混合動(dòng)力汽車控制策略的分析與展望

牛禮民，朱奮田，張泉泉，趙雅芝，宗發(fā)新，鄭飛宇

(1.安徽工業(yè)大學(xué)機(jī)械工程學(xué)院，安徽馬鞍山243032；2.安徽工業(yè)經(jīng)濟(jì)職業(yè)技術(shù)學(xué)院，安徽合肥230000；3.國(guó)網(wǎng)固鎮(zhèn)縣供電公司，安徽蚌埠233700)

環(huán)境污染、新能源電池核心技術(shù)短時(shí)間內(nèi)難以突破，使得混合動(dòng)力汽車(hybrid electric vehicle，HEV)的研究?jī)r(jià)值日益凸顯[1]。HEV是在傳統(tǒng)汽車的基礎(chǔ)上配備電動(dòng)機(jī)/電池驅(qū)動(dòng)系統(tǒng)的一種新能源汽車，存在兩個(gè)或以上的動(dòng)力源，不同動(dòng)力源之間的能量分配直接影響整車的燃油經(jīng)濟(jì)性、動(dòng)力性、駕駛舒適性等。因此，能量控制策略是HEV的核心技術(shù)。HEV能量控制策略的主要目標(biāo)是滿足駕駛員對(duì)動(dòng)力性的需求，維持蓄電池充電、優(yōu)化傳動(dòng)系效率、降低油耗和排放，從而降低整車成本，協(xié)調(diào)多種能量源，實(shí)現(xiàn)整車系統(tǒng)性能的改善和提高。最初的HEV 能量控制策略是依賴工程經(jīng)驗(yàn)制定的基于規(guī)則(rule-based，RB)的控制策略[2]，如恒溫器式、功率跟隨式和模糊邏輯(fuzzy logical，F(xiàn)L)控制等，發(fā)展到基于各種優(yōu)化算法的HEV能量控制策略，如全局優(yōu)化控制策略(動(dòng)態(tài)規(guī)劃(dynamic programming，DP)、隨機(jī)動(dòng)態(tài)規(guī)劃(stochastic dynamic programming，SDP)、遺傳算法(genetic algorithm，GA)和凸優(yōu)化(convex programming，CP))，瞬時(shí)優(yōu)化控制策略(龐特里亞金最小原理(pontryagin’s minimum principle，PMP)、等效油耗最小控制(equivalent consumption minimization strategy，ECMS)及模型預(yù)測(cè)控制(model predictive control，MPC))。近年來(lái)，隨著人工智能、大數(shù)據(jù)和云計(jì)算的興起，基于智能控制策略成為當(dāng)前學(xué)者研究的熱點(diǎn)，如基于神經(jīng)網(wǎng)絡(luò)、基于智能交通系統(tǒng)(intelligent transportation systems，ITS)和基于多智能體(multi-agent system，MAS)的能量控制等。為此，文中綜述基于規(guī)則、基于優(yōu)化和基于智能控制的HEV能量控制策略，在對(duì)比分析HEV能量控制策略的基礎(chǔ)上展望HEV的研究方向。

1 基于規(guī)則的能量控制策略

基于規(guī)則的能量控制策略是基于啟發(fā)式、直覺(jué)、人類專業(yè)知識(shí)、工程經(jīng)驗(yàn)、數(shù)學(xué)模型制定的，通常沒(méi)有預(yù)先定義駕駛循環(huán)的先驗(yàn)知識(shí)，主要思想是負(fù)載均衡[3]?；谝?guī)則的能量控制策略可分為確定型和模糊規(guī)則的控制策略。

