基于模糊控制的增程式電動汽車能量管理控制研究

鐘勇，邱煌樂，李方舟，范周慧，易思敏

摘要： 為了提升增程式電動汽車的燃油經(jīng)濟(jì)性并使其能夠適應(yīng)更加復(fù)雜的行駛工況，在保證汽車動力性的前提下，以控制電池SOC在工作范圍內(nèi)和等效百公里燃油消耗量較小為目標(biāo)，以某增程式電動汽車為參考對象進(jìn)行動力參數(shù)匹配，分別建立功率跟隨控制策略模型、模糊功率跟隨控制策略模型和加速度模糊功率跟隨控制策略模型。在AVL_Cruise軟件上完成整車模型的搭建并驗證其動力性，運用Matlab/Simulink軟件搭建控制策略模型，在WLTC和CLTC工況下進(jìn)行聯(lián)合仿真分析。試驗表明：在滿足動力性要求的基礎(chǔ)上，功率跟隨控制策略在WLTC和CLTC工況下的等效百公里燃油消耗量較其他兩種控制策略較低，但是對CLTC較復(fù)雜的工況適應(yīng)性差，具體表現(xiàn)在電池SOC的范圍低于給定的電池工作范圍，影響電池壽命；模糊功率跟隨控制策略引入電池SOC狀態(tài)，有效地改進(jìn)了功率跟隨對復(fù)雜工況適應(yīng)性差的缺陷，但存在等效百公里燃油消耗量較大問題，且自身對復(fù)雜工況的適應(yīng)性依舊存在缺陷；加速度模糊功率跟隨控制策略綜合考慮前二者控制策略的優(yōu)劣性，引入加速度這一影響因素，解決了前二者對復(fù)雜工況適應(yīng)性差的缺陷，與模糊功率跟隨控制策略相比燃油經(jīng)濟(jì)性得到了提升。

關(guān)鍵詞： 增程式電動汽車；燃油經(jīng)濟(jì)性；能量管理；模糊控制

DOI： 10.3969/j.issn.1001-2222.2024.02.010

中圖分類號：U469.72文獻(xiàn)標(biāo)志碼： B文章編號： 1001-2222（2024）02-0068-07

在綠色能源發(fā)展理念指導(dǎo)下，中國經(jīng)濟(jì)和社會面臨著向低碳能源轉(zhuǎn)型的重要問題，在碳中和背景下，新能源汽車得到快速發(fā)展［1］。近年來，電動汽車作為一種環(huán)境友好型交通工具得到了廣泛的關(guān)注和研究。然而，電動汽車的續(xù)航里程和充電時間仍然是限制其普及和用戶接受度的主要因素之一。為了解決這一問題，增程式電動汽車作為一種技術(shù)方案被提出，并得到了廣泛的研究和探索。在增程式電動汽車中，能量管理控制策略起著至關(guān)重要的作用，它可以有效調(diào)度電池和增程裝置之間的能量流動，從而實現(xiàn)最佳的續(xù)航里程和性能。在過去的幾年中，研究人員廣泛關(guān)注了不同的能量管理控制策略，旨在提高增程式電動汽車的能效和性能。

功率跟隨控制也是增程式電動汽車能量管理中的一個重要研究方向。功率跟隨控制的目標(biāo)是根據(jù)駕駛需求和路況變化，實時調(diào)整增程裝置的功率輸出，以保證車輛動力性能和能效之間的最佳平衡。近年來，研究者們對功率跟隨控制進(jìn)行了廣泛研究，并提出了一系列的控制策略和算法，以優(yōu)化增程式電動汽車的能量管理性能。馮仁華等［2］對功率跟隨策略充電功率系數(shù)進(jìn)行優(yōu)化；陳維榮等［3］提出一種根據(jù)SOC動態(tài)調(diào)節(jié)功率跟隨系數(shù)的能量管理方法；王魯閩等［4］提出了一種基于最優(yōu)曲線的功率跟隨控制策略。這些研究都對功率跟隨控制中某些參數(shù)進(jìn)行優(yōu)化，但是由于功率跟隨本身的局限性，即增程器中發(fā)動機的工作點會隨著整車需求功率的變化而出現(xiàn)頻繁變化，使得整車燃油經(jīng)濟(jì)性出現(xiàn)大幅度下降。

