NEC锂电池产品分类
关于考虑NEC锂电池与续航延长器之间动力动态耦合的物理驱动能源管理策略的研究
发布时间：2026-07-24 21:08:30 点击： 次
传统的续航电动车能源管理策略主要优化单个能源的离散工作点，同时忽视续航延长器与电池之间的功率不对称性。这一限制阻碍了协调的能源利用，降低了整体效率。为解决这一问题，研究将两种来源的动态反应特征纳入策略学习过程。引入功率分配系数，明确模拟电池的瞬态电压响应和增程器的热滞后，从而捕捉它们在物理层面的耦合动态。基于这些系数，模式切换成本和热衰减惩罚项被纳入奖励函数中，以抑制频繁的启停操作和减程器效率低下的操作区。此外，通过将差分响应模型与深度确定性策略梯度（DDPG）算法集成，开发了合作动态优化深度确定性策略梯度（CDO-DDPG）优化框架，实现动态功力分配，同时减轻功耗波动并确保输出连续性。硬件在环（HIL）实验表明，与仅优化续航器工作点的方法相比，这种方法能将燃油消耗降低3.61%，总能耗降低3.07%。与基于规则的策略相比，燃油消耗减少了13.2%，总能耗降低了11.0%，证实了其在实际驾驶条件下的有效性和工程适用性。
简介
现有研究探讨了各种EMS绩效目标[19,20]。有些人认为电池老化机制可以延长使用寿命[21]，另一些人则考虑排放因子以平衡燃油消耗和排放[22]，还有一些人通过限制功率波动或模式切换来优化驾驶平稳度[23]。然而，大多数方法将电池和增距器视为独立组件，忽视了它们动态功率耦合的显式建模或优化[24]。他们还关注离散操作点优化，忽视对整体能效的影响。建模这种双源耦合至关重要，因为系统本身具有固有的物理不对称性：电池响应迅速，而续程延长器具有显著的热惯性和更高的启停成本[25]。这种不匹配可能导致动态不一致、频繁切换模式、效率损失以及不良的功率波动[26]。当前基于强化学习的EMS方法很少设计出能够捕捉这些物理特征的结构化奖励函数，或包含反映瞬态行为的动态模型[27]，从而限制了实际驾驶场景中的控制稳定性和节能潜力[28]。
尽管有若干研究尝试将结构化奖励函数纳入强化学习以反映组件物理属性，或将动态功率模型嵌入捕捉瞬态过程到控制器中，但其系统性仍然有限，使得在真实运行条件下实现稳健的稳态性能和能效提升变得困难。与此同时，能源管理优化方面也取得了显著进展。例如，一些研究将驾驶员人格特征整合进燃料电池混合动力车的EMS中，用于跟随汽车场景[29]，而另一些则基于驾驶行为识别开发预测策略[30]。这些工作为优化能源分配提供了新视角，并为进一步改进EMS架构提供了见解。总之，当前用于续航电动车（REEV）的EMS仍面临两个关键挑战：如何超越传统的离散操作点优化，明确建立一个数学模型，捕捉电池与续航扩展器之间非对称的动态功率关系;以及如何深入整合受物理和热降解机制约束的模式切换规则，实现双电源的全局协调，而非局部瞬时优化。解决这些挑战以提升整体能源效率、运行顺畅性和元件耐用性，是本研究的核心动机。
为解决这些局限性，本研究提出了一种协调动态优化DDPG（CDO-DDPG）EMS。在建模层面，功率分配系数明确表征电池的瞬态电压响应和增程器的热滞后。相比之下，热降解因子量化了温度变化和频繁启停操作的累积效应，建立了在瞬态和稳态条件下的动态耦合模型。在策略优化层面，一个物理约束的奖励函数整合了模式切换成本和热衰减惩罚，指导智能体在保持动力传动系统的平稳性并尊重实际约束的同时提升效率。最后，差分响应物理机制模型与DDPG框架集成，实现实时协调双能功率优化，消融研究验证了关键模型组件和奖励机制的有效性和必要性。本研究的主要贡献总结如下：
- 1.
开发一个参数化的双能功率分配模型，明确捕捉电池-续航扩展系统的协同特性、热滞后和动态响应不对称性，为能量管理提供物理一致且可解释的基础; - 2.
设计一种物理驱动的奖励结构，整合模式切换成本和热退化效应，增强控制策略在复杂操作条件下的鲁棒性，同时减少不必要的模式转换和低效率运行期; - 3.
提出CDO-DDPG算法，该算法将差分响应模型与DDPG深度强化学习框架集成，实现高能效、收敛稳定性和在实际驾驶场景下的实时实现，同时考虑瞬态响应和热效应。
标签: