基于DBO-MPC的混合動力汽車能量管理策略

毛星宇，蒙艷玫，許恩永，趙德平，陳遠玲，劉鑫

摘要： 混合動力汽車（hybrid electrical vehicle，HEV）的能量管理策略直接決定了車輛的燃油經濟性、駕駛性能和壽命，為解決HEV能量管理策略的最優性與實時行駛工況不確定性之間的矛盾，以混聯式HEV為研究對象，提出一種基于模型預測控制（model predictive control，MPC）與蜣螂優化算法（dung beetle optimizer，DBO）的HEV能量管理策略。首先，該策略采用基于堆疊式長短時記憶神經網絡（stacked long-short term memory neural network，Stacked LSTM-NN）的車速預測模型預測未來行駛車速。其次，根據預測車速將混合動力汽車的功率分配問題描述為MPC預測范圍內的滾動優化問題，提出考慮燃料消耗和電池保護的成本函數，利用DBO算法對預測時域內發動機功率進行優化求解。最后，在城市道路循環（urban dynamometer driving schedule，UDDS）工況下分別對所提策略的車速預測精度和經濟性與其他策略進行仿真對比驗證。結果表明：與傳統LSTM速度預測模型相比，Stacked LSTM速度預測模型的RMSE降低了13.9%，每步平均預測時間減少1 ms；與基于規則的策略相比，基于DBO-MPC的策略模型節油率達到25.3%，同時SOC狀態波動更為平穩，對電池的保護效果更好。

關鍵詞： 混合動力汽車；能量管理；控制策略；車速預測

DOI： 10.3969/j.issn.1001-2222.2024.03.009

中圖分類號：U469.7文獻標志碼： B文章編號： 1001-2222（2024）03-0050-08

隨著全球汽車數量迅猛增長，環境污染和能源消耗問題變得日趨嚴重，各國對可持續發展和碳中和的重視程度也越來越高，對汽車進行結構性改革迫在眉睫［1］。在過去的幾十年里，人們對新能源汽車，尤其是混合動力汽車（HEV）進行了廣泛研究。混合動力汽車作為傳統燃油汽車向電動汽車（EV）轉變的過渡產物，其對二者的優勢進行了融合，既可以純電動行駛，減少排放，又能有效解決純電動帶來的續航里程焦慮問題。然而，混合動力汽車的多源動力系統引發了與能量管理相關的問題，這也成為了過去十年研究的焦點之一［2-6］。

目前，針對HEV能量管理策略（EMS）的研究主要分為基于規則的EMS和基于優化的EMS兩類。基于規則的EMS因其控制簡單且穩定，被引入插電式混合動力汽車以提高發動機效率［7］。但其對駕駛循環的適應性較差，并且由于設定目標單一，系統參數固定，難以達到最佳的整體性能。基于優化的EMS則以動態規劃算法（DP）［8］和龐特里亞金極小值原理（PMP）［9］為代表?；旌蟿恿ο到y的最佳能量管理問題實際上是一個多階段控制問題。相對于其他優化算法，DP算法更適合解決多階段決策的最優化問題［10］。在實際行駛過程中，基于全局優化的EMS雖然可以實現最優的整體性能，但其計算成本高，且需預知整個工況信息，導致其難以在線應用。而模型預測控制（MPC）通過在線預測車輛未來短期車速，將全局最優控制轉變為基于預測時域的局部最優控制，可以采用不同種類的優化算法以實現對預測時間窗口內的最優化問題的連續迭代求解，從而使MPC成為EMS的一種有效應用［11］。魏麗青等［12］提出了一種基于組合預測模型的速度預測模型，并以燃油經濟性最優為目標，建立基于MPC的控制策略，該策略顯著提高了車速預測精度與燃油經濟性。He等［13］提出了分層MPC-EMS與深度確定性策略梯度算法相結合的插電式混合動力公交車能量管理策略，通過上層控制器和下層MPC生成的SOC軌跡，再根據深度神經網絡的預測信息快速求解目標方程，有效降低了公交車的油耗。

為提高在線預測的精確性并減小HEV的燃料消耗，本研究結合模型預測控制和蜣螂優化算法（DBO），提出一種基于DBO-MPC的混合動力汽車能量管理策略。首先，采用基于Stacked LSTM的速度預測模型預測未來行駛車速；其次，根據預測車速將混合動力汽車的功率分配問題描述為MPC預測范圍內的滾動優化問題，提出考慮燃料消耗和電池保護的成本函數，利用DBO算法對預測時域內發動機功率進行優化求解，并使用UDDS工況數據對此策略進行仿真驗證。

