模型预测控制优化能源管理策略：融合时间特征与速度预测 陈勇、 李玉海、 徐玉国、 马百滩、 周青

《Vehicles》：Model Predictive Control Optimization Energy Management Strategy with Fused Temporal Features Speed Prediction Yong Chen, Yuhai Li, Yuguo Xu, Baitan Ma and Qing Zhou

　　摘要：为了解决现实世界驾驶条件的随机性以及混合动力电动汽车（HEV）中能量分配的最优化问题，本文提出了一种基于堆叠卷积神经网络（Stacked–CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention，简称SCBA）的模型预测控制（MPC）能量管理策略。首先，通过增强双向长短期记忆网络（BiLSTM）的双层卷积结构及注意力机制，构建了一个基于SCBA的车辆速度预测模型，该模型能够提取并融合速度序列的时间特征，从而克服了对局部突然速度变化的不足描述，提高了速度预测的准确性。其次，将一种具有强大全局搜索能力的新全局优化算法——Rüppell’s Fox Optimizer（RFO）嵌入到滚动时域MPC框架中的多目标优化问题求解器中，显著提升了节能性能。仿真结果表明，与传统的BiLSTM模型相比，所提出的速度预测模型使其最大均方根误差（RMSE）降低了46.12%，终点预测RMSE降低了62.6%。所提出的RFO-MPC能量管理策略的节能效果达到了动态规划（DP）的97.04%，相比DP-MPC策略提升了5.6%。最后，通过硬件在环（HIL）测试验证了该能量管理策略的有效性。

1. 引言
随着全球环境恶化的加剧和能源资源的减少，具有多种动力源和新型结构的混合动力电动汽车（HEV）因其出色的节能和减排能力而受到许多研究人员的关注[1,2]。HEV结合了纯电动汽车和传统燃油车的优点，解决了续航里程不足的问题，是传统燃油车向全电动汽车过渡的重要产品[3,4]。HEV需要根据驾驶条件通过能量管理策略（EMS）合理分配不同动力源之间的功率[5]。通常，能量管理策略可以分为基于规则的方法、基于优化的方法和基于学习的方法[6]。基于规则的方法在HEV中应用广泛，因其简单性、低计算成本和强大的实时处理能力（如确定性和模糊规则方法），但这些方法过度依赖专家经验，无法始终保证最佳性能[7,8]。基于优化的方法可分为在线优化和离线优化两种类型[9]，离线优化方法包括凸优化、Pontryagin最小原理和动态规划[10]，但由于离线优化算法需要预先完全了解整个驾驶过程，因此几乎不可能应用于实时控制系统[11]，它们通常用作基准（如动态规划算法）来评估各种能量管理策略的节能潜力[12]。在线优化方法包括等效消耗最小化策略（ECMS）、模型预测控制（MPC）及相关方法[13]，ECMS可以通过调整等效因子获得接近全局最优的燃油经济性结果[14]，但在实践中准确获得该等效因子可能具有挑战性[15]。基于学习的能量管理策略高度依赖超参数来实现高性能，且容易过拟合，这限制了其应用[16,17]。相比之下，MPC可以在定义的成本函数基础上进行全局优化，平衡实时性能和最优性，因此为EMS带来了显著的发展潜力[18,19]，但MPC预测范围内的功率分配结果受到预测信息准确性的限制[20]。Sun等人[21]应用LSTM预测未来车辆速度，与其他预测模型相比取得了更好的预测性能。Lu等人[22]使用遗传算法（GA）优化了基于LSTM的速度预测模型的超参数，使得GA-LSTM的RMSE低于支持向量回归方法。Zhou等人[23]采用基于马尔可夫的预测方法计算速度转换概率矩阵，实现了不同驾驶场景下的车辆速度预测。Song等人[24]利用LSTM预测未来车辆的功率需求，然后应用动态规划（DP）得出相应的控制策略，从而降低了总运营成本。Jia等人[25]提出了一种基于双层BiLSTM的速度预测器，用于MPC中的短期预测，表现出令人满意的预测性能。Li等人[26]开发的基于BiLSTM的车辆速度预测方法在预测准确性上优于LSTM和GRU方法。在上述研究中，研究人员通过提高车辆速度预测的准确性来降低能量管理策略的能耗，但这些预测模型主要关注时间序列的整体趋势，缺乏对驾驶周期中频繁快速加速和减速切换关键时刻的针对性特征描述，这限制了预测精度。Pan等人[27]结合卷积结构和注意力机制开发了混合BiLSTM-TCN-SA模型，克服了单独BiLSTM模型的局限性并减少了车辆速度预测误差，同时采用NSGA-III算法解决了相关的多目标优化问题。Tian等人[28]使用粒子群优化方法解决了MPC范围内的最优控制问题，相对于基于规则的策略，成本降低了12.53%。这些发现表明，混合建模框架可以显著提升单一模型的预测能力，而元启发式算法在处理多目标优化问题时表现出强大效果。因此，本文提出了一种基于堆叠卷积神经网络（Stacked–CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（SCBA）协同网络速度预测的Rüppell’s Fox Optimizer（RFO）优化模型预测控制能量管理策略。本研究的主要贡献如下：
(1) 本研究在双向长短期记忆网络（BiLSTM）之前引入了两层堆叠卷积网络，以提取和融合历史车辆速度序列中的局部时间特征，并通过注意力机制对BiLSTM的输出隐藏状态进行加权，从而强调对预测更为关键的历史信息。将得到的网络嵌入MPC框架中以预测未来车辆速度。
(2) 本研究引入了一种新颖的全局优化算法RFO，用于解决同时考虑燃油消耗、电池能量消耗和充电状态（SOC）波动的多目标函数问题，相比基于DP的MPC和Dung beetle optimizer（DBO）[29]的MPC策略，显著降低了燃油消耗。
(3) 通过硬件在环（HIL）测试验证了所提出能量管理策略的有效性。

