智能網聯混合動力汽車能量管理研究綜述

唐小林,郎陳佳,鄭林洋,甘炯鵬,李 越,李 成

(1.重慶大學 機械與運載工程學院, 重慶 400044;2.縱目科技(重慶)有限公司, 重慶 400204;3.重慶電子工程職業學院,智能制造與汽車學院, 重慶 401331)

0 引言

隨著全球能源危機和環境污染問題的日益嚴峻,車輛領域也在致力于對傳統汽車進行電氣化改造,以減少汽車對能源的消耗和對環境的污染。其中,混合動力汽車(hybrid electric vehicle,HEV)可被視為一種理想的過渡產品,其技術路線更為成熟,能有效減少汽車油耗和污染排放[1]。常見的混合動力汽車需將內燃機與一個或多個電動機和電池組結合在一起,如何制定不同動力源間的能量分配成為了關鍵問題[2]。因此,研究人員提出了基于能量管理策略(energy management strategy,EMS)的控制方法。高效的能量管理策略對提升內燃機和電動機的能耗經濟性有著重要影響,能使之達到效率、性能和減排之間的最佳平衡[3]。

在混合動力汽車技術研究取得進步的同時,人工智能與通信技術方興未艾。隨著新一代信息與通信技術的智能網聯汽車(intelligent and connected vehicle,ICV)的提出[4],汽車智能化的發展進入了新的維度。車輛、交通設施、網絡通信與云計算等技術的融合,創造了一個動態互聯的智能交通系統(intelligent transport system,ITS),不僅提高了通行效率與行車安全,也為出行提供了更好的體驗。伴隨著智能交通與EMS的融合,混合動力汽車可以從動態的、數據驅動的能量管理系統中受益,為最大限度地提高能源效率、減少排放和優化混合動力汽車的整體性能開辟了新途徑[5]。

基于上述研究,圍繞混合動力汽車能量管理策略的研究現狀,對經典的能量管理策略做了相關回顧和分析,并重點對基于智能網聯環境下的混合動力汽車能量管理研究進行了深入的闡述,歸納和分析了單車和多車場景下的能量管理策略,最后對未來研究的方向做出了展望,可為該領域的研究者提供一定的參考。

1 經典能量管理策略研究概述

混合動力汽車的能量管理策略通常以燃油經濟性、排放性、電池荷電狀態(state of charge,SOC)、乘坐舒適性等指標為優化目標,研究車輛行駛過程中,在滿足動力性的情況下,如何協調發動機和其他動力源之間的功率分配問題,從而實現能源的有效利用及延長部件的使用壽命。

經典的能量管理策略研究已經較為成熟,按控制方法可以分成3類：基于規則、基于優化、基于學習的策略,如圖1所示。其中,基于規則的EMS是最簡單實用的,它依靠預先確定的規則集來決策能量管理問題,但無法最優地適應不斷變化的駕駛條件或駕駛員行為,優化效果不理想?；谌謨灮腅MS可以達到全局最優的效果,但需要提前知道運行工況的全部信息且有著復雜的數學模型和算法,無法實時響應。而基于瞬時優化的EMS可進行實時控制,但優化效果有所下降?？偟膩碚f,基于規則和優化的控制策略都需要在實時響應、計算效率和自適應性之間進行取舍。隨著機器學習的進步,基于學習的EMS逐漸發展起來,學習型控制策略是一類基于傳統強化學習算法(reinforcement learning,RL)或深度強化學習算法(deep reinforcement learning,DRL)的能量管理策略,可以通過試錯學習來獲得近似全局最優的優化效果,訓練好的策略模型則有著更好的實時性。從總體上看,傳統強化學習算法普遍存在對工況的適應性差、離散誤差大、“維數災難”等問題[6-7],但隨著結合傳統強化學習和深度學習的DRL算法的出現,又一次掀起了研究強化學習的熱潮。

圖1 傳統能量管理策略分類框圖

當前,由于傳統的EMS無法獲得實時交通信息,大多基于歷史數據信息進行訓練,面對未曾見到的場景及突發狀況,如陌生道路、極端天氣、道路限速等,其適應性明顯不足,如表1所示。此外,研究方法還可以按主要的原創性貢獻分為以下幾類：① 改進原有算法或引入新型算法;② 不同算法之間的結合應用;③ 融合更多的環境信息,提高工況適應性。實際上,除了從算法層面和硬件層面不斷增加混合動力汽車能量管理策略與車載控制器匹配的可能性,還可以在EMS中結合實時環境信息數據作為狀態輸入,將有利于進行更準確、高效的控制[8]。