1HEV動力模型建模

研究對象為混聯式HEV，其結構簡圖見圖1，由發動機、離合器、電池、電機、耦合機構、變速箱等組成。在混聯HEV的驅動系統中，發動機和兩個電機通過行星齒輪組連接，行星齒輪組由一個太陽齒輪、一個齒圈、一個行星齒輪架和幾個小齒輪組成。其中，主驅動電機MG1、發電機MG2、發動機分別與行星齒輪機構中的齒圈、太陽輪、行星架相連，耦合機構作為結構的核心部件，可以實現發動機轉速和扭矩的解耦以及發動機與兩臺電機的功率分配。整車及動力部件參數見表1。

1.1車輛縱向動力學模型

利用縱向力平衡方程式（1），能夠推導出運行過程中動力系統需要提供給車輛的驅動力。

Ft=Ff+Fw+Fi+Fj

Ff=Gfcosi

Fw=CDA21.15ua2

Fi=Gsini

Fj=δmdudt。（1）

式中：Ft為車輛所需驅動力；Ff為滾動阻力；Fw為空氣阻力；Fi為坡度阻力；Fj為加速阻力；G為車輛重力；f為滾動阻力系數；i為道路坡度；CD為空氣阻力系數；A為車輛迎風面積；ua2為車速；δ為車輛旋轉質量系數；m為車輛質量；du/dt為車輛行駛加速度。

1.2耦合機構模型

耦合機構是混合動力系統實現發動機轉速、扭矩與路載雙解耦的核心部件，各動力源部件與行星齒輪配合從而實現自動變速。在行星齒輪中，齒圈、太陽輪及行星架之間轉速和扭矩的關系［14-15］如下：

Rrωr+Rsωs=（Rr+Rs）ωp，（2）

Rr+RsRrTr=Tp=Rr+RsRsTs。（3）

式中：Rr為齒圈的半徑；Rs為太陽輪的半徑；ωr為齒圈角速度；ωs為太陽輪角速度；ωp為行星架角速度；Tr為齒圈扭矩；Ts為太陽輪扭矩；Tp為行星架扭矩。

1.3發動機模型

由于發動機在工作時具有顯著的非線性，難以建立準確的仿真模型，因此發動機油耗模型通過查表法建立，發動機MAP圖見圖2。燃油消耗量與扭矩、轉速、燃油消耗率的關系如下：

mfuel=f（ωice，Tice），（4）

Qfuel=Piceb367.1mfuelg。（5）

式中：mfuel為燃油消耗率；ωice為發動機轉速；Tice為發動機扭矩；Qfuel為燃油消耗量；Pice為發動機功率；b為燃油密度。

1.4電機模型

研究對象裝配有兩個電機，當電機作為驅動電機、發電機工作時，電機功率表達式如式（6）、式（7）所示，兩個電機的效率MAP圖分別見圖3和圖4。

Pm=ηmTmωm，（6）

Pg=ηgTgωg。（7）

式中：Pm，Tm，ωm和ηm分別為主驅動電機MG1的輸出電功率、輸出扭矩、轉速和工作效率；Pg，Tg，ωg和ηg分別為發電機MG2的發電功率、輸入扭矩、轉速和工作效率。

1.5動力電池模型

動力電池采用等效電路模型建模，見式（8）。

Pbatt=UbattIbatt

Ubatt=Ebatt－RbattIbatt

Ibatt=Ebatt－Ebatt2－4RbattPbatt2Rbatt

ΔSOC=∫IbattdtQbatt。（8）

式中：Pbatt，Ubatt，Ibatt分別為動力電池的輸出功率、開路電壓和回路電流；Ebatt為動力電池的電動勢；Rbatt為動力電池的內阻；Qbatt為動力電池的容量。

2MPC-DBO控制器設計

為實現汽車動力需求的最優分配，改善整車燃油經濟性和SOC穩定性，建立了基于DBO-MPC的HEV多目標控制策略，整車控制框架如圖5所示。采用Stacked LSTM算法對汽車的短期速度進行預測，并通過DBO算法對預測域內的數據點進行滾動優化，得到最優控制量。

