基于行駛工況的混合動(dòng)力電動(dòng)汽車能量管理策略研究現(xiàn)狀分析

林歆悠，翟柳清，林海波

(1.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院，福建福州 350116；2.福建省高端裝備制造協(xié)同創(chuàng)新中心, 福建福州 350002)

?

基于行駛工況的混合動(dòng)力電動(dòng)汽車能量管理策略研究現(xiàn)狀分析

林歆悠1,2，翟柳清1,2，林海波1,2

(1.福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院，福建福州 350116；2.福建省高端裝備制造協(xié)同創(chuàng)新中心, 福建福州 350002)

分析了目前能量管理策略的2種研究方法——基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略和基于行駛工況的控制策略的優(yōu)勢及不足。著重針對基于行駛工況的控制策略進(jìn)行探討，指出：基于已知行駛工況的全局優(yōu)化策略運(yùn)算過程耗時(shí)長且計(jì)算量大，難以直接在實(shí)車上應(yīng)用，但可用于作為理想的優(yōu)化控制參考目標(biāo)；為了實(shí)現(xiàn)實(shí)時(shí)優(yōu)化控制，目前主要采用基于工況識別的控制策略與基于模型的預(yù)測控制等方法，探索基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略并獲得接近離線優(yōu)化的控制效果，成為新的研究熱點(diǎn)和管理控制策略的研究趨勢。

車輛工程；混合動(dòng)力汽車；能量管理；行駛工況；預(yù)測控制

隨著環(huán)境問題的日益突出，不僅惡劣的霧霾天氣引起社會(huì)的廣泛關(guān)注，當(dāng)前傳統(tǒng)汽車的尾氣也已作為大氣污染的主要因素而備受關(guān)注。隨著能源需求的不斷擴(kuò)大，石油供應(yīng)將面臨危機(jī)，因此，發(fā)展新能源汽車是解決環(huán)境問題和擺脫石油危機(jī)的關(guān)鍵。世界各國均相繼推出一系列新能源汽車計(jì)劃，其中中國的中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006-2020)把“低能耗和新能源汽車”定為重點(diǎn)發(fā)展領(lǐng)域。同時(shí)，“十二五”規(guī)劃也把新能源汽車列為戰(zhàn)略性新興產(chǎn)業(yè)之一，提出要重點(diǎn)發(fā)展插電式混合動(dòng)力汽車(plug-in hybrid electric vehicle，PHEV )、純電動(dòng)汽車(electric vehicle，EV)等，并推進(jìn)其產(chǎn)業(yè)化，力爭至2020年實(shí)現(xiàn)PHEV和EV累計(jì)產(chǎn)銷量達(dá)200萬輛的發(fā)展目標(biāo)[1]。純電動(dòng)汽車由于受限于能量存儲技術(shù)，短期內(nèi)難以推廣，所以當(dāng)前市場發(fā)展以混合動(dòng)力汽車為主。因PHEV可通過電網(wǎng)獲取電能充電且具有高效節(jié)能、排放低、續(xù)航里程長，而成為各大汽車公司研發(fā)的熱點(diǎn)，被視為目前最具有應(yīng)用前景的混合動(dòng)力汽車[2]。如何分配發(fā)動(dòng)機(jī)和電池之間的能量，將極大影響到混合動(dòng)力汽車的整體性能。因此，能量管理控制策略的研究對于混合動(dòng)力汽車的發(fā)展至關(guān)重要。

基于單純的車輛狀態(tài)的決策算法，能量管理策略分為基于規(guī)則、瞬時(shí)優(yōu)化以及全局優(yōu)化控制策略[3]。基于規(guī)則的能量管理策略包括恒溫器型和基于模糊規(guī)則的能量管理策略等，計(jì)算量小、實(shí)現(xiàn)容易，但優(yōu)化效果差。瞬時(shí)優(yōu)化控制策略通過實(shí)時(shí)計(jì)算不同工作點(diǎn)處的不同功率分配組合的瞬時(shí)消耗，來綜合確定混合動(dòng)力系統(tǒng)的工作模式，以及發(fā)動(dòng)機(jī)工作點(diǎn)。等效最小消耗策略ECMS是瞬時(shí)優(yōu)化能量管理策略的代表，由于瞬時(shí)優(yōu)化無法達(dá)到全局最優(yōu)，研究人員開發(fā)了基于全局優(yōu)化的能量管理策略。全局優(yōu)化求解的方法很多，包括線性規(guī)劃、序列二次規(guī)劃、動(dòng)態(tài)規(guī)劃、基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的離線優(yōu)化算法等。

