插电式混合动力汽车能量管理策略综述

摘 要：装备双能源裝置的插电式混合动力汽车如何在车辆运行期间进行能量分配近来已成为研究热点。对插电式混合动力汽车已有的能量管理策略进行回顾和梳理，并将现有能量管理策略分为规则型控制和最优控制两大类，总结了各个能量管理策略的难题，指出未来能量管理策略的研究方向。

关键词：插电式；混合动力汽车；能量分配

DOI：10.16640/j.cnki.37-1222/t.2017.06.081

0 引言

近十几年来中国汽车产业发展迅猛，在2016汽车产销分别完成2811.9万辆和2802.8万辆，连续8年蝉联世界第一[1]。汽车产业的不断发展，带来环境问题日益突出，雾霾和尾气排放备受社会关注，汽车尾气已经成为许多城市大气污染的首要因素。

为了应对能源危机和环境问题，发展节能汽车和新能源汽车已是必然之举，插电式混合动力电动汽车具有内燃机汽车和电动汽车的双重优点，因此被认为是从内燃机汽车向电动汽车发展的过渡车型，成为新型汽车发展的热点。PHEV具有大容量的电池并且可接受电网充电，纯电动续驶里程[1]得到显著改善满足短途行驶，其内燃机可保证长途行驶，夜晚通过充电装置从电网获取低成本的电能，充分利用夜间低电谷的优点，同时降低运营成本，减少油耗和排放[2]。能量管理策略是PHEV的核心技术，对车辆的动力性、经济性和排放，电池的充放电平衡都有着至关重要影响，本文围绕着PHEV的能量管理策略进行讨论和分析，以期望对今后PHEV能量管理策略研究工作有所借鉴。

1 插电式混合动力汽车结构

根据发动机是否与驱动轮有直接机械连接，将PHEV分为串联式、并联和混联3种类型[3]，如图1—图3所示。

串联式结构的PHEV，电机是唯一的驱动模式，发动机只能带动发电机进行发电，所发的电能可给蓄电池充电，也可为电机供给电能，多用于大型客车；并联式结构，电动机和发动机可以独立的给汽车提供扭矩，也可通过动力耦合装置共同驱动车辆，电机既作为电动机也可作为发电机，小型汽车上应用较多；混联式结构是串联式和并联式的结合，兼有两种型式的优点，优化匹配各个部件使整个系统在不同工况下都可运行在最佳状态，节能减排效果较好。

2 能量管理控制策略

PHEV能量管理策略就是需要根据驾驶员的意图和行驶工况及整车运行状态，有效分配动力电池和发动机的输出功率，合理利用动力电池从电网吸收的低成本电能，管理动力电池的充放电。

现有的控制策略都是属于基于转矩的控制，大致可分为两类[2]：一类是规型的控制策略，该策略不依赖受控对象精确的数学模型，规则的制定 主要根据工程经验及各部件的特性，可分为逻辑门限值的控制策略和模糊控制两类。另一类是最优控制方法，主要是运用优化方法和最优控制理论制定的控制策略，需要优化建模和求解以使整车性能达到最优。该策略可分为基于已知行驶工况的离线优化和基于行驶工况预测的实时优化控制策略。

3 规则型控制策略

3.1 逻辑门限控制

逻辑门限规则主要思想是以发动机工作在高效区间为控制目标，保证电池荷电状态SOC运行在一定的值范围内为核心[4]。吕志梁等[5； 6]运用 CD-CS策略制定了控制规则。周美将逻辑门限值改为动态调整，使得发动机工作区域可以依据SOC值变窄或变宽[7]。

基于逻辑门限的能量管理策略，各门限变量的设定依赖工程经验，算法简单易行、实用性强的特点，应用较为广泛，但其动态适应差，难以达到系统最优。

3.2 模糊控制

模糊控制基于数理逻辑和模糊数学，模拟人的逻辑推导和决策，实现对难以建模的非线性系统的有效控制。

井济民等在并联式混合动力汽车上设计的以动力电池荷电状态和车辆加速踏板信号为输入，发动机功率为输出的模糊逻辑控制策略[8-10]。图5所示为模糊控制策略基本原理图。张冰战则在模糊逻辑控制器的输入中增加路况里程[11]。

模糊逻辑只能得到近似最优结果； 另外，构建模糊逻辑规则表也需要耗费大量的精力。

4 最优化控制方法

4.1 基于已知行驶工况的离线优化

基于已知行驶工况的离线优化的控制方法是针对已知的行驶工况，依据整个行驶路程的不同阶段特征合理分配发动机和动力电池的能量，以整个行驶工况系统的性能最佳为控制目标建立优化数学模型。常用的优化方法确定性动态规划（deterministic dymanic programming，DDP）和人工智能算法（artificial intelligent algorithm，AIA）。

