紀(jì)承乾

（新疆職業(yè)大學(xué)，烏魯木齊830001）

主題詞：混合動力汽車 能量管理策略 全局優(yōu)化 PMP

1 前言

過度消耗化石能源帶來了一系列環(huán)境問題，“節(jié)能減排”迫在眉睫。因此，發(fā)展氫能、電能的新能源汽車成為緩解環(huán)境污染的有效途徑。插電式混合動力汽車（Plug-in Hybrid Electric Vehicle,PHEV）作為新能源汽車的代表，具有輸出扭矩大、加速快、里程長的優(yōu)點。傳統(tǒng)汽車向PHEV轉(zhuǎn)變首先要解決能量管理問題，其實質(zhì)是將整車行駛過程中需求的動力在驅(qū)動部件之間進(jìn)行分配。2019年，我國混合動力汽車銷售23.2萬輛，其中銷量前3分別是比亞迪唐DM、寶馬5系PHEV、大眾帕薩特PHEV。預(yù)計2025年，我國HEV保有量將達(dá)到500萬輛。若每輛車能量管理效果提升10%，每年節(jié)約的能源相當(dāng)于11.4個中型火電站一年發(fā)出的能源。隨著PHEV數(shù)量的增加，每年節(jié)約的能源將會更多。因此，研究PHEV的能量管理對于資源短缺、環(huán)境惡化具有重要的現(xiàn)實意義。

2 混合動力結(jié)構(gòu)發(fā)展趨勢

在國際市場上，各汽車企業(yè)陸續(xù)上市多款插電式混合動力汽車（Plug-in Hybrid Electric Vehicle，PHEV），驅(qū)動結(jié)構(gòu)也多種多樣。有早期的以行星齒輪作為功率分流裝置實現(xiàn)的混合驅(qū)動構(gòu)型，此種結(jié)構(gòu)主要特點是不需要控制，完全由發(fā)動機、電動機工作狀況決定，主要車型有豐田PRIUS（圖1）、福特FU?SION。有眾多歐洲廠商采用的P2并聯(lián)結(jié)構(gòu)，此種結(jié)構(gòu)主要特點是電動機置于變速箱輸入端與發(fā)動機通過離合器耦合。發(fā)動機可通過P2電機起動并迅速提高轉(zhuǎn)速，避免低轉(zhuǎn)速、高扭矩造成的能源浪費。在制動時，利用電動機回收制動能量。主要車型有德國大眾途觀L PHEV、奧迪A3 e-tron。還有雙電機串并聯(lián)結(jié)構(gòu)，此種結(jié)構(gòu)中2個電機分別是：發(fā)電機和電動機，例如本田公司的i-MMD混動系統(tǒng)，主要車型有CR-V（圖2）、雅閣PHEV、Inspire，寶馬X1 PHEV（圖3）。除此之外，還有增程式新能源汽車，此種結(jié)構(gòu)發(fā)動機不只為汽車提供扭矩，為動力電池充電，還具有行駛里程長的優(yōu)點，但是在化石能源向電能轉(zhuǎn)換過程中有不可避免的能量損耗。

圖1 豐田PRIUS[1]

圖2 本田CR-V PHEV[2]

圖3 寶馬X1 PHEV[3]

經(jīng)過數(shù)年來政府大力支持和國內(nèi)企業(yè)的不懈努力，我國新能源汽車取得了較為顯著的進(jìn)步。比亞迪推出“秦PHEV”、“唐DM”（圖4）、“宋DM”、“元EV”及其多種衍生車型。比亞迪“DM車系”采用自主研發(fā)的“三擎動力”結(jié)構(gòu)，該結(jié)構(gòu)不僅含有常規(guī)發(fā)動機，還含有3個電機，動力強勁。唐DM從0加速到100 km/h僅需要4.5 s。吉利汽車推出的帝豪GL PHEV（圖5）是國內(nèi)首創(chuàng)的P2.5電機布局結(jié)構(gòu)，此結(jié)構(gòu)將電機置于變速箱內(nèi)部。上汽的榮威eRX5 PHEV搭載1.5 T最大功率為119 kW、最大扭矩為250 N·m發(fā)動機和最大功率為56 kW、最大扭矩為318 N·m的電動機，百公里綜合油耗僅1.5 L。長城汽車的WEY VV7 PHEV（圖6）、長安的CS75 PHEV（圖7）都有不俗的市場表現(xiàn)力。

