插電式混合動力汽車能量管理策略綜述

摘 要：裝備雙能源裝置的插電式混合動力汽車如何在車輛運行期間進行能量分配近來已成為研究熱點。對插電式混合動力汽車已有的能量管理策略進行回顧和梳理，并將現有能量管理策略分為規則型控制和最優控制兩大類，總結了各個能量管理策略的難題，指出未來能量管理策略的研究方向。

關鍵詞：插電式；混合動力汽車；能量分配

DOI：10.16640/j.cnki.37-1222/t.2017.06.081

0 引言

近十幾年來中國汽車產業發展迅猛，在2016汽車產銷分別完成2811.9萬輛和2802.8萬輛，連續8年蟬聯世界第一[1]。汽車產業的不斷發展，帶來環境問題日益突出，霧霾和尾氣排放備受社會關注，汽車尾氣已經成為許多城市大氣污染的首要因素。

為了應對能源危機和環境問題，發展節能汽車和新能源汽車已是必然之舉，插電式混合動力電動汽車具有內燃機汽車和電動汽車的雙重優點，因此被認為是從內燃機汽車向電動汽車發展的過渡車型，成為新型汽車發展的熱點。PHEV具有大容量的電池并且可接受電網充電，純電動續駛里程[1]得到顯著改善滿足短途行駛，其內燃機可保證長途行駛，夜晚通過充電裝置從電網獲取低成本的電能，充分利用夜間低電谷的優點，同時降低運營成本，減少油耗和排放[2]。能量管理策略是PHEV的核心技術，對車輛的動力性、經濟性和排放，電池的充放電平衡都有著至關重要影響，本文圍繞著PHEV的能量管理策略進行討論和分析，以期望對今后PHEV能量管理策略研究工作有所借鑒。

1 插電式混合動力汽車結構

根據發動機是否與驅動輪有直接機械連接，將PHEV分為串聯式、并聯和混聯3種類型[3]，如圖1—圖3所示。

串聯式結構的PHEV，電機是唯一的驅動模式，發動機只能帶動發電機進行發電，所發的電能可給蓄電池充電，也可為電機供給電能，多用于大型客車；并聯式結構，電動機和發動機可以獨立的給汽車提供扭矩，也可通過動力耦合裝置共同驅動車輛，電機既作為電動機也可作為發電機，小型汽車上應用較多；混聯式結構是串聯式和并聯式的結合，兼有兩種型式的優點，優化匹配各個部件使整個系統在不同工況下都可運行在最佳狀態，節能減排效果較好。

2 能量管理控制策略

PHEV能量管理策略就是需要根據駕駛員的意圖和行駛工況及整車運行狀態，有效分配動力電池和發動機的輸出功率，合理利用動力電池從電網吸收的低成本電能，管理動力電池的充放電。

現有的控制策略都是屬于基于轉矩的控制，大致可分為兩類[2]：一類是規型的控制策略，該策略不依賴受控對象精確的數學模型，規則的制定 主要根據工程經驗及各部件的特性，可分為邏輯門限值的控制策略和模糊控制兩類。另一類是最優控制方法，主要是運用優化方法和最優控制理論制定的控制策略，需要優化建模和求解以使整車性能達到最優。該策略可分為基于已知行駛工況的離線優化和基于行駛工況預測的實時優化控制策略。

3 規則型控制策略

3.1 邏輯門限控制

邏輯門限規則主要思想是以發動機工作在高效區間為控制目標，保證電池荷電狀態SOC運行在一定的值范圍內為核心[4]。呂志梁等[5； 6]運用 CD-CS策略制定了控制規則。周美將邏輯門限值改為動態調整，使得發動機工作區域可以依據SOC值變窄或變寬[7]。

基于邏輯門限的能量管理策略，各門限變量的設定依賴工程經驗，算法簡單易行、實用性強的特點，應用較為廣泛，但其動態適應差，難以達到系統最優。

3.2 模糊控制

模糊控制基于數理邏輯和模糊數學，模擬人的邏輯推導和決策，實現對難以建模的非線性系統的有效控制。

井濟民等在并聯式混合動力汽車上設計的以動力電池荷電狀態和車輛加速踏板信號為輸入，發動機功率為輸出的模糊邏輯控制策略[8-10]。圖5所示為模糊控制策略基本原理圖。張冰戰則在模糊邏輯控制器的輸入中增加路況里程[11]。