本文的其余部分安排如下：第2节介绍了所提出策略的总体框架。第3节描述了车辆模型的开发过程。第4节介绍了本研究中构建的SCBA车辆速度预测模型。第5节详细阐述了RFO算法原理和多目标优化问题。第6节展示了仿真和实验分析结果。第7节总结了本文。

2. 总体结构
本研究从两个方面开发了HEV的能量管理策略：提高预测范围内的车辆速度精度和优化功率分配以提升燃油经济性。所提出的能量管理策略结合了基于Stacked–CNN–BiLSTM–Attention的车辆速度预测和RFO优化的模型预测控制，如图1所示。首先，使用标准驾驶周期训练SCBA车辆速度预测模型，SCBA网络输出的预测速度序列作为MPC的输入序列。然后，综合考虑多个目标（包括燃油消耗、电能消耗和SOC波动）来制定成本函数，利用RFO算法解决滚动时域优化问题，构建RFO-MPC策略并输出最优控制序列。最后，将优化后的控制序列中的第一个控制变量应用于车辆模型。这一过程以滚动时域的方式重复进行，直到驾驶周期结束。

3. 车辆动力系统建模
3.1. HEV动力系统结构
本文研究的对象是动力分配混合动力电动汽车（HEV），其结构如图2所示。该系统包括发动机、牵引电机、发电机、行星齿轮组和动力电池。在此混合驱动系统中，发动机和发电机通过行星齿轮结构实现速度和扭矩的耦合与解耦，牵引电机可以直接驱动车辆。表1列出了车辆及其动力系统组件的主要规格。

3.2. 车辆纵向动力学模型
通过纵向动力学方程（1）可以得出整个车辆动力系统为实现期望速度所需的驱动力[30]。
(1)
其中，是车辆所需的牵引力，表示车辆的重力，是滚动阻力系数，是道路坡度系数，是空气动力阻力系数，是车辆正面面积，是车辆速度，是车辆转动质量因子，是车辆质量，是车辆加速度。

3.3. 发动机模型
由于发动机在运行过程中表现出明显的非线性特性，很难准确复制其动态行为，因此通常使用稳态数值模型来模拟发动机。图3显示了从试验台数据获得的发动机燃油消耗图。发动机燃油消耗与速度和扭矩的关系可以用方程（2）表示[31]。
(2)
其中，是瞬时燃油消耗，表示发动机转速，表示发动机输出扭矩，是从表格中获得的燃油消耗率，是燃油密度。

3.4. 电动机模型
电动机不仅提供驱动车辆所需的动力，还能通过将制动能量转换为电能来回收。整个动力系统包含两个电动机，分别作为牵引电机和发电机。它们的功率表达式如方程（3）所示[32]，相应的效率图如图4所示[32]。