2 智能網聯云控系統概述

近年來,面對日益復雜的交通場景以及智能汽車的感知、決策與控制問題,李克強院士團隊基于新一代信息與通信技術,提出了以云控平臺為核心、面向智能網聯汽車與交通的一體化應用系統[9]。在車輛、交通基礎設施和其他利益相關者之間通過統一的通信標準來進行數據交換,從而提高交通效率,改善交通環境,優化交通管理。

智能網聯云控系統由云控平臺、網聯式智能汽車、路側基礎設施、通信網、資源平臺組成[10],構成體系如圖2所示。

1) 云控平臺：云控平臺是一個滿足車路云實時通信與計算的協同應用平臺,具有中心云、區域云和邊緣云的3級構造,并隨著級別的增加,其算力和服務區域逐漸增大。

2) 網聯式智能汽車：作為服務的實體對象,智能網聯汽車能與其他實體(包括其他車輛、基礎設施組件和基于云的系統)之間進行數據交換和交互,滿足網聯化交互需求。

3) 路側基礎設施：通常指部署在公路、十字路口、停車設施沿線等位置的各種傳輸設備。它們形成了一個基礎設施組件網絡,與車輛和后端系統協調工作,以支撐云控系統對整個智能交通體系的全面掌控,實現高效和智能的交通運營。

4) 通信網：通過標準化的通信機制,實現人-車-路-云的泛化互聯。其中,網聯化通信技術包括專用短程通信(dedicates short range communication,DSRC)和蜂窩網絡技術。其中DSRC是專為車聯網 (vehicle-to-everything,V2X)通信而設計的無線通信技術,可實現車輛與基礎設施組件之間的低延遲和高可靠性通信。V2X通信技術可以與ITS中的各種元素進行信息交換,包括與其他車輛(vehicle-to-vehicle,V2V)、行人(vehicle-to-pedestrian,V2P)和交通基礎設施(vehicle-to-infrastructure,V2I)通信來獲取周圍車輛和行人的運動狀態及意圖[11]。

5) 資源平臺：為云控系統提供服務所需的綜合性數據平臺,包括高精度地圖、實時交通、天氣數據等。

在網聯云控環境中,這些模塊的串聯集成可以構建人-車-路-云的高效互聯。車輛不再作為一個信息“孤島”,它可以實現多車交互、人車交互以及車輛與智能交通設施之間的交互。通過全球定位系統(global positioning system,GPS)可以確定被控車輛和其他車輛的位置;車輛之間的距離可以使用車載雷達或激光雷達傳感器測量,而被控制車輛的速度可以使用速度傳感器計算;V2V通信技術允許從前方車輛獲取狀態信息,包括其速度、位置及加速度情況;同樣,V2I技術可以檢索前方交通燈的狀態信息,如它們的當前狀態和剩余時間。

這種數據交互與EMS的融合能使其做出實時最優的能量管理決策[12]。同時,對混合動力汽車能量管理策略的研究也從單車場景下的節能優化逐漸延伸至多車場景下的協同節能優化。

3 智能網聯環境下的能量管理策略

3.1 單車場景下的能量管理

該場景下,混合動力汽車能量管理策略研究主要可分為節能路徑規劃、節能車速規劃和電池SOC規劃3個方面。

3.1.1節能路徑規劃下的能量管理

節能路徑也被稱為生態路由[13],旨在找到從起點到目的地之間、滿足環境和能耗要求的最優路徑。其主要特點是：利用網絡通信提供的外部交通信息來動態選擇最節能的路線,從而減少因交通延誤或道路狀況不佳而造成的能源損失和排放問題,相關研究的主要特征如表2所示。

