[go: up one dir, main page]

CN109284540B - 一种基于工况识别的变衰减因子指数预测模型方法 - Google Patents

一种基于工况识别的变衰减因子指数预测模型方法 Download PDF

Info

Publication number
CN109284540B
CN109284540B CN201811013106.XA CN201811013106A CN109284540B CN 109284540 B CN109284540 B CN 109284540B CN 201811013106 A CN201811013106 A CN 201811013106A CN 109284540 B CN109284540 B CN 109284540B
Authority
CN
China
Prior art keywords
working condition
cycle
max
attenuation factor
formula
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
Application number
CN201811013106.XA
Other languages
English (en)
Other versions
CN109284540A (zh
Inventor
刘永刚
刘俊骏
陈达奇
秦大同
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201811013106.XA priority Critical patent/CN109284540B/zh
Publication of CN109284540A publication Critical patent/CN109284540A/zh
Application granted granted Critical
Publication of CN109284540B publication Critical patent/CN109284540B/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于工况识别的变衰减因子指数预测模型方法，主要步骤为：1)确定标准循环工况。2)将标准循环工况分割成m个工况块I。3)提取m个工况块I的最优衰减因子Td。4)所有工况块I中包含的样本数据记为数据集X。5)将数据集X分解为训练样本数据集A和测试样本数据集B。6)对SVM识别器进行训练和测试。7)将待检测的汽车实际行驶的综合循环工况分割成n个工况块II。将n个工况块II输入到测试完成的SVM识别器中，从而得到最优衰减因子Td'。8)得到变衰减因子指数预测模型。9)将n个工况块II输入到变衰减因子指数预测模型中，得到车速预测结果。本发明具有自适应性、高预测精度、不易陷入局部最优且能适用多种行驶工况。

Description

一种基于工况识别的变衰减因子指数预测模型方法
技术领域
本发明涉及混合动力汽车控制领域，具体是一种基于工况识别的变衰减因子指数预测模型方法。
背景技术
混合动力汽车不仅具有减少燃油消耗和排放污染的优点，而且还具有续驶里程长，对电池电量依赖小等优势，因此混合动力汽车是目前发展、推广最成功的新能源车型
能量管理策略在改善插电式混合动力汽车燃油经济性上效果显著，而基于规则的能量管理策略技术简单、逻辑性强、计算量小、在实际生产中广泛应用。但是基于规则的控制策略依赖于开发人员的经验，且均为针对特定行驶工况进行制定，对于工况的适应性较差，不具有通用性，无法实现燃油经济性的最优。基于全局优化的能量管理策略计算量较大难以实现实时控制且需要提前预知汽车的行驶工况，无法在实车上应用。基于实时优化的控制策略，计算量相对较小，但是实时最优并不能实现全局最优，混合动力汽车的燃油经济性仍有待提高。模型预测控制(MPC)作为在工业领域已获得广泛应用的优化控制方法，由于其预测域的引入，使得其在具有实时运算潜力的同时能够获得在预测域内的最优解，因而对PHEV能量管理问题同样适用。MPC具有通用的结构，其中包含预测模型、参考轨迹、在线校正、受控系统和滚动优化5个模块。而以指数预测为代表的未来车速的预测是典型预测方法。
指数预测模型拥有简单且计算量小的优点，已经广泛地应用在基于模型预测控制的混合动力汽车能量管理中。车速呈指数变化的预测模型，随着指数预测精度的提升MPC的燃油经济性越好。但是指数预测模型的预测精度十分依赖衰减因子的选择。
然而针对一种能够根据工况进行衰减因子自适应调整的研究尚未见有相关文献研究。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种基于工况识别的变衰减因子指数预测模型方法，主要包括以下步骤：
1)确定汽车行驶工况特征参数的类别。
所述汽车行驶工况的特征参数主要包括平均车速
Figure BDA0001785547220000021
最大车速vmax、最大加速度amax、平均加速度
Figure BDA0001785547220000022
最大减速度dmax、平均减速度
Figure BDA0001785547220000023
怠速时间比例ri、加速时间比例ra、减速时间比例rd和匀速时间比例rc。
汽车行驶工况的特征参数的主要计算公式分别如公式1至10所示。
平均车速
Figure BDA0001785547220000024
如下所示：
Figure BDA0001785547220000025
式中，vg为每个时刻的循环工况车速。tg为整个循环工况时间。i为任意循环工况时间。
最大车速vmax如下所示：
vmax＝max(vg)。 (2)
式中，max表示取最大值。
最大加速度amax如下所示：
amax＝max(ag)。 (3)
式中，ag为循环工况加速度。
平均加速度
Figure BDA0001785547220000026
如下所示：
Figure BDA0001785547220000027
式中，ag为循环工况加速度。tg为整个循环工况时间。i为任意循环工况时间。
最大减速度dmax如下所示：
dmax＝max(dg)。 (5)
式中，dg为循环工况减速度。
平均减速度
Figure BDA0001785547220000031
如下所示：
Figure BDA0001785547220000032
式中，dg为循环工况减速度。
怠速时间比例ri如下所示：
Figure BDA0001785547220000033
式中,ti为循环工况中怠速时间。
加速时间比例ra如下所示：
Figure BDA0001785547220000034
式中,ta为循环工况中加速时间。
减速时间比例rd如下所示：
Figure BDA0001785547220000035
式中,td为循环工况中加速时间。
匀速时间比例rc如下所示：
Figure BDA0001785547220000036
式中，tc为循环工况中匀速时间。
2)确定标准循环工况。
所述标准循环工况中主要包含市区拥堵工况、高速公路工况和城市城郊工况。
3)将标准循环工况分割成m个工况块I，每个工况块I的时间长度为120s。
4)分别计算m个工况块I的特征参数，并提取m个工况块I的最优衰减因子Td。
5)根据最优衰减因子Td的物理含义，将所有最优衰减因子Td对应的工况块I分为10类，并统计每一类工况块I的样本数据个数。所有工况块I中包含的样本数据记为数据集X。
6)将数据集X分解为训练样本数据集A和测试样本数据集B。
7)将训练样本数据集A作为训练样本，对SVM识别器进行训练，得到训练后的SVM识别器。
8)将测试样本数据集B输入到训练后的SVM识别器中，对训练后的SVM识别器进行测试。
9)将待检测的汽车实际行驶的综合循环工况分割成n个工况块II，每个工况块II的时间长度为120s。将n个工况块II输入到测试完成的SVM识别器中，从而得到最优衰减因子Td'。
10)建立指数衰减预测模型。
11)将最优衰减因子Td'输入到指数衰减预测模型中，从而得到变衰减因子指数预测模型。
12)将n个工况块II输入到变衰减因子指数预测模型中，得到车速预测结果。
本发明的技术效果是毋庸置疑的。本发明公开了一种具有自适应性、高预测精度、不易陷入局部最优且能适用多种行驶工况的预测模型。本发明为混合动力汽车预测能量管理策略中的关键问题——短期工况预测提供了一种新的更加有效的预测算法。本发明提出了一种新的基于工况识别的变衰减因子指数预测模型方法，能够充分发挥指数预测模型的优势。整个预测模型分为两个模块，工况识别模块和预测模块。工况识别模块采用SVM识别器在线识别行驶工况。预测模块根据工况对应的最优衰减因子计算出预测域内的预测车速。