圖4 比亞迪唐DM[4]

圖5 吉利帝豪GL PHEV[5]

圖6 長城VV7 PHEV[6]

圖7 長安CS75新能源[7]

縱觀混合動力汽車發(fā)展的歷程其主要特點總結(jié)如下。

（1）多種混合動力結(jié)構(gòu)層出不窮、多種結(jié)構(gòu)并存、功率分流裝置向可控化、精細(xì)化方向發(fā)展；

（2）混合動力汽車中電動機功率比重增加，整車油耗進(jìn)一步降低；

（3）動力電池組容量增大，純電續(xù)航里程增加。

3 能量管理策略研究現(xiàn)狀

能量管理策略（Energy Management Strategy，EMS）依據(jù)整車行駛過程中需求扭矩，合理分配驅(qū)動器件之間的輸出功率，是整車結(jié)構(gòu)確定后最重要的設(shè)計環(huán)節(jié)。PHEV在需求扭矩一定情況下，電動機輸出扭矩越大發(fā)動機的燃油消耗量、排量越小，反之則反。因此，能量管理的結(jié)果直接影響整車性能。由于車身結(jié)構(gòu)差異、載荷不同、工況未知的復(fù)雜條件給PHEV能量管理策略帶來極大的挑戰(zhàn)?？偟膩碚f能量管理策略只能兼顧燃油經(jīng)濟(jì)性、排放性、駕駛性、動力性、實時性其中某一方面或者某幾方面，很難在各個方面均達(dá)到令人滿意的結(jié)果。

目前對能量管理策略的研究主要分為3類（圖8）：

圖8 混合動力汽車能量管理控制策略

（1）基于規(guī)則的管理策略；

（2）基于優(yōu)化的管理策略；

（3）基于人工智能的管理策略。

基于規(guī)則的管理策略實時性好，控制也相對簡單，但嚴(yán)重依賴于車身結(jié)構(gòu)，主要有2種實現(xiàn)形式。

（1）確定規(guī)則的管理方法—根據(jù)車輛當(dāng)前的扭矩、速度、加速度等狀態(tài)信息設(shè)定發(fā)動機或電動機的工作閾值點，劃分工作區(qū)間；

（2）模糊規(guī)則的管理方法，利用模糊控制優(yōu)勢建立狀態(tài)信息及變量的隸屬度函數(shù)，確立模糊規(guī)則進(jìn)行能量管理。

基于優(yōu)化的管理策略全局性好，但控制較為復(fù)雜、實時性差；分為基于靜態(tài)數(shù)據(jù)的全局優(yōu)化和基于動態(tài)數(shù)據(jù)的瞬時優(yōu)化。

基于學(xué)習(xí)的管理策略不依賴于工況信息，然而控制最復(fù)雜，訓(xùn)練所耗時間極長，主要采用深度學(xué)習(xí)的方法。

3.1 基于確定規(guī)則的能量管理策略

基于確定規(guī)則的能量管理策略主要有恒溫器控制、功率跟隨法、狀態(tài)機控制。按照設(shè)定的閾值一般將PHEV工作模式劃分為：純電模式、燃油模式、混合驅(qū)動模式、回饋制動模式、行車充電模式和停車充電模式。

