某列车用动力电池系统风冷散热流场研究

利用计算流体力学的方法,对某款列车用空调强制风冷动力电池系统进行数值模拟,计算出该动力电池在指定工况下充放电结束点的温度和压力,并得到电池系统的温度场、速度场以及压力场,以探究空调制冷对整个电池系统的散热效果。研究发现:当电池组在不同工况下工作时,若根据电池的发热情况对空调工作状态进行调整,则空调无论是全制冷还是半制冷,均能有效保证电池温度保持在合理的工作范围内,这种改变空调工作状态的方法为解决电池组强制风冷的温度控制问题提供了参考。同时将仿真结果与实验结果进行对比,分析电池系统的热量传递过程与散热效果,验证了仿真结果的准确性以及电池系统的设计合理性。

并行深度强化学习的柴油机动力系统VGT智能控制

针对智能网联(ICV)在动力总成控制领域缺乏相关研究,传统动力总成控制既不智能也不网联的情况,采用最新的深度强化学习算法控制可变截面涡轮(VGT),促进传统内燃动力向智能网联发展。以某台可变几何截面涡轮柴油机为列,分别采用深度强化学习控制方法和PID控制方法进行仿真。结果表明:并行深度强化学习明显优于传统控制方法,最终收敛奖励值超过PID控制,4线程和8线程控制的绝对误差分别提升了37.87%和42.71%。

基于并行深度强化学习的混合动力汽车能量管理策略优化

提出了能量管理策略优化方法,通过深度强化学习中的深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法调整等效因子,以提高燃油利用率,达到SOC保持与油耗降低的目标。受到边缘计算架构启发,建立了基于并行的深度强化学习算法以加快学习速度。在FTP72工况的仿真结果表明:提出的算法使油耗相对基于PID控制器的传统A-ECMS算法降低了7.2%,而以边缘计算架构建立的并行深度强化学习算法使收敛速度提高了334%。