電池SOC對于整個(gè)能量管理控制策略是一個(gè)關(guān)鍵的決策參數(shù)，可從電池荷電狀態(tài)(SOC)的開閉環(huán)控制的角度對能量管理策略進(jìn)行分類，SOC閉環(huán)控制通過基于狀態(tài)估計(jì)的動(dòng)力電池SOC的平衡控制，來合理分配能量源的輸出功率[4]。另外，混合動(dòng)力汽車能量管理策略從單目標(biāo)優(yōu)化如燃油經(jīng)濟(jì)性或系統(tǒng)效率發(fā)展成為多目標(biāo)優(yōu)化的控制策略，并結(jié)合性能參數(shù)優(yōu)化與上下層控制，朝著綜合優(yōu)化的方向發(fā)展。如PICCOLO等[5]采用遺傳算法對 PHEV能量管理策略進(jìn)行優(yōu)化設(shè)計(jì)，以整車燃油經(jīng)濟(jì)性、排放性及駕駛性等為目標(biāo)，建立全局優(yōu)化數(shù)學(xué)模型，運(yùn)用相應(yīng)的優(yōu)化方法計(jì)算求得最優(yōu)的能量管理策略。

隨著能量管理策略研究的深入以及智能互聯(lián)交通的逐漸發(fā)展，融合行駛工況的能量管理策略成為接近全局優(yōu)化控制效果的解決方案。因此，本文基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略，從行駛工況控制策略的角度對混合動(dòng)力汽車能量管理策略的發(fā)展演化進(jìn)行論述。

1 基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略

基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略，包括優(yōu)化發(fā)動(dòng)機(jī)工作狀態(tài)的控制策略和優(yōu)化動(dòng)力系統(tǒng)效率的控制策略。優(yōu)化發(fā)動(dòng)機(jī)工作狀態(tài)的控制策略以保證電池荷電狀態(tài)SOC處在一定范圍運(yùn)行為核心，以最大可能提高發(fā)動(dòng)機(jī)的工作效率為控制目標(biāo)。該策略可概括為3種[6-7]：發(fā)動(dòng)機(jī)最優(yōu)工作點(diǎn)控制策略[8]、發(fā)動(dòng)機(jī)最優(yōu)工作效率曲線控制策略[9-10]以及發(fā)動(dòng)機(jī)最優(yōu)工作區(qū)域控制策略[11]。發(fā)動(dòng)機(jī)最優(yōu)工作點(diǎn)控制策略主要用在串聯(lián)和采用兩自由度行星輪結(jié)構(gòu)的混合動(dòng)力汽車控制中, 僅以電池SOC為門限值的單參數(shù)控制策略，會(huì)導(dǎo)致電池頻繁反復(fù)地進(jìn)行充放電，而發(fā)動(dòng)機(jī)的輸出功率需要不斷地進(jìn)行二次能量轉(zhuǎn)換，系統(tǒng)能量利用效率較低。對于發(fā)動(dòng)機(jī)最優(yōu)工作曲線或工作區(qū)域控制策略而言, 盡管通過電池SOC值的變化動(dòng)態(tài)調(diào)整發(fā)動(dòng)機(jī)工作狀態(tài)使其盡可能落在最佳工作線或者高效區(qū)域范圍內(nèi)，但其忽略了電池、驅(qū)動(dòng)電機(jī)/發(fā)電機(jī)的工作效率，從而無法獲得最佳的系統(tǒng)性能。為了彌補(bǔ)上述策略的不足，優(yōu)化系統(tǒng)效率控制策略以系統(tǒng)整體功率需求作為考慮對象，兼顧電池組和驅(qū)動(dòng)電機(jī)/發(fā)電機(jī)及其控制系統(tǒng)工作特性，以系統(tǒng)效率最佳為控制目標(biāo)(如圖1所示)，制定了基于發(fā)動(dòng)機(jī)工作區(qū)域的功率均衡控制策略[12]，其通過控制電池的工作狀態(tài)可以實(shí)現(xiàn)提高發(fā)動(dòng)機(jī)效率和系統(tǒng)效率。在上述控制模型中只是針對穩(wěn)態(tài)的MAP進(jìn)行系統(tǒng)效率優(yōu)化，其實(shí)現(xiàn)難點(diǎn)在于實(shí)際駕駛循環(huán)過程中，面對復(fù)雜多變的行駛工況，其工況適應(yīng)性較差。

圖1 基于發(fā)動(dòng)機(jī)工作區(qū)域的功率均衡控制策略 Fig.1 Power balance control strategy based on the engine work area

2 基于行駛工況的控制策略

基于行駛工況的控制策略可分為基于已知行駛循環(huán)工況的離線全局優(yōu)化和基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略。

2.1 基于已知行駛循環(huán)工況的離線全局優(yōu)化

基于已知行駛循環(huán)工況的離線全局優(yōu)化是根據(jù)整個(gè)行駛道路不同路段的行駛特征進(jìn)而規(guī)劃發(fā)動(dòng)機(jī)與蓄電池之間的能量決策，以整條行駛路徑系統(tǒng)效率最佳為其控制目標(biāo)建立優(yōu)化數(shù)學(xué)模型，采用諸如經(jīng)典優(yōu)化控制理論的龐特里雅金最值原理PMP[13-14]、運(yùn)籌學(xué)的動(dòng)態(tài)規(guī)劃DP[15]、模擬生物進(jìn)化過程的計(jì)算模型遺傳算法GA[16]以及通用概率算法模擬退火SA[17-18]等算法進(jìn)行優(yōu)化。基于已知循環(huán)工況的動(dòng)態(tài)規(guī)劃全局優(yōu)化控制策略如圖2所示。基于已知行駛循環(huán)工況的離線全局優(yōu)化所獲得的能量管理策略，通過在已知工況中確立控制目標(biāo)，并建立數(shù)學(xué)模型進(jìn)而制定各種優(yōu)化算法依據(jù)大量運(yùn)算結(jié)果，理論上可以獲得精確而最佳的系統(tǒng)性能。由于其在已知工況中進(jìn)行離線優(yōu)化，而且運(yùn)算過程耗時(shí)長且計(jì)算量大，因此難以直接在實(shí)車上應(yīng)用，然而其經(jīng)過了高度嚴(yán)密的推理決策過程，故獲得的理論結(jié)果可作為理想的優(yōu)化控制參考目標(biāo)。

圖2 基于已知循環(huán)工況的動(dòng)態(tài)規(guī)劃全局優(yōu)化控制策略Fig.2 Based on the known driving cycles of dynamic programming global optimization control strategy

2.2 基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略

圖3 學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)的工況識別 Fig.3 Driving pattern recognition based on the learning vector quantization (LVQ) neural network identification

基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略成為目前新的研究熱點(diǎn)與難點(diǎn)。該方法的難點(diǎn)在于如何預(yù)測車輛未來行駛工況的信息，并識別其具體的模式特征以便及時(shí)規(guī)劃動(dòng)力系統(tǒng)的運(yùn)行模式，從而進(jìn)行符合系統(tǒng)性能最佳的能量分配決策。該領(lǐng)域已有的研究成果主要是利用各種瞬時(shí)優(yōu)化算法或智能控制算法，如隨機(jī)動(dòng)態(tài)規(guī)劃SDP[19-20]、模型預(yù)測控制MPC[21]以及機(jī)器學(xué)習(xí)算法控制策略[22-23]等。另外由于等效燃油消耗最小控制策略ECMS[24-25]在實(shí)時(shí)優(yōu)化方面達(dá)到的效果比較理想，因此在此基礎(chǔ)上提出了針對固定路線的自適應(yīng)等效燃油消耗最低A-ECMS[26]控制策略。文獻(xiàn)[27]提出了一種基于價(jià)值函數(shù)的多目標(biāo)優(yōu)化的方法，根據(jù)車輛的當(dāng)前狀態(tài)對不同目標(biāo)權(quán)重進(jìn)行調(diào)整，最后通過遺傳算法進(jìn)行優(yōu)化。文獻(xiàn)[19—20]的隨機(jī)動(dòng)態(tài)規(guī)劃SDP控制策略通過統(tǒng)計(jì)當(dāng)前時(shí)刻的駕駛員需求功率的概率，進(jìn)而實(shí)現(xiàn)對下一時(shí)刻需求功率的預(yù)測；文獻(xiàn)[22—23]所提及的智能混合動(dòng)力汽車則是利用機(jī)器學(xué)習(xí)算法對典型工況進(jìn)行識別，并在識別工況特征的基礎(chǔ)上對控制策略做出相應(yīng)的調(diào)整，例如圖3、圖4所示，為基于學(xué)習(xí)向量量化(LVQ)的神經(jīng)網(wǎng)絡(luò)算法工況識別控制策略[28]。類似的，文獻(xiàn)[29]提出實(shí)時(shí)智能的能量管理策略，通過基于行駛路徑的動(dòng)態(tài)規(guī)劃訓(xùn)練2個(gè)神經(jīng)網(wǎng)絡(luò)模塊，根據(jù)行駛工況選擇合適的神經(jīng)網(wǎng)絡(luò)模塊來進(jìn)一步提高燃油經(jīng)濟(jì)性。該方法由于動(dòng)態(tài)優(yōu)化的計(jì)算量龐大而很難直接應(yīng)用于實(shí)時(shí)優(yōu)化預(yù)測控制，而且由于僅在歷史行駛數(shù)據(jù)的基礎(chǔ)上進(jìn)行預(yù)測，存在一定概率的問題，不能實(shí)現(xiàn)準(zhǔn)確的預(yù)測，從而無法達(dá)到真正意義上的實(shí)時(shí)優(yōu)化[30]。