表2 基于路徑規劃的能量管理研究及其主要特征

關于節能路徑規劃下的能量管理研究,主要可以分為以下3類：

1) 考慮道路關鍵節點的小范圍規劃。該類節能路徑規劃主要集中在對交通信號燈路口的信息進行有效利用,避免車輛在路口的起停和等待動作。研究表明,路徑中的交通信號燈等待時間可能引起不必要的停車和延誤,是影響車輛燃油經濟性的重要因素[14]。針對這一問題,Zhou等[15]以總能耗和行駛時間為優化目標,提出了一種考慮十字路口信號信息的動態路線規劃方法,建立了一個多目標0～1整數規劃模型求解最優路線,將多目標優化問題轉化為單目標優化問題,并驗證了該方法的有效性。Liu等[16]利用大量歷史數據建立能耗模型,并且考慮路段擁擠程度和交通信號燈造成的時延,研究不同類型車輛之間的路徑協同,提高了連續交通流的能源經濟性。

2) 考慮車流擁堵狀況的路徑規劃。該類節能路徑規劃主要通過實時交通數據避開擁堵路段,以實現車輛的節能。為避開擁堵地區,Sebai等[17]結合實時交通事件、道路拓撲結構以及充電站位置并從歷史軌跡數據中提取信息,通過交通流預測來規劃節能路徑。Salahdine等[18]提出了一種基于機器學習的智能交通擁堵預測系統,運用實時反饋的車流量數據,應用長短時記憶網絡(long-short term memory,LSTM)模型對短期內的車流擁堵進行預測,從而動態更新路線,以避免堵車,降低能量損耗和等待時間。Xu等[19]提出了一種基于RL的EMS和生態路由的聯合算法,研究了交通流量對計算時間和節能效果的影響。

3) 考慮實際應用可能的路徑規劃。該類路徑規劃主要考慮研究與真實情況的適應性,使研究更符合實際。針對傳統EMS的設計大多基于標準工況,結果與實際應用情況存在差異的問題,Wu等[20]提出了一種考慮交通信息和乘客數量的基于深度確定性策略梯度算法(deep deterministic policy gradient,DDPG)的混合動力公交EMS,運用公開的數據集,通過交通仿真軟件生成包含車速、車流量、車密度等交通信息的駕駛工況,并利用這些信息動態調整駕駛循環工況,同時還考慮了由于公交乘客數量變化而帶來的車輛荷載質量變化的影響。Zhang等[21]針對PHEV設計了一種基于功率管理的路徑規劃控制方案,并以豐田普銳斯為車輛模型,通過仿真研究驗證了在不同通航范圍的城市中策略的有效性。在此基礎上,Chen等[22]針對其復雜的動力系統以及多變的行駛工況,提出了一種基于優化Dijkstra路徑規劃算法和深度Q網絡相結合的能量管理策略,考慮了車輛動力學限制的情況,通過控制車輛的工作模式實現了車輛的節能。

3.1.2節能車速規劃下的能量管理

節能車速規劃也可稱為生態駕駛[23],其概念強調在給定的駕駛情況下找到最優車速軌跡,從而減少其加減速次數和不必要的空轉,進一步提高燃油經濟性,相關研究的主要特征如表3所示。

表3 基于車速規劃的能量管理研究及其主要特征

現有的節能車速規劃下的能量管理可以分為以下2類：

1) 基于經濟性駕駛的節能速度規劃。該類車速規劃主要是跟蹤由經濟性駕駛得到的最優速度軌跡。Maadi等[24]以信號燈時序信息來優化路口通過隊列,設計了一種速度引導算法,通過實時環境數據更新來調整計劃速度,從而減少能源損耗。Chavhan等[25]則同時考慮了舒適性和節能的目的,利用動態交通信息來控制行駛速度。Chen等[26]提出了一種基于DRL的混合動力汽車綜合控制策略,出發前已知行駛過程,并獲取路線的經緯度、海拔等信息,在基于全局信息的情況下,預先得到規劃的速度軌跡,提高了燃油經濟性。Shen等[27]利用ITS獲得待定路段的交通流速度,并結合其他道路條件、速度限制、坡度信息等以龐德里亞金極小值原理(pontryagin maximum principle,PMP)規劃經濟車速。

2) 基于預測的節能速度規劃。通過V2X技術,車輛可以獲取更多信息,從而對未來交通狀況進行合理預測以規劃車速軌跡。此外,預測精度對策略的表現也有重要的影響。Amini等[28]提出了一種基于數據驅動的時空速度和功率負荷預測策略,利用V2I技術考慮了多個信號交叉口的主干道交通信息,對交叉口排隊過程進行建模,提高短程預測車速的精度。Lee等[29]提出了一種基于RL的自動駕駛電動汽車節能速度規劃策略,通過評估道路坡度和與前車的安全距離等約束條件,實時學習和修改車速軌跡,其最優性能達到了93.8%。Dong等[30]通過V2X技術來獲取制動意圖,建立一個上層基于距離的動態規劃算法(dynamic programming,DP)規劃能量最優制動軌跡,下層基于模型預測控制器的雙層控制方案,保證車輛制動舒適性、安全性,并提高了能源利用效率。

