← 返回
基于终端代价学习的混合动力汽车能量管理无限时域模型预测控制
Infinite Horizon Model Predictive Control With Terminal Cost Learning for Hybrid Electric Vehicle Energy Management
| 作者 | Xu Wang · Ying Huang · Jian Wang · Jiahe Hui · Siqiang Liang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年2月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 模型预测控制MPC 机器学习 充电桩 储能系统 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 模型预测控制 能量管理 混合动力汽车 终端代价 神经网络 蒙特卡洛方法 |
语言:
中文摘要
本文提出了一种用于混合动力汽车能量管理的无限时域模型预测控制(MPC)框架。该方法结合了MPC的模型预测能力与基于神经网络的终端代价学习潜力,并利用蒙特卡洛方法估计长期能耗,有效提升了能量管理系统的优化精度与动态响应能力。
English Abstract
This article presents an infinite horizon model predictive control (infinite MPC) framework with terminal cost learning for energy management of hybrid electric vehicles. The proposed framework integrates the model-based predictive capability of MPC with the learning potential of a neural network-based terminal cost function. The Monte Carlo method is employed to estimate long-term consumption, ai...
S
SunView 深度解读
该研究提出的无限时域MPC与终端代价学习方法,对阳光电源的电动汽车充电桩业务及储能系统(如PowerTitan/PowerStack)具有参考价值。在充电桩领域,该算法可优化车辆与充电设施间的能量交互策略;在储能领域,该控制逻辑可用于提升PCS在复杂工况下的能量调度效率。建议研发团队关注该类基于神经网络的自适应控制算法,探索其在iSolarCloud平台中实现更精准的能源管理策略,以提升系统整体运行经济性。