一种适用于实际道路条件和驾驶风格变化的三阶段自适应能量管理策略，旨在提升电动车辆的续航里程

《ENERGY CONVERSION AND MANAGEMENT》：A three-stage adaptive energy management strategy for extended-range electric vehicles under real-world road conditions and driving style adaptation

　　摘要
电动车辆的续航里程能源管理受到实际道路条件以及驾驶员行为驱动的电力需求的影响。本研究旨在验证将驾驶风格信息纳入道路条件适应策略中，是否能够进一步改善能源分配效果。研究中开发了一个三阶段框架，包括多层感知器-随机森林的道路条件识别、主成分分析与K-means驾驶风格识别，以及基于海星优化算法的续航延长器工作点校准。通过对比模拟测试了基于规则的传统策略、道路条件适应策略，以及提出的道路条件与驾驶风格协同策略。与基于规则的策略相比，协同策略使得直接燃料消耗量从23.59升降低到22.35升，减少了5.25%；同时，状态修正后的等效燃料消耗量从20.56升减少到19.99升，减少了2.73%。由于所有比较策略均从相同的初始电量43.40%开始，基于净电量变化的电量修正在数学上等同于将策略标准化到共同的最终电量43.40%。相对于道路条件适应策略，状态修正后的等效燃料消耗量进一步降低了1.64%，尽管直接燃料消耗量从22.02升增加到了22.35升。由于1.64%的增量改进接近所采用车型燃料消耗量的1.60%差异，这应被视为基于模拟的证据，表明能源分配得到了改善，而非实际车辆的燃油节省。

引言
续航里程电动车辆（EREVs）因能够结合燃油车的长续航里程与电动动力系统的节能潜力而受到越来越多的关注。Xiao等人回顾了续航里程电动车辆的关键能源管理策略，并强调监督能源管理对于提升燃油经济性和维持电池状态的重要性[1]。Wang等人研究了续航里程电动车辆的能源管理与排放控制，指出应综合考虑燃油消耗、排放和电池使用情况[2]。Li等人开发了续航里程电动车辆辅助动力单元的动态模型，证明了续航延长器的运行特性对车辆能源性能的直接影响[3]。Chen等人研究应用于续航里程电动车辆的汽车热电发电机系统的匹配设计与数值优化，表明辅助能源转换系统能够进一步提升整体车辆效率[4]。Togun等人比较了不同的电动 vehicle 架构，指出电池电动汽车仍面临能源供应、基础设施和运营场景等方面的挑战[5]。
在此背景下，续航里程电动车辆为缓解续航焦虑和减少对大容量电池组的依赖提供了有效的技术解决方案。Xiao等人开发了一种基于最大熵强化学习的续航里程物流车辆能源管理策略，展示了基于学习的优化在改善能源分配方面的潜力[6]。Lan等人研究了续航里程电动车辆中用于废热回收的热电发电机的匹配与优化，表明组件级别的能源回收能够影响系统级别的能源性能[7]。Gan等人总结了混合动力电动汽车的智能学习算法基能源管理策略，强调了交通信息和数据驱动方法在自适应控制中的价值[8]。Zambalov等人研究了氢燃料旋转续航延长器的混合形成与燃烧特性，指出续航延长器的燃烧与能量转换特性对电动动力系统性能的重要性[9]。Yang从耦合成本与能源性能的角度分析了续航里程电动车辆，表明续航延长技术能够影响经济和能源相关指标[10]。Liu等人对续航里程电动车辆的电力系统进行了参数匹配与优化，确认关键动力系统组件的匹配直接关系到车辆性能[11]。Pozzato等人提出了基于经济优化的最小成本能源管理框架，表明能源管理可以从节能角度和系统成本角度进行制定[12]。
因此，对于续航里程电动车辆而言，关键问题不仅在于辅助动力单元的配置，还在于在变化的实际驾驶条件下，续航延长器与动力电池之间的协调能源分配。监督能源管理策略必须根据车辆功率需求、电池状态和驾驶环境来确定续航延长器和电池的运行状态。然而，在实际道路场景中，功率需求不仅受车辆速度和加速度的影响，还受道路坡度[13]、交通拥堵、速度波动以及驾驶员行为驱动的因素[14]的影响。因此，在实际条件下实施自适应能源管理对于提升燃油经济性、维持适当的电池状态和限制电池负荷至关重要。

