基于卡尔曼增强型Transformer(Transformer)的物理信息预测性能量管理策略(Predictive Energy Management Strategy, PEMS)用于混合动力汽车(Hybrid Electric Vehicle, HEV)

《Vehicles》：Physics-Informed Predictive Energy Management Strategy for HEVs Using Kalman-Enhanced Transformer

　　

预测性能量管理策略(Predictive Energy Management Strategy, PEMS)因能利用预期驾驶信息改善混合动力汽车(Hybrid Electric Vehicle, HEV)的燃油经济性与动力总成效率而备受关注。在PEMS中，数据驱动的速度预测被广泛用于从历史轨迹和未来交通先验中提取复杂驾驶模式，但往往缺乏运动学感知，导致违反物理因果律及长时域状态漂移。为解决上述问题，研究人员提出一种物理信息PEMS，由物理信息时空网络(Physics-Informed Spatio-Temporal Network, PI-STN)为基于模型预测控制(Model Predictive Control, MPC)的能量管理控制器提供面向控制的速度信息。具体而言，针对静止工况下速度预测出现的伪运动(pseudo-motion)，引入全局零速门控机制(global zero-speed gating mechanism)；为抑制违反车辆运动学因果关系的加减速趋势，设计因果惩罚项(causal penalty)；为缓解数据驱动预测与物理运动先验之间的时相错位(temporal phase misalignment)，融入可微分卡尔曼滤波(Differentiable Kalman Filter, DKF)。在每个滚动时域步，PI-STN预测的速度序列经纵向车辆动力学方程转化为未来功率需求，供MPC在荷电状态(State of Charge, SOC)及发动机瞬态约束下进行发动机—电池功率分配。在相同测试条件下，所提策略相较于双向长短期记忆网络—Transformer(BiLSTM-Transformer)降低发动机功率波动15.1%，等效油耗达323.74 g，较Transformer-KF提升3.12%。

论文解读：基于卡尔曼增强型Transformer的物理信息预测性能量管理策略用于HEV

一、研究背景与动机

混合动力汽车(Hybrid Electric Vehicle, HEV)因其良好的燃油经济性和续驶里程，在低碳转型中扮演重要角色，其中能量管理策略(Energy Management Strategy, EMS)协调发动机与电机功率分配直接影响整车效率。随着车联网(Vehicle-to-Everything, V2X)、5G及智能交通系统发展，预测性能量管理策略(Predictive Energy Management Strategy, PEMS)借助模型预测控制(Model Predictive Control, MPC)在有限预测时域内滚动优化成为研究热点，但其效果高度依赖上层对未来行驶轨迹的预测精度。传统统计模型（马尔可夫链、高斯过程）在长时域非线性工况下表征能力不足；纯数据驱动深度学习方法（双向长短期记忆网络Bidirectional Long Short-Term Memory, BiLSTM、Transformer等）虽数值误差指标（均方根误差Root Mean Square Error, RMSE、平均绝对误差Mean Absolute Error, MAE）较优，但存在三方面与控制的根本矛盾：（1）静止时输出趋近于零的高频伪运动(pseudo-motion)，诱发不必要发动机启停；（2）预测加速度违反车辆运动学因果与物理极限；（3）剧烈瞬变时过度平滑致相位滞后(phase lag)，误差经MPC对速度的微分运算放大为功率指令高频振荡，使发动机偏离最佳工作线(Optimal Operating Line, OOL)。因此，研究人员认为PEMS中预测信息的"面向控制质量(control-oriented quality)"比单纯最小化预测误差更重要。本文以物理信息嵌入的深度时空网络解决上述缺陷，并在《Vehicles》期刊发表。

二、主要关键技术方法概述

研究人员采用Waymo Open Dataset真实驾驶轨迹数据，经运动学一致性拼接与Savitzky–Golay滤波重构约100,000 s连续城市驾驶循环（采样0.1 s）。历史动态观测含本车速度、纵向加速度、信号灯、车流速度、道路坡度、限速、跟车距离、相对速度、加速/制动踏板开度及碰撞时间(Time-To-Collision, TTC)共11维；未来环境先验含信号灯、车流速度、坡度、限速共4维。预测模型PI-STN核心组成：（1）双层BiLSTM编码历史时序获全局上下文向量；（2）非线性投影对齐未来环境先验后，经多头交叉注意力(cross-attention) Transformer解码器一次性输出全预测时域特征（非自回归）；（3）可微分卡尔曼滤波(Differentiable Kalman Filter, DKF)层以车辆运动学状态空间递归修正相位并抑制高频扰动，含解耦物理标定方程确保加速度—速度增量单调因果映射；（4）全局零速门控机制(global zero-speed gating mechanism)依据宏观运动概率将静止预测强制归零。损失函数为物理感知多任务损失(physics-aware multi-task loss)，联合速度回归、一阶时间导数(L₁范数)、先验加速度及宏观运动门控交叉熵。下游MPC以PI-STN预测速度序列经纵向动力学逆算功率需求，以等效油耗最小化和SOC维持(charge-sustaining)为目标，考虑发动机/电机功率边界、电池充放电界限及发动机功率变化率约束进行滚动优化。对照组为LSTM、BiLSTM-Transformer、Transformer-KF及理想预览MPC-Perfect。

