吳靜波,李明明,郭志軍,盧耀真

(1. 河南省汽車節(jié)能與新能源重點(diǎn)實(shí)驗(yàn)室,河南洛陽 471000; 2. 河南科技大學(xué) 車輛與交通工程學(xué)院,河南洛陽 471000)

能量管理控制策略是混合動力汽車的關(guān)鍵技術(shù),對降低燃油消耗和尾氣排放有著顯著的效果,目前已經(jīng)成為了眾多學(xué)者競相研發(fā)的熱點(diǎn)。文獻(xiàn)[1]針對混合動力汽車在模式切換時,發(fā)動機(jī)與驅(qū)動電機(jī)對需求轉(zhuǎn)矩響應(yīng)時間的不同,會對車輛造成沖擊產(chǎn)生動態(tài)油耗,提出了模型預(yù)測控制策略,通過仿真模型驗(yàn)證,取得了良好的控制效果。文獻(xiàn)[2]為實(shí)現(xiàn)檔位選擇和功率分配的協(xié)同優(yōu)化,利用馬爾科夫鏈模型預(yù)測未來時域內(nèi)的車速,并和基于規(guī)則的控制策略進(jìn)行對比,模型預(yù)測控制策略的燃油經(jīng)濟(jì)性大大提高。文獻(xiàn)[3]指出混合動力汽車在未來時域內(nèi)的需求轉(zhuǎn)矩,將會按照指數(shù)函數(shù)的形式遞減,因此,建立了線性的優(yōu)化控制模型。文獻(xiàn)[4]提出了智能模糊控制策略,利用遺傳算法優(yōu)化控制參數(shù),通過定義的輸入和輸出,合理調(diào)整發(fā)動機(jī)與電機(jī)的轉(zhuǎn)矩分配。文獻(xiàn)[5]主要闡述了模型預(yù)測控制的優(yōu)勢,通過預(yù)測未來時域內(nèi)駕駛員的行為,對需求轉(zhuǎn)矩進(jìn)行合理分配。目前大多數(shù)的能量管理控制策略研究,僅僅關(guān)注優(yōu)化發(fā)動機(jī)的工作區(qū)間或模式之間的轉(zhuǎn)換,盡可能保證發(fā)動機(jī)的效率達(dá)到最優(yōu)[6]。但是,對于混合動力汽車而言,發(fā)動機(jī)效率最優(yōu)并不代表車輛的整體效率最優(yōu),很多忽視了電池的使用壽命對車輛達(dá)到整體效率最優(yōu)的影響。

針對以上存在的問題,本文以P2構(gòu)型混合動力汽車為依托,在利用馬爾科夫鏈模型預(yù)測需求轉(zhuǎn)矩的基礎(chǔ)之上,增加模糊控制算法來解決非線性控制問題,同時引入了轉(zhuǎn)矩分配因子的概念,通過在線調(diào)整轉(zhuǎn)矩分配因子,將需求轉(zhuǎn)矩在發(fā)動機(jī)與電機(jī)之間進(jìn)行實(shí)時分配,在保證發(fā)動機(jī)效率達(dá)到最優(yōu)的同時,避免電池充放電電流過大對使用壽命造成損害。由于采用了模型預(yù)測的控制方法,轉(zhuǎn)矩分配的實(shí)時性也得到了很大的提高。

1 P2構(gòu)型混合動力系統(tǒng)

1.1 混合動力系統(tǒng)的總體布置

本文以P2構(gòu)型的混合動力車輛為研究對象,該車的傳動系統(tǒng)結(jié)構(gòu)為同軸并聯(lián)式結(jié)構(gòu),如圖1所示,主要零部件包括:柴油發(fā)動機(jī)、異步電機(jī)(ASM)、動力電池、DCT變速箱、主減速器、差速器。

圖1 并聯(lián)式混合動力系統(tǒng)結(jié)構(gòu)示意圖

由于發(fā)動機(jī)與電機(jī)同軸相連,電機(jī)可以輔助發(fā)動機(jī)滿足較大的瞬時需求功率,而且可以通過離合器的開閉,進(jìn)行多種模式的切換。整車與零部件的參數(shù)如表1所示。

表1 整車與零部件參數(shù)

1.2 車輛動力學(xué)模型

以車輛動力學(xué)公式為基礎(chǔ),建立了并聯(lián)式混合動力汽車的動力學(xué)模型,表達(dá)式為：

(1)