Anbaran指出[8]，當(dāng)PHEV在起動、蠕動、燃油不足和動力電池組高SOC（State Of Charge）時，為提高整車效率，關(guān)閉發(fā)動機由電動機單獨驅(qū)動，此為純電動模式；當(dāng)動力電池組低SOC、整車需求扭矩在發(fā)動機最佳工作區(qū)間運行時由發(fā)動機單獨驅(qū)動，此為燃油模式；而當(dāng)動力電池組SOC不足，需求扭矩小于發(fā)動機最佳工作區(qū)間的最小值，此時電動機工作在發(fā)電模式為動力電池組充電，這種工作方式為行車充電模式；減速或者下坡時，發(fā)動機不工作，電機作為發(fā)電機運行，稱這種模式為回饋制動模式；停車充電模式由市電為電池組充電。文獻(xiàn)[9]將發(fā)動機負(fù)荷狀態(tài)分為高、中、中低3個區(qū)間，再結(jié)合油門踏板的開度和變化速度，計算整車需求功率，從而確定車輛的工作模式。實驗結(jié)果表明PHEV與傳統(tǒng)汽車相比，在燃油經(jīng)濟(jì)性和尾氣排放性上具有明顯的優(yōu)勢。為了避免發(fā)動機怠速狀態(tài)和小負(fù)荷運行，Hu[10]利用電機調(diào)節(jié)發(fā)動機工作負(fù)荷。利用電機使發(fā)動機工作在燃油效率最高點，從而提高了燃油經(jīng)濟(jì)性。舒紅[11]針對不同循環(huán)工況采用混聯(lián)型混合動力汽車模型進(jìn)行研究。在實驗過程中以最大綜合效率為目標(biāo)，將車輛工作狀態(tài)劃分為3種模式：充電工況、放電工況和制動工況。非制動模式下以最大效率為目標(biāo)，制動模式以最大回饋量為目標(biāo)。實驗結(jié)果表明相對于傳統(tǒng)汽車燃油經(jīng)濟(jì)性提高了36.95%。Adhikari[12]基于功率平衡理論，采用控制動力電池組SOC、降低發(fā)動機起動頻率、安裝ISG（In?tegrated Starter Generator）電機等一系列手段，降低9.3%的燃油消耗量。除此之外，還有研究者從變速箱的結(jié)構(gòu)出發(fā)將發(fā)動機控制在高效區(qū)間；考慮扭矩、效率MAP圖等提高燃油經(jīng)濟(jì)性[13]。

3.2 基于模糊規(guī)則的能量管理策略

在PHEV行駛過程中，由于整個系統(tǒng)具有非線性、時變的特點，利用模糊控制的魯棒性和實時性能有效解決基于確定規(guī)則的不足之處。文獻(xiàn)[14]根據(jù)以往經(jīng)驗確定模糊隸屬度函數(shù)與模糊規(guī)則，對不同結(jié)構(gòu)的燃料電池混合動力汽車進(jìn)行對比研究，期望找到最小能耗組合。文獻(xiàn)[15]對動力電池組SOC和發(fā)動機扭矩分配設(shè)計模糊規(guī)則控制器，確保發(fā)動機工作在高效區(qū)間，實驗結(jié)果表明該控制器提高了燃油經(jīng)濟(jì)性與排放性。文獻(xiàn)[16]同樣采用2個模糊控制器對動力電池組SOC和發(fā)動機扭矩分別控制。還有學(xué)者將模糊邏輯規(guī)則與其它方法相結(jié)合進(jìn)行規(guī)則設(shè)計。Zhao[17]與等效油耗最小相結(jié)合，對等效因子進(jìn)行優(yōu)化，提高了燃油經(jīng)濟(jì)性。Won[18]將模糊控制與粒子群算法相結(jié)合，對發(fā)動機扭矩進(jìn)行優(yōu)化控制。Vural[19]利用遺傳算法對模糊控制的隸屬度函數(shù)與模糊集合進(jìn)行優(yōu)化，并利用優(yōu)化后的模糊控制器對發(fā)動機扭矩進(jìn)行優(yōu)化。Rajagopalan[20]利用模糊PID控制策略，對采用AMT(Advanced Manufacturing Technology)變速箱的混合動力汽車扭矩進(jìn)行了最優(yōu)分配。由于駕駛員駕駛方式的不同能耗可能存在差異，為此Gu[21]基于模糊邏輯控制，指出駕駛意圖識別對能量管理策略的影響。尹安東[22]利用神經(jīng)網(wǎng)絡(luò)對模糊控制器進(jìn)行在線的學(xué)習(xí)優(yōu)化，優(yōu)化后能耗降低10%。

