重庆理工大学学报(自然科学)

混合动力电动汽车动力耦合系统与能量管理策略研究综述

分类:重点推荐 发布时间:2019-01-10 10:06 访问量:836

分享到:

ü 引用本文

      _________________________________________________________________________________________________________________________ 

    Citationformat:HE Ren, LI Junmin.Survey on Power Coupling System and Energy Management Strategy for Hybrid Electric Vehicles[J].Journal of Chongqing University of Technology(Natural Science),2018(10):1-16.

    本文引用格式:何仁,李军民.混合动力电动汽车动力耦合系统与能量管理策略研究综述[J].重庆理工大学学报(自然科学),2018(10):1-16.

    ____________________________________________________________________________________________________________________________

    作者简介:何仁,男,教授,博士生导师,主要从事汽车机电一体化技术研究,E-mail:heren@mail.ujs.edu.cn。


混合动力电动汽车动力耦合系统与能量管理策略研究综述

何 仁1,李军民1,2

(1.江苏大学 汽车与交通工程学院, 江苏 镇江 212013; 2.安阳工学院 机械工程学院, 河南 安阳 455000)

摘要:动力耦合系统的构型方案、参数匹配和能量管理策略三者相互关联,直接影响着混合动力电动汽车的综合性能。综述了近年来混合动力电动汽车在构型、参数匹配和能量管理策略3个方面的研究进展,分析了其存在的问题和发展趋势,指出为了提高混合动力汽车的综合性能,三者应该协同优化。其次,提出混合动力系统构型参数匹配能量管理策略协同优化进一步研究的重点和方向,即建立基于系统元件参数和能量控制参数的构型拓扑的通用数学模型,快速高效寻优最佳构型方案;考虑系统的动态特性,设计基于混杂系统理论的多模式混合动力汽车多层次优化控制策略;考虑未来行驶工况与驾驶风格信息,探索工况多变情况下实时最优控制算法的开发;开展混合动力总成台架或实车道路试验,进一步验证基于较多假设、简化模型的协同优化控制策略仿真结果。

关键词:混合动力电动汽车;构型;参数匹配;能量管理策略;协同优化



Surveyon Power Coupling System and Energy Management Strategy 

for Hybrid Electric Vehicles

HE Ren1, LI Junmin1, 2

(1.School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, China;2.School of Mechanical Engineering, Anyang Institute of Technology, Anyang 455000, China)

Abstract:The configuration scheme of power coupling system, parameter matching and energy management strategy are related to each other, which directly affect the optimization design of hybrid electric vehicle. Firstly, the research development of three aspects are summarized to analyze the existing problems and development trends, and the collaborative optimization of three aspects should be implemented to improve the comprehensive performance of the vehicle. Secondly, the focus and direction of further research on the collaborative optimization of configuration-parameter matching-energy management strategy of hybrid power system is pointed out, which includes the general mathematical model building of configuration topologies based on components parameters and control parameters to select the best configuration quickly and efficiently, the design of a multi-level optimization control strategy based on the theory of hybrid systems for multi-mode hybrid electric vehicle under the consideration of the dynamic characteristics of the system, the exploration of real-time and optimal control algorithms under variable driving conditions considering the future driving conditions and driving style, the implementation of powertrain bench test or road test to further validate the simulation results of collaborative optimization control strategies based on simplified models with more hypotheses.

Keywords:hybrid electric vehicle; configuration; parameter matching; energy management strategy; collaborative optimization

Citationformat:HE Ren, LI Junmin.Survey on Power Coupling System and Energy Management Strategy for Hybrid Electric Vehicles[J].Journal of Chongqing University of Technology(Natural Science),2018(10):1-16.


混合动力电动汽车(hybrid electric vehicle,HEV)具有两种及以上动力源,一般特指目前广泛应用的由发动机和电动机混合驱动的车辆,通过高效控制策略可实现不同工况下发动机与电动机功率流的合理分配,利用回收制动能量进行发电,与传统燃油汽车相比,具有明显的节能和降低排放等优势,还能克服纯电动汽车电池储能有限、续航里程短的弊端。插电式混合动力汽车(Plug-in hybrid electric vehicle,PHEV)因其电池容量大,行驶里程明显提高,可有效利用电网的用电低谷进行错峰外插充电。关于节能与新能源汽车产业的发展,《中国制造2025》指出:PHEV是我国未来重点发展的方向之一。2017年1月,工信部出台《新能源汽车生产企业及产品准入管理规定》,再次将插电式混合动力(含增程式)汽车划入新能源汽车范围内。

混合动力耦合系统的设计在整车开发中占有重要地位,对于提高车辆的综合性能起着决定性的作用。不同的构型方案,能实现的工作模式、动力源的功率流动规律、成本和工况适用性等也存在较大区别。系统元件参数对于提高经济性和降低成本等具有重要的影响。能量管理策略对于保证获得最佳动力性和经济性、最低排放起着决定性作用。因此,混合动力电动汽车的最优设计和整车性能的提升融合了动力耦合构型、动力参数匹配、能量管理策略等方面的联合作用[1]

本文综述了近年来混合动力汽车在构型、参数匹配和能量管理策略3个方面的研究进展,针对单独考虑某一方面混合动力耦合系统优化设计存在的问题,指出混合动力汽车构型参数匹配能量管理策略应协同优化,同时也提出下一步研究的重点和方向。


1 动力耦合系统构型分析


1.1 动力耦合系统构型的类型

根据电机的数量,将混合动力电动汽车动力系统构型分为3大类[2]

1) 单电机并联

根据电机的安装位置不同,并联式混合动力电动汽车可分为以下类型[3],如图1所示。

P0~P4.5种不同电机布置方案;CL1,CL2.离合器;

1.发动机;2.变速器;3.传动轴;4.后驱动轴

图1 单电机并联式混合动力系统构型

① P0:微混合BSG系统,采用皮带式启动电机发电机,只具有快速启停发动机功能,该结构应用于通用07款土星Vue SUV、奇瑞A5等车型。

② P1:轻混合ISG系统,电机位于发动机曲轴输出端处,具备电机助力和制动能量回收功能,但发动机会产生反拖阻力,不能实现纯电动驱动,应用案例如本田IMA、长安ISG系统等。

③ P2:电机位于变速器输入轴处,且通过离合器可断开发动机与电机的连接,实现纯电动驱动,再生制动不受发动机反拖影响,变速器类型可采用AT、CVT、DCT、AMT等,由于其成本低,应用较广泛,应用该方案的车型有英菲尼迪M35、现代索纳塔和大众双离合器等。

④ P3:电机位于变速器输出轴处或集成于变速箱内,纯电动驱动更直接、高效,但发动机不能给动力电池充电,电池的电量使用有限,一般需要与P0或P1方案配合使用,有时需要重新设计变速器,应用车型有本田i-DCD、比亚迪秦等。

⑤ P4:电机位于后驱动半轴上,可直接驱动车轮,车辆可以实现四驱,多应用于各种插电混合动力汽车。

与功率分流构型相比,单电机构型方案成本低、控制简单,但其燃油经济性和排放性能较差,不能成为最理想的混合动力系统构型方案。

2) 双电机功率分流式

混联式混合动力车型多数以行星齿轮机构作为动力耦合装置,可实现电动无级变速功能(Electric continuously Variable Transmission,EVT)。根据功率分流方式的不同,EVT可分为输入功率分流、输出功率分流和复合功率分流型[4]。依据它们在混联式HEV中的不同存在形式,功率分流式EVT主要有单模式、双模式和多模式。