现有的续航里程电动车辆及其他电动车辆的能源管理策略通常可以分为基于规则的方法、基于优化的方法和基于学习的方法[15]。基于规则的策略在工程应用中广泛使用，因为它们结构简单、计算负担低且实时性能良好。Peng等人开发了一种基于规则的串联-并联插电式混合动力公交车的能源管理策略，并使用动态规划优化了控制规则，证明离线优化可以提升基于规则的控制性能[16]。Saiteja和Ashok回顾了混合动力车辆架构和能源控制策略，强调能源管理应与动力系统架构和运行条件协调[17]。然而，基于规则的方法仍然严重依赖于预定义的阈值和校准的工作点，当驾驶环境发生显著变化时，其适应性受到限制。
基于优化的策略通过将燃料消耗、电池状态变化或等效燃料消耗作为优化目标来改进能源分配[18]。Xu等人将多岛遗传算法应用于续航里程电动车辆的能源管理优化，证明了启发式优化在非线性约束下的适用性[19]。Yao等人开发了一种自适应等效燃料消耗最小化策略，表明等效因子适应可以提升实时能源管理性能[20]。也有研究探讨了传动比与功率分配比的协同优化，以提高插电式混合动力电动车辆的运行效率[21]。Han等人开发了一个分层能源管理框架，考虑了续航延长器的动态协调，从而改善了续航延长器与动力电池之间的互动[22]。随后提出了一种适用于续航里程电动车辆的自适应实时最优控制方法，进一步证实了在线优化在提升车辆能源经济性方面的潜力[23]。
基于学习的策略因能够捕捉车辆状态、驾驶环境和控制动作之间的非线性关系而受到越来越多的关注[24]。Lei等人研究了基于强化学习的燃料电池电动汽车能源管理的仿真到实际应用的转化，强调了可转移性和实际部署的重要性[25]。Liu等人提出了一种适用于配备混合动力储能系统的电动汽车的模仿强化学习策略，证明专家策略信息能够改善能源分配[26]。Sun等人开发了基于强化学习的续航里程电动车辆运行模式决策方法，提升了监督控制的适应性[27]。Zhang等人将道路条件识别纳入自适应深度强化学习能源管理策略，表明识别的驾驶信息能够提升决策性能[28]。Jia等人将未来的道路信息和驾驶舱舒适性要求整合到燃料电池公交车的能源管理中，表明预测性环境信息能够支持更精细的能源分配[29]。
尽管这些方法提升了电动车辆的能源性能，但许多现有研究基于标准驾驶循环、预定义的运行条件或简化的道路场景。因此，交通拥堵、频繁的加速与减速、道路坡度和速度波动的影响并未得到充分体现。为了提高实际适应性，道路条件和驾驶模式识别已被引入到监督能源管理中。Wei等人将智能驾驶模式识别与续航里程物流车辆的自适应能源管理策略相结合，证明识别的驾驶模式信息能够改善控制决策[30]。Jiang等人提出了一种具有分层架构的显式预测控制器，适用于燃料电池电动汽车，表明结构化的预测和控制可以提高实时适用性[31]。另一项已发表的研究通过结合实际道路条件识别与续航延长器工作点优化，开发了一种适用于续航里程电动车辆的道路条件适应能源管理策略[32]。该研究建立了经过验证的实际道路数据集和仿真平台，并验证了道路条件适应控制的有效性。然而，其监督决策过程主要由外部道路条件信息驱动，未明确考虑驾驶员行为驱动的功率需求特征。
驾驶风格是另一个影响车辆功率需求和能源分配的重要因素。在相同的道路条件下，不同驾驶员可能会表现出不同的加速度强度、踏板操作模式、电池电流波动和续航延长器干预需求。Zhao等人将地图信息和个性化驾驶特性整合到串联-并联混合动力传输的能源管理策略中，证明与驾驶员相关的信息能够提升控制适应性[33]。Li等人开发了一种考虑驾驶行为的随机模型预测控制方法，适用于插电式混合动力公交车，表明驾驶行为可以融入预测性能源管理[34]。还有一种数据驱动的协同优化方法用于生态适应性巡航控制，考虑了冒险驾驶行为，表明驾驶员特性能够影响车辆节能控制[35]。Liang等人通过结合车辆驾驶循环识别与驾驶员行为特征来识别驾驶风格[36]。Guo等人随后开发了一种基于驾驶风格识别的自适应最优控制方法，证明驾驶风格信息能够提升能源管理性能[37]。也有研究探讨了基于路线的驾驶循环预测，以描述未来的车辆功率需求[38]。
最近的研究进一步强调了多级驾驶信息和协调车辆控制的价值。一个包含即时、驾驶事件和驾驶循环层级的分层能源管理框架表明，多尺度驾驶信息能够在复杂条件下支持精细的能源分配[39]。基于动态规划的分析还揭示了串联-并联混合动力传动的节能机制以及动力系统运行状态与能源消耗之间的关系[40]。此外，元启发式优化[41]、高压电池热管理[42]和双电机动力系统设计与控制[43]的进步反映了车辆系统层面协调优化的更广泛趋势。
尽管取得了这些进展，仍存在三个研究空白。首先，许多能源管理策略未能充分反映多样化的实际道路条件，包括拥堵、爬坡、下坡和频繁的速度变化。其次，道路条件信息和驾驶风格信息通常被单独考虑，它们对车辆功率需求的联合影响尚未充分融入到监督控制中。第三，对于续航里程电动车辆而言，驾驶员行为驱动的功率需求趋势对续航延长器工作点优化的影响尚未得到充分量化。因此，将驾驶风格信息引入已建立的道路条件适应能源管理框架中的增量效益需要进一步研究。
本研究通过将驾驶风格识别纳入监督能源管理过程，扩展了之前开发的道路条件适应策略[32]。与之不同，本研究不是重建车辆模型或实际道路数据集，而是开发了一种协调道路条件和驾驶风格类别的优化机制。所形成的框架将适应策略从仅针对道路条件的适应扩展到了同时考虑道路条件和驾驶风格的协调适应。为了进一步明确相关研究与所述工作之间的关系，表1比较了不同能源管理策略的车辆类型、考虑的信息、优化或控制方法、主要贡献以及剩余的限制。
如表1所示，预测控制、强化学习、道路条件识别、驾驶风格识别和个人化驾驶信息已被引入到不同的电动车辆能源管理策略中。然而，大多数现有研究并未在续航里程电动车辆的续航延长器工作点校准中同时考虑多维实际道路条件类别和驾驶员行为驱动的功率需求特征。因此，本研究开发了一种三阶段自适应能源管理策略，包括实际道路条件识别、驾驶风格识别以及联合道路条件和驾驶风格的运行点优化。
据此，本研究验证了以下交互假设：在相同的车辆模型、驾驶任务、初始电量SOC、优化目标、运行约束和SFOA校准设置下，将驾驶风格信息引入道路条件适应策略可以进一步降低状态修正后的等效燃料消耗量。
基于上述研究空白，本研究旨在通过综合考虑外部道路条件和驾驶员行为驱动的功率需求特征，提升EREV能源管理的实际适应性。因此，开发了一个适用于实际驾驶场景的三阶段自适应能源管理框架。首先，一种多维道路条件识别方法可用于表征多样化的道路环境。其次，驾驶风格识别模块用于捕捉驾驶员功率需求趋势的差异。第三，基于海星优化算法（SFOA）的运行点优化策略被构建在一个已经验证过的面向控制的EREV模型上，以协调道路条件和驾驶风格的适应。该框架在一个协同仿真平台上实现，其中识别的道路条件和确定的驾驶风格被共同引入到监控控制层中。目标结合了等效燃油消耗和累计绝对电池安时数。与原始的基于规则的策略和道路条件适应策略的比较，量化了通过电池状态演变、发动机运行点和车辆能量流动来实现的驾驶风格信息的增量贡献。本研究的主要贡献总结如下：为延长续航里程的电动汽车开发了一个道路条件和驾驶风格协调的能量管理框架。与之前的道路条件适应策略相比，所提出的框架进一步将驾驶风格信息引入到了监控控制过程中。构建了一个真实道路条件识别和驾驶风格识别结构，为能量管理提供了两种类型的适应信息。道路条件标签反映了外部驾驶场景，而驾驶风格标签反映了驾驶员依赖的功率需求特性。使用海星优化算法建立了一种适用于联合道路条件和驾驶风格类别的增程器运行点优化方法。校准后的运行点使得在现实驾驶场景下能够进行更适应性强的增程器操作。在原始的基于规则的策略、道路条件适应策略以及所提出的道路条件和驾驶风格协调策略之间进行了对比仿真。结果明确了在基于真实道路条件识别的基础上引入驾驶风格信息的增量贡献。

