预测性热管理（导航/云端/驾驶意图协同）

课程大纲

• 能说清预测性热管理相对纯反馈控制解决的是哪类滞后问题，以及为什么反馈来不及
• 能列出可用的预测数据源并判断各自的延迟与可靠性，且显式区分两类意图输入——路径意图（行程级：导航、云端环境、车队历史、日历行程，分钟到小时尺度）与负荷意图（秒级：踏板开度及变化率、纵向加速度、连续大功率时长、驾驶模式档位，几十秒尺度）
• 能设计一个预处理触发逻辑，根据 ETA 反推预热/预冷启动时刻
• 能把预测模块接入现有前馈-反馈控制架构，设定合理的前馈置信度权重（只调制前馈出力，不削弱反馈通道权限）
• 能给两类预测失效分别设计安全的降级方案：一类是数据缺失、通信中断、大幅偏差（有迹可循的 E/E 失效），另一类是数据齐全、规格正确而结果仍不合理的能力不足（无故障码，归 SOTIF）

1. 为什么需要预测：三层滞后与快充时间窗口
   • 「响应慢」要分三层说，别把执行器自身动态与被控热质量的惯性混为一谈：①执行器动态（压缩机转速闭环、PTC 电功率、泵/风扇转速）亚秒到秒级；②回路输运纯滞后与换热器、水路自身热容（τ_transport = V_pipe/V̇，死区构成与量级见 B2-02）秒到几十秒级；③被控对象热惯性 τ = m·c_p/(UA)（电池包、冷却液回路、座舱）分钟到十分钟级。真正让反馈来不及的是第三层，本课 t_precon 反推式算的正是它；第二层也不能丢，反推提前量时要作为死区计进去。各部件的 τ 只给量级、不排固定次序：座舱的分母还含通风换气项 τ =(m·c_p)_eff/(UA + ṁ_air·c_p)（见 B1-04），功率电子结温的时间常数更在秒级以下
   • 快充前电池预热是最典型的'时间窗口'场景，但不是「插枪后就来不及」：插枪后仍可加热，只是加热与充电共享桩的功率预算（P_charge + P_heat ≤ P_pile_max，定量对照见 D3-04），代价是总充电时长被拉长；到桩前预热等于把这段加热搬到行车段、用包里的电换充电时长，划不划算随环境温度、桩功率与目标 SOC 反转——本课 ΔSOC_precon 式算的就是这笔账
   • 纯反馈控制的本质局限：只有偏差出现之后才动作，无法'抢跑'
   • 预测不是取代反馈，是给反馈加一个前瞻的初始条件
2. 行程级预测输入：导航、云端气象与历史数据的延迟与可信度
   • 导航路径数据：坡度、限速、拥堵预测——推算行驶功率与舱内热负荷走势
   • 云端环境数据：目的地天气、环境温度预报——注意 Q_route 是逐段累加的，T_amb 的偏置不会互相抵消而是线性累积，所以这一路输入必须用经过合理性检查与多源一致性判定后的外温（范围/速率/交叉一致性方法见 K1-01），不能拿原始读数直接进算式；另须分清两件事：本课用云端气象是「作预测输入」，用云端值反过来裁决车端外温读数可不可信是另一回事，本课不承担后者
   • 车队/个人历史数据：常去地点、用车习惯、日历行程
   • 各数据源的延迟、更新频率、可信度差异很大，不能同等对待
3. 秒级负荷意图：从驾驶行为特征到场景标志位
   • 驾驶意图要按时间尺度分两层，不能混算：①【行程级意图】踏板/转向/历史驾驶风格、常去地点与日历，判断'是否真的要走这条路'，用途限定为校验导航路线可信度，技术路线与准确率-覆盖率权衡跨引 N6-01，更新以分钟到小时计；②【秒级负荷意图】特征取踏板开度及其变化率、纵向加速度、能量回收强度在滚动窗口内的统计量（窗口长度按执行部件时间常数 τ 反推，不拍整数，判据引 B4-04），另并入两路独立信号——驾驶模式/驾驶风格档位（运动/赛道/拖挂，属驾驶员显式声明，零推断成本、置信度最高，应单列而不与踏板特征混算）与连续大功率时长（滚动窗口内功率超阈值的累计时长，是「已经在高负荷」与「即将高负荷」之间的桥接量），输出是「下一分钟要吃多少功率」的短时前馈量，供电驱/电池预见性预冷使用（下游接口见 E2-05）
   • ★ **把驾驶工况统计量落成场景标志位**（承 K3-15 并课，2026-07-30）：本讲已有驾驶模式/风格档位（运动/赛道/拖挂）、连续大功率时长、能量回收强度滚动窗口，缺的是把它们**落成可被热管理消费的标志位**——① 拖挂爬坡＝坡度 × 车重估计 × 持续功率；② 长下坡回收＝坡度 × 回收功率。两者都要带进入/退出门限与最小驻留（防抖）。持续功率的判据挂 F5-01/P1-02；标志位命名/编号规则与互斥并存矩阵见 K3-13，本讲只负责「这个场景现在成不成立」。
