幂Prediction-Based模型预测控制的能源管理与涡轮轴发动机地面和空中汽车gydF4y2Ba

文摘gydF4y2Ba

近年来,绿色航空技术吸引了更多的关注和更多的混合动力单元被应用于飞行器。实现高性能和长寿命的组件在不同的工作条件,能源管理的有效监管是必要的车辆混合动力单元(HPU)。摘要权力prediction-based模型预测控制(PgydF4y2Ba^2gydF4y2BaMPC)能源管理策略(EMS)提出了基于涡轮轴发动机的车辆配备HPU为了保持适当的电池的电荷状态(SOC)和减少涡轮轴发动机的排气温度(废气温度)。首先,基于数据驱动的建模方法方法采用获得涡轮轴发动机的数学模型考虑时间延迟和惯性的状态。组成的一个集成功率预测的分类输入状态和subpredictors开发基于深度学习方法提高精度预测模型的模型预测控制(MPC)。随后,一个基于MPC使用EMS提出介绍了功率预测控制电池的SOC和涡轮轴发动机的废气温度。与实验结果的比较显示了涡轮轴发动机的数学模型的精度高。仿真结果表明提出的有效性EMS的车辆,和不同的目标函数权重系数的影响提出的EMS进行了讨论。gydF4y2Ba

1。介绍gydF4y2Ba

快速城市化和人口的持续增长,越来越多的车辆用于满足运输的要求,如货运交通和公共交通。然而,更多的车辆带来更多的交通运输的压力。传统的车辆只能在陆地上跑,不能充分利用公共空间。地面和空中定向未来交通车辆是一种很有前途的解决方案,能够运行在陆地上的车轮好像传统车辆和旋转翼或固定翼在空中飞。因此,集成多种功能的地面和空中汽车有助于缓解交通压力,提高交通效率。gydF4y2Ba

然而,更多的驾驶能力所需的地面和空中的车辆来满足要求不同的使用情况相比,传统的车辆。一般来说,相信温室气体排放,全球变暖,和空气污染是最主要的环境问题,由于持续使用化石燃料资源,和驱动功率的汽车意味着更多的化石燃料资源的使用。如果完整的驱动功率的地面和空中汽车提供的仍然是传统的内燃机使用化石燃料没有任何改善,没有对节能减排的贡献。根据研究报告,航空部门负责总数的2%燃油消耗在运输部门。如果这种趋势在航空继续使用化石燃料资源没有任何替代方法,这个数字预计将增加到11%在接下来的二十年gydF4y2Ba1gydF4y2Ba]。尽量减少负面影响空气污染和温室效应等环境,绿色的航空技术,减少了化石燃料的消耗和排放在当前交通运输行业是一个主要问题。因此,它是至关重要的发展绿色航空技术在地面和空中汽车,和寻找化石燃料的替代品在航空现在比以往任何时候都更重要。实现低排放、油耗低、效率高,大大提高车辆动力系统是必要的。gydF4y2Ba

混合动力和纯电动驱动解决方案已经应用在汽车行业多年,并取得更大的成就已经在地面车辆,最近这些环保解决方案被用于无人机和通用航空飞机,和一些研究结果对电动和混合动力动力装置电力需求估计,减少所需的力量,取得了和电池的大小(gydF4y2Ba2gydF4y2Ba- - - - - -gydF4y2Ba8gydF4y2Ba]。此外,能量密度之前存储系统可以大大增加,混合动力单元(HPU)是最优秀的解决方案和耐力里程,因为它更有优势的结合利用发动机和能量存储系统相比,纯电力系统。因此,HPU的应用在飞行器更加关注。HPU的配置和结构主要可以分为两种类型(gydF4y2Ba5gydF4y2Ba]:系列HPU和HPU平行。HPU系列将电力需求的引擎,它提供了一个机会,让引擎不断在高效运营或less-emission区域。因此,本系列HPU对飞行器有前途的发展。gydF4y2Ba

因为混合动力解决方案在传统汽车的成功,活塞发动机通常是采用HPUs。事实上,涡轮轴发动机高功率重量比活塞式发动机相比,尤其是高功率需求的担忧,这些优势使涡轮轴发动机更好的性能在HPU [gydF4y2Ba9gydF4y2Ba]。有许多明显的区别包括但不限于结构、航空涡轮轴发动机和活塞发动机之间的特性,因此调查在HPU涡轮轴发动机值得探索飞行器的更好的性能(gydF4y2Ba10gydF4y2Ba]。分析在HPU涡轮轴发动机的影响,准确的发动机模型可以反映特点是必要的。一些方法已经开发实现涡轮轴发动机的建模gydF4y2Ba11gydF4y2Ba- - - - - -gydF4y2Ba15gydF4y2Ba]。基于气动热力学建模的机制是一种常见的方法,采用广泛获得燃气轮机模型。建模的机制可以提供引擎的内部参数,如压力比压缩机和透平入口温度。然而,它严重依赖于组件的特点和研究员的气动热力学的知识。此外,神经网络建模方法也适用于建模的引擎。然而,大量的实验数据和时间是必要的训练神经网络模型,和模型的收敛速度和准确性得不到保证。与上述建模方法相比,数据驱动建模方法使用对象的实验数据获得稳态和动态特性,计算速度快和精度高的模型数据驱动方法的优点在对象的内部参数不担心。因此,数据驱动的建模方法是有效的涡轮轴发动机。考虑涡轮轴发动机的应用,集中涡轮轴发动机的动态特性模型。在文献[gydF4y2Ba16gydF4y2Ba),获得相关系数之间的旋转速度、燃料和废气温度用于模型双转子涡轮轴发动机实验数据的基础上,模拟和增益系数的选择依赖于转速。在参考文献[gydF4y2Ba14gydF4y2Ba,gydF4y2Ba17gydF4y2Ba),单转子涡轮轴发动机的动力学模型建立的创业过程,但是加载过程的动力学特征在额定转速不在本文的讨论范围。事实上,单转子的涡轮轴发动机HPU用作输出功率的主要能量来源,和发动机的动态特性可以在HPU的性能产生影响。因此,在加载过程的动力学特征引擎在额定转速是值得研究的。gydF4y2Ba

