近日，我院学生论文《一种改进的数据驱动预测最优控制方法设计混合动力汽车能量管理策略》 (An improved data-driven predictive optimal control approach for designing hybrid electric vehicle energy management strategies) 发表于能源与燃料领域顶刊《 Applied energy 》上（链接： https://doi.org/10.1016/j.apenergy.2024.123984 ）。该论文第一单位为华中科技大学中欧清洁与可再生能源学院，第一作者为我院 22 级研究生尹诚，通讯作者为华中科技大学智能制造装备与技术全国重点实验室曾祥瑞教授，第三作者为华中科技大学智能制造装备与技术全国重点实验室尹周平教授。

混合动力汽车的能量管理策略（EMS）会对车辆在整个驾驶周期内的能耗产生重大影响。当混合动力汽车的驾驶周期数据先验已知时，混合动力汽车能量管理的全局最优策略有很多方法可以得到。然而，在实际应用中，这种事后最优策略几乎是没用的。这是由于一个悖论：事后最优策略需要已知的驾驶周期才能计算，然而一旦已知驾驶周期，它就已经过去，无法控制。因此，在现实中，使用基于过去事件的策略来控制系统是不可能的。

为了解决这一问题，使能量管理策略适用于现实世界的混合动力汽车驾驶场景，研究人员倾向于探索一种能够实现实时控制的优化方法，如模型预测控制 （ MPC ） 和等效消耗最小化策略 （ ECMS ） 。然而，由于对未来信息的不准确，预测得出的最优策略与事后最优策略相比会产生必然的差距。因此，许多研究都试图通过提高预测器的预测性能来缩小预测最优控制与事后最优策略之间的差距。反直觉的是，预测误差与"预测+最优控制"管理问题的整体性能并无直接联系，认为提高预测性能必然会提高“预测+最优控制"问题的整体性能的观点缺乏理论依据。基于以上背景，作者针对混合动力汽车能量管理中预测部分和最优控制部分能否解耦问题进行了深入研究。

该研究提出了一种改进的“预测+最优控制”方法，用于配备行星齿轮的混合动力汽车的能量管理。分别使用监督学习和强化学习方法开发了一种可微的预测器和最优控制器。对初始预测器、最优控制器和最终预测器执行三个训练步骤。

该方法通过加入重新训练可微分的预测器的附加步骤，改进了传统的能量管理预测最优控制方法。这种调整确保了预测器不会基于与能量管理无关的评估标准盲目地提高其性能，这在以前的研究中是常用的。而是专注于在“预测+最优控制”的框架下增强能量管理的整体性能。在 NGSIM 数据集上，将本文介绍的方法与全局最优下的动态规划方法所得到的结果和传统预测最优控制方法进行了比较。实验证明，本文的方法在训练数据集和测试数据集上都优于传统的能量管理方法。同时，在“预测+最优控制”方法中优化预测器的传统做法可以

通过本文提出的方法得到改善。

尹诚，第一作者，华中科技大学中欧能源学院在读硕士生，2022学年和2023学年荣获一等学业奖学金，2023学年荣获三好研究生和知行二等奖学金。目前研究混合动力汽车能量管理、强化学习领域，以第一作者在能源类顶级刊物《Applied energy》发表1篇学术论文，以第二作者（导师第一）在控制类刊物《ISA Transaction》在投论文1篇。