① 单模式

单模混合动力系统是指以输入功率分流、输出功率分流和复合功率分流模式中的某一种形式存在的系统,由于只有输入分流式在比较宽的传动比范围内工作,主要应用于单模混合动力系统[5],典型代表为丰田普锐斯的THS,利用发动机转速、转矩与车轮的完全解耦,通过2个电机有效地调节发动机工作点,提高燃油经济性。

② 双模式

双模混合动力系统以通用的双模系统[6]为主导构型,由输入分流和复合分流2种模式组成,主要包括3个行星排、2个电机、2个离合器和1个发动机,其杆模型如图2所示。在该系统中,通过控制离合器的分离和接合来实现模式的切换,当离合器CLl闭合、离合器CL2断开时,运行适用于低速工况的输入分流模式;当CL1断开、CL2闭合时,运行适用于高速工况的复合分流模式。2种模式的组合,缩小了出现功率循环的传动比范围,提升了系统效率,并降低了对电机最大转矩的要求。

S1,S2,S3.太阳轮;C1,C2,C3.行星架;
R1,R2,R3.齿圈;CL1,CL2.离合器

图2 通用双模混合动力系统杆模型

2007年,通用公司针对插电式混合动力汽车推出Voltec动力系统[7],此为另一款功率分流式双模混合动力系统,它不同于三行星排双模系统,由单行星排来实现,包括输出功率分流和串联2种模式,其构型如图3所示。可以看出,该动力系统仍以行星齿轮系作为功率分流装置,通过2个离合器和1个制动器的不同组合形成多个行驶模式。当车辆运行于电量维持模式(SOC较低)时,低速行驶以串联模式运行,高速行驶采用输出分流模式,从而保证了高速行驶(传动比小)时具有高的系统传动效率。

S.太阳轮;C.行星架;R.齿圈;CL1,CL2.离合器;B1.制动器

图3 通用Voltec双模动力系统构型

③ 多模式

多模混合动力系统由2个或2个以上行星排组成,通过在行星排连接点之间加入离合器,并借助离合器的不同动作实现多种结构模式,具有能量效率高、加速性能好、可适应各种不同的行驶工况等优点。

典型代表为通用Volt2016,其杆模型如图4所示,动力耦合系统由双行星排和3个离合器构成,可实现单/双电机纯电动、并联、输入功率分流与复合型功率分流5种不同的结构模式[8]

S1,S2.太阳轮;C1,C2.行星架;R1,R2.齿圈;
CL1,CL2,CL3.离合器

图4 通用Volt 2016动力系统杆模型

3) 双电机串/并联式

双电机串/并联式动力耦合系统通过操纵离合器或换挡机构,实现低车速时以串联模式运行,车速较高时以并联模式运行,发动机输出动力可直接通过机械路径驱动车轮,且在纯电动和制动能量回收模式下无额外能量损失,系统的能量转换效率高。该类构型以本田雅阁i-MMD和上汽荣威550Plug-in为代表。

如图5所示,本田i-MMD系统[9]采用定轴齿轮,通过控制离合器CL1改变发动机动力输出,从而实现不同驱动模式。中高车速时由发动机直接驱动车辆,低速时以EV或串联驱动模式为主,可同时兼顾车辆不同工况下的系统效率,降低油耗。

图6为荣威550 PHEV所用的动力耦合系统(EDU)[10],其由ISG电机、驱动电机、常开离合器CL1、常闭离合器CL2和两档齿轮传动系统等组成。通过控制不同的离合器和同步器,可实现纯电动、串联、并联混合驱动、行车充电和怠速充电等模式。

图5 本田i-MMD混联式动力系统构型

图6 上汽荣威550混联式动力系统构型


1.2 动力耦合系统构型的特点对比与发展趋势

根据以上分析,对上述3种构型的性能特点进行对比,结果如表1所示。

表1 混合动力耦合系统构型的特点对比

混合动力耦合系统构型的发展趋势主要体现在以下方面:

1) 为了实现汽车轻量化、低成本设计,便于依据现有车型进行改装,在有限空间内布置电机,单电机并联和功率分流构型向高度集成化发展。

2) 为追求发挥极致性能,功率分流构型向多模式、复杂化方向发展,双模系统能有效提升车辆高速时的经济性,多模系统则可增强动力性。

3) 对于固定速比传动的双电机串/并联式构型,向动力输出多档化和单电机方向发展,以提高发动机运行效率和降低成本。


1.3动力耦合系统构型的拓扑结构优化研究

HEV按照动力系统的联结形式,可分为串联式、并联式和混联式混合动力电动汽车。串联式混合动力汽车发动机只有电动机驱动车辆,其拓扑构型方案唯一。而并联式混合动力电动汽车主要包括前文所述的P0~P4五种构型方案,结构简单,能方便实现各构型的动力学方程求解。利用穷举法对所有构型进行筛选,发现已有不少研究成果。文献[11]提出基于动态规划(Dynamic programming,DP)与粒子群优化算法(Particle swarm optimization,PSO)组合的双层优化法,以经济性和成本为目标,比较了并联式5种构型的不同特点。文献[12]基于DP算法,分别对P1、P2并联式和单电机混联式(转速耦合)构型方案进行了燃油经济性仿真分析。文献[13]建立了系统组件的参数化模型,基于庞特里亚金最小值原理( Pontryagin’s minimum principle,PMP),对并联式混合动力系统的构型设计和控制进行了联合优化。文献[14]提出了一种自动评估、优化混合动力汽车拓扑结构的方法,基于拓扑描述自动生成因果模型,采用DP算法,对并联式混合动力系统构型参数进行优化,该方法避免了隐式求解模型方程,缩短了计算时间。

混联式混合动力汽车的动力耦合构型方案众多,近年来国内外学者基于行星齿轮机构构型综合理论,主要围绕如何寻优最佳构型、探索不同构型的最佳性能等方面对行星齿轮式EVT进行了重点研究。文献[15]提出创造性设计法,通过“六步骤”,生成了满足设计要求的系统构型方案,并提出八项评价指标,但该方法生成的构型方案有限,性能评价具有一定的主观性。文献[3]通过增加输入输出构件层,建立了单行星排混合动力系统的分层图画模型及对应的数学矩阵模型,并结合离合器的二进制序列表示进行构型综合,有效降低了构型生成的穷举次数,但该方法无法继承已有优秀构型的特征。文献[16-17]以构件与运动副为基本要素,用图画法表示了功率分流式构型的拓扑结构,分别按七连杆和八连杆机构,通过几何限制和杆件组合,完成了可行构型方案的穷举搜索。但这2种方法都是单独考虑双行星排自身的连接方案以及系统元件与行星排的连接组合形式,构型方案生成过程繁琐且备选数量庞大。文献[18]利用改进型键合图表示法,通过生成所有无向图、指定节点类型与因果关系以及键的权重分配3个步骤,完成了行星齿轮式功率分流构型方案的自动搜索,并获得可行的拓扑结构。文献[19]设计了一款HEV拓扑自动生成器,以系统功能和成本为约束,给定动力源和传动系统组件,将所有可能构型表示为以系统组件为节点的联通无向图,通过穷举法生成可行的构型方案。