1.1 基于確定規(guī)則的控制策略

基于確定規(guī)則的控制策略是根據(jù)發(fā)動(dòng)機(jī)的MAP圖，將發(fā)動(dòng)機(jī)的工作區(qū)分高負(fù)荷區(qū)、中負(fù)荷區(qū)和低負(fù)荷區(qū)三部分，利用電機(jī)/電池協(xié)調(diào)輸出優(yōu)化發(fā)動(dòng)機(jī)工作特性。根據(jù)道路負(fù)載、駕駛員油門踏板信號(hào)、制動(dòng)踏板信號(hào)、電池荷電狀態(tài)(state of charge，SOC)、車速等判斷當(dāng)前行駛環(huán)境下所需功率對(duì)應(yīng)的發(fā)動(dòng)機(jī)負(fù)荷區(qū)，確定不同的工作模式[4]?；诖_定規(guī)則的控制策略主要分為恒溫器式和功率跟隨式控制。恒溫器(開(kāi)/關(guān))式控制策略簡(jiǎn)單且易實(shí)現(xiàn)，但其僅適用于串聯(lián)混合動(dòng)力汽車。恒溫器模式下動(dòng)力電池組需滿足整車行駛的峰值功率需求，存在頻繁的充放電情況，對(duì)電池使用壽命有不利影響[5]。功率跟隨式(基線)控制策略保持電池SOC值始終在一個(gè)穩(wěn)定區(qū)間，可有效避免蓄電池的工作循環(huán)[6]，延長(zhǎng)電池壽命，實(shí)現(xiàn)了發(fā)動(dòng)機(jī)動(dòng)力的合理分配[7]，但降低了部分發(fā)動(dòng)機(jī)的效率和排放性能。

基于確定規(guī)則的能量控制策略規(guī)則簡(jiǎn)單，易于實(shí)現(xiàn)，可根據(jù)控制效果不斷完善修改規(guī)則，在線應(yīng)用可行性高。其主要不足是依賴工程經(jīng)驗(yàn)，無(wú)法保證最優(yōu)能量分配，若規(guī)則設(shè)置不合理，則控制效果變差。

1.2 基于模糊規(guī)則的能量控制策略

HEV傳動(dòng)系統(tǒng)是一個(gè)多領(lǐng)域、非線性和時(shí)變的對(duì)象，基于模糊規(guī)則的能量控制策略通過(guò)構(gòu)建模糊邏輯控制器[8-11]來(lái)實(shí)現(xiàn)實(shí)時(shí)次優(yōu)功率分配，提高整車性能。其用“高”“中”“低”等模糊參數(shù)來(lái)代替基于確定規(guī)則的布爾邏輯，控制更精確，主要分為模糊邏輯和模糊自適應(yīng)控制。

模糊邏輯控制策略通過(guò)模糊規(guī)則推理機(jī)制使其具較強(qiáng)的魯棒性和適應(yīng)性[12]。彭濤等[13]提出了模糊邏輯功率分配策略，采用該策略優(yōu)化發(fā)動(dòng)機(jī)工作點(diǎn)、電機(jī)效率和電池組荷電狀態(tài)平衡，仿真驗(yàn)證了該策略可改善車輛的經(jīng)濟(jì)性和工況的適應(yīng)性。鄧濤等[14]采用基于規(guī)則的模糊控制策略，以整車燃油經(jīng)濟(jì)性為目標(biāo)，用改進(jìn)型粒子群優(yōu)化算法優(yōu)化發(fā)動(dòng)機(jī)聯(lián)合工作曲線與發(fā)動(dòng)機(jī)關(guān)閉曲線系數(shù)，仿真結(jié)果表明，相比于傳統(tǒng)混合動(dòng)力汽車，其燃油經(jīng)濟(jì)性提高了3.4%。模糊自適應(yīng)控制策略結(jié)合自適應(yīng)控制和模糊控制，可形成具自適應(yīng)功能的模糊控制。白中浩等[15]采用自適應(yīng)模糊控制策略對(duì)動(dòng)力系統(tǒng)進(jìn)行能量分配，仿真結(jié)果表明，該策略具較強(qiáng)的魯棒性，可使電機(jī)、發(fā)動(dòng)機(jī)、蓄電池等動(dòng)力設(shè)備處于最佳工作狀態(tài)。文獻(xiàn)[16-17]中以駕駛習(xí)慣、行駛工況和道路擁堵?tīng)顩r作為模糊邏輯控制器的輸入量，設(shè)計(jì)模糊規(guī)則，對(duì)電機(jī)和發(fā)動(dòng)機(jī)的轉(zhuǎn)矩進(jìn)行最佳分配，提高整車的燃油經(jīng)濟(jì)性。

