插電式混合動力汽車能量管理策略綜述

謝海明，黃　勇，王　靜，田光宇

(清華大學(xué) 汽車安全與節(jié)能國家重點實驗室，北京　100084)

插電式混合動力汽車能量管理策略綜述

謝海明，黃勇，王靜，田光宇

(清華大學(xué) 汽車安全與節(jié)能國家重點實驗室，北京100084)

摘要：雙能源驅(qū)動與機電復(fù)合制動是多種形式插電式混合動力汽車動力系統(tǒng)的共性基礎(chǔ)，靈活的能量來源形式與流動方向凸顯了整車能量管理的必要性。針對3種典型形式的動力系統(tǒng)結(jié)構(gòu)，分析系統(tǒng)的工作模式及相應(yīng)的能量流動方式，歸納出能量管理的核心問題；基于能量分配的實際控制量是否由求解優(yōu)化模型的結(jié)果給出的問題，將現(xiàn)有控制策略分為規(guī)則型控制和最優(yōu)化控制兩大類，并對大多數(shù)策略研究的主要工作進行回顧，對比分析其優(yōu)化效果與算法復(fù)雜度；對部分控制策略進行仿真計算以檢驗其性能。以此為基礎(chǔ)，提煉出插電式混合動力汽車能量管理的共性難題，為今后的研究工作提供參考。

關(guān)鍵詞：混合動力汽車；能量管理；動力系統(tǒng)結(jié)構(gòu)；規(guī)則型控制；最優(yōu)化控制

隨著世界經(jīng)濟的發(fā)展，全球化石能源的消耗總量逐漸增大，能源危機日益加劇，作為最大新興經(jīng)濟體的中國面臨著嚴峻考驗。為減輕汽車工業(yè)對石油資源的依賴程度，同時緩解由汽車尾氣排放造成大氣中PM2.5升高的環(huán)境問題，我國長期大力支持發(fā)展多種形式的新能源汽車。在世界范圍內(nèi)看，新能源汽車呈現(xiàn)兩大發(fā)展脈絡(luò)：① 從傳統(tǒng)汽車出發(fā)，以改善內(nèi)燃機工作效率、實現(xiàn)節(jié)能減排為目標，發(fā)展混合動力汽車，通過電機來調(diào)節(jié)發(fā)動機工作點以增加發(fā)動機工作在高效區(qū)間的概率，并減少其動態(tài)調(diào)節(jié)的次數(shù)和幅度；此外，為實現(xiàn)車輛在有限里程內(nèi)的純電驅(qū)動和零排放行駛，進一步擴大利用電驅(qū)動系統(tǒng)的技術(shù)優(yōu)勢，發(fā)展插電式混合動力汽車。② 以純電動汽車為載體，探索解決行駛里程有限、個人充電設(shè)施建設(shè)/維護不方便等技術(shù)難題的有效方法，發(fā)展增程式電動汽車，利用車載發(fā)電技術(shù)為車輛在線補充電能。從動力系統(tǒng)結(jié)構(gòu)來看，增程式電動汽車屬于串聯(lián)插電式混合動力汽車。由此看來，在突破電池材料技術(shù)瓶頸以前，插電式混合動力汽車(包括增程式)是汽車產(chǎn)業(yè)經(jīng)由傳統(tǒng)內(nèi)燃機汽車向純電動汽車發(fā)展的重要過渡車型。目前市場上已有多款代表性車型，例如通用雪佛蘭Volt增程式轎車、豐田第三代Prius轎車等。上述車型在產(chǎn)業(yè)化的過程中已顯現(xiàn)出明顯的節(jié)能減排效果且具有進一步提升性能的潛力。因此，有必要對現(xiàn)有整車能量管理策略進行分析，提煉出不同動力系統(tǒng)結(jié)構(gòu)形式的插電式混合動力汽車能量管理的共性難題，為今后的研究工作提供參考。

1動力系統(tǒng)典型結(jié)構(gòu)與能量流

插電式混合動力汽車的動力系統(tǒng)有串聯(lián)、并聯(lián)和混聯(lián)3種常見類型[1]，典型結(jié)構(gòu)形式與系統(tǒng)能量流如圖1所示。與傳統(tǒng)內(nèi)燃機汽車相比，插電式混合動力汽車具有兩個車載能量源，即動力電池系統(tǒng)和內(nèi)燃機系統(tǒng)。由動力電池和驅(qū)動電機組成的電驅(qū)動系統(tǒng)的介入引發(fā)了傳統(tǒng)動力傳動系統(tǒng)結(jié)構(gòu)和工作原理的本質(zhì)變化，即由單一的內(nèi)燃機動力源變成機電耦合動力源，由單一的對外能量輸出變成驅(qū)動與制動雙向能量傳遞。