（1）动态规划算法。动态规划是将多阶段过程优化问题分解为若干单步优化子问题，通过后向求解的方法获得最优决策系列。张博等将已知的驾驶循环工况分解为N个阶段，以每阶段的燃油价格与电网价格的综合作为控制目标；张洁丽将动力电池SOC分解为N阶段，以燃油经济性最优为控制目标，应用动态规划算法求解 [12]。肖仁鑫制定了基于边界线拟合的动态规划。林歆悠等提出基干离散动态规划的合理使用电池功率均衡全局优化控制策略[13]。Qiuming Gong等结合智能交通技术，对电量消耗阶段能量管理提出two-scale的动态规划算法[14]。

（2）人工智能算法。人工智能算法是模仿自然界规律求解问题的算法，多用于非线性系统的控制。任丹宗[15]建立了Elman神经网络模型控制能量分配。此外徐萍萍等人采用小波神经网络[16]，孔庆等人采用对角回归型神经网络[17]，也得到与任丹宗相同的效果。

Morteza Montazeri Gh等应用遗传算法对并联混合动力电动汽车（HEV）中控制参数优化[18； 19]。`张松等利用自适应惯性因子改进基本粒子群算法，并将其与遗传算法组成混合优化算法，应用于PHEV的能量管理策略的多目标优化[20]。卢立来运用遗传算法对插电式混合动力系统能量管理策略的模式切换控制参数进行全局优化，得到典型循环工况离线控制最优参数数据库，在车辆实际行驶过程中提取实际行驶工况的特征参数，运用聚类算法识别所属典型工况的类别，实现不同工况的自适应调整[21]。

动态规划和人工智能算法只能从理论上获得全局最优化解，但其运算量大，难以在实车上应用，其理论结果只能用作参考。

4.2 基于行驶工况预测的实时优化

车辆在实际行驶中运行工况是随机的过程，其功率需求并不能确定，如何实时分配汽车需求功率，关键在于确立道路工况预测的控制模型。

（1）随机动态规划。随机动态规划（Stochastic Dynamic Programming，SDP） 与动态规划算法的主要区别在于，SDP算法不需要预知工况循环的确定信息，只要得到需求功率分布概率，就可建立随机模型，优化车辆行驶功率流的分配[22； 23]。肖仁鑫等建立了功率需求的马尔科夫模型，以油耗最小和保持电池容量为目标，应用随机动态过程得到了能量管理策略[24]。林歆悠等在统计若干城市循环工况数据的基础上建立了驾驶员需求功率的马尔科夫模型，应用随机动态规划算法获得了功率流的分配规则[25]。

（2）瞬时控制策略。瞬时优化能量管理控制策略以任意时刻能量损失最小为目标。目前主要分为等效燃油消耗最小策略和最小功率损失型两种方法。等效燃油消耗最小策略（Equivalent consumption minimization strategies，ECMS）是将动力电池消耗的电能转化为等效燃油消耗，在优化过程中以等效油耗和实际油耗的和最小为目标，进而提高车辆的燃油经济性。胡红斐等引入等效因子，将电能耗和燃油热耗能转化为等效能量消耗指标[26]。Cristian Musardo 等人加入动态估计等效因子算法在ECMS中，因此可以根据行驶工况实时自适应调整等效因子，ECMS具有自适应控制[27]。崔纳新等在电量保持阶段结合逻辑门限策略改进ECMS算法。最小功率损失型控制策略是以动力系统中各部件的瞬时功率损失最小为优化目标[28]。宋光辉等建立了混合动力汽车运行工况分为放电工况和充电工况的综合效率模型，以综合效率越高，整车功率损失越小，油耗越低的思想，提出了优化控制策略[29]。

（3）模型预测控制 。近年来许多学者开始在混合动力汽车能量管理策略方面运用模型预测控制（Model Predictive control，MPC）算法，该方法是一种新型的控制策略优化方法，它是根据历史数据、数学模型或是交通信息，预测汽车在未来有限时间域的功率需求，然后合理分配能量。曾祥瑞等通过简化过一阶发动机动态模型，提出了一种并联混合动力汽车模型预测控制的转矩分配策略，该策略是基于驾驶员加速踏板位置的需求转矩预测方法[30]。张昕等建立了一阶齐次马尔科夫预测模型，对主干道和快速路建立了行驶工况特征参数进行了预测 [31]。G. Ripaccioli应用了随机预测模型优化HEV能量分配，该模型是基于马尔科夫模型和随机模型控制技术，预测驾驶员在未来不同工况下的功率需求[32]。Chao Sun建立随机马尔科夫的预测模型，对速度和加速度进行预测[12； 33]。Xiangrui Zeng等将HEV能量管理策略视为有限的马尔科夫决策过程，并使用随机动态规划来求解[34]。

