基于混合储能系统的新型能量管理策略开发与评估：提升增程式电动汽车电池寿命并降低燃油消耗

电动轿车（EV）作为削减排放和下降对化石燃料依靠的可持续交通办法正日益遍及。但是，对于增程式电动轿车（EREV）而言，怎么经过能量流办理在最大限度延伸电池寿数的一起下降燃油耗费，仍是一项要害应战。本文针对由超级电容和电池（S&B）构成的混合储能体系（HESS），提出了一种立异的能量办理战略（EMS）。所提出的EMS交融了门控双流卷积神经网络（GDSCNN）与酶动作优化器（EAO），该办法被命名为GDSCNN-EAO。该战略的中心方针是经过实施具有优化能量办理战略的HESS，完成EREV燃油耗费最小化与电池寿数延伸的两层优化。其中GDSCNN用于准确猜测读载需求，而EAO则用于优化混合储能体系内部的能量办理。所提办法在MATLAB渠道完成，并与粒子群优化(PSO)、蚱蜢优化算法(GOA)、人工神经网络(ANN)等现有办法进行对比。模仿成果标明：相较于既有办法，该技能最高可完成81.58%的能耗降幅，展现出卓越的动力使用功率。该办法一起取得1.702的均方根差错(RMSE)——印证了精准的读档猜测才能，0.4801的平均绝对差错(MAE)——标明瞬时功率需求的准确预算，以及4.45的标准差(SD)——凸显体系功能的稳定性和一致性。这些效果一起证明，所提办法在动态驾驭条件下的动力办理方面优于传统办法。4801，标明对瞬时功率需求的准确估量，以及4.45的标准差（SD），突显了体系功能的稳定性和一致性。这些成果一起标明，所提出的办法优于传统办法，并增强了动态驾驭条件下的动力办理。

