基于机器学习(Machine Learning, ML)的重型带受电弓(Pantograph)燃料电池混合动力电动汽车智能能量管理策略(Energy Management Strategy, EMS)方法论

《World Electric Vehicle Journal》：Machine Learning-Based Methodology for Intelligent Energy Management Strategy in Heavy-Duty Fuel Cell Hybrid Electric Vehicles with Pantograph

　　

本研究提出一种新颖的方法论，用于优化配备受电弓(Pantograph)充电系统的重型燃料电池混合动力电动汽车(Fuel Cell Hybrid Electric Vehicles, FCHEVs)的能量管理策略(Energy Management Strategy, EMS)。该方法集成机器学习(Machine Learning, ML)技术以预测能量需求、优化电池与燃料电池间的功率分配并提升整体效率。方法论包括车辆与道路数据聚类、有监督ML分类及路线分区(Zonification)以实现自适应能量管理。所提系统在德国五条不同真实行驶路线的实测数据上进行了验证。结果表明，相较于传统控制策略，氢耗与燃料电池退化均获得显著改善。本研究为重型氢动力电动车的先进能量管理建立了框架。

基于机器学习的重型带受电弓燃料电池混合动力电动汽车能量管理策略研究解读

本研究针对配备受电弓(Pantograph)动态充电系统的重型燃料电池混合动力电动汽车(Fuel Cell Hybrid Electric Vehicles, FCHEVs)，旨在解决现有能量管理策略(Energy Management Strategy, EMS)无法充分利用有限路线预览信息、难以协调多能源（燃料电池Fuel Cell, FC、电池Battery、电网受电弓）以及忽视燃料电池退化的问题。传统基于规则(Rule-based)或模糊逻辑的策略是反应式的，缺乏预见性；基于优化（如动态规划Dynamic Programming, DP、模型预测控制Model Predictive Control, MPC)）的方法需全路程已知且计算量大；现有学习型策略常需大数据量或全路程信息。因此研究人员开发了基于机器学习(ML)的预测型EMS，仅利用导航可获取的路段平均速度与道路坡度两个低分辨率描述符，实现路线能区分区(Zonification)与预见性能量管理，以降低氢耗并减缓质子交换膜燃料电池(PEMFC)退化。

研究人员利用德国五条真实重载卡车行驶数据（含CAN总线信号与GPS海拔），首先对滑动时间窗统计特征进行标准化与PCA降维，采用高斯混合模型(Gaussian Mixture Model, GMM)和k-Means将路段聚为低、中、高能耗三类"能区(Zone)"；以此为有监督分类（最终选用Bagged Trees/加权KNN）标签，输入仅为路段平均车速与道路坡度，预测前方路段能区类型；将逐点预测转为空间连续的"分区(Zonification)"路线地图供EMS使用。仿真平台基于MATLAB/Simulink^?搭建整车纵向动力学、FC（半经验效率图，峰值效率~42%@20–30 kW）、360 kWh锂电池、40 kW受电弓模块，对比四种EMS：EMS1负载跟随(Load-Follower)、EMS2 PID荷电状态(State-of-Charge, SoC)反馈调节、EMS3启发式(Heuristic)规则、EMS4启发式+ML预测（动态调整FC工作点与SoC参考轨迹，遇受电弓前预放电电池以预留吸收空间）。所有控制器施加相同FC饱和与变载率限制，在五条异质路线下评估总氢耗、归一化氢耗、燃料电池退化指数(Fuel Cell Degradation Index, FCDI = ∫(dP_FC/dt)²dt)及制动电阻耗能。

4.1. Clustering and Prediction

通过对五条路线数据的GMM与k-Means聚类（BIC/AIC确定K=3，轮廓系数SC=0.74，Davies-Bouldin Index DBI=0.48），确认数据自然分为低功率（怠速/停车）、中功率（巡航平路）、高功率（加速/爬坡）三簇，且沿GPS轨迹形成连续能区。以路段平均速度和道路坡度作为输入训练分类器，Bagged Trees达约92%分类准确率，误分多发生于相邻相似能区间；加权KNN推理速度达43,000 obs/s，单树分类器推断延迟约1.03 μs，内存<100 kB，满足车载嵌入式实时性要求。

4.2. EMS Performance

能量来源占比显示EMS 4提高了电池参与度。氢耗方面，EMS 4较EMS 3平均降低约26%，较EMS 2显著降低；动态负荷大、坡度变化明显的路线节氢效果更显著。耗散能量（制动电阻）方面，EMS 2因严格维持SoC导致再生能量被浪费而耗散最高，EMS 4通过预见低需求/再生段主动降低SoC预留容量，耗散最低。燃料电池退化指数方面，EMS 4较EMS 3降低约25%，较EMS 2降至其53%，归因于ML预测使FC加载平滑、减少瞬态变载。

5. Discussion

预测型EMS优势源于四方面：预见性保留电池容量吸收再生制动与受电弓电能从而减少耗散；根据前方能区动态规划SoC（高负荷段前保电、受电弓/下坡前预放）提升能量利用率与受电弓充电吸收率；平滑FC功率轨迹降低瞬态载荷减缓PEMFC老化；仅需有限预览信息即可在实车上应用。局限包括依赖平均速度与坡度故无法捕捉短时交通波动、需历史数据训练、三聚类折衷分辨率与鲁棒性、纯仿真验证未含实车ECU延时与传感器噪声、假设受电弓位置已知且可用、BEV原型训练模型迁移至不同FCHEV架构需重新校准。相比近期文献，本文独特整合了有限路线描述符、ML能区分区及受电弓第三能源协调。

6. Conclusions（结论部分翻译）

本研究证实，将基于机器学习(ML)的路线预测集成至能量管理策略(EMS)中可显著改善燃料电池混合动力电动汽车的运行表现。所提预测EMS框架在五条真实世界路线上验证，一致优于常规启发式控制器。该方法利用有限预览信息实现电池荷电状态(SoC)预见性控制及燃料电池(FC)、电池与受电弓(Pantograph)能源的协同优化。相比纯启发式控制，ML预测EMS降低氢耗约26%，同时使燃料电池退化指数降低约25%，主要归功于更平滑的FC负载曲线、改进的功率分配及增强的再生能量利用。未来研究拟通过硬件在环(Hardware-in-the-Loop, HIL)实验考量计算延时与通信不确定性，并引入扩展卡尔曼滤波(Extended Kalman Filter, EKF)数据融合提升状态估计精度，以及探索车队级云端协同学习以提升泛化能力。