對于串聯(lián)式結(jié)構(gòu)，發(fā)動機不直接參與驅(qū)動，其主要作用是在必要時拖動發(fā)電機發(fā)電為動力電池充電，也可直接為驅(qū)動電機提供電能；與串聯(lián)式結(jié)構(gòu)采用將機械能轉(zhuǎn)化為電能使用的方式不同，并聯(lián)式結(jié)構(gòu)通過機械力矩耦合直接讓發(fā)動機參與車輛驅(qū)動，減少了發(fā)電效率損失，其缺陷是在城市工況下，由于頻繁剎車與加速，負載變化引起發(fā)動機工作點來回切換，動態(tài)油耗較高；混聯(lián)式結(jié)構(gòu)則有效整合了串、并聯(lián)結(jié)構(gòu)的優(yōu)勢，發(fā)動機可以根據(jù)控制策略的要求選擇直接參與車輛驅(qū)動或者拖動發(fā)電機發(fā)電，也可以在直接參與驅(qū)動的同時，利用發(fā)電機發(fā)電產(chǎn)生負載力矩來調(diào)節(jié)發(fā)動機的工作點。

上述3種形式的插電式混合動力汽車，其驅(qū)動能量不再單一依靠內(nèi)燃機提供的機械能，還可通過外接電網(wǎng)充電、車載動力電池儲能，以及制動能量回收等方式提供電能。雙能源機電耦合系統(tǒng)的存在賦予動力系統(tǒng)更加靈活的能量流動方式，同時也為整車能量管理帶來挑戰(zhàn)。

圖1　3種典型的插電式混合動力系統(tǒng)結(jié)構(gòu)

2能量管理的核心問題與策略分類

雙能源驅(qū)動與機電復(fù)合制動是多種形式插電式混合動力汽車的共性，也是與傳統(tǒng)內(nèi)燃機汽車的本質(zhì)區(qū)別。出于提高內(nèi)燃機工作效率的目的，傳統(tǒng)混合動力汽車對發(fā)動機進行了小型化設(shè)計，并在急加速或減速時，利用電機提供或吸收部分能量來相對降低發(fā)動機工作點調(diào)節(jié)的頻率和幅度。作為新一代的混合動力汽車，插電式混合動力汽車延續(xù)了傳統(tǒng)混合動力的設(shè)計思路，并對發(fā)動機進行更小型化設(shè)計。發(fā)動機不再是車輛的主要能量提供裝置，而是作為一種能量補充單元，因此無法獨立滿足車輛的動力性要求；同時，大容量動力電池組使得車輛具備純電動行駛的能力，也提高了制動能量回收的比例。插電式混合動力汽車具有驅(qū)動能量形式和來源多樣化的特點，電驅(qū)動系統(tǒng)的工作效率和高效區(qū)間均優(yōu)于內(nèi)燃機系統(tǒng)。在特定的路況和負載條件下，如何綜合考慮多個部件的動態(tài)響應(yīng)特性與高效區(qū)間的差異性，合理分配動力電池與發(fā)動機的輸出功率，在滿足動力性要求下實現(xiàn)車輛能效最優(yōu)化控制，是整車能量管理的核心問題，如圖2所示。

圖2　插電式混合動力汽車能量管理的核心問題

現(xiàn)有控制策略可以分為兩大類[2-5](如圖3所示):一類是傾向工程應(yīng)用的規(guī)則型控制策略(rule based)，該控制策略基于預(yù)先制定的規(guī)則，通過判斷動力部件的工作狀態(tài)來決定整車能量的分配方式。規(guī)則是有經(jīng)驗的技術(shù)人員或者專家根據(jù)車輛的動力性能要求、部件的工作特性與高效區(qū)間，以及駕駛工況的特點等因素來定義的能量分配方式。按照規(guī)則在使用過程中是明確的還是模糊化的，規(guī)則型控制策略可以細分為確定性規(guī)則控制(determined rule based)和模糊控制兩類(fuzzy rule based)。另一類是注重優(yōu)化建模與求解的最優(yōu)化控制方法(optimization based)，其研究工作遵循一條基本假設(shè)，即在任意時刻，車輛總的需求功率等于動力電池與發(fā)動機輸出功率(包含效率)的和。車輛總的需求功率是車輛運行工況在能量上的表現(xiàn)，基于運行工況已知和未知兩種情況，最優(yōu)化控制方法又可以分為兩個研究方向:一個是基于標準工況或者已知工況而進行的能量最優(yōu)化分配研究(global optimization)，多用于離線的仿真計算與性能評價；另一個是針對車輛在實際行駛過程中的能量優(yōu)化控制研究(real-time optimization)，特點是未來車輛總的需求功率未知且難以預(yù)測?；谝陨戏诸?，本文對現(xiàn)有文獻在插電式混合動力汽車能量管理方面的研究工作進行分析。

