基于行駛工況的混合動力電動汽車能量管理策略研究現狀分析

林歆悠，翟柳清，林海波

(1.福州大學機械工程及自動化學院，福建福州 350116；2.福建省高端裝備制造協同創新中心, 福建福州 350002)

?

基于行駛工況的混合動力電動汽車能量管理策略研究現狀分析

林歆悠1,2，翟柳清1,2，林海波1,2

(1.福州大學機械工程及自動化學院，福建福州 350116；2.福建省高端裝備制造協同創新中心, 福建福州 350002)

分析了目前能量管理策略的2種研究方法——基于動力系統運行狀態的控制策略和基于行駛工況的控制策略的優勢及不足。著重針對基于行駛工況的控制策略進行探討，指出：基于已知行駛工況的全局優化策略運算過程耗時長且計算量大，難以直接在實車上應用，但可用于作為理想的優化控制參考目標；為了實現實時優化控制，目前主要采用基于工況識別的控制策略與基于模型的預測控制等方法，探索基于行駛工況預測的實時優化控制策略并獲得接近離線優化的控制效果，成為新的研究熱點和管理控制策略的研究趨勢。

車輛工程；混合動力汽車；能量管理；行駛工況；預測控制

隨著環境問題的日益突出，不僅惡劣的霧霾天氣引起社會的廣泛關注，當前傳統汽車的尾氣也已作為大氣污染的主要因素而備受關注。隨著能源需求的不斷擴大，石油供應將面臨危機，因此，發展新能源汽車是解決環境問題和擺脫石油危機的關鍵。世界各國均相繼推出一系列新能源汽車計劃，其中中國的中長期科學和技術發展規劃綱要(2006-2020)把“低能耗和新能源汽車”定為重點發展領域。同時，“十二五”規劃也把新能源汽車列為戰略性新興產業之一，提出要重點發展插電式混合動力汽車(plug-in hybrid electric vehicle，PHEV )、純電動汽車(electric vehicle，EV)等，并推進其產業化，力爭至2020年實現PHEV和EV累計產銷量達200萬輛的發展目標[1]。純電動汽車由于受限于能量存儲技術，短期內難以推廣，所以當前市場發展以混合動力汽車為主。因PHEV可通過電網獲取電能充電且具有高效節能、排放低、續航里程長，而成為各大汽車公司研發的熱點，被視為目前最具有應用前景的混合動力汽車[2]。如何分配發動機和電池之間的能量，將極大影響到混合動力汽車的整體性能。因此，能量管理控制策略的研究對于混合動力汽車的發展至關重要。

基于單純的車輛狀態的決策算法，能量管理策略分為基于規則、瞬時優化以及全局優化控制策略[3]。基于規則的能量管理策略包括恒溫器型和基于模糊規則的能量管理策略等，計算量小、實現容易，但優化效果差。瞬時優化控制策略通過實時計算不同工作點處的不同功率分配組合的瞬時消耗，來綜合確定混合動力系統的工作模式，以及發動機工作點。等效最小消耗策略ECMS是瞬時優化能量管理策略的代表，由于瞬時優化無法達到全局最優，研究人員開發了基于全局優化的能量管理策略。全局優化求解的方法很多，包括線性規劃、序列二次規劃、動態規劃、基于神經網絡和遺傳算法的離線優化算法等。

電池SOC對于整個能量管理控制策略是一個關鍵的決策參數，可從電池荷電狀態(SOC)的開閉環控制的角度對能量管理策略進行分類，SOC閉環控制通過基于狀態估計的動力電池SOC的平衡控制，來合理分配能量源的輸出功率[4]。另外，混合動力汽車能量管理策略從單目標優化如燃油經濟性或系統效率發展成為多目標優化的控制策略，并結合性能參數優化與上下層控制，朝著綜合優化的方向發展。如PICCOLO等[5]采用遺傳算法對 PHEV能量管理策略進行優化設計，以整車燃油經濟性、排放性及駕駛性等為目標，建立全局優化數學模型，運用相應的優化方法計算求得最優的能量管理策略。

隨著能量管理策略研究的深入以及智能互聯交通的逐漸發展，融合行駛工況的能量管理策略成為接近全局優化控制效果的解決方案。因此，本文基于動力系統運行狀態的控制策略，從行駛工況控制策略的角度對混合動力汽車能量管理策略的發展演化進行論述。

1 基于動力系統運行狀態的控制策略

基于動力系統運行狀態的控制策略，包括優化發動機工作狀態的控制策略和優化動力系統效率的控制策略。優化發動機工作狀態的控制策略以保證電池荷電狀態SOC處在一定范圍運行為核心，以最大可能提高發動機的工作效率為控制目標。該策略可概括為3種[6-7]：發動機最優工作點控制策略[8]、發動機最優工作效率曲線控制策略[9-10]以及發動機最優工作區域控制策略[11]。發動機最優工作點控制策略主要用在串聯和采用兩自由度行星輪結構的混合動力汽車控制中, 僅以電池SOC為門限值的單參數控制策略，會導致電池頻繁反復地進行充放電，而發動機的輸出功率需要不斷地進行二次能量轉換，系統能量利用效率較低。對于發動機最優工作曲線或工作區域控制策略而言, 盡管通過電池SOC值的變化動態調整發動機工作狀態使其盡可能落在最佳工作線或者高效區域范圍內，但其忽略了電池、驅動電機/發電機的工作效率，從而無法獲得最佳的系統性能。為了彌補上述策略的不足，優化系統效率控制策略以系統整體功率需求作為考慮對象，兼顧電池組和驅動電機/發電機及其控制系統工作特性，以系統效率最佳為控制目標(如圖1所示)，制定了基于發動機工作區域的功率均衡控制策略[12]，其通過控制電池的工作狀態可以實現提高發動機效率和系統效率。在上述控制模型中只是針對穩態的MAP進行系統效率優化，其實現難點在于實際駕駛循環過程中，面對復雜多變的行駛工況，其工況適應性較差。

圖1 基于發動機工作區域的功率均衡控制策略 Fig.1 Power balance control strategy based on the engine work area

2 基于行駛工況的控制策略

基于行駛工況的控制策略可分為基于已知行駛循環工況的離線全局優化和基于行駛工況預測的實時優化控制策略。

2.1 基于已知行駛循環工況的離線全局優化

基于已知行駛循環工況的離線全局優化是根據整個行駛道路不同路段的行駛特征進而規劃發動機與蓄電池之間的能量決策，以整條行駛路徑系統效率最佳為其控制目標建立優化數學模型，采用諸如經典優化控制理論的龐特里雅金最值原理PMP[13-14]、運籌學的動態規劃DP[15]、模擬生物進化過程的計算模型遺傳算法GA[16]以及通用概率算法模擬退火SA[17-18]等算法進行優化。基于已知循環工況的動態規劃全局優化控制策略如圖2所示。基于已知行駛循環工況的離線全局優化所獲得的能量管理策略，通過在已知工況中確立控制目標，并建立數學模型進而制定各種優化算法依據大量運算結果，理論上可以獲得精確而最佳的系統性能。由于其在已知工況中進行離線優化，而且運算過程耗時長且計算量大，因此難以直接在實車上應用，然而其經過了高度嚴密的推理決策過程，故獲得的理論結果可作為理想的優化控制參考目標。

圖2 基于已知循環工況的動態規劃全局優化控制策略Fig.2 Based on the known driving cycles of dynamic programming global optimization control strategy

2.2 基于行駛工況預測的實時優化控制策略

圖3 學習向量量化(LVQ)神經網絡的工況識別 Fig.3 Driving pattern recognition based on the learning vector quantization (LVQ) neural network identification