能源在能源的分配对提高效率产生深远影响的组件在飞行器。适当的能量管理策略可以极大地开发HPU的潜力。一般来说,HPU的EMS可以分为两种类型,即基于规则和文中针对[gydF4y2Ba18gydF4y2Ba- - - - - -gydF4y2Ba26gydF4y2Ba]。基于规则的控制取决于过去和当前系统状态的模式操作。因此,它很容易实现实时控制策略。基于规则的能量管理策略(RBEMS)主要包括确定性规则控制和模糊逻辑控制。确定性规则控制采用经典集合理论和元素定义不同的操作方式,和不同模式之间的转换是由设计决定的规则。不同于确定性规则控制、模糊逻辑控制处理使用近似推理方法而不是精确的方式。一般来说,基于规则的控制策略是基于实践经验的研究,开发和车辆使用的特定RBEMS可以获得良好的性能,当车辆运行在特定的驾驶条件。然而,很难具体RBEMS满足需求从不同和不同的工作环境。另一方面,文中针对EMS调节控制变量基于预定义的计算通过最小化代价函数中可行的约束。文中针对方法可分为全局优化和实时优化。 Dynamic programming (DP) is frequently applied in global optimization control strategy and the vehicle using DP can obtain the best performance of targets while dealing with the hybrid energy management problems. However, the overall working conditions of the future are required to be known in advance for global optimization control, which is extremely difficult in real applications. Among real-time optimization methods, model predictive control (MPC) is a promising method [27gydF4y2Ba- - - - - -gydF4y2Ba29日gydF4y2Ba]。根据货币政策委员会理论,通过预测所需参数在未来的有限时间内,获得的控制变量可以通过最小化的多目标优化函数。DP相比,MPC方法的多目标优化函数可以解决在线,因为最新的预测参数在不同的工作条件,和良好的控制效果的MPC方法可以获得,如果预测参数不够准确。gydF4y2Ba

对于混合动力系统单元,电力需求的主要关键因素准确预测模型在MPC (gydF4y2Ba30.gydF4y2Ba- - - - - -gydF4y2Ba32gydF4y2Ba]。传统的MPC方法也称为frozen-time MPC,电力需求是假定为常数等于当前时间步的预测模型简化预测地平线。然而,问题是,这种假设忽略了可能改变电力需求预测地平线时,它可能会导致不准确的预测模型,可以把可怜的MPC方法的控制性能,特别是在锋利的驾驶条件。简短的采样时间间隔在预测地平线是潜在的方法来增加对传统货币政策委员会的预测模型的可靠性。然而,与HPU实际飞行器操作期间,采样时间短通常意味着高采样频率的传感器,它可以导致高成本在传感器和巨大的电能消耗。因此,如何获得准确的预测未来的电力需求变化信息层是必要的改善与HPU MPC-based EMS车辆。电力需求密切与车辆的速度。因此,速度预测方法是本文重点。有几个速度预测方法(gydF4y2Ba21gydF4y2Ba- - - - - -gydF4y2Ba23gydF4y2Ba,gydF4y2Ba31日gydF4y2Ba]包括指数函数预测,马尔可夫链预测和深度学习模型预测。在文献[gydF4y2Ba21gydF4y2Ba),一个比较研究表明,EMS ANN-based速度预测可以取得更好的性能与马尔可夫链模型相比,减少燃料消耗。在文献[gydF4y2Ba32gydF4y2Ba),加上半径基函数神经网络预测的速度,一个基于MPC EMS可以提高燃油经济性更好。因此,深度学习预测方法是一个潜在的候选人由于其精度高。事实上,不同的驾驶行为和车辆状态的趋势会影响不同的未来速度分布。然而,传统速度预测模型通常忽略输入上面提到的特点。传统速度预测模型的内部参数是固定的,不能改变基于输入驾驶状态(gydF4y2Ba22gydF4y2Ba,gydF4y2Ba31日gydF4y2Ba,gydF4y2Ba32gydF4y2Ba],它不能保证预测精度。因此,一个完整的速度预测模型,可以改变内部参数适应各种输入驾驶状态应进一步研究。gydF4y2Ba

因此,在本文中,一个能量管理策略基于功率预测MPC与涡轮轴发动机提出了车辆。以下是本文的主要贡献:gydF4y2Ba(1)gydF4y2Ba为简化模型,保证模型的准确性,根据实验数据,采用基于数据驱动方法的建模方法建立的数学模型涡轮轴发动机启动过程和加载过程中考虑时间延迟和惯性的状态。gydF4y2Ba(2)gydF4y2Ba集成功率预测开发提出了基于深度学习的方法来预测未来的电力需求。提出集成功率预测由各种subpredictors,和不同预测subpredictors用于预测基于输入状态的分类从历史速度和加速度/制动踏板信号。gydF4y2Ba(3)gydF4y2Ba实现协调电池SOC的偏差和涡轮轴发动机的废气温度,电源prediction-based MPC EMS设计拟议的框架集成功率预测,以及不同重量的影响讨论了目标函数的系数提出了EMS来确定适当的权重组合理想的控制性能。gydF4y2Ba

本文组织如下。节gydF4y2Ba2gydF4y2Ba分布式结构,介绍了地面和空中的车辆和涡轮轴发动机等部件的模型建立了EMS研究。节gydF4y2Ba3gydF4y2Ba介绍了能源管理问题;功率预测方法提出了基于深度学习的政策委员会。节gydF4y2Ba4gydF4y2Ba涡轮轴发动机模型的准确性基于数据驱动的方法与实验数据相比。之间的性能比较传统的MPC和深度学习prediction-based MPC。此外,不同重量的影响系数在多目标函数提出了EMS的控制性能进行了讨论。提出的基于规则的EMS和EMS进行比较和讨论。一些结论是部分gydF4y2Ba5gydF4y2Ba。gydF4y2Ba

2。配置和建模gydF4y2Ba

2.1。汽车的配置gydF4y2Ba

地面和空中汽车与HPU的分布式结构设计和生产的汽车研究中心在北京理工学院。拓扑结构如图gydF4y2Ba1gydF4y2Ba。有四个轮子和分布式驱动电机安装在底盘驱动汽车在陆地上,和八个主要螺旋桨发动机提供电梯空气模式。电力移动的土地和HPU的在空中飞。HPU采用简化的串联混合动力配置车辆结构,因此之间没有机械连接发动机和驱动电动机;HPU的配置如图gydF4y2Ba2gydF4y2Ba。涡轮轴发动机和发电机连接机械HPU的主要能量来源,和动力电池作为辅助能源用于电压稳定和功率补偿。HPU的电力传输到驾驶汽车满足电力需求。车辆中的应用CAN总线实现控制器之间的通信系统和支持控制器由主监控车辆控制单元,这有助于简化和轻量级的设计工具。gydF4y2Ba

2.2。建模的工具gydF4y2Ba

由于应用环境的特点,汽车通常运行在土地模式在大部分的工作时间。实现组件的效率高、寿命长,车辆的研究EMS HPU复杂道路工况下是很重要的,和车辆的模型组件如涡轮轴发动机和动力电池首先应该建立。转子翅膀和马达驱动转子翅膀不习惯在土地模式中,因此这些组件被视为质量负荷模型的车辆。gydF4y2Ba

2.2.1。涡轮轴发动机基于数据驱动方法的建模gydF4y2Ba

涡轮轴发动机主要由进气、压缩机、燃烧室、涡轮、变速箱等子系统。从进口是由压缩机压缩气流,燃料注入气流产生燃料和空气的混合物。燃料和空气的混合物被点燃燃烧室。燃气的燃烧提供了涡轮旋转。涡轮驱动压缩机和可以提供的电力平衡负载稳定转速。gydF4y2Ba

