《Results in Engineering》：Development of an ECMS-CESO Real-Time Energy Management Strategy for Hybrid Electric Vehicles
编辑推荐：
在当今交通运输中，混合动力电动汽车（Hybrid Electric Vehicles, HEVs）对于降低现代交通运输中的排放和燃油消耗至关重要。本研究对原本设计为功率分流式的选定HEV进行了建模与仿真，将其重构为纯串联混合动力电动汽车（Series Hybr
在当今交通运输中，混合动力电动汽车（Hybrid Electric Vehicles, HEVs）对于降低现代交通运输中的排放和燃油消耗至关重要。本研究对原本设计为功率分流式的选定HEV进行了建模与仿真，将其重构为纯串联混合动力电动汽车（Series Hybrid Electric Vehicle, SHEV）。在重构车辆中，内燃机（Internal Combustion Engine, ICE）与驱动车轮完全解耦，仅在其最佳制动比油耗（brake-specific fuel consumption）点运行以操作发电机。为控制SHEV的功率流，研究人员开发了一种称为ECMS-CESO的实时自适应能量管理策略。研究人员建立了重构选定车辆的高保真MATLAB/Simulink模型。在标准驾驶循环下，将所开发的ECMS-CESO与模型预测控制（Model Predictive Control, MPC）、瞬时最优控制（Instantaneous Optimal Control, IOC）、双延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient, TD3）和柔性行动者-评论家（Soft Actor–Critic, SAC）进行了比较。研究结果表明，与MPC、IOC、SAC和TD3相比，ECMS-CESO的燃油经济性性能总体分别平均提高了12.09%、4.91%、2.91%和0.06%，同时将电池荷电状态（State of Charge, SOC）维持在可接受范围内。ECMS-CESO集成了一个扰动观测器以实时自适应等价因子。该方法弥合了确定性方法与强化学习方法之间的差距，既提供了对瞬态负载变化的鲁棒性，又具有低计算需求的特性。
研究背景与意义
交通运输整体正面临稳步变革，各国寻求削减排放并缓解气候变化的长期影响。伴随对空气质量及化石燃料供应日益减少的关切，对清洁技术的兴趣日益增强。混合动力电动汽车（HEV）被视为应对这些压力的部分回应，其在通过内燃机（ICE）延长续航里程的同时利用了电力推进的效率，是内燃机汽车与纯电动汽车之间的可行桥梁。HEV分为串联、并联和混联三种架构，其中串联混合动力电动汽车（SHEV）的ICE与车轮机械解耦，主要作为发电机为牵引电机供电。HEV动力总成的有效性高度依赖于先进的能量管理策略（Energy Management Strategy, EMS）的设计，以优化多能源功率分配并保持电池荷电状态（SOC）在运行限制内。传统EMS方法分为基于规则、全局优化和瞬时优化三类，基于规则的策略易于实现但燃油经济性差，动态规划等优化技术提供最优基准解但计算负担重且需未来驾驶信息，不适用于实时实施。等效消耗最小化策略（Equivalent Consumption Minimization Strategy, ECMS）在燃油经济性、排放和续航方面较基于规则的控制有显著优势，其实时适用性已得到证实。近期实时EMS研究聚焦于提高适应性、鲁棒性和计算效率，但实际实时ECMS实施仍具挑战，其性能取决于准确的等价因子调谐且在快速变化驾驶条件下会退化，固定等价因子限制了在不确定环境中的适应性。强化学习（Reinforcement Learning, RL）方法如TD3和SAC改善了随机驾驶环境中的鲁棒性，但往往需要大量离线训练数据集和高计算资源，限制了实时嵌入式部署。标准系统状态估计观测器可能不足以捕捉模型不确定性和外部扰动。为此，研究人员旨在将ECMS与级联扩展状态观测器（Cascade Extended State Observer, CESO）集成用于实时HEV EMS，建立增强瞬时优化、改善抗扰和状态估计精度并在无驾驶循环预测情况下于变化驾驶条件下实现更佳燃油经济性和鲁棒运行的框架。该研究发表于《Results in Engineering》。
关键技术方法
研究人员选取丰田普锐斯（原为混联HEV）概念重构为纯SHEV进行建模与仿真，车辆整备质量1588 kg，电池容量5 kWh，SOC运行范围30-70%。研究开发了ECMS-CESO策略，引入软SOC界限（35-65%）及自适应等价因子λ(t)，通过CESO实时估计集总扰动d(t)（包含未建模非线性动力学、参数不确定性和外部负载扰动）以调整λ(t)=λ0+μθ(t)。研究人员在MATLAB/Simulink环境中建立高保真度组件级模型，在UDDS、HWFET、US06和NEDC四个标准驾驶循环下，将ECMS-CESO与MPC、IOC、SAC、TD3进行对比仿真，初始SOC设为60%，评估指标包括燃油经济性（MPG）、最终SOC、SOC最大偏差和控制步平均执行时间。通过敏感性分析确定自适应增益μ最优窗口为0.07-0.10（选μ=0.08），通过Lyapunov理论证明CESO稳定性。RL方法（SAC、TD3）采用三层全连接神经网络（256、256、128神经元，ReLU激活，输出层tanh）及相应奖励函数进行约400-500回合训练后评估。
研究结果
3.1. SHEV Engine Characteristics