基于行駛工況預測的實時優化控制策略成為目前新的研究熱點與難點。該方法的難點在于如何預測車輛未來行駛工況的信息，并識別其具體的模式特征以便及時規劃動力系統的運行模式，從而進行符合系統性能最佳的能量分配決策。該領域已有的研究成果主要是利用各種瞬時優化算法或智能控制算法，如隨機動態規劃SDP[19-20]、模型預測控制MPC[21]以及機器學習算法控制策略[22-23]等。另外由于等效燃油消耗最小控制策略ECMS[24-25]在實時優化方面達到的效果比較理想，因此在此基礎上提出了針對固定路線的自適應等效燃油消耗最低A-ECMS[26]控制策略。文獻[27]提出了一種基于價值函數的多目標優化的方法，根據車輛的當前狀態對不同目標權重進行調整，最后通過遺傳算法進行優化。文獻[19—20]的隨機動態規劃SDP控制策略通過統計當前時刻的駕駛員需求功率的概率，進而實現對下一時刻需求功率的預測；文獻[22—23]所提及的智能混合動力汽車則是利用機器學習算法對典型工況進行識別，并在識別工況特征的基礎上對控制策略做出相應的調整，例如圖3、圖4所示，為基于學習向量量化(LVQ)的神經網絡算法工況識別控制策略[28]。類似的，文獻[29]提出實時智能的能量管理策略，通過基于行駛路徑的動態規劃訓練2個神經網絡模塊，根據行駛工況選擇合適的神經網絡模塊來進一步提高燃油經濟性。該方法由于動態優化的計算量龐大而很難直接應用于實時優化預測控制，而且由于僅在歷史行駛數據的基礎上進行預測，存在一定概率的問題，不能實現準確的預測，從而無法達到真正意義上的實時優化[30]。

圖4 基于工況識別的控制策略Fig.4 Control strategy based on driving pattern recognition

另外一種工況預測方法模型預測控制在混合動力汽車能量管理策略方面的研究受到廣泛關注[31-34]，成為一種新型的基于工況未來信息的預測控制策略優化方法。張炳力等[35]提出一種基于隨機動態規劃的客車能量管理策略的設計思想，將駕駛員需求功率模擬為一個離散的隨機動態過程，并建立相應的馬爾可夫模型，在此基礎上采用策略迭代的算法對能量管理策略進行了優化。張昕等[36]采用一階齊次馬爾可夫鏈狀態轉移概率矩陣，對主干道和快速路建立了行駛工況特征參數預測模型,并通過對預測準確度的對比分析，確定了滾動時間窗和預測視距的最佳值。孟凡博等[37]采用模型預測控制的思路，選取加速踏板位置不變、指數衰減、按馬爾可夫鏈隨機分布3種不同的車輛未來轉矩需求預測模型，運用動態規劃算法進行轉矩分配的優化，并與基于規則的混合動力控制策略進行對比。聶天雄[38]將時間域轉換為空間域，建立了基于空間域的混合動力汽車燃油經濟性預測控制模型，提出理論 SOC 斜率作為模型預測控制的參考斜率，在未來行駛工況中出現特殊工況時對理論 SOC 斜率進行修正。SUN等[39]采用基于神經網絡的預測模型預測車輛的速度，分別與基于馬爾可夫鏈預測模型與指數預測模型進行對比，證明其所提出的基于神經網絡預測模型具有更好優化效果。

圖5 工況模式預測過程Fig.5 Process of driving pattern prediction

模型預測對象包括車速、需求轉矩預測模型，更進一步綜合考慮駕駛員風格，結合通訊網絡技術，包括全球定位系統GPS以及車輛間的通訊等獲取未來行駛道路的信息[40-41]，實時的歸納過去Ns的行駛特征的變化規律來判斷未來Ms的行駛趨勢，該方法具體可見圖5。JONG等[42]研究了智能能量管理策略，考慮了道路特征、車輛工作模式、駕駛員風格和車輛狀態。HU[43]等通過實時獲得智能交通系統信息(ITS)來判斷車輛運行在高速公路或是城市工況，根據判斷結果選擇系統工作模式。RAJAGOPALAN等[44]通過車載導航系統得到汽車未來150 s到300 s的平均車速和坡度，并通過汽車過去 300 s 的車速和坡度判斷出汽車當前行駛狀態，采用模糊控制優化策略。KIM等[45]采用車載遙測器采集前方一臺參考車輛的交通運行信息，以該車輛的車速作為參考軌跡，提出以最小油耗為目標的非線性模型預測控制算法，預測前方 5 s 到15 s 的車速信息，使模型預測控制策略具有良好的燃油經濟性。