一般来说,有两个主要涡轮轴发动机的建模方法:分析建模方法和实验建模方法。涡轮轴发动机的分析建模方法需要准确的组件性能数据,如压缩机和涡轮性能数据,研究人员使用分析建模方法需要知道大量的热力学知识。然而,涡轮轴发动机模型的分析建模方法通常花费大量的时间来计算模拟试验中的参数值,因为大量的迭代,这并不有利于仿真过程。gydF4y2Ba

事实上,建模方法的数据驱动的方法集中在基于实验数据的输入输出参数,和更容易模型引擎的研究人员没有涡轮轴发动机结构的详细信息。本文建立了涡轮轴发动机模型反映动态响应特征,动力学模型的建模方法涡轮轴发动机结合动态系数采用基于实验结果数据。发动机启动实验和负载实验进行了涡轮轴发动机收集性能数据,和实验结果包括速度、燃料流量,扭矩,废气温度显示为数字gydF4y2Ba3gydF4y2Ba和gydF4y2Ba4gydF4y2Ba。gydF4y2Ba

在发动机启动实验中,发动机转速增加从0 r / min - 62000 r / min逐渐从0 L / h的燃料流量也增加到47.3 L / h。在引擎加载实验中,输出功率逐渐增加从0千瓦到115千瓦,同样的燃料流量增加从47.3到89.0 (L / h L / h。转速稳定在62000 r / min时加载实验,因为发动机控制器。电力负荷变化时,引擎可以为电力负载平衡调整输出功率达到稳定速度的目的。gydF4y2Ba

根据涡轮轴发动机理论,在特定的大气温度和压力、涡轮轴发动机的输出性能,如转速和扭矩,大约由燃料流量当压缩机和涡轮机的叶片角度不改变。如数据所示gydF4y2Ba3gydF4y2Ba和gydF4y2Ba4gydF4y2Ba,当发动机转速稳定在31000 r / min左右发动机启动实验中,燃料流量也稳定在20.0 L / h。同样,当输出转矩稳定在7.85 Nm左右在引擎加载实验中,燃料流量也稳定在63.5 L / h。稳态数据关系如图gydF4y2Ba5gydF4y2Ba。gydF4y2Ba

基于图的数据gydF4y2Ba5gydF4y2Ba,稳态燃料流量所描述的gydF4y2Ba 在哪里gydF4y2BangydF4y2Ba_egydF4y2Ba是在发动机启动过程和发动机轴转速gydF4y2BaTgydF4y2Ba_egydF4y2Ba发动机输出扭矩在引擎加载过程中,不同的工作在文献[gydF4y2Ba16gydF4y2Ba),gydF4y2BangydF4y2Ba_egydF4y2Ba而不是使用gydF4y2BaTgydF4y2Ba_egydF4y2Ba在引擎加载过程。选择的原因gydF4y2BaTgydF4y2Ba_egydF4y2Ba是摘要涡轮轴发动机的转速是恒定的处于正常工作状态。gydF4y2Ba和gydF4y2Ba稳态燃油流动计算的插值算法。当实际燃料流量变化时的“稳态点,”实际产出速度或转矩等性能也从“稳态点”改变到动态状态,这意味着燃料流量的变化影响的动态引擎。实际的燃料流量和稳态燃料流量之间的区别通常被称为实际剩余燃料流量。实际的剩余燃料流量可以表示为gydF4y2Ba 在哪里gydF4y2Ba实际的燃料流量和什么gydF4y2Ba表示稳态燃料流量gydF4y2Ba在发动机启动过程中gydF4y2Ba在引擎加载过程中,可以通过方程计算(gydF4y2Ba1gydF4y2Ba);相应的改变涡轮轴发动机的输出转矩可以表示为gydF4y2Ba 在哪里gydF4y2BaTgydF4y2Ba_egydF4y2Ba是实际的输出转矩和TgydF4y2Ba_{es-xgydF4y2Ba}稳态输出扭矩TgydF4y2Ba_{es-startgydF4y2Ba}在发动机启动过程中gydF4y2BaTgydF4y2Ba_{es-loadgydF4y2Ba}引擎加载过程中,可以获得数据的实验结果gydF4y2Ba3gydF4y2Ba和gydF4y2Ba4gydF4y2Ba。动力学系数KgydF4y2Ba_{时距gydF4y2Ba}可以分别描述如下:gydF4y2Ba 在哪里gydF4y2BaKgydF4y2Ba_跳gydF4y2Ba是由在发动机启动过程和发动机转速gydF4y2BaKgydF4y2Ba_{t-loadgydF4y2Ba}是由引擎加载过程中发动机输出转矩。此外,输出扭矩应该关注的时间延迟,因为燃烧过程和功率输出。假设时间延迟参数gydF4y2BaτgydF4y2Ba基于实验结果数据,gydF4y2BaτgydF4y2Ba拟合多项式最小二乘方法,如图gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

因此,转子动力学涡轮轴发动机输出轴的表示gydF4y2Ba 在哪里gydF4y2BaTgydF4y2Ba_{egydF4y2Ba0gydF4y2Ba}是初始转矩,KgydF4y2Ba_{时距gydF4y2Ba}等动力学系数吗gydF4y2BaKgydF4y2Ba_跳gydF4y2Ba或gydF4y2BaKgydF4y2Ba_{t-loadgydF4y2Ba},gydF4y2Ba是实际的剩余燃料流量,gydF4y2BaTgydF4y2Ba_{负载gydF4y2Ba}是实际的负载转矩,gydF4y2BaJgydF4y2Ba输出轴的转子惯性,gydF4y2BaτgydF4y2Ba是时间延迟参数。同样,稳态废气温度和燃料流量之间的关系如图gydF4y2Ba7gydF4y2Ba。gydF4y2Ba

废气温度的动力学模型是视为一阶惯性植物与时间延迟;传递函数是描述gydF4y2Ba 在哪里gydF4y2BaKgydF4y2Ba稳态增益系数,gydF4y2BaτgydF4y2Ba_{废气温度gydF4y2Ba}是时间延迟参数,gydF4y2BaTgydF4y2Ba_{废气温度gydF4y2Ba}是时间常数,它是由最小二乘法多项式拟合,如图gydF4y2Ba8gydF4y2Ba。gydF4y2Ba

2.2.2。发电机和电动机的建模gydF4y2Ba

发电机和电机的动力学模型是描述为一阶惯性植物,表示为gydF4y2Ba 在哪里gydF4y2Ba和gydF4y2BaTq操作gydF4y2Ba_米gydF4y2Ba是发电机的输出力矩和驱动电动机,分别gydF4y2BaTq操作gydF4y2Ba_{g-cmdgydF4y2Ba}和gydF4y2BaTq操作gydF4y2Ba_{m-cmdgydF4y2Ba}的参考力矩发生器驱动电动机,分别和gydF4y2BaTggydF4y2Ba和gydF4y2BaTmgydF4y2Ba是时间常数。gydF4y2Ba