圖4 基于工況識別的控制策略Fig.4 Control strategy based on driving pattern recognition

另外一種工況預(yù)測方法模型預(yù)測控制在混合動(dòng)力汽車能量管理策略方面的研究受到廣泛關(guān)注[31-34]，成為一種新型的基于工況未來信息的預(yù)測控制策略優(yōu)化方法。張炳力等[35]提出一種基于隨機(jī)動(dòng)態(tài)規(guī)劃的客車能量管理策略的設(shè)計(jì)思想，將駕駛員需求功率模擬為一個(gè)離散的隨機(jī)動(dòng)態(tài)過程，并建立相應(yīng)的馬爾可夫模型，在此基礎(chǔ)上采用策略迭代的算法對能量管理策略進(jìn)行了優(yōu)化。張昕等[36]采用一階齊次馬爾可夫鏈狀態(tài)轉(zhuǎn)移概率矩陣，對主干道和快速路建立了行駛工況特征參數(shù)預(yù)測模型,并通過對預(yù)測準(zhǔn)確度的對比分析，確定了滾動(dòng)時(shí)間窗和預(yù)測視距的最佳值。孟凡博等[37]采用模型預(yù)測控制的思路，選取加速踏板位置不變、指數(shù)衰減、按馬爾可夫鏈隨機(jī)分布3種不同的車輛未來轉(zhuǎn)矩需求預(yù)測模型，運(yùn)用動(dòng)態(tài)規(guī)劃算法進(jìn)行轉(zhuǎn)矩分配的優(yōu)化，并與基于規(guī)則的混合動(dòng)力控制策略進(jìn)行對比。聶天雄[38]將時(shí)間域轉(zhuǎn)換為空間域，建立了基于空間域的混合動(dòng)力汽車燃油經(jīng)濟(jì)性預(yù)測控制模型，提出理論 SOC 斜率作為模型預(yù)測控制的參考斜率，在未來行駛工況中出現(xiàn)特殊工況時(shí)對理論 SOC 斜率進(jìn)行修正。SUN等[39]采用基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型預(yù)測車輛的速度，分別與基于馬爾可夫鏈預(yù)測模型與指數(shù)預(yù)測模型進(jìn)行對比，證明其所提出的基于神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更好優(yōu)化效果。

圖5 工況模式預(yù)測過程Fig.5 Process of driving pattern prediction

模型預(yù)測對象包括車速、需求轉(zhuǎn)矩預(yù)測模型，更進(jìn)一步綜合考慮駕駛員風(fēng)格，結(jié)合通訊網(wǎng)絡(luò)技術(shù)，包括全球定位系統(tǒng)GPS以及車輛間的通訊等獲取未來行駛道路的信息[40-41]，實(shí)時(shí)的歸納過去Ns的行駛特征的變化規(guī)律來判斷未來Ms的行駛趨勢，該方法具體可見圖5。JONG等[42]研究了智能能量管理策略，考慮了道路特征、車輛工作模式、駕駛員風(fēng)格和車輛狀態(tài)。HU[43]等通過實(shí)時(shí)獲得智能交通系統(tǒng)信息(ITS)來判斷車輛運(yùn)行在高速公路或是城市工況，根據(jù)判斷結(jié)果選擇系統(tǒng)工作模式。RAJAGOPALAN等[44]通過車載導(dǎo)航系統(tǒng)得到汽車未來150 s到300 s的平均車速和坡度，并通過汽車過去 300 s 的車速和坡度判斷出汽車當(dāng)前行駛狀態(tài)，采用模糊控制優(yōu)化策略。KIM等[45]采用車載遙測器采集前方一臺參考車輛的交通運(yùn)行信息，以該車輛的車速作為參考軌跡，提出以最小油耗為目標(biāo)的非線性模型預(yù)測控制算法，預(yù)測前方 5 s 到15 s 的車速信息，使模型預(yù)測控制策略具有良好的燃油經(jīng)濟(jì)性。

