混聯(lián)式混合動力客車整車控制系統(tǒng)的開發(fā)*

王 磊，張 勇，殷承良

(上海交通大學(xué)，汽車電子控制技術(shù)國家工程實(shí)驗(yàn)室，上海 200240)

前言

混合動力汽車(hybrid electric vehicle，HEV)技術(shù)已成為解決能源短缺和降低溫室氣體排放的有效手段［1-2］。對于高油耗的大型車而言，如城市公交客車，其應(yīng)用混合動力技術(shù)所節(jié)省的燃油要遠(yuǎn)高于小型車。因此，開展混合動力城市客車的研究具有現(xiàn)實(shí)意義。整車控制系統(tǒng)(hybrid control unit，HCU)的開發(fā)是 HEV節(jié)能技術(shù)的關(guān)鍵。要實(shí)現(xiàn)HEV的高性能運(yùn)行，須對其動力系統(tǒng)進(jìn)行優(yōu)化控制，即由HCU實(shí)時(shí)監(jiān)控車輛的運(yùn)行狀態(tài)，按照特定的控制策略，實(shí)現(xiàn)車輛工作模式的轉(zhuǎn)換和能量的優(yōu)化分配，并對部件進(jìn)行實(shí)時(shí)保護(hù)，使各部件能夠協(xié)調(diào)、可靠地工作。

HCU的開發(fā)包括能量管理策略(energy management strategy，EMS)和控制器硬件的設(shè)計(jì)開發(fā)［1-4］。由于混聯(lián)式混合動力系統(tǒng)的結(jié)構(gòu)和控制功能復(fù)雜，應(yīng)用優(yōu)化算法的EMS可使動力系統(tǒng)能量流動的控制和整車燃油消耗的優(yōu)化更加靈活，因此基于優(yōu)化算法的EMS開發(fā)成為HEV控制系統(tǒng)開發(fā)的研究熱點(diǎn)，包括實(shí)時(shí)優(yōu)化算法和全局最優(yōu)算法［1-2，5］。由于HEV控制功能的增多和為滿足復(fù)雜算法實(shí)時(shí)控制的精度要求，對HEV控制系統(tǒng)CPU的存儲容量和運(yùn)算速度的要求也日益提高，使得基于PowerPC架構(gòu)的 32 位處理器被逐步應(yīng)用［1-4，6］。

本文中針對某型混聯(lián)式混合動力客車，設(shè)計(jì)開發(fā)了基于PowerPC的混合動力總成控制器，同時(shí)以最小燃油消耗為目標(biāo)，提出了基于迭代動態(tài)規(guī)劃優(yōu)化算法和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)優(yōu)化能量管理策略，并對設(shè)計(jì)開發(fā)的HCU進(jìn)行了硬件在環(huán)驗(yàn)證。目前，應(yīng)用全局優(yōu)化算法進(jìn)行HEV EMS設(shè)計(jì)的研究通常采用基于動態(tài)規(guī)劃優(yōu)化結(jié)果的規(guī)則提取法，其計(jì)算量大且結(jié)果處理方式復(fù)雜。而本文中采用的迭代動態(tài)規(guī)劃算法可減小優(yōu)化計(jì)算量且有利于提高計(jì)算精度，同時(shí)Elman動態(tài)神經(jīng)網(wǎng)絡(luò)可以高精度逼近任何非線性過程，獲得較好的實(shí)時(shí)控制效果。所設(shè)計(jì)的HCU采用32位單片機(jī)MPC5554作為控制器CPU，相對于16位單片機(jī)，其具有浮點(diǎn)運(yùn)算單元，不僅能提高控制器系統(tǒng)質(zhì)量，且有利于新型復(fù)雜算法的研究和實(shí)施。

1 混合動力總成及其控制系統(tǒng)

混合動力客車動力系統(tǒng)結(jié)構(gòu)見圖1。其驅(qū)動系統(tǒng)由6缸柴油發(fā)動機(jī)、起動發(fā)電一體化電機(jī)(integrated starter generator，ISG)、驅(qū)動電機(jī)、電控離合器和磷酸鐵鋰電池等部件組成。ISG電機(jī)轉(zhuǎn)子與發(fā)動機(jī)曲軸直接相連，驅(qū)動電機(jī)空套在自動離合器的輸出軸上，其輸出與電機(jī)減速器的輸入齒輪連接，并通過減速器的輸出齒輪與發(fā)動機(jī)的輸出相耦合。整個動力系統(tǒng)的動力由自動離合器輸出軸傳出。

