基于RBF神经网络与动态规划的电动汽车混合储能系统功率分配优化研究

针对电动汽车混合储能系统(HESS)中能量管理策略的实时优化难题，研究人员创新性地将径向基函数(RBF)神经网络与模型预测控制(MPC)框架相结合，构建了高精度车速预测模型。通过动态规划优化功率分配策略，实验表明该方案使能量损失较传统方法降低16.02%，预测误差减少10.06%，显著提升了系统经济性与稳定性。

　　

随着全球气候变化加剧，电动汽车因其高能效、低排放特性成为实现"碳达峰、碳中和"目标的关键路径。然而，作为核心动力源的锂离子电池在极端工况下存在功率输出受限、衰减加速等问题，而超级电容(Ultracapacitor)凭借毫秒级响应特性可弥补这一缺陷。混合储能系统(HESS)通过协同两种储能介质，既保障续航里程又满足瞬态高功率需求。但现有能量管理策略面临三重困境：基于规则的方法依赖专家经验缺乏灵活性；全局优化策略如动态规划计算复杂难以实时应用；传统神经网络预测模型存在精度不足或计算负担过重等问题。

四川大学科研团队在《Journal of Energy Storage》发表的研究中，开创性地将径向基函数(RBF)神经网络与模型预测控制(MPC)框架深度融合。通过15秒历史车速数据训练RBF模型，在3-15秒预测时域内实现误差较BP神经网络降低10.06%；结合动态规划优化功率分配，最终使系统能量损失较规则策略下降16.02%，经济性差距与全局最优解缩小至0.7%。

关键技术包括：1) 通过多温度工况测试建立电池/超级电容高精度动态模型；2) 采用半主动拓扑结构HESS配置方案；3) 基于RBF神经网络构建时序车速预测器；4) 在MPC框架内集成动态规划进行滚动优化。

HESS拓扑与建模
研究采用电池串联DC/DC变换器、超级电容并联的半主动拓扑，通过动态测试建立考虑温度影响的电池-电容联合模型，为策略优化提供精确的底层物理模型支撑。

RBF神经网络架构
设计三层RBF网络以历史车速序列为输入，高斯函数作为隐含层激活函数，输出层线性加权。相比BP网络，其收敛速度提升32%，在15秒预测时域的均方根误差(RMSE)降至0.48km/h。

MPC框架实现
在MPC滚动时域内，将RBF预测结果输入动态规划算法求解最优功率分配方案。仿真显示该策略使超级电容承担89.7%的瞬态功率冲击，电池工况波动减少62.3%。

性能对比验证
在UDDS工况测试中，RBF-MPC策略的能源效率达94.2%，较规则策略提升3.16个百分点。超级电容SOC波动幅度控制在±12%以内，电池寿命损耗降低19.8%。

该研究突破传统策略的实时性-最优性矛盾，RBF神经网络卓越的非线性拟合能力使15秒预测误差控制在2.3%以内。创新性地将动态规划嵌入MPC框架，既保留全局优化特性又实现10ms级在线响应。实验证实该方案可延长电池循环寿命23%，为智能网联环境下电动汽车能量管理提供了新范式。未来可结合车路协同信息进一步扩展预测视域，探索多目标协同优化路径。