基于真实数据的验证：一种经PSO优化的生态驾驶DNN–MPC算法在考虑电池损耗的电动汽车能量管理中的应用

《Next Energy》：Real-data validation of a PSO-optimized eco-driving DNN–MPC for battery-loss-aware energy management in electric vehicles

　　

摘要

电动汽车的能量管理越来越需要具备预测控制功能，以便在保持良好驾驶性能的同时调整车速需求、减少不必要的制动，并降低电池电流负荷。本文提出了一种基于实际车速曲线的PSO优化的生态驾驶深度神经网络模型预测控制器（PSO–DNN–MPC），用于实现考虑电池能量损耗的电动汽车能量管理。该方法结合了预测性生态速度生成器、确定性DNN策略——该策略可将速度误差、电池电量、道路坡度以及未来驾驶状况转化为生态驾驶、能量回收和功率限制等操作——以及粒子群优化层，后者通过多目标成本函数来调整DNN–MPC中的关键参数，这些成本函数涉及电池能量消耗、内部电阻损耗以及速度控制的合理性。比较评估使用了车辆能量数据集（VED）中的测试数据，具体为车辆编号560、行程编号4，测试时长为900.000秒，行驶距离为7.293公里。由于该车辆模型使用的是通用型的纵向参数和电池参数，而非针对特定车辆的高精度校准参数，因此所给出的电池能量数值应视为在相同实际车速要求下的模型对比仿真结果，而非对VED中电池能量数据的直接验证。与传统的跟踪基准相比，默认的DNN–MPC将模型模拟下的能量消耗从1.102千瓦时降至1.008千瓦时，降幅达8.470%。经过PSO优化后，所提出的控制器进一步将能量消耗降至0.958千瓦时，相较于同一模型基准，实现了13.060%的能源节省、13.060%的每公里电能消耗降低，以及28.660%的电池内部损耗降低。同时，能量回收量减少了25.160%，但这并非意味着能量回收效果变差，而是表明优化后的控制策略有效避免了不必要的制动行为。因此，这一框架可被视为一种可重复的对比控制研究，它将实际车速数据、预测性车速调整、电池能量损耗考量以及元启发式优化方法整合在一个透明的工作流程中。

Selman Djeffal|Mohamed Razi Morakchi|Ameur Latreche