3.5. 行星齿轮模型
行星齿轮组是动力分配架构中的关键元件，实现了发动机、牵引电机和发电机之间的机械耦合。在所研究的布局中，发动机连接到行星架，发电机连接到太阳轮，而齿圈齿轮连接到牵引电机和输出轴。太阳轮、齿圈齿轮和行星架之间的速度和扭矩耦合关系由方程（4）和（5）给出[33]。
(4)
(5)
其中，下标、、分别表示太阳轮、齿圈齿轮和行星架；和分别是相应的转速和扭矩，是行星齿轮组的特征参数。

3.6. 动力电池模型
由于温度波动和电池老化等因素，难以准确描述动力电池的电化学反应过程。因此，用由单个电源和等效电池内阻组成的简化模型来模拟动力电池，其模型由方程（6）–（8）给出[34]。电池等效电路图如图5a所示，图5b展示了电池SOC变化时的充放电电压和电阻变化情况。
(6)
(7)
(8)
其中，分别是动力电池的功率、开路电压和电流；和是其内阻和容量。

4. 堆叠卷积神经网络–BiLSTM–注意力机制
为了解决单独使用BiLSTM进行车辆速度预测时无法充分捕捉局部速度波动特征和关键时刻的历史信息、从而限制预测精度的问题，本研究开发了堆叠卷积神经网络（Stacked–CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（SCBA）的组合模型，用于滚动时域车辆速度预测。该神经网络模型的主要优点如下：首先，堆叠的两层CNN对历史车辆速度序列进行深度特征挖掘，第一层提取时间特征，第二层将提取的特征融合为更高层次的扩展速度特征，保留了最关键的速度信息。然后，BiLSTM层通过前向和后向的双通道来模拟短期和长期的依赖关系，捕获可能影响预测的双向历史速度特征。最后，注意力机制对隐藏状态分配不同的权重，以反映它们对车辆速度预测任务的贡献程度。在这项研究中，SCBA网络采用了滚动序列建模方案，以过去10秒的车辆速度数据作为输入，并输出接下来5个时间步长的预测车辆速度。网络架构如图6所示。图6. SCBA网络架构：(a) 卷积结构；(b) LSTM单元结构；(c) BiLSTM结构；(d) 注意力结构。

4.1 堆叠式CNN-BiLSTM混合模型
典型的CNN架构包括卷积层、池化层和全连接层[34]，如图6a所示。卷积运算在方程(9)中给出。其中，表示激活函数，表示滤波器权重，表示卷积运算符，表示偏置项。

BiLSTM是从长短期记忆（LSTM）架构衍生出来的，并进行了进一步改进[35]。每个LSTM的更新计算在方程(10)–(12)中给出，相应的结构如图6b所示。其中，表示遗忘门，表示输入门，表示输出门，分别表示每个门的权重和偏置项，表示激活函数，表示时间步长t的输入，表示时间步长t的输出。

BiLSTM的更新过程在方程(13)–(15)中给出，其结构如图6c所示。其中，和表示神经网络运算，和分别表示前向和后向的计算权重，表示偏置项。

4.2 注意力机制
注意力机制本质上是一种选择性处理策略。当计算资源有限时，它会根据信息的重要性对其进行过滤和加权，使模型能够将更多的计算资源分配给对任务贡献较大的组件[36]。其原理与人类的注意力行为一致。在复杂的信息环境中，人们倾向于首先关注关键线索，而较低优先级地处理不太相关的内容[37,38]。在这项研究中，提取的特征经过双向时间分析后，被输入到注意力层，注意力机制根据不同时间步长的历史速度数据的重要性分配不同的权重。

其公式在方程(16)中给出，相应的结构如图6d所示。其中，表示输入到注意力层的信号，表示分配给每个输入的权重。

5. 基于RFO的多目标MPC优化
5.1 RFO算法概述
Rüppell’s Fox Optimizer (RFO)是由Malik Braik等人[39]在2025年提出的，是一种基于自然种群的元启发式方法，通过模拟Rüppell狐狸的主要日间和夜间觅食活动来解决全局优化问题。原始的RFO使用均匀随机初始化来生成初始种群，如方程(17)所示。其中，表示维度中的个体初始值；和分别是维度中的上下界；是在中均匀分布的随机数。

该算法搜索最优解的策略在方程(18)和(19)中给出。其中，表示维度中个体的位置，表示维度中个体的最佳值，表示在第i次迭代中获得的全球最优值，和是在中的随机数，表示Floor函数。