根據上述的分析可知，如果能量管理策略能根據未來的行駛工況自動切換不同的策略，那么它將極大地提高整車燃油經濟性和降低排放。能量管理預測控制策略則是解決這一問題的關鍵方法，能夠進一步提高混合動力系統的經濟性和降低排放性，使得其成為研究混合動力系統控制策略的熱點及趨勢，但目前對其的研究仍然處于探索階段。

3 結 語

1)混合動力系統能量管理策略經歷了基于系統本身狀態的決策算法、邏輯門限控制、實時優化控制以及全局優化控制等階段，控制方法從單目標優化到多目標綜合優化或以圍繞電池荷電狀態為核心。從另一角度總結了基于動力系統運行狀態的控制策略和基于行駛工況的控制策略的研究方法，其中基于行駛工況的控制策略中的基于已知行駛循環工況的離線全局優化則包含全局優化、單目標優化或者多目標優化方法；基于行駛工況預測的實時優化控制策略則包含實時優化控制結合行駛工況信息的新型能量管理控制策略。

2)基于動力系統運行狀態的控制策略的主要優點為實現簡單，但在實際駕駛循環過程中，面對復雜多變的行駛工況，其工況適應性較差。基于行駛工況的控制策略，基于已知行駛工況建立數學模型并采用優化算法，進行計算可從理論上獲得最佳的控制效果，但僅能作為控制參考，很難在實車上應用。

3)為了兼顧最優控制及實車應用，需要對基于行駛工況預測的實時優化控制策略進行研究。該研究涉及工況識別與工況預測，其中基于模型預測控制的方法研究是能量管理控制策略研究的熱點。

[1] 孫會琴,薛智宏,郭英軍,等.基于關鍵技術合理規劃地方新能源電動汽車產業發展[J].河北工業科技, 2014, 31(5): 447-451.

SUN Huiqin,XUE Zhihong,GUO Yingjun, et al.Planning of local new energy electric development based on the core vehicle industry technology[J]. Hebei Journal of Industrial Science and Technology, 2014, 31(5): 447-451.

[2] 馬春梅,韓麗.河北省新能源汽車產業發展策略探討[J].河北科技大學學報(社會科學版), 2011,11(4):12-16.

MA Chunmei,HAN Li. A discussion on the development strategy of new energy vehicles industry in Hebei Province[J]. Journal of Hebei University of Science and Technology(Social Sciences), 2011,11(4):12-16.

[3] ZHANG Pei, YAN Fuwu,DU Changqing. A comprehensive analysis of energy management strategies for hybrid electric vehicles based on bibliometrics[J]. Renewable & Sustainable Energy Reviews, 2015,48: 88-104.

[4] QI Xuewei, WU Guoyuan, BORIBOONSOMSIN K, et al. Evolutionary algorithm based on-line PHEV energy management system with self-adaptive SOC control[J]. IEEE Intelligent Vehicles Symposium, 2015,8:425-430.

[5] PICCOLO A,IPPOLITO L,GALDI V, et al. Optimization of energy flow management in hybrid electric vehicles via genetic algorithms[J].IEEE/ASME Int Conf Adv Intell Mechatronics, 2001, 7: 434-439.

[6] WANG B H, LUO Y G. Application study on a control strategy for a hybrid electric public bus[J]. International Journal of Automotive Technology, 2011, 12(1): 141-147.

[7] CHAU K T,WONG Y S. Overview of power management in hybrid electric vehicles[J].Energy Conversion and Management, 2002,43:1953-1968.