圖3　整車能量管理策略分類與應(yīng)用背景

3規(guī)則型控制策略

3.1　確定性規(guī)則控制

在傳統(tǒng)混合動力汽車的功率跟隨型策略[6]和開關(guān)型控制策略[7]的研究基礎(chǔ)上，針對插電式混合動力汽車設(shè)計的多種確定性規(guī)則控制策略主要由電量消耗(charge depleting，CD)、電量維持(charge sustaining，CS)和純電動(electric vehicle，EV)3種模式組成[8]，例如在雪佛蘭Volt上應(yīng)用的CD-CS策略[9]，以及在CD-CS基礎(chǔ)上改進的Four-Stage策略等[10]。近期的研究工作更傾向于從離線優(yōu)化的結(jié)果中提取合理的規(guī)則[11]。

3.1.1CD-CS策略

CD-CS策略將整車能量管理分為電量消耗和電量維持兩個階段[12]。圖4給出了一種CD-CS策略控制下動力電池SoC的變化趨勢。充電完畢的車輛優(yōu)先工作在純電動狀態(tài)，完全依靠動力電池為驅(qū)動電機提供電能驅(qū)動車輛，屬于電量消耗階段；隨著電能的消耗，當(dāng)動力電池荷電狀態(tài)(state of charge，SoC)下降到0.25時，車輛進入混合動力狀態(tài)，基于車輛總的需求功率的大小和動力系統(tǒng)給定的結(jié)構(gòu)，采用驅(qū)動電機、發(fā)動機，或者二者混合為車輛提供驅(qū)動力，以維持電池SoC在0.25~0.35范圍內(nèi)保持平衡，該階段屬于電量維持階段。CD-CS策略充分利用了電能，提高了車輛等效燃油經(jīng)濟性，但當(dāng)實際行駛里程遠大于車輛純電動里程時，CD-CS策略會導(dǎo)致動力電池長時間工作在充放電效率較低的低SoC狀態(tài)，嚴重影響電池的使用壽命，也降低了系統(tǒng)的綜合能效。

圖4　CD-CS策略

3.1.2Four-Stage策略

實驗數(shù)據(jù)顯示，磷酸鐵鋰電池在中高水平SoC狀態(tài)下的充放電效率較高，而Four-Stage策略設(shè)計的目的就是在預(yù)估行駛里程內(nèi)，使動力電池大部分時間工作在高效率狀態(tài)。如圖5所示:當(dāng)預(yù)估里程為200 km，而實際行駛里程為220 km時，車輛仍然在第①階段優(yōu)先工作于純電動狀態(tài)；當(dāng)電池SoC下降到0.5時，車輛進入第②階段，即混合動力階段，發(fā)動機以功率跟隨的方式為整車提供能量，維持電池SoC在0.5~0.8內(nèi)波動；隨著行駛里程的增加，控制策略會判斷，在預(yù)估行駛里程為200 km時剩余電能是否能夠滿足余下里程的能量要求，如果滿足則進入第③階段，純電動工作階段爭取消耗完剩余電能；如果實際行駛里程超過預(yù)估里程200 km且SoC已降至0.35以下，或者在第③階段出現(xiàn)SoC低于0.25的情況，則進入第④階段，混合動力工作階段維持電池SoC在0.25~0.35區(qū)間內(nèi)變化，既能確保車輛具有足夠的動力性，又能使得行駛里程結(jié)束時電池SoC盡量低。

3.2　模糊控制

模糊控制是一種以模糊集合理論、模糊語言及模糊邏輯為基礎(chǔ)的非線性控制。早期的模糊控制多數(shù)針對車輛部件的運行狀態(tài)來制定模糊規(guī)則，例如首先將模糊控制用于混合動力汽車能量管理的Lee等[13]建立了基于加速踏板位置和發(fā)動機轉(zhuǎn)速的模糊規(guī)則。由于插電式混合動力汽車對行駛工況更具敏感性，故司機的駕駛習(xí)慣和工況的特征越來越多地被作為制定模糊規(guī)則的依據(jù)[14-15]。

規(guī)則型控制策略的優(yōu)點在于能夠基于嵌入式系統(tǒng)得到在線應(yīng)用，但對于具有復(fù)雜構(gòu)型的多能源汽車的能量控制，規(guī)則的制定較為繁瑣，且控制效果也有待改進。