由上述文献看出,大多采用穷举搜索法生成混合动力系统的基础构型方案,需要借助辅助分析剔除低效或与常用工况不匹配的无效方案,具有一定的盲目性。鉴于此,一些学者以满足目标设计车型的功能需要,采用寻优思想对构型方案进行筛选,有效地缩小了搜索空间。文献[20]提出了一种基于杆模型逆向拆分的分析方法,将系统构型方案的寻优转化为机械点传动比的组合问题,并与期望速比进行比较,基于线性规划算法,筛选出了复合功率分流装置的所有可行构型,但该方法的可拓展性具有一定的限制。文献[21]采用基于加权功率效率分析法的近似最优能量管理策略,分别对单行星排的所有输入功率分流和输出功率分流构型方案进行了参数优化和燃油经济性仿真,结果表明,构型方案不同时,系统组件参数的优化选择有差异。文献[22]将基于改进型键合图生成拓扑结构方法集成于结构设计评价和优化中,以燃料经济性为目标,对构型方案和系统组件参数进行优选。但各构型动力学方程的矩阵表示需要逐一建立它们之间的关系,仍需要借助辅助手段判断构型方案的同构性,搜索过程繁琐。文献[23]针对在双行星排的所有可能位置上添加离合器后形成的多种结构模式,提出了改进型加权功率效率分析法,以经济性为优化目标,将离合器状态作为控制变量,基于DP算法实现了最佳离合器位置识别和最优运行模式控制,从而生成多模式混合动力系统最优构型方案。文献[24]利用新三色拓扑图来描述行星齿轮机构的特征,借鉴变胞机构的构态变换方法,通过邻接矩阵运算,进行了多排行星齿轮机构的构型综合,并采用模糊一致矩阵优选方法进行构型方案筛选,大大减少了优选工作量,实现了方案优选与专家经验相结合,但该方法未考虑添加离合器。文献[25]提出了一种系统化的构型搜索方法,以同时满足燃油经济性和加速性能为目标,基于由单行星排杆模型生成的复合杆模型,利用全局最优控制算法对构型参数进行了优化,通过比较各方案的Pareto解,筛选出了一种加速性能优于普锐斯THS设计的新构型及其参数,并指出最优构型方案及其设计变量随车型和系统组件不同而改变。文献[26]基于模型自构法和穷举搜索法,引入加速性能约束,从定性和定量2个角度对比了双行星排和三行星排功率分流式动力耦合装置的构型方案,结果表明三行星排的拓扑构型数量更多,其加速性能优异,但效率较低。文献[27]基于分层拓扑图,提出了一种由“系统建模生成构型库同构判断构型模式分类”4步骤组成的单行星排功率分流式混合动力系统优化设计方法,并利用DP算法,对筛选出的24种构型方案的加速性能和燃油经济性进行了分析,结果表明,系统的性能与其构型方案有关。

上述文献通过分析系统组件的连接方式和运动关系,建立了混合动力系统构型与组件参数之间的关系表达式,并结合单一或多优化目标,利用优化算法分析不同构型的性能,从而得到满足设计要求的最佳构型方案。混合动力系统的方案优选是综合考虑系统元件参数、控制参数和构型3个因素多层次优化的结果,单独考虑某一因素或某2个因素不能获得最优构型方案。


2 混合动力系统参数匹配优化研究

混合动力系统参数匹配优化是指根据汽车的行驶条件和设计指标,合理选择动力系统各参数,如发动机功率,电动机功率、转矩与转速,动力电池容量等,从而实现整车的动力性和燃油经济性的优化。HEV由更多的系统部件组成,其动力系统参数匹配问题更加复杂,多目标和多变量优化问题。


2.1 混合动力系统参数匹配方法

按照匹配目标不同,动力系统参数匹配方法分为2大类[28],如图7所示:一种是约束匹配法,只需满足给定的设计目标(通常为动力性能要求),根据是否考虑行驶工况又可分为理论匹配法和工况匹配法;另一种是优化匹配法,可实现满足性能约束的同时使某个或多个指标最优。

图7 HEV动力系统参数匹配方法

约束匹配法不考虑能量管理策略、换挡规律等控制策略,匹配过程简单,但初选时只能以动力性能为依据,匹配后的动力系统不一定能满足其他性能约束,且不是最优方案,该方法一般用于为混合动力系统提供初始参考值。优化匹配法通过建立考虑某个或多个性能指标的目标函数,利用优化算法迭代出各项指标都最优的方案,可以对每一种动力系统匹配方案进行评价,是目前广泛应用的一种动力参数匹配方法,常用的优化算法有基于梯度的算法,如序列二次规划算法(Sequential quadratic programming,SQP)、凸优化算法(Convex optimization,CO)等;另一类是非梯度算法,如模拟退火算法(Simulated annealing,SA)、GA、PSO等。


2.2 混合动力参数匹配优化研究

当混合动力汽车的能量管理策略确定时,其动力系统参数与控制参数相互耦合,共同影响着车辆的综合性能。因此,动力参数通常与控制参数同时进行优化,随着研究的深入,优化目标也由最初单一的经济性指标,逐渐形成由经济性、排放和成本等构成的多目标优化。文献[29]利用凸优化算法,分别同时优化了并联PHEV和插电式混合动力客车(Plug-in hybrid electric bus,PHEB)的能量管理策略和动力总成部件参数。文献[30]基于7条整车性能约束,考虑不同用户的用车习惯,以动力系统部件制造成本和车辆使用成本最低为优化目标,采用混合控制策略进行了动力参数匹配。文献[31]应用GA和ADVISOR的非GUI函数,以经济性和排放为目标,建立了串联式PHEV动力参数优化的仿真模型,实现了对其动力系统部件参数和控制策略参数的同时优化。文献[32]综合考虑动力系统组件规格和参数对整车综合性能的影响,以燃油经济性、排放和驾驶性能为优化目标,基于遗传算法,提出了多目标双层优化的控制策略。文献[33]针对并联式HEV,通过引入发动机关闭系数,提出了一种改进型模糊能量管理策略,以等效燃油消耗、电机和电池组总成本为优化目标,采用多目标遗传算法对控制策略参数、电机和电池组设计参数进行了优化,并获得最佳组合参数。文献[34]以等效燃油消耗量和排放为目标,利用PSO在UDDS循环工况下对PHEV的动力传动系统参数与控制策略参数进行了联合优化。文献[35]以动力性和电池SOC平衡为约束,同时选取对整车性能影响较大的动力系统参数和控制策略参数作为优化变量,采用NSGA-Ⅱ算法对并联式HEV进行了多目标优化,结果表明,优化后燃油经济性、排放性与驾驶性能均得到明显改善。文献[36]以燃油经济性和排放性能为优化目标,以动力性能和电池荷电状态为约束条件,采用免疫遗传算法(Immune genetic algorithm,IGA)对HEV传动系统参数和控制参数进行了优化。文献[37]为了实现整车能量的最优利用,以燃油经济性和排放为目标,采用GA对PHEV的动力参数和整车控制策略参数进行了优化,结果表明,优化后NEDC工况下百公里油耗量降低12.5%,CO、HC、NOx排放值也均有所下降。文献[38]提出了一种基于系统效率最优的瞬时能量管理策略,并以成本、经济性和排放为优化目标,采用多目标遗传算法对PHEV的动力系统参数和控制参数进行联合优化,并获得Pareto最优解集,提供了多组可行的参数优化方案。文献[39]采用非支配排序遗传算法(Non-dominated sorting genetic algorithm,NSGA),以经济性和动力性为双目标函数,对功率分流式HEV的行星齿轮耦合机构的特征参数和主减速比等参数进行了优化设计,油耗有所降低。

