混合动力汽车能量管理策略研究现状与发展趋势

张瑞轩，黄 晨，王猛猛

(北京林业大学工学院，北京 100083)

随着全球人口的不断增多，石油的需求和成本不断增加[1]，由于石油使用造成空气污染和温室气体，传统燃油车面临淘汰。为了应对能源危机，同时实现“碳中和”，出现了电动汽车(EV)、混合动力汽车(HEV)、燃料电池汽车(FEV)等新能源汽车。与纯电动汽车相比，混合动力汽车有着更长的续航里程，与传统燃油车相比，混合动力汽车有着更好的燃油经济性。同时混合动力汽车也具有较好的经济性[2]，因此可以作为传统燃油车向纯电动汽车过渡可靠的产品[3]。

混合动力汽车可以通过控制电机、发动机进行转矩分配，使得发动机一直位于高效点工作，实现油耗的降低。能量管理策略对于节能减排起着重要的作用，可以通过满足功率需求，设置不同工况模式，采用算法预测形式环境等管理策略，来延长电池的使用寿命，减少燃料(电能)消耗，提高续航里程。

本文从汽车能量管理的基本概念出发，阐述各种混合动力汽车能量管理的分类及意义，对最近几年所提出的能量管理策略的研究成果进行全面系统地梳理，从不同角度呈现其未来的研究方向，对未来能量管理策略具有一定的参考意义。

1 HEV能量管理策略概述

1.1 HEV能量管理策略概念

“能量管理策略”指利用高水平控制算法，以决定产生合适的功率流在不同动力源之间的功率分流[4]。能量管理策略是在整车水平的控制系统中执行，通过伺服闭环控制系统，来协调整车的动力总成，以满足某些性能目标。HEV是指由两种及以上的动力源混合驱动的汽车。能量管理策略通过综合考虑电源荷电状态(State of Charge，SOC)、车辆转矩需求、发动机性能和工况等因素，控制发动机和电动机的协调运行[5]，实现两个动力源输出功率的合理分配。可以实现提高能量利用率、延长动力源寿命、提高车辆动力学性和稳定性。

插电式混合动力汽车(Plug-in hybrid electric vehicle，PHEV)有三种工作模式：发动机模式、纯电动模式、两者混合协同模工作式，根据电池充放电的方式不同，汽车的运行状态可分为电量消耗、电量维持和混合运行三种模式。

1.2 HEV能量管理策略的分类

目前混合动力汽车能量管理策略可分为三类，分别是基于规则的能量管理策略、基于优化的能量管理策略、基于学习的管理策略，如图1所示。基于规则的管理策略简单易行，但较为死板，不能实现最优控制；基于优化的能量管理策略分为基于预测工况全局优化的能量管理策略、基于瞬时工况自适应的管理策略[6-7]两种类型。全局优化的管理策略可以最大限度发挥性能，但因计算量大、计算复杂而受到限制；瞬时优化管理策略可以根据驾驶员状态以及工况，实时进行调整。随着对于智能驾驶的深入研究，基于深度强化学习的能量管理策略也被提出，可以随着训练，对控制策略不断优化更新[8]。

图1 混合动力汽车能量管理策略分类图

2 HEV能量管理策略研究进展

2.1 基于规则的能量控制策略

基于规则的能量管理策略是最早研究、目前广泛应用的能量控制策略，主要分为简单规则能量管理策略和基于模糊规则能量管理策略。

2.1.1 简单规则控制策略

简单规则控制策略是以关键部件的稳态效率图为依据，根据油门踏板开度与开度变化率，确定需求功率，再结合车速、发动机转速、SOC等状态输入确定相应的输出变量。

Banvait[9]、Zhang[10]等以电池SOC作为模式切换参数，控制车辆在电量消耗模式(charging of depleting，CD)和电量维持模式(charging of sustain，CS)切换，CD模式中电机为主要动力源，若所需转矩过大，启动发动机。周能辉[11]等以加速踏板开度为模式切换参数，分为多个运行阶段，结合功率需求和SOC调整模式切换参数。

简单规则控制策略计算量小、容易实现，但十分依赖经验数据，若切换参数设置不合理，则无法合理分配能量，效果变差。

2.1.2 模糊规则控制策略

针对简单规则控制策略依赖单一数值作为阈值，不能时刻精确控制的缺点，模糊逻辑控制将明确数字经过隶属度函数模糊化成满足度指标，然后通过一系列模糊规则或者专家知识库的推理和聚集计算出系统输出。模糊规则控制策略，可以更好的针对控制模式之间的过渡区控制[12]。