[8] AHN K,CHO S,CHA S W. Optimal operation of the power-split hybrid electric vehicle powertrain[J].IMechE(Part D), 2008,222:789-800.

[9] 王慶年,孫樹韜,曾小華,等. 并聯混合動力客車廣義最優工作曲線控制研究[J]. 汽車工程,2008,30(5): 391-394.

WANG Qingnian,SUN Shutao,ZENG Xiaohua, et al. A study on the optimal operation line control strategy for hybrid electric bus[J]. Automotive Engineering, 2008,30(5): 391-394.

[10]WANG F, MAO X J, YANG L, et al. Steady-state and idle optimization of internal combustion engine control strategies for hybrid electric vehicles [J]. Chinese Journal of Mechanical Engineering, 2008, 21(2):58-64.

[11]葉心. ISG型中度混合動力AMT汽車綜合控制策略研究[D].重慶:重慶大學,2011.

YE Xin. ISG Control Strategy of Mild Hybrid AMT Vehicle Comprehensive Research [D]. Chongqing: Chongqing University, 2011.

[12]林歆悠,孫冬野,尹燕莉,等.混聯式混合動力客車發動機優化控制策略[J].重慶大學學報,2012,35(7):13-18.

LIN Xinyou,SUN Dongye,YIN Yanli, et al. Development of control strategy for a sries-parallel hybrid electric bus based engine efficiency optimization[J]. Journal of Chongqing University，2012，35(7)：13-18.

[13]林歆悠,孫冬野,鄧濤.基于極小值原理混聯混合動力客車控制策略優化[J].汽車工程， 2012, 34(10):1030-1036.

LIN Xinyou, SUN Dongye,DENG Tao. Energy management strategy optimization for a series-parallel hybrid electric bus based on pontryagin's minimum principle[J]. Automotive Engineering, 2012, 34(10):1030-1036.

[14]HOU Cong, OUYANG Minggao, XU Liangfei, et al. Approximate pontryagin’s minimum principle applied to the energy management of plug-in hybrid electric vehicles [J]. Applied Energy, 2014 (115):174-189.

[15]SUNDSTROM O, AMBUHL D, GUZZELLA L. On implementation of dynamic programming for optimal control problems with final state constraints [J]. Oil & Science and Technology-Rev IFP, 2010, 65(1): 91-102.

[16]張昕,宋建峰,田毅,等.基于多目標遺傳算法的混合動力電動汽車控制策略優化[J].機械工程學報, 2009,45(2):36-40.

ZHANG Xin, SONG Jianfeng,TIAN Yi, et al. Multi-objective optimization of hybrid electric vehicle control strategy with genetic algorithm[J].Journal of Mechanical Engineering, 2009,45(2):36-40.

[17]SUN Hui. Multi-objective optimization for hydraulic hybrid vehicle based on adaptive simulated annealing genetic algorithm [J]. Engineering Applications of Artificial Intelligence，2010(23):27-33.

[18]TROVAO J P F, SANTOS V, PEREIRINHA P G, et al. A simulated annealing approach for optimal power source management in a small EV[J]. IEEE Transactions on Sustainable Energy, 2013, 4(4):867-876.

[19]JOHANNESSON L, ASBOGARD M, EGARDT B. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming [J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8(1):71-83.

[20]林歆悠,孫冬野,尹燕莉,等.基于隨機動態規劃混聯式混合動力客車能量管理控制策略[J].汽車工程，2012, 34(9):830-836.

LIN Xinyou, SUN Dongye,YIN Yanli, et al. The energy management bus based on strategy for a series-parallel hybrid electric stochastic dynamic programming[J]. Automotive Engineering, 2012, 34(9):830-836.

[21]HE Lin, SHEN Tielong, YU Liangyao, et al. A model-predictive-control-based torque demand control approach for parallel hybrid powertrains[J]. IEEE Transactions on Vehicular Technology, 2013, 62(3):1041-1051.