此外，模糊控制作為一種強大的控制方法，已被成功地應(yīng)用于能量管理控制策略中。模糊控制的優(yōu)勢在于它能夠處理模糊和不確定的輸入信息，并生成相應(yīng)的控制動作。在增程式電動汽車領(lǐng)域，模糊控制被廣泛應(yīng)用于能量管理系統(tǒng)的優(yōu)化和調(diào)節(jié)中，以實現(xiàn)更好的能效和駕駛性能。都雪靜等［5］基于模糊邏輯算法對三工作點控制策略進(jìn)行了優(yōu)化并聯(lián)合仿真；牛禮民等［6］針對傳統(tǒng)模糊控制中規(guī)則庫制定單一、動力系統(tǒng)與控制策略參數(shù)協(xié)調(diào)性不高等問題，提出一種基于全局優(yōu)化算法的增程式電動汽車模糊控制策略；王勇等［7］對模糊控制以及智能算法進(jìn)行了研究，設(shè)計了雙模糊控制策略和PSO優(yōu)化后的雙模糊控制策略；Tao Jilinis等［8］、Feng Na等［9］結(jié)合算法提出了智能模糊控制策略。以上學(xué)者對于模糊控制中的模糊規(guī)則庫進(jìn)行了優(yōu)化研究，但車輛行駛過程是一個復(fù)雜的過程，不僅需要對規(guī)則庫進(jìn)行優(yōu)化，還需要對模糊參數(shù)進(jìn)行研究。

本研究基于增程式電動汽車，將模糊控制與功率跟隨策略相結(jié)合，既避免了由于功率跟隨策略導(dǎo)致的發(fā)動機工作點頻繁切換，也降低了模糊控制對工程經(jīng)驗的過度依賴。在此基礎(chǔ)上，加入加速度影響因素，使得該控制策略能夠適應(yīng)更加復(fù)雜的行駛工況。

1動力參數(shù)匹配及整車建模

增程式電動汽車與純電動汽車不同的地方在于多了一個動力來源，其動力由增程器和動力電池提供。與混合動力汽車不同的是，增程式電動汽車的增程器不直接參與車輛行駛驅(qū)動，整車的動力由驅(qū)動電機提供，增程器只作為額外的能量來源。本研究的增程式汽車結(jié)構(gòu)和能量流向見圖1，所研究的增程式電動汽車主要由驅(qū)動電機、動力電池、發(fā)動機、發(fā)電機組成，其中發(fā)動機和發(fā)電機組成增程器。

1.1動力參數(shù)匹配

參數(shù)設(shè)計是研究控制策略的重要前提。合理的設(shè)計能夠大大減少整車研發(fā)的復(fù)雜程度，為后面的策略仿真奠定一定的基礎(chǔ)［10］。本課題研究的能量管理控制策略是以能達(dá)到動力性指標(biāo)為前提，達(dá)到較好的經(jīng)濟(jì)性為目標(biāo)。以國內(nèi)某款增程式電動汽車為參考對象，結(jié)合其提供的試驗數(shù)據(jù)進(jìn)行動力參數(shù)匹配。整車參數(shù)如表1所示，動力性指標(biāo)如表2所示。

由于整車的動力由驅(qū)動電機、增程器、動力電池提供，因此只需對以上三個部分進(jìn)行動力參數(shù)匹配。

1.1.1驅(qū)動電機參數(shù)匹配

根據(jù)最高車速大于140 km/h的動力性要求 ，對驅(qū)動電機的最高轉(zhuǎn)速進(jìn)行匹配。驅(qū)動電機的最高轉(zhuǎn)速要滿足式（1）。

nmax=vmax×i0.377×r。（1）

式中：nmax為驅(qū)動電機最高轉(zhuǎn)速；vmax為動力性指標(biāo)的最高車速；i為主減速器傳動比；r為車輪滾動半徑。根據(jù)式（1）得到的驅(qū)動電機最高轉(zhuǎn)速可用來確定驅(qū)動電機的額定轉(zhuǎn)速：

ne=nmaxβ。（2）

式中：ne為驅(qū)動電機額定轉(zhuǎn)速；β為擴大恒功率區(qū)系數(shù)。

驅(qū)動電機作為增程式電動汽車唯一的直接驅(qū)動動力部件，需要克服整車行駛過程中產(chǎn)生的行駛阻力。車輛在行駛過程中的行駛阻力如式（3）所示：

Ft=Gfcosα+CDA21.15ua2+Gsinα+δmdudt。（3）

式中：Gfcosα為滾動阻力；CDA21.15ua2為空氣阻力；Gsinα為坡度阻力；δmdudt為加速阻力。根據(jù)式（3）可得到驅(qū)動電機各個工況下的需求功率，驅(qū)動電機的峰值功率應(yīng)該滿足各個工況下的需求功率，如式（4）所示。

Pmax≥max（Pmax1，Pmax2，Pmax3）。（4）

式中：Pmax為驅(qū)動電機峰值功率；Pmax1為最高車速確定的功率；Pmax2為最大爬坡度確定的功率；Pmax3為最大加速度確定的功率。由式（4）計算出驅(qū)動電機的峰值功率后，額定功率應(yīng)滿足式（5）。

Pe=Pmaxγ。（5）

式中：Pe為驅(qū)動電機額定功率；γ為驅(qū)動電機過載系數(shù)。驅(qū)動電機的基本參數(shù)如表3所示。

1.1.2增程器參數(shù)匹配

增程器由動力源和發(fā)電機組成，常用發(fā)動機和發(fā)電機的組合模式［11］。在進(jìn)行發(fā)動機動力參數(shù)匹配時，參考輕型轎車燃油經(jīng)濟(jì)性計算法則，用整車90 km/h的巡航速度來匹配發(fā)動機功率。發(fā)動機的需求功率可由式（6）得到。

Peng=Preqηgηeηdischηchar。（6）

式中：Preq為整車需求功率；ηg為發(fā)電機的平均效率；ηe為驅(qū)動電機的平均效率；ηdisch為動力電池放電效率；ηchar為動力電池充電效率。

增程器中的發(fā)電機與發(fā)動機同軸機械連接，屬于剛性連接，在進(jìn)行發(fā)電機動力參數(shù)匹配時需要遵循下列原則：

1） 發(fā)電機與發(fā)動機的額定功率相差不大；

2） 發(fā)電機與發(fā)動機的轉(zhuǎn)速相差不大；

3） 發(fā)電機與發(fā)動機的工作高效率區(qū)在相同區(qū)域。

經(jīng)過動力參數(shù)匹配的增程器基本參數(shù)見表4。

1.1.3動力電池參數(shù)匹配

動力電池作為增程式電動汽車純電動模式唯一能量源，其選型和參數(shù)直接影響到整車動力性及純電續(xù)駛里程，因此對于動力電池進(jìn)行合理的選型和參數(shù)設(shè)計尤為重要［12］。增程式電動汽車的電池容量以車速60 km/h均勻行駛來確定［13］。動力電池的總?cè)萘坑墒剑?）、式（8）計算得出。

Cbat≥Mgf+CDAv221.153.6×DηtηmηbatUbat×Sev，（7）

Wbat=CbatUbat1 000×3.6。（8）

式中：Cbat為滿足續(xù)航里程的容量；Sev為純電模式下行駛目標(biāo)里程；D為電池的放電深度；ηt為機械系統(tǒng)總效率；ηm為驅(qū)動電機平均效率；ηbat為電池平均放電效率；Ubat為電池額定電壓；Wbat為根據(jù)電池容量計算的電池總能量。為滿足基本的動力性指標(biāo)，要求動力電池的最大放電功率滿足驅(qū)動電機峰值功率，即需滿足式（9）。

Pbat=Pmax_edriveηm+ΔP。（9）

式中：Pbat為動力電池最大放電功率；Pmax_edrive為驅(qū)動電機峰值功率；ΔP為其他電氣附件功率。計算得到的動力電池基本參數(shù)如表5所示。

1.2整車建模

本研究中整車模型采用AVL_Cruise進(jìn)行搭建。整車模型由車身模塊、車輪模塊、驅(qū)動電機模塊、發(fā)電機模塊、發(fā)動機模塊、主減速器模塊、動力電池模塊、聯(lián)合仿真模塊等組成（見圖2）。

搭建發(fā)動機模型，其萬有特性見圖3。搭建驅(qū)動電機模型，其MAP圖如圖4所示。搭建動力電池模型，根據(jù)廠家提供的試驗數(shù)據(jù)，其SOC與電壓的關(guān)系如圖5所示。