当获得非最优解时，执行重新定位，如方程(20)所示。其中，表示围绕全局最佳位置的旋转重新定位位置，设置为，表示中的-维随机向量，取值为1或-1，是在中的随机数。

当未找到最优解时，执行深度搜索，如方程(21)所示。

5.2 多目标MPC优化
在这项研究中，RFO算法被用作多目标MPC最优控制策略的求解器，以发动机输出速度和输出扭矩作为优化变量。在参数设置中，种群大小选为30，最大迭代次数限制为10。策略中采用的多目标函数在方程(22)中给出。其中，表示发动机燃油消耗；表示电池功率；表示燃料的低位热值；和分别是燃油消耗、电力等效燃油消耗和SOC偏差的权重因子，其值分别为2.4、3.4和30,000。

这项研究中的多目标优化过程可以总结如下：
步骤1：确定优化变量的界限，并将SOC参考轨迹和SCBA预测的速度输入到MPC求解器中。
步骤2：设置RFO参数并初始化种群。需要注意的是，为了公平比较优化性能，种群大小、最大迭代次数和最大运行次数分别统一设置为30、10和5，对于RFO和DBO都是如此。
步骤3：通过RFO的迭代搜索，获得每组候选解，即发动机输出速度和输出扭矩。然后，根据车辆模型计算每个候选解决方案的多目标函数值并评估其适应性。
步骤4：重复上述步骤，直到满足终止条件，并输出最优解。

多目标优化过程如图7所示。图7. 多目标优化过程。以电池SOC作为系统状态变量，发动机输出速度和扭矩作为控制输入，所得的状态转换方程在方程(23)–(25)中给出。在解决多目标优化问题的最优控制序列时，还必须满足方程(26)中的控制约束。其中，和分别表示扭矩和转速；、、和分别标记牵引电机、发电机和发动机；和分别表示最小值和最大值，其中和分别设置为0.58和0.62；表示动力电池电流。

6. 结果与分析
用于训练SCBA神经网络和评估基于MPC的能量管理策略的仿真实验在配备Intel Core i5-12600KF和NVIDIA RTX 3050的计算机上进行，提出的SCBAR-MPC策略的有效性进一步通过硬件在环（HIL）测试得到验证。

6.1 速度预测结果
神经网络的性能与其超参数有关。在这项研究中，涉及的网络模型的超参数设置如表2所示。此外，在双层卷积网络中，两个卷积层的核大小都设置为2，步长为1，激活函数采用ReLU。池化层执行最大池化，池大小为2，步长为1。注意力层中的关键数量设置为108。为了减轻训练过程中的过拟合，每个模型的全连接层之前引入了一个dropout层，dropout率一致设置为0.2。同时，所有三个模型的批量大小都采用128，网络参数使用Adam优化器进行更新。

表2. 不同模型的超参数设置。为了提高所提出的神经网络车辆速度预测模型对不同驾驶循环的适应性，训练集整合了五个标准循环：UDDS、ArtUrban、HWFET、ArtRoad和ArtMw150，涵盖了从低速到中高速和高速的驾驶段落。对于神经网络预测模型，预测准确性取决于输入信息的丰富程度；然而，过度的输入也会导致网络过于复杂。因此，本研究使用当前时间过去10秒的车辆速度作为网络输入，来预测接下来5秒的车辆速度，并选择WLTC循环作为测试循环。训练集和测试集的速度时间序列分别如图8所示。图8. (a) 训练数据集；(b) 测试数据集。为了展示堆叠式CNN和注意力机制在提高预测性能方面的有效性，建立了三个比较模型：基线BiLSTM、BiLSTM–Attention和改进的SCBA网络模型。相应的训练损失函数和预测轨迹分别如图9和图10所示。从图10可以看出，SCBA模型表现出最佳的预测性能。在低速到中速的驾驶条件下，BiLSTM和BiLSTM–Attention在预测速度和实际速度之间存在明显的偏差，特别是在加速和减速转换时的速度转折点，这一点通过图10中的红色框表示，并在图11中进一步放大。这些网络无法充分捕捉这些局部突变，因此倾向于跟随现有趋势，导致预测性能较差。然而，通过逐步加入注意力机制和堆叠式CNN，预测性能显著提高。预测速度能够紧密跟踪实际速度的变化趋势，同时在预测范围内保持良好的平滑性和一致性。均方根误差（RMSE）可以直观反映预测性能。图12展示了三种神经网络预测模型在预测范围内的瞬时RMSE。如图所示，加入堆叠式CNN和注意力机制后，RMSE显著降低。最大瞬时误差从15.87 km/h降至8.55 km/h，减少了46.12%。同时，在时间序列预测中，由于特征之间的时间相关性，预测误差趋于累积，导致预测范围末端的偏差较大。

