脉冲神经网络、基于物理信息的神经网络以及基于模糊逻辑的智能能源管理系统在混合动力电动汽车中的应用

《Sustainable Computing: Informatics and Systems》：Spiking Neural Network, Physics-Informed Neural Network, and Fuzzy Logic-Based Intelligent Energy Management for Hybrid Electric Vehicles

　　• 提出了一种新型的智能能源管理系统（EMS），该系统结合了物理信息神经网络（PINNs）和模糊逻辑，专为混合动力电动汽车（HEVs）设计。• PINN模型整合了电池物理特性和能量守恒定律，以确保能量预测的物理一致性。• 模糊逻辑控制器根据驾驶条件动态分配内燃机（ICE）和电动机（EM）之间的功率。• 与现有的最佳PINN基方法相比，该EMS可降低3.15%的燃油消耗；与基于规则的方法相比，燃油消耗最多可降低15.8%，电池绝对效率达到95.1%（相比最佳现有方法提高了1.71%），电池剩余电量（SOC）的绝对保留率为96.5%（相比最佳现有方法提高了1.15%）。• 与传统EMS方法相比，该系统在功率稳定性、扭矩控制和整体效率方面都有显著提升。

引言
交通运输行业正朝着更环保的出行方式和可持续的运输模式发展。这一转变是由减少对化石燃料的依赖和温室气体排放的需求所推动的。混合动力电动汽车（HEVs）作为一种重要的过渡技术应运而生，因为它们结合了内燃机和电动机的运行方式[1], [2]。这种组合可以在提高燃油经济性的同时减少排放。然而，HEVs的有效性在很大程度上取决于其EMS的性能，EMS控制着内燃机和电动机之间的电力传输[3], [4], [5]。传统的EMS技术在适应不同的驾驶条件时存在困难，导致燃油经济性较差且电池寿命缩短。本文提出的解决方案通过引入下一代基于人工智能的EMS来应对这些挑战，该系统利用先进的机器学习技术实现实时响应，以优化能源使用。

HEVs的能源管理因不断变化的功率需求、驾驶循环和电池老化而变得复杂。这些因素相互依赖，使得有效的能量控制变得具有挑战性。到目前为止，传统的EMS方法尚未明确考虑这些动态条件，因此导致功率分配不合理，从而造成燃油消耗增加和电池寿命缩短[6]。此外，由于计算延迟和可用硬件的限制，实时应用也受到进一步限制。这里提出的问题凸显了需要一种智能EMS的需求，能够在模糊和多变的操作条件下平衡多种相互冲突的目标——即最小化燃油使用、保护电池寿命并最大化驾驶性能[7], [8], [9]。

目前主要的EMS技术有基于学习的、基于规则的以及以优化为导向的三种类型。基于规则的方法，如确定性和模糊逻辑控制器（FLC）[10], [11]，易于安装但不具备适应性。基于优化的技术，例如动态规划（DP）和庞特里亚金最小值原理（PMP）[12], [13]，在理论上是最优的，但在计算上代价高昂且不适用于实时操作。基于学习的技术，如强化学习（RL）[14]和神经网络（NNs），虽然有望处理非线性问题，但通常忽略了这些物理约束和延迟[16]。最近的进展，如埃尔曼神经网络（ENNs）[15]和深度RL，提高了灵活性，但在可解释性、复杂性和车辆动力学集成方面仍然存在局限[16]。混合动力电动汽车的可持续能源管理需要智能计算方法，能够有效协调车辆能源需求、电池运行和功率分配。从可持续计算的角度来看，智能HEV能源管理代表了一种能源意识型的计算应用，其中计算智能支持推进系统和电池资源的高效利用，从而有助于实现能源友好和环境可持续的交通系统。

人工智能（AI）技术，如神经网络（NNs）和FLC，已被证明是提高电动汽车和HEVs能源管理性能的有效策略。在[17]中提出的神经网络控制器展示了在电动汽车中的改进的功率分配和能源管理能力。同样，在[18]中介绍的基于模糊逻辑的再生制动能量管理系统增强了在不同操作条件下的决策能力和能量回收。然而，基于NN的方法可能无法明确建模物理系统约束，而基于FLC的方法需要预先设计的规则结构，并且具有有限的时间学习能力。因此，现有研究尚未在同一框架内同时实现物理一致性、时间适应性和可解释的控制。正是这种研究差距促使我们提出了SNN–PINN–FLC架构，它结合了时间特征学习、基于物理的预测和自适应模糊决策过程，用于智能HEV能源管理。

为了克服这些缺点，本文提出了一种新的EMS框架，该框架使用了SNNs、PINNs和模糊逻辑控制（FLC）。SNN通过从动态驾驶数据中提取时间特征，紧凑地表示车辆运行的时间变化状态。PINN整合了物理知识，如能量守恒、电池动态等，从而保证了功率分配预测的物理一致性。然后，FLC根据PINN生成的可行功率范围，对内燃机、电动机和电池之间的功率分配进行自适应的实时决策。所提出的框架是一种智能的、自适应的、可扩展的解决方案，适用于下一代HEV能源管理，具有时间智能、物理引导学习和可解释决策的统一架构。