2.2.3。动力电池的建模gydF4y2Ba

内部阻力模型应用于模拟电池的特点;方程如下:gydF4y2Ba 在哪里gydF4y2BaUgydF4y2Ba_{缴纳gydF4y2Ba}电池的开路电压,gydF4y2BaUgydF4y2Ba_出gydF4y2Ba是输出电压,gydF4y2Ba我gydF4y2Ba电池电流,gydF4y2BaRgydF4y2Ba电池的内阻,gydF4y2BaPgydF4y2Ba_{电动机gydF4y2Ba}电机和的力量吗gydF4y2BaPgydF4y2Ba_eggydF4y2Ba内燃机发电机能设置的力量,SOC代表电池的电荷状态。gydF4y2Ba

2.2.4。驱动轮的动力学建模gydF4y2Ba

车辆从土地获得的驱动力的轮子。驱动轮的动力学方程gydF4y2Ba 在哪里gydF4y2BaTq操作gydF4y2Ba_{电动机gydF4y2Ba}驱动电动机的输出转矩,gydF4y2BaJgydF4y2Ba_轮gydF4y2Ba相当于转子惯性驱动轮,gydF4y2Ba我gydF4y2Ba是驱动轮的驱动电动机比例,gydF4y2BaTq操作gydF4y2Ba_fgydF4y2Ba是行驶阻力扭矩。gydF4y2Ba

3所示。权力Prediction-Based MPC (PgydF4y2Ba^2gydF4y2BaMPC)为EMSgydF4y2Ba

3.1。问题陈述gydF4y2Ba

根据车辆动力学、HPU应该提供的功率平衡与环境抵抗能力和加速阻力的力量。的电力需求gydF4y2BaPgydF4y2Ba_德gydF4y2Ba的车辆可以表示为gydF4y2Ba 在哪里gydF4y2BaPgydF4y2Ba_{resist_envgydF4y2Ba}环境抵抗能力和吗gydF4y2BaPgydF4y2Ba_accgydF4y2Ba加速度是抵抗的力量。为了满足电力需求,HPU的总输出功率应等于电力需求gydF4y2BaPgydF4y2Ba_德gydF4y2Ba。方程所描述的gydF4y2Ba 在哪里gydF4y2BaPgydF4y2Ba_{棉絮gydF4y2Ba}是电池的力量。实现低油耗和良好的性能,如何有效地分配之间的权力gydF4y2BaPgydF4y2Ba_{egydF4y2BaggydF4y2Ba}和gydF4y2BaPgydF4y2Ba_{棉絮gydF4y2Ba}是专注。与其他能源管理策略相比,货币政策委员会是一个基于模型的闭环最优控制方法的控制作用是通过解决预测地平线的开环最优控制问题。监测和控制状态变量传递给MPC目标函数的最优控制序列计算预测模型的基础上,只有控制序列的第一个元素。忽略其他因素考虑的误差预测模型。gydF4y2Ba

根据货币政策委员会理论,预测模型的准确性起着至关重要的作用在提高控制性能。HPU的车辆,电力需求的预测模型的环境是关键因素(gydF4y2Ba22gydF4y2Ba,gydF4y2Ba33gydF4y2Ba]。摘要权力prediction-based MPC (PgydF4y2Ba^2gydF4y2BaMPC)方法引入HPU的EMS车辆。提出了EMS的操作过程显示在图中gydF4y2Ba9gydF4y2Ba。gydF4y2Ba

如图gydF4y2Ba9gydF4y2BaPgydF4y2Ba^2gydF4y2BaMPC方法采用电源与集成深层神经网络模型预测得到未来电力需求的变化。随后,预测电力需求和当前车辆状态包括SOC和涡轮轴发动机废气温度传递到MPC控制器实现最优控制命令。有别于传统的MPC,假定恒定的电力需求预测,准确的电力需求的功率预测可以提高预测模型的准确性在MPC控制器,可为高性能的EMS HPU的车辆。gydF4y2Ba

3.2。深上优于功率预测gydF4y2Ba

根据MPC的理论,准确的未来变化的控制对象的状态变量预测地平线应该估计为了达到准确的预测模型。未来电力需求的变化gydF4y2Ba_德gydF4y2Ba货币政策委员会起着至关重要的作用,通常是由车辆速度。有几个受欢迎的车辆速度预测方法:指数函数预测,马尔可夫链预测,深度学习模型,等等。本文采用深层神经网络学习速度预测由于其精度高。预测能力要求在即将到来的时间内可以通过车辆动力学计算。gydF4y2Ba

深神经网络决定了其输入和输出通过培训方法之间的关系。它的本质是学习和形成规则之间的输入和输出数据。严重的神经网络模型使用网络输出和期望输出之间的误差值来训练网络结构;神经网络中的参数可以调整,使均方误差达到最小值,使网络的输出尽可能达到期望值。最后,深层神经网络的训练过程结束后,重量和偏见在深等参数可以确定神经网络。gydF4y2Ba

不同文献[gydF4y2Ba23gydF4y2Ba],本文深层神经网络预测(DNNP)使用历史速度和加速度/刹车踏板位置作为输入预测未来速度在即将到来的一段时间。此外,不同于参考(gydF4y2Ba21gydF4y2Ba),为了提高预测的准确性,在输入数据交付给神经网络预测、状态标识符是用于确定输入数据的状态。状态标识符使用一阶多项式适合历史速度,和国家的范围的输入数据是由两个斜率的拟合多项式和加速度信号/制动。分类规则的输入数据如表所示gydF4y2Ba1gydF4y2Ba;的gydF4y2BaαgydF4y2Ba1,gydF4y2BaαgydF4y2Ba2参考斜率值确定的预测效果。“+”意味着加速踏板信号是有效的,和“−”是指制动踏板信号是有效的。gydF4y2Ba

深一些不同的单一基本预测基于神经网络可以用于培训根据输入数据的状态,所有的训练单基本预测应用于构建一个综合预测。单的基本预测方案如图gydF4y2Ba10gydF4y2Ba为P,综合预测模式gydF4y2Ba^2gydF4y2BaMPC图所示gydF4y2Ba11gydF4y2Ba。gydF4y2Ba

准确预测输出,深层神经网络预测应该通过大量的训练数据训练。训练样本数据包含5驱动周期的CSHVR, NEDC, 1015 _6prius HWFET, UNIF01,和这些驾驶周期排列随机在每个训练样本增加培训信息,如图gydF4y2Ba12gydF4y2Ba。gydF4y2Ba

培训流程使用每6历史速度和当前加速度/刹车踏板位置作为输入和未来5速度作为输出标签,其中每个时间间隔是1。随后,预测速度可以用来计算的电力需求预测地平线。摘要DNNP采用2隐藏层和有12节点在每一层。为了比较单一之间的精度基本预测,提出综合预测,均方根误差(RMSE)。在每秒钟的计算方程RMSE预测地平线表示如下:gydF4y2Ba 在哪里gydF4y2Ba表示预测的速度,gydF4y2Ba表示实际的速度,gydF4y2Ba我gydF4y2Ba表示gydF4y2Ba我gydF4y2Ba在预测地平线th第二,gydF4y2BaPgydF4y2Ba的总秒预测地平线。被描述为整体RMSE在驾驶周期gydF4y2Ba 在哪里gydF4y2BaNgydF4y2Ba表示秒在驾驶周期的总量。比较结果如表所示gydF4y2Ba2gydF4y2Ba。结果表明,提出的综合预测可以获得更好的预测性能。gydF4y2Ba

