-
公开(公告)号：CN119133525A
公开(公告)日：2024-12-13
申请号：CN202411090989.X
申请日：2024-08-09
Applicant: 北京理工大学
IPC: H01M8/04298 , G01R31/367 , G01R31/00 , G06N7/02
Abstract: 本发明提供了一种车载质子交换膜燃料电池高鲁棒性状态估计方法，依次通过建立燃料电池空气供给系统机理模型，分析系统响应对关键参数的敏感性实现参数筛选，构建基于多新息容积Kalman滤波器和基于关键参数的增广状态Kalman滤波器，以及基于有效性检验和模糊逻辑的融合估计，实现了对基于标准多新息容积Kalman滤波器有效性的实时验证以及两种估计结果的动态融合，从而提供了适用于各种条件情况下对质子交换膜燃料电池系统内部的精确观测方式，相比其他现有技术，本发明能够有效提高模型失配情况下对不可测变量的估计性能，更有利于为燃料电池系统控制提供支持。
-
公开(公告)号：CN118298654A
公开(公告)日：2024-07-05
申请号：CN202410386663.5
申请日：2024-04-01
Applicant: 北京理工大学
IPC: G08G1/0967 , G06N20/00 , G08G1/01
Abstract: 本发明提供了一种基于安全强化学习的智能网联汽车信号交叉口处通行策略，其相比基于优化方法的生态驾驶策略，计算时间更少，实时性更高；相比传统基于强化学习的生态驾驶策略，本发明通过安全层纠错机制设计，巧妙地避免了在训练过程中安全约束的违反，安全性能更好，实际应用价值更高。本发明针对车辆位置的上下参考轨迹将非线性交通灯约束转化为时变线性状态约束，从而有效解决了强化学习智能体试错训练时面临的奖励稀疏问题。
-
公开(公告)号：CN115782700B
公开(公告)日：2024-06-25
申请号：CN202211563210.2
申请日：2022-12-07
Applicant: 北京理工大学
Abstract: 本发明提供了一种考虑电池热健康约束的燃料电池混动汽车能量管理方法，其首先通过在线马尔科夫预测器较为精确地确定出未来短期时域内的整车需求功率，再基于所设计的能量管理策略得到最优控制变量，此过程中充分保证了车辆动态工况的细节，并且实现了控制效果与多种使用成本的兼顾，在车辆使用中能有效控制动力电池温度及延长其使用寿命，从而可最大程度地发挥燃料电池混合动力汽车的经济潜力。
-
公开(公告)号：CN117622095A
公开(公告)日：2024-03-01
申请号：CN202311603143.7
申请日：2023-11-28
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于燃料电池空气供给条件优化的混动系统能量管理方法，设计了基于双向LSTM的车速预测器，可得到较为准确的未来短期时域内整车需求功率；利用粒子群优化算法离线计算最佳空气供给条件，实现了较高的系统经济性；在能量管理策略成本函数的更新计算中考虑了最佳空气供给条件，能够使能量管理过程更符合燃料电池混动系统的真实工作情况，克服了现有技术中将电堆极化特性和氢气消耗特性视为固定形式所导致的诸多弊端，实用性更强。基于本发明可在多种不同工况下准确预测未来车速，并合理分配混合动力源能量，从而能在保证燃料电池系统正常输出的前提下，有效优化混合动力系统的氢燃料经济性。
-
公开(公告)号：CN116861791A
公开(公告)日：2023-10-10
申请号：CN202310862588.0
申请日：2023-07-13
Applicant: 北京理工大学
IPC: G06F30/27 , G06F30/15 , G06N3/045 , G06N3/0499 , G06N3/08 , G06F119/06
Abstract: 本发明提供了一种基于增强型TD3算法的节能减排能量管理方法，其结合多种不同的标准循环工况设计了一种随机训练环境，在训练过程中尽可能全面覆盖混合动力汽车可能的驾驶场景，从而能够有效提高能量管理策略的工况适应性；利用辅助训练和优先经验回放机制设计增强型TD3算法，能够有效地增强算法智能体的探索能力并提高采样效率，帮助智能体平稳快速地度过“冷启动”阶段，从而明显加快能量管理策略的收敛速度；方法通过构建多目标优化能量管理问题，将节能、减排和电量稳持同时纳入优化目标中，能够在提高混合动力汽车燃油经济性的同时降低污染物的排放量，并将电量始终稳持在初始值附近。
-
Patent Agency Ranking
公开(公告)号：CN116559679A
公开(公告)日：2023-08-08
申请号：CN202310706419.8
申请日：2023-06-15
Applicant: 北京理工大学