基于模糊規(guī)則的能量控制策略不需建立精確的數(shù)學(xué)模型，具較強(qiáng)的魯棒性和適當(dāng)?shù)娜祟愅评砟芰?，基于嵌入式系統(tǒng)能夠得到在線應(yīng)用。但模糊規(guī)則主要依靠工程經(jīng)驗(yàn)來(lái)制定，無(wú)法實(shí)現(xiàn)全局最優(yōu)，為達(dá)到更好的控制效果，需利用優(yōu)化算法對(duì)HEV能量控制策略進(jìn)一步優(yōu)化。

2 基于優(yōu)化的能量控制策略

HEV能量控制的本質(zhì)是在一定約束條件下通過(guò)油耗與排放的最優(yōu)控制實(shí)現(xiàn)HEV的最佳性能。將優(yōu)化算法與能量控制相結(jié)合，提出了基于優(yōu)化的能量控制策略。建立基于算法的優(yōu)化模型，通過(guò)結(jié)合不同的約束條件和優(yōu)化目標(biāo)定義成本函數(shù)，利用優(yōu)化算法對(duì)成本函數(shù)求最小解?；趦?yōu)化的能量控制策略是當(dāng)前理論研究的主體，分為全局優(yōu)化和瞬時(shí)優(yōu)化。

2.1 全局優(yōu)化能量控制策略

全局優(yōu)化能量控制策略是在已知車輛循環(huán)工況下，通過(guò)多個(gè)約束條件和優(yōu)化目標(biāo)構(gòu)造成本函數(shù)，動(dòng)態(tài)協(xié)調(diào)發(fā)動(dòng)機(jī)和電動(dòng)機(jī)的轉(zhuǎn)矩分配，達(dá)到全局最佳運(yùn)行點(diǎn)。全局優(yōu)化控制由于其預(yù)覽性質(zhì)和計(jì)算復(fù)雜性而不能實(shí)車應(yīng)用，但其是分析、評(píng)估和調(diào)整其他控制策略的良好工具。全局優(yōu)化能量控制策略主要包括DP，SDP，GA和CP等，以DP最具代表性。

DP是一種求解優(yōu)化多階段決策過(guò)程，是解決HEV動(dòng)力最優(yōu)分配問(wèn)題的全局優(yōu)化方法。其將復(fù)雜問(wèn)題轉(zhuǎn)化為多級(jí)、單步優(yōu)化問(wèn)題，在獲得全局最優(yōu)解的同時(shí)，易處理問(wèn)題的約束和非線性。DP是公認(rèn)節(jié)油率最高的HEV 能量控制方法，因此常被作為評(píng)價(jià)其他策略優(yōu)劣性的標(biāo)準(zhǔn)。然而，DP 存在“維數(shù)災(zāi)”且計(jì)算復(fù)雜。Kum等[18]利用DP獲得油耗最小能量分配和換擋規(guī)律來(lái)改進(jìn)邏輯門限控制策略，與原始能量控制策略相比，油耗顯著下降。Gissing等[19]考慮發(fā)動(dòng)機(jī)起停及頻繁換檔對(duì)駕駛舒適性的影響，提出了修正目標(biāo)函數(shù)的DP策略,仿真結(jié)果取得良好的控制效果。

為彌補(bǔ)工況無(wú)法完全已知的不足，Moura 等[20]提出采用SDP 來(lái)解決能量控制問(wèn)題，Wegmann 等[21]通過(guò)SDP 提出了一種適用于系統(tǒng)實(shí)時(shí)控制的因果控制器，由此尋找最優(yōu)解，以便在無(wú)限范圍內(nèi)最小化預(yù)期總成本。GA是一種啟發(fā)式算法，具全局優(yōu)化的特點(diǎn)，對(duì)非線性強(qiáng)的最優(yōu)化問(wèn)題具很好的適應(yīng)性[22]。Yu等[23]針對(duì)插電式串聯(lián)HEV，采用GA同時(shí)優(yōu)化其動(dòng)力系統(tǒng)部件參數(shù)及控制策略參數(shù)，仿真結(jié)果表明，相比于未優(yōu)化效果，在保證動(dòng)力性的前提下整車燃油經(jīng)濟(jì)性提高了8.97%，排放性也得到較大改善。但由于GA存在選擇-交叉-變異的優(yōu)化過(guò)程以及對(duì)種群個(gè)體和代數(shù)的要求，計(jì)算量大，易出現(xiàn)早熟陷入局部最優(yōu)。

