《Mechatronics》：Energy consumption prediction of range-extended electric vehicles using dependency-guided physics-regularised neural networks
编辑推荐：
由于驾驶工况与车辆运行特性的变化，增程式电动汽车（REEV）在未见驾驶场景下的能耗可靠预测仍具挑战性。本文提出一种两阶段框架，将差分门控长短期记忆（dLSTM）模型与依赖引导物理正则化神经网络（DG-PRNN）模型相结合。dLSTM捕捉车辆运行信号的短时域时序
由于驾驶工况与车辆运行特性的变化，增程式电动汽车（REEV）在未见驾驶场景下的能耗可靠预测仍具挑战性。本文提出一种两阶段框架，将差分门控长短期记忆（dLSTM）模型与依赖引导物理正则化神经网络（DG-PRNN）模型相结合。dLSTM捕捉车辆运行信号的短时域时序变化，DG-PRNN引入依赖引导稀疏连接与物理正则化，以提升预测鲁棒性并提供更具可解释性的输入结构。模型采用NEDC数据训练，并在未见WLTC工况、驾驶员在环场景以及基于比亚迪（BYD）车辆数据独立标定的电池与发动机部件模型附加验证实验中评估。与数据驱动及物理正则化基线相比，DG-PRNN降低了WLTC工况下能耗预测的大误差风险，并在不同部件模型条件的附加验证中保持准确的部件级功率预测。在WLTC评估中，与数据驱动基线相比，DG-PRNN将电耗与油耗的P95误差水平分别降低1.017 kWh/100 km与1.83 L/100 km。所提框架为未见驾驶场景下的鲁棒能耗预测提供了一种轻量且可解释的方法。
研究背景方面，全球环境问题与化石燃料短缺推动车辆混合动力技术快速发展。增程式电动汽车由电机提供牵引力，发动机维持电池荷电状态（SoC），从而缓解续驶里程限制与成本约束，但准确预测距离归一化能耗仍十分必要，可为预测性能量管理与运行优化提供支撑。车辆能耗受动力系统内部因素（传动拓扑、速比、电机效率、电池开路电压（OCV）与SoC特性及内阻、热状态、附件负载、标定选择）与外部驾驶情境（驾驶行为、交通与路线剖面、环境条件、工况切换）共同影响，异质性强。物理模型方法在其标定范围内可解释、量纲一致且往往准确，但依赖模型保真度与准确部件参数，难以在不反复辨识的情况下刻画驾驶行为、附件负载与平台特性，跨工况鲁棒性受限。纯数据驱动方法虽能学习非线性映射并捕捉个性化驾驶模式，但可能利用伪相关，在未见驾驶行为或工况下泛化较差，且黑箱特性难以保证物理一致性。常规物理正则化混合网络往往未显式编码结构化特征依赖，限制了特征交互的可解释性。为此，研究人员提出两阶段框架，将dLSTM与DG-PRNN结合，以提升未见驾驶场景下能耗预测的鲁棒性与可解释性。
研究人员基于IPG CarMaker 11.0与AVL CRUISE构建驾驶员在环仿真平台，主实验采用AVL CRUISE基线REEV模型，仅用NEDC数据训练、WLTC数据仅用于测试；另在CarMaker中以基于BYD车辆数据独立标定的电池与发动机部件替换基线部件，保持人车交互框架与仿真环境不变，由三名不同驾驶风格的驾驶员完成在环实验用于附加验证。仿真以10 Hz输出车速、加速度、踏板位置、SoC及能耗相关状态，剔除少量无效样本（NaN/Inf）。通过皮尔逊相关分析筛选出车速、加速度、踏板位置与SoC作为DG-PRNN关键输入。研究结论为：DG-PRNN在WLTC下较数据驱动基线降低电耗与油耗P95误差水平分别达1.017 kWh/100 km与1.83 L/100 km，并在不同部件模型条件的附加验证中保持准确的部件级功率预测，说明该框架为未见驾驶场景下鲁棒能耗预测提供了轻量且可解释的途径。
关键技术方法（不超过250字）：构建IPG CarMaker 11.0与AVL CRUISE联合的驾驶员在环仿真平台，主实验采用AVL CRUISE基线REEV模型，训练数据来自NEDC工况，测试采用未见WLTC工况；附加验证平台以基于BYD车辆数据独立标定的电池与发动机部件模型替换基线部件，并由三名不同驾驶风格驾驶员开展在环实验。以10 Hz采集车速、加速度、踏板位置、SoC等信号，剔除NaN/Inf无效样本，基于训练集皮尔逊相关分析筛选关键输入；采用dLSTM进行短时域运行信号预测，构建引入依赖引导稀疏连接与物理正则项的DG-PRNN进行电耗与油耗预测，并通过消融、正则权重与跨场景泛化实验评估。
研究结果方面，通过dLSTM与其他时序预测器的对比，验证了dLSTM在短时域运行信号预测中的适用性，为下游能耗预测提供序列特征。通过改变物理正则化权重的实验，明确了正则强度对预测性能的影响，说明引入电池电特性与发动机运行信息的物理正则项有助于提升物理一致性与预测鲁棒性。通过依赖引导稀疏连接的影响分析，表明该机制对输入至首层连接进行结构化约束，相较常规全连接网络提升了特征交互的可解释性与预测稳健性。通过在未见WLTC工况下的评估，得出DG-PRNN相较数据驱动与物理正则化基线降低大误差风险的结论，电耗与油耗P95误差水平分别降低1.017 kWh/100 km与1.83 L/100 km。通过不同驾驶行为的驾驶员在环场景评估，检验了框架对驾驶行为变化的适应能力。通过基于BYD数据独立标定电池与发动机部件模型的附加验证实验，得出DG-PRNN在不同部件模型条件下仍保持准确部件级功率预测的结论，体现了对动力系统模型变化的鲁棒性。
讨论与结论部分，研究人员指出该框架将短时域运行信号预测与能耗预测相结合，借助依赖引导稀疏连接与物理正则化，在保持轻量的同时增强了输入结构的可解释性，并在未见工况、不同驾驶行为与不同部件模型条件下表现出较好的鲁棒性。原文结论为：所提框架为未见驾驶场景下的鲁棒能耗预测提供了一种轻量且可解释的方法；与数据驱动基线相比，DG-PRNN在WLTC评估中将电耗与油耗的P95误差水平分别降低1.017 kWh/100 km与1.83 L/100 km，并在采用不同部件模型条件的附加验证中保持准确的部件级功率预测。
