基于工况识别的插电式混合动力汽车自适应能量管理策略研究
胡俊杰
肖平
安徽工程大学 机械与汽车工程学院,安徽芜湖 240001
摘要：为提升插电式混合动力汽车在复杂工况下的能量管理效率,提出一种基于卷积神经网络和注意力机制工况识别的自适应等效燃油最小策略(A-ECMS).该策略首先利用递归特征消除结合K-means聚类算法,从原始工况数据中筛选出平均车速、平均加速度和最高车速3类关键特征,实现工况维度压缩与标签生成.在此基础上,构建融合卷积神经网络、长短期记忆网络与注意力机制的工况识别模型,实现工况类型的高精度分类.随后,采用二分法对城市、郊区与高速3类典型工况分别离线优化等效因子,构建等效因子库,实现等效燃油最小策略的自适应调节.仿真结果表明,所提A-ECMS策略在全球统一轻型车测试循环工况下较电量维持-消耗策略油耗降低51.6％,电池荷电状态波动减小10.2％,NOx、CO、HC排放分别下降55.3％、76.7％和65.8％.研究结果验证了所提方法在提升燃油经济性和排放性能方面的有效性与实用性.
关键词：插电式混合动力汽车神经网络等效燃油最小策略CNN-LSTM-Attention
分类号：U469.7(汽车工程)
资助基金：安徽省重点研究与开发计划项目(2022A05020007)
论文发表日期：2025-11-20
在线出版日期：2025-12-03（本平台首次上网日期，不代表文献的发表时间）
页数：8( 25-32 )