CP將復(fù)雜的非線性問(wèn)題轉(zhuǎn)化為半定問(wèn)題，在保證優(yōu)化結(jié)果有效性的同時(shí)極大減少運(yùn)算時(shí)間，提高算法的實(shí)時(shí)性。Murgovski等[24]將發(fā)動(dòng)機(jī)起動(dòng)控制問(wèn)題引入PHEV能量控制中，并將其合理簡(jiǎn)化為凸優(yōu)化問(wèn)題，采用CP方法實(shí)現(xiàn)電池大小、能量控制及發(fā)動(dòng)機(jī)起停的綜合優(yōu)化，在較短計(jì)算時(shí)間內(nèi)實(shí)現(xiàn)近似全局優(yōu)化。

可見(jiàn)，全局優(yōu)化能量控制策略能夠?qū)崿F(xiàn)特定循環(huán)工況下的全局最優(yōu)控制，可獲得最優(yōu)理論燃油經(jīng)濟(jì)性。全局優(yōu)化能量控制策略需提前知道循環(huán)工況，算法計(jì)算量大，對(duì)硬件的要求較高，實(shí)時(shí)性差。因此，無(wú)法將其直接應(yīng)用于實(shí)車在線控制系統(tǒng)，但可作為評(píng)估其他控制策略優(yōu)劣性的參考標(biāo)準(zhǔn)，對(duì)瞬時(shí)優(yōu)化控制策略發(fā)展提供部分指導(dǎo)和借鑒意義。

2.2 瞬時(shí)優(yōu)化能量控制策略

為克服全局優(yōu)化算法需預(yù)知整個(gè)循環(huán)工況的不足，提出瞬時(shí)優(yōu)化能量控制策略。瞬時(shí)優(yōu)化能量控制策略的關(guān)鍵是構(gòu)造瞬時(shí)優(yōu)化中使用的成本函數(shù)并建立當(dāng)前時(shí)刻能量消耗模型。瞬時(shí)優(yōu)化基于發(fā)動(dòng)機(jī)與電機(jī)/電池組的工作特性，利用每個(gè)時(shí)間步長(zhǎng)內(nèi)整車總能量或功率損耗最小原理對(duì)發(fā)動(dòng)機(jī)與電機(jī)/電池組的功率或轉(zhuǎn)矩進(jìn)行合理分配，從而實(shí)現(xiàn)動(dòng)力總成的瞬時(shí)能量分配[25]。該策略除考慮油耗外，還應(yīng)保證電力的自我維持。瞬時(shí)優(yōu)化能量控制策略計(jì)算量小、實(shí)時(shí)性高，能實(shí)現(xiàn)每一時(shí)間步長(zhǎng)內(nèi)的最優(yōu)控制，但無(wú)法保證全局最優(yōu)。典型的瞬時(shí)優(yōu)化方法有PMP，ECMS和MPC。

PMP[26-28]是一種瞬時(shí)優(yōu)化算法，通過(guò)求取每個(gè)時(shí)刻哈密頓函數(shù)的最小值獲取最優(yōu)控制變量，用于解決控制作用受約束的最優(yōu)控制問(wèn)題，同時(shí)給出優(yōu)化問(wèn)題取得最優(yōu)解的必要條件，其能夠?qū)κ芗s束的控制變量和目標(biāo)函數(shù)泛函求極值。相對(duì)DP，PMP算法在滿足全局最優(yōu)的同時(shí)計(jì)算量更小，具實(shí)時(shí)應(yīng)用的潛力，控制性能接近全局最優(yōu)。但其在沒(méi)有先驗(yàn)工況信息的前提下，無(wú)法獲得最優(yōu)協(xié)同狀態(tài)，難以實(shí)現(xiàn)實(shí)時(shí)應(yīng)用[29]。Xu等[30]采用PMP控制方法來(lái)降低插電式HEV的運(yùn)行成本，且與DP，PMP等進(jìn)行仿真比較分析，結(jié)果表明PMP具實(shí)時(shí)控制的優(yōu)越性。秦大同等[31]提出近似極小值原理的實(shí)時(shí)控制策略，并將該策略和基于PMP控制進(jìn)行對(duì)比，結(jié)果表明，該策略優(yōu)化效果接近PMP，計(jì)算時(shí)間短于PMP。

