插电式混合动力电动汽车(PHEV)与仅使用燃气的汽车相比，可以减少燃料消耗和温室气体排放。加州大学河滨分校Bourns工程学院的研究人员将该技术向前推进了一步，展示了如何将现有PHEV的效率提高近12%。

由于插电式混合动力车将燃气或柴油发动机与电动机和大型可充电电池相结合，因此关键部件是能量管理系统(EMS)，它可以控制何时从“全电动”模式切换，在此期间，电池储存的能量为用于'混合'模式，利用燃料和电力。随着新的EMS设备的开发，一个重要的考虑因素是以最节能的方式组合来自两个源的功率流。

虽然并非所有插电式混合动力车都以相同的方式工作，但大多数都采用全电动模式，电力运行直到电池组耗尽，然后切换到混合动力模式。这种EMS策略称为二进制模式控制，易于应用，但不是组合两种电源的最有效方法。在实验室测试中，混合放电策略，其中整个行程中使用电池的电力，已被证明在最小化燃料消耗和排放方面更有效，但直到现在它们还不是现实世界应用的现实选择，该研究的负责人是Bourns工程学院环境研究与技术中心(CE-CERT)的研究生薛学伟说。Qi正与CE-CERT主任Matthew Barth合作，他是电气和计算机工程教授。

“混合排放策略具有非常节能的能力，但之前提出的那些需要关于旅行性质，道路状况和交通信息的前期知识，这实际上几乎不可能提供，”齐说。

虽然UCR EMS确实需要与旅行相关的信息，但它还使用板载传感器和通信设备实时收集数据，而不是预先要求它。它是最早基于称为强化学习(RL)的机器学习技术的系统之一，并于2016年2月5日在线发表在“ 运输研究记录 ”杂志上。

在南加州20英里通勤的基于比较的测试中，UCR EMS的表现优于目前可用的二元模式系统，平均节省燃料11.9%。Qi说，更好的是，系统使用的越多越聪明，不是模型或驱动程序特定的，这意味着它可以应用于任何个人驱动的任何PHEV。

“在我们的强化学习系统中，车辆根据历史数据学习所需的一切能源效率。随着更多数据的收集和评估，系统变得更好地做出能够节省能源的决策，”Qi说。

Qi说，研究的下一阶段将侧重于创建一个基于云的网络，使PHEV能够一起工作，以获得更好的结果。

“我们目前的研究结果表明，个别车辆可以从他们的历史驾驶行为中学习如何以节能的方式运作。下一步是将建议的模式扩展到基于云的车辆网络，车辆不仅可以向他们自己学习他说，这将使他们能够以更少的燃料运行，并对温室气体和其他释放的污染物产生巨大影响。