附图说明
图1为流程示意图；
图2为固定衰减指数预测效果图；
图3为SVM原理示意图；
图4为SVM识别测试图I；
图5为SVM识别测试图II；
图6为综合循环工况；
图7为综合循环工况的识别结果；
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图7，一种基于工况识别的变衰减因子指数预测模型方法，主要包括以下步骤：
1)确定汽车行驶工况特征参数的类别。
所述汽车行驶工况的特征参数主要包括平均车速
Figure BDA0001785547220000051
最大车速vmax、最大加速度amax、平均加速度
Figure BDA0001785547220000052
最大减速度dmax、平均减速度
Figure BDA0001785547220000053
怠速时间比例ri、加速时间比例ra、减速时间比例rd和匀速时间比例rc。
汽车行驶工况的特征参数的主要计算公式分别如公式1至10所示。
平均车速
Figure BDA0001785547220000054
如下所示：
Figure BDA0001785547220000055
式中，vg为每个时刻的循环工况车速。tg为整个循环工况时间。i为任意循环工况时间。
最大车速vmax如下所示：
vmax＝max(vg)。 (2)
式中，max表示取最大值。
最大加速度amax如下所示：
amax＝max(ag)。 (3)
式中，ag为循环工况加速度。
平均加速度
Figure BDA0001785547220000056
如下所示：
Figure BDA0001785547220000057
式中，ag为循环工况加速度。tg为整个循环工况时间。i为任意循环工况时间。
最大减速度dmax如下所示：
dmax＝max(dg)。 (5)
式中，dg为循环工况减速度。
平均减速度
Figure BDA0001785547220000061
如下所示：
Figure BDA0001785547220000062
式中，dg为循环工况减速度。
怠速时间比例ri如下所示：
Figure BDA0001785547220000063
式中,ti为循环工况中怠速时间。
加速时间比例ra如下所示：
Figure BDA0001785547220000064
式中,ta为循环工况中加速时间。
减速时间比例rd如下所示：
Figure BDA0001785547220000065
式中,td为循环工况中加速时间。
匀速时间比例rc如下所示：
Figure BDA0001785547220000066
式中，tc为循环工况中匀速时间。
2)确定标准循环工况。
所述标准循环工况中主要包含市区拥堵工况、高速公路工况和城市城郊工况，比如NYCC、New York Bus、UDDS、HWFET、US06_HWY、LA92、FTP ECE_EUDC_LOW等标准工况循环工况。标准工况循环工况均选用现有标准。
从ADVISOR工况库中提取包含市区拥堵工况、高速公路工况和城市城郊工况的NYCC、New York Bus、UDDS、HWFET、US06_HWY、LA92、FTP ECE_EUDC_LOW标准工况循环工况。
ADVISOR(Advanced VehIcle SimulatOR,高级车辆仿真器)是由美国可再生能源实验室NREL(National RenewableEnergy Laboratory)在MATLAB和SIMULINK软件环境下开发的高级车辆仿真软件。
NYCC、New York Bus、UDDS、HWFET、US06_HWY、LA92和FTP ECE_EUDC_LOW均来自ADVISOR软件标准工况循环工况库。
3)将提取出的标准循环工况分割成m个工况块I，每个工况块I的时间长度为120s。
4)分别计算m个工况块I的特征参数，并提取m个工况块I的最优衰减因子Td。最优衰减因子Td为平均车速
Figure BDA0001785547220000071
最大车速vmax、最大加速度amax、平均加速度
Figure BDA0001785547220000072
最大减速度dmax、平均减速度
Figure BDA0001785547220000073
怠速时间比例ri、加速时间比例ra、减速时间比例rd和匀速时间比例rc中的一个。根据计算得到的10个特征参数的值，选取最优的一个作为最优衰减因子Td。
5)根据最优衰减因子Td的物理含义，将所有最优衰减因子Td对应的工况块I分为10类，并统计每一类工况块I的样本数据个数。所有工况块I中包含的样本数据记为数据集X。
6)将数据集X分解为训练样本数据集A和测试样本数据集B。训练样本数据集A包括125个数据。数据集X包括140个数据。测试样本数据集B包括15个数据。
对SVM识别器识别效果进行了两次测试，分别如图4和图5所示。
7)将训练样本数据集A作为训练样本，对SVM识别器进行训练，得到训练后的SVM识别器。
8)将测试样本数据集B输入到训练后的SVM识别器中，对训练后的SVM识别器进行测试。
9)将待检测的汽车实际行驶的综合循环工况分割成n个工况块II，每个工况块II的时间长度为120s。将n个工况块II输入到测试完成的SVM识别器中，从而得到最优衰减因子Td'。
10)建立指数衰减预测模型。
11)将最优衰减因子Td'输入到指数衰减预测模型中，从而得到变衰减因子指数预测模型。
12)将n个工况块II输入到变衰减因子指数预测模型中，得到车速预测结果,如图7所示，带有三角的线条表示车速预测结果，线条表示综合循环工况的识别结果。
固定衰减因子指数预测模型与基于工况识别的变衰减因子指数预测模型预测结果均方根误差对比如表1所示。
表1为基于SVM识别的指数预测模型预测结果
Figure BDA0001785547220000081