根據(jù)上述的分析可知，如果能量管理策略能根據(jù)未來的行駛工況自動(dòng)切換不同的策略，那么它將極大地提高整車燃油經(jīng)濟(jì)性和降低排放。能量管理預(yù)測控制策略則是解決這一問題的關(guān)鍵方法，能夠進(jìn)一步提高混合動(dòng)力系統(tǒng)的經(jīng)濟(jì)性和降低排放性，使得其成為研究混合動(dòng)力系統(tǒng)控制策略的熱點(diǎn)及趨勢，但目前對其的研究仍然處于探索階段。

3 結(jié) 語

1)混合動(dòng)力系統(tǒng)能量管理策略經(jīng)歷了基于系統(tǒng)本身狀態(tài)的決策算法、邏輯門限控制、實(shí)時(shí)優(yōu)化控制以及全局優(yōu)化控制等階段，控制方法從單目標(biāo)優(yōu)化到多目標(biāo)綜合優(yōu)化或以圍繞電池荷電狀態(tài)為核心。從另一角度總結(jié)了基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略和基于行駛工況的控制策略的研究方法，其中基于行駛工況的控制策略中的基于已知行駛循環(huán)工況的離線全局優(yōu)化則包含全局優(yōu)化、單目標(biāo)優(yōu)化或者多目標(biāo)優(yōu)化方法；基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略則包含實(shí)時(shí)優(yōu)化控制結(jié)合行駛工況信息的新型能量管理控制策略。

2)基于動(dòng)力系統(tǒng)運(yùn)行狀態(tài)的控制策略的主要優(yōu)點(diǎn)為實(shí)現(xiàn)簡單，但在實(shí)際駕駛循環(huán)過程中，面對復(fù)雜多變的行駛工況，其工況適應(yīng)性較差。基于行駛工況的控制策略，基于已知行駛工況建立數(shù)學(xué)模型并采用優(yōu)化算法，進(jìn)行計(jì)算可從理論上獲得最佳的控制效果，但僅能作為控制參考，很難在實(shí)車上應(yīng)用。

3)為了兼顧最優(yōu)控制及實(shí)車應(yīng)用，需要對基于行駛工況預(yù)測的實(shí)時(shí)優(yōu)化控制策略進(jìn)行研究。該研究涉及工況識別與工況預(yù)測，其中基于模型預(yù)測控制的方法研究是能量管理控制策略研究的熱點(diǎn)。

[1] 孫會(huì)琴,薛智宏,郭英軍,等.基于關(guān)鍵技術(shù)合理規(guī)劃地方新能源電動(dòng)汽車產(chǎn)業(yè)發(fā)展[J].河北工業(yè)科技, 2014, 31(5): 447-451.

SUN Huiqin,XUE Zhihong,GUO Yingjun, et al.Planning of local new energy electric development based on the core vehicle industry technology[J]. Hebei Journal of Industrial Science and Technology, 2014, 31(5): 447-451.

[2] 馬春梅,韓麗.河北省新能源汽車產(chǎn)業(yè)發(fā)展策略探討[J].河北科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2011,11(4):12-16.

MA Chunmei,HAN Li. A discussion on the development strategy of new energy vehicles industry in Hebei Province[J]. Journal of Hebei University of Science and Technology(Social Sciences), 2011,11(4):12-16.

[3] ZHANG Pei, YAN Fuwu,DU Changqing. A comprehensive analysis of energy management strategies for hybrid electric vehicles based on bibliometrics[J]. Renewable & Sustainable Energy Reviews, 2015,48: 88-104.

[4] QI Xuewei, WU Guoyuan, BORIBOONSOMSIN K, et al. Evolutionary algorithm based on-line PHEV energy management system with self-adaptive SOC control[J]. IEEE Intelligent Vehicles Symposium, 2015,8:425-430.