圖5　Four-Stage策略

4最優(yōu)化控制方法

4.1　全局優(yōu)化控制

全局優(yōu)化控制方法是建立在車輛運行工況已知的前提下，即需求功率序列{Preq(1)，Preq(2)，…，Preq(n)}給定，且n確定。這類方法的基本思路是將系統(tǒng)的控制變量離散成有限個狀態(tài)值，從而將優(yōu)化問題轉(zhuǎn)化為類似于圖論中的旅行商問題(traveling salesman problem，TSP)[16]。常見的優(yōu)化求解算法包括確定性動態(tài)規(guī)劃(deterministic dynamic programming，DDP)和人工智能算法(artificial intelligence algorithms，AIA)。

4.1.1確定性動態(tài)規(guī)劃算法

確定性動態(tài)規(guī)劃算法將多階段過程優(yōu)化問題轉(zhuǎn)化為一系列單步問題，利用各步間的關(guān)系逐步遞推求解。Brahma[17-18]利用DDP算法分別研究了串、并聯(lián)混合動力汽車在給定工況條件下的能量全局優(yōu)化分配序列的計算方法。針對傳統(tǒng)混合動力汽車動力電池屬于電量維持型的特點，Brahma等[19]在目標函數(shù)中引入了罰函數(shù)，以防止計算過程中SoC超出約束邊界。由于增程式電動汽車的動力電池屬于電量消耗型的，Zhan Lingling等[20]改進了文獻[19]中SoC的懲罰函數(shù)，使得電能緩慢均勻釋放到整個里程中(如圖6所示)，從而解決了給定工況下增程式電動汽車的能量管理問題。DDP算法的結(jié)果表明，在行駛工況信息已知的前提下，車輛采用混合驅(qū)動，讓SoC緩慢下降是最佳的整車能量管理模式。

圖6　確定性動態(tài)規(guī)劃算法下SoC曲線變化趨勢

4.1.2人工智能算法

人工智能算法是基于仿生學(xué)原理建立的一類算法，主要用于求解優(yōu)化問題。Piccolo等[21]將遺傳算法(genetic algorithm，GA)用于傳統(tǒng)混合動力汽車的能量管理，并減少了排放。Wu等[22]利用粒子群算法(particle swarm optimization，PSO)對傳統(tǒng)混合動力汽車的能量管理進行了離線優(yōu)化。在此基礎(chǔ)上，Xiao等[23]對PSO算法進行了改進，將其應(yīng)用到插電式混合動力汽車的離線能量優(yōu)化上，并利用優(yōu)化解來訓(xùn)練一組神經(jīng)網(wǎng)絡(luò)的參數(shù)，用于車輛能量在線管理。

動態(tài)規(guī)劃和人工智能算法的共同特點是能夠求得優(yōu)化模型的全局優(yōu)化解，但存在著模型解的效果與變量的離散狀態(tài)數(shù)量正相關(guān)，而算法的復(fù)雜度隨著離散狀態(tài)的增多呈指數(shù)級增長的矛盾，使得這類算法難以獲得實際應(yīng)用。

4.2　實時優(yōu)化控制

在行駛過程中，車輛未來總的需求功率未知且難以預(yù)測，即{Preq(k+1)，Preq(k+2)，…，Preq(k+N)} 未知(k為當(dāng)前時刻)，如何對車輛能量進行合理分配是實時優(yōu)化控制需要解決的問題。此類問題的關(guān)鍵在于建立合理的需求功率預(yù)測模型或者能量消耗估計模型。

4.2.1隨機動態(tài)規(guī)劃算法

隨機動態(tài)規(guī)劃算法(stochastic dynamic programming，SDP)的原理和動態(tài)規(guī)劃相似，區(qū)別在于SDP算法中，車輛總的需求功率是以概率分布的方式給出的。Lin等[24]建立了需求功率的馬爾可夫預(yù)測模型，并在此基礎(chǔ)上提出了并聯(lián)式混合動力汽車能量管理的SDP方法。Moura等[25]將SDP方法應(yīng)用到了插電式混合動力汽車上。由于算法復(fù)雜度較高，從本質(zhì)上來說SDP不屬于實時控制算法，但其利用歷史統(tǒng)計信息來預(yù)測需求功率概率分布的方法，為在不知道完整工況信息的前提下實現(xiàn)能量在線管理提供了一種可能性。