整車控制框架具體流程如下：1）基于汽車的歷史速度數據，建立Stacked LSTM速度預測模型，預測汽車的速度。2）當汽車行駛到k時刻時，通過Stacked LSTM預測模型預測時刻［k，k+Lp］的速度。3）將預測車速輸入到整車控制器中，計算汽車的需求功率，構建燃料消耗和SOC波動最小化的目標函數。4）根據所設立的目標函數，使用DBO算法對預測時域p內的數據點進行尋優，以獲得滿足迭代要求后的發動機輸出功率最優序列｛u（k），u（k+1），…u（k+Lp）｝，再通過計算出的每個序列第一個最優控制變量u（k）更新狀態變量SOC，并作用于前文所建立的HEV模型中。5）車輛進入第k+1時刻，重復第k時刻的動作，直到行駛狀態結束。

2.1基于Stacked LSTM的速度預測

傳統RNN在記憶之前的長序列時很難給出準確的預測。因此，引入LSTM（long-short term memory） RNN架構［16］來解決傳統RNN的這一問題。LSTM架構在其隱藏層中有一個基本單元，稱為內存塊。 LSTM的內存塊有一個或多個內存單元，此外還有3個門（輸入門、輸出門和遺忘門）。根據LSTM架構，計算LSTM存儲單元隱層的運算（如圖6所示），并在每個時間步長t下更新，如式（9）所示：

ft=σ（WfhHt－1+WfxXt+bf）

it=σ（WihHt－1+WixXt+bi）

Ct′=tanh（WchHt－1+WcxXt+bc）

Ct=it⊙Ct′+ft⊙Ct－1

Ot=σ（WohHt－1+WoxXt+bo）

Ht=tanh［Ct］⊙Ot。（9）

式中：ft為 t 時刻的遺忘門，控制從上一時刻進入的狀態變量Ct－1中遺忘的信息數量；it為t時刻的輸入門，控制保存t時刻Ct′的信息數量；Ct′為t 時刻的候選狀態變量，實現選擇性通過信息的功能；Ct為t時刻 LSTM 內部的狀態變量；Ot為t時刻的輸出門，控制向外部狀態Ht輸出t時刻Ct的信息數量；σ為sigmoid 計算模塊；tanh為tanh計算模塊；Ht－1為t－1時刻的外部狀態變量；Ht為t時刻的外部狀態變量；W為各個門的權重；b為各個門的偏差；ε為Hadamard積，即兩個相同維度矩陣對應元素相乘產生另一個新的相同維度矩陣的運算。

在本研究提出的方法中，將構建一個Stacked LSTM模塊的深度網絡，用于預測未來車速。Stacked LSTM有以下兩個優勢：1）Stacked LSTM層使模型能夠在每個時間步從不同方面學習原始時間信號的特征；2）模型參數分布在模型的整個空間，不增加內存容量，使模型能夠加速收斂，細化原始數據的非線性運算。本研究中Stacked LSTM網絡主要由4個LSTM層組成，如圖7所示。首先，輸入層將窗口大小為L=10的一維序列作為輸入，再將其輸入饋送到Stacked LSTM網絡的第一個LSTM層，輸入層隱藏單元的大小等于輸入序列窗口的大小L。第一個LSTM層饋送到第二個LSTM層，依此類推，上一層的輸出即為下一層的輸入。4個LSTM層均有50個隱藏單元。最后，LSTM層饋入只有一個神經元的全連接層，輸出時間步長為10的預測車速序列，全連接層的激活函數為線性激活函數。采用均方根誤差（RMSE）作為此預測模型的損失函數：

R（k）=∑Li=1（vp（k+i）－v（k+i））2/L，（10）

R=∑Sk=1R（k）2/S。（11）

式中：v（k+i）為第k+i時刻的實際速度；vp（k+i）為k+i時刻的預測速度；R（k）為預測時域L在k時刻的均方根誤差；R為整個駕駛周期的均方根誤差。

2.2基于BDO算法的多目標優化

Jiankai Xue等［17］于2022年提出了一種新的群體智能優化算法——蜣螂優化算法（dung beetle optimizer，DBO），該算法同時兼顧全局搜索和局部開發，具備快速收斂和高精度求解的優勢。

DBO算法對蜣螂的滾球、跳舞、覓食、偷竊和繁殖行為進行模仿來搜索數值范圍內的最佳參數。其實現概述如下：1）設置最大迭代次數、蜣螂種群數量等參數，并在搜索空間中隨機初始化每只蜣螂個體的位置；2）每次迭代后，不同的蜣螂根據自己的更新規則更新自己的位置，比較所有蜣螂的適應值，記錄當前迭代時間下最優蜣螂的信息；3）重復上述步驟，直到滿足終止條件，輸出全局最優蜣螂個體信息。DBO算法流程圖見圖8。其各個行為的位置更新公式如下。