为了显示在每秒钟预测的准确性预测地平线,RMSE为每秒钟的计算方程表示如下:gydF4y2Ba 在哪里gydF4y2Ba表示预测的速度gydF4y2BaxgydF4y2Bath第二预测地平线,gydF4y2Ba表示实际的速度gydF4y2BaxgydF4y2Ba在预测地平线th第二,gydF4y2Ba我gydF4y2Ba表示gydF4y2Ba我gydF4y2Bath第二驾驶循环,gydF4y2BaNgydF4y2Ba表示秒在驾驶周期的总量。预测之间的均方根速度和实际速度在1日,2日,3日,4日和5日秒预测地平线比较表gydF4y2Ba3gydF4y2Ba。基于训练DNNP、预测速度和实际速度在1到5秒预测地平线比较图gydF4y2Ba13gydF4y2Ba。gydF4y2Ba

如图gydF4y2Ba13gydF4y2Ba和表gydF4y2Ba3gydF4y2Ba第一第二的预测速度预测地平线匹配实际结果比5日第二更紧密地合作。比较结果表明,预测精度降低随着采样时刻预测地平线的增加,再预测地平线并不是必要的。总体趋势的预测结果与实际结果的变化趋势是一致的,同时也表明DNNP适用于未来的电力需求预测车辆在适当的预测地平线。gydF4y2Ba

3.3。预测模型和目标函数PgydF4y2Ba^2gydF4y2Ba货币政策委员会gydF4y2Ba

P的控制目标gydF4y2Ba^2gydF4y2BaMPC主要是调节SOC的参考价值和减少涡轮轴发动机的废气温度,有助于改善电能质量和发动机寿命长。因此,根据方程(gydF4y2Ba8gydF4y2Ba),介绍了电池SOC的动态特性gydF4y2Ba

的变化gydF4y2BaPgydF4y2Ba_德gydF4y2Ba可以获得在预测地平线DNNP的预测。根据方程(gydF4y2Ba6gydF4y2Ba)、涡轮轴发动机的废气温度是表示为如下方程:gydF4y2Ba

的gydF4y2BaηgydF4y2Ba表示涡轮轴发动机和发电机之间的能量转换效率。根据方程(gydF4y2Ba7gydF4y2Ba),gydF4y2BaPgydF4y2Ba_eggydF4y2Ba满足一阶惯性过程,可以表示为gydF4y2Ba 在哪里gydF4y2BaPgydF4y2Ba_{e-g-cmdgydF4y2Ba}表示引用的指挥和控制gydF4y2BaPgydF4y2Ba_eggydF4y2Ba是实际的控制变量,已被应用于系统。P的非线性预测模型gydF4y2Ba^2gydF4y2BaMPC为载体表达如下:gydF4y2Ba 在哪里gydF4y2Ba 在哪里gydF4y2BaxgydF4y2Ba是状态变量,gydF4y2BaugydF4y2Ba是控制变量,gydF4y2Ba是测量的输入变量,gydF4y2BaygydF4y2Ba是输出变量。gydF4y2Ba

SOC的小变化的参考价值有助于良好的供电质量和电力电池寿命长。因此,SOC的目标优化函数表示如下:gydF4y2Ba

此外,低废气温度可以降低涡轮轴发动机的损坏的组件和扩展HPU的生活。因此,废气温度的目标优化函数表示如下:gydF4y2Ba

此外,为了减少干扰的控制序列,控制序列的变化也有关。控制序列的目标优化函数表示如下:gydF4y2Ba

不同的作品的引用gydF4y2Ba21gydF4y2Ba- - - - - -gydF4y2Ba23gydF4y2Ba),应用线性加权法建立多目标优化函数,和P的多目标优化函数gydF4y2Ba^2gydF4y2BaMPC是所描述的gydF4y2Ba

在方程(gydF4y2Ba20.gydF4y2Ba)- (gydF4y2Ba22gydF4y2Ba),gydF4y2BaPgydF4y2Ba_{e-g0gydF4y2Ba}HPU的初始输出功率,gydF4y2BaSOCgydF4y2Ba_rgydF4y2BaSOC的参考价值,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba是权重系数,tgydF4y2Ba_0gydF4y2Ba起始时间和吗gydF4y2BatgydF4y2Ba_fgydF4y2Ba结束时间在预测地平线,gydF4y2Ba 是标准化的参考价值。控制序列可以通过最小化代价函数的价值目标gydF4y2BaJgydF4y2Ba_{成本gydF4y2Ba}。gydF4y2Ba

提高实时性能的在线优化PgydF4y2Ba^2gydF4y2BaMPC,泰勒展开技术适用于方程(gydF4y2Ba18gydF4y2Ba)获得非线性预测模型的线性模型和线性模型表示为gydF4y2Ba 在哪里gydF4y2Ba

在这里,gydF4y2BaugydF4y2Ba_0gydF4y2Ba,xgydF4y2Ba_0gydF4y2Ba,gydF4y2Ba是当前状态变量在当前步骤,gydF4y2BaugydF4y2Ba是gydF4y2BaPgydF4y2Ba_eggydF4y2Ba。根据方程(gydF4y2Ba17gydF4y2Ba)和一阶惯性过程的响应特性,假定控制参考命令gydF4y2BaPgydF4y2Ba_{e-g-cmdgydF4y2Ba}当前时间之间并没有改变gydF4y2BatgydF4y2Ba_kgydF4y2Ba下次gydF4y2BatgydF4y2Ba_{k + 1gydF4y2Ba}在预测地平线,和的平均值gydF4y2BaPgydF4y2Ba_{e-g-cmdgydF4y2Ba}被认为是实际应用控制变量。因此,校正因子gydF4y2BaδgydF4y2Ba是由gydF4y2Ba 在哪里gydF4y2BatsgydF4y2Ba表示时间间隔在MPC的预测地平线。提高计算速度,得到线性预测模型的离散模型,表示为gydF4y2Ba 在哪里gydF4y2BakgydF4y2Ba表示,当前步骤gydF4y2BakgydF4y2Ba+gydF4y2Ba我gydF4y2Ba代表了gydF4y2Ba我gydF4y2Bath一步预测地平线。成本函数表示为离散目标gydF4y2Ba

内点法可以应用于解决方程(gydF4y2Ba28gydF4y2Ba)获得控制序列,在控制序列中第一个元素被认为是控制变量是用于HPU。gydF4y2Ba

4所示。结果与讨论gydF4y2Ba

4.1。涡轮轴发动机动力学模型的仿真验证gydF4y2Ba

涡轮轴发动机不同于柴油机广泛采用的混合动力汽车,它起着至关重要的作用在研究EMS。为验证的准确性基于该方法的涡轮轴发动机模型,根据实验数据和建模过程gydF4y2Ba2.2。1gydF4y2Ba,建立了涡轮轴发动机的仿真模型,仿真结果与实验数据比较数据gydF4y2Ba14gydF4y2Ba- - - - - -gydF4y2Ba16gydF4y2Ba。gydF4y2Ba