HEV整車控制系統(tǒng)采用基于控制器局域網(wǎng)(controller area network，CAN)總線的分布式控制系統(tǒng)方案，其具有層次化、模塊化和可靠性高等優(yōu)點(diǎn)，便于整車控制系統(tǒng)的開發(fā)。HCU通過CAN總線與發(fā)動機(jī)控制器、電池管理系統(tǒng)、離合器執(zhí)行機(jī)構(gòu)和ISG/驅(qū)動電機(jī)控制器通信?；旌蟿恿ο到y(tǒng)控制原理如圖2所示。在HEV的行駛過程中，HCU實(shí)時(shí)動態(tài)采集駕駛員指令信號和動力系統(tǒng)各部件的狀態(tài)參數(shù)信號，根據(jù)預(yù)先開發(fā)的EMS來進(jìn)行信號流和能量流的處理和分配，并通過CAN總線向各部件ECU和執(zhí)行器發(fā)出控制信號，使動力系統(tǒng)各部件間相互協(xié)調(diào)工作，實(shí)現(xiàn)車輛工作模式的切換。在保證期望動力輸出的條件下，實(shí)現(xiàn)較低的燃油消耗和維持電池荷電狀態(tài)(state-of-charge，SOC)的平衡。

2 HCU控制軟件設(shè)計(jì)

HCU控制軟件部分主要包括驅(qū)動軟件模塊和應(yīng)用軟件模塊［1，4，7-8］。驅(qū)動軟件模塊用于實(shí)現(xiàn)硬件驅(qū)動和整車及部件工作狀態(tài)信號的采集與處理;應(yīng)用軟件模塊通過獲取的狀態(tài)信號和當(dāng)前各部件參數(shù)確定車輛行駛的工作模式，并根據(jù)能量管理算法，在各個工作模式下合理分配能量，以達(dá)到經(jīng)濟(jì)性和動力性的要求。這里主要介紹應(yīng)用層軟件，即整車EMS的開發(fā)。

整車EMS的設(shè)計(jì)目標(biāo)是在特定的循環(huán)工況下，滿足混合動力客車整車駕駛性能和維持電池SOC平衡的同時(shí)獲得最優(yōu)的燃油經(jīng)濟(jì)性。因此整車EMS設(shè)計(jì)的最優(yōu)控制問題相當(dāng)于在有限的時(shí)間段內(nèi)，滿足所有狀態(tài)變量和控制變量的約束條件下，尋求使選定目標(biāo)函數(shù)最小的控制策略:

式中:J為燃油消耗量的代價(jià)函數(shù)，U(t)為控制向量，X(t)為狀態(tài)向量，tf為給定循環(huán)工況時(shí)間，Γ為最終狀態(tài)懲罰函數(shù)，Lfuel為瞬時(shí)燃油消耗量，x0為狀態(tài)向量初始值，φ為狀態(tài)向量和控制向量約束。由于動態(tài)規(guī)劃算法易于解決動態(tài)系統(tǒng)的多約束和非線性問題，且能得到全局最優(yōu)解［1-2，9］，可用于求解HEV在特定循環(huán)工況下的最佳性能。鑒于城市公交車的行駛線路固定，因此動態(tài)規(guī)劃算法可用于混合動力客車EMS的設(shè)計(jì)［1］。對于給定的循環(huán)工況，車輛的行駛速度和驅(qū)動轉(zhuǎn)矩需求為已知，根據(jù)圖1所示的HEV動力系統(tǒng)結(jié)構(gòu)和圖2所示的混合動力控制系統(tǒng)原理，定義HEV最小燃油消耗最優(yōu)控制的狀態(tài)向量和控制向量為

同時(shí)，為維持電池SOC平衡，避免行駛過程中發(fā)動機(jī)頻繁起停和離合器的頻繁操縱，將HEV最小燃油消耗最優(yōu)控制的目標(biāo)函數(shù)定義為

式中:R為離合器分離行程，Ten為發(fā)動機(jī)轉(zhuǎn)矩，TTM為驅(qū)動電機(jī)轉(zhuǎn)矩，Rcl為離合器操縱指令，Rcl=0為接合指令，Rcl=1為分離指令，P為循環(huán)工況離散的時(shí)間段數(shù)，Esw為發(fā)動機(jī)開關(guān)信號，α、β、γ分別為加權(quán)系數(shù)，k為階段數(shù)。