[5] PICCOLO A,IPPOLITO L,GALDI V, et al. Optimization of energy flow management in hybrid electric vehicles via genetic algorithms[J].IEEE/ASME Int Conf Adv Intell Mechatronics, 2001, 7: 434-439.

[6] WANG B H, LUO Y G. Application study on a control strategy for a hybrid electric public bus[J]. International Journal of Automotive Technology, 2011, 12(1): 141-147.

[7] CHAU K T,WONG Y S. Overview of power management in hybrid electric vehicles[J].Energy Conversion and Management, 2002,43:1953-1968.

[8] AHN K,CHO S,CHA S W. Optimal operation of the power-split hybrid electric vehicle powertrain[J].IMechE(Part D), 2008,222:789-800.

[9] 王慶年,孫樹韜,曾小華,等. 并聯(lián)混合動(dòng)力客車廣義最優(yōu)工作曲線控制研究[J]. 汽車工程,2008,30(5): 391-394.

WANG Qingnian,SUN Shutao,ZENG Xiaohua, et al. A study on the optimal operation line control strategy for hybrid electric bus[J]. Automotive Engineering, 2008,30(5): 391-394.

[10]WANG F, MAO X J, YANG L, et al. Steady-state and idle optimization of internal combustion engine control strategies for hybrid electric vehicles [J]. Chinese Journal of Mechanical Engineering, 2008, 21(2):58-64.

[11]葉心. ISG型中度混合動(dòng)力AMT汽車綜合控制策略研究[D].重慶:重慶大學(xué),2011.

YE Xin. ISG Control Strategy of Mild Hybrid AMT Vehicle Comprehensive Research [D]. Chongqing: Chongqing University, 2011.

[12]林歆悠,孫冬野,尹燕莉,等.混聯(lián)式混合動(dòng)力客車發(fā)動(dòng)機(jī)優(yōu)化控制策略[J].重慶大學(xué)學(xué)報(bào),2012,35(7):13-18.

LIN Xinyou,SUN Dongye,YIN Yanli, et al. Development of control strategy for a sries-parallel hybrid electric bus based engine efficiency optimization[J]. Journal of Chongqing University，2012，35(7)：13-18.

[13]林歆悠,孫冬野,鄧濤.基于極小值原理混聯(lián)混合動(dòng)力客車控制策略優(yōu)化[J].汽車工程， 2012, 34(10):1030-1036.

LIN Xinyou, SUN Dongye,DENG Tao. Energy management strategy optimization for a series-parallel hybrid electric bus based on pontryagin's minimum principle[J]. Automotive Engineering, 2012, 34(10):1030-1036.

[14]HOU Cong, OUYANG Minggao, XU Liangfei, et al. Approximate pontryagin’s minimum principle applied to the energy management of plug-in hybrid electric vehicles [J]. Applied Energy, 2014 (115):174-189.

[15]SUNDSTROM O, AMBUHL D, GUZZELLA L. On implementation of dynamic programming for optimal control problems with final state constraints [J]. Oil & Science and Technology-Rev IFP, 2010, 65(1): 91-102.

[16]張昕,宋建峰,田毅,等.基于多目標(biāo)遺傳算法的混合動(dòng)力電動(dòng)汽車控制策略優(yōu)化[J].機(jī)械工程學(xué)報(bào), 2009,45(2):36-40.

ZHANG Xin, SONG Jianfeng,TIAN Yi, et al. Multi-objective optimization of hybrid electric vehicle control strategy with genetic algorithm[J].Journal of Mechanical Engineering, 2009,45(2):36-40.

[17]SUN Hui. Multi-objective optimization for hydraulic hybrid vehicle based on adaptive simulated annealing genetic algorithm [J]. Engineering Applications of Artificial Intelligence，2010(23):27-33.

[18]TROVAO J P F, SANTOS V, PEREIRINHA P G, et al. A simulated annealing approach for optimal power source management in a small EV[J]. IEEE Transactions on Sustainable Energy, 2013, 4(4):867-876.

[19]JOHANNESSON L, ASBOGARD M, EGARDT B. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming [J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8(1):71-83.

[20]林歆悠,孫冬野,尹燕莉,等.基于隨機(jī)動(dòng)態(tài)規(guī)劃混聯(lián)式混合動(dòng)力客車能量管理控制策略[J].汽車工程，2012, 34(9):830-836.

