-
公开(公告)号：CN111976707A
公开(公告)日：2020-11-24
申请号：CN202010930943.X
申请日：2020-09-07
Applicant: 重庆大学
Abstract: 本发明涉及一种基于凸优化考虑电机热状态的混合动力汽车能量管理方法，属于新能源汽车领域。该方法包含以下步骤：S1：根据汽车的参数，建立汽车的纵向动力学模型；S2：根据所选择的循环工况，计算汽车的需求转矩、需求功率；S3：建立各部件动力学模型，以及电机热状态模型S4：通过凸优化拟合方法，对动力系统各部件模型凸化处理；S5：对传动系统的各部件工作状态及电机热状态进行约束；S6：确定目标函数，建立凸优化框架；S7：利用凸优化工具箱，在保证约束条件有效情况下下，计算最佳功率分配。本发明弥补了现有混合动力能量管理方法忽略电机工作状态的缺点，同时本发明的优化算法计算时间快，结果准确。
-
公开(公告)号：CN111965560A
公开(公告)日：2020-11-20
申请号：CN202010859703.5
申请日：2020-08-24
Applicant: 重庆大学
IPC: G01R31/392 , G01R31/367 , G01R31/36 , G01R31/00
Abstract: 本发明涉及一种面向通用放电工况的电池健康状态估计(State of health,SOH)方法，属于电池技术领域，包括以下步骤：S1：对于恒流或脉冲工况，直接进行电压分段，获得电量差序列；对于动态电流工况，首先进行电压滤波，再进行电压分段，获得电量差序列；S2：提取健康因子：计算电量序列及电量差序列的标准差作为健康因子，分别表示为stdQ_VP和std△Q_VP；S3：采用皮尔逊相关系数来分析健康因子与电池容量的线性相关性；S4：使用数据驱动的方法估计电池的SOH。本发明可建立简单的线性回归模型在通用的放电工况下估计电池的SOH。
-
公开(公告)号：CN111898509A
公开(公告)日：2020-11-06
申请号：CN202010712998.3
申请日：2020-07-22
Applicant: 重庆大学
Abstract: 本发明涉及一种无人车防逆光装置及方法，属于无人驾驶环境感知领域。该装置包括图像分析单元、单片机、电机驱动电源、电机和减光镜片；所述减光镜片固定在电机上；所述电机驱动电源与电机连接，给电机供电；图像分析单元与单片机信号连接，用于提取并分析图像感兴趣区域，输出电机旋转信号；减光镜片用于过滤逆光光线；单片机与电机连接，用于转换图像分析单元的输出信号，控制电机带动减光镜片旋转。本发明能够在图像采集阶段快速提高图像品质，同时采用双级减光镜片过滤，使装置可以适应不同强度的逆光场景。
-
公开(公告)号：CN109555847B
公开(公告)日：2020-10-23
申请号：CN201811487895.0
申请日：2018-12-06
Applicant: 重庆大学
Abstract: 本发明涉及一种基于动态规划的混合动力公交车AMT换挡，属于新能源汽车领域。该方法包括：利用GPS设备和车速传感器获取样本工况信息；建立整车动力学模型，计算相应时刻整车的需求转矩；采用DP算法离线获得关于车速与节气门开度的最优档位MAP图；通过车载速度传感器和节气门开度传感器，检测获取公交车的实际车速与节气门开度信号；采用散点插值法选择目标档位，对于相同车速和节气门开度点对应的不同档位做均值和圆整处理，若实际车速超出样本车速或不在样本车速范围内，以差值最小的车速作为档位选择的速度基准；检测下一时刻档位变化，避免发生跳档。本发明能针对不同的驾驶条件进行档位自适应调整。
-
公开(公告)号：CN111731303A
公开(公告)日：2020-10-02
申请号：CN202010657917.4
申请日：2020-07-09
Applicant: 重庆大学
Abstract: 本发明涉及一种基于深度强化学习A3C算法的HEV能量管理方法，属于新能源汽车领域。该方法包括：S1：根据工况的特征参数划分车辆行驶标准工况；S2：计算整车的需求功率；S3：确定需要的状态变量、动作变量以及奖励函数；S4：建立A3C算法模型，设定环境-智能体模块；S5：根据电池SOC以及需求功率的大小，设计并加入基于规则的发动机启停策略；S6：环境-智能体模块中分别加载不同类型的标准工况，通过不断迭代试错的学习方式训练算法模型中的深度神经网络，当总奖励处于稳定收敛状态后结束训练过程，并且保存全局神经网络的持久化模型。本发明在保证燃油经济性的条件下实现对所有随机工况的自适应能力。
-
Patent Agency Ranking
公开(公告)号：CN111444625A
公开(公告)日：2020-07-24
申请号：CN202010261042.6
申请日：2020-04-03
Applicant: 重庆大学