(2)

ωe=ωLi0h

(3)

(4)

式中:τL為車輪需求轉(zhuǎn)矩;vv為行駛速度;ρa(bǔ)ir為空氣密度;R0為滾動阻力系數(shù);α為坡度角;Cd為空氣阻力系數(shù);A為迎風(fēng)面積;mν為整車質(zhì)量;g為重力加速度;ωL為車輪轉(zhuǎn)速;r為車輪半徑;i0為換擋速比;ωe為發(fā)動機(jī)轉(zhuǎn)速;τe為發(fā)動機(jī)轉(zhuǎn)矩;η為傳動系統(tǒng)效率。

1.3 動力系統(tǒng)數(shù)學(xué)建模

發(fā)動機(jī)模型的建立,一種是以試驗(yàn)數(shù)據(jù)為基礎(chǔ)的試驗(yàn)建模,另一種則是理論建模。本文利用通過試驗(yàn)獲得的數(shù)據(jù),建立發(fā)動機(jī)模型,發(fā)動機(jī)燃油消耗Map如圖2所示,主要是轉(zhuǎn)速、轉(zhuǎn)矩和燃油消耗率之間的函數(shù)關(guān)系。

圖2 發(fā)動機(jī)燃油消耗圖

驅(qū)動電機(jī)選用異步電機(jī),電機(jī)系統(tǒng)效率Map如圖3所示,主要是電機(jī)轉(zhuǎn)矩、轉(zhuǎn)速和工作效率之間的函數(shù)關(guān)系。

圖3 電機(jī)效率特性圖

1.4 電池模型

動力電池的標(biāo)稱容量為90 Ah,額定電壓為320 V,可以將開路電壓和等效內(nèi)阻串聯(lián)組成的等效電路比作電池組,開路電壓和等效電阻表示為電池SOC的函數(shù),單體電池特性如圖4所示。

圖4 單體電池充放電內(nèi)阻和電壓隨SOC的變化關(guān)系

2 基于馬爾科夫鏈模型預(yù)測需求轉(zhuǎn)矩

以全球輕型車測試規(guī)程(WLTP)的工況特征為例,進(jìn)行馬爾科夫鏈模型預(yù)測需求轉(zhuǎn)矩的研究。經(jīng)過模型預(yù)測得到未來一段時域內(nèi)的需求轉(zhuǎn)矩,可為下文設(shè)計模糊控制器的實(shí)時性奠定基礎(chǔ)。本文以并聯(lián)式混合動力汽車為研究對象,由于發(fā)動機(jī)和電機(jī)以轉(zhuǎn)矩耦合的方式,對外輸出動力,驅(qū)動輪的需求轉(zhuǎn)矩可以看作車輛的需求轉(zhuǎn)矩,在未來時域內(nèi),駕駛員通過操縱加速踏板和制動踏板來控制輸出轉(zhuǎn)矩的大小,其值是未知的,但能將其看作具有隨機(jī)性質(zhì)的馬爾科夫過程,即未來時域內(nèi)的需求轉(zhuǎn)矩只和當(dāng)前狀態(tài)的需求轉(zhuǎn)矩有關(guān),與之前的狀態(tài)無關(guān)[7],將未來時域內(nèi)的需求轉(zhuǎn)矩視為一種概率分布,而概率分布可以從過去的行車數(shù)據(jù)或標(biāo)準(zhǔn)工況中提取和歸納。

混合動力汽車行駛屬于時間連續(xù),狀態(tài)離散的過程,將需求轉(zhuǎn)矩離散為有限個數(shù)列，即

Treq={Treq1,Treq2,Treq3,…,Treqs}

(5)

在N時刻需求轉(zhuǎn)矩為Treqi的前提下,N+1時刻需求轉(zhuǎn)矩為Treqj的轉(zhuǎn)移概率可表示為

Pi,j=Tr{Treq(N+1)=Treqj|Treq(N)=Treqi}

(6)

依據(jù)本文采用的WLTP循環(huán)工況,經(jīng)過式(1)～式(4)的計算,可得出各個時刻駕駛員的需求轉(zhuǎn)矩,Pi,j的值能通過最大似然預(yù)測法確定,則

(7)

(8)

i,j∈(1,2,…,i)

(9)