LIN Xinyou, SUN Dongye,YIN Yanli, et al. The energy management bus based on strategy for a series-parallel hybrid electric stochastic dynamic programming[J]. Automotive Engineering, 2012, 34(9):830-836.

[21]HE Lin, SHEN Tielong, YU Liangyao, et al. A model-predictive-control-based torque demand control approach for parallel hybrid powertrains[J]. IEEE Transactions on Vehicular Technology, 2013, 62(3):1041-1051.

[22]MURPHEY Y L, PARK J, CHEN Zhihang, et al. Intelligent hybrid vehicle power control—Part I: Machine learning of optimal vehicle power [J]. IEEE Transactions on Vehicular Technology, 2012, 61(8):3519-3530.

[23]MURPHEY Y L, PARK J, KILIARIS L, et al. Intelligent hybrid vehicle power control—Part II: Online intelligent energy management [J]. IEEE Transactions on Vehicular Technology, 2013, 62(1):69-79.

[24]PAGANELLIG, GUERRA T, DELPRAT S,et al. Simulation and assessment of power control strategies for a parallel hybrid car[J].IMechE(Part D), 2000, 214:705-717.

[25]SUN Dongye,LIN Xinyou,QIN Datong, et al. Power-balancing instantaneous optimization control strategy for a novel series-parallel hybrid electric bus[J].Chinese Journal of Mechanical Engineering, 2012,25(6): 1161-1170.

[26]ONORI S, SERRAO L. On adaptive-ECMS strategies for hybrid electric vehicles [J]. Int Scient Conf on Hybrid and Electric Vehicles, IFP Energies Nouvelles-RHEVE, 2011: 1-7.

[27]ZHANG Y, LIU H,GUO Q.Varying-domain optimal management strategy for parallel hybrid electric vehicles[J].IEEE Trans Veh Technol,2014,63:603-616.

[28]林歆悠,孫冬野.基于工況識別混聯(lián)式混合動(dòng)力客車控制策略研究[J].中國機(jī)械工程,2012,23(7):869-874.

LIN Xinyou, SUN Dongye. Development of control strategy for a series-parallel hybrid electric city bus based on roadway type recognition [J].China Mechanical Engineering, 2012,23(7):869-874.

[29]CHEN Z,MI C C,XU J, et al.Energy management for a power-split plug-in hybrid electric vehicle based on dynamic programming and neural networks[J].IEEE Trans Veh Technol,2014，63:1567-1580.

[30]ZHANG S, XIONG R. Adaptive energy management of a plug-in hybrid electric vehicle based on driving pattern recognition and dynamic programming[J]. Appl Energy, 2015, 155:68-78.

[31]WILHELM C, PAPAJEWSKI J, GEBHARD P, et al. Model-predictive energy management for the integration of plug-in-hybrid electric vehicles into building energy systems [J]. SAE Paper, 2013(1):1443.

[32]舒紅,聶天雄,鄧麗君,等.插電式并聯(lián)混合動(dòng)力汽車模型預(yù)測控制[J].重慶大學(xué)學(xué)報(bào),2011, 34(5): 36-41.

SHU Hong, NIE Tianxiong, DENG Lijun,et al. Model predictive control for a plug-in hybrid electric vehicle[J]. Journal of Chongqing University,2011, 34(5): 36-41.

[33]UNGER J, KOZEK M, JAKUBEK S. Nonlinear model predictive energy management controller with load and cycle prediction for non-road HEV [J]. Control Engineering Practice, 2015 (36):120-132.

[34]BORHAN H, VAHIDI A, PHILLIPS A. MPC-based energy management of a power-split hybrid electric vehicle [J]. IEEE Transactions Control Systems Technology, 2012, 20(3): 593-603.

[35]張炳力, 代康偉,趙韓,等. 基于隨機(jī)動(dòng)態(tài)規(guī)劃的燃料電池城市客車能量管理策略優(yōu)化[J].系統(tǒng)仿真學(xué)報(bào),2008,20(17):4664-4667.

ZHANG Bingli, DAI Kangwei, ZHAO Han,et al. Optimized energy management strategy for fuel cell city bus based on stochastic dynamic programming[J]. Journal of System Simulation, 2008,20(17):4664-4667.

[36]張昕,王松濤,張欣,等.基于馬爾可夫鏈的混合動(dòng)力汽車行駛工況預(yù)測研究[J].汽車工程,2014,36(10):1216-1220.

