针对当前混合动力汽车模型预测控制(Model predict control,MPC)能量管理中预测域速度预测不精准问题,进行基于机器学习的速度预测研究。首先建立基于无极变速(Continuously variable transmission,CVT)的单轴并联混合动力汽车模型,其次采用机器学习方法对未来时间窗内的行车速度进行预测,得到三种不同预测方法下的方均根误差(Root mean squared error,RMSE)精度,其中长短期记忆(Long short term memory,LSTM)神经网络最佳,前馈神经网络次之,支持向量机最差。然后,利用模型预测控制策略对车辆进行能量流分配,验证不同预测方法对燃油消耗、SOC的影响,且分析对比不同预测时间窗长度下的能量管理性能,找到不同预测方法下的最小油耗预测域。最后将预测控制与传统动态规划(Dynamic programming,DP)、等效燃油消耗(Equivalent consumption minimization strategy,ECMS)能量管理策略进行性能比较,发现机器学习预测控制对减少油耗具有良好的潜力,同时对模型预测控制算法预测域内的扰动量预测具有重要指导意义。
