淺談混合動力汽車發展現狀*

紀承乾

（新疆職業大學，烏魯木齊830001）

主題詞：混合動力汽車 能量管理策略 全局優化 PMP

1 前言

過度消耗化石能源帶來了一系列環境問題，“節能減排”迫在眉睫。因此，發展氫能、電能的新能源汽車成為緩解環境污染的有效途徑。插電式混合動力汽車（Plug-in Hybrid Electric Vehicle,PHEV）作為新能源汽車的代表，具有輸出扭矩大、加速快、里程長的優點。傳統汽車向PHEV轉變首先要解決能量管理問題，其實質是將整車行駛過程中需求的動力在驅動部件之間進行分配。2019年，我國混合動力汽車銷售23.2萬輛，其中銷量前3分別是比亞迪唐DM、寶馬5系PHEV、大眾帕薩特PHEV。預計2025年，我國HEV保有量將達到500萬輛。若每輛車能量管理效果提升10%，每年節約的能源相當于11.4個中型火電站一年發出的能源。隨著PHEV數量的增加，每年節約的能源將會更多。因此，研究PHEV的能量管理對于資源短缺、環境惡化具有重要的現實意義。

2 混合動力結構發展趨勢

在國際市場上，各汽車企業陸續上市多款插電式混合動力汽車（Plug-in Hybrid Electric Vehicle，PHEV），驅動結構也多種多樣。有早期的以行星齒輪作為功率分流裝置實現的混合驅動構型，此種結構主要特點是不需要控制，完全由發動機、電動機工作狀況決定，主要車型有豐田PRIUS（圖1）、福特FU?SION。有眾多歐洲廠商采用的P2并聯結構，此種結構主要特點是電動機置于變速箱輸入端與發動機通過離合器耦合。發動機可通過P2電機起動并迅速提高轉速，避免低轉速、高扭矩造成的能源浪費。在制動時，利用電動機回收制動能量。主要車型有德國大眾途觀L PHEV、奧迪A3 e-tron。還有雙電機串并聯結構，此種結構中2個電機分別是：發電機和電動機，例如本田公司的i-MMD混動系統，主要車型有CR-V（圖2）、雅閣PHEV、Inspire，寶馬X1 PHEV（圖3）。除此之外，還有增程式新能源汽車，此種結構發動機不只為汽車提供扭矩，為動力電池充電，還具有行駛里程長的優點，但是在化石能源向電能轉換過程中有不可避免的能量損耗。

圖1 豐田PRIUS[1]

圖2 本田CR-V PHEV[2]

圖3 寶馬X1 PHEV[3]

經過數年來政府大力支持和國內企業的不懈努力，我國新能源汽車取得了較為顯著的進步。比亞迪推出“秦PHEV”、“唐DM”（圖4）、“宋DM”、“元EV”及其多種衍生車型。比亞迪“DM車系”采用自主研發的“三擎動力”結構，該結構不僅含有常規發動機，還含有3個電機，動力強勁。唐DM從0加速到100 km/h僅需要4.5 s。吉利汽車推出的帝豪GL PHEV（圖5）是國內首創的P2.5電機布局結構，此結構將電機置于變速箱內部。上汽的榮威eRX5 PHEV搭載1.5 T最大功率為119 kW、最大扭矩為250 N·m發動機和最大功率為56 kW、最大扭矩為318 N·m的電動機，百公里綜合油耗僅1.5 L。長城汽車的WEY VV7 PHEV（圖6）、長安的CS75 PHEV（圖7）都有不俗的市場表現力。

圖4 比亞迪唐DM[4]

圖5 吉利帝豪GL PHEV[5]

圖6 長城VV7 PHEV[6]

圖7 長安CS75新能源[7]

縱觀混合動力汽車發展的歷程其主要特點總結如下。

（1）多種混合動力結構層出不窮、多種結構并存、功率分流裝置向可控化、精細化方向發展；

（2）混合動力汽車中電動機功率比重增加，整車油耗進一步降低；

（3）動力電池組容量增大，純電續航里程增加。

3 能量管理策略研究現狀

能量管理策略（Energy Management Strategy，EMS）依據整車行駛過程中需求扭矩，合理分配驅動器件之間的輸出功率，是整車結構確定后最重要的設計環節。PHEV在需求扭矩一定情況下，電動機輸出扭矩越大發動機的燃油消耗量、排量越小，反之則反。因此，能量管理的結果直接影響整車性能。由于車身結構差異、載荷不同、工況未知的復雜條件給PHEV能量管理策略帶來極大的挑戰。總的來說能量管理策略只能兼顧燃油經濟性、排放性、駕駛性、動力性、實時性其中某一方面或者某幾方面，很難在各個方面均達到令人滿意的結果。