也有一些学者考虑各种单一优化算法的优点,取长补短,设计组合算法进行动力系统参数匹配优化。文献[40]设计了一种混合遗传算法(Hybrid genetic algorithm,HGA),在特定的公交工况下,对同轴并联PHEB部件参数及控制参数进行了静态联合优化,可作为一种可行的参数优化工程设计方法。文献[41]提出了一种基于最优化能量管理策略的混合动力系统参数优化方法,以经济性为目标,将电池组SOC终值和动力性能作为约束条件,设计了多岛遗传算法(Multi-island genetic algorithm,MIGA)和SQP组合优化算法,通过将整车模型和DP算法集成于Isight中,确定了单轴混联式PHEB动力系统参数。文献[42]基于增强型GA和SA,提出了一种HGA,用于同时优化PHEB的动力系统参数和控制参数,并兼顾经济性和动力性能。结果表明,该算法的收敛速度和全局搜索能力较突出。文献[28]先采用权重法和非归一化算法,以经济性、动力性和小型化为目标,对单轴并联式HEV动力源参数进行了优化,得到局部最优匹配结果;进而考虑控制策略对动力源参数匹配的影响,以经济性为目标,将动力源参数和控制参数进行集成优化,结果表明,相对于局部优化,集成优化时油耗有所降低,动力源参数也进一步得到优化。文献[43]以行驶成本为目标,利用最优拉丁超立方设计方法获得了PHEV传动系统参数的最优局部区域,建立径向基神经网络近似模型,并利用非线性二次规划算法得到了最佳参数组合。

以上学者利用组合优化算法对动力系统参数和控制参数进行了共同优化,得到了较好的效果。但车辆实际行驶工况多变,基于单一工况下优化得到的参数并不能适用于其他工况[44]。为了解决上述问题,一些学者又开展了基于多工况的动力系统参数优化研究,文献[45]提出了一种多循环工况下混合动力汽车参数优化方法,以经济性为优化目标,基于GA,对动力系统参数和控制参数进行了优化。文献[46]组合6种典型循环工况,将电池SOC平衡油耗引入目标函数,利用基于SA的PSO算法,提出了一种基于多工况优化动力系统参数与控制参数的方法,并通过实车试验验证了所提策略的有效性。文献[47]通过建立车辆各工作模式的系统效率模型,以效率最佳制定模式切换规律,构建包含5种典型工况的组合行驶工况,以经济性为优化目标,利用GA对单电机PHEV的动力系统参数与模式切换规律控制参数进行了综合优化,等效燃油消耗比优化前降低了7.2%。

综上所述,HEV动力参数匹配与能量管理策略联合优化的同时,向多目标优化,优化算法组合发展,由单一工况向多工况适应发展,逐步深入优化车辆的综合性能,但上述研究都是基于确定的动力系统最优构型进行参数优化,没有考虑不同构型方案对元件参数和控制策略优化的影响。


3 能量管理策略优化研究

能量管理策略的作用是根据车辆行驶过程中的能量需求,合理地动态协调控制发动机与驱动电机的输出功率流,以获得最优的经济性、动力性和排放水平等综合性能。


3.1 能量管理策略的类型

近年来,国内外专家学者们从各个角度深入地研究了能量管理策略的优化控制算法,HEV能量管理策略的分类如图8所示[48-49]。按控制策略是否在线优化,分为在线控制与离线控制策略;按策略的控制方式不同,分为基于规则的控制策略和基于优化的控制策略。几种典型能量管理策略的特点比较列于表2中。

图8 HEV能量管理策略的分类

表2 典型能量管理策略的特点对比


3.2 能量管理策略的研究进展

针对单一能量管理策略在应用中存在的不足,国内外学者们进行了相应的改进或与其他算法相结合进行优化控制。

1) 动态规划策略

针对DP算法极其依赖于工况循环的状态、不能实现实时在线控制的缺点,国内外学者们对其进行了一些探索,主要体现为算法的改进或与其他技术相结合,以缩短计算时间和实现对未来工况信息的预测。文献[50-51]分别采用2次和3次样条近似DP算法用于HEV能量管理优化问题,有效地减小了计算量。文献[52]提出了一种基于随机动态规划(Stochastic dynamic programming,SDP)的并联式HEV能量管理策略,用马尔科夫过程表示驾驶员的功率需求,依据SDP结果,对功率分配比图进行优化,获得了最佳燃油经济性。文献[53]针对PHEV短途行驶时的最优能量控制问题,提出一种基于Q学习的车载无模型算法,将神经动态规划(Neural dynamic programming,NDP)与未来行程信息相结合,可实现随机行驶工况中收敛到最佳策略。文献[54]提出基于NDP的能量管理策略,对燃油经济性和电池SOC同时优化,与SDP算法相比,获得了更好的性能。文献[55]构建了由2个神经网络(Neural Networks,NN)模块构成的在线智能能量管理控制器,对改善PHEV在不同循环工况下的燃油经济性进行了研究,根据DP优化结果进行训练,并考虑行程距离和持续时间,选择相应模块输出有效电池电流指令,以实现最佳能量管理。针对PHEB行驶工况复杂并具有一定的规律性,文献[56]基于历史工况数据的DP最优解求出相应的规则门限值,提出了基于DP的规则控制策略,并通过硬件在环实验,验证了该策略可有效减低油耗。文献[57]综合考虑动力系统的连续和离散变量,提出了一种基于SDP的自适应能量管理策略,通过动态调整换档点和扭矩分配,自适应因子随公交车复杂行驶工况变化,结果表明,所提方法能很好地响应工况的变化。文献[58]针对履带式HEV,构建了一种考虑角速度的3D马尔可夫链驱动模型,提出基于最近邻法的在线转移概率矩阵更新算法,所提方法也能够适应变化的行驶工况,并利用SDP进行验证。

2) 模糊逻辑规则策略

由于模糊逻辑(Fuzzy logic,FL)规则策略仍需要依靠工程经验来制定控制规则,难以确保控制策略的最优,将FL规则与其他控制方法相结合获得了良好的效果。文献[59]针对ISG并联混合动力汽车,利用PSO算法优化模糊控制的隶属度函数,与未优化的模糊控制策略相比,其燃油经济性得到提高。文献[60]结合GA,优化了FL控制策略的隶属度函数,对转矩进行模糊控制。文献[61]综合考虑整车环境驾驶员之间的关联特性,开发了多FL控制器的智能管理系统,利用GA优化的混合多层自适应神经模糊推理系统对其关键模糊发动机控制器进行自适应,提高了节油率。文献[62]将模糊控制与等效油耗最小策略(Equivalent JP3consumption minimization strategy,ECMS)相结合,对ECMS中的等效因子进行模糊控制,提高重型HEV的燃油经济性。文献[63]以理论SOC参考轨迹为切入点,提出了以燃油经济性与排放为优化目标的FL控制策略,与电辅助控制策略相比,所设计方法在UDDS和NEDC两种工况下的燃油经济性均提高12%左右。文献[64]针对四驱PHEV,基于模糊控制理论建立了驾驶意图识别模块,提出一种基于驾驶意图识别的能量管理策略,能够有效地切换车辆的工作模式和合理进行转矩分配。文献[65]针对并联HEV,提出了一种基于量子混沌鸽群优化算法的模糊控制策略,同时优化模糊转矩分配控制器的规则和隶属度函数,该策略比原始模糊控制和基于PSO的模糊控制策略更有效地改善了燃油经济性。文献[66]将GA、学习矢量量化神经网络和FL算法相结合,提出了以最小燃油消耗和电池SOC为双优化目标的ECMS,得到了满意的优化效果。