1） 滾球行為

滾球行為的更新公式如下：

xt+1i=xti－α×k×xt－1i+b×Δx

Δx=｜xti－xworst｜。（12）

式中：t為當前迭代次數；xti為第i只蜣螂在第t次迭代時的位置信息；k∈（0，0.2］表示撓度系數，為定值；b為屬于（0，1）的定值；α為自然系數，賦值為－1或1；xworst表示全局最差位置；Δx用于模擬光強的變化。

2） 跳舞行為

跳舞行為的更新公式如下：

xt+1i=xti+tan（θ∈［0，π］）｜xti－xt－1i｜。（13）

式中：｜xti－xt－1i｜為第i只蜣螂第t和t－1次迭代之間的差異。因此蜣螂位置的更新與當前和歷史信息密切相關。

3） 繁殖行為

繁殖行為的更新公式如下：

xt+1i=X*－b1×（xti－Lb*）+b2×（xti－Ub*）， （14）

Lb*=max（X*×（1－R），Lb）， （15）

Ub*=max（X*×（1+R），Ub）。（16）

式中：xti為第i個卵球在第t次迭代的位置信息；b1和b2為兩個獨立的大小為1×dim維的隨機向量；X*表示當前局部最優位置；Lb*和Ub*分別為產卵的下界和上界；R=1－tmaxiter，maxiter為最大迭代次數；Lb和Ub分別為優化問題的下界和上界。

4） 覓食行為

覓食行為的更新公式如下：

xt+1i=xti+C1×（xti－Lbb）+C2×（xti－Ubb），（17）

Lbb=max（Xb×（1－R），Lb），（18）

Ubb=max（Xb×（1+R），Ub）。（19）

式中：xti為第i個蜣螂在第t次迭代的位置信息；C1為服從正態分布的隨機數；C2為（0，1）范圍內的隨機向量；Xb表示全局最優位置；Lbb和Ubb分別為最佳覓食區域的下界和上界。

5） 偷竊行為

偷竊行為的更新公式如下：

xt+1i=Xb+S×g×（｜xti－X*｜+｜xti－Xb｜。（20）

式中：xti為第i個蜣螂小偷在第t次迭代的位置信息；g為大小為1×dim維的服從正態分布的隨機向量；S為常數。

將DBO算法嵌入到MPC模型控制器中，目的是對整車的燃料消耗和SOC穩定性兩個目標進行優化，并選擇發動機輸出功率為優化參數。采用DBO算法時，設定蜣螂種群數量為30只，算法最大迭代次數為100次，每個蜣螂都被視為給定搜索空間中的一個點和一個可行的解決方案，它根據自身的變化規律，不斷迭代更新自己的位置，減小目標函數的值。

系統的目標函數如式（21）所示：

J=∫tft0αmfuel+βPbat3 600+γ（SOCref－SOC）2dt。（21）

式中：α為燃料的成本價格；β為電價；γ為SOC懲罰因子［18-19］。

以電池SOC作為系統的狀態變量，發動機功率作為系統的控制變量，構造的狀態轉換方程如式（22）所示：

xk+1=f（xk，uk）

xk=SOC（k）

u（k）=Peng（k）。（22）

式中：xk為系統狀態變量；uk為系統控制變量。

最優控制應滿足以下約束條件：

0≤SOC（k）≤1

0≤neng（k）≤neng_max

Peng_min≤Peng（k）≤Peng_max

0≤Teng（neng（k））≤Teng_max（neng（k））

nmot_min≤nmot（k）≤nmot_max

Tmot_min（nmot（k））≤Tmot（nmot（k））≤

Tmot_max（nmot（k））

Ibat_max_char（k）≤Ibat（k）≤Ibat_max_disch（k）。（23）

式中：neng為發動機轉速；Peng為發動機功率；Teng為發動機扭矩；nmot為電機轉速；Tmot為電機扭矩；Ibat為動力電池電流。

3分析與討論

在Python環境下構建基于Stacked LSTM神經網絡的短期車速預測模型，并調用采集到的工況數據進行訓練和車速預測。此外，本研究也在Python環境下搭建MPC框架，該框架利用速度預測模型提供的實時預測車速進行仿真試驗。仿真試驗在一臺配備Intel（R） Core（TM） i5-10200H CPU @ 2.40 GHz處理器和16 GB運行內存的電腦上運行。