[22]MURPHEY Y L, PARK J, CHEN Zhihang, et al. Intelligent hybrid vehicle power control—Part I: Machine learning of optimal vehicle power [J]. IEEE Transactions on Vehicular Technology, 2012, 61(8):3519-3530.

[23]MURPHEY Y L, PARK J, KILIARIS L, et al. Intelligent hybrid vehicle power control—Part II: Online intelligent energy management [J]. IEEE Transactions on Vehicular Technology, 2013, 62(1):69-79.

[24]PAGANELLIG, GUERRA T, DELPRAT S,et al. Simulation and assessment of power control strategies for a parallel hybrid car[J].IMechE(Part D), 2000, 214:705-717.

[25]SUN Dongye,LIN Xinyou,QIN Datong, et al. Power-balancing instantaneous optimization control strategy for a novel series-parallel hybrid electric bus[J].Chinese Journal of Mechanical Engineering, 2012,25(6): 1161-1170.

[26]ONORI S, SERRAO L. On adaptive-ECMS strategies for hybrid electric vehicles [J]. Int Scient Conf on Hybrid and Electric Vehicles, IFP Energies Nouvelles-RHEVE, 2011: 1-7.

[27]ZHANG Y, LIU H,GUO Q.Varying-domain optimal management strategy for parallel hybrid electric vehicles[J].IEEE Trans Veh Technol,2014,63:603-616.

[28]林歆悠,孫冬野.基于工況識別混聯式混合動力客車控制策略研究[J].中國機械工程,2012,23(7):869-874.

LIN Xinyou, SUN Dongye. Development of control strategy for a series-parallel hybrid electric city bus based on roadway type recognition [J].China Mechanical Engineering, 2012,23(7):869-874.

[29]CHEN Z,MI C C,XU J, et al.Energy management for a power-split plug-in hybrid electric vehicle based on dynamic programming and neural networks[J].IEEE Trans Veh Technol,2014，63:1567-1580.

[30]ZHANG S, XIONG R. Adaptive energy management of a plug-in hybrid electric vehicle based on driving pattern recognition and dynamic programming[J]. Appl Energy, 2015, 155:68-78.

[31]WILHELM C, PAPAJEWSKI J, GEBHARD P, et al. Model-predictive energy management for the integration of plug-in-hybrid electric vehicles into building energy systems [J]. SAE Paper, 2013(1):1443.

[32]舒紅,聶天雄,鄧麗君,等.插電式并聯混合動力汽車模型預測控制[J].重慶大學學報,2011, 34(5): 36-41.

SHU Hong, NIE Tianxiong, DENG Lijun,et al. Model predictive control for a plug-in hybrid electric vehicle[J]. Journal of Chongqing University,2011, 34(5): 36-41.

[33]UNGER J, KOZEK M, JAKUBEK S. Nonlinear model predictive energy management controller with load and cycle prediction for non-road HEV [J]. Control Engineering Practice, 2015 (36):120-132.

[34]BORHAN H, VAHIDI A, PHILLIPS A. MPC-based energy management of a power-split hybrid electric vehicle [J]. IEEE Transactions Control Systems Technology, 2012, 20(3): 593-603.

[35]張炳力, 代康偉,趙韓,等. 基于隨機動態規劃的燃料電池城市客車能量管理策略優化[J].系統仿真學報,2008,20(17):4664-4667.

ZHANG Bingli, DAI Kangwei, ZHAO Han,et al. Optimized energy management strategy for fuel cell city bus based on stochastic dynamic programming[J]. Journal of System Simulation, 2008,20(17):4664-4667.

[36]張昕,王松濤,張欣,等.基于馬爾可夫鏈的混合動力汽車行駛工況預測研究[J].汽車工程,2014,36(10):1216-1220.

ZHANG Xin,WANG Songtao，ZHANG Xin,et al. A research on driving condition prediction for HEVs based on Markov chain[J]. Automotive Engineering, 2014,36(10):1216-1220.

[37]孟凡博,黃開勝,曾祥瑞,等. 基于馬爾可夫鏈的混合動力汽車模型預測控制[J].中國機械工程,2014,25(19):2692-2697.