3.1.3電池SOC規劃下的能量管理

電池SOC規劃下的能量管理現有研究主要集中在維持或達到某一SOC水平的自車規劃。該類研究主要是通過考慮行程距離以及交通狀況來合理規劃SOC參考軌跡。

針對處于智能交通場景下的情景,Lin等[31]基于速度預測結果以及行程距離,提出了一種自適應參考SOC軌跡的規劃方法,用來指導不同驅動方式下的功率分配,以此實現較好的燃油經濟性。在此基礎上,Min等[32]基于V2I信息交互,針對PHEV提出了一種在線SOC規劃的引導式預測能量管理策略,上層采用神經網絡監督學習給出實時SOC參考軌跡,下層采用模型預測控制(model predictive control,MPC)指導功率分配。Wang等[33]利用GPS和ITS信息,考慮車輛在通勤路線中的關鍵位置節點信息,對駕駛路線進行預測與識別,規劃出最佳參考SOC水平軌跡,用來指導對電池電量的合理利用。同時,Jia等[34]利用綠燈優化速度咨詢(green light optimized speed advisory,GLOSA)通過GPS收集車輛當前位置,并由路邊交通云控信號機收集交通燈相位信息,為駕駛員提供最佳速度建議,在不同SOC水平下,考慮了排放性能的同時,減小了燃油消耗。

此外,網聯云控平臺還可以將車輛的SOC信息及時傳入云端,對充電網絡進行調度,減輕同時接入過多車輛對電網造成沉重負荷所導致的能量損耗增加,同時實現大規?；旌蟿恿ζ嚦潆姷暮侠碚{度,減小充電等待時間,提高充電網絡利用率。

3.2 多車協同場景下的能量管理

隨著車輛數目的增多,交通環境也變得越來越復雜,EMS的設計不再只單純考慮一輛車,而是出現了更復雜的交通環境,如跟車場景、隊列行駛場景等[35-36]。而多車協同的能量管理是指對雙車或隊列車輛的能源消耗和分配進行協調和優化,其能量管理構架如圖3所示。它允許各車輛之間通信及共享信息,并協調它們的能源使用,以實現共同的目標,如降低整體消耗,最大限度地減少對環境的影響,并最大限度地提高通行效率[37]。

3.2.1跟車場景

車輛跟隨場景下的能量管理主要可以分為基于自適應巡航控制(adaptive cruise control,ACC)和基于預測巡航控制(predictive cruise control,PCC)的能量管理,具體差別在于駕駛條件的不同,相關研究的主要特征如表4所示。

1) 基于自適應巡航控制(ACC)的能量管理。與傳統ACC只考慮行駛安全性不同,融合ACC的EMS利用傳感器監測前方車輛的距離和相對速度,為控制系統提供實時信息。通過對距離的準確感知,實時調整車輛的速度和加速度,保持安全舒適的跟隨距離。Li 等[38]利用V2V通訊優勢,提出了一種協同ACC方法,并基于近似動態規劃(approximate dynamic programming,ADP)和數據驅動的能耗模型,設計了基于學習的控制器,抑制了不必要的速度波動,同時顯著提高了車輛在跟馳情況下的燃油經濟性。Gao等[39]通過V2X技術上傳周邊交通環境和相關車輛的狀態信息,在云中進行計算,實現自動跟馳控制,并在車輛端采用基于徑向基函數神經網絡(radial basis function neyral network,RBF-NN)的近似全局優化來提供預測域內的最優控制序列。Luo等[40]考慮前車約束和交通信號的影響,在跟車過程中的最優安全距離不僅對駕駛安全性至關重要,而且對駕駛性能產生影響。Zhu等[41]基于交通信息,提出了一種基于最優跟車距離的等效消耗最小策略(equivalent consumption minimization strategy,ECMS),規劃自車的速度和加速度,并將理想的跟車距離跟蹤誤差控制在0.5 m以內。Zhang等[42]提出了一種基于分層強化學習的深度融合ACC能量管理框架,通過規劃車輛的跟車距離以及SOC軌跡來控制車輛的動力分配,通過在真實GPS數據構建的跟車場景中進行訓練,降低燃油消耗和計算負擔。