模糊邏輯只能得到近似最優結果； 另外，構建模糊邏輯規則表也需要耗費大量的精力。

4 最優化控制方法

4.1 基于已知行駛工況的離線優化

基于已知行駛工況的離線優化的控制方法是針對已知的行駛工況，依據整個行駛路程的不同階段特征合理分配發動機和動力電池的能量，以整個行駛工況系統的性能最佳為控制目標建立優化數學模型。常用的優化方法確定性動態規劃（deterministic dymanic programming，DDP）和人工智能算法（artificial intelligent algorithm，AIA）。

（1）動態規劃算法。動態規劃是將多階段過程優化問題分解為若干單步優化子問題，通過后向求解的方法獲得最優決策系列。張博等將已知的駕駛循環工況分解為N個階段，以每階段的燃油價格與電網價格的綜合作為控制目標；張潔麗將動力電池SOC分解為N階段，以燃油經濟性最優為控制目標，應用動態規劃算法求解 [12]。肖仁鑫制定了基于邊界線擬合的動態規劃。林歆悠等提出基干離散動態規劃的合理使用電池功率均衡全局優化控制策略[13]。Qiuming Gong等結合智能交通技術，對電量消耗階段能量管理提出two-scale的動態規劃算法[14]。

（2）人工智能算法。人工智能算法是模仿自然界規律求解問題的算法，多用于非線性系統的控制。任丹宗[15]建立了Elman神經網絡模型控制能量分配。此外徐萍萍等人采用小波神經網絡[16]，孔慶等人采用對角回歸型神經網絡[17]，也得到與任丹宗相同的效果。

Morteza Montazeri Gh等應用遺傳算法對并聯混合動力電動汽車（HEV）中控制參數優化[18； 19]。`張松等利用自適應慣性因子改進基本粒子群算法，并將其與遺傳算法組成混合優化算法，應用于PHEV的能量管理策略的多目標優化[20]。盧立來運用遺傳算法對插電式混合動力系統能量管理策略的模式切換控制參數進行全局優化，得到典型循環工況離線控制最優參數數據庫，在車輛實際行駛過程中提取實際行駛工況的特征參數，運用聚類算法識別所屬典型工況的類別，實現不同工況的自適應調整[21]。

動態規劃和人工智能算法只能從理論上獲得全局最優化解，但其運算量大，難以在實車上應用，其理論結果只能用作參考。

4.2 基于行駛工況預測的實時優化

車輛在實際行駛中運行工況是隨機的過程，其功率需求并不能確定，如何實時分配汽車需求功率，關鍵在于確立道路工況預測的控制模型。

（1）隨機動態規劃。隨機動態規劃（Stochastic Dynamic Programming，SDP） 與動態規劃算法的主要區別在于，SDP算法不需要預知工況循環的確定信息，只要得到需求功率分布概率，就可建立隨機模型，優化車輛行駛功率流的分配[22； 23]。肖仁鑫等建立了功率需求的馬爾科夫模型，以油耗最小和保持電池容量為目標，應用隨機動態過程得到了能量管理策略[24]。林歆悠等在統計若干城市循環工況數據的基礎上建立了駕駛員需求功率的馬爾科夫模型，應用隨機動態規劃算法獲得了功率流的分配規則[25]。

（2）瞬時控制策略。瞬時優化能量管理控制策略以任意時刻能量損失最小為目標。目前主要分為等效燃油消耗最小策略和最小功率損失型兩種方法。等效燃油消耗最小策略（Equivalent consumption minimization strategies，ECMS）是將動力電池消耗的電能轉化為等效燃油消耗，在優化過程中以等效油耗和實際油耗的和最小為目標，進而提高車輛的燃油經濟性。胡紅斐等引入等效因子，將電能耗和燃油熱耗能轉化為等效能量消耗指標[26]。Cristian Musardo 等人加入動態估計等效因子算法在ECMS中，因此可以根據行駛工況實時自適應調整等效因子，ECMS具有自適應控制[27]。崔納新等在電量保持階段結合邏輯門限策略改進ECMS算法。最小功率損失型控制策略是以動力系統中各部件的瞬時功率損失最小為優化目標[28]。宋光輝等建立了混合動力汽車運行工況分為放電工況和充電工況的綜合效率模型，以綜合效率越高，整車功率損失越小，油耗越低的思想，提出了優化控制策略[29]。

