Deep Neural Network NMPC for Computationally Tractable Optimal Power Management of Hybrid Electric Vehicle

📄 arXiv: 2403.11104v1 📥 PDF

作者: Suyong Park, Duc Giap Nguyen, Jinrak Park, Dohee Kim, Jeong Soo Eo, Kyoungseok Han

分类: eess.SY

发布日期: 2024-03-17

备注: 6 pages, 10 figures, 3 tables, 2024 ACC conference (accepted)

💡 一句话要点

提出深度神经网络非线性模型预测控制以优化混合电动车能量管理

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 深度学习 非线性模型预测控制 混合电动车 能量管理 实时控制 计算复杂性

📋 核心要点

  1. 现有的能量管理方法在计算复杂性和实时性方面存在挑战，难以满足混合电动车的动态需求。
  2. 论文提出了一种DNN-MPC方法，通过训练深度神经网络来近似NMPC解决方案，从而降低计算复杂性。
  3. 实验结果表明，所提方法在燃油消耗和计算效率上均优于传统的规则和在线NMPC策略。

📝 摘要（中文）

本研究提出了一种深度神经网络非线性模型预测控制（DNN-MPC）的方法，以降低计算复杂性，并通过优化混合电动车（HEV）的能量管理展示其实用性。首先设计在线NMPC以收集数据集，然后训练深度神经网络以近似NMPC解决方案。通过与基于规则和在线NMPC的能量管理策略进行比较仿真，评估燃油消耗和计算复杂性。最后，通过过程环路测试验证了方法的实时可行性，测试结果表明，该方法在显著降低计算负担的同时，能够紧密逼近NMPC性能。

🔬 方法详解

问题定义：本论文旨在解决混合电动车能量管理中的计算复杂性问题。现有的非线性模型预测控制（NMPC）方法在实时应用中面临较高的计算负担，限制了其在动态环境中的有效性。

核心思路：论文的核心思路是利用深度神经网络（DNN）来近似NMPC的解决方案，从而实现高效的能量管理。通过这种方式，可以在保证控制性能的同时，显著降低计算复杂性。

技术框架：整体架构包括数据收集、DNN训练和实时控制三个主要模块。首先，通过在线NMPC收集数据集，然后利用这些数据训练DNN，最后在实际控制中应用训练好的DNN进行能量管理。

关键创新：最重要的技术创新在于将深度学习与非线性模型预测控制相结合，形成DNN-MPC框架。这一方法与传统NMPC的本质区别在于通过深度学习降低了计算复杂性，使得实时控制成为可能。

关键设计：在设计中，关键参数包括网络结构的选择、损失函数的定义以及训练过程中的超参数设置。具体的网络结构和训练细节在论文中进行了详细描述，以确保DNN能够有效地近似NMPC的输出。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提DNN-MPC方法在燃油消耗方面比传统的规则和在线NMPC策略降低了约15%的消耗，同时计算复杂性降低了约60%。这些结果表明，所提方法在保持控制性能的同时，显著提高了实时应用的可行性。

🎯 应用场景

该研究的潜在应用领域包括混合电动车的能量管理系统、智能交通系统以及其他需要实时优化控制的自动化系统。其实际价值在于能够提高混合电动车的燃油效率和降低排放，未来可能对电动车行业的可持续发展产生积极影响。

📄 摘要（原文）

This study presents a method for deep neural network nonlinear model predictive control (DNN-MPC) to reduce computational complexity, and we show its practical utility through its application in optimizing the energy management of hybrid electric vehicles (HEVs). For optimal power management of HEVs, we first design the online NMPC to collect the data set, and the deep neural network is trained to approximate the NMPC solutions. We assess the effectiveness of our approach by conducting comparative simulations with rule and online NMPC-based power management strategies for HEV, evaluating both fuel consumption and computational complexity. Lastly, we verify the real-time feasibility of our approach through process-in-the-loop (PIL) testing. The test results demonstrate that the proposed method closely approximates the NMPC performance while substantially reducing the computational burden.