3.1速度預測模型有效性分析

針對車輛實際行駛環境復雜多變的特點，該模型的訓練集數據通過實際車輛在南寧道路工況下采集得到，包括擁堵路段、城區和高速公路等不同工況。經過降噪和數據處理后的訓練集如圖9所示，測試集則采用UDDS工況（如圖10所示）。為驗證基于Stacked LSTM速度預測模型的有效性，選取傳統LSTM速度預測模型與該模型進行對比試驗。兩個速度預測模型的預測時域范圍為10 s，從歷史車速數據集中選取當前時刻t前10 s的車速數據作為輸入。圖11示出兩個速度預測模型對UDDS工況的短期預測結果。圖12示出兩個速度預測模型的均方根誤差在預測時域的分布。由圖知，在一些速度突變的數據點，兩個模型的均方根誤差均有些偏高，這是因為速度預測模型主要通過歷史車速進行預測，當車速急劇變化時預測精度則會變低。但相對于傳統LSTM模型，Stacked LSTM算法學習能力提高，在一定程度上可以降低速度突變帶來的影響，并且可以看出，在整個駕駛工況中，Stacked LSTM速度預測模型的均方根誤差要比傳統LSTM速度預測模型低，經過計算，Stacked LSTM速度預測模型的均方根誤差為2.622 0 km/h，傳統LSTM速度預測模型的均方根誤差為3.044 2 km/h。同時，在實時性方面，Stacked LSTM速度預測模型每步平均預測時間為3 ms，而傳統LSTM速度預測模型為4 ms，滿足實時運行的要求。因此，Stacked LSTM速度預測模型對行駛工況的短期速度實時預測是有效的。

3.2整車經濟性分析

為了驗證所提出策略的優越性，建立了基于規則的模型和全局最優DP模型，并在基于速度預測模型所預測的實車工況車速下對三種策略進行比較。設定3種策略的SOC初始值均為0.55，仿真結果見圖13至圖16。由表2和圖14可知，基于規則的策略模型在整個行駛工況中發動機起動頻繁且輸出功率最大，油耗最高，100 km燃油消耗量達到4.667 5 L，與之相比，基于DBO-MPC的策略模型和基于DP的策略模型相對合理地使用動力電池提供需求功率，其發動機輸出功率較低且平穩，DP策略模型的發動機使用頻率相對較少，油耗最低，相比基于規則的策略節油率達到了30.6%，基于DBO-MPC策略模型節油效果也比較明顯，相比基于規則的策略節油率達到25.3%。電量消耗方面，由圖13可知，DP策略模型初始階段大量使用電池提供能量，電池電量消耗較快，充電后SOC狀態依然不夠穩定，且末期對電池大量充電也會對電池造成損耗；基于規則策略模型的電池大部分時間處于充電狀態，中期經歷連續放電，整個行駛周期電池SOC狀態波動較大。而基于DBO-MPC的策略模型SOC狀態全程較為穩定，避免連續或急速充放電對電池造成的損耗。

4結束語

提出了一種基于DBO-MPC的HEV能量管理策略。建立了基于Stacked LSTM的車速預測模型對未來車速進行短期預測，再以整車燃料消耗量最低與行駛過程電池SOC平衡為目標，采用DBO算法對預測時域內發動機的功率分配進行優化求解，得到最優控制序列。仿真結果表明：基于Stacked LSTM的車速預測模型比傳統LSTM預測模型的RMSE 降低了13.9%；基于DBO-MPC策略模型的燃油消耗量比基于規則策略模型節省了25.3%，SOC軌跡也更為平穩，驗證了所提策略的有效性。

參考文獻：

［1］LIAN R，PENG J，WU Y，et al.Rule-interposing deep reinforcement learning based energy management strategy for power-split hybrid electric vehicle［J/OL］.Energy，2020，197：117297.

［2］WANG B，XU J，CAO B，et al.A novel multimode hybrid energy storage system and its energy management strategy for electric vehicles［J/OL］.Journal of Power Sources，2015，281：432-443.

［3］ZHANG S，XIONG R，CAO J.Battery durability and longevity based power management for plug-in hybrid electric vehicle with hybrid energy storage system［J/OL］.Applied Energy，2016，179：316-328.

［4］CASTAINGS A，LHOMME W，TRIGUI R，et al.Comparison of energy management strategies of a battery/supercapacitors system for electric vehicle under real-time constraints［J/OL］.Applied Energy，2016，163：190-200.

［5］CHEN Z，XIA B，YOU C，et al.A novel energy management method for series plug-in hybrid electric vehicles［J/OL］.Applied Energy，2015，145：172-179.