IPC: G01R31/367 , G01R31/378 , G01R31/392 , G01R31/387
Abstract: 本发明公开了一种基于LSTM和高斯过程回归的锂电池剩余寿命估计方法，包括：通过实验获取锂电池的原始数据，定义健康状态SOH以及电池的剩余寿命，处理数据；基于滑动窗口法构建输入输出，划分数据集；搭建LSTM网络，在训练集上训练并优化超参数；将训练数据集最后一个窗口数据输入到训练好的LSTM模型中进行滑动预测，直至电池失效；将LSTM网络的预测结果输入高斯过程回归模型作为其均值函数，使用高斯过程回归输出电池SOH的预测值，计算电池剩余寿命。本发明通过结合LSTM网络以及高斯过程回归模型，结合LSTM的长期预测能力以及高斯过程回归输出的概率信息，提高了电池剩余寿命预测准确性，还输出了电池剩余寿命预测中的不确定性。
-
公开(公告)号：CN116130840A
公开(公告)日：2023-05-16
申请号：CN202310251541.0
申请日：2023-03-16
Applicant: 北京理工大学
IPC: H01M10/615 , H01M10/625 , H01M10/633 , G01R31/367
Abstract: 本发明提供了一种多模式切换的电池低温快速加热方法，包括以下步骤：S1.建立电池的电‑热耦合模型，开展电池测试，辨识模型参数；S2.设置可优化的加热模式和电流参数为控制变量，确定模型中的关键状态变量，定义变量空间的可行域；S3.基于S1中搭建的电池模型，确定目标函数，搭建优化算法框架；S4.采集BMS反馈的电池状态参数，阶段划分以温度为依据，初始化算法；S5.依据预期控制目标，赋值权重因子，优选低温动力电池在当前状态的最佳加热方法。本发明能够根据低温环境下电池状态自适应决策最优加热控制方案，优选加热模式和可控电流参数，有效改善了电池加热性能。
-
公开(公告)号：CN116088504A
公开(公告)日：2023-05-09
申请号：CN202211639317.0
申请日：2022-12-20
Applicant: 北京理工大学
IPC: G05D1/02
Abstract: 本发明提供了一种基于深度强化学习的自动驾驶端对端纵向运动控制方法，基于马尔科夫决策过程建立的强化学习模型，在仿真环境实现模型训练。在云端完成训练后进行实车部署，车载域控制器实时地将感知信息作为输入，输出电机和制动器力矩的指令，实现了对智能网联电动汽车的端对端纵向运动控制。对于强化学习模型训练初始化，利用了分层控制策略的预训练结果，从而以模仿学习的方式使训练大大加速，结合对多个目标优化也使训练好的模型性能显著提高。在端对端控制失效时由车辆自身完成控制决策，并且在自动驾驶策略都失效后转由驾驶员接管，如此以冗余机制充分保证了控制稳定性与行驶安全性。
-
公开(公告)号：CN114415050A
公开(公告)日：2022-04-29
申请号：CN202210041085.2
申请日：2022-01-14
Applicant: 北京理工大学
IPC: G01R31/392
Abstract: 本发明涉及一种动力电池寿命衰退在线量化方法，首先获取动力电池的测试数据集和出厂数据集；然后基于所述测试数据集和所述出厂数据集，得到衰退轨迹主因量化关系表；基于所述测试数据集得到次因修正关系表；在获取动力电池的实时状态集，基于所述实时状态集，结合所述衰退轨迹主因量化关系表，得到动力电池的初始寿命衰退量；最后基于所述次因修正关系表，对所述初始寿命衰退量进行修正，得到综合寿命衰退量。本发明能对动力电池寿命衰退情况进行实时量化的同时，且具有计算量低、效率高、计算资源占用少和对硬件设备要求低的优点。
-
公开(公告)号：CN113533992B
公开(公告)日：2022-04-08
申请号：CN202110842369.7
申请日：2021-07-26
Applicant: 北京理工大学
IPC: G01R31/392 , G01R31/385 , H01M10/48
Abstract: 本发明公开了一种基于超声导波传感器的锂离子电池热失控预警方法，将超声导波传感器固定在锂离子电池同侧的表面，并将传感器连接微控制器芯片；进行若干完整的充放电循环，期间超声导波传感器定时激励并接收穿过锂离子电池的超声波信号，通过微控制器芯片在线采集超声导波信号；计算相邻两次测量的TOF和SA的差商，选取绝对值最大的差商，作为锂离子电池热失控预警的阈值；在锂离子电池的实际工作过程中，通过超声导波传感器定时激励并接收穿过锂离子电池的超声波信号，微控制器芯片计算相邻两次测量的TOF和SA差商，若该值重复超过阈值，则发出热失控预警信号。本发明判断热失控的依据充足，具有很好的及时性和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
309
records
(took 0.029 seconds)