3) PMP能量管理策略

PMP策略虽然降低了计算量,但实时运算仍比较困难,基于合理的简化整车模型,选取适当的等效系数时,可获得近似全局最优解,因此基于PMP实现在线优化的策略被称为ECMS[67]。文献[68]针对功率分流式PHEV,提出了SA与PMP相结合的能量管理策略,利用PMP确定最优电池电流,利用SA计算发动机启动功率及最大电流系数。文献[69]将基于PMP的PHEV最优控制问题转化为非线性规划问题,根据KKT条件,提出了一种用于预定义行驶条件的通用代价估计方法,用于控制策略的初始代价和跳跃条件估计。文献[70]综合考虑电池SOC、等效因子与燃油消耗的关系,以燃油经济性为目标,构建了等效因子全局优化模型,利用GA提出了基于等效因子优化的ECMS,通过仿真与硬件在环试验,与未优化的等效因子相比,油耗降低20.81%。文献[71]利用K均值聚类算法,对4种典型循环工况进行识别,并结合ECMS,合理优化和分配需求功率,提高了燃油经济性。文献[72]综合考虑工况识别、驾驶风格与ECMS之间的关系,提出了基于驾驶风格识别的能量管理策略,选用一段随机工况进行仿真,燃油经济性提高了8.47%。由上述文献看出,如何高效地利用工况信息获得合理的实时等效系数,是基于PMP瞬时优化策略的研究热点。

4) 模型预测控制策略

模型预测控制策略(Model predictive control,MPC)通过在线辨识车辆动态参数,可实现预测域内的局部优化,适用于HEV能量管理,并且还可以与其他智能算法相结合。

文献[73]将随机模型预测控制(Stochastic model predictive control,SMPC)与DP相结合,研究了并联式HEV的转矩分配问题,根据需求功率建立了马尔科夫模型,并以燃油消耗最小为目标进行滚动优化控制,与逻辑门限值控制策略相比,经济性得到显著提升。文献[74]提出了一种基于SMPC与学习的驾驶员感知车辆控制方法,控制效果优于传统的MPC。文献[75]以系统安全、经济性和舒适性为优化目标,提出了基于非线性模型预测理论的HEV预测巡航控制算法,与常规算法相比,所提方法在跟踪安全性和经济性方面有较好表现。文献[76]针对PHEV提出了基于蓄电池充放电管理的MPC智能优化策略,油耗得到明显降低,且可实现实时控制。文献[77]基于电池SOC监控和功率平衡整车模型,设计了基于实时交通数据的PHEV预测能量管理策略,并进行了有效性验证。文献[78]将动力分流式PHEV的实时功率分配决策描述为非线性优化问题,基于连续/广义最小残差算法,提出求解优化问题的在线迭代算法,有效地改善了MPC的实时运算问题。文献[79]针对PHEB提出了一种驾驶行为感知修正的SMPC,利用K均值对驾驶行为分类,并基于马尔可夫链获得相应的驾驶员模型,与电量消耗维持策略相比,所提策略可在整个循环工况中极大地提高燃油经济性。文献[80]针对多能源PHEV,提出了集成MPC和基于规则策略的能量管理策略,与原控制策略相比,所提策略在3种典型驾驶循环下的燃油经济性均有所提高。

5) 基于智能优化算法的能量管理策略

智能优化算法能实现全局、并行高效优化,具有鲁棒性和通用性强等优点,广泛用于计算机科学、组合优化、工程优化设计等领域[81]。应用于HEV能量管理策略的常用算法有GA、PSO、SA、蚁群算法(Ant Colony Algorithm,ACO)和人工神经网络(Artificial neural networks,ANN)等。

基于GA、PSO和SA的控制策略收敛速度较慢,这类算法目前主要采用离线运算得到最优结果,再结合在线策略进行能量管理的优化。文献[82]提出一种基于遗传的细菌觅食混合算法用于HEV能量优化管理,燃油消耗量有所减少。文献[83]提出了在线智能能量管理策略,基于不同传动系统功率和车速下的燃料消耗率和电池电流之间的关系分析,利用GA优化发动机启动功率阈值,利用QP计算发动机启动时的最佳电流,有效地降低了燃油消耗量。文献[84]设计了一种基于改进型PSO的在线次优能源管理系统,所提策略比传统PSO更能有效地搜索最优解,提高燃油经济性。文献[85]提出基于NSGA-Ⅱ算法优化模糊控制规则方法,进行了燃油经济性和排放性能多目标优化,但未考虑模糊控制器的隶属度函数的优化。文献[86]针对PHEV,综合考虑驱动和制动时的能量分配问题,提出基于IGA优化的双模糊控制策略,以油耗和排放为目标,对策略的隶属度函数和控制规则同时进行优化,与GA相比,优化效果明显提高。文献[87]针对预测型能量管理策略难以完全准确预测未来行驶工况信息,基于未来工况预测数据,提出了动态邻域粒子群优化算法用于局部最优控制;同时考虑行驶工况的不确定性,提出了一种基于备用控制策略和模糊逻辑控制器的在线修正算法。

神经网络型控制策略设计过程较复杂,通过优化方法对其设计要素进行自动调节,可有效提高其自适应性。文献[88]提出了一种模糊Q学习法,不依赖于对未来工况信息的预知,通过BP神经网络对控制规则进行记忆和优化,实现控制参数在线调整。文献[89]考虑到充分利用PHEB的车载辅助设备(比如GPS等),提出了一种多模式切换逻辑控制策略,基于历史工况数据,利用改进的层次聚类算法进行工况特征分组,然后采用支持向量机方法预测当前行驶工况,能很好地应对城市公交车工况复杂多变的特点。文献[90]针对PHEV提出了一种混合逻辑动态模型预测控制策略,运用模糊推理识别驾驶意图,利用非线性自回归神经网络车速预测方法预测未来行驶工况,以最小等效燃油消耗为目标,实现了电机转矩的最优控制。文献[91]提出了一种基于核模糊C聚类的多神经网络能量管理策略,与单神经网络策略相比,车辆的燃油经济性更好,电池SOC更加平稳。文献[92]针对PHEV,通过应用分布式GA离线对发动机/电机参数进行优化,基于径向基函数神经网络建立优化逼近模型,基于线性规划算法设计高阶马尔科夫速度预测器,提出一种实时能量管理策略,仿真表明所提策略的燃油经济性远高于传统的基于规则的策略,略低于全局优化策略。

综上所述,HEV能量管理策略的发展趋势可归纳为:① 充分发挥各种控制算法的优势,探索它们之间的互相协同与融合,实现组合策略控制,以获取系统最优的综合性能;② 综合考虑混合动力系统构型及动力参数匹配,以改善整车的能量效率,寻求更为适用满足特定设计需求的能量管理策略。


4HEV“构型参数匹配能量管理策略”协同优化

由上述内容看出,仅考虑系统构型、参数匹配和能量管理策略中的某一或两个因素优化时,均不能获得混合动力系统的最优设计方案和整车最佳综合性能,因此,有必要分析系统构型、参数匹配和能量管理策略之间的关联性,进行联合优化。


4.1构型参数匹配能量管理策略的关联特性

图9为HEV优化设计结构关系图,清晰地反映出混合动力系统构型元件参数控制策略之间的相互联系,能量管理控制策略优化处于混合动力系统最优设计的最底层,动力参数匹配优化与拓扑构型优化均包含能量管理策略的优化设计;动力参数匹配又直接与系统的构型方案有关,构型方案优化与动力参数匹配的优化能够提高系统的能量效率[93]。可见,上述3个优化问题是相互耦合的,应统一起来综合考虑,才能实现混合动力汽车的全局最优控制。

