e power高速油耗的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

等效最小化策略應用於插電式油電混合動力系統之能源管理最佳化

為了解決e power高速油耗的問題，作者張哲瑋 這樣論述：

本研究針對插電式油電混合車使用等效最小化策略(Equivalent Consumption Minimization Strategy , ECMS)作為最佳化之控制策略，探討其與Rule-Based控制策略下之最終油耗數值比較。ECMS控制策略原理為將馬達及發電機所消耗之電能等效為燃油消耗，並加入引擎油耗合併計算，取其在該秒之最小值，且同時確保引擎操作於較佳工作區域之優點，達到優化油耗的目的。本研究採用THS (TOYOTA Hybrid System)油電混合動力系統，利用Matlab/Simulink建構出反向式(Backward)插電式油電混合動力車之車輛模型，配合Autonomie

軟體蒐集參考車輛之相關數據以進行參數設定，由於插電式油電車具有較大之電池容量，以供純電行駛之所需，因此車輛設計邏輯分為電量消耗及電量維持(CD/CS)兩階段，而行駛週期則根據美國法規FTP-75進行模擬分析。經由Rule-Based控制所得綜合油耗為50.7 (MPG-e)，ECMS所得綜合油耗為56.33 (MPG-e)，其改善幅度約為11.1%。總結為ECMS控制策略能使系統得到較優動力分配，以達到節省油耗之目的。(MPG-e等效油耗單位：一加侖汽油=33.7 kWh)

運用AI模式於柴油車實際道路駕駛NOx和CO2的排放預測-以梯度提升回歸、人工神經網路和混合型模型進行特徵值重要性分析

為了解決e power高速油耗的問題，作者文宏達 這樣論述：

本研究主要是建立以人工智慧(Artificial Intelligence, AI)模型來進行柴油車輛路上實際汙染排放預測的方法，做法是以攜帶型車輛汙染量測系統(Portable Emission Measurement System, PEMS)的實測數據來建模，數據來源是來自團隊的研究發表文章。由於PEMS系統所記錄的量測數據內容多達35項參數，雖然人工智慧技術能處理大量數據，但恐需花費較高的計算成本。因此，經分析這35項參數，發現其中影響氮氧化物(NOx)排放且具有高度相關性的有9項參數特徵值，而影響二氧化碳(CO2)排放，則有8項參數特徵值具高度相關性。為了對人工智慧 AI模型進行準

確、快速的預測，輸入特徵的選擇與模型的選擇一樣重要。本文研究了輸入特徵選擇對實際道路上行駛的輕型柴油車排放模型的影響。然後使用梯度提升回歸(Gradient Boosting Regression, GBR)模型訓練和預測市區場景、郊區和高速公路上實際駕駛柴油車輛的氮氧化物(NOx)、二氧化碳 (CO2)和燃料消耗量的排放。便攜式排放測量系統(Potable Emissions Measurement System, PEMS)系統用於收集車輛和環境條件的數據。車輛在兩條路線上行駛。該模型使用第一條路線數據進行訓練，並用於預測第二條路線的排放。有10個特徵(原來9個特徵值再加上需另外計算的加速

度)與NOx模型相關，9 個特徵(原來8個特徵再加上需另外計算的加速度)與CO2模型相關。對每個特徵的重要性進行排序，並使用不同數量的特徵作為輸入來訓練模型。最佳NOx模型在每種駕駛模式（市區、郊區和高速公路）中的決定係數 (R2) 值為 0.99、0.99 和 0.99。對第二條路線的預測的R2值分別為 0.88、0.89 和 0.96。最佳CO2模型在每種駕駛模式中的R2值分別為 0.98、0.99 和 0.99。對第二條路線的預測的 R2 值分別為 0.79、0.82 和 0.83。NOx模型最重要的特徵是空氣質量流量(g/s)、排氣流量(m3/min)和 CO2 (ppm)，而CO2模

型的重要特徵是排氣流量 (m3/min)和空氣質量流量(g/s)。值得注意的是，基於前三個特徵的回歸模型就可得到非常接近測量數據的預測。本研究還提出了使用其他人工智慧方法來比較預測結果。使用人工神經網路(Artificial Neuron Networks, ANN)用於構建 NOx 模型及使用混合模型用於構建CO2模型，此二模型的輸入特徵值數量均僅採用前三與前四重要的特徵值。根據結果比較，GBR 模型性能均優於其他兩個 AI 模型。關鍵字： 氮氧化物 (NOx)、二氧化碳 (CO2)排放;柴油車輛;梯度提升回歸;特徵重要性;便攜式排放測量系統;人工神經網路