基于LSTM车速预测的在线优化能量管理策略研究

作者：陈傲文; 杨林^*; 涂家毓; 李冬冬

来源：机电一体化, 2022, 28(Z1): 37-48.

DOI：10.16413/j.cnki.issn.1007-080x.2022.z1.005

• 48V混合动力汽车
• 长短期记忆神经网络
• 预测性能量管理策略
• 快速动态规划

为充分挖掘48 V混合动力汽车的节油潜力，提出了基于长短期记忆神经网络(LSTM)车速预测的混合动力汽车在线优化能量管理策略。首先，引入LSTM建立了车速预测模型，并综合考虑模型输入、输出序列长度对预测精度的影响，实现对车速的准确预测；然后，为了实现能量管理的在线最优化并提高控制策略的实时性，提出了采用快速动态规划算法的预测控制策略(FDPS);最后，分别以标准循环工况WTVC和实车工况进行测试，验证了所提策略的有效性。研究结果表明，相比于径向基神经网络(RBF)预测模型，所建立的LSTM的车速预测模型可提高29.06%～35.31%预测精度；在WTVC工况和实车工况下，所提出的FDPS策略可使燃油经济性相比于常用的规则策略(RB)分别提高5.62%和12.86%,计算时间相比于传统的预测控制策略(MPC-DP)缩短65.84%以上。

• 单位
  上海交通大学