3月22日，北京理工大学机械与车辆学院孙逢春院士与何洪文教授团队在国际顶级期刊《自然·通讯》（Nature Communications）发表研究成果。该团队发表的题为《大规模数据驱动的电动汽车能量管理》（Data-driven energy management for electric vehicles using offline reinforcement learning）论文，突破传统由专业工程师设计控制策略的固有模式，通过利用电动汽车监测与管理系统采集的大规模运行数据，构建具备自主学习和持续进化能力的智能能量管理系统，为电动汽车大数据应用与控制系统开发提供了创新解决方案。

在“双碳”战略目标持续推进和新能源汽车快速普及的背景下，电动汽车能量管理技术已成为提升车辆续航里程和系统寿命的关键技术。然而，传统方法严重依赖人工规则设计和高精度仿真模型，导致开发周期较长、成本较高，且难以适应真实道路的复杂工况。针对这一技术难题，研究团队提出了基于大规模数据驱动的电动汽车能量管理方法。该方法采用"数据驱动+智能学习"的技术路线，能量管理智能体能够直接从数据中学习最优控制策略，不仅摆脱了对专家经验设计控制策略的依赖，也无需建立高精度车辆仿真模型用于策略训练，显著优化了策略开发流程。且该方法不依赖数据质量，既可以从次优数据中学习近似最优策略，还能在随机数据条件下优化控制策略。

研究团队通过自主研发数据增强的电动汽车数字模型，实现了电动汽车监测与管理系统真实运行数据与仿真模型数据的结合，成功构建了覆盖多种运行工况、包含高维多源数据特征的大规模电动汽车数据集。提出了融合行为克隆与判别器混合正则化项的离线强化学习方法，解决了策略学习中存在的分布偏移问题，既能保持策略学习的有效约束，又能实现性能优化。基于实车运行数据的学习验证，该方法在燃料电池电动汽车上实现了能耗水平和系统寿命的双重提升，并具备持续自我进化能力，仅经过两次数据学习，性能就从初始的88%最优性提升至98.6%。此外，该方法展现出良好的兼容性，能够无缝集成到现有基于规则或其他方法的能量管理系统中。

基于大规模数据驱动的电动汽车能量管理方法整体技术路线

能量管理策略持续进化的实验结果

注：该研究由孙逢春院士团队独立完成，何洪文教授为本文通讯作者，机械与车辆学院博士研究生王勇为第一作者，魏中宝教授和吴京达副教授也为本项研究作出了重要贡献。