LI[13]等提出了基于多个模糊逻辑控制器的能量管理策略，该策略首先根据电池SOC和电池端电压确定电池工作状态，再根据电池工作状态和所需功率确定发动机的目标输出功率，还有发动机组的部控制；黄禀通[14]等根据整车需求转矩和电池SOC作为模糊控制规则，并利用遗传算法进行优化，最终得到油耗及排放综合最小化；于瑞广[15]等基于发动机效率建立了模糊逻辑控制器，使用神经网络模型对模糊逻辑控制器的隶属度函数进行学习，通过变尺度优化方法的改进型学习算法不断修正，降低了输出转矩的误差。

模糊规则控制策略算法相对简单，易于实现，实时性强。但是规则的设定非常依赖设计者，无法完全发挥混合动力汽车的节能优势。

2.2 基于瞬时优化的能量控制策略

瞬时优化策略以瞬时目标最大化和最小化，合理地分配发动机以及电机的功率，使得发动机处于最佳工作区间，实现瞬时油耗最小。目前主要包括基于等效燃油消耗最小控制策略(equivalent consumption minimization Strategy，ECMS)和基于极小值原理控制策略(Pontryagin’s minimum principle，PMP)。

2.2.1 基于等效燃油消耗最小控制策略

基于等效燃油消耗最小控制策略的实质，是通过实时计算发动机和电机在不同功率输出下车辆性能，综合确定最佳功率输出分配。

TULPULE[16]等针对PEHV，提出了一定工况下ECMS能量管理策略，将电池瞬时消耗量等效成燃油消耗量，与发动机瞬时燃油消耗量求和为优化目标，以电池SOC为变量，分配电机、发动机输出功率，优化后油耗大幅降低。刘星[17]提出了针对于多工况的模糊自适应瞬时优化能量管理策略，在不同工况保证燃油经济性的同时有效的电池SOC，提高了其适应不同工况的鲁棒性。He[18]等将ECMS与自适应的方法相结合，提出了基于工况识别的自适应等效燃油消耗最小控制策略(Adaptive-ECMS)，提升了算法对多种工况的适应度。Khayyer[19]等通过传感器获取行驶距离并以60 s为周期预估车速，将这些信号用于等效系数的调整，从而获得了Adaptive-ECMS。

2.2.2 基于极小值原理控制策略

Hamilton函数是关于控制变量的函数，基于极小值原理控制策略通过求取每个时刻Hamilton函数的最小值，获取最佳控制变量。PMP可看作以Hamilton函数为优化目标的瞬时优化能量管理策略[20]。

TRIBIOLI[21]等对于不同工况采用PMP进行优化，运用回归分析方法分析优化结果，提取可用规则，并应用于整车能量管理。Hou[22]等提出了一种近似最小值方法，基于发动机燃油效率线性片段拟合的瞬时Hamilton最优化问题可以简化为凸优化问题，可以在汽车控制器中实现工程应用。隗寒冰[23]等基于PMP引入电池充放电等效因子和SCR温升速率权重因子，提出SCR起燃时间最短策略和油耗与排放多目标综合优化控制策略，PMP具有较小的计算复杂度，但是计算量过大，难以实时实现，需要建立合理简化的整车模型，在选取适当等效系数和协同因子后，获得近似全局最优管理策略。

2.3 基于全局优化的能量控制策略

基于全局优化的能量控制策略是针对已知的循环工况，应用最优控制理论，动态的去分配发动机、电动机能量，使整车性能达到最佳状态。采取的优化算法主要包括动态规划算法(Dynamic programming，DP)、凸优化算法、遗传算法等。

2.3.1 动态规划算法控制策略

动态规划算法是最具代表性、最广泛的全局优化控制策略，是将问题分解为一系列子问题，将问题离散化并求解，合并子问题的解得出结果。

张博[24]等针对不同形式里程下控制策略，进行DP全局优化，得到动力总成在典型循环工况下以及不同行驶里程下的最佳控制策略。YU[25]等针对具有多种储能系统的混合动力汽车，考虑各子系统的效率，采用动态规划实现了固定工况下系统效率全局最优，并保持各系统平衡。针对电量维持型动力电池，Pérez L V[26]等在目标函数中引入了惩罚函数，防止SoC在计算过程中超出约束边界。

DP 是求解多阶段决策过程最优化的数学方法，将问题离散化，选取合适变量，可以求解给定工况下最佳控制策略，但是计算量较大，不能用于实时控制策略之中。

2.3.2 凸优化算法控制策略

凸优化是求解凸集合的最优化算法，凸优化问题具有局部最优解一定是全局最优解的性质，因此可以简化计算过程[27]。针对 PHEV 能量管理策略问题，凸优化可以将复杂的非线性问题转为半定问题，极大地减少运算时间，提高算法的实时性能。

NAFISI[28]等考虑了电网对PHEV能量管理的影响，提出了一种基于凸优化算法的的两级优化法，可以减小能量损失。MURGOVSKI N[29]等将发动机起动控制作为到 PHEV 能量管理的参数，并合理简化为凸优化问题采用凸优化方法实现能量管理策略、发动机起停的综合优化，能较高效地完成计算。