目前對能量管理策略的研究主要分為3類（圖8）：

圖8 混合動力汽車能量管理控制策略

（1）基于規則的管理策略；

（2）基于優化的管理策略；

（3）基于人工智能的管理策略。

基于規則的管理策略實時性好，控制也相對簡單，但嚴重依賴于車身結構，主要有2種實現形式。

（1）確定規則的管理方法—根據車輛當前的扭矩、速度、加速度等狀態信息設定發動機或電動機的工作閾值點，劃分工作區間；

（2）模糊規則的管理方法，利用模糊控制優勢建立狀態信息及變量的隸屬度函數，確立模糊規則進行能量管理。

基于優化的管理策略全局性好，但控制較為復雜、實時性差；分為基于靜態數據的全局優化和基于動態數據的瞬時優化。

基于學習的管理策略不依賴于工況信息，然而控制最復雜，訓練所耗時間極長，主要采用深度學習的方法。

3.1 基于確定規則的能量管理策略

基于確定規則的能量管理策略主要有恒溫器控制、功率跟隨法、狀態機控制。按照設定的閾值一般將PHEV工作模式劃分為：純電模式、燃油模式、混合驅動模式、回饋制動模式、行車充電模式和停車充電模式。

Anbaran指出[8]，當PHEV在起動、蠕動、燃油不足和動力電池組高SOC（State Of Charge）時，為提高整車效率，關閉發動機由電動機單獨驅動，此為純電動模式；當動力電池組低SOC、整車需求扭矩在發動機最佳工作區間運行時由發動機單獨驅動，此為燃油模式；而當動力電池組SOC不足，需求扭矩小于發動機最佳工作區間的最小值，此時電動機工作在發電模式為動力電池組充電，這種工作方式為行車充電模式；減速或者下坡時，發動機不工作，電機作為發電機運行，稱這種模式為回饋制動模式；停車充電模式由市電為電池組充電。文獻[9]將發動機負荷狀態分為高、中、中低3個區間，再結合油門踏板的開度和變化速度，計算整車需求功率，從而確定車輛的工作模式。實驗結果表明PHEV與傳統汽車相比，在燃油經濟性和尾氣排放性上具有明顯的優勢。為了避免發動機怠速狀態和小負荷運行，Hu[10]利用電機調節發動機工作負荷。利用電機使發動機工作在燃油效率最高點，從而提高了燃油經濟性。舒紅[11]針對不同循環工況采用混聯型混合動力汽車模型進行研究。在實驗過程中以最大綜合效率為目標，將車輛工作狀態劃分為3種模式：充電工況、放電工況和制動工況。非制動模式下以最大效率為目標，制動模式以最大回饋量為目標。實驗結果表明相對于傳統汽車燃油經濟性提高了36.95%。Adhikari[12]基于功率平衡理論，采用控制動力電池組SOC、降低發動機起動頻率、安裝ISG（In?tegrated Starter Generator）電機等一系列手段，降低9.3%的燃油消耗量。除此之外，還有研究者從變速箱的結構出發將發動機控制在高效區間；考慮扭矩、效率MAP圖等提高燃油經濟性[13]。

3.2 基于模糊規則的能量管理策略

在PHEV行駛過程中，由于整個系統具有非線性、時變的特點，利用模糊控制的魯棒性和實時性能有效解決基于確定規則的不足之處。文獻[14]根據以往經驗確定模糊隸屬度函數與模糊規則，對不同結構的燃料電池混合動力汽車進行對比研究，期望找到最小能耗組合。文獻[15]對動力電池組SOC和發動機扭矩分配設計模糊規則控制器，確保發動機工作在高效區間，實驗結果表明該控制器提高了燃油經濟性與排放性。文獻[16]同樣采用2個模糊控制器對動力電池組SOC和發動機扭矩分別控制。還有學者將模糊邏輯規則與其它方法相結合進行規則設計。Zhao[17]與等效油耗最小相結合，對等效因子進行優化，提高了燃油經濟性。Won[18]將模糊控制與粒子群算法相結合，對發動機扭矩進行優化控制。Vural[19]利用遺傳算法對模糊控制的隸屬度函數與模糊集合進行優化，并利用優化后的模糊控制器對發動機扭矩進行優化。Rajagopalan[20]利用模糊PID控制策略，對采用AMT(Advanced Manufacturing Technology)變速箱的混合動力汽車扭矩進行了最優分配。由于駕駛員駕駛方式的不同能耗可能存在差異，為此Gu[21]基于模糊邏輯控制，指出駕駛意圖識別對能量管理策略的影響。尹安東[22]利用神經網絡對模糊控制器進行在線的學習優化，優化后能耗降低10%。

