为发动机控制模块发送的发动机指示扭矩信号，Q为发动机总油耗，Peng为发动机功率，ρ为燃油体积质量，be为发动机燃油消耗率，Um为电动机电压，Im为电动机电流，Cbat为电池容量，τ为电动机油门量，Ub为动力电池组输出电压，Ib为动力电池组放电电流，τr为正常飞行时电动机油门量，ωm为电动机转速，Ke为反电动势常数，R0为电动机内阻，ηd为电调效率，In为正常飞行时电动机电流，ηb为电池实际可用容量系数，tv和tc分别为设计起降和巡航时间。
(2)确定混联式混合动力无人机动力***优化目标，分别建立飞行动力性函数模型、耦合结构经济性函数模型，混合***排放性函数模型三个分目标函数模型；
优化目标包括：飞行动力性、耦合结构经济性、混合***排放性。
其中，所述飞行动力性函数模型为：
Figure BDA0003147969690000063
式中，Ffli为飞行动力性指标，u、v、w分别表示飞行速度在机体坐标系分量；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量；m为无人机质量，du/dt、dv/dt、dw/dt分别为Ox轴、Oy轴、Oz轴上飞行速度分量对时间的导数。
所述耦合结构经济性函数模型为：
Feco＝1229+10.436Peng+19.733Pm+(124.523+6.195PEratio)Cbat
式中，Feco为耦合结构经济性指标，Pm表示电动机额定功率，Peng为发动机功率，Cbat为电池容量，PEratio为电池的功率能量比。
所述混合***排放性函数模型为：
Fair＝FCO+FHC+FNOx
式中，Fair为混合***排放性指标，FCO表示一氧化碳排放量，FHC表示碳氢化合物排放量，FNOx表示氮氧化合物排放量。
(3)通过对所述***优化目标进行对比分析，根据***结构选取特征优化变量，确定***约束条件；
所述步骤(3)中的对比分析针对优化目标性能指标的特性展开，得到特征优化变量包括：发动机功率Peng、动力电池组容量Cbat、发电机峰值功率Pmax1、电动机峰值功率Pmax2、动力电池组SOC上下限SL与SU、油电功率混合度Pc；同时根据***结构及相关连接确定***相关约束条件为：最大平飞速度、最大升限、最大航程、混合动力***总质量、动力耦合响应时间。
(4)根据所述分目标函数模型和***约束条件，推导出混联式混合动力无人机动力***多目标优化函数模型；
混联式混合动力无人机动力***多目标优化模型为：
Figure BDA0003147969690000071
式中，Ffli(X)为飞行动力性函数，Feco(X)为耦合结构经济性函数，Fair(X)为混合***排放性函数，g1(X)为最大平飞速度，g2(X)为最大升限，g3(X)为最大航程，g4(X)为混合动力***总质量，g5(X)动力耦合响应时间。
(5)根据步骤(4)得到的混联式混合动力无人机动力***多目标优化函数模型，采用多目标优化算法，进行多目标参数优化；
参照图3所示，以多目标遗传算法优化为例，具体步骤如下：
(51)随机生成初始父代种群X0(Peng、Cbat、Pmax1、Pmax2、SL、SU、PC)，根据混联式混合动力无人机动力***优化变量的初值对种群进行初始化；
(52)对父代种群X0中所有个体按非支配关系排序，进行选择、交叉和变异三种遗传操作，生成子代种群Y0；
(53)将初始父代种群X0和子代种群Y0合并成新的种群Z0,对种群Z0进行非支配关系排序，分层计算拥挤度，选出N个个体，组成初始父代种群Xt，t＝1；
(54)对父代种群Xt中所有个体按非支配关系排序，进行选择、交叉和变异三种遗传操作，生成子代种群Yt，t≥1；
(55)将初始父代种群Xt和子代种群Yt合并成新的种群Zt,对种群Zt进行非支配关系排序，分层计算拥挤度，选出N个个体，组成新的父代种Xt+1；
(56)判断k是否等于设置的最大进化代数gen，若k＝gen，则算法结束退出优化，得到混联式混合动力无人机动力***最优解；否则k＝k+1，转到步骤(54)继续执行优化。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

