一种用于燃料电池电动汽车的基于学习的鲁棒模型预测控制能量管理策略
系统与控制
2023-01-02 v1 机器学习
系统与控制
摘要
多源机电耦合使得燃料电池电动汽车(FCEVs)的能量管理相对非线性且复杂,尤其在四轮驱动(4WD)型FCEVs中。对复杂非线性系统的精确状态观测是FCEVs优异能量管理的基础。为释放FCEVs的节能潜力,针对一款4WD FCEV提出一种基于学习的鲁棒模型预测控制(LRMPC)策略,以实现多能量源间合适的功率分配。该基于机器学习(ML)的精心设计策略将非线性系统知识转化为具有优越鲁棒性能的显式控制方案。首先,离线训练具有高回归精度与优越泛化能力的ML方法,以建立用于SOC的精确状态观测器。随后,由状态观测器生成的SOC显式数据表用于获取准确状态变化,其输入特征包括车辆状态与车辆部件状态。具体而言,用于提供未来速度参考的车辆速度估计由深度森林构建。接着,将显式数据表与车辆速度估计等部件同模型预测控制(MPC)结合,以释放FCEVs多自由度系统的最先进节能能力,其名为LRMPC。最后,在仿真测试中开展详细评估以验证LRMPC的先进性能。相应结果凸显了LRMPC在节能潜力方面的最优控制效果与强实时应用能力。
引用
@article{arxiv.2209.04995,
title = {A novel learning-based robust model predictive control energy management strategy for fuel cell electric vehicles},
author = {Shibo Li and Zhuoran Hou and Liang Chu and Jingjing Jiang and Yuanjian Zhang},
journal= {arXiv preprint arXiv:2209.04995},
year = {2023}
}
备注
16 pages, 16 figures