為解決傳統(tǒng)動態(tài)規(guī)劃算法采用較細(xì)的控制變量和狀態(tài)變量網(wǎng)格所產(chǎn)生的計(jì)算負(fù)荷大以及采用線性插值方法產(chǎn)生的計(jì)算精度不高的問題［1，9］，本文中采用迭代動態(tài)規(guī)劃(iterative dynamic programming，IDP)算法進(jìn)行混合動力客車EMS的設(shè)計(jì)。給定循環(huán)工況下，應(yīng)用IDP求解HEV最小燃油消耗最優(yōu)控制問題的計(jì)算方法如下:

IDP采用較為稀疏的控制變量和狀態(tài)變量網(wǎng)格。當(dāng)計(jì)算出的狀態(tài)變量為非網(wǎng)格點(diǎn)時(shí)，取距離最近網(wǎng)格點(diǎn)上的控制變量為最優(yōu)控制策略［9］:

當(dāng)每步迭代計(jì)算完成之后，分別將得到的最優(yōu)狀態(tài)變量和控制變量作為下一步迭代計(jì)算的狀態(tài)變量網(wǎng)格和控制變量網(wǎng)格的中點(diǎn):

同時(shí)縮小狀態(tài)變量網(wǎng)格和控制變量網(wǎng)格的大小:

式中:J*、X*和U*為每步迭代時(shí)的最優(yōu)計(jì)算結(jié)果;r、s分別為狀態(tài)變量和控制變量的許可范圍，h為迭代步數(shù)，ε為縮減因子，M為控制變量數(shù)目，N為狀態(tài)變量數(shù)目，Xg為網(wǎng)格點(diǎn)上的變量。通過一定步數(shù)的迭代，控制變量網(wǎng)格和狀態(tài)變量網(wǎng)格將會變細(xì)并可求得全局最優(yōu)解。圖3為中國公交客車典型循環(huán)工況(CTBDC)。圖4為所設(shè)計(jì)的混合動力客車在CTBDC循環(huán)工況下，初始SOC為0.53時(shí)，經(jīng)18步迭代計(jì)算得到的最優(yōu)控制策略。

由圖4可見，通過IDP算法得到的給定循環(huán)工況下的最優(yōu)控制策略為時(shí)間和狀態(tài)的變量，因而不能直接用于實(shí)時(shí)控制，且HEV最小燃油消耗最優(yōu)控制的計(jì)算是基于車輛能準(zhǔn)確跟蹤預(yù)定循環(huán)工況的假設(shè)。在車輛實(shí)際行駛過程中，HCU根據(jù)動力系統(tǒng)部件當(dāng)前工作狀態(tài)和駕駛員加速踏板和制動踏板操作來協(xié)調(diào)動力系統(tǒng)輸出，以滿足預(yù)定循環(huán)工況的車速要求，因此HCU對混合動力系統(tǒng)的控制不在預(yù)定循環(huán)工況的確定時(shí)間點(diǎn)產(chǎn)生，且在行駛過程中，循環(huán)工況的速度軌跡不能完全精確跟蹤，因此采用Elman動態(tài)神經(jīng)網(wǎng)絡(luò)，將IDP最優(yōu)控制策略應(yīng)用于實(shí)時(shí)控制。圖5為Elman實(shí)時(shí)控制神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，它采用3層Elman動態(tài)神經(jīng)網(wǎng)絡(luò)，輸入為該段時(shí)間步長和前段時(shí)間步長的狀態(tài)變量，即電池SOC、車速、離合器分離行程和驅(qū)動功率需求，輸出為該段時(shí)間步長的控制變量，即離合器操縱指令、發(fā)動機(jī)轉(zhuǎn)矩和驅(qū)動電機(jī)轉(zhuǎn)矩。為了獲得較高的充放電效率，電池SOC的工作范圍限定為0.45～0.65，因此采用3組不同SOC初始值 (SOC=0.65，0.55，0.45)時(shí)的最優(yōu)控制向量為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，采用兩組不同SOC初始值(SOC=0.6，0.5)時(shí)的最優(yōu)控制向量為神經(jīng)網(wǎng)絡(luò)驗(yàn)證樣本［10］。

采用Levenberg-Marquardt對ELman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖6和圖7所示。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差為0.001，且神經(jīng)網(wǎng)絡(luò)對于最優(yōu)控制變量的預(yù)測值與IDP最優(yōu)控制策略之間的誤差較小，因此訓(xùn)練后的Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用于HCU可以得到較為優(yōu)化的實(shí)時(shí)控制性能。

