基于双向时间融合的插电式混合动力汽车（PHEVs）的双参数自更新预测能量管理策略

《Energy》：Dual-parameter self-updating predictive energy management strategy for PHEVs based on bidirectional temporal fusion

　　•开发了一种基于双向时间融合的双参数自更新预测型能源管理系统（DSP-EMS），用于插电式混合动力电动汽车（PHEVs）。
•提出了一种利用双向时间融合的速度预测方法，用于不同空间领域的预测。
•提出了一个双参数自更新机制，用于优化电池电量（SoC）参考轨迹和能量调节因子。
•开发了一种集成DSP-EMS的双核控制器，并通过车辆测试验证了其节能性能。

**引言**
插电式混合动力电动汽车（PHEVs）代表了向更绿色、更高效的传统燃油动力车辆发展的重大转型[1]，最大化其节能潜力是行业研究的关键焦点[2][3]。随着智能和联网车辆技术的进步，车辆可以获取大量的动态交通和静态道路信息[4][5]。通过进一步优化能源管理系统（EMS），PHEVs的节能优化性能得到了提升。在行驶过程中，根据时间和车辆位置的变化，剩余距离的交通和道路信息会不断更新[6]。因此，在时变交通场景中，如何合理利用时变交通和道路信息来优化EMS以降低整体能耗是本文的重点。

**能源管理策略包括：**基于规则的EMS、基于优化的EMS和基于学习的EMS。基于规则的EMS[7]提供快速的实时响应和高稳定性，但其节能性能不显著。在基于学习的EMS中，研究人员主要采用深度强化学习算法[8]，如DDPG、TD3和SAC。通过实时与车辆驾驶环境互动，智能体不断学习和调整EMS。关于基于学习的EMS的论文仅展示了仿真结果，并未将其应用于实际车辆。在基于优化的EMS中，A-ECMS是适用于在线车辆应用的方法之一[9]。优化A-ECMS需要考虑速度预测对实时功率分配的影响[10]。当前的主要解决方案包括两种方法：集成式和分层式。李等人[11]提出了一种端到端集成式EMS框架，直接利用交通和道路信息进行功率分配。尽管集成优化架构提高了实时性能，但它仅限于特定应用场景，且解决方案结果不易解释。分层优化架构[12][13][14]通常将任务分为三个部分：预测、规划和控制。它具有明确的目标和可解释的逻辑过程，因此具有实时控制应用的潜力。然而，仍需解决一系列问题。

在车辆速度预测层，交通场景复杂且不断变化[15]，因此准确预测未来驾驶条件对于优化能源管理策略至关重要。未来驾驶周期预测的结果与预测方法和训练数据集密切相关[16]。陈等人[17]研究了基于TCN的车辆速度预测方法的特点。结果表明，TCN缩短了梯度传播路径，使其容易发生梯度爆炸。黄等人[18]展示了在200米的预测范围内，长短期记忆（LSTM）在准确性和计算效率方面优于GRU。鲍等人[19]证明LSTM具有良好的泛化和实时控制能力。Transformer[20]和基于注意力的模型[21]也可用于车辆速度预测。目前尚未找到将它们应用于实际车辆速度预测的研究论文。王等人[22]提出了一种结合编码器和Bi-LSTM的车辆速度预测方法，能够预测3公里范围内的车辆速度。总之，LSTM是适用于长时间 vehicle speed 预测的代表性方法，并能满足实际车辆应用的要求。为了进一步释放预测潜力，最近的研究结合了多维特征来捕捉复杂的动态条件。例如，贾等人[23]提出了一种集成驾驶意图的多输入双向LSTM预测器。这有效克服了单输入的局限性，显著提高了轨迹预测的准确性，为下游的健康意识能源管理提供了可靠的基础。然而，它忽略了 vehicle speed 的时空耦合特性以及交通流量与车辆移动过程中的实时速度之间的双向影响，速度预测的准确性仍有进一步提高的空间。

在电池SoC轨迹规划层，典型方法包括线性规划[24]、数据驱动规划[25]和动态规划（DP）[26]。基于线性规划的电池SoC参考轨迹规划方法只能线性描述整体趋势，难以反映由不确定和复杂驾驶周期引起的随机波动。数据驱动规划可以从大量历史数据中学习，以规划最优SoC参考轨迹。胡等人[27]使用增量学习构建了适用于旅行段的最优SoC参考轨迹规划模型，但有限的训练集限制了其在所有驾驶周期中的应用。陈等人[17]提取了最优SoC分布模式，但这需要大量训练来提高学习精度，难以应用于时变交通场景。DP算法可以获得全局最优解。赵等人[28]使用DP一步预测了起点的全局速度并规划了SoC参考轨迹。然而，未来速度会随着交通条件的变化而持续变化，因此单一规划的SoC参考轨迹难以实现全局最优。为了获得大致最优的电池SoC参考轨迹，应注意DP算法的在线实时应用。

在实时控制层，实时控制层的主要任务是调整能量调节因子以跟随SoC参考轨迹。常用方法包括比例-积分（PI）跟踪方法和射击法[29]。基于SoC差异调整的PI跟踪方法可以有效跟踪SoC参考轨迹，但存在时间延迟。射击法通过数值迭代接近SoC参考轨迹。杨等人[30]证明射击法在燃油效率和实时性能方面优于PI跟踪方法。谢等人[31]发现增加预测时间范围可以降低总能耗，但会增加射击法的计算时间。能量调节因子需要根据实时驾驶周期动态调整[32]。同时，动态求解能量调节因子需要平衡计算成本和能耗。