式中：Mi,j為需求轉(zhuǎn)矩從i轉(zhuǎn)移到j(luò)的次數(shù);Mi為需求轉(zhuǎn)矩從i轉(zhuǎn)移的次數(shù)之和。

圖5為在統(tǒng)計了WLTP工況的情況下,得到的轉(zhuǎn)移概率矩陣,本文選擇預(yù)測時域?yàn)閠=15 s。

圖5 馬爾科夫轉(zhuǎn)移概率矩陣

3 基于轉(zhuǎn)矩分配因子的控制策略研究

能量管理控制策略研究的難點(diǎn)問題為需求轉(zhuǎn)矩在兩個動力源之間實(shí)時的合理分配。本文首先引入轉(zhuǎn)矩分配因子的概念,在電量消耗模式時,利用轉(zhuǎn)矩分配因子來調(diào)節(jié)混合動力系統(tǒng)中發(fā)動機(jī)工作點(diǎn)的分布情況,進(jìn)而控制發(fā)動機(jī)的輸出轉(zhuǎn)矩在整個需求轉(zhuǎn)矩之中所占的比例。在行車充電時,通過調(diào)整轉(zhuǎn)矩分配因子來控制發(fā)動機(jī)向動力電池輸出充電轉(zhuǎn)矩的大小。由于未知的工況和控制目標(biāo)的非線性,將需求轉(zhuǎn)矩在兩個動力源之間進(jìn)行實(shí)時分配是非常復(fù)雜的[8],本文采用馬爾科夫鏈預(yù)測模型,預(yù)測未來一段時域內(nèi)的需求轉(zhuǎn)矩,然后利用模糊控制器對于解決非線性控制問題,有著很好控制效果的優(yōu)點(diǎn)[4],調(diào)整模糊控制器的輸出值,對需求轉(zhuǎn)矩進(jìn)行合理的分配。該控制器設(shè)計的基本原則為發(fā)動機(jī)與驅(qū)動電機(jī)工作在高效區(qū)的同時,保證電池的充放電在合理范圍內(nèi),避免在運(yùn)行過程中,電池充放電電流過大對使用壽命造成損害[9-10]。

3.1 模糊控制器的設(shè)計

模糊控制器主要采用Mamdani和Takagi-Sugeno模型。本文研究的轉(zhuǎn)矩分配因子α不是一個連續(xù)變量,而是一個具體的數(shù)值[4],因此,選用T-S模型對非線性系統(tǒng)進(jìn)行建模。

如果能夠預(yù)知未來一段時域內(nèi)車輛的需求轉(zhuǎn)矩,則可以提前對其進(jìn)行合理的分配[11],進(jìn)而提高需求轉(zhuǎn)矩分配的實(shí)時性,本文通過馬爾科夫鏈預(yù)測模型對需求轉(zhuǎn)矩進(jìn)行預(yù)測,以電機(jī)目標(biāo)轉(zhuǎn)矩占總需求轉(zhuǎn)矩的百分比作為輸入1,電池SOC值作為輸入2,即:

(10)

Input2=SOC

(11)

式中:Treq為車輛需求轉(zhuǎn)矩,TEng為發(fā)動機(jī)目標(biāo)轉(zhuǎn)矩,其值可以通過式(4)獲得；SOC為電池的荷電狀態(tài)。

轉(zhuǎn)矩分配因子α作為模糊控制器的輸出,即Output=α，可以通過改變其輸出值,決定發(fā)動機(jī)的目標(biāo)轉(zhuǎn)矩占總需求轉(zhuǎn)矩的比例,得出實(shí)際的發(fā)動機(jī)轉(zhuǎn)矩,轉(zhuǎn)化為驅(qū)動力或向動力電池充電。通過模糊控制器的輸入和輸出對需求轉(zhuǎn)矩進(jìn)行分配的整體流程圖,如圖6所示。

圖6 基于模糊邏輯控制器對需求轉(zhuǎn)矩進(jìn)行分配的整體流程圖

3.2 模糊控制規(guī)則的設(shè)計

依據(jù)并聯(lián)式混合動力汽車的工作模式以及電機(jī)的動態(tài)特性,對應(yīng)Input1的模糊子集設(shè)置為{NL1,NS1,O1,PS1,PL1},處理后的模糊化論域?yàn)?0,1),分別代表負(fù)大,負(fù)小,0,正小,正大。電池SOC經(jīng)模糊化處理后的論域?yàn)?0,1),對應(yīng)Input2的模糊子集設(shè)置為{NL2,NS2,O2,PS2,PL2},依次代表負(fù)大,負(fù)小,0,正小,正大。