4.2.2等效能量消耗最小策略

等效能量消耗最小策略(equivalent consumption minimization strategies，ECMS)通過定義當(dāng)量因子將電能消耗轉(zhuǎn)化為當(dāng)量油耗，并以優(yōu)化動力系統(tǒng)總當(dāng)量油耗為目標提高整車燃油經(jīng)濟性。ECMS將全局優(yōu)化問題轉(zhuǎn)化為階段性瞬時優(yōu)化問題，降低了對未來需求功率的依賴性。Paganelli等[26]首次提出了ECMS，并將其應(yīng)用于并聯(lián)式混合動力汽車的能量優(yōu)化管理中。Serrao等[27]提出了一種基于龐德里亞金最小原理(Pontryagin's minimum principle，PMP[28])的ECMS。Musardo[29]和Pisu[30]等提出了自適應(yīng)等效能量消耗最小策略(adaptive ECMS，A-ECMS)，其基本思想是通過車輛負載或排放情況等條件來在線自適應(yīng)調(diào)節(jié)當(dāng)量因子。

Jing Wang等[31]根據(jù)工況類型在線識別的結(jié)果，從知識庫中選取相應(yīng)的最優(yōu)控制參數(shù)用于ECMS計算，優(yōu)化了增程式電動城市客車的能量管理，優(yōu)化結(jié)果如圖7所示。由圖7可見，SoC在整個運行過程呈線性下降趨勢，并且當(dāng)里程結(jié)束時SoC接近期望最小值0.25，從而最大化地利用了電能。

圖7　基于工況辨識的ECMS仿真結(jié)果

4.2.3模型預(yù)測控制算法

模型預(yù)測控制(model predictive control，MPC)把系統(tǒng)當(dāng)前的狀態(tài)作為最優(yōu)控制問題的初始狀態(tài)，通過在每個控制周期內(nèi)求解有限時域內(nèi)的開環(huán)最優(yōu)控制問題而獲得系統(tǒng)的最優(yōu)控制序列，而每個控制周期內(nèi)只實現(xiàn)控制序列中的第1個分量。Richalet[32]最先提出了預(yù)測控制算法的3要素，現(xiàn)在一般被表述為內(nèi)部預(yù)測模型、滾動優(yōu)化和反饋控制。Barsali等[33]建立了基于駕駛員操作和車輛狀態(tài)信息的負載預(yù)測模型，將模型預(yù)測控制的思想應(yīng)用于控制混合動力汽車的能量分配。Borhan等[34-35]首次將MPC方法用于混聯(lián)式混合動力汽車能量的優(yōu)化控制，建立了非線性的目標函數(shù)，通過對目標函數(shù)進行線性化處理并利用線性MPC方法來求解系統(tǒng)的優(yōu)化解，減少了算法的計算量。

Bernardini等[36]研究了具有隨機等式約束的線性系統(tǒng)的模型預(yù)測控制方法。在此理論基礎(chǔ)上，Ripaccioli等[37]首次將隨機模型預(yù)測控制(stochastic model predictive control，SMPC)的方法用于優(yōu)化控制混合動力車輛的能量分配。Bichi 、Cairano等[38-39]進一步研究了具有駕駛行為學(xué)習(xí)功能的SMPC方法，Bernardini等[40]則討論了隨機約束線性系統(tǒng)的SMPC方法的穩(wěn)定性，建立了駕駛員學(xué)習(xí)模型。針對插電式混合動力汽車動力電池屬于能量消耗型的特征，Haiming Xie等[41]在能量需求估計模型的基礎(chǔ)上提出了SoC參考曲線的演變模型，在行駛里程內(nèi)最大化利用了動力電池中存儲的電能，同時保證了車輛的動力性要求。Degliuomini等[42]在系統(tǒng)閉環(huán)控制的反饋回路和自適應(yīng)控制器之間增加了一個魯棒濾波器，研究了燃料電池混合動力汽車的自適應(yīng)預(yù)測魯棒控制算法。

上述非確定性優(yōu)化問題求解算法的優(yōu)化效果與動態(tài)規(guī)劃相當(dāng)，除SDP算法復(fù)雜度較高以外，其余算法的計算量相對較小。模型預(yù)測控制通過預(yù)測模型對系統(tǒng)未知信息進行預(yù)測，然后通過求解優(yōu)化模型來給出系統(tǒng)的控制量，可以實現(xiàn)對系統(tǒng)的實時控制，但算法的魯棒性低，需要進行魯棒控制研究。

為了進一步了解部分控制策略的控制性能，針對一輛12 m增程式電動城市客車，筆者在Matlab/Simulink中搭建了整車燃油經(jīng)濟性仿真模型，并將CD-CS、Four-Stage、DDP以及SMPC等策略在該模型上進行了仿真測試，仿真工況為由中國典型城市公交行駛工況組成的200 km循環(huán)工況，車輛滿載質(zhì)量為18 t，仿真結(jié)果如表1所示。以CD-CS策略的結(jié)果為參照，全局優(yōu)化算法DDP對整車經(jīng)濟性的改善最大，而SMPC算法的控制效果接近于全局最優(yōu)。

