【技术前沿】基于 NARX 元模型的模型预测控制：燃料电池车辆动力优化策略

一、为何车辆能量管理需要 MPC？ 

传统规则式控制策略仅能针对车辆当前状态被动响应；而 MPC 具备前瞻预测能力。在每个控制周期内，MPC 会短周期预测车辆未来运行状态，择优输出最优控制指令，精准满足车速跟随、能效最优、边界约束等多重目标。

二、基于 GT-SUITE 搭建 NARX 元模型

1、基础模型搭建

在 GT-SUITE 中搭建整车基础模型，包含车身、轮胎、车桥、差速器等核心结构，精准表征车辆纵向动力学特性，剔除动力系统冗余复杂度。

2、全工况试验设计（DOE）

覆盖全范围运行工况，结合瞬态驱动扭矩曲线、整车质量、道路坡度等变量，采集车辆动态速度响应数据，为模型训练提供完整数据集。

3、元模型训练与选优

借助 GT-SUITE 机器学习工具，批量训练多组候选元模型，择优筛选拟合度最优、误差最低的 NARX 模型。

4、模型逆向映射与封装

通过模型逆向映射，将 NARX 元模型转化为轻量化扭矩预估模块；输入实时车速、整车质量、道路坡度，即可快速输出目标车速对应的需求扭矩。

模型验证完成后，以FMU 功能样机单元格式导出，适配多平台联合仿真，兼容性与可移植性更强。

 

三、MPC 嵌入实现：Python+FMU 深度集成 GT-SUITE

为实现预测控制的实时落地，基于 NARX 元模型搭建 MPC 控制框架，构建连续闭环控制回路。通过 GT-SUITE 内置 Python 功能模块嵌入 FMU 模型，实现全流程联动：

• 实时采集扭矩、车速、海拔、位置等车辆状态参数； 

• 读取前瞻周期内目标车速与路况信息； 

• 调用 FMU 元模型，结合当前质量、坡度计算最优需求扭矩； 

• 扭矩指令转化为功率需求，下发至燃料电池系统。

GT-SUITE 整车模型可以按设定周期暂停运算、调用预测模块、更新控制指令后继续仿真运行，形成完整闭环。可实时预判道路负荷变化（尤其坡道工况），按需精准输出扭矩，规避低效动力瞬态波动。

四、案例验证：燃料电池卡车 MPC 控制实测

五、NARX+MPC 提升系统性能的核心优势

1. 高精度 + 轻量化

基于试验数据集训练的 NARX 元模型，精准捕捉车辆强非线性动力学特性，运算负载低，适配车载实时控制场景。 

2. 标准化通用接口

FMU 模块化封装，跨软件、跨平台快速集成复用，降低二次开发成本。 

3. 仿真与控制高度协同

元模型内嵌于 GT-SUITE 仿真环境，整车模型与控制策略逻辑统一，保障系统级仿真真实性。 

4. 延长燃料电池寿命

保证电堆在稳定区间工作，减少频繁变载冲击，降低运维成本，同步提升氢能利用效率。

六、落地实施：标准化实操流程

• 结合实际运营路线，完成工况、整车质量、坡度、瞬态扭矩的全维度试验设计； 

• 依托机器学习工具训练并验证 NARX 元模型，平衡模型精度与工况鲁棒性； 

• 导出 FMU 模块，通过 Python 脚本嵌入 GT-SUITE，搭建 MPC 前瞻控制逻辑； 

• 多工况对标测试，量化能耗、车速跟随误差、部件运行区间等核心指标，完成策略迭代优化

七、总结展望 

依托 NARX 元模型的预测扭矩控制技术，为商用燃料电池车辆赋予实时智能调控能力。用户工况实测验证，该方案可实现氢能降耗 5.6%，同时优化驾乘体验与整车运行稳定性。