-
公开(公告)号：CN111552185A
公开(公告)日：2020-08-18
申请号：CN202010426452.1
申请日：2020-05-19
Applicant: 重庆大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于PMP的插电式混合动力汽车模型预测控制的能量管理方法，属于新能源汽车领域。该方法包括：S1：利用GPS设备和车速传感器获取单车历史出行工况数据；S2：利用单车历史出行工况数据离线训练ELM模型得到ELM车速预测模型；S3：建立并联PHEV模型和锂离子电池温升模型；S4：根据电池温升模型确定代价函数；S5：将上层车速预测模型得到的结果放入基于PMP的模型预测控制器中，通过求解一个多目标多约束优化问题，得到最优的转矩分配。本发明算法实时性好；同时在代价函数中考虑了电池温度对电池健康的影响，为能量管理提供了新方向。
-
公开(公告)号：CN111231930A
公开(公告)日：2020-06-05
申请号：CN202010022703.X
申请日：2020-01-09
Applicant: 重庆大学
Abstract: 本发明涉及一种基于MPC的HEV自适应巡航中多目标的能量管理方法，属于新能源汽车领域。该方法包含步骤为：S1：HEV跟车过程及动力传统系统建模，计算相应时刻整车的需求转矩，并考虑发动机排放模型；S2：考虑跟车过程中各综合性能要求，分别计算与跟车安全性、燃油经济性和排放性能对应的代价函数；S3：采用MPC算法，预测车辆未来时刻的需求转矩，由此算出预测域内总的代价函数；S4：根据S3中求得的总代价函数，最小化目标函数得到最优的转矩分配，使得发动机工作在高效率区域。本发明考虑了汽车在跟车过程中的安全性、燃油经济性和低排放性能，在缓解交通压力的同时，能够减少能源消耗，汽车排放物对环境的污染。
-
公开(公告)号：CN111007417A
公开(公告)日：2020-04-14
申请号：CN201911245131.5
申请日：2019-12-06
Applicant: 重庆大学 , 重庆长安新能源汽车科技有限公司
IPC: G01R31/392 , G01R31/367 , G01R31/388 , G01R31/3842
Abstract: 本发明涉及基于不一致性评估的电池组SOH和RUL预测方法及系统，属于电池管理技术领域。该方法包括步骤：选定待测串联电池组，收集整理该串联电池组的技术参数；进行多段变电流工况充电和恒电流放电的循环老化工况，并收据单体电压，电池组电压以及电流等数据，建立电池组老化数据库。判断局部充电阶段，基于电压变化节点提取多个特征参量。基于提取的特征参量评估电池组不一致性，进行多输入双输出的数据驱动回归模型训练。利用测试集数据进行电池组不一致性大小评估及运用训练得到的回归模型进行电池组SOH及RUL的在线预测。本发明在评估电池组不一致性大小的基础上，进行电池组状态和寿命的预测，并适应实际使用中不完整充放电状况。
-
公开(公告)号：CN114912693B
公开(公告)日：2025-03-21
申请号：CN202210565932.5
申请日：2022-05-23
Applicant: 重庆大学
IPC: G06Q10/0631 , G06Q50/40 , G06N3/0455 , G06N3/0442 , G06N3/08 , G08G1/01
Abstract: 本发明涉及一种基于多模态预测的自动驾驶汽车运动规划方法，属于自动驾驶汽车技术领域。该方法包括：S1：根据自车的轨迹历史和周围车辆的轨迹历史，采用LSTM模型预测周围车辆未来的多模态行为，即周围车辆在不同模态下未来位置的概率分布；S2：根据步骤S1中LSTM模型预测得到的多模态行为，构造相应的其他车辆的行为分支和自车的轨迹分支，由多模态概率和安全约束确定相应的分支概率；并利用MPC算法以轨迹分支的形式求解反馈策略。本发明在运动规划过程中采用了多模态的预测模型，提高了预测的精度，对传统的MPC进行了优化并通过反馈策略考虑了自车与他车的相互影响及整体的风险最优。
-
公开(公告)号：CN118169567B
公开(公告)日：2025-03-04
申请号：CN202410207980.6
申请日：2024-02-26
Applicant: 重庆大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明涉及一种基于实际运行数据的锂离子电池自适应安全预警方法，属于电池诊断技术领域。该方法选取电压最大值和最小值的差值、温度最大值作为融合特征输入，利用数据增强技术，建立增强矩阵；选取恰当的核函数，将增强矩阵映射到高维特征空间，进而计算增强核马氏距离；根据切比雪夫不等式，计算出自适应阈值，定位出预警时间；基于滑动窗口中位数离群值，确定出多级预警值，并定位异常单体。本方法能够应用于实际运行的锂离子电池组，以热失控车辆数据作为研究对象，通过未发生热失控前的正常电池数据获取相关参数，然后可以计算出该车辆任意时刻的预警指标，通过计算多级自适应阈值，实现热失控的及时预警。