表1　 不同控制策略性能對比分析

5結(jié)束語

插電式混合動力汽車的能量管理策略基本都是從傳統(tǒng)混合動力汽車的控制策略發(fā)展而來，早期的研究工作已經(jīng)表明這是一個復(fù)雜的優(yōu)化問題，研究人員基于車輛的等效油耗、排放性能等目標建立了能量管理的優(yōu)化模型，并利用確定性動態(tài)規(guī)劃、人工智能等算法對問題進行了求解。但這類算法的復(fù)雜度較高，而且依賴于已知的工況條件，使得這種解決問題的方式難以得到工程實際應(yīng)用。于是，研究人員開始提出多種能夠基于車載嵌入式系統(tǒng)得到在線應(yīng)用的規(guī)則型控制策略。但隨著各種復(fù)雜構(gòu)型的插電式混合動力汽車的出現(xiàn)，通過設(shè)定各種規(guī)則來控制系統(tǒng)部件的工作狀態(tài)以提高系統(tǒng)效率的方法變得越來越困難。隨著單片機計算性能的提升，研究人員開始研究工況在線識別的方法，以此建立需求功率的預(yù)測模型或能量消耗估計模型，并建立系統(tǒng)的優(yōu)化模型，設(shè)計相應(yīng)的算法來進行優(yōu)化求解。在此方面的研究工作都無法回避的共性難題是車輛需求功率或能量需求的預(yù)測方法，以及能量優(yōu)化的時間尺度選擇和不同尺度下方法間切換時系統(tǒng)的穩(wěn)定性研究。

參考文獻：

[1]Overington S，Rajakaruna S.Review of PHEV and HEV operation and control research for future direction[C]//Power Electronics for Distributed Generation System.2012:385-392.

[2]Wirasingha S G，Emadi A.Classification and Review of Control Strategies for Plug-In Hybrid Electric Vehicles[J].IEEE Transactions on Vehicular Technology，2009，60(1):907-914.

[3]Melo P，Araujo R E，de Castro R.Overview on energy management strategies for electric vehicles-Modelling，trends and research perspectives[C]//International Youth Conference on Energetics.[S.l.]：IEEE，2011:1 - 8.

[4]Gong Q，Li Y，Peng Z.Trip-based optimal power management of plug-in hybrid electric vehicles[J].IEEE Transactions on Vehicular Technology，2008，57(6):3393-3401.

[5]Gurkaynak Y，Khaligh A，Emadi A.State of the art power management algorithms for hybrid electric vehicles[C]//Vehicle Power and Propulsion Conference,2009:388-394.

[6]Anderson C，Pettit E.The effects of APU characteristics on the design of hybrid control strategies for hybrid electric vehicles[J].Training，2010(4):10-29.

[7]Hochgraf C G，Ryan M J，Wiegman H L.Engine control strategy for a series hybrid electric vehicle incorporating load-leveling and computer controlled energy management[J].SAE，1996，960230:11-24.

[8]Jeffrey Gonder，Tony Markel.Energy management strategies for plug-in hybrid electric vehicles[J].SAE World Congress，2007(1)：290.

[9]Tribioli L，Onori S.Analysis of energy management strategies in plug-in hybrid electric vehicles:Application to the GM Chevrolet Volt[C]//Proceedings of the American Control Conference,2013:5966-5971.

[10]Haiming Xie，Guangyu Tian，Yong Huang，et al.A four stage energy control strategy and fuel economy simulation for extended-range electric city bus[C]//EVS27,2013.

[11]Li Y，Lu X，Kar N C.Rule-Based Control Strategy With Novel Parameters Optimization Using NSGA-II for Power-Split PHEV Operation Cost Minimization[J].IEEE Transactions on Vehicular Technology，2014，63(7):3051-3061.

[12]Markel T，Simpson A，Markel T，et al.Plug-in Hybrid Electric Vehicle Energy Storage System Design (Presentation)[J].International Conference on Power Electronics，Machines & Drives，2006(2):1-6.

[13]Lee H D，Sul S K.Fuzzy-logic-based torque control strategy for parallel-type hybrid electric vehicle[J].IEEE Transactions on Industrial Electronics，1998，45(4):625-632.

[14]Denis N，Dubois M R，Desrochers A.Fuzzy-based blended control for the energy management of a parallel plug-in hybrid electric vehicle[J].Iet Intelligent Transport Systems，2015，9(1):30-37.

[15]Jian W.Fuzzy energy management strategy for plug-in hev based on driving cycle modeling[C]//IEEE,[S.l.]:IEEE，2014:4472-4476.

