基于工況預測的混合動力汽車能量管理策略研究綜述

蔡 偉，何太碧

（西華大學，四川 成都 610039）

文章重點是梳理基于工況預測的混合動力汽車能量管理策略，在各類工況識別模型與能量管理優化的作用下提升燃油經濟性，同時組建了行駛工況大數據，優化管理策略模型，為后續研究工作者提供了參考。

行駛工況的構建是研究汽車燃油經濟性和污染物排放等指標的第一步，行駛工況反映的是某個區域車輛行駛特征的速度-時間-坡度等曲線，對車檢測指標最終會體現在工況中的地理性，駕駛風格以及道路的不平整度等方面。國內外眾多學者在工況的預測方面做出了重要貢獻，

1 工況構建方法

工況的構建的研究方法有多種，林歆悠等人采用學習向量化（Learning Vector Quantization LVQ）神經網絡模型在工況識別中訓練工況特征參數，基于動態規劃（Dynamic Programming，DP）為主要的數學模型，再制定工況識別控制策略。章楠通過構建一種基于改進學習向量化（I-LVQ）神經網絡工況識別模型并設計I-LVQ算法。相較于傳統LVQ訓練算法以及識別精度都有一定的提升。行駛過程中的干擾性對后期優化有較大影響，曹騫等人在車輛行駛過程中收集數據，建立大數據庫，根據傅里葉變換通過濾波降噪篩選出有效數據，基于馬爾科夫鏈的行駛工況組建算法。結果表明其有效性也得以驗證。

2 能量優化策略選擇

能量管理在汽車使用過程中占有重要的地位，對于現代純電動（BEV）與混合動力（Hybrid vehicle）尤其至關重要，出行過程中能量消耗量最小而不影響駕駛性才是能量管理的最優解。動態規劃（DP）的全局優化優勢在于能將問題分解為多個子問題，在通過最優原則下保證子問題的解最優，同時減少搜索時間和計算量。基于控制規則的基礎上，建立模糊推理過程，再通過反模糊化進行能量分配，因混合動力汽車具有較高的非線性和不確定性因素，因此模糊控制策略在混合動力車輛控制中具有較強的魯棒性。

3 仿真模型建立

基于工況預測的混合動力汽車能量管理，仿真模型建立是驗證優化管理策略的重要一步，模型建立所需軟件有ADVISOR（AdvancedVehIcle SimulatOR，高級車輛仿真器)軟件與MATLAB軟件相結合建立的混合動力系統 [9]，也可通過AVL Cruise仿真軟件搭配MATLAB/Simulink平臺建立各類動力系統。

4 結 語

近幾年對汽車能源輸出控制方面的研究有著長足進步，文章針對車輛工況中的參數提取方法和管理策略的優化以及仿真軟件的選擇做了簡單的梳理，具體如下：①車輛行駛工況的預測算法逐漸提高，但在計算方法與運算量上還有提升的空間，在各類算法中優化方法還有待進一步研究，為進一步提升運行工況的精度和適用度奠定基礎；②在優化管理策略中，管理策略的優化有著較高的實用價值，能根據實時工況特點選擇合適的管理策略，減少能耗損失，在多種管理策略的算法中，通過對比分析，得出最優控制策略，算法的研究在能量管理中意義非凡。