三、研究结果

3.1 实验设置与评价指标

研究人员选取RMSE、平均绝对误差(Mean Absolute Error, MAE)、加速度RMSE(Acc-RMSE)及动态时间规整距离(Dynamic Time Warping, DTW)评价预测精度与动态一致性；引入物理违背率(Physical Violation Rate, PVR)衡量加减速方向违背真实运动学意图的比例；引入怠速平均绝对误差(Idle MAE)和连续临界伪运动率(Continuous Critical False Motion Rate, CCFMR)评价静止工况鲁棒性。下游以等效油耗(Equivalent Fuel Consumption, EFC)、发动机功率波动(P_eng RMS)及SOC轨迹、发动机OOL偏离RMS评估EMS性能。

3.2 微观预测性能(Microscopic Prediction Performance)

• •
  3.2.1 整体预测精度分析(Overall Prediction Accuracy Analysis)：PI-STN速度RMSE为1.60 m/s（BiLSTM-Transformer为1.57 m/s），MAE最低(0.83 m/s)；Acc-RMSE最优(0.50 m/s²，低于Transformer-KF的0.53 m/s²和BiLSTM-Transformer的0.73 m/s²)；DTW距离最低(54.5072 vs Transformer-KF的61.2457)，表明PI-STN在保持竞争力的数值精度的同时显著提升了运动学保真度和时序一致性。
• •
  3.2.2 物理因果性与时域稳定性(Physical Causality and Temporal Stability)：典型制动场景中PI-STN大幅减少非物理速度回弹/超调。全局物理违背率PVR降至5.26%（LSTM 9.81%、BiLSTM-Transformer 7.27%、Transformer-KF 6.25%），较Transformer-KF改善15.84%；时域内误差累积增长最缓，证实物理因果约束与DKF抑制长时域漂移有效。
• •
  3.2.3 静止工况动态鲁棒性(Dynamic Robustness Under Stationary Scenarios)：PI-STN怠速Idle MAE最低(0.0800 m/s，LSTM 0.1452 m/s，Transformer-KF 0.1591 m/s)；连续临界伪运动率CCFMR为7.50%，全局零速门控有效压制静止伪运动，避免下游误判启动。

3.3 预测性能量管理策略性能(Predictive Energy Management Strategy Performance)

在线预测方法中PI-STN等效油耗最低(323.74 g vs BiLSTM-Transformer 331.46 g、Transformer-KF 334.16 g)，较Transformer-KF节油3.12%；发动机功率波动P_eng RMS最低(485.68 W)，较BiLSTM-Transformer(572.46 W)降低15.1%，较LSTM(564.08 W)降低14.0%。SOC轨迹在充电维持模式下波动更平滑。发动机工作点散布最集中且紧贴最佳工作线OOL，OOL偏离RMS降至1.5 N·m（与理想预览MPC-Perfect相当，LSTM为3.0 N·m）。说明物理一致、低高频扰动的预测序列助MPC减少硬约束触发，使发动机更多运行于高效率区并降低瞬态波动。

四、讨论与结论总结（翻译结论部分）

在严格充电维持约束下，不同方法的等效油耗差异总体较小，而发动机瞬态行为差异更显著。这表明给定驾驶工况下外部阻力决定的能量需求为油耗设物理下限，使各策略油耗收敛；而预测质量对控制性能的影响主要体现在瞬态调节。实验结果表明，传统模型（如LSTM）因预测相位滞后易在快速负荷变化时引起控制延迟及发动机功率剧烈波动，而所提PI-STN通过改善时域一致性为MPC提供更可靠的前瞻信息，使控制策略更多依赖主动规划而非被动校正，从而减少发动机瞬态功率波动。机理上，动力总成运行平稳性的改善有助于减小发动机偏离最佳工作线(OOL)；剧烈功率变化时相位滞后的速度预测可能迫使发动机进入高比油耗区，而更平滑的调节有助于维持发动机在近高效区运行。因此研究表明平顺性与经济性未必互斥，可通过高质量预测实现一定协同。从更广视角看，本研究进一步阐明在MPC框架内预测模型的价值不只体现于数值精度，还体现在其对控制行为（如相位特性与动态一致性）的影响，这为PEMS中预测模型与控制策略的协同设计提供了有益启示。本研究局限包括：能量管理验证基于控制导向仿真未含实车执行器延迟与热动力学；DKF噪声项用于滤波对齐而非完整概率不确定量化且假定V2X先验可靠；未做模块级消融分析。未来将在硬件在环(Hardware-in-the-Loop, HIL)与实车平台验证，并拓展至概率速度预测、不完美V2X信息下的鲁棒MPC及模块消融研究。