融合机器视觉的插电式混合动力汽车预测型能量管理策略

针对传统模型预测控制下车速预测不准确和SOC适应性差的问题;以插电式混合动力汽车（PHEV）为研究对象;将基于机器视觉的车速预测模型与深度确定性策略梯度算法（DDPG）相结合;实现PHEV的实时SOC参考轨迹规划和最优动力分配控制。构建基于改进深度确定性策略梯度算法的SOC参考轨迹规划模型;并构建基于机器视觉的级联式长短时间记忆网络车速预测模型;在此基础上使用基于模型预测控制的最优控制器;实现SOC参考轨迹精确跟踪及功率优化。结果表明;相较于传统的DDPG;本文提出的策略使得整车经济性提高了5.66%;达到了全局最优算法的97.93%。同时较不使用机器视觉的能量管理策略提高了2.92%的整车经济性。