图9 HEV优化设计结构关系


4.2构型参数匹配能量管理策略协同优化研究状况

目前已有少量学者对HEV构型、参数匹配和能量管理策略3个因素的联合优化进行了初步研究。文献[94]针对如何依据能量管理策略和参数匹配在所有可行输入功率分流构型中选择最优方案,构建一维搜索ECMS和电池退化模型,分析了不同构型方案对燃料消耗和电池退化的影响,优选出一种适用于我国PHEV构型,但仿真结果未进行实验验证,该方法是否适用于输出功率分流和复合功率分流构型的优化也有待进一步研究。文献[95]提出集成构型参数优化控制策略的多目标动力总成优化设计方法,并将其应用于串联式、并联式、输出功率分流和多模式功率分流构型的分析。首先以燃料经济性、电能消耗和加速能力为优化目标,在不同的目标权衡下,基于全局最优控制优化各种构型的系统元件参数和车辆性能;然后通过性能比较和非支配排序,得到动力总成构型的Pareto最优解及相应的元件最优参数。文献[93]提出了笼式优化和迭代优化2种架构,将能量管理策略、构型优化和动力参数匹配3个优化问题有机地统一起来考虑,实现了HEV全局优化设计。但该方法局限于特定的行驶工况,为了降低计算量,且仅以经济性作为优化目标。文献[96]提出了一种拓扑构型控制参数匹配集成优化方法,通过系统地分析具有双动力输出特征的多模式混合动力系统的所有可能设计,利用效率评估实时控制策略,实现了综合考虑电池SOC、模式切换和运行效率的全局近优控制,计算时间大大缩短;同时基于元启发式算法,通过多目标优化获得了最优设计构型及元件参数。

由上述文献看出,对构型参数匹配能量管理策略联合优化的研究成果还很少,为了降低计算量,动力匹配参数和能量管理优化参数的选取比较单一,虽然有学者以多目标进行优化,但也未考虑行驶工况的随机多变和驾驶风格等因素对车辆综合性能的影响。

5 展望

本文对混合动力汽车构型、参数匹配和能量管理策略优化的研究进展进行了分析。结合各种构型的特点,指出单电机并联构型向高度集成化、功率分流构型向集成化和复杂化方向,双电机串/并联构型向多档化和单电机方向发展。

在构型拓扑机构优化方面,目前研究主要围绕行星齿轮式功率分流装置,优化方法从设定筛选条件利用穷举搜索法筛选,发展为通过建立系统元件参数或控制参数的构型表达关系式,并基于优化算法分析构型性能,获取最优构型设计方案。动力参数匹配大多都与能量管理策略的控制参数同时优化,优化目标由单一的燃油经济性向多目标发展,设计组合优化算法。在能量管理策略优化方面,充分发挥各种优化算法和智能控制策略的优势,实施复合控制,实现实时在线、多工况自适应的全局优化。上述3个问题的优化均未综合考虑它们之间的关联特性,因此提出构型参数匹配能量管理策略应该协同优化,以获得良好的系统综合性能。

针对目前混合动力汽车构型参数匹配能量管理策略协同优化研究存在的不足,对未来工作的重点和方向总结如下:

1) 建立混合动力系统构型拓扑结构的通用模型,深入分析构型参数匹配能量管理控制策略的耦合特性,借助基于系统元件参数和控制参数的构型方案数学表达方法,快速寻优最佳构型,以满足不同的车辆目标设计需求。

2) 对于多模式混合动力汽车,若模式切换控制不当,也会影响车辆的经济性、平顺性等,因此有必要考虑系统的动态特性,基于混杂系统理论,建立多层次的优化控制策略。

3) 利用智能交通系统或智能控制策略实时获取、预测未来行驶工况与驾驶风格等信息,探索工况多变情况下实时整车最优控制算法的开发,进一步提高车辆的综合性能。

4) “构型参数匹配能量管理策略”协同优化的控制策略可以更有效地提高整车的性能,但所用模型是做出较多假设,简化后建立的,仿真结果与实车运行工况存在差别,因此仍需要进一步开展控制算法的台架或实车实验验证。

参考文献:

[1] 《中国公路学报》编辑部.中国汽车工程学术研究综述·2017[J].中国公路学报,2017,30(6):1-197.

[2] 孙玉瑞.长安新能源梁伟:插电式混合动力汽车构型趋势分析及控制策略[EB/OL].[2017-06-02].http://www.evpartner.com/news/8/detail-27941.html.

[3] 刘振涛.EVT混合动力传动系统的图论建模与构型综合设计理论研究[D].重庆:重庆大学,2016.

[4] 曾小华,王继新.混合动力耦合系统构型与耦合装置分析设计方法[M].北京:北京理工大学出版社,2015.

[5] YANG H,CHO S,KIM N,et al.Analysis of planetary gear hybrid powertrain system part 1:Input split system[J].International Journal of Automotive Technology,2007,8(6):771-780.

[6] AHN K,CHO S,LIM W,et al.Performance analysis and parametric design of the dual-mode planetary gear hybrid powertrain[J].Proceedings of the Institution of Mechanical Engineers Part D Journal of Automobile Engineering,2006,220(11):1601-1614.

[7] PETER J S,BRENDAN M C,MICHAEL A M,et al.“The GM Voltec” 4ET50 multi-mode electric transaxle[C]//SAE 2011 World Congress and Exhibit, 2011:1102-1114.

[8] CONLON B M,BLOHM T,HARPSTER M,et al.The Next Generation “Voltec” Extended Range EV Propulsion System[J].SAE International Journal of Alternative Powertrains,2015,4(2):1-12.

[9] IDE H,SUNAGA Y,HIGUCHI N.Development of SPORT HYBRID i-MMD Control System for 2014 Model Year Accord[J].Honda R&d Technical Review,2013,25:32-40.

[10]冷宏祥,葛海龙,孙俊,等.上汽荣威550插电式混合动力系统的特点[J].科技导报,2016,34(6):90-97.

[11]NUESCH T,OTT T,EBBESEN S,et al.Cost and fuel-optimal selection of HEV topologies using Particle Swarm Optimization and Dynamic Programming[C]//American Control Conference.USA:IEEE,2012:1302-1307.

[12]YANG Y,HU X,PEI H,et al.Comparison of power-split and parallel hybrid powertrain architectures with a single electric machine:Dynamic programming approach[J].Applied Energy,2016,168:683-690.

[13]ZHAO J,SCIARRETTA A.Design and Control Co-Optimization for Hybrid Powertrains:Development of Dedicated Optimal Energy Management Strategy[J].Ifac Papersonline,2016,49(11):277-284.

[14]GOOS J,CRIENS C,WITTERS M.Automatic Evaluation and Optimization of Generic Hybrid Vehicle Topologies using Dynamic Programming[C]//20th World Congress of the International-Federation-of-Automatic-Control (IFAC),2017,50(1):10065-10071.

[15]朱福堂,陈俐,殷承良,等.混合动力汽车行星齿轮机构的方案设计与优选[J].中国机械工程,2010,21(1):104-109.

[16]NGO Huutich,YAN Hongsen.Configuration synthesis of series-parallel hybrid transmissions[J].Journal of Automobile Engineering,2016,230(5):664-678.