ECMS通過(guò)引入等效因子等效處理電耗與油耗，將電池消耗與發(fā)動(dòng)機(jī)發(fā)電損耗轉(zhuǎn)化為等效的發(fā)動(dòng)機(jī)油耗，建立每一瞬時(shí)的總?cè)加拖哪Ｐ?，通過(guò)加權(quán)因子對(duì)油耗、排放等進(jìn)行多目標(biāo)優(yōu)化求解，且不用考慮電池SOC動(dòng)態(tài)變化；再基于PMP進(jìn)行推導(dǎo)分析，選取合適的等效系數(shù)，獲得近似全局最優(yōu)解，在提高實(shí)時(shí)性的同時(shí)對(duì)整車性能進(jìn)行折中優(yōu)化。該策略的實(shí)時(shí)性強(qiáng)，與動(dòng)態(tài)規(guī)劃相比，在滿足全局最優(yōu)的同時(shí)計(jì)算量更小[32]。

MPC具預(yù)測(cè)模型、參考軌跡、滾動(dòng)優(yōu)化和反饋校正4個(gè)特征[33]：以不同預(yù)測(cè)模型為基礎(chǔ)，采用滾動(dòng)優(yōu)化原則，具良好的實(shí)時(shí)性；基于參考軌跡增強(qiáng)其魯棒性；通過(guò)反饋校正，提高系統(tǒng)抗干擾能力和控制精度，從而提升工況適應(yīng)性和整車經(jīng)濟(jì)性。MPC的控制過(guò)程主要包括三個(gè)階段：在有限時(shí)域內(nèi)計(jì)算預(yù)測(cè)控制序列；將控制序列的第一個(gè)元素施加于被控對(duì)象；修正輸出。但MPC策略實(shí)時(shí)在線滾動(dòng)優(yōu)化，運(yùn)算量較大。針對(duì)這一問(wèn)題，Beck等[34]將PMP引入到MPC的求解優(yōu)化過(guò)程中，有效降低了MPC的運(yùn)算復(fù)雜度。

綜上，瞬時(shí)優(yōu)化控制策略克服了全局優(yōu)化計(jì)算復(fù)雜性和預(yù)知工況的約束，提高了HEV能量控制的實(shí)時(shí)性?；赑MP的能量控制策略能獲得近似全局最優(yōu)，與DP相比，其計(jì)算量小、實(shí)時(shí)性高，但需知先驗(yàn)工況信息?；贓CMS的能量控制策略不需預(yù)先知道先驗(yàn)工況信息，也不用考慮電池SOC值的動(dòng)態(tài)變化，在提高實(shí)時(shí)性的同時(shí)對(duì)整車性能進(jìn)行折中優(yōu)化，但等效因子的選取直接影響優(yōu)化控制效果?；贛PC的能量控制策略利用內(nèi)部預(yù)測(cè)模型在線識(shí)別車輛當(dāng)前狀態(tài)參數(shù)，通過(guò)滾動(dòng)優(yōu)化預(yù)測(cè)周期內(nèi)的局部?jī)?yōu)化模型獲得最優(yōu)控制解，具良好的實(shí)時(shí)性。但預(yù)測(cè)時(shí)長(zhǎng)的選取會(huì)影響控制結(jié)果的最優(yōu)性和計(jì)算量大小，魯棒性不強(qiáng)。

