inscode111234 于 2024-07-02 08:00:00 发布当前PHEV的能量管理策略采用的大多是比较简单的EMS，例如RBS和OBS。而如今随着机器学习在各个领域都有不错的优化表现，越来越多的整车能量管理策略研究也开始引入各种机器学习，强化学习等学习算法。基于机器学习的能量管理策略研究可以按照有无人类监督将数据进行标签分为监督学习和非监督学习，半监督学习以及强化学习。包括k-近邻算法、支持向量机以及径向基核等，对数据进行分类和回归。下面将对上述三类能量管理策略进行简要介绍。
基于规则的控制策略
基于规则的能量管理策略是一种简单易行的能量管理策略，它通过预先定义的一组规则来控制PHEV的能量流。基于规则的能量管理策略具有结构简单、易于实现、鲁棒性强等优点，因此得到了广泛的应用。当前很多车型均采用了基于规则的能量管理策略，例如丰田普锐斯、雪佛兰沃蓝达、现代索纳塔PHEV以及福特福克斯PHEV等。RBS在提升整车动力性、经济性以及排放性方面有着非常重要的作用。该策略将几个动力源输出功率合理分配，利用逻辑门进行限值处理，根据工况情况对动力源的启停进行控制，使各动力源大多数时间在高效低排放区域工作。基于确定性规则的能量管理策略，输入的控制变量一般为当前车辆所处的环境道路工况、驾驶员需求功率、动力电池当前荷电状态（State of Charge，SOC）以及电池组温度，根据控制变量来确定当前的整车工作模式，每种工作模式下的功率分配是提前标定的，所以开发较好的RBS需要具有丰富工程经验的标定工程师，并且需要长期的测试标定工作来细化工况以及工况边界条件来保证整车工作模式切换的顺滑性和能量管理策略的经济性。
基于确定性规则的
