北理工團隊在電動汽車能量管理研究方面取得新進展
發(fā)布日期：2025-03-29 供稿：機械與車輛學院 攝影：機械與車輛學院
編輯：蘇舒 審核：劉檢華 閱讀次數(shù)：
3月22日，北京理工大學機械與車輛學院孫逢春院士與何洪文教授團隊在國際頂級期刊《自然·通訊》（Nature Communications）發(fā)表研究成果。該團隊發(fā)表的題為《大規(guī)模數(shù)據(jù)驅(qū)動的電動汽車能量管理》（Data-driven energy management for electric vehicles using offline reinforcement learning）論文，突破傳統(tǒng)由專業(yè)工程師設(shè)計控制策略的固有模式，通過利用電動汽車監(jiān)測與管理系統(tǒng)采集的大規(guī)模運行數(shù)據(jù)，構(gòu)建具備自主學習和持續(xù)進化能力的智能能量管理系統(tǒng)，為電動汽車大數(shù)據(jù)應(yīng)用與控制系統(tǒng)開發(fā)提供了創(chuàng)新解決方案。
在“雙碳”戰(zhàn)略目標持續(xù)推進和新能源汽車快速普及的背景下，電動汽車能量管理技術(shù)已成為提升車輛續(xù)航里程和系統(tǒng)壽命的關(guān)鍵技術(shù)。然而，傳統(tǒng)方法嚴重依賴人工規(guī)則設(shè)計和高精度仿真模型，導致開發(fā)周期較長、成本較高，且難以適應(yīng)真實道路的復雜工況。針對這一技術(shù)難題，研究團隊提出了基于大規(guī)模數(shù)據(jù)驅(qū)動的電動汽車能量管理方法。該方法采用"數(shù)據(jù)驅(qū)動+智能學習"的技術(shù)路線，能量管理智能體能夠直接從數(shù)據(jù)中學習最優(yōu)控制策略，不僅擺脫了對專家經(jīng)驗設(shè)計控制策略的依賴，也無需建立高精度車輛仿真模型用于策略訓練，顯著優(yōu)化了策略開發(fā)流程。且該方法不依賴數(shù)據(jù)質(zhì)量，既可以從次優(yōu)數(shù)據(jù)中學習近似最優(yōu)策略，還能在隨機數(shù)據(jù)條件下優(yōu)化控制策略。
研究團隊通過自主研發(fā)數(shù)據(jù)增強的電動汽車數(shù)字模型，實現(xiàn)了電動汽車監(jiān)測與管理系統(tǒng)真實運行數(shù)據(jù)與仿真模型數(shù)據(jù)的結(jié)合，成功構(gòu)建了覆蓋多種運行工況、包含高維多源數(shù)據(jù)特征的大規(guī)模電動汽車數(shù)據(jù)集。提出了融合行為克隆與判別器混合正則化項的離線強化學習方法，解決了策略學習中存在的分布偏移問題，既能保持策略學習的有效約束，又能實現(xiàn)性能優(yōu)化?；趯嵻囘\行數(shù)據(jù)的學習驗證，該方法在燃料電池電動汽車上實現(xiàn)了能耗水平和系統(tǒng)壽命的雙重提升，并具備持續(xù)自我進化能力，僅經(jīng)過兩次數(shù)據(jù)學習，性能就從初始的88%最優(yōu)性提升至98.6%。此外，該方法展現(xiàn)出良好的兼容性，能夠無縫集成到現(xiàn)有基于規(guī)則或其他方法的能量管理系統(tǒng)中。
基于大規(guī)模數(shù)據(jù)驅(qū)動的電動汽車能量管理方法整體技術(shù)路線
能量管理策略持續(xù)進化的實驗結(jié)果
注：該研究由孫逢春院士團隊獨立完成，何洪文教授為本文通訊作者，機械與車輛學院博士研究生王勇為第一作者，魏中寶教授和吳京達副教授也為本項研究作出了重要貢獻。
分享到：