摘 要：裝備雙能源裝置的插電式混合動(dòng)力汽車如何在車輛運(yùn)行期間進(jìn)行能量分配近來已成為研究熱點(diǎn)。對(duì)插電式混合動(dòng)力汽車已有的能量管理策略進(jìn)行回顧和梳理，并將現(xiàn)有能量管理策略分為規(guī)則型控制和最優(yōu)控制兩大類，總結(jié)了各個(gè)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(guān)鍵詞：插電式；混合動(dòng)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(guó)汽車產(chǎn)業(yè)發(fā)展迅猛，在2016汽車產(chǎn)銷分別完成2811.9萬輛和2802.8萬輛，連續(xù)8年蟬聯(lián)世界第一[1]。汽車產(chǎn)業(yè)的不斷發(fā)展，帶來環(huán)境問題日益突出，霧霾和尾氣排放備受社會(huì)關(guān)注，汽車尾氣已經(jīng)成為許多城市大氣污染的首要因素。

為了應(yīng)對(duì)能源危機(jī)和環(huán)境問題，發(fā)展節(jié)能汽車和新能源汽車已是必然之舉，插電式混合動(dòng)力電動(dòng)汽車具有內(nèi)燃機(jī)汽車和電動(dòng)汽車的雙重優(yōu)點(diǎn)，因此被認(rèn)為是從內(nèi)燃機(jī)汽車向電動(dòng)汽車發(fā)展的過渡車型，成為新型汽車發(fā)展的熱點(diǎn)。PHEV具有大容量的電池并且可接受電網(wǎng)充電，純電動(dòng)續(xù)駛里程[1]得到顯著改善滿足短途行駛，其內(nèi)燃機(jī)可保證長(zhǎng)途行駛，夜晚通過充電裝置從電網(wǎng)獲取低成本的電能，充分利用夜間低電谷的優(yōu)點(diǎn)，同時(shí)降低運(yùn)營(yíng)成本，減少油耗和排放[2]。能量管理策略是PHEV的核心技術(shù)，對(duì)車輛的動(dòng)力性、經(jīng)濟(jì)性和排放，電池的充放電平衡都有著至關(guān)重要影響，本文圍繞著PHEV的能量管理策略進(jìn)行討論和分析，以期望對(duì)今后PHEV能量管理策略研究工作有所借鑒。

1 插電式混合動(dòng)力汽車結(jié)構(gòu)

根據(jù)發(fā)動(dòng)機(jī)是否與驅(qū)動(dòng)輪有直接機(jī)械連接，將PHEV分為串聯(lián)式、并聯(lián)和混聯(lián)3種類型[3]，如圖1—圖3所示。

串聯(lián)式結(jié)構(gòu)的PHEV，電機(jī)是唯一的驅(qū)動(dòng)模式，發(fā)動(dòng)機(jī)只能帶動(dòng)發(fā)電機(jī)進(jìn)行發(fā)電，所發(fā)的電能可給蓄電池充電，也可為電機(jī)供給電能，多用于大型客車；并聯(lián)式結(jié)構(gòu)，電動(dòng)機(jī)和發(fā)動(dòng)機(jī)可以獨(dú)立的給汽車提供扭矩，也可通過動(dòng)力耦合裝置共同驅(qū)動(dòng)車輛，電機(jī)既作為電動(dòng)機(jī)也可作為發(fā)電機(jī)，小型汽車上應(yīng)用較多；混聯(lián)式結(jié)構(gòu)是串聯(lián)式和并聯(lián)式的結(jié)合，兼有兩種型式的優(yōu)點(diǎn)，優(yōu)化匹配各個(gè)部件使整個(gè)系統(tǒng)在不同工況下都可運(yùn)行在最佳狀態(tài)，節(jié)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(jù)駕駛員的意圖和行駛工況及整車運(yùn)行狀態(tài)，有效分配動(dòng)力電池和發(fā)動(dòng)機(jī)的輸出功率，合理利用動(dòng)力電池從電網(wǎng)吸收的低成本電能，管理動(dòng)力電池的充放電。

現(xiàn)有的控制策略都是屬于基于轉(zhuǎn)矩的控制，大致可分為兩類[2]：一類是規(guī)型的控制策略，該策略不依賴受控對(duì)象精確的數(shù)學(xué)模型，規(guī)則的制定 主要根據(jù)工程經(jīng)驗(yàn)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(yōu)控制方法，主要是運(yùn)用優(yōu)化方法和最優(yōu)控制理論制定的控制策略，需要優(yōu)化建模和求解以使整車性能達(dá)到最優(yōu)。該策略可分為基于已知行駛工況的離線優(yōu)化和基于行駛工況預(yù)測(cè)的實(shí)時(shí)優(yōu)化控制策略。