轉(zhuǎn)矩分配因子α作為模糊控制器的輸出,可以從{0,0.75,0.80,0.85,0.90,0.95,1,1.05,1.1,1.15,1.25}中提取,這些數(shù)值代表了發(fā)動機(jī)對電池進(jìn)行充電的程度,例如:輸出值0代表發(fā)動機(jī)不參與驅(qū)動,輸出值1代表電池SOC值和發(fā)動機(jī)都工作在合理范圍內(nèi),不需要進(jìn)行調(diào)整,輸出值1.25代表發(fā)動機(jī)在最大轉(zhuǎn)矩曲線上工作,對電池輸出的充電轉(zhuǎn)矩最大。通過在線調(diào)整模糊控制器的輸出值,實(shí)現(xiàn)發(fā)動機(jī)在較好的燃油經(jīng)濟(jì)區(qū)域內(nèi)工作,同時決定了發(fā)動機(jī)向動力電池輸出充電轉(zhuǎn)矩的大小[12],有效防止了為使發(fā)動機(jī)效率達(dá)到最優(yōu),而導(dǎo)致動力電池放電電流過大對使用壽命造成損害。為使混合動力系統(tǒng)能夠穩(wěn)定運(yùn)行,模糊控制規(guī)則需要包含該車輛的所有運(yùn)行模式。本文遵循動力性優(yōu)先原則,電機(jī)優(yōu)先使用原則,發(fā)動機(jī)高效率原則和能量回收原則,根據(jù)圖7和圖8的隸屬度函數(shù),共制定出25條規(guī)則進(jìn)行控制,建立模糊邏輯規(guī)則庫,如表2所示。

圖7 電機(jī)目標(biāo)轉(zhuǎn)矩占總需求轉(zhuǎn)矩的百分比的隸屬度函數(shù)

圖8 電池SOC的隸屬度函數(shù)

表2 模糊邏輯控制規(guī)則

模糊規(guī)則的形式為

If(DisNL1andSOCisNL2), then(αis 0.95)

3.3 基于自適應(yīng)模擬退火算法優(yōu)化轉(zhuǎn)矩分配因子

模糊控制器中的隸屬度函數(shù)和控制規(guī)則一般來源于專家經(jīng)驗(yàn),通常很難獲得最優(yōu)的控制效果[13-14]。因此,本文建立轉(zhuǎn)矩分配因子優(yōu)化模型,利用自適應(yīng)模擬退火算法對能量管理優(yōu)化問題進(jìn)行求解[15],轉(zhuǎn)矩分配因子的定義為

Teopt-new(ne)=α·Teopt(ne)

(12)

式中:Teopt(ne)為預(yù)測時域內(nèi)發(fā)動機(jī)輸出轉(zhuǎn)矩；Teopt-new(ne)為發(fā)動機(jī)實(shí)際輸出轉(zhuǎn)矩。

鑒于在仿真過程中優(yōu)化結(jié)果的分布情況,仿真時間和尋優(yōu)空間的范圍具有一定的界限,為提高實(shí)時性,將轉(zhuǎn)矩分配因子的優(yōu)化區(qū)間為

0≤α≤1.25

(13)

式中：0和1.25是轉(zhuǎn)矩分配因子取得的下限值和上限值,該值依據(jù)仿真結(jié)果和優(yōu)化時間得到的。

為得到更合理的轉(zhuǎn)矩分配因子α,對能量管理策略優(yōu)化模型進(jìn)行約束，即

(14)

式中:ne為發(fā)動機(jī)轉(zhuǎn)速；Te為發(fā)動機(jī)轉(zhuǎn)矩；nm為電機(jī)轉(zhuǎn)速；Tm為電機(jī)轉(zhuǎn)矩。

本文采用自適應(yīng)模擬退火算法(Adaptive simulated annealing,ASA)對模糊控制器的輸出進(jìn)行優(yōu)化求解,得出最優(yōu)的轉(zhuǎn)矩分配因子。ASA主要包括狀態(tài)空間產(chǎn)生函數(shù)、接受當(dāng)前狀態(tài)的函數(shù)和溫度更新函數(shù),將ASA的能量表述為等效百公里燃油消耗量E,即優(yōu)化目標(biāo)函數(shù),尋求E最小值的過程就是優(yōu)化轉(zhuǎn)矩分配因子α的過程。