2能量管理控制策略

2.1功率跟隨控制策略

功率跟隨控制策略是除了恒溫器控制［14］外最常用的控制策略，其基本規(guī)則是以動力電池的SOC 值作為增程器的開啟條件，增程器開啟后發(fā)動機能夠?qū)φ囆旭傊械男枨蠊β蔬M(jìn)行跟隨。為了簡化計算且使仿真更加符合實際車輛行駛工況，行駛阻力采用通過行駛阻力系數(shù)的計算形式獲得。其中行駛阻力系數(shù)為試驗數(shù)據(jù)。將式（3）變形可知，整車需求功率應(yīng)滿足式（10）。

Preq=v3 600ηF。（10）

式中：Preq為整車需求功率；F為行駛阻力，應(yīng)滿足式（11）。

F=F2v2+F1v+F0。（11）

式中：F0，F(xiàn)1，F(xiàn)2為行駛中的阻力系數(shù)，其具體數(shù)值如表6所示。

本研究制定的功率跟隨策略使發(fā)動機在對整車需求功率進(jìn)行跟隨的同時，能夠工作在最佳工作曲線上。發(fā)動機的最佳工作曲線如圖6所示。

在Matlab/Simulink中搭建控制策略模型，分為增程器控制模塊和驅(qū)動電機控制模塊。

2.2模糊功率跟隨控制策略

相較于功率跟隨控制策略，采用模糊控制來對增程器進(jìn)行控制，基本規(guī)則由原本的增程器開啟后對整車需求功率進(jìn)行跟隨，改進(jìn)為增程器開啟后考慮整車需求功率和當(dāng)前時刻下動力電池SOC值來對增程器的輸出功率進(jìn)行控制。對原功率跟隨控制模型進(jìn)行修改，加入模糊控制器。

動力電池SOC的基本論域在［0，100%］之間，根據(jù)廠家提供的電池包數(shù)據(jù)，其工作范圍為20%～80%，因此調(diào)整為［20%，80%］。劃分為5個模糊子集：很低（VL）、低（L）、中（M）、高（H）、很高（VH）。

據(jù)工況的最高車速，計算整車最大需求功率。整車需求功率VRP論域為［0，23］，劃分為5個模糊子集：很?。╒S）、?。⊿）、中（M）、大（B）、很大（VB）。根據(jù)發(fā)動機最佳工作點，將增程器的需求功率ERP論域設(shè)置為［0，40］，并劃分為5個模糊子集：很?。╒S）、小（S）、中（M）、大（B），很大（VB）。模糊規(guī)則見表7。

2.3加速度模糊功率跟隨控制策略

與模糊功率跟隨控制策略不同的是，加速度模糊功率跟隨策略考慮了加速度這一因素。增程器的輸出功率由整車需求功率、動力電池SOC和加速度共同決定。加速度的論域由兩個行駛工況確認(rèn)。其中， WLTC中最高加速度為6.3 m/s2，CLTC中最高加速度為6.9 m/s2。由于制動能量回收的電能少于本研究車型的動力電池總能量，減加速度對電池的SOC影響較小，故忽略不計，將加速度的論域確定為［0，6.9］。劃分為3個模糊子集：緩慢加速（SA，0-2）、中等加速（MA，2-4）、快速加速（FA，4-6.9）。其模糊規(guī)則如表8所示。

3仿真結(jié)果分析

對動力參數(shù)匹配結(jié)果進(jìn)行動力性仿真，分別建立百公里加速仿真任務(wù)、最高車速仿真任務(wù)以及最大爬坡度仿真任務(wù)。通過AVL_Cruis的results.log可查閱到結(jié)果（如表9所示），可知符合動力性指標(biāo)，驗證了參數(shù)匹配的準(zhǔn)確性，并為經(jīng)濟(jì)性仿真提供前提。

通過采用AVL_Cruise和Matlab/Simulink聯(lián)合仿真的方式對三種控制策略的經(jīng)濟(jì)性進(jìn)行仿真并對結(jié)果進(jìn)行分析。仿真根據(jù)《中國汽車行駛工況第1部分：輕型汽車》［15］在WLTC工況和CLTC工況下進(jìn)行。