（3）模型預測控制 。近年來許多學者開始在混合動力汽車能量管理策略方面運用模型預測控制（Model Predictive control，MPC）算法，該方法是一種新型的控制策略優化方法，它是根據歷史數據、數學模型或是交通信息，預測汽車在未來有限時間域的功率需求，然后合理分配能量。曾祥瑞等通過簡化過一階發動機動態模型，提出了一種并聯混合動力汽車模型預測控制的轉矩分配策略，該策略是基于駕駛員加速踏板位置的需求轉矩預測方法[30]。張昕等建立了一階齊次馬爾科夫預測模型，對主干道和快速路建立了行駛工況特征參數進行了預測 [31]。G. Ripaccioli應用了隨機預測模型優化HEV能量分配，該模型是基于馬爾科夫模型和隨機模型控制技術，預測駕駛員在未來不同工況下的功率需求[32]。Chao Sun建立隨機馬爾科夫的預測模型，對速度和加速度進行預測[12； 33]。Xiangrui Zeng等將HEV能量管理策略視為有限的馬爾科夫決策過程，并使用隨機動態規劃來求解[34]。

模型預測雖然能夠在車輛行駛過程中實時分配能量，但算法的魯棒性較差。

5 總結

插電式混合動力的能量管理策略是一個非線性的復雜優化問題，研究人員開始從制定規則型的控制策略解決該問題，隨著插電式混合動力汽車的技術的發展，規則型的控制策略已經難以保證系統效率最優。于是，研究人員運用最優控制技術，并不斷改進，雖然取得了不錯的效果，但是設計時都需要依賴于已知工況，在其它工況不能保證是最優的。隨著微處理器的性能提升，基于行駛工況預測的實時優化控制策略成為研究熱點。但是該類策略難點在于預測行駛工況。隨著智能交通技術的發展，未來工況的預知將會越來越準確，解決了模型預測控制難點，因此結合智能交通技術的模型預測將會成為研究熱點。

參考文獻：

[1]透支需求2016產銷創新高2017年中國車市好景不再[OL]. http：//news.xinhuanet.com/auto/2017-01/17/c_1120324636.htm，

[2]Chen Zheng， Bing Xia，Chenwen You，et al.A novel energy management method for series plug-in hybrid electric vehicles[J].Applied Energy，2015（145）：172-179.

[3]Overington S，and Rajakaruna S.Review of PHEV and HEV operation and control research for future direction[C].IEEE International Symposium on Power Electronics for Distributed Generation Systems，pp.385-392.

[4]林歆悠，翟柳清，林海波.基于行駛工況的混合動力電動汽車能量管理策略研究現狀分析[J].河北科技大學學報.2016，37（05）：457-463.

[5]呂志梁.插電式混合動力汽車能景管理研究[D].杭州市：浙江大學，2014.

[6]石大排.基于行星齒輪傳動的插電式混合動力汽車能量管理策略研究[D].青島市：山東理工大學，2015.

[7]周美.插電式混合動力轎車能量管理策略研究與仿真分析[D].長沙市：湖南大學，2014.

[8]井濟民，王旭東.單軸并聯式混合動力汽車能量分配的模糊控制策略研究[J].齊齊哈爾大學學報（自然科學版），2010，26（02）：15-18.

[9]堯文亮.并聯式混合動力汽車能量控制策略研究[D].長沙市：湖南大學，2010.

[10]祝超群，郭戈.并聯混合動力汽車的能量管理策略[J].蘭州理工大學學報，2008，34（03）：91-97.

[11]張冰戰.插電式混合動力電動汽車能量管理策略研究[D].合肥市：合肥工業大學，2011.

[12]張潔麗.基于模型預測控制的插電式混合動力客車能量管理策略研究[D].北京市：北京理工大學，2016.

[13]肖仁鑫.插電式混合動力汽車能量管理優化及輔助動力單元控制研究[D].昆明市：昆明理工大學，2010.

