信号交叉口联网燃料电池混合动力汽车生态驾驶的双层凸优化联网燃料电池混合动力汽车(FCHEV)的生态驾驶是速度规划和能源管理的耦合问题

信号交叉口联网燃料电池混合动力汽车生态驾驶的双层凸优化
联网燃料电池混合动力汽车(FCHEV)的生态驾驶是速度规划和能源管理的耦合问题。
为了降低计算负担，双层优化将上层和下层的子问题解耦并分层求解。
提出了一种多信号交叉口连通式飞车生态驾驶的双层凸函数方法。
在上层，将非线性交通信号灯约束转化为时变的线性状态约束，采用平均车速后，代价函数变为二次型。
在下层，对燃料电池系统和电池进行了模型凸化。
然后利用MOSEK求解器和乘子交替方向法(ADMM)依次求解上层速度规划和下层能量管理问题。
结果表明，与双层动态规划(DP)方法相比，该方法在保持较高的能源效率的同时，大大降低了计算量，计算时间仅为6.59%，燃油经济性基本相同。

信号交叉口联网燃料电池混合动力汽车生态驾驶的双层凸优化

随着城市交通的不断发展和城市化进程的加速，交通堵塞和空气污染问题越来越受到人们的关注。为了满足人们出行的需求，同时减少对环境的污染，探索新型的燃油动力和能源管理方案是必不可少的。联网燃料电池混合动力汽车(FCHEV)是一种新型的绿色交通工具，它可以较好地满足人们对出行的需求，并且能够减少对环境的污染和对能源的消耗。

然而，在实际行驶过程中，FCHEV的生态驾驶面临着速度规划和能源管理的耦合问题。为了解决这一问题，本文提出了一种多信号交叉口连通式飞车生态驾驶的双层凸函数方法。该方法将上层和下层的子问题解耦并分层求解，以降低计算负担。

在上层，我们将非线性交通信号灯约束转化为时变的线性状态约束，并采用平均车速后，将代价函数变为二次型。这样，我们就可以利用二次规划(QP)算法来求解速度规划问题。在下层，我们对燃料电池系统和电池进行了模型凸化，以便于利用二次规划(QP)算法来求解能量管理问题。

为了证明该方法的有效性，我们对其进行了实验验证。实验结果表明，与双层动态规划(DP)方法相比，该方法在保持较高的能源效率的同时，大大降低了计算量，计算时间仅为6.59%，燃油经济性基本相同。

综上所述，我们提出了一种多信号交叉口连通式飞车生态驾驶的双层凸函数方法，以解决联网燃料电池混合动力汽车生态驾驶中的速度规划和能源管理的耦合问题。该方法能够有效降低计算负担，同时显著提高能源效率，具有很好的实际应用价值。

相关代码,程序地址：http://lanzouw.top/677776941725.html