基于多传感器信息融合的插电式混合动力汽车能量管理策略优化研究

《World Electric Vehicle Journal》:Research on Energy Management Strategy of PHEV Based on Multi-Sensor Information Fusion Long Li, Jianguo Xi, Xianya Xu and Yihao Wang

【字体: 大 中 小 】 时间:2026年03月21日 来源:World Electric Vehicle Journal 2.6

编辑推荐:

  为深入挖掘功率分流式混合动力汽车的节能潜力,本刊推荐一项研究。该研究针对传统RBF神经网络车速预测方法仅依赖单车历史速度序列、存在局部预测误差大等问题,提出了一种融合驾驶员意图、毫米波雷达与摄像头数据等多源信息的改进RBF神经网络预测方法,并构建了以燃油经济性为目标的模型预测控制(MPC)能量管理优化模型。仿真验证表明,该方法在多种工况下相比传统方法可将燃油经济性提升4.11%,为实现更高效、智能的车辆能量管理提供了新思路。

  
在汽车迈向“新四化”的浪潮中,新能源汽车的发展尤为关键。插电式混合动力汽车(Plug-in Hybrid Electric Vehicle, PHEV)作为其中的重要分支,巧妙结合了传统燃油车和纯电动车的优势,既能有效缓解续航焦虑,又能显著降低油耗和排放,因此得到了广泛应用。然而,PHEV的“心脏”——其动力系统由发动机、电机、电池等多个动力源构成,如何让它们默契配合,实现最优的能量分配,从而榨干每一滴燃油的潜力,是工程师们面临的核心挑战。这个挑战的解决方案,就是能量管理策略(Energy Management Strategy, EMS)。它如同汽车的“智慧大脑”,其决策水平直接决定了整车的燃油经济性和行驶性能。当前,基于优化算法的能量管理策略展现出了巨大潜力,但其效果高度依赖于对未来短期行驶工况(尤其是车速)的精准预测。传统的预测方法往往“目光短浅”,仅依赖车辆自身的历史速度信息,在复杂多变的真实交通环境中,就像雾里看花,容易出现预测偏差大、适应性差等问题,导致“大脑”决策失误,无法实现真正的节能。为了给汽车的“智慧大脑”配上更明亮的“眼睛”,使其能够“看清”前方路况和驾驶者意图,从而做出更优的能耗规划,研究人员开展了一项融合多传感器信息进行智能车速预测与能量管理优化的研究。
为开展此项研究,作者团队主要采用了以下几项关键技术方法:首先,建立了一套完整的功率分流式混合动力客车仿真模型,作为研究的基础平台。其次,核心创新在于提出了一种基于改进型径向基函数(Radial Basis Function, RBF)神经网络的多传感器信息融合车速预测方法。该方法通过模糊推理系统识别驾驶员意图,并融合毫米波雷达和摄像头获取的前车运动特征参数,结合滚动时间窗内的历史车速序列,共同作为RBF网络的输入,以预测未来车速。再次,基于预测得到的车速序列,研究者构建了以优化燃油经济性为目标的模型预测控制(Model Predictive Control, MPC)能量管理优化模型,并采用动态规划(Dynamic Programming, DP)算法在有限时域内求解各动力源之间的实时最优扭矩分配方案。最后,研究在MATLAB/Simulink仿真平台上,结合中国重型商用车行驶工况(CHTC-B)、城市客车循环工况(CCBC)以及实际道路行驶工况,对所提出的整体策略进行了综合验证与对比分析。
2. 车辆控制模型的建立
本研究以一款功率分流式混合动力客车为研究对象。首先,论文详细描述了该车的动力系统构型,其核心包括发动机、电机MG1、电机MG2、行星齿轮组以及2挡AMT变速箱等部件,并通过一张系统配置图(对应原文Figure 1)直观展示了各部件间的连接关系。其次,研究通过实验建模方法,利用发动机台架试验数据,通过插值和查表确定了发动机的输入输出关系,并给出了计算发动机燃油消耗率和运行效率的数学公式。基于测量数据,论文绘制了发动机的燃油消耗率MAP图(对应原文Figure 2),可视化了发动机在不同扭矩和转速下的油耗特性。对于电机,同样采用实验建模,建立了电机扭矩与转速、效率之间的关系模型。
3. 基于多传感器信息融合的车速预测方法
本章是研究的核心创新部分。传统RBF神经网络预测方法仅输入历史车速序列,本文对此进行了改进。提出的新方法首先通过一个模糊推理系统来识别驾驶员的驾驶意图(如激进、正常、温和)。同时,利用安装在车辆上的毫米波雷达和摄像头感知前方交通环境,通过Dempster-Shafer证据理论融合多传感器数据,提取出前车的相对距离、相对速度等运动特征参数。此外,系统以滚动时间窗的方式提取本车的历史车速序列。最终,将驾驶员意图、前车运动特征参数和历史车速序列这三类多维信息一同作为改进的RBF神经网络的输入,用于预测未来一段时间内的车辆速度序列。这种方法综合考虑了“人-车-路”多方信息,旨在提高预测的准确性和鲁棒性。
4. 基于模型预测控制的能量管理策略
在获得未来车速预测序列的基础上,本章构建了能量管理优化模型。该模型以优化有限预测时域内的燃油经济性为核心目标。采用模型预测控制(MPC)框架,将能量管理问题转化为一个滚动优化的控制问题。在每个控制周期,利用动态规划(DP)算法求解最优控制序列,即发动机、电机MG1和电机MG2的最优扭矩分配方案,但仅执行序列中的第一步控制指令,随后根据新的系统状态和预测信息进入下一轮优化循环。这样既能利用预测信息进行前瞻性优化,又能应对模型失配和外部扰动。
5. 仿真结果与分析
研究在MATLAB/Simulink平台搭建了整车仿真模型,并选取了CHTC-B、CCBC和一段实际道路行驶数据三种典型工况进行验证。为了评估所提方法的有效性,设定了两种对比策略:一种是基于规则的能量管理策略,另一种是采用传统RBF神经网络(仅基于历史车速)进行预测并结合MPC的能量管理策略。仿真结果表明,在各种测试工况下,本文提出的融合多传感器信息的改进RBF-MPC策略,在燃油经济性上均优于两种对比策略。最终,综合三种工况的仿真数据,与采用传统RBF预测及规则管理的基准方法相比,本文方法的燃油经济性平均提升了4.11%。
本研究通过仿真分析,得出了明确且积极的结论。论文提出并验证了一种融合多传感器信息的改进RBF神经网络车速预测方法,结合模型预测控制框架,成功构建了一套适用于功率分流式混合动力汽车的新型能量管理策略。该方法有效克服了传统预测方法信息维度单一、适应性差的不足,通过集成驾驶员意图识别与前车环境感知,显著提升了短时车速预测的精度与鲁棒性。基于此精确预测,采用模型预测控制与动态规划求解的优化策略,能够实现发动机、电机等动力源扭矩的实时优化分配。最终的仿真验证表明,相较于传统的预测方法结合规则管理策略,所提出的新策略在多种标准循环工况和实际道路工况下,平均可提升车辆燃油经济性4.11%。这一结果充分证明了多源信息融合在提升混合动力汽车能量管理智能化水平与节能效果方面的巨大潜力和实用价值,为开发下一代高效、自适应的车辆能量管理系统提供了重要的理论依据和技术路径。本研究工作发表于《World Electric Vehicle Journal》期刊。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号