3 HCU硬件設(shè)計(jì)

控制系統(tǒng)硬件是提供實(shí)現(xiàn)控制策略和算法的硬件平臺，同時(shí)還要完成如傳感器數(shù)據(jù)采集、濾波和CAN數(shù)據(jù)收發(fā)等功能，控制系統(tǒng)硬件主要包括外圍接口電路與信號處理部分和CPU。通過對整車動力系統(tǒng)結(jié)構(gòu)和整車能量管理策略的分析，HCU的輸入輸出信號主要包括CAN總線信號和車輛傳感器信號，且HCU的能量管理策略采用基于IDP最優(yōu)控制的Elman神經(jīng)網(wǎng)絡(luò)控制，因此要求控制器有較大的存儲容量和浮點(diǎn)運(yùn)算能力。設(shè)計(jì)的HCU采用Freescale 32位單片機(jī)MPC5554作為控制器CPU，其整合了1個64位浮點(diǎn)運(yùn)算單元，最高工作頻率為132MHz，片內(nèi)集成了 32kB RAM，64kB SRAM 和2MB Flash存儲器，包含2個CAN收發(fā)寄存器和3個CAN總線接口，2個32通道時(shí)間處理單元(TPU)，1個12位40通道A/D轉(zhuǎn)換器，1個12位1通道D/A轉(zhuǎn)換器，4個DSPI接口，2個SCI接口和1個24通道的模塊化I/O系統(tǒng)，其為控制軟件的設(shè)計(jì)和執(zhí)行提供了豐富的資源和強(qiáng)大的平臺，適用于需要復(fù)雜算法的實(shí)時(shí)控制。根據(jù)整車動力系統(tǒng)結(jié)構(gòu)和整車能量管理策略，混聯(lián)式混合動力客車HCU硬件系統(tǒng)框圖如圖8所示。

混合動力客車HCU的控制輸入信號包括模擬信號、開關(guān)量信號和CAN信號?？刂破鞯哪M量輸入為制動踏板傳感器信號和加速踏板傳感器信號，其輸出電壓范圍為0～5V，表示0～100%的踏板行程，模擬量信號接口電路用于對傳感器信號進(jìn)行濾波和跟隨及過壓保護(hù)，制動踏板傳感器和加速踏板傳感器信號經(jīng)模擬量信號接口電路輸入HCU用以進(jìn)行駕駛員駕駛意圖的識別和驅(qū)動/制動轉(zhuǎn)矩需求的計(jì)算?？刂破鞯拈_關(guān)量信號輸入主要包括車輛的狀態(tài)信號，如點(diǎn)火鑰匙位置、倒擋開關(guān)、制動開關(guān)等，其輸出電壓為0/24V，開關(guān)量信號接口電路用于對開關(guān)量輸入信號進(jìn)行光電隔離和整形，并將0/24V的輸入信號轉(zhuǎn)換為0/5V的電壓輸出，從而能被HCU讀取進(jìn)行車輛狀態(tài)信息的判斷。CPU通過CAN信號驅(qū)動器82C250實(shí)現(xiàn)CAN信號的收發(fā)。HCU通過CAN總線與發(fā)動機(jī)ECU、ISG/驅(qū)動電機(jī)控制器和電池管理系統(tǒng)進(jìn)行雙向通信，接收電池SOC、電池充放電電壓及電流、發(fā)動機(jī)轉(zhuǎn)速、電機(jī)溫度、轉(zhuǎn)速和轉(zhuǎn)矩等信息，并根據(jù)整車EMS發(fā)送電機(jī)和發(fā)動機(jī)的控制信息，且通過HCU的CAN通信模塊進(jìn)行基于CCP協(xié)議的在線標(biāo)定。HCU的開關(guān)量輸出信號包括發(fā)動機(jī)斷油控制、診斷指示和離合器操縱指令等信號，開關(guān)量驅(qū)動電路用于對輸入信號進(jìn)行光電隔離，并將0/5V的輸入信號轉(zhuǎn)換為0/24V的電壓輸出到各執(zhí)行機(jī)構(gòu)。HCU的模擬量輸出信號為發(fā)動機(jī)節(jié)氣門控制信號，其輸出電壓范圍為0～5V，模擬量信號驅(qū)動電路用于對信號進(jìn)行電壓跟隨，可實(shí)現(xiàn)對發(fā)動機(jī)輸出轉(zhuǎn)矩的控制。HCU的串口調(diào)理電路采用MAX232芯片，通過HCU的串口通信模塊可進(jìn)行控制系統(tǒng)的診斷。