表3列出了三种预测模型的五个输出的RMSE值，图13是其条形图。如图13所示，与BiLSTM模型相比，SCBA模型的RMSE显著降低。特别是第五时间步长的预测RMSE减少了62.6%，图14中的回归曲线显示了明显改善的拟合度。总之，结合堆叠式CNN和注意力机制显著提高了BiLSTM模型的性能。所提出的SCBA网络大大提高了车辆速度预测的准确性，可以作为后续能量管理策略的预测模块。

图9. 训练损失函数：(a) BiLSTM；(b) BiLSTM–Attention；(c) SCBA。
图10. 车辆速度预测曲线：(a) BiLSTM；(b) BiLSTM–Attention；(c) SCBA。
图11. 放大的局部视图：(a) BiLSTM；(b) BiLSTM–Attention；(c) SCBA。
图12. 瞬时RMSE比较图。
表3. 车辆速度预测RMSE。
图13. 五个时间步长下的RMSE。
图14. 回归线：(a) BiLSTM；(b) BiLSTM–Attention；(c) SCBA。

6.2 能量管理结果
6.2.1 电池电量状态
为了验证所提出的算法在解决多目标MPC最优控制问题中的有效性，建立了基于全局驾驶循环信息的DP策略、使用DP解决的MPC策略和基于DBO的MPC策略进行比较。如图15所示，所有四种能量管理策略的初始电池SOC都设置为60%。经过一个WLTC循环后，DP策略显示出最大的SOC下降，而DP-MPC策略保留了最高的剩余SOC。最终SOC值从高到低分别为60.84%、60.18%、60.17%和60.01%。从SOC轨迹曲线可以看出，在低速到中速阶段，DBO-MPC和提出的RFO-MPC策略显示出更大的SOC下降，表明在频繁加速和减速的低速段中增加了电驱动的参与度。在循环结束时的高速段，它们的SOC略高于DP策略。总体而言，这两种策略表现出早期释放和晚期回收的SOC模式，使整个驾驶循环中的能量分配更符合发动机-电机系统的综合效率工作区域。然而，提出的RFO-MPC策略在早期阶段的SOC下降幅度较小，减少了电池的放电深度。在中高速范围内，所提出的策略能够更有效地利用发动机的高效率工作窗口进行SOC补充，从而获得了比DBO-MPC策略更高的SOC水平。图15. 不同策略下的SOC曲线。6.2.2. 燃油经济性分析如图16所示，展示了四种策略下的发动机工作点分布。其中，DP-MPC的工作点分布最广，而提出的RFO-MPC策略的工作点分布较为集中，与DBO-MPC相似，也与DP策略相似。当将扭矩低于50 N·m的发动机工作区域视为高油耗区域时，DP、DP-MPC、DBO-MPC和RFO-MPC策略下该区域的工作点数量分别为26、27、27和32个，这些数量大致相当。四种策略下的发动机工作点总数分别为418、444、357和372个。这表明RFO-MPC策略能够有效减少发动机的启动和停止次数，并抑制低负载、低效率的运行。当将图16中等效油耗等值线（243.9 g/kWh）所围成的区域视为最佳燃油经济性区域时，DP、DP-MPC、DBO-MPC和RFO-MPC策略下该区域内的工作点比例分别为68.42%、48.2%、67.79%和63.17%。RFO-MPC策略下的比例接近DP策略，明显高于DP-MPC，说明所提出的策略能够在保证可行性的同时将工作点限制在高效率区域内。基于WLTC循环下四种策略的累积油耗分析，DP、DP-MPC、DBO-MPC和RFO-MPC的百公里油耗分别为2.3329 L、2.5468 L、2.5203 L和2.4041 L。在提出的RFO-MPC策略下，百公里油耗仅比DP策略高2.96%，比DP-MPC低5.6%，这证明了基于RFO的全局优化算法在解决MPC优化问题方面的有效性。四种策略的油耗对比总结在表4中。图16. 不同策略下的发动机工作点图。表4. 燃油消耗对比。如图17所示，展示了四种策略下发动机扭矩随时间的变化情况。比较分析表明，DP-MPC策略产生的发动机峰值扭矩最高，而DP策略产生的扭矩曲线最为平滑。DBO-MPC和RFO-MPC的扭矩水平接近DP策略。在循环的前600秒内，DBO-MPC和RFO-MPC基本上没有利用发动机进行推进。