(15)

Be(k)=f(α·Teopt,ne)

(16)

式中:E為等效百公里燃油消耗量；Be(k)為燃油消耗率；Cb(k)為電量等效燃油消耗率；S為行駛的路程；K為時間階段；N為總的時間階段數(shù)。

含有M個變量的狀態(tài)空間產(chǎn)生新的目標(biāo)函數(shù)的概率密度函數(shù)為

式中:M為每一個溫度下變量的維度；y={yi:i=1,…,M}；Ti為絕對溫度,ui服從均勻分布。

接受新的目標(biāo)值的函數(shù)為

(18)

式中ΔE=Ek+1-Ek。

溫度更新函數(shù)為

(19)

式中:T0i為起始溫度；mi和ni為調(diào)整ASA的自由因子。

基于自適應(yīng)模擬退火算法優(yōu)化轉(zhuǎn)矩分配因子的流程圖如圖9所示。

圖9 自適應(yīng)模擬退火算法優(yōu)化轉(zhuǎn)矩分配因子的流程圖

4 仿真結(jié)果分析

為了對本文所提出的控制策略進(jìn)行驗(yàn)證,采用MATLAB/Simulink和Cruise仿真平臺對P2構(gòu)型的混合動力汽車進(jìn)行建模和仿真,以全球輕型車統(tǒng)一測試規(guī)程(WLTP)作為仿真工況,對本文提出的馬爾科夫鏈預(yù)測模型編寫M程序,并通過建立的仿真模型調(diào)用程序,為了減小仿真的時間,本文選擇5 s為一個預(yù)測時域,采樣時間的間隔為1 s,SOC的初始值為0.6,圖10為并聯(lián)式混合動力汽車轉(zhuǎn)矩實(shí)時分配的控制策略示意圖,通過聯(lián)合仿真得到仿真結(jié)果如圖11～圖17所示。

圖10 并聯(lián)式混合動力汽車轉(zhuǎn)矩實(shí)時分配的控制策略示意圖

圖11 目標(biāo)車速與實(shí)際車速的跟隨情況

圖12 WLTP工況下發(fā)動機(jī)轉(zhuǎn)矩

圖13 WLTP工況下驅(qū)動電機(jī)轉(zhuǎn)矩

圖14 WLTP工況下SOC變化曲

圖15 動力電池的充放電電流

圖16 WLTP工況下發(fā)動機(jī)工作點(diǎn)

圖17 WLTP工況下驅(qū)動電機(jī)的工作點(diǎn)

圖11為在本文提出的轉(zhuǎn)矩實(shí)時分配控制策略下的實(shí)際車速跟隨目標(biāo)車速的情況，由圖可看出，實(shí)際車速對目標(biāo)車速有著很好地跟隨效果，滿足動力性需求。圖12和圖13為主要動力部件的輸出轉(zhuǎn)矩，圖14為動力電池SOC值的變化曲線。當(dāng)電池SOC>0.565時，混合動力汽車處于電量消耗階段，主要采用電機(jī)驅(qū)動車輛行駛，當(dāng)電池SOC<0.565時，為了防止電池過度放電對使用壽命造成損害，降低車輛的整體效率，發(fā)動機(jī)開始輸出轉(zhuǎn)矩，并通過調(diào)節(jié)轉(zhuǎn)矩分配因子，控制發(fā)動機(jī)輸出轉(zhuǎn)矩在總需求轉(zhuǎn)矩中所占的比例，并根據(jù)當(dāng)前電池SOC值的大小來決定發(fā)動機(jī)向動力電池輸出充電轉(zhuǎn)矩的大小。同時，當(dāng)電池SOC值高于設(shè)定的最小值時，為了確保發(fā)動機(jī)在最優(yōu)效率區(qū)工作，應(yīng)當(dāng)由電機(jī)進(jìn)行轉(zhuǎn)矩補(bǔ)償，循環(huán)終止時，電池SOC=0.575，與初始值相差無幾。整個運(yùn)行過程中，電池SOC值一直保持在0.56上下，波動范圍保持在上下3%以內(nèi)，而基于邏輯門限值的能量管理控制策略，為了保證發(fā)動機(jī)盡可能的工作在最優(yōu)效率區(qū)，提高整車燃油經(jīng)濟(jì)性，動力電池持續(xù)放電，導(dǎo)致電池SOC值下降速度過快，放電電流過大，對電池的使用壽命產(chǎn)生了不利的影響。圖15為動力電池充放電時電流的變化情況，從圖15中可以看出電流的變化一直保持在合理范圍內(nèi)，說明本文提出的控制策略在車輛行駛過程中，基本上可以實(shí)現(xiàn)P2構(gòu)型混合動力汽車的能量管理，滿足了不損害電池使用壽命的目的。

