基于深度学习的自适应模糊能量管理策略用于范围扩展电动车

摘要 提出了一种基于深度学习原则的自适应能量管理新框架，旨在在复杂的驾驶场景中最小化范围扩展电动车的燃料消耗。这种创新方法整合了长短期记忆（LSTM）网络，用于对三种驾驶模式进行模式识别，并结合自适应模糊控制器。为减轻不良超参数选择对识别准确度的影响，采用灰狼优化算法来优化LSTM的隐层节点、训练时间和学习率。同时，利用遗传算法优化模糊控制隶属函数的顶点坐标，从而实现模糊能量管理策略中参数的自适应调整。条件识别模型能够准确识别车辆的驾驶状态，并顺畅地切换到适合当前条件的能量管理策略。这确保了最佳操作，增强了整体燃油效率和性能。仿真结果有力地验证了该方法的有效性：GWO-LSTM网络在识别工作条件方面达到了97.7%的高准确率，超过了传统LSTM网络的88.9%准确率。此外，自适应模糊能量管理策略相比于传统模糊能量管理方案，实现了11.9%的燃料消耗减少。这个结果强调了深度学习技术无缝集成带来的车辆燃油经济性的实质性提升。