1.一种混联式混合动力无人机动力***的优化方法，其特征在于，包括步骤如下：
(1)建立混联式混合动力无人机动力***关联模型；
(2)确定混联式混合动力无人机动力***优化目标，分别建立飞行动力性函数模型、耦合结构经济性函数模型，混合***排放性函数模型三个分目标函数模型；
(3)根据***结构选取特征优化变量，确定***约束条件；
(4)根据所述分目标函数模型和***约束条件，推导出混联式混合动力无人机动力***多目标优化函数模型；
(5)采用多目标优化算法，进行多目标参数优化。
2.根据权利要求1所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述步骤(1)中的关联模型包括：机体动力学模型、发动机模型、电动机模型、动力电池组模型。
3.根据权利要求2所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述机体动力学模型为：
Figure FDA0003147969680000011
所述发动机模型包括为：
Figure FDA0003147969680000012
所述电动机模型为：
Figure FDA0003147969680000013
所述动力电池组模型为：
Figure FDA0003147969680000021
式中，M为合力矩；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量，Ix、Iy、Iz分别为截面对x轴、y轴、z轴的惯性矩，Ixy、Ixz分别为截面对坐标轴的惯性积，Teng_act为发动机实际扭矩，Teng_loss为发动机损失扭矩，Teng_max为发动机峰值扭矩，Teng_ind为发动机控制模块发送的发动机指示扭矩信号，Q为发动机总油耗，Peng为发动机功率，ρ为燃油体积质量，be为发动机燃油消耗率，Um为电动机电压，Im为电动机电流，Cbat为电池容量，τ为电动机油门量，Ub为动力电池组输出电压，Ib为动力电池组放电电流，τr为正常飞行时电动机油门量，ωm为电动机转速，Ke为反电动势常数，R0为电动机内阻，ηd为电调效率，In为正常飞行时电动机电流，ηb为电池实际可用容量系数，tv和tc分别为设计起降和巡航时间。
4.根据权利要求1所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述步骤(2)中的优化目标包括：飞行动力性、耦合结构经济性、混合***排放性。
5.根据权利要求4所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述飞行动力性函数模型为：
Figure FDA0003147969680000022
式中，Ffli为飞行动力性指标，u、v、w分别表示飞行速度在机体坐标系分量；i、j、k分别表示机体坐标系中的Ox轴、Oy轴、Oz轴的单位矢量；p、q、r表示旋转角速度在坐标系分量；m为无人机质量，du/dt、dv/dt、dw/dt分别为Ox轴、Oy轴、Oz轴上飞行速度分量对时间的导数。
6.根据权利要求4所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述耦合结构经济性函数模型为：
Feco＝1229+10.436Peng+19.733Pm+(124.523+6.195PEratio)Cbat
式中，Feco为耦合结构经济性指标，Pm表示电动机额定功率，Peng为发动机功率，Cbat为电池容量，PEratio为电池的功率能量比。
7.根据权利要求4所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述混合***排放性函数模型为：
Fair＝FCO+FHC+FNOx
式中，Fair为混合***排放性指标，FCO表示一氧化碳排放量，FHC表示碳氢化合物排放量，FNOx表示氮氧化合物排放量。
8.根据权利要求1所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述步骤(4)中的混联式混合动力无人机动力***多目标优化模型为：
Figure FDA0003147969680000031
式中，Ffli(X)为飞行动力性函数，Feco(X)为耦合结构经济性函数，Fair(X)为混合***排放性函数，g1(X)为最大平飞速度，g2(X)为最大升限，g3(X)为最大航程，g4(X)为混合动力***总质量，g5(X)动力耦合响应时间。
9.根据权利要求1所述的混联式混合动力无人机动力***的优化方法，其特征在于，所述步骤(5)中多目标算法包括但不限于：多目标遗传算法、粒子群算法、多目标进化算法。
CN202110756768.1A 2021-07-05 一种混联式混合动力无人机动力***的优化方法 Active CN113434962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756768.1A CN113434962B (zh) 2021-07-05 一种混联式混合动力无人机动力***的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756768.1A CN113434962B (zh) 2021-07-05 一种混联式混合动力无人机动力***的优化方法

Publications (2)

Publication Number Publication Date
CN113434962A true CN113434962A (zh) 2021-09-24
CN113434962B CN113434962B (zh) 2024-07-05