在循环的前800秒内，DP-MPC下的发动机扭矩远高于其他三种策略。从800秒到循环结束，四种策略的扭矩水平基本一致。然而，与DBO-MPC策略相比，RFO-MPC策略降低了扭矩水平。结合上述发动机工作点分布，所提出的策略使发动机更频繁地在低油耗区域内运行，从而进一步降低了油耗。图17. 不同策略下的发动机扭矩。6.2.3. 电动机功率分析图18比较了四种策略下牵引电机和发电机的功率曲线。它们的牵引电机功率曲线总体一致。然而，RFO-MPC策略下的牵引电机功率低于DP-MPC策略，说明该策略通过更合理的发动机运行方式在高功率需求条件下降低了电机负载。同时，RFO-MPC策略下的发电机峰值功率也明显低于DP-MPC和DBO-MPC策略，表明在再生和充电阶段功率分配更为适中，从而降低了电池的瞬时功率。此外，在循环结束时，所提出的RFO-MPC策略使得两种电机的功率曲线更加平滑。图18. 不同策略下的电动机功率曲线：(a) 牵引电机；(b) 发电机。6.3. 算法迭代分析为了更清晰地说明算法的迭代性能，详细分析了驾驶循环中四个不同时间点的多目标优化过程。相应的迭代曲线显示在图19中。可以看出，在所有选定的时间点上，RFO在目标函数值上的降低幅度均大于DBO，并且收敛到了更好的最终解，表明其在获得更理想的控制序列方面的优越能力。表5总结了四个不同时间点获得的最佳多目标值，并进一步将其分解为不同优化项的贡献。结果表明，多目标函数中的权重因子有效地将与油耗、电池能耗和SOC波动相关的成本映射到了一个可比较的尺度上，从而使优化算法能够根据这些值选择最佳控制序列。图20进一步比较了三种策略的计算时间，包括DP-MPC、DBO-MPC和RFO-MPC。其中，DP-MPC的计算时间最短，其次是RFO-MPC，而DBO-MPC需要的时间最长。三种策略的平均计算时间分别为0.2939秒、0.8388秒和1.1558秒。值得注意的是，RFO-MPC的平均计算时间小于1秒，显示出其实时应用的潜力。图19. 不同时间点的迭代曲线：(a) 863秒；(b) 1160秒；(c) 1300秒；(d) 1576秒。表5. 最优多目标值对比。图20. 计算时间比较：(a) DP-MPC；(b) DBO-MPC；(c) RFO-MPC。6.4. 硬件在环测试如图21所示，建立了一个HIL测试平台来验证在现有测试设备条件下的能源管理策略，主要包括：(1) 主机计算机；(2) 车辆控制单元；(3) 电源；(4) NI PXI实时目标；(5) CAN接口卡。主要测试过程如下：控制策略模型和车辆模型分别部署到车辆控制单元和NI实时目标；通过CAN总线和以太网连接实现信息交换和控制；并在VeriStand中监控实时信号以验证策略。图21. HIL测试平台。如图22所示，展示了实际车辆速度与HIL车辆速度的对比。从图中可以看出，HIL车辆速度很好地跟踪了实际车辆速度。在循环的390秒到450秒期间，HIL车辆速度与实际车辆速度之间的差异保持在合理范围内，仅有较小的误差。因此，所提出的RFO-MPC能源管理策略通过HIL测试得到了验证。图22. HIL测试中的速度曲线。7. 结论为了解决车辆速度预测中局部急剧速度变化的不足，本研究在双向长短期记忆网络中加入了双层堆叠卷积模块和注意力机制，从而开发了Stacked–CNN–BiLSTM–Attention速度预测模型。结果，预测速度能够准确捕捉并跟随快速加速和减速切换时刻的变化趋势，降低了均方根误差。此外，引入了一种新颖的全局优化算法RFO来解决多目标MPC优化任务，并将其与上述网络结合，形成了SCBA-RFO-MPC能源管理策略。在WLTC循环下，该策略的燃油经济性达到了DP策略的97.04%，比DP-MPC提高了5.6%，显示出显著的节油效果。最后，该策略通过硬件在环测试得到了验证。在未来的工作中，可以将更多与速度相关的特征（包括历史平均速度、历史最高速度以及当前时间步长的驾驶模式）纳入预测模型中，以提高预测精度。此外，在考虑SOC波动的多目标优化框架内，整合电池老化模型可以更严格地量化车辆使用的总体成本，从而进一步提高所提出的能源管理策略的节能效果。