智能混合动力汽车动力控制I：汽车最优功率的机器学习

主要对混合动力汽车（HEV）的智能能量管理策略进行了研究。研究了混合动力汽车能量流的建模、能量管理优化的数学背景、机器学习框架、机器学习算法和实时能量流最优控制等方面内容。

研究了混合动力汽车最优能量管理的机器学习算法。针对混合动力汽车的能量管理系统，建立基于机器学习算法的系统框架（ML_EMO_HEV）。试验基于美国阿贡国家实验室提供的福特混合动力车辆模型的动力总成系统分析工具包（PSAT）。

ML_EMO_HEV包括预测道路类型、交通拥堵情况和驾驶趋势的机器学习算法，然后根据预测的数值确定能量的最优分配。采用神经网络NN_RT&TC（路面类型和交通堵塞的神经网络）预测道路类型和交通拥堵情况。这是一个多级的神经网络，其包含11个标准的FS（特定场所）循环工况（包括当前的道路类型和交通拥堵情况）。在循环工况下测试10次的精度达到了91.6%～98.7%。神经网络可以预测5种驾驶趋势：①怠速；②低速行驶；③高速行驶；④加速；⑤减速。神经网络得到的11种道路类型和交通堵塞情况的最优发动机转速的MSE（均方误差）为0.0002～0.0012。神经网络得到的最优电池电量的MSE为0.0004～0.0015。

在今后的研究中，将在目标车辆上对所建立的最优能量控制算法进行实时的工况验证。

刊名：IEEE Transactions on Vehicular Technology（英）

刊期：2012年第8期

作者：Yi Lu Murphey et al

编译：刘晓莹