基于規(guī)則的策略雖然計算量小，但同樣存在嚴(yán)重依賴于工程師經(jīng)驗、無法適應(yīng)不同循環(huán)工況、難以制定2個或2個以上規(guī)則管理策略、對車身結(jié)構(gòu)要求嚴(yán)格、管理策略適應(yīng)性不強的缺點。為解決這些不足，更多的研究者探索基于優(yōu)化的管理策略。

3.3 基于全局優(yōu)化的管理策略

基于全局優(yōu)化的管理策略基于循環(huán)工況已知的前提下，多采用龐特里亞金極小值原理(Pontryagin’s Minimum Principle,PMP)、動態(tài)規(guī)劃(Dynamic Program?ming,DP)、遺傳算法（Genetic algorithm,GA）。

DP在20世紀(jì)50年代，由美國數(shù)學(xué)家Bellman提出。DP在解決多階段問題時效果較為顯著，其基本思想是將多階段問題轉(zhuǎn)化為一系列單階段問題，然后再注意求解的方法。而混合動力汽車在行駛過程中按照時間離散化后，就是一個多階段問題。盡管DP計算量大、計算時間長、容易陷入維度困擾的問題，但自從2000年DP運用到能量管理上后[23]，受到大多研究者的青睞。洪志湖[24]以耦合側(cè)輸入為研究對象，利用DP優(yōu)化并聯(lián)混合動力汽車輸出扭矩，研究表明相對于功率平衡策略，燃油經(jīng)濟(jì)性提高了10.95%，動力電池組SOC降低了3.36%。Luo[25]利用DP協(xié)調(diào)控制混合動力汽車的巡航安全性與燃油經(jīng)濟(jì)性。針對DP算法計算量大的缺點，研究者們提出了DP規(guī)劃的改進(jìn)算法降低計算復(fù)雜度[26-28]。還有部分研究者考慮了基于DP的能量管理策略其它問題，如：文獻(xiàn)[29]考慮了燃料電池汽車DP算法能量管理策略累計誤差問題，并提出了解決辦法，使得最優(yōu)氫耗量誤差在0.5%內(nèi)。鄧濤[30]將PHEV與智能家居相結(jié)合，以分時電價和分時能耗為背景，利用DP優(yōu)化最小電價成本的管理策略，實驗表明夏季、冬季家用電費分別節(jié)省50%、27%。宋珂[31]針對DP需要預(yù)先知曉循環(huán)工況的缺點，提出了基于隨機動態(tài)規(guī)劃的能量管理策略。該策略是在統(tǒng)計、分析已知工況前提下，建立馬爾可夫鏈隨機預(yù)測模型。實驗結(jié)果表明該策略在燃油經(jīng)濟(jì)性、發(fā)動機效率、電機效率等有較優(yōu)的表現(xiàn)。