3 規(guī)則型控制策略

3.1 邏輯門限控制

邏輯門限規(guī)則主要思想是以發(fā)動(dòng)機(jī)工作在高效區(qū)間為控制目標(biāo)，保證電池荷電狀態(tài)SOC運(yùn)行在一定的值范圍內(nèi)為核心[4]。呂志梁等[5； 6]運(yùn)用 CD-CS策略制定了控制規(guī)則。周美將邏輯門限值改為動(dòng)態(tài)調(diào)整，使得發(fā)動(dòng)機(jī)工作區(qū)域可以依據(jù)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(shè)定依賴工程經(jīng)驗(yàn)，算法簡(jiǎn)單易行、實(shí)用性強(qiáng)的特點(diǎn)，應(yīng)用較為廣泛，但其動(dòng)態(tài)適應(yīng)差，難以達(dá)到系統(tǒng)最優(yōu)。

3.2 模糊控制

模糊控制基于數(shù)理邏輯和模糊數(shù)學(xué)，模擬人的邏輯推導(dǎo)和決策，實(shí)現(xiàn)對(duì)難以建模的非線性系統(tǒng)的有效控制。

井濟(jì)民等在并聯(lián)式混合動(dòng)力汽車上設(shè)計(jì)的以動(dòng)力電池荷電狀態(tài)和車輛加速踏板信號(hào)為輸入，發(fā)動(dòng)機(jī)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(zhàn)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(yōu)結(jié)果； 另外，構(gòu)建模糊邏輯規(guī)則表也需要耗費(fèi)大量的精力。

4 最優(yōu)化控制方法

4.1 基于已知行駛工況的離線優(yōu)化

基于已知行駛工況的離線優(yōu)化的控制方法是針對(duì)已知的行駛工況，依據(jù)整個(gè)行駛路程的不同階段特征合理分配發(fā)動(dòng)機(jī)和動(dòng)力電池的能量，以整個(gè)行駛工況系統(tǒng)的性能最佳為控制目標(biāo)建立優(yōu)化數(shù)學(xué)模型。常用的優(yōu)化方法確定性動(dòng)態(tài)規(guī)劃（deterministic dymanic programming，DDP）和人工智能算法（artificial intelligent algorithm，AIA）。

（1）動(dòng)態(tài)規(guī)劃算法。動(dòng)態(tài)規(guī)劃是將多階段過程優(yōu)化問題分解為若干單步優(yōu)化子問題，通過后向求解的方法獲得最優(yōu)決策系列。張博等將已知的駕駛循環(huán)工況分解為N個(gè)階段，以每階段的燃油價(jià)格與電網(wǎng)價(jià)格的綜合作為控制目標(biāo)；張潔麗將動(dòng)力電池SOC分解為N階段，以燃油經(jīng)濟(jì)性最優(yōu)為控制目標(biāo)，應(yīng)用動(dòng)態(tài)規(guī)劃算法求解 [12]。肖仁鑫制定了基于邊界線擬合的動(dòng)態(tài)規(guī)劃。林歆悠等提出基干離散動(dòng)態(tài)規(guī)劃的合理使用電池功率均衡全局優(yōu)化控制策略[13]。Qiuming Gong等結(jié)合智能交通技術(shù)，對(duì)電量消耗階段能量管理提出two-scale的動(dòng)態(tài)規(guī)劃算法[14]。

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

Morteza Montazeri Gh等應(yīng)用遺傳算法對(duì)并聯(lián)混合動(dòng)力電動(dòng)汽車（HEV）中控制參數(shù)優(yōu)化[18； 19]。`張松等利用自適應(yīng)慣性因子改進(jìn)基本粒子群算法，并將其與遺傳算法組成混合優(yōu)化算法，應(yīng)用于PHEV的能量管理策略的多目標(biāo)優(yōu)化[20]。盧立來運(yùn)用遺傳算法對(duì)插電式混合動(dòng)力系統(tǒng)能量管理策略的模式切換控制參數(shù)進(jìn)行全局優(yōu)化，得到典型循環(huán)工況離線控制最優(yōu)參數(shù)數(shù)據(jù)庫(kù)，在車輛實(shí)際行駛過程中提取實(shí)際行駛工況的特征參數(shù)，運(yùn)用聚類算法識(shí)別所屬典型工況的類別，實(shí)現(xiàn)不同工況的自適應(yīng)調(diào)整[21]。

動(dòng)態(tài)規(guī)劃和人工智能算法只能從理論上獲得全局最優(yōu)化解，但其運(yùn)算量大，難以在實(shí)車上應(yīng)用，其理論結(jié)果只能用作參考。

4.2 基于行駛工況預(yù)測(cè)的實(shí)時(shí)優(yōu)化

車輛在實(shí)際行駛中運(yùn)行工況是隨機(jī)的過程，其功率需求并不能確定，如何實(shí)時(shí)分配汽車需求功率，關(guān)鍵在于確立道路工況預(yù)測(cè)的控制模型。

（1）隨機(jī)動(dòng)態(tài)規(guī)劃。隨機(jī)動(dòng)態(tài)規(guī)劃（Stochastic Dynamic Programming，SDP） 與動(dòng)態(tài)規(guī)劃算法的主要區(qū)別在于，SDP算法不需要預(yù)知工況循環(huán)的確定信息，只要得到需求功率分布概率，就可建立隨機(jī)模型，優(yōu)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(biāo)，應(yīng)用隨機(jī)動(dòng)態(tài)過程得到了能量管理策略[24]。林歆悠等在統(tǒng)計(jì)若干城市循環(huán)工況數(shù)據(jù)的基礎(chǔ)上建立了駕駛員需求功率的馬爾科夫模型，應(yīng)用隨機(jī)動(dòng)態(tài)規(guī)劃算法獲得了功率流的分配規(guī)則[25]。

（2）瞬時(shí)控制策略。瞬時(shí)優(yōu)化能量管理控制策略以任意時(shí)刻能量損失最小為目標(biāo)。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(dòng)力電池消耗的電能轉(zhuǎn)化為等效燃油消耗，在優(yōu)化過程中以等效油耗和實(shí)際油耗的和最小為目標(biāo)，進(jìn)而提高車輛的燃油經(jīng)濟(jì)性。胡紅斐等引入等效因子，將電能耗和燃油熱耗能轉(zhuǎn)化為等效能量消耗指標(biāo)[26]。Cristian Musardo 等人加入動(dòng)態(tài)估計(jì)等效因子算法在ECMS中，因此可以根據(jù)行駛工況實(shí)時(shí)自適應(yīng)調(diào)整等效因子，ECMS具有自適應(yīng)控制[27]。崔納新等在電量保持階段結(jié)合邏輯門限策略改進(jìn)ECMS算法。最小功率損失型控制策略是以動(dòng)力系統(tǒng)中各部件的瞬時(shí)功率損失最小為優(yōu)化目標(biāo)[28]。宋光輝等建立了混合動(dòng)力汽車運(yùn)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(yōu)化控制策略[29]。

（3）模型預(yù)測(cè)控制 。近年來許多學(xué)者開始在混合動(dòng)力汽車能量管理策略方面運(yùn)用模型預(yù)測(cè)控制（Model Predictive control，MPC）算法，該方法是一種新型的控制策略優(yōu)化方法，它是根據(jù)歷史數(shù)據(jù)、數(shù)學(xué)模型或是交通信息，預(yù)測(cè)汽車在未來有限時(shí)間域的功率需求，然后合理分配能量。曾祥瑞等通過簡(jiǎn)化過一階發(fā)動(dòng)機(jī)動(dòng)態(tài)模型，提出了一種并聯(lián)混合動(dòng)力汽車模型預(yù)測(cè)控制的轉(zhuǎn)矩分配策略，該策略是基于駕駛員加速踏板位置的需求轉(zhuǎn)矩預(yù)測(cè)方法[30]。張昕等建立了一階齊次馬爾科夫預(yù)測(cè)模型，對(duì)主干道和快速路建立了行駛工況特征參數(shù)進(jìn)行了預(yù)測(cè) [31]。G. Ripaccioli應(yīng)用了隨機(jī)預(yù)測(cè)模型優(yōu)化HEV能量分配，該模型是基于馬爾科夫模型和隨機(jī)模型控制技術(shù)，預(yù)測(cè)駕駛員在未來不同工況下的功率需求[32]。Chao Sun建立隨機(jī)馬爾科夫的預(yù)測(cè)模型，對(duì)速度和加速度進(jìn)行預(yù)測(cè)[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(jī)動(dòng)態(tài)規(guī)劃來求解[34]。

模型預(yù)測(cè)雖然能夠在車輛行駛過程中實(shí)時(shí)分配能量，但算法的魯棒性較差。

5 總結(jié)

插電式混合動(dòng)力的能量管理策略是一個(gè)非線性的復(fù)雜優(yōu)化問題，研究人員開始從制定規(guī)則型的控制策略解決該問題，隨著插電式混合動(dòng)力汽車的技術(shù)的發(fā)展，規(guī)則型的控制策略已經(jīng)難以保證系統(tǒng)效率最優(yōu)。于是，研究人員運(yùn)用最優(yōu)控制技術(shù)，并不斷改進(jìn)，雖然取得了不錯(cuò)的效果，但是設(shè)計(jì)時(shí)都需要依賴于已知工況，在其它工況不能保證是最優(yōu)的。隨著微處理器的性能提升，基于行駛工況預(yù)測(cè)的實(shí)時(shí)優(yōu)化控制策略成為研究熱點(diǎn)。但是該類策略難點(diǎn)在于預(yù)測(cè)行駛工況。隨著智能交通技術(shù)的發(fā)展，未來工況的預(yù)知將會(huì)越來越準(zhǔn)確，解決了模型預(yù)測(cè)控制難點(diǎn)，因此結(jié)合智能交通技術(shù)的模型預(yù)測(cè)將會(huì)成為研究熱點(diǎn)。

參考文獻(xiàn)：

[1]透支需求2016產(chǎn)銷創(chuàng)新高2017年中國(guó)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(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（05）：457-463.

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

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

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

[8]井濟(jì)民，王旭東.單軸并聯(lián)式混合動(dòng)力汽車能量分配的模糊控制策略研究[J].齊齊哈爾大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，26（02）：15-18.

[9]堯文亮.并聯(lián)式混合動(dòng)力汽車能量控制策略研究[D].長(zhǎng)沙市：湖南大學(xué)，2010.

[10]祝超群，郭戈.并聯(lián)混合動(dòng)力汽車的能量管理策略[J].蘭州理工大學(xué)學(xué)報(bào)，2008，34（03）：91-97.

[11]張冰戰(zhàn).插電式混合動(dòng)力電動(dòng)汽車能量管理策略研究[D].合肥市：合肥工業(yè)大學(xué)，2011.

[12]張潔麗.基于模型預(yù)測(cè)控制的插電式混合動(dòng)力客車能量管理策略研究[D].北京市：北京理工大學(xué)，2016.

[13]肖仁鑫.插電式混合動(dòng)力汽車能量管理優(yōu)化及輔助動(dòng)力單元控制研究[D].昆明市：昆明理工大學(xué)，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(jīng)網(wǎng)絡(luò)的并聯(lián)式強(qiáng)混合動(dòng)力汽車能量控制策略研究[D].青島市：山東理工大學(xué)，2013.

[16]徐萍萍，宋建國(guó)，王雁峰，等.基于小波神經(jīng)網(wǎng)絡(luò)的混合動(dòng)力汽車實(shí)時(shí)控制策略[J].系統(tǒng)仿真學(xué)報(bào)，2011，23（11）：2455-2459.

[17]孔 慶，崔納新，張承慧等.基于神經(jīng)網(wǎng)絡(luò)的并聯(lián)式混合動(dòng)力汽車控制策略[J].系統(tǒng)仿真學(xué)報(bào)，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(qiáng)，鄭松林.插電式混合動(dòng)力汽車能量管理策略多目標(biāo)優(yōu)化[J].同濟(jì)大學(xué)學(xué)報(bào)自然科學(xué)版，2011，39（07）：99-103+108.

[21]盧立來.基于路況信息預(yù)測(cè)的插電式混合動(dòng)力汽車 能量管理策略研究[D].重慶市：重慶大學(xué)，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(jī)動(dòng)態(tài)規(guī)劃的混聯(lián)式混合動(dòng)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(jī)動(dòng)態(tài)規(guī)劃的混聯(lián)式混合動(dòng)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(shí)優(yōu)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(lián)式混合動(dòng)力汽車實(shí)時(shí)優(yōu)化能量管理策略[J].電工技術(shù)學(xué)報(bào)，2011（11）：155-160.

[29]宋光輝.并聯(lián)式混合動(dòng)力客車瞬時(shí)優(yōu)化控制策略研究[J].客車技術(shù)與研究，2009，31（05）：14-17.

[30]曾祥瑞，黃開勝，孟凡博.具有實(shí)時(shí)運(yùn)算潛力的并聯(lián)混合動(dòng)力汽車模型預(yù)測(cè)控制[J].汽車安全與節(jié)能學(xué)報(bào).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(dòng)力汽車行駛工況預(yù)測(cè)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(xiàng)目：攀枝花學(xué)院校級(jí)項(xiàng)目（2015BY44）

作者簡(jiǎn)介：盧漢（1988-），男，碩士，主要研究方向：自動(dòng)變速器換擋規(guī)律。