等效燃油消耗量計算參考胡后永［16］對并聯(lián)混合動力汽車的換算方式，即

A=B+xC。（12）

式中：A為等效百公里燃油消耗量；B為百公里燃油消耗量；C為百公里耗電量；x為動力電池放電轉(zhuǎn)換系數(shù)，取值0.33。

3.1功率跟隨策略仿真

如圖7所示，增程式汽車在功率跟隨控制策略下，實際車速都滿足WLTC和CLTC工況，進(jìn)一步驗證了動力參數(shù)匹配的準(zhǔn)確性。功率跟隨控制策略下兩種工況的動力電池SOC變化曲線如圖8所示。WLTC工況下，動力電池SOC處在電池安全工作范圍內(nèi)。CLTC工況下，動力電池SOC在1 500 s之后掉落到20%之下，不在電池安全工作范圍內(nèi)，影響動力電池使用壽命。出現(xiàn)這種狀況的原因是，功率跟隨策略并未考慮當(dāng)前時刻動力電池SOC的大小，SOC掉到20%之下的這一時間段，整車需求功率正處于比較小的狀態(tài)，此時增程器的輸出功率跟隨著整車需求功率也較小，車輛的耗電量大于增程器提供的電能，動力電池SOC掉落到工作范圍外。功率跟隨策略的燃油經(jīng)濟(jì)性如表10所示。

3.2模糊功率跟隨策略仿真

如圖9所示，增程式汽車在模糊功率跟隨控制策略下，實際車速都滿足WLTC和CLTC工況，進(jìn)一步驗證了動力參數(shù)匹配的準(zhǔn)確性。模糊功率跟隨控制策略下兩種工況的動力電池SOC變化曲線如圖10所示。WLTC工況下，動力電池SOC處在電池安全工作范圍內(nèi)。CLTC工況下，動力電池SOC在859 s左右掉落到20%之下，不在電池安全工作范圍內(nèi)，影響動力電池使用壽命。模糊功率跟隨策略相較于功率跟隨策略，引入了動力電池SOC這一變量，并考慮整車需求功率，有效解決了功率跟隨策略的缺陷。但在859 s左右時增程器正處于剛啟動階段，此刻的整車加速度呈現(xiàn)一個從0激增的狀態(tài)，導(dǎo)致動力電池的SOC急速下降，掉落至安全工作范圍外。模糊控制雖然解決了功率跟隨的缺陷，但出現(xiàn)了新的問題。模糊功率跟隨策略的燃油經(jīng)濟(jì)性如表11所示。

3.3加速度模糊功率跟隨策略仿真

如圖11所示，增程式汽車在加速度模糊功率跟隨控制策略下，實際車速都滿足WLTC和CLTC工況，進(jìn)一步驗證了動力參數(shù)匹配的準(zhǔn)確性。加速度模糊功率跟隨控制策略下兩種工況的動力電池SOC變化曲線如圖12所示，兩種工況下，動力電池SOC都處在電池安全工作范圍內(nèi)。與模糊功率跟隨控制策略不同的是，加速度模糊功率跟隨策略綜合考慮加速度、當(dāng)前時刻動力電池SOC和整車功率，有效地解決了模糊功率跟隨策略因為急加速出現(xiàn)的動力電池SOC在工作范圍外的缺陷。加速度模糊功率跟隨策略的燃油經(jīng)濟(jì)性如表12所示。

4結(jié)論

a） 比較3種控制策略的百公里等效燃油消耗量，功率跟隨策略的等效燃油消耗量在3種策略中最低；

b） 加速度模糊功率跟隨策略綜合考慮加速度、SOC和整車需求功率，解決了其他兩種策略對工況適應(yīng)性差的問題，百公里等效燃油消耗量相較于模糊功率跟隨策略，WLTC工況優(yōu)化了9%，CLTC工況優(yōu)化了12.5%；

c） 加速度模糊功率跟隨策略考慮的因素全面，因此控制效果好，但是提高了模糊規(guī)則庫制定的難度。

參考文獻(xiàn)：

［1］魏文強.碳中和背景下新能源汽車產(chǎn)業(yè)發(fā)展研究［J］．時代汽車，2023，402（6）：87-89.

［2］馮仁華，孫旺兵，趙智超，等.增程式混合動力汽車能量管理策略設(shè)計與優(yōu)化研究［J］．重慶理工大學(xué)學(xué)報（自然科學(xué)版），2022，36（8）：11-20.