MENG Fanbo, HUANG Kaisheng,ZENG Xiangrui,et al. Model predictive control for hybrid electric vehicle based on Markov chain approach[J]. China Mechanical Engineering, 2014, 25(19):2692-2697.

[38]聶天雄.插電式并聯混合動力汽車模型預測控制[D].重慶:重慶大學, 2011.

NIE Tianxiong.Model Predictive Control for a Plug-in Hybrid Electric Vehicle [D]. Chongqing: Chongqing University, 2011.

[39]SUN C, HU X, MOURA S J, et al.Velocity predictors for predictive energy management in hybrid electric vehicles[J].IEEE Trans Control Syst Technol, 2015,23(3):1197-1204.

[40]HE Yiming, RIOS J, CHOWDBURY M. Using vehicle navigation and journey information for the optimal control of hybrid and electric vehicles [J]. Transportation Research (Part D), 2012(17): 201-207.

[41]HE Yiming, CHOWDBURY M, PISU P. An energy optimization strategy for power-split drivetrain plug-in hybrid electric vehicles [J]. Transportation Research (Part C), 2012(17): 29-41.

[42]JONG S W, REZA L. Intelligent Energy Management Agent for a Parallel Hyhrid Vehicle[D]. Colorado: America Control Conference, 2003.

[43]HU C, HUANG A Q, GAO Y. Comprehensive lost minimization strategy for parallel plug-in hybrid electric vehicles[J]. IEEE,2013(7): 1-7.

[44]RAJAGOPALAN A, WASHINGTON G. Intelligent control of hybrid electric vehicles using GPS information[C]//Arlington: SAE Future Car Congress.[S.l.]:[s.n.],2002:10.4271/2002-01-1936.

[45]TAE S K, MANZIE C, SHARMA R. Model predictive control of velocity and torque split in a parallel hybrid vehicle[C]//Cybernetics :IEEE International Conference on Systems.[S.l.]:[s.n.],2009:2014-2019.

Research status of hybrid electric vehicle energy management strategy based on the driving cycle

LIN Xinyou1,2, ZHAI Liuqing1,2, LIN Haibo1,2

(1.College of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, Fujian 350116，China;2.Fujian Provincial Collaborative Innovation Center for High-end Equipment Manufacturing, Fuzhou, Fujian 350002，China)

The paper analyzes the advantages and disadvantages of two different energy management strategies which are the management strategy based on the dynamic system running state and the management strategy based on the driving cycle. The paper focuses on the study of the strategy based on the driving cycle, and points out that though the operation process of the global optimization strategy based on the driving cycle takes long and large amount of calculation so that it can hardly be used in the real vehicle. The strategy can be taken as the reference for the ideal optimization control target. In order to achieve the real-time optimal control, there are mainly the method based on the driving cycle of recognition control strategy and the method based on model predictive control, etc. It makes the exploration to predict the real-time optimal control strategy based on the driving cycle become real, and the effects of the control results get close to the offline global optimization. The proposed strategy is a new research hotspot and research trend of energy management strategy.

vehicle engineering; hybrid electric vehicle; energy management; driving cycle; predictive control

1008-1542(2016)05-0457-07

10.7535/hbkd.2016yx05005

2015-11-07；

2015-12-19；責任編輯：李 穆

國家自然科學基金(51505086)

林歆悠(1981—)，男，福建泉州人，講師，博士，主要從事新能源汽車能量管理策略方面的研究。

E-mail:linxinyoou@fzu.edu.cn

U469.72+2

A

林歆悠，翟柳清，林海波.基于行駛工況的混合動力電動汽車能量管理策略研究現狀分析[J].河北科技大學學報,2016,37(5):457-463.

LIN Xinyou, ZHAI Liuqing, LIN Haibo.Research status of hybrid electric vehicle energy management strategy based on the driving cycle[J].Journal of Hebei University of Science and Technology,2016,37(5):457-463.