SHEV结构因机械分离使发动机持续工作在高效区（220–250 g/kWh），而原功率分流式被迫穿越低效区（>280 g/kWh）。加速性能模拟显示0-60 mph需14秒（厂家规格11.3秒），最高理论速度约89.4 mph，综合燃油经济性44.1 mpg与厂家44 mpg相当，验证了模型合理性。
3.2. Fuel Economy Comparison Results
在各驾驶循环下ECMS-CESO表现一致，维持电荷维持行为并实现高燃油经济性。UDDS下ECMS-CESO为72 MPG，MPC为69，IOC为74，SAC为71，TD3为70；US06下ECMS-CESO为36 MPG，显著优于MPC的25和IOC的27。重构SHEV城市燃油经济性52 MPG较原车48 MPG提升8.4%，高速39.5 MPG较原车40 MPG微降1.36%。ECMS-CESO燃油经济性较MPC、IOC、SAC、TD3平均分别提升12.09%、4.91%、2.91%、0.06%。
3.3. State of Charge (SOC) Results
ECMS-CESO在所有循环中将SOC保持在40-68%窄幅范围，处于硬限30-70%内，US06循环亦无边界违规。SOC接近软界限35%和65%时的增量是CESO过程特征，允许暂时超限以回收再生能量或避免发动机低效运行后逐步回调。最终SOC平均较MPC、SAC、TD3分别改善1.63%、1.38%、1.04%，与IOC（-0.16%）接近等效，表明电荷维持运行无隐藏燃油消耗偏差。
3.4. Computational Complexity Comparison
ECMS-CESO采用解析解与简单观测器优化，计算时间<1 ms，内存需求低，离线计算成本可忽略，实时适用性优秀。MPC每步>20 ms难以实时；SAC和TD3在线推理中等但内存与训练成本高；GOC无法在线应用。雷达图显示在燃油经济性、SOC调节、瞬态鲁棒性、计算效率和标定复杂度五维度ECMS-CESO覆盖均衡且突出。与经典扩展状态观测器（ESO）和扩展卡尔曼滤波（EKF）比，ECMS-CESO扰动均方根误差0.041低于ESO的0.062和EKF的0.085，燃油消耗降低4.25%优于ESO的2.1%和EKF的1.2%。
3.5. Results Comparison with Previous Studies
近期文献中自适应ECMS较传统ECMS改善约7.8%燃油经济性，TD3结合驾驶条件预测较基于规则策略减耗7-8%，深度RL较ECMS节油达5.34%。ECMS-CESO在各循环较传统ECMS改善5-12%燃油经济性，同时具备良好电荷维持性和无大量训练或启发式调谐的实时可实施性。
3.6. Discussion
ECMS-CESO适用于重构SHEV架构在不确定工况下的实时功率分配，低计算复杂度可在嵌入式汽车控制器运行。优化策略（如MPC）较基于规则基线减耗3-8%并改善SOC调节，自适应ECMS减少SOC偏差15-30%并改善燃油经济性4-10%，TD3和SAC在动态循环下节油5-10%且减少电池电流波动超20%。RL基EMS因需大量离线训练、安全约束及实时响应确定性难保障，在嵌入式应用受限。ECMS-CESO通过CESO扰动感知自适应等价因子，在无数据驱动训练下增强瞬态能量获取与SOC稳定，达到自适应ECMS的4-10%节油范围并具备接近学习的鲁棒性。观测器精度受参数选择及高度非线性噪声测量影响，框架依赖确定性观测器未显式纳入长时域预测信息，验证基于标准循环未完全代表真实随机条件（交通、坡度、驾驶行为），性能依赖观测器增益调谐，限于特定SHEV配置。其免训练及对不确定性鲁棒性使其在有限数据与计算资源场景具吸引力，弥合了基于模型与基于学习方法的智能EMS差距。
研究结论部分翻译
本研究成功开发并评估了从混联配置重构的HEV的实时能量管理策略。研究结果表明，当与诸如ECMS-CESO的自适应EMS集成时，重构的串联混合动力架构如何能够提高整体效率。在UDDS、HWFET、US06和NEDC驾驶循环上的全面建模与仿真表明，自适应ECMS-CESO在实现优异SOC调节和瞬态鲁棒性的同时，获得了优于传统和基于RL的能量管理策略的最优燃油经济性，较MPC、IOC、SAC和TD3的燃油经济性性能总体分别平均提高了12.09%、4.91%、2.91%和0.06%，同时将电池保持在健康运行范围，即使在通常对传统方法更具挑战性的驾驶循环期间也是如此。其确定性公式消除了离线训练的需要，实现了最小的计算开销，并提供了低标定复杂度，证实了其在嵌入式汽车部署中的适用性。雷达图和敏感性分析进一步证实CESO有效缓解了瞬态能量波动，特别是在激进驾驶条件下，在不牺牲效率的情况下增强了电池稳定性。ECMS-CESO控制器通过估计未建模扰动并动态调整等价因子来增强瞬态能量分配，从而减少电池功率尖峰并更快收敛至最优工作点。总体而言，ECMS-CESO代表了为重构SHEV设计的一种可实际部署的高性能确定性EMS框架，解决了效率、鲁棒性和实时可行性之间的权衡。因此，其验证了ECMS-CESO作为一种鲁棒的实时EMS，为SHEV架构提供了实质性的燃油经济性改善和可证明的实际可行性。未来工作可探索与预测或学习增强组件的混合以在保持现实应用关键低计算占用的同时进一步改善全局最优性。未来工作应集成硬件在环（Hardware-in-the-Loop, HIL）通过将ECMS-CESO与重构串联混合动力平台及其他HEV架构实施到成本函数中来探索详细组件在真实世界不确定性下的行为。本研究为嵌入式车辆系统的实际部署奠定了坚实基础。