引言

对不行再生动力（RES）的依靠以及削减温室燃料费排放的迫切需求，加速了电动轿车（EV）作为传统化石燃料驱动交通工具的环保代替计划的遍及[1,2]。在各种EV构型中，增程式电动轿车（EREV）因其将电力推进体系与车载辅助发电机相结合而显得尤为重要，这种规划在缓解续航路程约束的一起，还进步了动力功率、体系牢靠性和运转灵活性[3]。EREV的一项要害赋能技能是混合储能体系（HESS），其通常由电池和超级电容器组成。电池具有合适持续供能的高能量密度特性，而超级电容器则供给高功率密度及快速充放电才能[4]。经过使用这些互补特性，HESS不只能进步功率输出功能，还可减轻电池负荷，最终延伸其使用寿数[5]。
尽管HESS在EREV中具有优势，但完成高效的能量办理仍是一项重大应战[6,7]。根据规矩的传统战略往往难以适应驾驭条件的忽然变化，然后导致能量使用功率低下和燃料费增加[8]。虽然元启发式算法具有更好的适应性，但其收敛速度慢、鲁棒性有限且核算需求高的缺陷约束了使用[9]。同样地，含糊逻辑和神经网络等智能办法虽进步了精度，却带来了体系复杂性和可扩展性约束，使其在车辆运转中缺乏实用性[10]。这些局限性凸显了对鲁棒性强、自适应且核算高效的能量办理框架的需求，该框架需能平衡功率分配、延伸电池寿数并最小化EREV的燃料费耗费[11]。
为应对这些应战，必须精心规划EREV的动力办理战略，以在精度、适应性和核算功率之间达成最优平衡[12]。针对行进需求，有用的办法应动态分配电池与超级电容之间的功率，保证后者处理高功率瞬变，而前者供给稳态能量[13]。这不只能最小化电池在快速读档动摇中的应力，还可进步其使用寿数与牢靠性。此外，此类战略必须可以无缝适应多样化且不行猜测的驾驭条件[14]。最终，这些战略的开发不只会进步增程式电动轿车（EREV）的动力功率与耐久性，还将经过削减对化石燃料的依靠及温室气体排放，推进其作为可持续处理计划的更广泛选用[[15], [16], [17]]。
文献中，大量研讨聚焦于经过多种动力办理技能将HESS使用于EREV。以下将详细评述其中部分研讨。
Shanmugam等人[18]提出了一种用于办理电动轿车混合储能体系(HESS)的优化技能，旨在进步功能并延伸电池寿数。比如粒子群优化(PSO)等算法已被广泛使用于功率分配战略。但是，这些办法在平衡本钱效益与电池退化方面常存在局限性。近期研讨强调经过整合智能算法与深度学习模型来更高效地应对这些应战。
Ankar等人[19]开发了一种由电池和超级电容器组成的混合储能体系(HESS)，旨在进步电动轿车电池体系的功率与耐久性。该研讨的中心方针是经过优化功率分配与储能配置，完成体系本钱最小化、能效进步以及电池衰减减缓。为完成HESS组件的实时能量办理与最优尺寸规划，研讨选用了一种集成优化办法，该办法将非支配排序遗传算法III(NSGA-III)与根据含糊逻辑的操控(FLC)战略相结合。研讨成果标明，在典型驾驭循环工况下，该体系能明显延伸电池寿数、减轻体系质量并进步本钱效益。但是，怎么在实车环境中有用实施实时含糊操控与优化算法，仍是当前面对的技能应战。
AlKawak等人[20]提出了多种用于混合储能体系(HESS)能量办理的计划，旨在进步电动轿车(EVs)的能效并延伸电池寿数。研讨中选用了潜在语义剖析(LSA)、协作搜索算法(CSA)和蚱蜢优化算法(GOA)等技能来完成功率分配与操控。但是，这些办法在猜测精度和体系适应性方面仍存在局限性。最新研讨聚焦于将优化算法与神经网络相结合的混合办法，以进步体系功能并下降运转压力。
Srinivasan [21]提出了一种面向电动轿车混合储能体系（HESS）的能量办理战略，旨在保证高效功率分配。现有办法遍及面对核算复杂度高、变负荷条件下适应才能有限等应战。最新研讨进展将优化算法与神经网络相结合，以进步操控精度和体系响应才能。此类混合办法致力于直流母线电压调理、功率平衡维持及整体体系功率进步。
郑等人[22]研讨标明，制动能量收回(BER)作为进步电动轿车(EV)效能与延伸续航路程的技能手段已取得广泛研讨。传统纯电池体系在制动时面对高功率冲击的处理难题，导致电池寿数衰减。为缓解该问题，学界已探究包含超级电容与飞轮储能体系(FESS)的混合储能体系(HESS)。近期研讨致力于整合含糊逻辑与抗干扰操控战略等先进办法，以优化配电体系并进步BER功率。
Wang等[23]指出，传统SOC预算办法难以准确评价电动轿车复杂HESS架构的剩余能量。为此，研讨者提出等效荷电状况(ESOC)等新型指标以更好地反映动态能量可用性。这些办法经过考量多种运转形式与驾驭循环来进步精度。模仿研讨证明，此类办法能为电动轿车实时决议计划供给更牢靠的能量状况数据。
杨等人[24]提出了DH-PHEV等插电式混合动力轿车构型，经过选用混合储能体系与双转子电机来处理能效应战。研讨者主张选用交融动态规划与根据规矩的转矩分配的综合能量办理战略(CEMS)，旨在下降电池负荷并进步整体能效。多种驾驭循环下的模仿成果验证了电动续航路程的进步与功率分配的优化。
本研讨综述指出，混合储能体系(HESS)在增程式电动轿车(EREV)中的能量办理是一个要害范畴，因其直接影响动力功率、电池寿数及整体体系牢靠性。但是在动态且不行猜测的驾驭工况下，完成准确的负载需求猜测及超级电容-电池(S&B)间的优化功率分配仍具应战性。现有文献选用了多种技能，包含粒子群算法(PSO)、蚱蜢优化算法(GOA)、人工神经网络(ANN)以及根据含糊逻辑的办法。其中PSO存在早熟收敛问题，且在减缓电池退化方面才能有限。GOA算法虽具有更好的适应性，但收敛速度慢且核算需求高，约束了其实际使用。人工神经网络（ANN）进步了猜测精度，却难以克服过拟合问题，且在不同驾驭循环中泛化才能较差。此外，现有办法大多未能处理增程式电动轿车（EREV）运转的多方针特性——需一起考虑最小化能量损耗、下降电池应力、延伸使用寿数以及保证明时适应性。文献中鲜有研讨能将准确的需求猜测与混合储能体系（HESS）功率分配的智能优化相结合。这些缺陷促使本研讨开发一种混合动力办理战略，该战略将门控双流卷积神经网络（GDSCNN）与酶作用优化器（EAO）相结合，旨在多样化的真实驾驭条件下完成更高功率、更低功率损耗、更长电池寿数以及更低燃油耗费。
本研讨的新颖性在于改进了增程式电动轿车的能量办理体系（EMS），该体系集成了GDSCNN用于精准读档猜测，并选用EAO算法对由超级电容与蓄电池（S&B）构成的混合储能体系（HESS）进行智能能量分配。所提出的办法同步优化了多项方针，包含最小化能量损耗、最大化动力功率、延伸电池寿数以及下降电池老化本钱，一起能动态适应多变的行进工况与瞬态读档需求。为保证功能评价的真实性，本办法选用少于四种标准驾驭循环进行验证：全球一致轻型车辆测验程序（WLTP）、新欧洲驾驭循环（NEDC）、我国轻型轿车行进工况（CLTC）以及城市道路模仿驾驭工况（UDDS）。该集成计划完成了前瞻性自适应操控，保证S&B之间的最优功率分配，减轻电池负荷，然后进步增程式电动轿车在多样化驾驭场景下的整体体系功能。
本研讨的主要奉献可归纳如下：

• •
  An HESS-driven configuration with an EMS is proposed, combining a battery and supercapacitor to balance energy density and power density for EREVs.
• •
  An EAO-based optimization strategy is developed to improve energy efficiency, minimize power loss, and reduce computational cost compared with existing algorithms.
• •
  A GDSCNN model is employed to forecast vehicle power demand accurately, enabling proactive and intelligent energy management.
• •
  The proposed framework is evaluated using four standard driving cycles NEDC, CLTC, WLTP, and UDDS to ensure realistic and comprehensive performance assessment under urban, highway, and mixed driving conditions.
• •
  The proposed method achieves higher efficiency and lower power loss, significantly outperforming existing approaches such as PSO, GOA, and ANN.
• •
  The framework is validated in MATLAB simulations, demonstrating improved fuel economy and extended battery lifespan in multiple driving scenarios.