［3］陳維榮，李錦程，李奇.燃料電池小型車SOC動態(tài)調(diào)節(jié)的功率跟隨控制策略［J］．西南交通大學(xué)學(xué)報，2021，56（1）：197-205.

［4］王魯閩，武濤，繆雪龍.串聯(lián)式混合動力攪拌車控制策略仿真研究［J］．農(nóng)業(yè)裝備與車輛工程，2023，61（2）：132-136.

［5］都雪靜，王寧，崔淑華.基于模糊邏輯算法的增程式電動汽車控制策略研究［J］．公路交通科技，2022，39（12）：213-223.

［6］牛禮民，張泉泉，朱奮田，等.基于全局優(yōu)化算法的增程式電動汽車模糊控制策略［J］．重慶交通大學(xué)學(xué)報（自然科學(xué)版），2022，41（2）：137-145.

［7］王勇，湯賜，肖寧，等.基于優(yōu)化的增程式電動汽車能量管理策略［J］．電力學(xué)報，2022，37（2）：109-117.

［8］Tao Jili，Zhang R，Qiao Z，et al.Q-Learning-based fuzzy energy management for fuel cell/supercapacitor HEV［J］．Transactions of the Institute of Measurement and Control，2022，44（10）：1939-1949.

［9］Feng Na，Ma Tiehua，Chen Changxin.Fuzzy energy management strategy for hybrid electric vehicles on battery state-of-charge estimation by particle filter［J］．SN Applied Sciences，2022，4（10）：05131-05139.

［10］石磊.增程式電動汽車動力系統(tǒng)參數(shù)匹配和整車控制策略研究［D］．秦皇島：燕山大學(xué)，2022.

［11］王耀南，孟步敏，申永鵬，等.燃油增程式電動汽車動力系統(tǒng)關(guān)鍵技術(shù)綜述［J］．中國電機工程學(xué)報，2014，34（27）：4629-4639.

［12］羅祥.增程式電動汽車控制策略設(shè)計與優(yōu)化算法研究［D］．長春：吉林大學(xué)，2022.

［13］電動汽車動力性能試驗方法：GB/T18385—2005［S］．

［14］段俊法，張宇.增程式電動汽車研究［J］．河南科技，2018（25）：108-109.

［15］李朝陽，李永光，周猛.基于中國工況的輕型汽車油耗特性研究［J］．小型內(nèi)燃機與車輛技術(shù)，2023，52（1）：57-61.

［16］胡后永.基于模糊控制的并聯(lián)混合動力汽車控制策略研究［D］．長春：吉林大學(xué)，2023.

Energy Management Control of Range-Extended?Electric Vehicle Based on Fuzzy Control

ZHONG Yong，QIU Huangle，LI Fangzhou，F(xiàn)AN Zhouhui，YI Simin

（Fujian Key Laboratory of Automotive Electronics and Electric Drive（Fujian University of Technology），F(xiàn)uzhou350118，China）

Abstract： In order to improve the fuel economy and adapt to more complex driving conditions of range-extended electric vehicles（EVs）， a conventional power following control strategy model， a fuzzy power following control strategy model and an acceleration fuzzy control power following control model were developed to control the battery SOC within the operating range and acquire the appropriate equivalent 100 km fuel consumption with the premise of ensuring the dynamics of the EVs. The vehicle model was built and its dynamics was verified with AVL_Cruise software， and the control strategy model was simulated and analyzed under WLTC and CLTC conditions using Matlab/Simulink software. The experiments show that the equivalent 100 km fuel consumption of traditional power following control strategy is lower than the other two control strategies under WLTC and CLTC conditions with the premise of meeting the dynamics requirements， but it is poorly adapted to the more complex conditions of CLTC， incorporating that the range of battery SOC is lower than the manufacturer-given range so as to affect the life of battery. The fuzzy power following control strategy introduces the battery SOC state to effectively improve the defects of poor adaptability to complex working conditions from the traditional power following， but there is a high equivalent 100 km fuel consumption and its own adaptability to complex working conditions still has defects. Considering the advantages and disadvantages of the first two control strategies， the factor of acceleration is introduced and the acceleration fuzzy control power following strategy is put forward， which solves the defects of the first two poor adaptability to complex working conditions and improves the fuel economy compared with the fuzzy power following control strategy.

Key words： range-extended electric vehicle;fuel economy;energy management;fuzzy control

［編輯： 袁曉燕］