[14]Gong，Qiuming，Yaoyu Li，and Zhong Ren Peng Computationally efficient optimal power management for plug-in hybrid electric vehicles based on spatial-domain two-scale dynamic programming[C].IEEE International Conference on Vehicular Electronics and Safety，pp.90-95.

[15]任宗丹.基于反饋神經網絡的并聯式強混合動力汽車能量控制策略研究[D].青島市：山東理工大學，2013.

[16]徐萍萍，宋建國，王雁峰，等.基于小波神經網絡的混合動力汽車實時控制策略[J].系統仿真學報，2011，23（11）：2455-2459.

[17]孔 慶，崔納新，張承慧等.基于神經網絡的并聯式混合動力汽車控制策略[J].系統仿真學報，2009，21（18）：5831-5835.

[18]Montazeri-Gh，Morteza，Amir Poursamad， and Babak Ghalichi.Application of genetic algorithm for optimization of control strategy in parallel hybrid electric vehicles[J].Journal of the Franklin Institute，2006，343（4-5）：420-435.

[19]Zhang Bingzhan，Chen Zhihang，Mi Chris et al.Multi-objective parameter optimization of a series hybrid electric vehicle using evolutionary algorithms[C].IEEE Vehicle Power and Propulsion Conference，pp.921-925.

[20]張松，吳光強，鄭松林.插電式混合動力汽車能量管理策略多目標優化[J].同濟大學學報自然科學版，2011，39（07）：99-103+108.

[21]盧立來.基于路況信息預測的插電式混合動力汽車 能量管理策略研究[D].重慶市：重慶大學，2015.

[22] Scott J.Moura，Duncan S.Callaway，Hosam K.Fathy，et al.Tradeoffs between battery energy capacity and stochastic optimal power management in plug-in hybrid electric vehicles [J].Journal of Power Sources，2010，195（09）：2979-2988.

[23]Scott Jason Moura，Hosam K.Fathy， Duncan S.Callaway，et al.A Stochastic Optimal Control Approach for Power Management in Plug-In Hybrid Electric Vehicles[J].IEEE Transactions on Control Systems Technology.2008，19（03）：545-555.

[24]肖仁鑫，李濤，鄒敢等.基于隨機動態規劃的混聯式混合動力汽車能量管理策略[J].汽車工程，2013，35（04）：317-321.

[25]林歆悠，孫冬野，尹燕莉等.基于隨機動態規劃的混聯式混合動力客車能量管理策略[J].汽車工程，2012，34（09）：830-836.

[26]胡紅斐， 羅玉濤， 趙克剛.基于瞬時優化的HEV控制策略（英文）[J].交通信息與安全，2006，24（01）：130-136.

[27]Staccia，C Musardo，G Rizzoni，et al.An Adaptive Algorithm for Hybrid Electric Vehicle Energy management[J].European Journal of Control.2006，11（4-5）：509-524.

[28]崔納新，步剛，吳劍等.Plug-In并聯式混合動力汽車實時優化能量管理策略[J].電工技術學報，2011（11）：155-160.

[29]宋光輝.并聯式混合動力客車瞬時優化控制策略研究[J].客車技術與研究，2009，31（05）：14-17.

[30]曾祥瑞，黃開勝，孟凡博.具有實時運算潛力的并聯混合動力汽車模型預測控制[J].汽車安全與節能學報.2012，3（02）：165-172.

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

[32]Ripaccioli G，Bernardini D，Cairano S D，et al.A Stochastic Model Predictive Control Approach for Series Hybrid electric vehicle management[J].American Control Conference，2010， 58（08）：5844-5849.

[33]Chao Sun，Xiaosong Hu，Scott J.Moura， Member，et al.Velocity Predictors for Predictive Energy Management in Hybrid Electric Vehicles[J].IEEE Transactions on Control Systems Technology，2015，23（03）：1197-1204.

[34]Zeng，Xiangrui，and Junmin Wang.A Parallel Hybrid Electric Vehicle Energy Management Strategy Using Stochastic Model Predictive Control With Road Grade Preview[J].Control Systems Technology IEEE Transactions on，2015，23（06）：2416-2423.

基金項目：攀枝花學院校級項目（2015BY44）

作者簡介：盧漢（1988-），男，碩士，主要研究方向：自動變速器換擋規律。