PMP是由蘇聯(lián)學(xué)者Pontryagins等人在20世紀(jì)50年代提出，適用于解決控制條件與狀態(tài)約束條件受限問題。從汽車需求扭矩得到Hamiltonian方程后，基于一定條件下，PMP能快速的獲得全局最優(yōu)解。相比于DP，PMP能在保證全局最優(yōu)前提下更快的獲得最優(yōu)解。文獻(xiàn)[32]利用PMP對PHEV進(jìn)行能量管理，并且其結(jié)果與DP結(jié)果相近。證明了PMP在能量管理問題中的有效性。針對行駛過程中CO2排放量的問題，Stockar[33]利用PMP進(jìn)行了優(yōu)化。Xu[34]采用PMP進(jìn)行實時規(guī)劃，其目的在于保證全局最優(yōu)解前提下，減少計算量，縮短計算時間。Yuan[35]考慮了電池壽命問題，利用PMP對并聯(lián)HEV進(jìn)行能量管理，并于DP算法結(jié)果相比較，實驗表明其結(jié)果僅差0.4%。還有學(xué)者將PMP與DP算法相結(jié)合，DP用于換擋控制，PMP用于功率控制。與DP相比計算速度提高了171倍，與標(biāo)準(zhǔn)換擋策略相比燃油經(jīng)濟(jì)性提高了26.8%。武小花[36]為了提高燃料電池混合動力系統(tǒng)的效率和保持動力電池組SOC，利用PMP為主體設(shè)計了能量管理策略。實驗結(jié)果表明無論電池初始SOC為何值，該算法總能使系統(tǒng)效率提高2.6%。為了降低計算復(fù)雜度，文獻(xiàn)[37]考慮了發(fā)動機頻繁起停的影響，設(shè)計了基于近似PMP的能量管理策略。Hou、洪志湖等從工況方面考慮，將工況信息聚類處理后，再利用PMP進(jìn)行能量管理[38-39]。

GA是模擬生物進(jìn)化的一種仿生算法，其解具有全局最優(yōu)的優(yōu)點，但其計算量大、計算過程中容易陷入局部最優(yōu)解的缺點也很明顯。PHEV的動力部件參數(shù)的選取與控制策略息息相關(guān)，Zhang[40]對2者同時進(jìn)行優(yōu)化，結(jié)果表明燃油經(jīng)濟(jì)性提高了8.97%。Zhang[41]將能量管理過程中單目標(biāo)問題轉(zhuǎn)換為多目標(biāo)問題，并利用GA進(jìn)行能量管理實現(xiàn)最優(yōu)控制，在燃油經(jīng)濟(jì)性方面表現(xiàn)平平，但在尾氣排放性方面提高了5%～10%，效果顯著。Boehme[42]針對不同規(guī)格的驅(qū)動部件影響能量管理的結(jié)果，利用GA設(shè)計了雙層控制策略，實現(xiàn)能量管理。有學(xué)者考慮到單純采用GA算法存在缺陷，與其余智能算法相結(jié)合形成相對完善的能量管理策略。Hu[43]將GA與模糊控制結(jié)合，該策略利用GA算法優(yōu)化模糊控制器，再進(jìn)行能量管理。張松[44]利用PSO與GA算法相結(jié)合，進(jìn)行多目標(biāo)規(guī)劃，結(jié)果表明，燃油經(jīng)濟(jì)性與尾氣排放性均提高30%左右。還有學(xué)者提出利用混沌-遺傳算法[45]、免疫-遺傳算法[46]進(jìn)行能量管理。

3.4 基于瞬時優(yōu)化的能量管理策略

瞬時優(yōu)化的能量管理策略，僅僅考慮當(dāng)前狀態(tài)，制定出決策向量。此種控制策略，可以保證在每一步是最優(yōu)控制，但就總體而言不能保證全局最優(yōu)。在現(xiàn)實運行過程中，瞬時優(yōu)化相對于全局優(yōu)化更容易實現(xiàn)，由于全局狀態(tài)難以獲取、道路信息、車輛信息多變的特點，瞬時優(yōu)化更具有現(xiàn)實意義。主要有等效油耗最小策略、模型預(yù)測管理方法。

等效油耗最小控制策略(Equivalent Consumption Minimization Strategy,ECMS)是將電動機的能耗通過轉(zhuǎn)換、表述為發(fā)動機的能耗，實質(zhì)上是使綜合油耗最小的控制策略。雖然ECMS算法能實現(xiàn)的瞬時優(yōu)化，沒有達(dá)到全局最優(yōu)，但具有計算速度快、效果近似于全局優(yōu)化的特點。文獻(xiàn)[47]對基于規(guī)則的能量管理策略、自適應(yīng)的ECMS和H∞3種方法做了對比，實驗結(jié)果表明，自適應(yīng)ECMS具有計算量小、能耗低的優(yōu)點。Marano[48]將ECMS與DP規(guī)劃對比研究，實驗結(jié)果表明ECMS燃油經(jīng)濟(jì)性稍低于DP，但ECMS的優(yōu)勢在于不需要預(yù)知工況信息。