如图gydF4y2Ba14gydF4y2Ba模拟输入实验燃料流量数据在发动机启动进度;输出速度模型的结果表明,模型输出之间的最大转速相对误差和实验数据是4.2%在发动机启动过程中。如数据所示gydF4y2Ba15gydF4y2Ba和gydF4y2Ba16gydF4y2Ba仿真实验燃料流量输入数据和输出是发动机扭矩和废气温度。模拟扭矩结果表明,稳态输出转矩之间的最大相对误差模型和实验数据是5%,和转矩的动态误差大于稳态误差,但动力倾向同意与实验数据。此外,废气温度模拟结果表明,模型输出之间的最大相对误差废气温度和引擎加载过程中实验数据是1.7%。涡轮轴发动机模型的仿真结果表明本文提出的动力学系数建模方法具有良好的精度,提出了数据驱动的方法是非常有效和实用的涡轮轴发动机动力学的建模。gydF4y2Ba

4.2。模拟基于P的EMSgydF4y2Ba^2gydF4y2Ba货币政策委员会gydF4y2Ba

为了验证性能通过EMS提出基于PgydF4y2Ba^2gydF4y2BaMPC,车辆模型的仿真模型与HPU土地模式是在MATLAB / SIMULINK建立基于子系统模型如涡轮轴发动机和电池。此外,udd行驶循环使用和驱动程序模型也模仿了PI控制方法来模拟电力需求。模型的主要参数如表所示gydF4y2Ba4gydF4y2Ba,提出了EMS的仿真结果如下所示。如图gydF4y2Ba(17日)gydF4y2Ba,性能速度之间的跟踪速度的车辆仿真模型和udd的参考速度行驶循环是好的。输出功率P的积极价值gydF4y2Ba_{电动机gydF4y2Ba}的分布式驱动汽车在图gydF4y2Ba17 (b)gydF4y2Ba意味着HPU的权力交付给增加或维持车辆的速度,和权力的负值表示权力收回来降低速度。gydF4y2Ba

4.2.1。准备对比传统的MPC和PgydF4y2Ba^2gydF4y2Ba货币政策委员会gydF4y2Ba

仿真来比较传统的MPC和P之间的控制性能gydF4y2Ba^2gydF4y2Ba货币政策委员会进行了。本文预测地平线是未来设置为5秒。gydF4y2BaPgydF4y2Ba_{dep_xgydF4y2Ba}代表了需求预测能力gydF4y2BaxgydF4y2Bath第二预测地平线。此外,为了揭示预测电力需求的影响在PgydF4y2Ba^2gydF4y2BaMPC,不同配置的预测电力需求预测地平线在MPC方法设置,模拟SOC的平均相对偏差和废气温度进行了比较。传统的MPC方法的仿真结果在表作为参考gydF4y2Ba5gydF4y2Ba。此外,为了更好地证明本文提出的预测的优势,预测的模拟设计文献[gydF4y2Ba23gydF4y2Ba),只使用历史速度作为输入没有踏板位置进行,结果如表所示gydF4y2Ba6gydF4y2Ba。gydF4y2Ba

如表所示gydF4y2Ba5gydF4y2Ba,1号配置显示了传统的货币政策委员会的结果在电力需求预测地平线的假定为常数gydF4y2BaPgydF4y2Ba_{de0,gydF4y2Ba}这是电力需求在当前的计算步骤。不,不是的。6 P的配置显示仿真结果gydF4y2Ba^2gydF4y2Ba货币政策委员会。如表所示gydF4y2Ba5gydF4y2Ba传统货币政策委员会相比,平均相对误差的增加SOC的P不同的电力需求配置gydF4y2Ba^2gydF4y2BaMPC都是负的,这表明SOC的平均相对误差由PgydF4y2Ba^2gydF4y2BaMPC小于常规货币政策委员会。此外,废气温度的平均相对误差由PgydF4y2Ba^2gydF4y2BaMPC增加一点,可考虑到大型SOC的平均相对误差降低。结果表明,与传统的MPC相比,可以获得较高的控制性能提出的PgydF4y2Ba^2gydF4y2Ba货币政策委员会。gydF4y2Ba

如表所示gydF4y2Ba6gydF4y2Ba由于预测的准确性较低,没有踏板位置作为输入,只有2号电力需求的配置可以达到更好的控制性能比传统的货币政策委员会;控制性能差的预测没有踏板位置作为输入与表中的结果就是显而易见的gydF4y2Ba5gydF4y2Ba的预测PgydF4y2Ba^2gydF4y2BaMPC采用历史速度和踏板位置作为输入,这也表明该功率预测的优势。gydF4y2Ba

此外,如表所示gydF4y2Ba5gydF4y2Ba,控制性能的3号和4号2号的配置比配置,和控制性能的5号和6号配置更好。此外,如表所示gydF4y2Ba6gydF4y2Ba,平均相对误差的增加SOC的2号配置,电力需求在哪里假定为常数gydF4y2BaPgydF4y2Ba_{dep_1gydF4y2Ba}预测地平线,是最小的与任何。6。明显不会另外获得更好的控制性能虽然使用更预测电力需求的结果在预测地平线。明显的原因无法获得更好的控制性能,预测误差随时间的流逝在预测地平线。根据节gydF4y2Ba3.2gydF4y2Ba预测误差的预测在第一第二速度预测地平线是最小的,因此预测电力需求gydF4y2BaPgydF4y2Ba_{dep_1gydF4y2Ba}更接近实际的电力需求在未来,因此电力需求的2号配置表吗gydF4y2Ba5gydF4y2Ba和gydF4y2Ba6gydF4y2Ba可能最能实现良好的性能。结果表明,预测的时间步骤更接近于当前时间的时刻可以提高控制性能更好。基于上述分析,预测PgydF4y2Ba^2gydF4y2BaMPC-based EMS只预测电力需求在下一秒减少计算时间成本,和2号配置表的电力需求gydF4y2Ba5gydF4y2Ba采用最优控制的计算。gydF4y2Ba

4.2.2。权重系数PgydF4y2Ba^2gydF4y2Ba货币政策委员会gydF4y2Ba

为了分析权重系数值的影响,提出了EMS的性能,不同的权重系数值gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba设置在多目标函数根据方程(gydF4y2Ba28gydF4y2Ba)。根据节gydF4y2Ba3.3gydF4y2Ba线性加权法是用于设置的值gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba权重系数的总和满足以下方程:gydF4y2Ba