该算法目标函数必须是凸函数，约束条件为凸形式，具有一定限制性。将越多因素考虑到能量管理策略中，并转化为合理的凸优化模型，可以得到较好的能量管理策略。

3 HEV能量管理策略未来趋势

3.1 混合能量管理策略

每种控制策略和算法都有其优势以及局限性，利用两种甚至多种控制策略，实现优势互补，组成混合能量管理控制策略。曾繁琦等综合规则能量管理策略和瞬时优化能量管理策略，首先对规则能量管理策略进行优化，将惩罚函数引入等效能量最小策略，改善的燃油经济性并维持动力电池SOC，既能保持规则控制策略的控制性，也能实现实施优化策略的实用性。

3.2 深度强化学习能量管理策略

随着人工智能技术的逐渐发展，基于学习能量管理策略逐渐兴起。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，再结合强化学习决策优势，解决复杂能量管理问题。深度强化学习可以解读为：“深度”是指深度学习，“强化”表示不断训练，“学习” 意味着对管理策略不断优化。

Liu T[30]等提出了基于Q-learning和Dyna算法的HEV自适应能量管理策略，并且测试结果优于传统能量控制策略。谷歌近期提出了深度确定性策略梯度算法[31](Deep Deterministic Policy Gradient，DDPG)解决了执行连续性动作的控制问题，同时大幅提升算法收敛速度和控制效果。相信随着人工智能的发展，将会有越来越多的深度强化学习能量管理策略出现。

3.3 驾驶信息能量管理策略

未来对于驾驶信息的获取将更为重视，将会有两种途径获取驾驶信息。第一种是基于实时数据和数学模型对未来驾驶信息进行预测，LIESSNER R[32]等基于马尔科夫链和聚类算法对交通信息和驾驶风格中的一系列数据进行分析，并生成替换周期，预测了后期的行驶工况数据。连静[33]等提出基于驾驶意图识别的非线性自回归神经网络车速预测方法，并基于车速预测的提出逻辑动态模型预测控制策略，可以预测未来行驶工况并输出需求功率。实际驾驶环境中，也会受到天气变化，交通状况等多种外界条件影响，需进一步改进，提高预测精度。

第二种是利用车辆导航系统(GPS)、地理信息系统(GIS)、车联网技术(V2X)和智能交通系统(ITS)等获取交通信息。汽车将通过探测数据以及交通信息，进行一个最佳SOC规划，实时调整控制策略。KAMAL[34]等提出了基于智能交通系统的预测方法，通过智能交通系统获取前车工况、交通信号及道路坡度等信息，将这些信息融合并计算车辆的最佳控制输入。SUN[35]等提出了结合交通信息的预测能量管理策略，基于实时交通信息进行最佳SOC规划，结果表明该方法可获得与DP近似的燃油济性。越来越多的研究者将 GPS 与各种能量管理策略相结合，提高能量管理效率，如Ramadan等将GPS与规则控制策略进行融合。同时未来将在车-路-人-网-环境-基础设施之间，进行无线通信和信息交换，形成车联网智能化网络[36]。有了这些技术的加持，能量管理策略将会更加完善。

不过目前车联网的发展还不完善，导航信息仍有缺失以及缺乏实时性，同时道路交通情况复杂，这些仍制约着基于交通信息能量管理策略的发展。

4 结束语

本文介绍了能量管理的基本概念，结合HEV能量管理策略发展现状，对最近几年提出的有代表性的HEV能量管理策略进行了收集和整理，并分类综述，有启发和参考意义。基于规则的能量管理策略，按照规则进行能量分配，计算简单，但效果较差；基于优化的管理策略，效果较好，但是算法较为复杂，且难以实现实时运算调整，需要合理简化算法，在确保高精度的同时实现实时应用能力。混合动力汽车的能量管理策略正向实时性与优化性同时满足发展着，混合能量管理策略融合不同种类管理策略优点；深度强化学习管理策略可以增强算法的优化能力；驾驶信息管理策略可以提高算法优化潜力。

未来能量管理策略，将融合多维度信息，不断优化算法，以实现最优能量管理策略。笔者认为，下一步的研究工作可以参考以下两方面：

(1)车辆行驶状态信息的获取：可以通过车辆多个维度的行驶状态信息的获取，更加精确地得知车辆行驶状态，并进行准确的预测。获得的行驶状态信息越多，对于车辆行驶状态的预测越准确，能量管理策略越完善。

(2)优化算法：一个好的算法应具有较低的时间复杂度以及空间复杂度，时间复杂度是指执行算法所需要的计算工作量，空间复杂度是指算法需要消耗的内存空间。应利用合适的算法，并不断进行优化，使其能通过简单的计算，得到最优的结果。未来深度强化学习，将可以通过人工智能进行算法的不断优化。