3 智能控制策略

智能控制策略是一種適用于比較復(fù)雜系統(tǒng)的控制策略，具自適應(yīng)、自學(xué)習(xí)及自組織等優(yōu)點(diǎn)，主要用于求解非線性和不確定性較強(qiáng)的復(fù)雜控制問(wèn)題，主要包括基于神經(jīng)網(wǎng)絡(luò)控制、基于ITS和MA控制等。

3.1 基于神經(jīng)網(wǎng)絡(luò)控制策略

基于神經(jīng)網(wǎng)絡(luò)控制策略對(duì)難以精確控制的非線性動(dòng)態(tài)問(wèn)題具超強(qiáng)的處理能力，不需了解預(yù)測(cè)問(wèn)題的內(nèi)部機(jī)理，只需大量樣本集的輸入輸出，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練就能歸納整理出足夠數(shù)量的隱含層神經(jīng)元節(jié)點(diǎn)，建立能夠模擬任意一復(fù)雜非線性映射問(wèn)題的映射模型。基于神經(jīng)網(wǎng)絡(luò)控制策略在結(jié)構(gòu)上一般分為輸入層、隱含層和輸出層，具很強(qiáng)的自適應(yīng)性、魯棒性和容錯(cuò)能力。

基于神經(jīng)網(wǎng)絡(luò)控制策略能有效克服動(dòng)態(tài)規(guī)劃算法運(yùn)算速度慢等缺點(diǎn)，并能達(dá)到與其相近的運(yùn)算效果[35]。席利賀等[36]將DP與誤差反向傳播(error back propagation，EBP)神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，得到具有實(shí)時(shí)控制效果的神經(jīng)網(wǎng)絡(luò)控制模型，仿真結(jié)果表明，這種策略可大大降低總能量消耗，縮短充電時(shí)間，能有效改善傳統(tǒng)控制策略計(jì)算復(fù)雜和實(shí)時(shí)性差的不足。為改善神經(jīng)網(wǎng)絡(luò)控制的全局性能，提高自適應(yīng)性，陳可亮[37]提出模糊BP神經(jīng)網(wǎng)絡(luò)控制策略，與基于規(guī)則控制策略相比，模糊BP神經(jīng)網(wǎng)絡(luò)控制策略不僅降低了油耗和排放，還縮短了響應(yīng)時(shí)間，提高了效率。孫超等[38-39]提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的短期車速預(yù)測(cè)器，以特定工況數(shù)據(jù)為學(xué)習(xí)樣本，可模擬出一個(gè)近似高度非線性的輸入輸出關(guān)系，預(yù)測(cè)更加迅速準(zhǔn)確，能量分配更加及時(shí)合理，利于提高整車燃油經(jīng)濟(jì)性。丁峰等[40]通過(guò)K均值聚類算法將工況分為平穩(wěn)工況與快變工況兩類，在快變工況下基于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)車速，仿真結(jié)果驗(yàn)證了所提車速預(yù)測(cè)方法的準(zhǔn)確性和有效性。

神經(jīng)網(wǎng)絡(luò)算法控制策略因其強(qiáng)大的信息處理能力、自組織與自學(xué)習(xí)功能，故能夠?qū)?fù)雜非線性對(duì)象進(jìn)行建模、計(jì)算、推理、控制，可大大改善HEV能量控制效果。但其需大量代表性的最優(yōu)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，以構(gòu)建神經(jīng)網(wǎng)絡(luò)隱含層。

3.2 基于智能交通系統(tǒng)的能量控制策略

自2008年Nature出版“Big Data”?？痆41]及2011年Science出版“Dealing with Data”?？痆42]以來(lái)，智能化交通管控、車輛運(yùn)行系統(tǒng)狀態(tài)監(jiān)控與安全預(yù)警等核心關(guān)鍵技術(shù)取得了實(shí)質(zhì)性進(jìn)展[43]，對(duì)ITS 的研究具重大意義[44]。ITS綜合考慮人、車、路[45]，將先進(jìn)的信息技術(shù)、數(shù)據(jù)通信傳輸技術(shù)、電子傳感技術(shù)、控制技術(shù)及計(jì)算機(jī)技術(shù)等有效集成，建立一種大范圍、全方位發(fā)揮作用的、實(shí)時(shí)準(zhǔn)確高效的綜合交通運(yùn)輸管理系統(tǒng)[43]?；贗TS提出了自適應(yīng)巡航控制(adaptive cruise control，ACC)、融合交通數(shù)據(jù)的MPC 控制和車聯(lián)網(wǎng)(internet of vehicles，IOV)的HEV能量控制策略。