随着对节能和环保车辆需求的增加，大量研究致力于开发新的和改进的HEVs能源管理策略。然而，实现最优功率分配、最小化电池健康损失和燃油经济性以及即时适应性仍然是一个重大挑战。这些开发方法，无论是基于规则的、基于优化的还是基于机器学习的，通常在适应能力、计算复杂性或考虑物理约束方面存在局限性。这些限制表明需要一种智能且物理上一致的EMS。基于此，本文提出了一种集成了时间特征学习、物理引导预测和自适应模糊决策的集成式SNN–PINN–FLC框架，用于智能HEV能源管理。该框架通过在单一EMS架构内整合时间智能、物理一致性和实时适应性，提高了能源利用率和功率分配效率。

本文的创新之处在于开发了一种统一的SNN–PINN–FLC框架，用于混合动力电动汽车（HEVs）的智能能源管理。SNN作为时间特征编码阶段，捕获了来自动态驾驶信号的短期车辆速度、扭矩需求、电池电压、SOC和功率需求的变化。提取的时间表示随后被提供给PINN，后者将能量守恒、电池充放电动态、功率限制、SOC约束和其他物理关系纳入学习过程中，以估计物理上可行的功率边界。最后，模糊逻辑控制器使用预测的可行功率范围以及SOC、车辆速度和功率需求来确定内燃机、电动机和电池之间的自适应功率分配。所提出的集成方法结合了时间特征提取、物理约束下的预测和自适应规则决策，适用于实时HEV功率管理。

贡献
- 通过整合PINNs和模糊逻辑，开发了一种革命性的EMS，实现HEVs的最优功率分配。
- 使用PINNs考虑电池动态和能量守恒定律，确保EMS符合现实世界的物理约束，从而提高实时功率流估计的准确性。
- 在PINNs中应用模糊逻辑提供了自适应的、上下文感知的决策能力，使EMS能够有效处理变化驾驶条件下的功率分配。
- 该系统相比现有的最佳PINN基方法降低了3.15%的燃油消耗，相比基于规则的方法降低了最多15.8%的燃油消耗，同时通过动态功率分配调整优化了电池寿命，从而提高了HEVs的能源利用效率。

论文结构如下：
第1节回顾了现有的HEV EMS方法及其局限性。
第2节描述了利用PINNs和模糊逻辑来最大化功率分配的提出的AI-EMS框架。
第3节通过与其他方法的性能比较展示了研究结果。
第4节总结了本研究的主要贡献和未来的工作方向。

文献综述
WF2SLOA方法的主要目标被整合到了EMS中[19]，该方法通过参数分析探讨了基于WF2SLOA的能源管理开发过程中的几个关键要素，包括状态类别、状态变量数量、状态与动作的分离、探索与利用以及训练经验的选择。基于WF2SLOA和SAC的方法展示了改进的能源管理性能。

提出的一种HEV模型通过行星齿轮组将功率分配给内燃机和电动机。这种配置允许车辆根据驾驶条件和功率需求在串联和并联模式下运行，以实现最佳的燃油经济性和排放节省。车辆所需的驱动力取决于多种作用在车辆上的力，例如惯性、重力、滚动阻力和风阻。所提出的方法结合了时间特征提取。

结果与讨论
本节评估了所提出的基于AI的EMS的功率分配优化性能。传统EMS策略在燃油消耗、电池效率和系统性能方面进行了比较。结果表明，所提出的模型在实时适应性、燃油减少和电池利用方面具有优势。仿真过程如图4所示。
仿真模型展示了一个集成4.5 MW风力发电场的混合可再生能源系统。

结论
本文提出了一种新的基于AI的HEVs EMS，该系统结合了PINNs和模糊逻辑，用于优化电动机、内燃机和电池之间的功率分配。所提出的EMS框架利用实时适应性和物理限制，提高了燃油经济性和电池能源管理效率。SNN–PINN–FLC框架通过结合时间学习、物理信息能源管理和自适应功率分配，支持可持续和能源意识的HEV运行。

伦理批准
本研究不涉及人类参与者或动物，因此不需要伦理批准。

资金声明
作者感谢King Khalid大学的研究与研究生院通过RGP2/105/47C号大型研究项目资助了这项工作。

作者贡献声明
Naseema shaik：撰写——审稿与编辑，撰写——初稿。
Hashim Elshafie：撰写——审稿与编辑，撰写——初稿。
Shoeb Amin Banday：撰写——审稿与编辑，撰写——初稿。
Azath Mubarakali：撰写——审稿与编辑，撰写——初稿。
Karthik Srinivasan：撰写——审稿与编辑，撰写——初稿。
S Sharavanan：撰写——审稿与编辑，撰写——初稿。

利益冲突声明
作者声明与本文的发表没有利益冲突。

同意参与
不适用。

同意发表
所有作者都已阅读并批准了手稿的最终版本，并同意其发表。

利益冲突声明
作者声明与本研究没有相关的利益冲突。

致谢
作者感谢King Khalid大学的研究与研究生院通过RGP2/105/47号大型研究项目资助了这项工作。