2) 基于預測巡航控制(PCC)的能量管理。在實踐中,精確匹配最佳速度軌跡往往具有挑戰性。為了解決這個問題,結合未來駕駛條件,Asadi等提出了預測巡航控制的概念[43]。預測巡航控制是基于地圖信息以及自適應巡航控制,通過獲取前方道路限速、曲率、坡度等信息,主動實現對車速、擋位等的最優控制。利用未來交通中的信號燈信息,Nie等[44]提出了一種實時動態PCC系統。該系統考慮了前方車輛的約束和紅綠燈的影響,采用2層MPC算法,一層基于信號相位和時序(signal phase and timing,SPaT),以優化在綠燈間隔期間不停車通過信號交叉口的加速度,另一層側重于車輛跟蹤,使用自定義可變時距(variable time headway,VTH)策略來保持安全的行車距離。Yang等[45]基于智能交通系統背景下提出了一種新的節能分層策略,通過獲取車輛信息對前方車輛進行生態速度軌跡規劃,同時考慮了車輛的橫向和縱向動力學,在保證降低燃油消耗的同時保持良好的跟車性能和穩定性。陳曉龍等[46]針對智能網聯混合動力汽車跟馳場景下的燃油經濟性和駕駛安全性協同優化問題,利用V2V/V2I通信技術,設計了一種基于前車速度預測-自車速度規劃的預測能量管理策略,利用LSTM和序列二次規劃算法分別解決預測和控制問題,在多種駕駛工況下驗證了策略的有效性。

3.2.2隊列場景

隊列駕駛是指一串車輛以相同的速度與期望的車輛間距在道路上編隊行駛,能減少每輛車的空氣阻力,從而降低能量消耗[47]。然而,隊列中各車輛之間的各種信息快速傳遞和共享是制約車隊速度和間距控制的難點之一[48],相關研究的主要特征如表5所示。

表5 隊列場景下的能量管理研究及其主要特征

針對網聯環境下,混合動力汽車隊列如何控制車速與間隔距離來保證最優通行效率、燃油經濟性的問題,Guo等[49]在成本函數中考慮車隊總功率,用一種多目標非線性模型預測控制系統(nonlinearity model predictive control,NMPC)來求解每輛車的最優經濟車速。在此基礎上,Ye等[50]在考慮下游交通信號燈、車隊以及車輛動力系統的情況下,基于圖的軌跡規劃算法(graph-based trajectory planning algorithm,GTPA)學習下一時刻最優車速,建立了一個隊列預測模型,并在微觀交通仿真軟件上進行了驗證。唐小林等[51]以功率分流式混合動力汽車車隊為研究對象,利用V2V 以及V2I 通信獲取實時交通信息,設計了一種分層控制策略,上層采用MPC規劃隊列未來速度軌跡,下層控制系統根據該最優車速對混合動力汽車實施實時能量管理策略,獲得了較好的燃油經濟性。考慮到如何解決隊列中車輛突發狀況對整個車隊穩定性造成的影響,雷鴻博等[52]針對巡航車隊通信中斷場景,設計了一種協作式自適應巡航控制(cooperative adaptive cruise control,CACC)與ACC模式切換方法,避免了通信中斷后碰撞的發生,保證了巡航車隊的穩定性。Ma等[53]提出了生態協同自適應巡航控制(ecological cooperative adaptive cruise control,e-CACC),通過不同驅動工況下的仿真,證明該策略具有更好的串穩定性、跟隨性能和節能性能。

隨著自動駕駛的發展,將會出現人類駕駛員車輛與自動駕駛車輛共同存在的情形,考慮到隊列中穿插了不同類型車輛構成的異質車隊,He等[54]利用V2V和V2I通信共享信息,提出了適用于自動化領隊的基于加速的咨詢(acceleration-based advi-sory, ABA)策略和適用于人工領隊車隊的逐步速度建議(stepwise speed advisory,SSA)策略,全面考慮了能源消耗的異質性。隊列場景下的能量管理相對于跟隨場景更加復雜,對車輛間的實時通信有很高要求,如何對道路、車輛、交通設施協同控制,考慮不同動力類型之間的協同控制也是需要解決的問題。

4 未來發展趨勢

當前,由于復雜的交通環境和多樣化的控制要求,對混合動力汽車的能量管理技術有了更高的要求。隨著網聯通信以及智能化技術的快速發展,為智能網聯混合動力汽車的節能減排研究提供了新的可能,其能量管理策略未來可能的工作重點如下：

1) 升級高效和自適應的優化新算法

智能交通中的能量管理策略依賴于先進的優化算法,對能量分配和路線規劃進行智能決策。無論是單車場景還是多車場景,都需在車輛實際運行過程中進行能量管理,對能量管理策略的實時性表現提出了非常高的要求。一方面要求V2I、V2V、V2P信息交互過程中,車輛能夠及時獲取相關信息,另一方面要求車輛在獲得這些信息后,能夠迅速準確地做出決策,并將控制指令下發給執行機構,達到降低能耗、提高通行效率等一系列優化目標。

整個過程中信息的傳遞都是毫秒級的,如車輛SOC規劃、節能車速規劃、車輛自適應巡航等場景,信息能否實時傳遞,直接影響到研究車輛能否按照能量管理策略規劃的參考速度、參考SOC等關鍵信息運行,從而直接關系能量管理策略的表現。然而,現有的算法在計算復雜性、可擴展性和對動態交通條件的適應性方面仍存在局限性,實時性、可靠性得不到保障,這也是為什么只有基于規則的能量管理策略和ECMS可以做到實車應用的原因。

未來的研究可以探索開發更高效和自適應的優化算法來處理復雜的能源管理問題,并實現實時決策。同時降低算法所需的計算資源,使EMS的智能算法更通用、可靠,更容易被部署至實際車輛上。

2) 探索環境真實性應用的新方案

現有網聯環境下的節能控制大多基于理想仿真環境,具有實車實驗的研究結果較少,面對真實場景的驗證還存在著許多限制。

仿真環境中理想的路面附著條件、道路坡度、交通狀況等,與實際駕駛環境存在很大差別。將研究車輛設置在理想環境下運行,一方面是因為只需考慮少量因素就能降低現有車輛的整體能耗,另一方面是因為考慮過多的因素會顯著增加策略的計算時間。當高效的優化算法以及性價比合適的高算力車載芯片出現之后,考慮車輛實際動力學、道路速度限制、天氣情況、車輛質量變化、道路突發狀況等一系列真實因素的策略和現有能量管理策略相比,必然具有更好的表現。

此外,智能交通系統、車聯網和云控系統等先進技術從理論模擬過渡到有形的現實領域還需要一定的時間,V2X通信實現、信號延遲以及數據處理等問題需要逐一解決,這對網聯車輛的可靠性、安全性至關重要。因此,需要探索交通環境基礎設施的改進方案以及學術成果的產業化應用,加快將這些先進的控制系統帶入真實場景中,提高節能策略在面對現代交通的復雜動態時,既具有適應性,又具有可持續性。

3) 尋求多車協同優化的新方法

隨著網絡技術的不斷發展和自動駕駛的普及,多車多任務的協同優化方法還需要深入的探討和研究。在電動化、智能化、共享化的發展背景下,隨著智能網聯車輛的增加,車輛和其他設備間的信息交互越發緊密,但必然要經歷智能化車輛和非智能車輛長期共存的階段,另外,車輛之間結構的差異也使優化過程不盡相同。由于智能和非智能車輛的混合交通,使行車環境和優化目標日趨復雜,在模型建立、求解等過程中必須考慮到同質交通場景和異質交通場景的差別,這對多車協同優化的安全性以及最終的優化效果具有很大影響。需將技術創新、專業知識、數據共享和監管支持結合在一起,創造一種融合多種交通場景、多種車輛類型的綜合方法來塑造未來的多車交互優化系統。

5 結束語

本文重點對在單車場景和多車場景下的智能網聯混合動力汽車能量管理策略的研究現狀及其方法類別進行了深入的分析和系統的調研。另外,還對智能網聯混合動力汽車能量管理策略的未來工作重點進行了展望,認為未來基于智能網聯的能量管理策略應朝著更高效和自適應的優化算法方向發展,并探索環境真實性應用的新方案,以及尋求多車協同優化的新方法等。