基于前车驾驶意图融合的智能网联插电式混合动力汽车节能控制策略研究

针对混合动力汽车(HEV)在跟车场景下能耗高、驾驶性能受前车影响大的问题，研究人员创新性地将前车驾驶意图识别与速度预测技术融入PHEV能量管理，提出改进K-means聚类与支持向量机(SVM)的意图识别方法，结合Elman神经网络速度预测和CDQL-MPC控制策略，实现97.01%的动态规划能效比，显著提升车辆能效与驾驶舒适性。

　　

随着全球能源危机和环境问题日益严峻，汽车产业正面临转型升级的关键时期。传统燃油车的高油耗和尾气排放问题亟待解决，而纯电动汽车(EV)又受限于续航里程和充电基础设施。在这种背景下，插电式混合动力汽车(PHEV)凭借其兼具燃油车和电动车优势的特点，成为当前最具前景的过渡解决方案。然而，PHEV在实际行驶过程中，特别是在跟车场景下，其能耗和驾驶性能很大程度上受前车速度变化的影响。如何准确预测前车行为并优化自身能量分配，成为提升PHEV能效的关键科学问题。

针对这一挑战，中国的研究人员开展了一项创新性研究，提出了一种融合前车驾驶意图识别的智能网联PHEV节能控制策略。该研究通过改进K-means聚类算法和SVM分类器实现前车驾驶意图的精准识别，结合Elman神经网络进行速度预测，并创新性地将裁剪双Q学习(CDQL)算法与模型预测控制(MPC)框架相结合，构建了多目标优化的能量管理策略。研究结果表明，该方法可使PHEV达到97.01%的动态规划(DP)能效比，显著提升了车辆在跟车场景下的能源经济性和驾驶舒适性。相关成果发表在《Green Energy and Intelligent Transportation》期刊上。

研究采用了四项关键技术方法：1)基于改进K-means和SVM的前车驾驶意图识别；2)融合驾驶意图的Elman神经网络速度预测；3)考虑动力系统效率、舒适性和安全性的多目标速度规划；4)CDQL-MPC混合能量管理策略。研究数据来自49名驾驶员在三种不同路况下的真实驾驶数据，共95,229个样本。

在驾驶意图识别方面，研究人员首先通过改进K-means算法将驾驶行为聚类为激进加速、激进减速、平稳驾驶和怠速四种类型。改进算法通过加权概率机制优化初始质心选择，显著提高了收敛速度和聚类精度。测试结果显示，SVM分类器对驾驶意图的识别准确率高达99.96%。

速度预测研究比较了不同输入条件下的预测效果。当同时考虑前车历史速度和驾驶意图时，预测均方根误差(RMSE)最高可降低33.34%，显著优于仅使用速度作为输入的传统方法。这一改进使得跟车PHEV能够更准确地预判前车行为变化。

在速度规划环节，研究构建了包含动力系统效率、跟车效果、舒适性和安全性四个优化目标的多目标函数。实验数据显示，融合驾驶意图的速度规划使PHEV的加速度波动减少30%以上，跟车距离更接近最小安全距离，有效提升了行车安全性和舒适性。

能量管理方面，CDQL-MPC策略通过双Q函数和裁剪机制解决了传统Q学习中的过高估计问题。与未考虑前车预测的策略相比，融合驾驶意图的CDQL-MPC使燃油经济性提升6.21%，发动机工作点更接近最优运行线(OOL)，电机扭矩波动显著减小。

该研究的创新性主要体现在四个方面：1)改进K-means算法提升驾驶意图分类精度；2)将驾驶意图识别融入前车速度预测；3)融合前车速度预测、交通信息和PHEV动力学的多目标速度优化；4)CDQL-MPC混合框架的实时能量管理。这些创新使PHEV在跟车场景下的综合性能接近全局最优的SDP策略，同时保证了实时性要求。

这项研究为智能网联混合动力汽车的节能控制提供了新思路，特别是在V2X通信技术日益普及的背景下，其融合多源信息的优化方法具有重要的工程应用价值。未来研究可进一步考虑更复杂的交通场景，并将该策略扩展到车队协同控制等领域，以实现更大范围的交通能源优化。