北理工團隊在電動汽車能量管理研究方面取得新進展
發布日期：2025-03-29 供稿：機械與車輛學院 攝影：機械與車輛學院
編輯：蘇舒 審核：劉檢華 閱讀次數：
3月22日，北京理工大學機械與車輛學院孫逢春院士與何洪文教授團隊在國際頂級期刊《自然·通訊》（Nature Communications）發表研究成果。該團隊發表的題為《大規模數據驅動的電動汽車能量管理》（Data-driven energy management for electric vehicles using offline reinforcement learning）論文，突破傳統由專業工程師設計控制策略的固有模式，通過利用電動汽車監測與管理系統采集的大規模運行數據，構建具備自主學習和持續進化能力的智能能量管理系統，為電動汽車大數據應用與控制系統開發提供了創新解決方案。
在“雙碳”戰略目標持續推進和新能源汽車快速普及的背景下，電動汽車能量管理技術已成為提升車輛續航里程和系統壽命的關鍵技術。然而，傳統方法嚴重依賴人工規則設計和高精度仿真模型，導致開發周期較長、成本較高，且難以適應真實道路的復雜工況。針對這一技術難題，研究團隊提出了基于大規模數據驅動的電動汽車能量管理方法。該方法采用"數據驅動+智能學習"的技術路線，能量管理智能體能夠直接從數據中學習最優控制策略，不僅擺脫了對專家經驗設計控制策略的依賴，也無需建立高精度車輛仿真模型用于策略訓練，顯著優化了策略開發流程。且該方法不依賴數據質量，既可以從次優數據中學習近似最優策略，還能在隨機數據條件下優化控制策略。
研究團隊通過自主研發數據增強的電動汽車數字模型，實現了電動汽車監測與管理系統真實運行數據與仿真模型數據的結合，成功構建了覆蓋多種運行工況、包含高維多源數據特征的大規模電動汽車數據集。提出了融合行為克隆與判別器混合正則化項的離線強化學習方法，解決了策略學習中存在的分布偏移問題，既能保持策略學習的有效約束，又能實現性能優化。基于實車運行數據的學習驗證，該方法在燃料電池電動汽車上實現了能耗水平和系統壽命的雙重提升，并具備持續自我進化能力，僅經過兩次數據學習，性能就從初始的88%最優性提升至98.6%。此外，該方法展現出良好的兼容性，能夠無縫集成到現有基于規則或其他方法的能量管理系統中。
基于大規模數據驅動的電動汽車能量管理方法整體技術路線
能量管理策略持續進化的實驗結果
注：該研究由孫逢春院士團隊獨立完成，何洪文教授為本文通訊作者，機械與車輛學院博士研究生王勇為第一作者，魏中寶教授和吳京達副教授也為本項研究作出了重要貢獻。
分享到：