4. 预处理触发逻辑：ETA 反推、收益代价上限与退出条件
   • 路段热负荷分段累计估算（不追求精确瞬时值，够用即可）；预冷的收益同样要落到数字、不许停在定性说法：预冷把冷却液入口温度 T_coolant,in 压低 → 允许温升 ΔT_allow = T_class − T_coolant,in 抬高 → 按 τ_th = (m·c)/(h·A) 折算峰值功率可持续时长的延长量，收益就用「峰值时长包络延长了几秒」度量（换算关系与量级感承接 E1-05）
   • 按 ETA 反推预处理启动时刻：给定加热/制冷功率和目标温升，倒推'现在要不要开始'；秒级负荷意图触发的预冷共用同一算式骨架，只是输入源换成负荷意图而非到达时刻——提前量 = 目标 ΔT 除以当前工况下可用的降温速率。负荷意图确认后可提前做的四件事：压低电驱回路目标水温（必要时让 chiller 介入电驱回路）、提前提泵速、提前开 AGS/风扇、必要时把电池温度也一并压低。两条触发路径给出的动作冲突时按本课置信度权重 w 加权，不做硬切换
   • 预测错误导致的能耗浪费要有上限约束，不能'为了预测而预测'：判据沿用 B4-04 的 E_precon < ΔE_saved 形式，不另起一套。负荷意图误判的代价有两类具体形态——白耗电（预冷做了而高负荷没兑现）与 NVH（泵/风扇提前拉高，低负荷下噪声突兀），两类各自设上限；退出条件也要写死：负荷意图消失后回到常规目标水温要限斜率，避免来回抽泵
   • 多目标之间的优先级：电池预热 vs 座舱预处理 vs 能耗预算冲突时怎么排
5. 接入前馈-反馈与 MPC 架构：置信度只调制前馈
   • 预测层（云端/域控）与执行层（热管理策略）的接口定义
   • 前馈量与反馈量的融合方式：加权、限幅，还是仅作为 MPC 的预测输入
   • 置信度加权：预测越不确定，越应该向保守/靠近反馈的方向收敛
   • 接入模型预测控制滚动优化框架时预测数据扮演什么角色（链 K3-06）
   • 与充电桩预约/超充网络的联动：提前知道'去哪个桩'才能精确反推
6. 失效降级与实车影子模式验证
   • 数据延迟、丢失、隐私合规（导航/驾驶行为数据的采集边界）
   • 降级策略要按失效性质分两条路，不能只写一条：①有迹可循的 E/E 失效——网络断开、报文超时、传感器失效，走进入安全状态与平滑退回纯反馈；②无故障码的能力不足——导航数据失准、ETA 大幅偏移、驾驶意图误判、模型被外推到标定范围之外，这类先要声明预测输入的可信域（ODD/输入域）与置信度失效判据，并显式收进第二类场景：数据齐全、规格正确、结果仍不合理（未设目的地时预热误触发、导航路径合法而用户根本不去），每一类退回哪条规则策略事先写死。这类危害触发条件的系统性识别与场景验收准则见 K2-05，本课只负责降级实现，不负责论证充分性
   • 实车验证方式：影子模式先跑、看预测误差分布，再决定是否真正接管执行

• 把预测值当成确定值直接前馈执行，导航/云端数据本身有延迟和误差，没做置信度加权或异常识别，预测一错控制跟着错
• 只做预测不做降级：网络断线或导航数据缺失时整套逻辑瘫痪，应该有'退回纯反馈'的兜底路径
• 预处理本身耗的电没算进能耗账，实测出来的'节能'其实是预热多花的电，甚至更费电
• 把单车历史当'驾驶意图'的全部依据，忽视同一用户不同天/不同场景的差异，本质是过拟合历史习惯
• 预测收益只在仿真里验证过就上量产，没做实车影子模式，不知道真实路况下预测误差的分布有多大
• 只防『数据没了』，不防『数据全在但结论离谱』——未设目的地时预热误触发、导航路径合法而用户根本不去，这类无故障码的能力不足才是 SOTIF 的主战场，缺了可信域声明就没有判据把它挡下来
• 把置信度权重同时压到反馈通道上（凸组合式融合）：越信预测、反馈权限越小，w→1 时反馈归零退化为开环，正好在预测最可能出错时把兜底拿掉

需求区 · 想听众筹

想听/点名均为需求登记，不涉及任何付款（意向金仅登记不收款）。满 5 人点名 → 自动向平台专家发邀约。