基于規則的策略雖然計算量小，但同樣存在嚴重依賴于工程師經驗、無法適應不同循環工況、難以制定2個或2個以上規則管理策略、對車身結構要求嚴格、管理策略適應性不強的缺點。為解決這些不足，更多的研究者探索基于優化的管理策略。

3.3 基于全局優化的管理策略

基于全局優化的管理策略基于循環工況已知的前提下，多采用龐特里亞金極小值原理(Pontryagin’s Minimum Principle,PMP)、動態規劃(Dynamic Program?ming,DP)、遺傳算法（Genetic algorithm,GA）。

DP在20世紀50年代，由美國數學家Bellman提出。DP在解決多階段問題時效果較為顯著，其基本思想是將多階段問題轉化為一系列單階段問題，然后再注意求解的方法。而混合動力汽車在行駛過程中按照時間離散化后，就是一個多階段問題。盡管DP計算量大、計算時間長、容易陷入維度困擾的問題，但自從2000年DP運用到能量管理上后[23]，受到大多研究者的青睞。洪志湖[24]以耦合側輸入為研究對象，利用DP優化并聯混合動力汽車輸出扭矩，研究表明相對于功率平衡策略，燃油經濟性提高了10.95%，動力電池組SOC降低了3.36%。Luo[25]利用DP協調控制混合動力汽車的巡航安全性與燃油經濟性。針對DP算法計算量大的缺點，研究者們提出了DP規劃的改進算法降低計算復雜度[26-28]。還有部分研究者考慮了基于DP的能量管理策略其它問題，如：文獻[29]考慮了燃料電池汽車DP算法能量管理策略累計誤差問題，并提出了解決辦法，使得最優氫耗量誤差在0.5%內。鄧濤[30]將PHEV與智能家居相結合，以分時電價和分時能耗為背景，利用DP優化最小電價成本的管理策略，實驗表明夏季、冬季家用電費分別節省50%、27%。宋珂[31]針對DP需要預先知曉循環工況的缺點，提出了基于隨機動態規劃的能量管理策略。該策略是在統計、分析已知工況前提下，建立馬爾可夫鏈隨機預測模型。實驗結果表明該策略在燃油經濟性、發動機效率、電機效率等有較優的表現。

PMP是由蘇聯學者Pontryagins等人在20世紀50年代提出，適用于解決控制條件與狀態約束條件受限問題。從汽車需求扭矩得到Hamiltonian方程后，基于一定條件下，PMP能快速的獲得全局最優解。相比于DP，PMP能在保證全局最優前提下更快的獲得最優解。文獻[32]利用PMP對PHEV進行能量管理，并且其結果與DP結果相近。證明了PMP在能量管理問題中的有效性。針對行駛過程中CO2排放量的問題，Stockar[33]利用PMP進行了優化。Xu[34]采用PMP進行實時規劃，其目的在于保證全局最優解前提下，減少計算量，縮短計算時間。Yuan[35]考慮了電池壽命問題，利用PMP對并聯HEV進行能量管理，并于DP算法結果相比較，實驗表明其結果僅差0.4%。還有學者將PMP與DP算法相結合，DP用于換擋控制，PMP用于功率控制。與DP相比計算速度提高了171倍，與標準換擋策略相比燃油經濟性提高了26.8%。武小花[36]為了提高燃料電池混合動力系統的效率和保持動力電池組SOC，利用PMP為主體設計了能量管理策略。實驗結果表明無論電池初始SOC為何值，該算法總能使系統效率提高2.6%。為了降低計算復雜度，文獻[37]考慮了發動機頻繁起停的影響，設計了基于近似PMP的能量管理策略。Hou、洪志湖等從工況方面考慮，將工況信息聚類處理后，再利用PMP進行能量管理[38-39]。