4 試驗(yàn)驗(yàn)證與結(jié)果分析

以ETAS PT-LABCAR為平臺，建立混合動力客車HCU硬件在環(huán)仿真試驗(yàn)系統(tǒng)，以驗(yàn)證HCU控制策略的實(shí)時(shí)控制功能和硬件系統(tǒng)的可靠性，如圖9所示。HCU硬件在環(huán)仿真試驗(yàn)系統(tǒng)由上位機(jī)、HCU和PT-LABCAR硬件(包括RTPC和I/O接口)組成。系統(tǒng)通過上位機(jī)的MATLAB/Simulink環(huán)境建立混合動力客車前向仿真模型，包括駕駛員、循環(huán)工況和整車模型，且在硬件在環(huán)試驗(yàn)時(shí)，通過上位機(jī)可進(jìn)行參數(shù)測量和在線標(biāo)定。PT-LABCAR的I/O接口將HEV模型計(jì)算出的電池SOC、車速、加速/制動踏板位置等信息轉(zhuǎn)化為HCU可接收的電信號，并將HCU發(fā)送的發(fā)動機(jī)轉(zhuǎn)矩、電動機(jī)轉(zhuǎn)矩和離合器操作指令等控制信號傳遞給HEV模型，用以實(shí)現(xiàn)HEV模型和HCU之間的雙向通信。

混合動力客車HCU硬件在環(huán)仿真試驗(yàn)在CTBDC循環(huán)工況下進(jìn)行，HEV在滿載(17000kg)時(shí)的實(shí)際運(yùn)行工況如圖10所示。由圖可見，HCU可根據(jù)設(shè)計(jì)的EMS調(diào)節(jié)混合動力系統(tǒng)的輸出，使HEV獲得滿足CTBDC工況需求的驅(qū)動功率，車輛的實(shí)際運(yùn)行工況同目標(biāo)工況相符，且車輛不同工作模式之間的切換過渡平穩(wěn)，表明HCU控制策略的能量分配較為合理并能滿足混合動力客車的實(shí)時(shí)控制要求。

對于混合動力客車，電荷消耗量直接影響了車輛的循環(huán)油耗。當(dāng)電池電力充足時(shí)，車輛可以消耗較多的電能，電機(jī)長時(shí)間處于電動工作模式，有利于節(jié)省燃油;而當(dāng)電池電力不足時(shí)，發(fā)動機(jī)在驅(qū)動車輛的同時(shí)必須帶動ISG發(fā)電，為電池補(bǔ)充能量。文中采用電池SOC平衡(ΔSOC=0)時(shí)的油耗表征混合動力客車的燃油經(jīng)濟(jì)性?；旌蟿恿蛙嚺c原型車滿載時(shí)的CTBDC工況經(jīng)濟(jì)性試驗(yàn)結(jié)果如表1所示。HEV電池SOC變化曲線及電荷平衡時(shí)發(fā)動機(jī)、ISG電機(jī)和驅(qū)動電機(jī)工作點(diǎn)分布如圖11～圖14所示。

表1 混合動力客車經(jīng)濟(jì)性試驗(yàn)結(jié)果

根據(jù)表1中的試驗(yàn)結(jié)果，采用基于IDP最優(yōu)控制和Elman神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)控制算法的混合動力客車的燃油經(jīng)濟(jì)性相對于傳統(tǒng)柴油發(fā)動機(jī)原型客車提高了24.60%。從圖11可以看出，HCU在獲得較高燃油經(jīng)濟(jì)性的同時(shí)，可有效地將電池SOC控制在低內(nèi)阻的工作范圍(0.45～0.65)之內(nèi)，從而實(shí)現(xiàn)較高的充放電效率，且電池淺充淺放，有利于提高電池組的壽命和可靠性。在圖12中，1區(qū)為發(fā)動機(jī)串聯(lián)發(fā)電區(qū)，2區(qū)為發(fā)動機(jī)并聯(lián)工作區(qū)或發(fā)動機(jī)單獨(dú)驅(qū)動工作區(qū)。圖13中的1區(qū)為ISG電機(jī)串聯(lián)發(fā)電區(qū)(對應(yīng)于圖12的1區(qū))。由圖12和圖13可以看出，發(fā)動機(jī)避開了怠速工作區(qū)，且在串聯(lián)和并聯(lián)驅(qū)動模式時(shí)，發(fā)動機(jī)均能較好地被控制在高效區(qū)，因此極大地提高了HEV的燃油經(jīng)濟(jì)性;而ISG電機(jī)的工作點(diǎn)大部分位于發(fā)電區(qū)，主要用于串聯(lián)發(fā)電維持電池SOC，且發(fā)電工作點(diǎn)位于電機(jī)的高效區(qū)，有利于提高發(fā)動機(jī)-ISG發(fā)電機(jī)組的能量轉(zhuǎn)換效率，由于急加速工況占CTBDC工況的比例較低，因此只有少部分ISG電機(jī)工作點(diǎn)位于電動區(qū)域，其主要用于快速起動發(fā)動機(jī)工況。由圖14可見，由于驅(qū)動電機(jī)的效率較高，相對于ISG電機(jī)和發(fā)動機(jī)，其工作點(diǎn)的分布范圍較廣，主要用于低速純電動驅(qū)動、制動能量回收和調(diào)節(jié)發(fā)動機(jī)負(fù)荷，從而提高車輛的燃油經(jīng)濟(jì)性。