[17]HOANG N T,YAN H S.Configuration Synthesis of Novel Series-Parallel Hybrid Transmission Systems with Eight-Bar Mechanisms[J].Energies,2017,10(7):1-15.

[18]BAYRAK A E,REN Y,PAPALAMBROS P Y.Topology Generation for Hybrid Electric Vehicle Architecture Design[J].Journal of Mechanical Design,2016,138(8):121-128.

[19]SILVAS E,HOFMAN T,SEREBRENIK A,et al.Functional and cost-based automatic generator for hybrid vehicles topologies[J].IEEE/ASME Transactions on Mechatronics,2015,20(4):1561-1572.

[20]王伟华,宋瑞芳,刘松山,等.双模功率分流式混合动力系统构型分析[J].汽车工程,2015,37(6):648-654.

[21]ZHANG Xiaowu,PENG Huei,SUN Jing.A Near-Optimal Power Management Strategy for Rapid Component Sizing of Multimode Power Split Hybrid Vehicles[J].IEEE Transactions on Control Systems Technology,2015,23(2):609-618.

[22]BAYRAK A E.Topology Considerations in Hybrid Electric Vehicle Powertrain Architecture Design[D].Ann Arbor,MI:The University of Michigan,2015.

[23]ZHANG X,LI S,PENG H,et al.Efficient exhaustive search of power-split hybrid powertrains with multiple planetary gears and clutches[J].Journal of Dynamic Systems Measurement & Control,2015,137(12):1-12.

[24]李斌,孙涛,宋轶民,等.多排行星齿轮动力耦合器的构型综合方法[J].天津大学学报(自然科学与工程技术版),2016,49(1):35-45.

[25]KIM H,KUM D.Comprehensive Design Methodology of Input and Output-Split Hybrid Electric Vehicles:In Search of Optimal Configuration[J].IEEE/ASME Transactions on Mechatronics,2016,21(6):2912-2923.

[26]ZHUANG W,ZHANG X,DING Y,et al.Comparison of multi-mode hybrid powertrains with multiple planetary gears[J].Applied Energy,2016,178:624-632.

[27]PEI Huanxin,HU Xiaosong,YANG Yalian,et al.Configuration optimization for improving fuel efficiency of power split hybrid powertrains with a single planetary gear[J].Applied Energy,2018,214:103-116.

[28]李垚.并联混合动力客车动力源参数匹配和优化[D].北京:北京理工大学,2016.

[29]POURABDOLLAH M,MURGOVSKI N,GRAUERS A,et al.Optimal Sizing of a Parallel PHEV Powertrain[J].IEEE Transactions on Vehicular Technology,2013,62(6):2469-2480.

[30]王庆年,王光平,王鹏宇,等.基于成本优化的插电式混合动力参数匹配[J].吉林大学学报(工学版),2016,46(2):340-347.

[31]王润才,何仁,俞剑波,等.基于遗传算法的插电式串联混合动力汽车动力参数优化[J].中国机械工程,2013,24(18):2544-2549.

[32]Boehme T J,Frank B,Schori M,et al.Multi-objective optimal powertrain design of parallel hybrid vehicles with respect to fuel consumption and driving performance[C]//Control Conference.IEEE,2014:1017-1023.

[33]周云山,杨豪杰.考虑电驱动系统成本的混合动力汽车参数综合优化[J].汽车安全与节能学报,2015,6(3):265-271.

[34]尹安东,张宇,张冰战,等.基于粒子群算法的PHEV动力参数和控制策略参数优化[J].机械传动,2015,39(5):58-62.

[35]邓涛,林椿松,李亚南,等.采用NSGA-Ⅱ算法的混合动力能量管理控制多目标优化方法[J].西安交通大学学报,2015,49(10):143-150.

[36]TAN G,LIN C,BAI Y,et al.Multi-objective optimization of HEV transmission system parameters based on immune genetic algorithm[C]//IEEE International Conference on Communication Problem-Solving.IEEE,2015:426-431.

[37]张宇.插电式混合动力汽车参数设计与优化研究[D].合肥:合肥工业大学,2015.

[38]曾育平,秦大同,苏岭,等.插电式混合动力汽车动力系统的成本、油耗和排放多目标参数优化[J].汽车工程,2016,38(4):397-402.

[39]何建强,汪少华,姚勇.功率分流式HEV传动系统参数匹配及优化[J].机械传动,2017,41(4):38-43.

[40]张亚辉.插电式混合动力客车部件参数及控制参数优化研究[D].秦皇岛:燕山大学,2014.

[41]王喜明.插电式混合动力城市客车动力系统匹配与控制优化研究[D].北京:北京理工大学,2015.

[42]LI L,ZHANG Y,YANG C,et al.Hybrid genetic algorithm-based optimization of powertrain and control parameters of plug-in hybrid electric bus[J].Journal of the Franklin Institute,2015,352(3):776-801.

[43]王庆年,段本明,王鹏宇,等.插电式混合动力汽车动力传动系参数优化研究[J].吉林大学学报(工学版),2017,47(01):1-7.

[44]HILLOL K R,MCGORDON A,JENNINGS P A.A generalized powertrain design optimization methodology to reduce fuel economy variability in hybrid electric vehicles[J].Transaction on Vehicular Technology,2014,63(3):1055-1070.

[45]詹森,秦大同,曾育平.基于多循环工况的混合动力汽车参数优化研究[J].汽车工程,2016,38(8):922-928.

[46]刘永刚,李杰,秦大同,等.基于多工况优化算法的混合电动汽车参数优化[J].机械工程学报,2017,53(16):61-69.

[47]秦大同,林毓培,刘星源,等.基于系统效率的PHEV动力与控制参数优化[J].湖南大学学报(自然科学版),2018,45(2):62-68.

[48]隗寒冰,何义团,李军,等.混合动力电动汽车控制策略——分类、现状与趋势[J].重庆交通大学学报(自然科学版),2013,32(5):1049-1054.

[49]赵秀春,郭戈.混合动力电动汽车能量管理策略研究综述[J].自动化学报,2016,42(3):321-334.

[50]LARSSON V,JOHANNESSON L,EGARDT B.Analytic solutions to the dynamic programming subproblem in hybrid vehicle energy management[J].IEEE Transactions on Vehicular Technology,2015,64(4):1458-1467.

[51]LARSSON V,JOHANNESSON L,EGARDT B.Cubic spline approximations of the Dynamic Programming cost-to-go in HEV energy management problems[C]//Control Conference.IEEE,2014:1699-1704.

[52]LEE H,CHA S W,KIM H,et al.Energy Management Strategy of Hybrid Electric Vehicle using Stochastic Dynamic Programming[J].Sae Technical Papers,2015:1-19.

[53]CHANG L,YI L M.Analytical greedy control and Q-learning for optimal power management of plug-in hybrid electric vehicles[C]//Computational Intelligence.IEEE,2018:1-8.

[54]QIN F,LI W,HU Y,et al.An Online Energy Management Control for Hybrid Electric Vehicles Based on Neuro-Dynamic Programming[J].Algorithms,2018,11(33):1-16.

[55]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 Transactions on Vehicular Technology,2014,63(4):1567-1580.

[56]PENG J K,HE H W,XIONG R.Rule based energy management strategy for a series-parallel plug-in hybrid electric bus optimized by dynamic programming[J].Applied Energy,2016,185(2):1633-1643.

[57]LI L,YAN B,YANG C,et al.Application oriented stochastic energy management for plug-in hybrid electric bus with AMT[J].IEEE Transactions on Vehicular Technology,2016(6):4459-4470.