ZHANG Xin,WANG Songtao，ZHANG Xin,et al. A research on driving condition prediction for HEVs based on Markov chain[J]. Automotive Engineering, 2014,36(10):1216-1220.

[37]孟凡博,黃開勝,曾祥瑞,等. 基于馬爾可夫鏈的混合動(dòng)力汽車模型預(yù)測控制[J].中國機(jī)械工程,2014,25(19):2692-2697.

MENG Fanbo, HUANG Kaisheng,ZENG Xiangrui,et al. Model predictive control for hybrid electric vehicle based on Markov chain approach[J]. China Mechanical Engineering, 2014, 25(19):2692-2697.

[38]聶天雄.插電式并聯(lián)混合動(dòng)力汽車模型預(yù)測控制[D].重慶:重慶大學(xué), 2011.

NIE Tianxiong.Model Predictive Control for a Plug-in Hybrid Electric Vehicle [D]. Chongqing: Chongqing University, 2011.

[39]SUN C, HU X, MOURA S J, et al.Velocity predictors for predictive energy management in hybrid electric vehicles[J].IEEE Trans Control Syst Technol, 2015,23(3):1197-1204.

[40]HE Yiming, RIOS J, CHOWDBURY M. Using vehicle navigation and journey information for the optimal control of hybrid and electric vehicles [J]. Transportation Research (Part D), 2012(17): 201-207.

[41]HE Yiming, CHOWDBURY M, PISU P. An energy optimization strategy for power-split drivetrain plug-in hybrid electric vehicles [J]. Transportation Research (Part C), 2012(17): 29-41.

[42]JONG S W, REZA L. Intelligent Energy Management Agent for a Parallel Hyhrid Vehicle[D]. Colorado: America Control Conference, 2003.

[43]HU C, HUANG A Q, GAO Y. Comprehensive lost minimization strategy for parallel plug-in hybrid electric vehicles[J]. IEEE,2013(7): 1-7.

[44]RAJAGOPALAN A, WASHINGTON G. Intelligent control of hybrid electric vehicles using GPS information[C]//Arlington: SAE Future Car Congress.[S.l.]:[s.n.],2002:10.4271/2002-01-1936.

[45]TAE S K, MANZIE C, SHARMA R. Model predictive control of velocity and torque split in a parallel hybrid vehicle[C]//Cybernetics :IEEE International Conference on Systems.[S.l.]:[s.n.],2009:2014-2019.

Research status of hybrid electric vehicle energy management strategy based on the driving cycle

LIN Xinyou1,2, ZHAI Liuqing1,2, LIN Haibo1,2

(1.College of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350116，China;2.Fujian Provincial Collaborative Innovation Center for High-end Equipment Manufacturing, Fuzhou, Fujian 350002，China)

The paper analyzes the advantages and disadvantages of two different energy management strategies which are the management strategy based on the dynamic system running state and the management strategy based on the driving cycle. The paper focuses on the study of the strategy based on the driving cycle, and points out that though the operation process of the global optimization strategy based on the driving cycle takes long and large amount of calculation so that it can hardly be used in the real vehicle. The strategy can be taken as the reference for the ideal optimization control target. In order to achieve the real-time optimal control, there are mainly the method based on the driving cycle of recognition control strategy and the method based on model predictive control, etc. It makes the exploration to predict the real-time optimal control strategy based on the driving cycle become real, and the effects of the control results get close to the offline global optimization. The proposed strategy is a new research hotspot and research trend of energy management strategy.

vehicle engineering; hybrid electric vehicle; energy management; driving cycle; predictive control

1008-1542(2016)05-0457-07

10.7535/hbkd.2016yx05005

2015-11-07；

2015-12-19；責(zé)任編輯：李 穆

國家自然科學(xué)基金(51505086)

林歆悠(1981—)，男，福建泉州人，講師，博士，主要從事新能源汽車能量管理策略方面的研究。

E-mail:linxinyoou@fzu.edu.cn

U469.72+2

A

林歆悠，翟柳清，林海波.基于行駛工況的混合動(dòng)力電動(dòng)汽車能量管理策略研究現(xiàn)狀分析[J].河北科技大學(xué)學(xué)報(bào),2016,37(5):457-463.

LIN Xinyou, ZHAI Liuqing, LIN Haibo.Research status of hybrid electric vehicle energy management strategy based on the driving cycle[J].Journal of Hebei University of Science and Technology,2016,37(5):457-463.