模型預(yù)測能量管理策略，將全局優(yōu)化問題轉(zhuǎn)化為局部優(yōu)化問題，通過一步一步滾動優(yōu)化，預(yù)測下一步可能出現(xiàn)的狀態(tài)。主要優(yōu)點是適應(yīng)性強，處理非線性問題能力強。羅禹貢[49]利用馬爾可夫鏈進(jìn)行預(yù)測，并取得了較好的結(jié)果。CAIRANO[50]同樣用到馬爾可夫鏈，不同之處在于此篇文章使用馬爾可夫鏈對數(shù)據(jù)進(jìn)行統(tǒng)計，再利用深度學(xué)習(xí)的策略。實驗結(jié)果表明，此種方法能有效提高預(yù)測準(zhǔn)確性。

3.5 基于學(xué)習(xí)的控制策略

基于學(xué)習(xí)的控制策略是相對新穎的控制方法，主要分為2大類：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。前者能有效處理分類問題，后者在聚類辨識的應(yīng)用更廣。對于能量管理問題，Khayyam[51]將神經(jīng)網(wǎng)絡(luò)、模糊邏輯結(jié)合，利用神經(jīng)網(wǎng)絡(luò)優(yōu)化模糊邏輯參數(shù)，有效提高了模糊邏輯的通用性。Chen[52]采用支持向量機對工況進(jìn)行辨識，對辨識之后的結(jié)果采用不同基于規(guī)則的策略進(jìn)行管理，能有效應(yīng)對各種工況。

4 存在的問題及展望

針對PHEV的研究很多，有從結(jié)構(gòu)上改進(jìn)，有從控制策略上優(yōu)化，還有從循環(huán)工況獲取上入手，但很多研究都只是針對同一種動力總成結(jié)構(gòu)。對于不同結(jié)構(gòu)的車輛，控制策略需要單獨設(shè)計。特別是一種新式的PHEV車型需要重新設(shè)計控制策略。而且現(xiàn)有研究大多只考慮燃油經(jīng)濟(jì)性，考慮排放性的相對較少，考慮動力電池組使用壽命的更少，更不用說3者都考慮在內(nèi)。即使有考慮多目標(biāo)優(yōu)化的控制策略，也是通過將各目標(biāo)函數(shù)加權(quán)，使多目標(biāo)轉(zhuǎn)變?yōu)閱文繕?biāo)問題。

發(fā)展新能源汽車主要目的是節(jié)能、減排，雖然新能源汽車綜合油耗低、綜合排量少，但并沒有從根源上解決排放問題，只是“少運行”而已。沒考慮排放性的控制策略，在發(fā)動機運行時其尾氣排放種類及含量與傳統(tǒng)汽車無異，并沒有達(dá)到期望中的減排效果。再者新能源汽車成本很大一部分集中在動力電池組上，動力鋰電池組生產(chǎn)時伴隨著嚴(yán)重的污染，若不對其進(jìn)行有效的保護(hù)與管理，可能會使其壽命降低，更換電池組的時間間隔縮短，整個車輛使用成本增加，生產(chǎn)污染增加。影響動力電池組壽命很重要的一個因素就是動力電池充放電電流。解決電池組電流大的方法有增加并聯(lián)電池組的數(shù)量、降低其功率。在PHEV上增加更多的電池組，會帶來一系列的缺點，如：購車成本增加、內(nèi)部可用空間減小、會增加車身重量、行駛時車輛能耗增加。因此，將電池組運行過程中的電流考慮在內(nèi)是有必要性與可行性的。