圖16和圖17分別為發(fā)動機(jī)和驅(qū)動電機(jī)在運(yùn)行過程中工作點(diǎn)的分布情況，由圖16與圖17可知，與邏輯門限值控制策略相比，本文提出的控制策略能夠保證發(fā)動機(jī)的工作點(diǎn)絕大多數(shù)的分布在燃油消耗最小的區(qū)域，說明該策略能夠改善發(fā)動機(jī)的燃油消耗。驅(qū)動電機(jī)的工作點(diǎn)主要分布在0.75～0.9的高效率區(qū)域內(nèi)，具有良好的控制效果?？傮w可以看出，本文提出的控制策略在不損害電池使用壽命的同時，車輛的整體效率也得到了提高。

通過以上兩種控制策略的仿真分析對比，可以得出，由于基于邏輯門限值的控制策略主要依據(jù)專家經(jīng)驗(yàn)設(shè)定合理的門限值來限定發(fā)動機(jī)的工作區(qū)域，制定相應(yīng)的切換規(guī)則，未能充分考慮車輛動態(tài)時的轉(zhuǎn)矩分配和電池SOC值的波動情況，無法統(tǒng)籌兼顧系統(tǒng)各個部件的綜合性能，對提高車輛燃油經(jīng)濟(jì)性和改善電池使用壽命具有一定的局限性。

為了更直觀的對比有關(guān)燃油經(jīng)濟(jì)性的優(yōu)化效果，將本文提出的控制策略與邏輯門限值控制策略進(jìn)行對比分析，如圖18所示，通過馬爾科夫鏈模型對未來時域內(nèi)需求轉(zhuǎn)矩的預(yù)測，以及對轉(zhuǎn)矩分配因子的動態(tài)調(diào)節(jié)，基本上可以實(shí)現(xiàn)電池SOC值在合理范圍內(nèi)波動的前提下，混合動力汽車的燃油消耗明顯低于采用基于邏輯門限值控制策略下的燃油消耗。

5 結(jié)論

1) 鑒于能量管理控制策略的實(shí)時性，建立了馬爾科夫鏈預(yù)測模型，通過預(yù)測未來時域內(nèi)混合動力汽車的轉(zhuǎn)矩需求，可提前對需求轉(zhuǎn)矩在兩個動力源之間進(jìn)行實(shí)時分配，為改善混合動力汽車的燃油經(jīng)濟(jì)性和轉(zhuǎn)矩分配的實(shí)時性提供理論基礎(chǔ)。

2) 以往的能量管理控制策略，大多數(shù)僅僅關(guān)注如何提高發(fā)動機(jī)的燃油經(jīng)濟(jì)性，然而，針對混合動力汽車而言，發(fā)動機(jī)的效率最優(yōu)并不等同于車輛的整體效率最優(yōu)，本文通過建立模糊控制器，引入轉(zhuǎn)矩分配因子的概念，并利用自適應(yīng)模擬退火算法對轉(zhuǎn)矩分配因子進(jìn)行優(yōu)化，在提高了整車效率的同時，動力電池的使用壽命也獲得了改善。

3) 本文有效的結(jié)合了模型預(yù)測和模糊控制策略兩者的優(yōu)點(diǎn)，既提高了控制策略的實(shí)時性，又具有很好地魯棒性。在MATLAB和Cruise軟件中進(jìn)行聯(lián)合仿真，驗(yàn)證本文提出的并聯(lián)式混合動力汽車轉(zhuǎn)矩實(shí)時分配的控制策略，在WLTP工況運(yùn)行過程中，電池SOC一直保持在0.56上下，波動范圍維持在與初始值上下3%以內(nèi)，達(dá)到了在提高整車燃油經(jīng)濟(jì)性的同時改善動力電池使用壽命的目的。