ACC主要是為解決駕駛員因疲勞駕駛的安全性問(wèn)題和燃油經(jīng)濟(jì)性問(wèn)題。ACC一般采用分層控制結(jié)構(gòu)，由上層控制器和下層控制器組成。上層控制器主要通過(guò)ACC環(huán)境感知技術(shù)(雷達(dá)、導(dǎo)航和圖像技術(shù))獲得當(dāng)前車輛狀態(tài)和本車與前車行駛狀態(tài)(相對(duì)距離、相對(duì)速度、加速度)，得出期望跟車加速度；下層控制器根據(jù)上層控制器得到的期望跟車加速度，通過(guò)能量?jī)?yōu)化控制策略對(duì)發(fā)動(dòng)機(jī)/電機(jī)驅(qū)動(dòng)或制動(dòng)進(jìn)行協(xié)調(diào)控制，自動(dòng)調(diào)節(jié)節(jié)氣門和制動(dòng)系統(tǒng)，提高駕駛舒適性和安全性。

融合交通數(shù)據(jù)的MPC由ITS獲得實(shí)時(shí)交通信息，對(duì)當(dāng)前車速進(jìn)行準(zhǔn)確預(yù)測(cè)，在獲得能量最優(yōu)控制的同時(shí)，有效避免交通擁堵和突發(fā)情況造成的能量浪費(fèi)，提高駕駛安全性和燃油經(jīng)濟(jì)性。余開(kāi)江等[46]提出考慮交通信號(hào)燈的預(yù)測(cè)控制策略；Asadi等[47]提出采用車輛ACC系統(tǒng)，其可減少紅燈停車的空閑時(shí)間和燃油消耗，結(jié)果證明所提方法可顯著提升車輛的燃油經(jīng)濟(jì)性。Sun等[48]提出融合交通數(shù)據(jù)的能量預(yù)測(cè)控制框架，通過(guò)當(dāng)前信息對(duì)電池SOC進(jìn)行全局規(guī)劃，結(jié)果表明該方法可獲得與DP近似的燃油經(jīng)濟(jì)性；Yu等[49]利用ITS接收交通信號(hào)信息，應(yīng)用MPC計(jì)算車輛最佳控制輸入，結(jié)果表明，與典型駕駛員模型相比，提出的方法有效改善了燃油經(jīng)濟(jì)性。

IOV技術(shù)是汽車技術(shù)與互聯(lián)網(wǎng)技術(shù)的高度融合[50],通過(guò)集成多種通信技術(shù)將車輛內(nèi)部各部件與外部世界連接成網(wǎng)絡(luò)，形成融合車內(nèi)網(wǎng)、車際網(wǎng)、車載移動(dòng)互聯(lián)網(wǎng)的一體化網(wǎng)絡(luò)[51],實(shí)現(xiàn)車與X(車、路、人、云等)智能信息交換、共享。IOV 技術(shù)具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能，可實(shí)現(xiàn)安全、高效、舒適、節(jié)能行駛[52]，是實(shí)現(xiàn)智能交通的重要途徑，也是未來(lái)智慧城市的重要環(huán)節(jié)[53]。錢立軍等[54]提出智能網(wǎng)聯(lián)環(huán)境下的分層能量控制策略，上層控制器采用快速模型預(yù)測(cè)(fast model predictive control，F(xiàn)MPC)算法求取最優(yōu)目標(biāo)車速；下層控制器利用威蘭斯線ECMS進(jìn)行能量控制，進(jìn)一步提升了整車性能。在IOV環(huán)境下，能更加合理地規(guī)劃多車行走路徑，可用于多車最優(yōu)速度預(yù)測(cè)。由此，Homchaudhuri等[55]基于IOV技術(shù)，提出采用網(wǎng)聯(lián)環(huán)境下多車經(jīng)濟(jì)性駕駛決策方法，實(shí)現(xiàn)混合動(dòng)力車隊(duì)的最優(yōu)能量控制，提高總體燃油經(jīng)濟(jì)性。