在分层优化架构[33]中，信息只能从上层逐层向下传播，导致规划和控制层严重依赖于最上层速度预测的准确性。然而，这些方法难以保证全球速度预测结果与实时速度完全一致。在分层优化架构中，基于实时控制效果建立反馈机制以优化电池SoC轨迹规划和能量调节因子，有潜力解决对单层结果的过度依赖问题。因此，考虑到综合交通场景和能耗结果的时变特性，如何设计一个用于规划层的SoC参考轨迹和能量调节因子的自更新优化机制非常重要。此外，利用实时交通信息的EMS需要大量的数据计算，如何将其成功应用于实际车辆是本文的重点。

**广泛的能源管理策略主要分为两类。**第一类将分布式发电机[34]、储能系统和灵活负载[35]作为主动配电网络和微电网的研究对象。它依赖于分散协调、需求响应和闭环反馈来解决在源负载不确定性下的系统功率调度问题。第二类针对单个混合动力车辆，考虑车载电源组件（如发动机、动力电池和电机），根据驾驶周期优化功率分配以实现车辆级节能。本文以PHEV作为研究对象。考虑到驾驶过程中的时变交通场景，采用合理的多个电源之间的扭矩分布来降低车辆能耗。

**总结来说，**针对PHEVs的分层EMS研究仍存在以下差距：（1）在基于分层的EMS中，信息只能从上层逐层向下传播，缺乏从控制结果到规划层的实时反馈以进行优化；（2）如何在时变交通场景中更新电池SoC参考轨迹和能量调节因子，以最小化全球行驶能耗。为应对上述问题，本文进行了一系列研究。主要创新贡献如下：（1）提出了一种基于双向时间融合的双参数自更新预测能源管理策略（DSP-EMS），结合了反馈优化机制以解决对单层计算结果的过度依赖问题。（2）通过分析行驶和未行驶道路条件下的双向交通流量和实时速度之间的关系，提出了一种基于双向时间融合的速度预测方法（SPM-BTF），实现了不同空间领域的速度预测。（3）考虑到信息更新和控制器计算能力限制，提出了一种结合静态和动态事件的双参数自更新机制。该机制实现了全球SoC参考轨迹和能量调节因子的实时在线优化。（4）开发了一种集成DSP-EMS的双核控制器，并通过车辆测试验证了其节能效果。

**剩余部分组织如下：**第2节介绍车辆模型和时变交通场景特征。第3节介绍DSP-EMS。第4节分析DSP-EMS的测试结果。第5节展示车辆测试结果。第6节总结。

**车辆建模**
本研究关注配备ADAS导航地图和车载导航地图的PHEV，如图1所示。PHEV混合系统采用P1/P3架构，包括发动机、发电机、驱动电机、齿轮组及换挡组件、差速器和电池。具体而言，发动机有两个直驱齿轮，驱动电机有一个直驱齿轮。该混合系统可以实现五种运行模式：纯电动模式、第一档并联混合模式（PD1）、第二档并联混合模式。

**双参数自更新预测能源管理策略**
研究车辆配备了摄像头、车载导航地图和ADAS地图等设备。车辆行驶时，车载导航地图和ADAS地图根据GPS位置向车辆控制器传输有关行驶路径的道路和交通信息。道路和交通信息包括交通流量速度、速度限制、历史平均速度、道路类型、停车点、坡度、曲率等。

**速度预测结果**
为了验证SPM-BTF的有效性，选择了LSTM、Bi-LSTM和GRU进行比较。基于完整的测试集，SPM-BTF以及基线方法Bi-LSTM、LSTM和GRU的平均RMSE值如图8所示。在由不同行驶里程组成的测试集中，SPM-BTF的平均RMSE明显低于Bi-LSTM、LSTM和GRU。对于全局速度预测，Bi-LSTM、LSTM和GRU的平均RMSE分别为13.24、13.69。

**双核控制器的实时性能**
为了使DSP-EMS能够在实际车辆中应用，开发了一种基于DSP-EMS的双核控制器，如图12所示。双核功率域控制器由M-core和A-core组成。M-core具有高实时性能，最大频率为400 MHz，负责实时任务（如功率输出）。A-core具有高计算能力，最大频率为1 GHz，承担高计算负荷任务，包括速度预测、在线SoC参考。

**结论**
本文提出了一种基于双向时间融合的双参数自更新预测能源管理策略（DSP-EMS），用于PHEVs。主要结论如下：（1）提出了一种基于双向时间融合的速度预测方法。对于全局和射击范围车辆速度预测，SPM-BTF在测试集上的平均RMSE值分别为12.52和9.39，优于Bi-LSTM、LSTM和GRU基线方法。（2）提出了一种双参数自更新...

**CRediT作者贡献声明**
徐向阳：撰写——审阅与编辑、资源、方法论、形式分析。刘学武：撰写——原始草稿、方法论、调查。苏青青：软件、调查、形式分析。赵俊伟：验证、资金获取、数据管理。何永玲：监督、资源。吴晓军：验证、数据管理。张松：资源、数据管理。王伟：调查、数据管理。彭东：项目管理和方法论、资金筹集。
利益冲突声明：作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。
致谢：本研究得到了国家自然科学基金（项目编号：52322216、52502461）、中国博士后科学基金（项目编号：2025M784295）、北京市自然科学基金（项目编号：L233039）、广西壮族自治区重点科技项目（项目编号：GUIKE AA24206009）以及宁波市关键研发计划（项目编号：2024Z124）的支持。作者同时感谢北京新能源汽车动力总成技术重点实验室的支持。
参与人员：徐向阳、刘学武、苏青青、赵俊伟、何永玲、吴小军、张松、王伟、彭东。