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。
ID:25200677776941725
学气方刚
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
引言:
随着汽车技术的不断发展,联网燃料电池混合动力汽车(FCHEV)成为了解决交通能源和环境问题的重要解决方案之一。然而,FCHEV的生态驾驶问题是一个涉及速度规划和能源管理的耦合问题。为了解决这个问题,并降低计算负担,本文提出了一种基于双层优化的方法,通过解耦上层和下层的子问题进行分层求解。
第一节:引入双层优化
在FCHEV的生态驾驶中,速度规划和能源管理是两个密不可分的问题。为了解耦和简化计算,本文采用了双层优化方法。上层问题负责速度规划,下层问题负责能源管理。
第二节:上层速度规划问题
上层速度规划问题的关键是处理非线性交通信号灯约束。本文通过将其转化为时变的线性状态约束,进一步简化了问题。在速度规划中,我们采用了平均车速作为代价函数,并将其转化为二次型。这样,我们能够更好地控制车辆的速度,提高燃料利用率。
第三节:下层能源管理问题
下层能源管理问题的重点是对燃料电池系统和电池进行模型凸化。通过凸化模型,我们能够更好地优化能源的使用,提高整体能源效率。为了求解这个问题,我们采用了MOSEK求解器和乘子交替方向法(ADMM)。
第四节:实验结果与分析
通过对比使用双层动态规划(DP)方法的实验,我们发现,本文提出的双层凸函数方法不仅在保持较高能源效率的同时,还大大降低了计算量。在实验中,我们发现计算时间仅为6.59%,而燃油经济性与双层动态规划方法基本相同。
结论:
本文提出了一种基于双层凸函数优化的方法,用于联网燃料电池混合动力汽车的生态驾驶问题。通过将上层和下层的子问题解耦并分层求解,我们能够更好地控制车辆的速度规划和能源管理。实验结果表明,该方法在保持较高的能源效率的同时,大大降低了计算量。这为FCHEV的实际应用提供了有力的支持。
注:本文为技术分析文章,重点关注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问题。由于专业性较强,不展示示范代码和参考文献,旨在提供一种解决方案并说明其原理和实验结果。
以上相关代码,程序地址:http://coupd.cn/677776941725.html