摘要维护SOC的参考价值,低废气温度和小扰动控制序列之间。控制性能比较,介绍:以下5个索引的最大相对误差(母)的SOC的参考价值,平均相对误差(仅仅)的SOC的参考价值,母马的废气温度的参考价值,仅仅的废气温度的参考价值和波动系数(FC)的涡轮轴发动机功率。涡轮轴发动机功率的波动系数gydF4y2BahgydF4y2Ba_{足球俱乐部gydF4y2Ba}表示如下:gydF4y2Ba 在哪里gydF4y2BaNgydF4y2Ba代表了总样本的仿真结果,gydF4y2Ba我gydF4y2Ba代表的第i个步骤,gydF4y2BaPgydF4y2Ba_egydF4y2Ba表示发动机功率。为了比较不同体重的影响系数方程中的多目标函数(gydF4y2Ba28gydF4y2Ba),gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba根据表设置gydF4y2Ba7gydF4y2Ba。进行仿真测试,结果如图所示gydF4y2Ba18gydF4y2Ba和表gydF4y2Ba8gydF4y2Ba。如图gydF4y2Ba18gydF4y2Ba和表gydF4y2Ba8gydF4y2Ba,结果表明,SOC的误差从0.6的参考价值与权重系数增加gydF4y2Ba减少,SOC的大部分错误意味着坏电池的效率和短暂的一生。另一方面,小的权重系数gydF4y2Ba意味着SOC的限制减少,更多的权力从动力电池是用于满足需求驱动的驱动功率,减少权力从涡轮轴发动机和导致废气温度较低。相反,大gydF4y2Ba有更多的福利低废气温度而不是稳定的SOC。gydF4y2Ba

此外,当gydF4y2Ba ,gydF4y2Ba的gydF4y2Ba是设置为相同的值在表5 - 6号gydF4y2Ba7gydF4y2Ba;大误差的控制性能差,因为0.6的SOC的参考价值。结果表明,gydF4y2Ba应设置比吗gydF4y2Ba保持周围的SOC的参考价值。虽然大gydF4y2Ba会导致废气温度高,相对误差的增加废气温度低于SOC的相对误差降低。因此,大gydF4y2Ba和小gydF4y2Ba应该选择PgydF4y2Ba^2gydF4y2BaMPC-based EMS。gydF4y2Ba

因此,为了确定最终的权重系数,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba设置见表gydF4y2Ba9gydF4y2Ba,仿真结果如图gydF4y2Ba19gydF4y2Ba和表gydF4y2Ba10gydF4y2Ba。如图gydF4y2Ba19gydF4y2Ba和表gydF4y2Ba10gydF4y2Ba,当gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba ,gydF4y2Ba控制性能是可以接受的。相比其他配置的结果,有一些增加的母马和纯粹的废气温度;然而,有更多的减少母马和SOC的纯粹。因此,基于上述比较不同体重系数的影响控制性能,进一步研究多目标成本的重量系数P的函数gydF4y2Ba^2gydF4y2BaMPC都设置为gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba和gydF4y2Ba 。gydF4y2Ba

4.2.3。对比基于规则的MPC和PgydF4y2Ba^2gydF4y2Ba货币政策委员会gydF4y2Ba

更好地证明提出的性能通过EMS,电源后介绍了基于规则的EMS的比较。除了udd,驾驶周期和HWFET LA92也用作模拟引用,如图gydF4y2Ba20.gydF4y2Ba。在基于规则的EMS,内燃机发电机能单元的力量将按照信号的电力需求时油门/刹车踏板SOC属于per-designed范围。内燃机发电机能单位将提供最大的输出功率或在SOC的最小输出功率低于或高于极限值,并将按照电力需求从司机当SOC到达的参考价值。gydF4y2Ba

仿真结果如图gydF4y2Ba21gydF4y2Ba- - - - - -gydF4y2Ba23gydF4y2Ba和表gydF4y2Ba11gydF4y2Ba。通过基于规则的策略的最大涡轮轴发动机废气温度近似20度高于PgydF4y2Ba^2gydF4y2BaMPC三个驾驶周期,由基于规则的EMS和FCs的发动机功率比,PgydF4y2Ba^2gydF4y2BaMPC-based EMS。结果如图gydF4y2Ba21 (c)gydF4y2Ba,gydF4y2Ba22 (c)gydF4y2Ba,gydF4y2Ba23日(c)gydF4y2Ba由基于规则的EMS变化也显示了涡轮轴发动机功率高于PgydF4y2Ba^2gydF4y2BaMPC-based EMS,这可能导致不稳定的涡轮轴发动机工作状态。在P SOC的较大偏差gydF4y2Ba^2gydF4y2BaMPC-based EMS的考虑保持稳定的涡轮轴发动机工作状态。结果表明PgydF4y2Ba^2gydF4y2BaMPC-based EMS可以提供车辆与HPU的更好的控制性能。gydF4y2Ba

5。结论gydF4y2Ba

在本文中,一个新的土地和空气与涡轮轴发动机车辆由HPU介绍,为了提高效率和车辆的性能,建立了完整的车辆模型和PgydF4y2Ba^2gydF4y2Ba提出了MPC-based EMS。首先,涡轮轴发动机的建模方法提出了基于数据驱动的方法,和大涡轮轴发动机模型与实验数据的准确性。仿真结果验证了为了提高预测模型的准确性提出了PgydF4y2Ba^2gydF4y2BaMPC,集成电力需求预测与设计状态标识符。仿真结果表明,预测电力需求在时间步更接近当前时间的时刻更适合改善控制性能。基于获得的完整的车辆模型和预测,MPC包括SOC和废气温度的预测模型作为状态变量,建立了控制变量的一阶惯性反应。废气温度低,小偏差的SOC参考,和小扰动的控制变量的多目标优化函数PgydF4y2Ba^2gydF4y2Ba货币政策委员会。不同重量的影响系数PgydF4y2Ba^2gydF4y2BaMPC-based EMS讨论,展示了一系列的仿真结果来确定相应的权重系数的优化函数。基于规则的EMS和P之间的仿真结果gydF4y2Ba^2gydF4y2BaMPC-based EMS证明本文提出的EMS的优势。gydF4y2Ba

数据可用性gydF4y2Ba

读者可以获得这项工作中所使用的数据集通过联系相应的作者通过电子邮件:gydF4y2Bayuema@bit.edu.cngydF4y2Ba。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称他们没有利益冲突有关的出版。gydF4y2Ba