-
Patent Agency Ranking
公开(公告)号：CN118205445B
公开(公告)日：2025-02-18
申请号：CN202410143182.1
申请日：2024-02-01
Applicant: 重庆大学
IPC: B60L58/12 , G01R31/367 , G01R31/387 , G01R31/00
Abstract: 本发明涉及一种模型与数据融合驱动的增强型车载电池荷电状态估计方法，属于电池技术领域。该方法由基于模型且参数实时更新的荷电状态SOC估计器和基于机器学习算法的SOC映射网络并联构成，能够根据车辆运行工况自动匹配最佳SOC估计方法。首先进行车辆运行工况自适应识别，若车辆处于随机动态工况，则选择基于物理模型且参数实时更新的SOC估计器，通过强化学习算法优化估计器的初始谐调参数，实现车载电池参数及SOC的联合估计；若车辆处于连续恒流工况，则选择基于机器学习算法的映射网络实现车载电池SOC的准确估计。与单一的电池SOC估计方法相比，本发明在实际应用中具有更高的准确性、鲁棒性以及泛化能力。
-
公开(公告)号：CN119442878A
公开(公告)日：2025-02-14
申请号：CN202411509352.X
申请日：2024-10-28
Applicant: 重庆大学
Abstract: 本发明涉及一种面向混合动力汽车的深度强化学习型具身智能方法，属于新能源汽车与人工智能的交叉领域。该方法包括：S1：自定义离线训练与建模在线测试方案；S2：构建实时驾驶环境BEV感知方案；在自动驾驶仿真软件中加载离线训练场景与自定义测试地图，并根据nuScenes数据集配置摄像机；完成场景、车辆及传感器建模后，基于BEV Fusion算法对关键交通要素进行分割与检测；S3：通过BEV Fusion算法获得高维Camera BEV张量，利用深度强化学习算法训练“Alpha HEV具身智能模型”；S4：验证“Alpha HEV具身智能模型”。
-
公开(公告)号：CN114312845B
公开(公告)日：2024-10-22
申请号：CN202210009502.5
申请日：2022-01-06
Applicant: 重庆大学
Abstract: 本发明涉及一种基于地图数据的深度强化学习型混合动力汽车控制方法，属于新能源汽车与智能网联汽车的交叉领域。该方法包括：处理地图数据，建立环境模型；预规划目标速度轨迹；建立车身模型与混合动力系统模型，根据整车动力学对行驶过程进行受力分析并且确定混合动力系统功率平衡关系；车辆转向控制影响分析；建立基于深度确定性策略梯度的混合动力汽车控制策略训练模型，以整车的加速度与转向角以及混合动力系统的发动机与变速器为控制对象，建立控制策略的状态空间、动作空间以及奖励函数，并且进行阶梯式迭代训练过程。本发明能实现混合动力汽车的智能网联化自动驾驶。
-
公开(公告)号：CN118770285A
公开(公告)日：2024-10-15
申请号：CN202410997087.8
申请日：2024-07-24
Applicant: 重庆大学
Abstract: 本发明涉及一种面向匝道汇入场景的自动驾驶分层决策控制方法，属于自动驾驶汽车技术领域，包括以下步骤：S1：构建具有交互性的高速公路平行式匝道汇入场景，使用二自由度运动学模型描述训练场景中车辆的运动，并利用基于规则的智能决策控制模型控制其他车辆，使环境具有交互性；S2：构建基于最大熵深度强化学习的决策模型；S3：构建基于多项式曲线的轨迹规划算法；S4：构建基于匝道场景的动作映射函数及路径跟踪控制模型，将车辆轨迹和动作转换为笛卡尔坐标系，通过PID算法跟踪轨迹以控制车辆运动；S5：训练所述基于最大熵深度强化学习的决策模型。本发明降低了强化学习整体训练难度，提高了自动驾驶汽车匝道汇入的稳定性和安全性。
-
公开(公告)号：CN118707343A
公开(公告)日：2024-09-27
申请号：CN202410869836.9
申请日：2024-07-01
Applicant: 重庆大学
IPC: G01R31/36 , G01R31/392 , G01R31/367 , G01R31/385 , G01R31/387 , G01R19/00
Abstract: 本发明涉及一种基于部分放电数据的电池最大容量的在线估计方法，属于电池健康管理领域。该方法包括以下步骤：S1：选定待测电池，获取电池的基本参数并进行初始容量的标定；S2：对电池进行老化协议为恒流恒压充电和恒流放电的循环充放电实验，收集实验过程中的电流电压数据，并对数据进行预处理建立电池老化数据集。S3：计算出每个循环的放电容量，提取电池放电过程中特定电压对应的容量作为健康因子，结合高斯过程回归算法构建电池的容量估计模型。S4：利用训练好的高斯过程回归模型进行电池容量的在线估计。本发明利用部分放电容量数据，避免了基于IC曲线的健康因子提取过程中可能出现的问题。
-
-
-
-
-
-
-
-
-
Search Results
180
records
(took 0.02 seconds)
