Resumen

La predicción precisa de la información futura de los vehículos puede mejorar la eficiencia de control de los vehículos eléctricos híbridos. En la actualidad, la mayoría de los modelos de predicción utilizan información previa de los vehículos para predecir la velocidad de conducción futura, lo cual no puede reflejar el impacto del conductor y el entorno. En este documento, se propone una estrategia de gestión de energía (EMS) en tiempo real basada en MPC de impacto de acción del conductor para vehículos eléctricos híbridos en serie. El EMS propuesto consta de dos módulos: el módulo de predicción de velocidad y el módulo de MPC en tiempo real. En el módulo de predicción de velocidad, se adopta un modelo de red neuronal LSTM (memoria a corto y largo plazo), que está entrenado con los datos de tráfico derivados de un simulador de conducción basado en RV, para predecir la información futura de conducción utilizando la información de acción del conductor y la velocidad actual de los vehículos. La velocidad de conducción

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Predicción; Vehículos eléctricos híbridos; Estrategia de gestión de energía; Tiempo real; Predicción de velocidad; Modelo de red neuronal
• Keywords:Prediction; Hybrid electric vehicles; Energy management strategy; Real-time; Velocity prediction; Neural network model