GA是模擬生物進化的一種仿生算法，其解具有全局最優的優點，但其計算量大、計算過程中容易陷入局部最優解的缺點也很明顯。PHEV的動力部件參數的選取與控制策略息息相關，Zhang[40]對2者同時進行優化，結果表明燃油經濟性提高了8.97%。Zhang[41]將能量管理過程中單目標問題轉換為多目標問題，并利用GA進行能量管理實現最優控制，在燃油經濟性方面表現平平，但在尾氣排放性方面提高了5%～10%，效果顯著。Boehme[42]針對不同規格的驅動部件影響能量管理的結果，利用GA設計了雙層控制策略，實現能量管理。有學者考慮到單純采用GA算法存在缺陷，與其余智能算法相結合形成相對完善的能量管理策略。Hu[43]將GA與模糊控制結合，該策略利用GA算法優化模糊控制器，再進行能量管理。張松[44]利用PSO與GA算法相結合，進行多目標規劃，結果表明，燃油經濟性與尾氣排放性均提高30%左右。還有學者提出利用混沌-遺傳算法[45]、免疫-遺傳算法[46]進行能量管理。

3.4 基于瞬時優化的能量管理策略

瞬時優化的能量管理策略，僅僅考慮當前狀態，制定出決策向量。此種控制策略，可以保證在每一步是最優控制，但就總體而言不能保證全局最優。在現實運行過程中，瞬時優化相對于全局優化更容易實現，由于全局狀態難以獲取、道路信息、車輛信息多變的特點，瞬時優化更具有現實意義。主要有等效油耗最小策略、模型預測管理方法。

等效油耗最小控制策略(Equivalent Consumption Minimization Strategy,ECMS)是將電動機的能耗通過轉換、表述為發動機的能耗，實質上是使綜合油耗最小的控制策略。雖然ECMS算法能實現的瞬時優化，沒有達到全局最優，但具有計算速度快、效果近似于全局優化的特點。文獻[47]對基于規則的能量管理策略、自適應的ECMS和H∞3種方法做了對比，實驗結果表明，自適應ECMS具有計算量小、能耗低的優點。Marano[48]將ECMS與DP規劃對比研究，實驗結果表明ECMS燃油經濟性稍低于DP，但ECMS的優勢在于不需要預知工況信息。

模型預測能量管理策略，將全局優化問題轉化為局部優化問題，通過一步一步滾動優化，預測下一步可能出現的狀態。主要優點是適應性強，處理非線性問題能力強。羅禹貢[49]利用馬爾可夫鏈進行預測，并取得了較好的結果。CAIRANO[50]同樣用到馬爾可夫鏈，不同之處在于此篇文章使用馬爾可夫鏈對數據進行統計，再利用深度學習的策略。實驗結果表明，此種方法能有效提高預測準確性。

3.5 基于學習的控制策略

基于學習的控制策略是相對新穎的控制方法，主要分為2大類：監督學習和無監督學習。前者能有效處理分類問題，后者在聚類辨識的應用更廣。對于能量管理問題，Khayyam[51]將神經網絡、模糊邏輯結合，利用神經網絡優化模糊邏輯參數，有效提高了模糊邏輯的通用性。Chen[52]采用支持向量機對工況進行辨識，對辨識之后的結果采用不同基于規則的策略進行管理，能有效應對各種工況。

4 存在的問題及展望

針對PHEV的研究很多，有從結構上改進，有從控制策略上優化，還有從循環工況獲取上入手，但很多研究都只是針對同一種動力總成結構。對于不同結構的車輛，控制策略需要單獨設計。特別是一種新式的PHEV車型需要重新設計控制策略。而且現有研究大多只考慮燃油經濟性，考慮排放性的相對較少，考慮動力電池組使用壽命的更少，更不用說3者都考慮在內。即使有考慮多目標優化的控制策略，也是通過將各目標函數加權，使多目標轉變為單目標問題。

發展新能源汽車主要目的是節能、減排，雖然新能源汽車綜合油耗低、綜合排量少，但并沒有從根源上解決排放問題，只是“少運行”而已。沒考慮排放性的控制策略，在發動機運行時其尾氣排放種類及含量與傳統汽車無異，并沒有達到期望中的減排效果。再者新能源汽車成本很大一部分集中在動力電池組上，動力鋰電池組生產時伴隨著嚴重的污染，若不對其進行有效的保護與管理，可能會使其壽命降低，更換電池組的時間間隔縮短，整個車輛使用成本增加，生產污染增加。影響動力電池組壽命很重要的一個因素就是動力電池充放電電流。解決電池組電流大的方法有增加并聯電池組的數量、降低其功率。在PHEV上增加更多的電池組，會帶來一系列的缺點，如：購車成本增加、內部可用空間減小、會增加車身重量、行駛時車輛能耗增加。因此，將電池組運行過程中的電流考慮在內是有必要性與可行性的。