Family

ID=

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115593647A (zh) * 2022-11-03 2023-01-13 清华大学（Cn） 用于垂直起降飞机的串联混合动力***航程最优设计方法
CN115657728A (zh) * 2022-12-12 2023-01-31 辽宁电力能源发展集团有限公司 一种无人机仿真控制方法及***
CN115924102A (zh) * 2022-11-03 2023-04-07 清华大学 用于垂直起降飞机的串联混合动力***航时最优设计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494080A (zh) * 2018-03-16 2018-09-04 上海海事大学 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法
CN111079230A (zh) * 2019-08-21 2020-04-28 南昌工程学院 一种基于nsga-ii的插电式混合动力汽车动力传动***参数多目标优化方法
CN112231830A (zh) * 2020-09-30 2021-01-15 浙江大学 基于自适应等效因子的混合动力车辆多目标优化控制方法
CN112758335A (zh) * 2021-01-20 2021-05-07 南京航空航天大学 一种混联式混合动力无人机动力***及其控制方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及***
WO2021114742A1 (zh) * 2019-12-10 2021-06-17 北京理工大学 一种混合动力电动汽车综合预测能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108494080A (zh) * 2018-03-16 2018-09-04 上海海事大学 一种基于改进nsga-ii的混合动力船舶多目标能量优化方法
CN111079230A (zh) * 2019-08-21 2020-04-28 南昌工程学院 一种基于nsga-ii的插电式混合动力汽车动力传动***参数多目标优化方法
WO2021114742A1 (zh) * 2019-12-10 2021-06-17 北京理工大学 一种混合动力电动汽车综合预测能量管理方法
CN112231830A (zh) * 2020-09-30 2021-01-15 浙江大学 基于自适应等效因子的混合动力车辆多目标优化控制方法
CN112758335A (zh) * 2021-01-20 2021-05-07 南京航空航天大学 一种混联式混合动力无人机动力***及其控制方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李婕;李昊;赵新蕖;: "免疫遗传算法的混合动力汽车多目标优化", 计算机工程与应用, no. 04, 27 February 2017 (2017-02-27) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115593647A (zh) * 2022-11-03 2023-01-13 清华大学（Cn） 用于垂直起降飞机的串联混合动力***航程最优设计方法
CN115924102A (zh) * 2022-11-03 2023-04-07 清华大学 用于垂直起降飞机的串联混合动力***航时最优设计方法
CN115924102B (zh) * 2022-11-03 2023-11-28 清华大学 用于垂直起降飞机的串联混合动力***航时最优设计方法
CN115657728A (zh) * 2022-12-12 2023-01-31 辽宁电力能源发展集团有限公司 一种无人机仿真控制方法及***

Similar Documents

Publication Publication Date Title
US11766942B2 (en) Extended-range fuel cell electric vehicle power device and control method therefor
CN101898557A (zh) 电动四驱混合动力车辆的控制方法
EP3736151A1 (en) Hybrid drive system and vehicle
CN109895758A (zh) 一种混合动力汽车发动机扭矩控制方法、***及车辆
CN112959992B (zh) 基于能效分析与效率最优的混合动力汽车能量管理方法
CN109177968B (zh) 一种功率分流式混合动力汽车的驱动模式控制方法
WO2024045321A1 (zh) 一种面向增程式电传动矿用卡车的能量输出控制方法及***
Zhang et al. Powertrain design and energy management of a novel coaxial series-parallel plug-in hybrid electric vehicle
CN109552112A (zh) 一种用于混合动力汽车的电池储能控制方法
CN112758335A (zh) 一种混联式混合动力无人机动力***及其控制方法
Hmidi et al. Analysis of rule-based parameterized control strategy for a HEV Hybrid Electric Vehicle
Jia et al. Energy management strategy of fuel cell/battery hybrid vehicle based on series fuzzy control
CN110834624A (zh) 一种自适应遗传算法的全混动汽车能效优化控制方法
CN117465412A (zh) 基于能量流效率最优的混合动力车辆在线能量管理方法
Zhang et al. Co-simulation of energy management strategy for hybrid electric vehicle in AVL InMotion
CN113434962A (zh) 一种混联式混合动力无人机动力***的优化方法
CN113434962B (zh) 一种混联式混合动力无人机动力***的优化方法
CN115284896A (zh) 一种基于双堆燃料电池的混合动力***能量管理方法
CN110901628B (zh) 一种二阶振荡粒子群算法的全混动汽车能效优化方法
CN112046463A (zh) 一种混合动力汽车动力总成控制方法
Zheng et al. Powertrain hybridization and parameter optimization design of a conventional fuel vehicle based on the multi-objective particle swarm optimization algorithm
Sun et al. A Dynamic Programming based Fuzzy Logic Energy Management Strategy for Series-parallel Hybrid Electric Vehicles.
CN110941875A (zh) 一种自适应异步粒子群的全混动汽车能效优化控制方法
Hou et al. Control Strategy of Power Intelligent System of Electric Vehicle Based on Improved Particle Swarm Optimization
CN109760670A (zh) 一种传统前置后驱内燃机汽车改装成混合动力汽车的方法

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