[16]Dantzig G B，F(xiàn)ulkerson D R，Johnson S M.On a linear-programming，combinatorial approach to the traveling-salesman problem[J].Operations Research，1959，7(1):58-66.

[17]Brahma A，Guezennec Y，Rizzoni G.Optimal energy management in series hybrid electric vehicles[J].American Control Conference，2000(6):60-64.

[18]Brahma A，Guezennec Y，Rizzoni G.Dynamic optimization of mechanical electrical power flow in parallel hybrid electric vehicles[C]//Proc.5th Int.Symp.Advanced Vehicle Control,2000.

[19]Pérez L V，Bossio G R，Moitre D，et al.Optimization of power management in an hybrid electric vehicle using dynamic programming[J].Mathematics and Computers in Simulation，2006，73(1):244-254.

[20]Zhan Lingling，Xie Haiming，Huang Yong，et al.Optimization of Power Management in an Extended-range Electric Vehicle using Dynamic Programming[J].Mathematics and Computers in Simulation，2006，73(2):244-254.

[21]Piccolo A，Ippolito L，Galdi V，et al.Optimization of energy flow management in hybrid electric vehicles via genetic algorithms[C]// Proc.IEEE/ASME Int.Conf.Adv.Intell.Mechatron.Corno.Italy:[s.n.]，2001:434-439.

[22]Wu X，Cao B，Wen J，et al.Particle swarm optimization for plug-in hybrid electric vehicle control strategy parameter[C]//Vehicle Power and Propulsion Conference，2008.VPPC 08.[S.l.]:IEEE，2008:1-5.

[23]Xiao Lin，Harpreetsingh Banvait，Sohel Anwar.Optimal Energy Management for a Plug-in Hybrid Electric Vehicle:Real-time controller[C]// American Control Conference.Baltimore，USA:[s.n.]，2010.

[24]Lin C C，Peng H，Grizzle J W.A stochastic control strategy for hybrid electric vehicles[C]//American Control Conference,2004:4710-4715.

[25]Moura S J，F(xiàn)athy H K，Callaway D S，et al.A stochastic optimal control approach for power management in plug-in hybrid electric vehicles[J].IEEE Transactions on Control Systems Technology，2011，19(3):545-555.

[26]Paganelli G，Delprat S，Guerra T M，et al.Equivalent consumption minimization strategy for parallel hybrid powertrains[C]//Vehicular Technology Conference，2002.VTC Spring 2002.[S.l.]:IEEE，2002:2076-2081.

[27]Serrao L，Onori S，Rizzoni G.ECMS as a realization of Pontryagin's minimum principle for HEV control[C] //Proceedings of the 2009 conference on American Control Conference.[S.l.]:IEEE Press，2009:3964-3969.

[28]Serrao L，Rizzoni G.Optimal control of power split for a hybrid electric refuse vehicle[C]//Proceedings of the 2008 American Control Conference,2008:4498-4503.

[29]Musardo C，Rizzoni G，Guezennec Y，et al.A-ECMS:An adaptive algorithm for hybrid electric vehicle energy management[J].European Journal of Control，2005，11(4):509-524.

[30]Pisu P，Rizzoni G.A comparative study of supervisory control strategies for hybrid electric vehicles[J].IEEE Transactions on Control Systems Technology，2007，15(3):506-518.

[31]Jing Wang，Guangyu Tian.Driving Pattern Recognition and Energy Management for Extended Range Electric Bus[C]//Vehicle Power and Propulsion Conference，Portugal.2014.

[32]Richalet J，Rault A，Testud J L，et al.Model predictive heuristic control:Applications to industrial processes[J].Automatica，1978，14(5):413-428.

[33]Barsali S，Miulli C，Possenti A.A control strategy to minimize fuel consumption of series hybrid electric vehicles[J].IEEE Transactions on Energy Conversion，2004,19(1):187-195.

[34]Borhan H A.Predictive energy management of a power-split hybrid electric vehicle[M].[S.l.]:IEEE，2009.

[35]Borhan H，Vahidi A，Phillips A M，et al.MPC-based energy management of a power-split hybrid electric vehicle[J].IEEE Transactions on Control Systems Technology，2012，20(3):593-603.

[36]Bernardini D，Bemporad A.Scenario-based model predictive control of stochastic constrained linear systems[C]//IEEE Conference on Decision and Control,2009:6333-6338.

[37]Ripaccioli G，BernardiniD，Di Cairano S，et al.A stochastic model predictive control approach for series hybrid electric vehicle power management[C]//American Control Conference (ACC),2010:5844-5849.