**提出的自适应能量管理框架的方法论**
本节介绍了支持所提出的自适应能量管理框架的方法论。它描述了真实道路数据集、道路条件识别、驾驶风格识别以及协调优化问题。相应的识别和聚类结果在第5节中呈现。

**车辆模型和验证**
本节总结了采用的EREV模型、特定于研究的监控控制扩展以及与当前能量管理分析相关的验证结果。

**协调能量管理策略的实现**
本节描述了协调能量管理策略的实现过程。定义了三种能量管理配置进行比较，随后介绍了基于SFOA的离线运行点校准和在线运行点选择程序。

**结果与讨论**
结果分两个阶段进行评估。首先，比较原始的基于规则的策略和道路条件适应策略，以量化道路条件信息的贡献。其次，比较道路条件适应策略和协调策略，以分离驾驶风格信息的增量贡献。首先评估道路条件识别和驾驶风格识别，然后分析燃油消耗、发动机运行点和车辆能量。

**结论**
本研究开发了一个三阶段的自适应EREV能量管理框架，结合了道路条件识别、驾驶风格识别和基于SFOA的运行点校准。道路条件适应将直接燃油消耗从23.59升降低到22.02升。引入驾驶风格信息后，直接燃油消耗略有增加至22.35升，同时终端电池电量SOC从53.86%增加到57.98%。使用相同的SOC等效系数，SOC校正后的CRediT作者贡献声明如下：何亮：监督、资源、数据管理。何一航：监督、资源、数据管理。向建华：监督、资源、数据管理。莫海军：监督、资源、数据管理。唐金旺：监督、资源、数据管理。

**利益冲突声明**
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

**致谢**
本研究得到了重庆市科技创新重点研发计划（项目编号：CSTB2023TIAD-STX0036）、国家自然科学基金（项目编号：52672458）、重庆市自然科学基金（项目编号：CSTB2025NSCQ-GPX0951）、重庆市教育委员会科技研究青年项目（项目编号：KJQN202401140）、重庆市研究生教育教学改革研究项目（项目编号：YJG233120）以及重庆理工大学汽车零部件先进制造技术重点实验室（教育部资助，重庆市400054）的支持。