5 結(jié)論

(1)針對某型混聯(lián)式混合動力客車，以Freescale MPC5554為CPU，設(shè)計(jì)開發(fā)了混合動力客車整車控制系統(tǒng)，完成了HCU的硬件系統(tǒng)和軟件系統(tǒng)設(shè)計(jì)，并建立了基于ETAS PT-LABCAR的混合動力客車HCU硬件在環(huán)仿真試驗(yàn)系統(tǒng)，進(jìn)行了CTBDC工況下的HCU硬件在環(huán)仿真試驗(yàn)。結(jié)果表明，設(shè)計(jì)開發(fā)的HCU運(yùn)行穩(wěn)定、可靠，且能有效完成預(yù)定的循環(huán)工況，車輛不同工作模式之間的切換過渡平穩(wěn)。

(2)以整車燃油消耗最小化為目標(biāo)，設(shè)計(jì)開發(fā)了基于迭代動態(tài)規(guī)劃全局優(yōu)化算法和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)優(yōu)化能量管理策略。HCU硬件在環(huán)仿真試驗(yàn)結(jié)果表明，所制定的優(yōu)化能量管理策略能有效滿足混合動力客車實(shí)時(shí)控制的要求，且行駛過程中的能量分配合理，其燃油經(jīng)濟(jì)性比原型車提高了24.60%，實(shí)現(xiàn)了混合動力客車的優(yōu)化控制。

［1］Lino Guzzella，Antonio Sciarretta.Vehicle Propulsion System［M］.Springer Berlin Heidelberg，2007.

［2］Dong Suk Kum.Modeling and Optimal Control of Parallel HEVs and Plug-in HEVs for Multiple Objectives［D］.The University of Michigan，2010.

［3］Fathy Hosam K，F(xiàn)ilipi Zoran S，Hagena Jonathan，et al.Review of Hardware-in-the-Loop Simulation and Its Prospects in the Automotive Area［C］.Proceedings of SPIE，The International Society for Optical Engineering，F(xiàn)L，USA，2006，62280E.1-20.

［4］王偉華，曾小華，劉志茹.混合動力客車多能源動力總成控制器［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(11):5-8.

［5］Lin Chan Chiao，Peng Huei，Grizzle Jessy W.Power Management Strategy for a Parallel Hybrid Electric Truck［J］.IEEE Transctions on Control Systems Technology，2003，6(11):839-849.

［6］George Saikalis，Shigeru Oho，Andrew Wabnitz.Hardware-in-theloop Real-time Optimization of Electronic Controllers［C］.SAE Paper 2005-01-1317.

［7］朱磊，袁銀南，張彤.并聯(lián)混合動力集成式多能源電控管理系統(tǒng)開發(fā)［J］.內(nèi)燃機(jī)學(xué)報(bào)，2008，26(6):519-524.

［8］羅禹貢，楊殿閣，金達(dá)鋒.輕度混合動力電動汽車多能源動力總成控制器的開發(fā)［J］.機(jī)械工程學(xué)報(bào)，2006，42(7):98-102.

［9］Rein Luus.Optimal Control by Dynamic Programming Using Systematic Reduction in Grid Size［J］.International Journal of Control，1990，51(5):995-1013.

［10］Sartori Michael A，Antsaklis Panos J.A Simple Method to Derive Bounds on the Size and to Train Multilayer Neural Networks［J］.IEEE Transaction on Neural Network Industrial Electronics，1991，2(4):467-471.