北京理工大学机械与车辆学院孙逢春院士团队在《自然·通讯》发表重要研究成果，提出基于大规模数据驱动的电动汽车能量管理新方法。该方法利用电动汽车运行数据，构建自主学习的智能能量管理系统，突破了传统人工设计控制策略的模式，为电动汽车大数据应用提供了创新方案。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
面对“双碳”目标和新能源汽车普及的挑战，高效的能量管理技术至关重要。传统方法依赖人工规则和高精度仿真模型，开发成本高且难以适应复杂路况。而该团队提出的数据驱动方法，采用“数据驱动+智能学习”的路线，使智能体直接从数据中学习最优控制策略，无需专家经验或高精度仿真模型，显著简化了开发流程。 该方法对数据质量要求不高，可从次优数据中学习近似最优策略，并在随机数据条件下优化控制策略。
研究团队构建了覆盖多种运行工况的大规模数据集，并采用融合行为克隆和判别器混合正则化项的离线强化学习方法，解决了策略学习中的分布偏移问题，保证了策略学习的有效性和性能优化。实车验证表明，该方法在燃料电池电动汽车上实现了能耗和系统寿命的双重提升，并具备持续自我进化能力，仅需两次数据学习，性能即可从88%提升至98.6%。此外，该方法兼容性良好，可无缝集成到现有能量管理系统中。
该研究由孙逢春院士团队独立完成，何洪文教授为通讯作者，王勇为第一作者，魏中宝教授和吴京达副教授也做出了重要贡献。