[38]Bichi M，Ripaccioli G，Di Cairano S，et al.Stochastic model predictive control with driver behavior learning for improved powertrain control[C]//IEEE Conference on Decision and Control (CDC),2010:6077-6082.

[39]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[Z].2013.

[40]Bernardini D，Bemporad A.Stabilizing model predictive control of stochastic constrained linear systems[J].IEEE Transactions on Automatic Control，2012，57(6):1468-1480.

[41]Haiming Xie，Hongxu Chen，Guangyu Tian，et al.A Stochastic Model Predictive Control Strategy for Energy Management of Series PHEV[C]//EVS28.2015.

[42]Degliuomini L N，Zumoffen D，Basualdo M，et al.Adaptive predictive robust control for fuel cells hybrid vehicles[C]//Vehicle Power and Propulsion Conference (VPPC).[S.l.]:IEEE，2010:1-6.

(責(zé)任編輯劉舸)

田光宇，清華大學(xué)教授，博士生導(dǎo)師，清華大學(xué)汽車工程系車輛與交 通研究所副所長，德爾福-清華汽車系統(tǒng)研究所副所長，中國汽車工程學(xué)會電動汽車分會秘書長，在電動汽車整車集成與控制和電池系統(tǒng)應(yīng)用技術(shù)領(lǐng)域卓有建樹。近年來在《汽車工程》《清華大學(xué)學(xué)報(自然科學(xué)版)》《機械工程學(xué)報》、JournalofPowerSources等國內(nèi)外刊物發(fā)表論文21余篇，其中SCI/EI 檢索8篇。

收稿日期：2015-05-21

基金項目：國家“973計劃”資助項目“分布式驅(qū)動電動汽車電源與電驅(qū)動系統(tǒng)能量管理”(2011CB711202)

作者簡介：謝海明(1984—)，男，湖北人，博士，主要從事插電式混合動力汽車能量管理研究。

doi:10.3969/j.issn.1674-8425(z).2015.07.001

中圖分類號：U469

文獻標識碼：A

文章編號：1674-8425(2015)07-0001-09

Review of Energy Management Strategies for Plug-in HEVs

XIE Hai-ming，HUANG Yong，WANG Jing，TIAN Guang-yu

(State Key Laboratory of Automotive Safety and Energy,

Tsinghua University, Beijing 100084, China)

Abstract:Two energy sources drive and electro-mechanical brake are the generic technologies of the powertrains for various types of plug-in hybrid electric vehicles, and the flexibility of the driving energy forms and the power flows highlight the necessity for vehicle energy management. To clarify the key issue of vehicle energy management, the operation modes and the corresponding power flows were analyzed according to the powertrain architectures for three kinds of typical forms. Based on whether the control variables of the energy splitting problem are the relating calculation results of the optimization problem, the existing strategies were classified into two groups consist of rule-based and optimization-based control. The main contributions for most of them were reviewed, and its optimization effect and algorithm complexity were compared. Moreover, the simulation was carried out for a part of the strategies to test its performance. On the basis of the above, the challenges of the energy management for plug-in hybrid electric vehicles were summarized for the future research.

Key words：hybrid electric vehicles; energy management; powertrain architecture; rule-based control; optimization-based control

引用格式：謝海明，黃勇，王靜，等.插電式混合動力汽車能量管理策略綜述[J].重慶理工大學(xué)學(xué)報：自然科學(xué)版，2015(7):1-9.

Citation format：XIE Hai-ming，HUANG Yong，WANG Jing.et al.Review of Energy Management Strategies for Plug-in HEVs[J].Journal of Chongqing University of Technology:Natural Science，2015(7):1-9.

編者按：近年來，全球煤、石油、天然氣等不可再生能源大量消耗，由此引起的環(huán)境污染特別是汽車尾氣污染越來越嚴重，因此包括混合動力汽車、純電動汽車、太陽能汽車、燃料電池電動汽車、氫發(fā)動機汽車以及采用其他能源(如高效儲能器)的汽車等在內(nèi)的新能源汽車已成為汽車產(chǎn)業(yè)未來發(fā)展的趨勢和目前的研究熱點。為了更廣泛、深入地展示國內(nèi)外在新能源汽車方面的最新研究成果，《重慶理工大學(xué)學(xué)報(自然科學(xué))》從本期開始，在“車輛工程”欄目中不定期推出“新能源汽車”子欄目。特邀我國電動汽車研究領(lǐng)域的著名專家、中國汽車工程學(xué)會電動汽車分會秘書長、清華大學(xué)田光宇教授為欄目主持人。該子欄目將及時報道目前國內(nèi)外新能源汽車研究領(lǐng)域的新思想、新理論、新技術(shù)、新政策，以期為推動新能源汽車的迅速發(fā)展作出貢獻。