Claims (4)

1.一种基于工况识别的变衰减因子指数预测模型方法，其特征在于，主要包括以下步骤：
1)确定汽车行驶工况特征参数的类别；
2)确定标准循环工况；
3)将标准循环工况分割成m个工况块I，每个工况块I的时间长度为120s；
4)分别计算m个工况块I的特征参数，并提取m个工况块I的最优衰减因子Td；
5)将所有最优衰减因子Td对应的工况块I分为10类，并统计每一类工况块I的样本数据个数；所有工况块I中包含的样本数据记为数据集X；
6)将数据集X分解为训练样本数据集A和测试样本数据集B；
7)将训练样本数据集A作为训练样本，对SVM识别器进行训练，得到训练后的SVM识别器；
8)将测试样本数据集B输入到训练后的SVM识别器中，对训练后的SVM识别器进行测试；
9)将待检测的汽车实际行驶的综合循环工况分割成n个工况块II，每个工况块II的时间长度为120s；将n个工况块II输入到测试完成的SVM识别器中，从而得到最优衰减因子T′d；
10)建立指数衰减预测模型；
11)将最优衰减因子T′d输入到指数衰减预测模型中，从而得到变衰减因子指数预测模型；
12)将n个工况块II输入到变衰减因子指数预测模型中，得到车速预测结果。
2.根据权利要求1所述的一种基于工况识别的变衰减因子指数预测模型方法，其特征在于：所述汽车行驶工况的特征参数主要包括平均车速
Figure RE-FDA0001785547210000011
最大车速vmax、最大加速度amax、平均加速度
Figure RE-FDA0001785547210000012
最大减速度dmax、平均减速度
Figure RE-FDA0001785547210000013
怠速时间比例ri、加速时间比例ra、减速时间比例rd和匀速时间比例rc。
3.根据权利要求1或2所述的一种基于工况识别的变衰减因子指数预测模型方法，其特征在于：汽车行驶工况的特征参数的主要计算公式分别如公式1至10所示；
平均车速
Figure RE-FDA0001785547210000021
如下所示：
Figure RE-FDA0001785547210000022
式中，vg为每个时刻的循环工况车速；tg为整个循环工况时间；i为任意循环工况时间；
最大车速vmax如下所示：
vmax＝max(vg)； (2)
式中，max表示取最大值；
最大加速度amax如下所示：
amax＝max(ag)； (3)
式中，ag为循环工况加速度；
平均加速度
Figure RE-FDA0001785547210000023
如下所示：
Figure RE-FDA0001785547210000024
式中，ag为循环工况加速度；tg为整个循环工况时间；i为任意循环工况时间；
最大减速度dmax如下所示：
dmax＝max(dg)； (5)
式中，dg为循环工况减速度；
平均减速度
Figure RE-FDA0001785547210000025
如下所示：
Figure RE-FDA0001785547210000026
式中，dg为循环工况减速度；
怠速时间比例ri如下所示：
Figure RE-FDA0001785547210000027
式中,ti为循环工况中怠速时间；
加速时间比例ra如下所示：
Figure RE-FDA0001785547210000031
式中,ta为循环工况中加速时间；
减速时间比例rd如下所示：
Figure RE-FDA0001785547210000032
式中,td为循环工况中减速时间；
匀速时间比例rc如下所示：
Figure RE-FDA0001785547210000033
式中，tc为循环工况中匀速时间。
4.根据权利要求1或2所述的一种基于工况识别的变衰减因子指数预测模型方法，其特征在于：所述标准循环工况中主要包含市区拥堵工况、高速公路工况和城市城郊工况。
CN201811013106.XA 2018-08-31 2018-08-31 一种基于工况识别的变衰减因子指数预测模型方法 Active CN109284540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811013106.XA CN109284540B (zh) 2018-08-31 2018-08-31 一种基于工况识别的变衰减因子指数预测模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811013106.XA CN109284540B (zh) 2018-08-31 2018-08-31 一种基于工况识别的变衰减因子指数预测模型方法

Publications (2)

Publication Number Publication Date
CN109284540A CN109284540A (zh) 2019-01-29
CN109284540B true CN109284540B (zh) 2022-11-15

Family

ID=65183366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811013106.XA Active CN109284540B (zh) 2018-08-31 2018-08-31 一种基于工况识别的变衰减因子指数预测模型方法

Country Status (1)

