为提升燃料电池混合动力汽车在短程驾驶过程中的燃油经济性，文章构建了一种基于混合深度神经网络的车速预测模型VBS-Net。该模型不仅进一步改良了基于VGG-Net结构的卷积网络，还引入了双向长短期记忆神经网络，对整个车速预测序列的时空依赖关系进行有效学习。同时考虑预测时域和输入序列长度对短程车速预测精度的影响，利用贝叶斯优化超参数进一步提升VBS-Net的预测精度。为解决能量管理策略的在线优化和计算效率问题，设计了一种基于多目标优化的模型预测控制（MPC）能量管理策略。该策略可以实现对氢气消耗、锂电池充电状态（SOC）维持、燃料电池使用效率三者的平衡优化。最后在3种实车工况下，将所提策略与基于规则的策略相比，燃油经济性分别提升了7.25%,9.94%和19.23%，且有更好的SOC维持特性。

国家自然科学基金（52075316）；上海市地方院校能力建设项目（23010501400）；

0引言
1燃料电池混合动力汽车系统建模
1.1燃料电池效率模型
1.2锂电池模型
2车速预测
2.1 STL法
2.2混合深度学习网络的构建
2.3贝叶斯优化超参数
2.4评价指标
3基于模型预测控制的能量管理策略
4仿真与结果
4.1 VBS-Net的预测精度分析
4.1.1不同神经网络预测结果分析
4.1.2超参数优化算法的对比分析
4.2不同控制策略优化结果分析
5结论

[1]何宋杰,吕学勤.基于混合深度神经网络的燃料电池混合动力汽车能量管理优化研究[J].可再生能源,2024,42(08):1127-1136.