基于MPC和Q-Learning算法的混合动力汽车分层控制方法

    公开(公告)号:CN114987433B

    公开(公告)日:2024-07-30

    申请号:CN202210376158.3

    申请日:2022-04-11

    Abstract: 本发明提供的一种基于MPC和Q‑Learning算法的混合动力汽车分层控制方法,包括以下步骤:S1.采集行车队列参数以及行车队列中第i辆车的车辆参数;其中:行车队列参数包括第i辆车的前车位置信息和前车速度信息;第i辆车的车辆参数包括车速和加速度;S2.构建MPC预测控制模型,并根据行车队列参数和自身车辆参数确定出第i辆车的期望加速度;S3.根据第i辆车的期望加速度确定出第i辆车的期望速度;S4.构建Q‑Learning网络,将第i辆车的期望速度、需求功率以及电池电量状态输入Q‑Learning网络中进行处理,输出第i辆车的电机的最优转矩,并基于最优转矩控制混合动力汽车工作,能够有效提升混合动力汽车的燃油经济性。

    基于DQN算法的混合动力汽车再生制动控制方法

    公开(公告)号:CN114643963B

    公开(公告)日:2025-03-21

    申请号:CN202210376157.9

    申请日:2022-04-11

    Abstract: 本发明提供的一种基于DQN算法的混合动力汽车再生制动控制方法,包括:S1.确定混合动力汽车的制动分配系数;S2.构建基于深度Q学习的再生制动控制的多目标优化模型;S3.确定混合动力汽车的状态参数以及动作参数;S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练;S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化,然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α;能够使得混合动力汽车的再生制动分配合理,从而有效提升混合动力汽车能量回收效率以及制动的稳定性。

    基于DMPC的混合动力汽车能量管理控制方法

    公开(公告)号:CN115782851A

    公开(公告)日:2023-03-14

    申请号:CN202211525818.6

    申请日:2022-11-30

    Abstract: 本发明提供的一种基于DMPC的混合动力汽车能量管理控制方法,包括以下步骤:S1.采集混合动力汽车的行车信息,所述行车信息包括当前车辆在行车队列中的位置、速度和转矩信息;S2.构建非线性车队控制模型,并基于行车信息预测下一时刻混合动力汽车的预测需求转矩;S3.构建需求转矩优化模型,并基于预测需求转矩确定出最优需求转矩;S4.构建EF‑DQL能量分配模型,将最优需求转矩输入至EF‑DQL能量分配模型中确定出混合动力汽车在最优需求转矩下电机最优转矩以及发动机最优转矩,并依据发动机最优转矩和电机最优转矩控制混合动力汽车的动力系统工作,通过上述方法,能够根据车辆的队列状态对车辆的能量进行分析、管理,能够有效提升混合动力汽车的转矩合理分配,从而有效提升混合动力汽车的燃油经济性。

    基于MPC和Q-Learning算法的混合动力汽车分层控制方法

    公开(公告)号:CN114987433A

    公开(公告)日:2022-09-02

    申请号:CN202210376158.3

    申请日:2022-04-11

    Abstract: 本发明提供的一种基于MPC和Q‑Learning算法的混合动力汽车分层控制方法,包括以下步骤:S1.采集行车队列参数以及行车队列中第i辆车的车辆参数;其中:行车队列参数包括第i辆车的前车位置信息和前车速度信息;第i辆车的车辆参数包括车速和加速度;S2.构建MPC预测控制模型,并根据行车队列参数和自身车辆参数确定出第i辆车的期望加速度;S3.根据第i辆车的期望加速度确定出第i辆车的期望速度;S4.构建Q‑Learning网络,将第i辆车的期望速度、需求功率以及电池电量状态输入Q‑Learning网络中进行处理,输出第i辆车的电机的最优转矩,并基于最优转矩控制混合动力汽车工作,能够有效提升混合动力汽车的燃油经济性。

    基于DQN算法的混合动力汽车再生制动控制方法

    公开(公告)号:CN114643963A

    公开(公告)日:2022-06-21

    申请号:CN202210376157.9

    申请日:2022-04-11

    Abstract: 本发明提供的一种基于DQN算法的混合动力汽车再生制动控制方法,包括:S1.确定混合动力汽车的制动分配系数;S2.构建基于深度Q学习的再生制动控制的多目标优化模型;S3.确定混合动力汽车的状态参数以及动作参数;S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练;S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化,然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α;能够使得混合动力汽车的再生制动分配合理,从而有效提升混合动力汽车能量回收效率以及制动的稳定性。

Patent Agency Ranking