Country Link
CN (1) CN109284540B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459995B (zh) * 2020-03-11 2021-11-23 南京航空航天大学 一种基于驾驶数据的多模态车速预测方法
CN113850334A (zh) * 2021-09-26 2021-12-28 浙江天行健智能科技有限公司 路面类型预测模型的样本采集、构建、预测方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605884A (zh) * 2013-11-04 2014-02-26 北京航天测控技术有限公司 太阳能电池阵输出功率衰减的预测方法及装置
CN104794435A (zh) * 2015-04-03 2015-07-22 中国科学院自动化研究所 一种基于视觉的无人机对地运动目标检测方法
KR101684541B1 (ko) * 2015-06-24 2016-12-08 현대자동차 주식회사 주행 모드 제어 장치 및 이를 이용한 주행 모드 제어 방법
CN108363855A (zh) * 2018-02-02 2018-08-03 杭州电子科技大学 一种基于路况识别的燃料电池与超级电容系统优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5712915B2 (ja) * 2011-12-21 2015-05-07 トヨタ自動車株式会社 プラグインハイブリッド車両
US9409563B2 (en) * 2013-10-31 2016-08-09 Ford Global Technologies, Llc PHEV energy management control with trip-oriented energy consumption preplanning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605884A (zh) * 2013-11-04 2014-02-26 北京航天测控技术有限公司 太阳能电池阵输出功率衰减的预测方法及装置
CN104794435A (zh) * 2015-04-03 2015-07-22 中国科学院自动化研究所 一种基于视觉的无人机对地运动目标检测方法
KR101684541B1 (ko) * 2015-06-24 2016-12-08 현대자동차 주식회사 주행 모드 제어 장치 및 이를 이용한 주행 모드 제어 방법
CN108363855A (zh) * 2018-02-02 2018-08-03 杭州电子科技大学 一种基于路况识别的燃料电池与超级电容系统优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An on-line predictive energy management strategy for plug-in hybrid electric vehicles to counter the uncertain prediction of the driving cycle;Zeyu Chen;《Applied Energy》;20171231;第185卷(第2期);1663-1672 *
MPC-Based Energy Management of a Power-Split Hybrid Electric Vehicle;Borhan H;《IEEE Transactions on Control Systems Technology》;20121230;第20卷(第3期);593-603 *
一种长通道火灾烟气温度预测模型;茅靳丰;《工程热物理学报》;20161231;第37卷(第10期);2230-2237 *
混合动力汽车预测能量管理研究;孙超;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20160715(第07期);C035-22 *

Also Published As

Publication number Publication date
CN109284540A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
Liu et al. Hybrid-trip-model-based energy management of a PHEV with computation-optimized dynamic programming
Zhao et al. Development of a Representative EV Urban Driving Cycle Based on ak‐Means and SVM Hybrid Clustering Algorithm
Mamarikas et al. Traffic impacts on energy consumption of electric and conventional vehicles
CN109552338B (zh) 一种纯电动汽车生态驾驶行为评估方法及系统
CN106844949B (zh) 一种用于实现机车节能操纵的双向lstm模型的训练方法
CN110188797B (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN105868787A (zh) 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN108198425A (zh) 一种电动汽车行驶工况的构建方法
CN110182217B (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN110682905B (zh) 基于行驶里程的时域中电池荷电状态参考变化量获取方法
CN111267830A (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN101519073A (zh) 一种混合动力汽车行驶负载预测方法
CN112163372B (zh) 一种动力电池的soc估算方法
CN109409008B (zh) 一种城市轨道交通工具线路典型速度-时间行驶工况构建方法
CN108556682A (zh) 一种续驶里程预测方法、装置及设备
CN106326581A (zh) 一种续驶里程的确定方法、装置及汽车
CN105930565A (zh) 基于线性策略的交叉熵算法的交通仿真模型参数标定方法
CN109284540B (zh) 一种基于工况识别的变衰减因子指数预测模型方法
CN108629450A (zh) 一种液化天然气公交车尾气排放预测方法
CN116340718A (zh) 一种基于轨迹数据的汽车碳排放估计模型构建方法及系统
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
Hu et al. Research on vehicle speed prediction model based on traffic flow information fusion
CN106644495A (zh) 一种电动汽车性能参数的灵敏度分析方法
CN103530508B (zh) 一种建立风速功率转换概率模型的方法
CN117390867A (zh) 一种能耗评估方法、装置、电子设备以及介质

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