模型预测虽然能够在车辆行驶过程中实时分配能量，但算法的鲁棒性较差。

5 总结

插电式混合动力的能量管理策略是一个非线性的复杂优化问题，研究人员开始从制定规则型的控制策略解决该问题，随着插电式混合动力汽车的技术的发展，规则型的控制策略已经难以保证系统效率最优。于是，研究人员运用最优控制技术，并不断改进，虽然取得了不错的效果，但是设计时都需要依赖于已知工况，在其它工况不能保证是最优的。随着微处理器的性能提升，基于行驶工况预测的实时优化控制策略成为研究热点。但是该类策略难点在于预测行驶工况。随着智能交通技术的发展，未来工况的预知将会越来越准确，解决了模型预测控制难点，因此结合智能交通技术的模型预测将会成为研究热点。

参考文献：

[1]透支需求2016产销创新高2017年中国车市好景不再[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.基于行駛工况的混合动力电动汽车能量管理策略研究现状分析[J].河北科技大学学报.2016，37（05）：457-463.

[5]吕志梁.插电式混合动力汽车能景管理研究[D].杭州市：浙江大学，2014.

[6]石大排.基于行星齿轮传动的插电式混合动力汽车能量管理策略研究[D].青岛市：山东理工大学，2015.

[7]周美.插电式混合动力轿车能量管理策略研究与仿真分析[D].长沙市：湖南大学，2014.

[8]井济民，王旭东.单轴并联式混合动力汽车能量分配的模糊控制策略研究[J].齐齐哈尔大学学报（自然科学版），2010，26（02）：15-18.

[9]尧文亮.并联式混合动力汽车能量控制策略研究[D].长沙市：湖南大学，2010.

[10]祝超群，郭戈.并联混合动力汽车的能量管理策略[J].兰州理工大学学报，2008，34（03）：91-97.

[11]张冰战.插电式混合动力电动汽车能量管理策略研究[D].合肥市：合肥工业大学，2011.

[12]张洁丽.基于模型预测控制的插电式混合动力客车能量管理策略研究[D].北京市：北京理工大学，2016.

[13]肖仁鑫.插电式混合动力汽车能量管理优化及辅助动力单元控制研究[D].昆明市：昆明理工大学，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.基于反馈神经网络的并联式强混合动力汽车能量控制策略研究[D].青岛市：山东理工大学，2013.

[16]徐萍萍，宋建国，王雁峰，等.基于小波神经网络的混合动力汽车实时控制策略[J].系统仿真学报，2011，23（11）：2455-2459.

[17]孔 慶，崔纳新，张承慧等.基于神经网络的并联式混合动力汽车控制策略[J].系统仿真学报，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]张松，吴光强，郑松林.插电式混合动力汽车能量管理策略多目标优化[J].同济大学学报自然科学版，2011，39（07）：99-103+108.

[21]卢立来.基于路况信息预测的插电式混合动力汽车 能量管理策略研究[D].重庆市：重庆大学，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，李涛，邹敢等.基于随机动态规划的混联式混合动力汽车能量管理策略[J].汽车工程，2013，35（04）：317-321.

[25]林歆悠，孙冬野，尹燕莉等.基于随机动态规划的混联式混合动力客车能量管理策略[J].汽车工程，2012，34（09）：830-836.

[26]胡红斐， 罗玉涛， 赵克刚.基于瞬时优化的HEV控制策略（英文）[J].交通信息与安全，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]崔纳新，步刚，吴剑等.Plug-In并联式混合动力汽车实时优化能量管理策略[J].电工技术学报，2011（11）：155-160.

[29]宋光辉.并联式混合动力客车瞬时优化控制策略研究[J].客车技术与研究，2009，31（05）：14-17.

[30]曾祥瑞，黄开胜，孟凡博.具有实时运算潜力的并联混合动力汽车模型预测控制[J].汽车安全与节能学报.2012，3（02）：165-172.

[31]张昕，王松涛，张欣等.基于马尔可夫链的混合动力汽车行驶工况预测研究[J].汽车工程，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.

基金项目：攀枝花学院校级项目（2015BY44）

作者简介：卢汉（1988-），男，硕士，主要研究方向：自动变速器换挡规律。