用于八类氢燃料电池卡车的基于高度信息的能量管理：时间卷积网络与结合模型预测控制的变压器预测方法对比

《IEEE Open Journal of Vehicular Technology》：Elevation-Enriched Energy Management for Class 8 Hydrogen Fuel Cell Trucks: Temporal Convolutional Networks vs. Transformer Forecasting with Model Predictive Control

　　

摘要：

重型氢燃料电池卡车在能源管理方面面临地形、交通状况以及燃料电池和电池不同需求带来的挑战，而这些是静态模型无法察觉的。本研究针对丹佛大都会区（37个邮政编码，152万次卡车行驶）的8类氢燃料电池卡车，提出了一种基于路线的预测性能源管理框架。首先，利用美国地质调查局3D高程程序API提供的地形坡度数据，对分段级别的移动性特征进行训练，进而构建时间卷积网络。选择该网络是因为其具有膨胀型因果卷积功能，能够捕捉长距离的地形影响，且不会像循环模型那样出现梯度消失问题；作为对比，还使用了变换器、长短期记忆网络和门控循环单元这三种常见的序列模型。其次，模型预测控制优化器会根据预测结果，在每个路段决定从燃料电池还是电池获取多少能量，同时需考虑电池充电状态和效率限制。总体而言，该时间卷积网络的均方根误差为1.204千瓦时（R2值为0.922），在山区路段的误差则为0.765千瓦时，其性能分别比变换器、长短期记忆网络和门控循环单元高出45%、72%和47%。在603条路段中，与基于规则的基准方案相比，该模型预测控制方案可将氢气消耗量减少51.53%（节省764.82千克）。随后，将该节省量与等效消耗最小化策略进行比较，这是一种将电池使用成本视为等效氢气成本的常用控制方法，其设计原则是每个控制器在完成每次行程后，电池的充电状态要与出发时相同。在这种等能量计算方式下，等效消耗最小化策略的性能比基于规则的基准方案高1.88%，而时间卷积网络-模型预测控制方案的表现则与它仅相差1.53%，这说明所实现的显著节能效果取决于计算方式，而且相比接近最优的基准方案，其实际优势并不明显。