［6］Dehghani N L，Mohammadi Darestani Y，Shafieezadeh A.Optimal Life-Cycle Resilience Enhancement of Aging Power Distribution Systems：A MINLP-Based Preventive Maintenance Planning［J/OL］.IEEE Access，2020，8：22324-22334.

［7］Banvait H，Anwar S，Chen Y.A rule-based energy management strategy for Plug-in Hybrid Electric Vehicle （PHEV）［C/OL］//2009 American Control Conference.St.Louis：［s.n.］，2009.

［8］顧琰浩，吳曉東，許敏.增程式電動車自適應工況辨識策略研究［J］．車用發動機，2021（1）：1-8.

［9］張新亮，周童.基于雙模式優化算法的并聯混合動力汽車能量管理策略研究［J］．車用發動機，2020（6）：48-52.

［10］韋超毅，吳雨輪，林長波，等.基于行駛工況識別的混合動力貨車能量管理策略［J］．陜西科技大學學報，2022，40（4）：158-164.

［11］張風奇，胡曉松，許康輝，等.混合動力汽車模型預測能量管理研究現狀與展望［J］．機械工程學報，2019，55（10）：86-108.

［12］魏麗青，萬幸.插電式混合動力汽車車速預測及能量管理策略［J］．車用發動機，2022（3）：69-75.

［13］HE H，HUANG R，MENG X，et al.A novel hierarchical predictive energy management strategy for plug-in hybrid electric bus combined with deep deterministic policy gradient［J/OL］.Journal of Energy Storage，2022，52：104787.

［14］ZENG X，CUI H，SONG D，et al.Jerk Analysis of a Power-Split Hybrid Electric Vehicle Based on a Data-Driven Vehicle Dynamics Model［J/OL］.Energies，2018，11（6）：1537.

［15］崔皓勇.混聯式兩檔AMT客車模式切換協調控制研究［D］．長春：吉林大學，2019.

［16］HOCHREITER S，SCHMIDHUBER J.Long Short-Term Memory［J/OL］.Neural Computation，1997，9（8）：1735-1780.

［17］XUE J，SHEN B.Dung beetle optimizer：a new meta-heuristic algorithm for global optimization［J］．The Journal of Supercomputing，2023，79（7）：7305-7336.

［18］霍志偉.基于預測控制的混聯式插電混合動力汽車能量管理策略研究［D］．重慶：重慶理工大學，2022.

［19］LI J，WU X，XU M，et al.A real-time optimization energy management of range extended electric vehicles for battery lifetime and energy consumption［J/OL］.Journal of Power Sources，2021，498：229939.

Energy Management Strategy of Hybrid Electric Vehicle Based on DBO-MPC

MAO Xingyu1，MENG Yanmei1，XU Enyong2，3，ZHAO Deping3，CHEN Yuanling1，LIU Xin1

（1.College of Mechanical Engineering，Guangxi University，Nanning530004，China;2.School of Mechanical Science and Engineering，Huazhong University of Science and Technology，Wuhan430074，China;3.Dongfeng Liuzhou Motor Co.，Ltd.，Liuzhou545005，China）

Abstract： The energy management strategy of hybrid electric vehicle（HEV） directly determines the fuel economy， driving performance and life of vehicle. In order to solve the contradiction between the optimal energy management strategy of HEV and the uncertainty of real-time driving conditions， the energy management strategy of HEV based on model predictive control（MPC） and Dung beetle optimizer（DBO） was proposed based on the research object of hybrid HEV. First， the strategy used the vehicle speed prediction model to predict future driving speed based on stacked long-short term memory neural network（Stacked LSTM-NN）. Then， according to the predicted vehicle speed， the power distribution problem of HEV was described as a rolling optimization problem within the MPC prediction range. Considering the cost function of fuel consumption and battery protection， the DBO algorithm was used to optimize the engine power in the forecast time domain. Finally， under urban dynamometer driving schedule（UDDS） conditions， the speed prediction accuracy and fuel economy of proposed strategy were simulated and compared with other strategies. Compared with the traditional LSTM speed prediction model， the RMSE of Stacked LSTM speed prediction model reduces by 13.9%， and the average prediction time of each step reduces by 1 ms. Compared with the rule-based strategy， the fuel saving rate of DBO-MPC strategy model reached 25.3%， and the SOC state is more stable and the battery protection effect is better.

Key words： hybrid electric vehicle;energy management;control strategy;vehicle speed prediction

［編輯： 袁曉燕］