引用gydF4y2Ba

1. 通用汽车布拉沃:Praliyev,。Veress”,性能分析的混合电力推进系统和分布式应用于轻型飞机,”gydF4y2Ba能源gydF4y2Ba文章ID 118823卷,214年,2021年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. 江z和s . a . Raziei”层次模型预测控制实时energy-optimized航天系统的操作,”gydF4y2Ba张仁学报2019 / IEEE电动飞机技术研讨会(吃)gydF4y2Ba美国印第安纳波利斯,在2019年8月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. y谢,a . Savvarisal a . Tsourdos d . Zhang和j·顾,“对混合动力电动飞机,其概念设计和能源管理方法,“gydF4y2Ba中国航空杂志gydF4y2Ba,34卷,不。4、432 - 450年,2021页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. a . w . Wangai d阮,d . Rohacs”预测电动、混合动力飞机。”gydF4y2Ba国际Symposiumon电动航空和自治系统gydF4y2Ba2019年,44卷,页26 - 29日。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. Economou j . t . s .王”的分布式混合电力推进系统设计基于遗传算法一架轻型飞机,”gydF4y2Ba2019年学报张仁推进和能源gydF4y2Ba美国印第安纳波利斯,在2019年8月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. j . Rohacs和d . Rohacs“能量系数进行比较的飞机由不同的推进系统,支持“gydF4y2Ba能源gydF4y2Ba文章ID 116391卷,191年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. 和y y,陈、杨、“分布式电源管理与自适应调度地平线电动飞机,”gydF4y2Ba国际期刊的电力和能源系统gydF4y2Ba,126卷,2021年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. c·e·d·Riboldi”能量最优混合动力飞机偏离设计的电源管理,“gydF4y2Ba航空航天科学技术gydF4y2Ba卷,95年,第707 - 692页,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. a . b . Petrochenkov a . v . Romodin d . y . Leizgold和a . s . Semenov”建模与燃气轮机单位能源供电系统,”gydF4y2Ba俄罗斯的电气工程gydF4y2Ba,卷91,不。11日,第680 - 673页,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. t . Donateo l . Cucciniello l . Strafella, a . Ficarella”面向控制的造型的涡轮轴发动机混合动力城市空中机动,”gydF4y2Bae3的网络会议gydF4y2Ba文章ID 05003卷,197年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. b·巴尔加l·卡瓦胡椒、b . Bekesi和k Feher如是说,“热涡轮轴发动机数学模型的发展,“gydF4y2Ba运输Means-Proceedings国际会议gydF4y2Ba卷,2019年,第1326 - 1323页,2019年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. m . Pakmehr n .菲茨杰拉德e . Feron j . Paduano和a . Behbahani“基于物理动态建模的涡轮轴发动机驱动可变螺距螺旋桨,”gydF4y2Ba《推进和权力gydF4y2Ba,32卷,不。3、646 - 658年,2016页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. 阿明和m .名“黑箱建模的涡轮轴发动机燃气涡轮发动机燃油控制单元基于神经NARX,”gydF4y2Ba诉讼制度的机械Engineers-Part M:《海洋环境的工程gydF4y2Ba,卷233,不。3、949 - 956年,2019页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. h .盛问:陈,李j . et al .,“动态建模和性能分析研究直升机涡轮轴发动机的启动过程中,“gydF4y2Ba航空航天科学技术gydF4y2Ba文章ID 106097卷,106年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. t·w·j . h . Kim歌,t . s . Kim和s . t . Ro”模型开发和仿真重型燃气轮机的瞬态行为,”gydF4y2Ba燃气轮机工程和力量gydF4y2Ba,卷123,不。3、589 - 594年,2001页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. Y.-D。兴,J.-Q。黄、f . Lu和W.-R。么,”涡轮轴发动机实时简化模型研究”,gydF4y2Ba航空发动机gydF4y2Ba,38卷,不。2、2012。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. f, x, f·杜et al .,“实验和数值研究微型燃气轮机作为电动汽车,增程器”gydF4y2Ba应用热工程gydF4y2Ba文章ID 115236卷,173年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. c . c .林Chan-Chiao h .彭Huei j . w .灰色和j . m . Jun-Mo Kang“电源管理策略并行混合动力卡车,”gydF4y2BaIEEE控制系统技术gydF4y2Ba,11卷,不。6,839 - 849年,2003页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. 在公元前。陈,y y。吴,H.-C。蔡”,设计和分析范围延长电动汽车的电源管理策略使用动态规划,“gydF4y2Ba应用能源gydF4y2Ba卷,113年,第1774 - 1764页,2014年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. j .彭h .他和r .熊”规则基于串并联插件混合动力汽车能量管理策略优化的动态规划,“gydF4y2Ba应用能源gydF4y2Ba卷,185年,第1643 - 1633页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. c, f .丁w . Wang和w·他“双模功率分流混合动力电动汽车的能源管理基于速度预测和非线性模型预测控制,”gydF4y2Ba应用能源gydF4y2Ba卷,189年,第653 - 640页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. s, r . Xiong, f .太阳”模型预测控制的电源管理插件混合动力电动汽车混合储能系统,”gydF4y2Ba应用能源gydF4y2Ba卷,185年,第1662 - 1654页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. s . j . x Wang Chen, y。王,h .他”,通过深度学习层次模型预测控制车辆速度预测氧气化学计量调节燃料电池,”gydF4y2Ba应用能源gydF4y2Ba文章ID 115460卷,276年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. h . Borhan瓦海德,a . m .菲利普斯m . l .旷诉Kolmanovsky,和美国迪Cairano”MPC-based功率分流混合动力电动汽车的能源管理,“gydF4y2BaIEEE控制系统技术gydF4y2Ba,20卷,不。3、593 - 603年,2012页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. 桥和y s . k . t . Wong“在混合动力电动汽车电源管理的概述gydF4y2Ba能量转换和管理gydF4y2Ba,43卷,不。15日,第1968 - 1953页,2002年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. z的歌,h·霍夫曼,j . Li j .侯韩x和m .欧阳,“电动汽车能量管理策略比较混合储能系统,”gydF4y2Ba应用能源gydF4y2Ba卷,134年,第331 - 321页,2014年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. Keerthi和e·g·吉尔伯特”最佳可是反馈法律约束的一般类离散时间系统:稳定和地平线动近似,”gydF4y2Ba优化理论与应用》杂志上gydF4y2Ba卷,57号2、265 - 293年,1988页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. h·陈和f . Allgower”quasi-infinite地平线非线性模型预测控制方案,保证稳定性,”gydF4y2Ba自动化gydF4y2Ba,34卷,不。10日,1205 - 1217年,1998页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. l . Grune和a . Rantzer”无限的地平线上滚动时域控制器的性能,”gydF4y2BaIEEE自动控制gydF4y2Ba,53卷,不。9日,第2111 - 2100页,2008年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. h . m .严m . Li他和j .彭“深度学习车辆速度预测,”gydF4y2Ba能源ProcediagydF4y2Ba卷,152年,第623 - 618页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. 胫骨和m . Sunwoo”,车辆速度与速度的限制,使用马尔可夫链预测”gydF4y2BaIEEE智能交通系统gydF4y2Ba,20卷,不。9日,第3211 - 3201页,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. c .太阳x, s . j .莫拉和f .太阳,“比较速度预测预测控制策略在戊肝病毒,”gydF4y2Ba2014年美国ASME动态系统和控制会议gydF4y2Ba美国圣安东尼奥,TX, 2014年10月。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. 黄y . h . Wang a . Khajepour h .他和j .霁”模型预测控制混合电动汽车的电源管理策略:复习一下,”gydF4y2Ba能源杂志gydF4y2Ba卷,341年,第106 - 91页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2021 Zhengchao魏等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba