蔡 偉，何太碧

（西華大學，四川 成都 610039）

文章重點是梳理基于工況預測的混合動力汽車能量管理策略，在各類工況識別模型與能量管理優(yōu)化的作用下提升燃油經(jīng)濟性，同時組建了行駛工況大數(shù)據(jù)，優(yōu)化管理策略模型，為后續(xù)研究工作者提供了參考。

行駛工況的構建是研究汽車燃油經(jīng)濟性和污染物排放等指標的第一步，行駛工況反映的是某個區(qū)域車輛行駛特征的速度-時間-坡度等曲線，對車檢測指標最終會體現(xiàn)在工況中的地理性，駕駛風格以及道路的不平整度等方面。國內(nèi)外眾多學者在工況的預測方面做出了重要貢獻，

1 工況構建方法

工況的構建的研究方法有多種，林歆悠等人采用學習向量化（Learning Vector Quantization LVQ）神經(jīng)網(wǎng)絡模型在工況識別中訓練工況特征參數(shù)，基于動態(tài)規(guī)劃（Dynamic Programming，DP）為主要的數(shù)學模型，再制定工況識別控制策略。章楠通過構建一種基于改進學習向量化（I-LVQ）神經(jīng)網(wǎng)絡工況識別模型并設計I-LVQ算法。相較于傳統(tǒng)LVQ訓練算法以及識別精度都有一定的提升。行駛過程中的干擾性對后期優(yōu)化有較大影響，曹騫等人在車輛行駛過程中收集數(shù)據(jù)，建立大數(shù)據(jù)庫，根據(jù)傅里葉變換通過濾波降噪篩選出有效數(shù)據(jù)，基于馬爾科夫鏈的行駛工況組建算法。結果表明其有效性也得以驗證。

2 能量優(yōu)化策略選擇

能量管理在汽車使用過程中占有重要的地位，對于現(xiàn)代純電動（BEV）與混合動力（Hybrid vehicle）尤其至關重要，出行過程中能量消耗量最小而不影響駕駛性才是能量管理的最優(yōu)解。動態(tài)規(guī)劃（DP）的全局優(yōu)化優(yōu)勢在于能將問題分解為多個子問題，在通過最優(yōu)原則下保證子問題的解最優(yōu)，同時減少搜索時間和計算量?；诳刂埔?guī)則的基礎上，建立模糊推理過程，再通過反模糊化進行能量分配，因混合動力汽車具有較高的非線性和不確定性因素，因此模糊控制策略在混合動力車輛控制中具有較強的魯棒性。

3 仿真模型建立

基于工況預測的混合動力汽車能量管理，仿真模型建立是驗證優(yōu)化管理策略的重要一步，模型建立所需軟件有ADVISOR（AdvancedVehIcle SimulatOR，高級車輛仿真器)軟件與MATLAB軟件相結合建立的混合動力系統(tǒng) [9]，也可通過AVL Cruise仿真軟件搭配MATLAB/Simulink平臺建立各類動力系統(tǒng)。

4 結 語

近幾年對汽車能源輸出控制方面的研究有著長足進步，文章針對車輛工況中的參數(shù)提取方法和管理策略的優(yōu)化以及仿真軟件的選擇做了簡單的梳理，具體如下：①車輛行駛工況的預測算法逐漸提高，但在計算方法與運算量上還有提升的空間，在各類算法中優(yōu)化方法還有待進一步研究，為進一步提升運行工況的精度和適用度奠定基礎；②在優(yōu)化管理策略中，管理策略的優(yōu)化有著較高的實用價值，能根據(jù)實時工況特點選擇合適的管理策略，減少能耗損失，在多種管理策略的算法中，通過對比分析，得出最優(yōu)控制策略，算法的研究在能量管理中意義非凡。