[58]ZOU Y,KONG Z,LIU T,et al.A Real-Time Markov Chain Driver Model for Tracked Vehicles and its Validation:Its Adaptability via Stochastic Dynamic Programming[J].IEEE Transactions on Vehicular Technology,2017,66(5):3571-3582.

[59]ZHAO L Y,ZHANG N N.Energy control of HEV based on fuzzy controller optimized by particle swarm optimization[J].Advanced Materials Research,2014,936:2155-2159.

[60]YU Z,DAWEI M,MEILAN Z,et al.Management strategy based on genetic algorithm optimization for PHEV[J].International Journal of Control and Automation,2014,7(11):399-408.

[61]KHAYYAM H,BAB-HADIASHAR A.Adaptive intelligent energy management system of plug-in hybrid electric vehicle[J].Energy,2014,69(5):319-335.

[62]ZHAO D Z,STOBART R,DONG G Y,et al.Real-time energy management for diesel heavy duty hybrid electric vehicles[J].IEEE Transactions on Control Systems Technology,2015,23(3):829-841.

[63]程飞,赵韩,尹安东,等.插电式并联混合动力汽车模糊控制策略设计与仿真[J].合肥工业大学学报(自然科学版),2015(9):1159-1164.

[64]尹安东,国兴.基于驾驶意图识别的PHEV控制策略研究[J].汽车科技,2016(2):7-13.

[65]PEI J Z,YIXIN S U,ZHANG D H.Fuzzy energy management strategy for parallel HEV based on pigeon-inspired optimization algorithm[J].Science China Technological Sciences,2017,60:425-433.

[66]NC T.Dual-Objective Energy Management Strategy for HEV[J].International Journal of Automation and Smart Technology,2017,7(3):111-118.

[67]王钦普,游思雄,李亮,等.插电式混合动力汽车能量管理策略研究综述[J].机械工程学报,2017,53(16):1-19.

[68]CHEN Z,MI C C,XIA B,et al.Energy management of power-split plug-in hybrid electric vehicles based on simulated annealing and Pontryagin’s minimum principle[J].Journal of Power Sources,2014,272:160-168.

[69]WEI H,CHEN Y,PENG Z.Costate Estimation of PMP-Based Control Strategy for PHEV Using Legendre Pseudospectral Method[J].Mathematical Problems in Engineering,2016(4):1-9.

[70]林歆悠,冯其高,张少博.等效因子离散全局优化的等效燃油瞬时消耗最小策略能量管理策略[J].机械工程学报,2016,52(20):102-110.

[71]詹森,秦大同,曾育平.基于遗传优化 K 均值聚类算法工况识别的混合动力汽车能量管理策略[J].中国公路学报,2016,29(4):130-137.

[72]秦大同,詹森,曾育平,等.基于驾驶风格识别的混合动力汽车能量管理策略[J].机械工程学报,2016,52(8):162-169.

[73]赵韩,吴迪.基于随机模型预测控制的并联式混合动力汽车控制策略研究[J].汽车工程,2014,36(11):1289-1294.

[74]CAIRANO S D,BERNARDINI D,BEMPORAD A,et al.Stochastic MPC With Learning for Driver-Predictive Vehicle Control and its Application to HEV Energy Management[J].IEEE Transactions on Control Systems Techno-logy,2014,22(3):1018-1031.

[75]罗禹贡,陈涛,李克强.混合动力汽车非线性模型预测巡航控制[J].机械工程学报,2015,51(16):11-21.

[76]余开江,胡治国,张宏伟,等.插电式混合动力汽车模型预测控制策略研究[J].测控技术,2015,34(8):78-81.

[77]SUN C,MOURA S J,HU X,et al.Dynamic Traffic Feedback Data Enabled Energy Management in Plug-in Hybrid Electric Vehicles[J].IEEE Transactions on Control Systems Technology,2015,23(3):1075-1086.

[78]ZHANG J,SHEN T.Real-time fuel economy optimization with nonlinear MPC for PHEVs[J].IEEE Transactions on Control Systems Technology,2016,24(6):2167-2175.

[79]LIANG L,YOU S,CHAO Y,et al.Driving-behavior-aware stochastic model predictive control for plug-in hybrid electric buses[J].Applied Energy,2016,162:868-879.

[80]ZHANG S,XIONG R,SUN F.Model predictive control for power management in a plug-in hybrid electric vehicle with a hybrid energy storage system[J].Applied Energy,2017,185:1654-1662.

[81]黄友锐.智能优化算法及其应用[M].北京:国防工业出版社,2008.

[82]SAMANTA C,PANIGRAHI S P,PANIGRAHI B K.Genetic-based bacteria foraging to optimise energy management of hybrid electric vehicles[J].IET Electrical Systems in Transportation,2014,4(3):53-61.

[83]CHEN Z,MI C C,XIONG R,et al.Energy management of a power-split plug-in hybrid electric vehicle based on genetic algorithm and quadratic programming[J].Journal of Power Sources,2014,248(7):416-426.

[84]CHEN S Y,HUNG Y H,Wu C H,et al.Optimal energy management of a hybrid electric powertrain system using improved particle swarm optimization[J].Applied Energy,2015,160:132-145.

[85]程飞,赵韩,尹安东.插电式并联混合动力汽车遗传模糊控制策略优化设计[J].机械传动,2016(3):43-48.

[86]王永宽,钱立军,牛礼民.插电式混合动力汽车双模糊控制策略及其优化[J].电子测量与仪器学报,2016,30(2):209-217.

[87]CHEN Z,XIONG R,WANG C,et al.An on-line predictive energy management strategy for plug-in hybrid electric vehicles to counter the uncertain prediction of the driving cycle[J].Applied Energy,2017,185:1663-1672.

[88]HU Y,LI W,XU H,et al.An online learning control strategy for hybrid electric vehicle based on fuzzy Q-learning[J].Energies,2015,8(10):11167-11186.

[89]CHEN Z,LI L,YAN B,et al.Multimode energy management for Plug-in hybrid electric buses based on driving cycles prediction[J].IEEE Transactions on Intelligent Transportation Systems,2016,17(10):2811-2821.

[90]连静,刘爽,李琳辉,等.插电式混合动力汽车车速预测及整车控制策略[J].控制理论与应用,2017,34(5):564-574.

[91]孔慧芳,朱翔.基于KFCM-MNN并联式混合动力汽车能量管理策略[J].合肥工业大学学报(自然科学版),2018,41(4):485-489.

[92]LIU H,LI X,WANG W,et al.Markov velocity predictor and radial basis function neural network-based real-time energy management strategy for plug-in hybrid electric vehicles[J].Energy,2018,152:427-444.

[93]庄伟超.多模混合动力汽车最优设计方法与模式切换控制研究[D].南京:南京理工大学,2017.

[94]CAI Y,YANG F,OUYANG M G.Impact of power split configurations on fuel consumption and battery degradation in plug-in hybrid electric city buses[J].Applied Energy,2017,188:257-269.

[95]ZHOU Xingyu,QIN Datong,HU Jianjun.Multi-objective optimization design and performance evaluation for plug-in hybrid electric vehicle powertrains[J].Applied Energy,2017,208:1608-1625.

[96]QIN Zhaobo,LUO Yugong,ZHUANG Weichao,et al.Simultaneous optimization of topology,control and size for multi-mode hybrid tracked vehicles[J].Applied Energy,2018,212:1627-1641.

                                                                                                                                                            (责任编辑林 芳)