IPC: G06F30/20 , G06F17/13 , G06F111/10
Abstract: 本发明涉及一种面向控制的全固态电池物理降阶方法，属于电池领域，包括步骤：利用拉普拉斯变换得到偏微分方程的解析解，利用Padé近似法将超越传递函数转化为低阶分数传递函数。通过分析传递函数的频响，选择三阶近似传递函数。抛物线函数和三次函数分别用来近似正极和电解质中的浓度分布。利用近似的浓度分布，计算体积平均浓度、平衡电势、扩散过电势、电解质相过电势和电荷转移过电势，得到电池的端电压。本发明的有益之处在于提出一种全固态电池的机理简化模型，该模型能够实时有效地计算电池正极和电解质相的浓度分布、平衡电势、各种过电势、电池电压和SOC。该方法具有良好的性能，能在模型保真度和计算复杂度之间取得了较好的平衡。
-
公开(公告)号：CN110194179A
公开(公告)日：2019-09-03
申请号：CN201910563298.X
申请日：2019-06-26
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
Abstract: 本发明涉及一种串联式混合动力电动汽车动力模式的确定系统，属于电动卡车能量管理领域。对一种串联式混合动力电动汽车采用基于庞特里亚金最小原理(PMP)的能量管理策略，并选择同时控制自动变速器的挡位和辅助动力单元及电池的输出功率进行优化。鉴于当电池最终荷电状态值等于初始水平时，串联式混合动力电动汽车的最优能耗问题可以形成一个规则的两点边值问题，该问题可以通过数值方法直接求解，即，这是一种打靶方法。然而，基于PMP的插电式混合动力汽车的最小总能耗并不是总有一个两点边值问题(TPBVP)，因为电源模式的最优解是纯电动驱动模式还是混合放电模式，取决于行程距离。
-
公开(公告)号：CN110194172A
公开(公告)日：2019-09-03
申请号：CN201910578263.3
申请日：2019-06-28
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
Abstract: 本发明涉及一种基于增强型神经网络插电式混合动力乘用车能量管理方法，属于混合动力乘用车车能量管理领域。该方法包括：S1：选取大量乘用车行驶工况，分别用于人工神经网络的训练和测试，并建立人工神经网络模型；S2：使用庞特里亚金极小值原理，得到其最优的能量分配关系，并将其作为训练数据对人工神经网络进行训练；S3：对人工神经网络进行测试，得到输出层输出的共态变量；S4：建立共态变量与等效因数的关系式；S5：计算等效消耗最小策略的等效能量消耗瞬时最小费用。与现有技术相比，本发明提高了计算效率并且减小了控制器的记忆效应，提高了控制器的鲁棒性，可以处理不同初始电池SOC的情况。
-
公开(公告)号：CN110068772A
公开(公告)日：2019-07-30
申请号：CN201910372379.1
申请日：2019-05-06
Applicant: 重庆大学 , 重庆长安新能源汽车科技有限公司
IPC: G01R31/387 , G01R31/367
Abstract: 本发明涉及一种基于改进分数阶模型的锂离子电池荷电状态估计方法，属于电池技术领域，包括步骤：S1：选定待测动力电池，收集整理该动力电池的技术资料，建立该动力电池的改进分数阶电池模型，并确定该动力电池荷电状态状态估计所需的模型参数；S2：在25℃下对被测电池进行电流倍率为C/20的充放电实验和电化学阻抗谱EIS实验，进而建立充放电开路电压、电池模型参数的实验数据库，模拟多种实车工况，建立工况测试实验数据库；S3：对EIS数据进行参数辨识得到电池模型参数，通过数据拟合获取OCV与SOC之间的映射关系；S4：将动力电池的改进分数阶电池模型结合FEKF算法对电池进行SOC状态估计。
-
公开(公告)号：CN109555847A
公开(公告)日：2019-04-02
申请号：CN201811487895.0
申请日：2018-12-06
Applicant: 重庆大学
Abstract: 本发明涉及一种基于动态规划的混合动力公交车AMT换挡，属于新能源汽车领域。该方法包括：利用GPS设备和车速传感器获取样本工况信息；建立整车动力学模型，计算相应时刻整车的需求转矩；采用DP算法离线获得关于车速与节气门开度的最优档位MAP图；通过车载速度传感器和节气门开度传感器，检测获取公交车的实际车速与节气门开度信号；采用散点插值法选择目标档位，对于相同车速和节气门开度点对应的不同档位做均值和圆整处理，若实际车速超出样本车速或不在样本车速范围内，以差值最小的车速作为档位选择的速度基准；检测下一时刻档位变化，避免发生跳档。本发明能针对不同的驾驶条件进行档位自适应调整。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.026 seconds)