上述分析表明：ITS 較大推進(jìn)了HEV 控制策略的研究，其可進(jìn)行車與車、車與環(huán)境之間信息的交流、共享，實(shí)現(xiàn)多車經(jīng)濟(jì)性駕駛決策，大大提高了車輛燃油經(jīng)濟(jì)性和安全性；ACC提高了駕駛舒適性和安全性；融合交通數(shù)據(jù)的MPC考慮交通密度、交通信號(hào)和坡道信息，可準(zhǔn)確預(yù)測(cè)車速，更加合理地分配能量，提高整車燃油經(jīng)濟(jì)性；IOV技術(shù)實(shí)現(xiàn)車輛與外部環(huán)境之間的信息交換，其跨行業(yè)、跨領(lǐng)域問(wèn)題突出，是一個(gè)復(fù)雜的系統(tǒng)工程。我國(guó)在IOV 高端核心技術(shù)方面缺失，經(jīng)驗(yàn)積累不足，目前IOV 技術(shù)的實(shí)現(xiàn)較為困難，仍需進(jìn)一步探索[56]。

3.3 基于多智能體控制策略

Minsky[57]最早提出智能體(Agent)概念，Agent能夠自主感知環(huán)境并做出相應(yīng)決策，且能與其他智能體進(jìn)行交互、協(xié)調(diào)、協(xié)作。MAS 是一個(gè)基于軟件或硬件的計(jì)算機(jī)系統(tǒng)，具自治性、社會(huì)性、能動(dòng)性、反應(yīng)性等特征。其最大的特點(diǎn)是分布式自主決策和交互協(xié)作，兼具處理復(fù)雜環(huán)境的能力，效率高及動(dòng)態(tài)性和可控性好。采用多智能體(multi-agent，MA)技術(shù)對(duì)復(fù)雜系統(tǒng)進(jìn)行協(xié)調(diào)控制具較強(qiáng)的魯棒性和實(shí)時(shí)性，研究證明MA思想符合HEV能量管理優(yōu)化控制的特點(diǎn)和要求[58]。當(dāng)賦予每一個(gè)Agent獨(dú)立的能量控制子策略(即獨(dú)立的知識(shí)、協(xié)調(diào)機(jī)制和目標(biāo))，并通過(guò)各Agent 之間交互、協(xié)調(diào)與協(xié)作，便能完成復(fù)雜系統(tǒng)的問(wèn)題求解和控制。

牛禮民等[59-60]提出基于MAS 的HEV 能量控制策略，將發(fā)動(dòng)機(jī)與電機(jī)之間的轉(zhuǎn)矩分配看成單一智能體的自主感知、決策并與其他多個(gè)智能體之間交互、協(xié)調(diào)、協(xié)作的結(jié)果。由于HEV 的動(dòng)力總成系統(tǒng)包含發(fā)動(dòng)機(jī)系統(tǒng)、電機(jī)系統(tǒng)、電池系統(tǒng)、和動(dòng)力耦合系統(tǒng)，這些動(dòng)力子系統(tǒng)在物理上和邏輯上相互獨(dú)立，可將其抽象為發(fā)動(dòng)機(jī)Agent、電機(jī)Agent、電池Agent和耦合器Agent，由此構(gòu)成MAS 協(xié)同控制框架，如圖1。

圖1 HEV 動(dòng)力總成MAS 體系結(jié)構(gòu)Fig.1 MAS architecture of HEV powertrain

以并聯(lián)式混合動(dòng)力汽車為原型，文獻(xiàn)[59]中提出一種多能源動(dòng)力總成的多智能體協(xié)調(diào)控制策略，利用單智能體的智能行為和多智能體的協(xié)作能力解決車輛對(duì)復(fù)雜路況的自適應(yīng)問(wèn)題，仿真結(jié)果表明，在UDC(urban driving cycle)循環(huán)工況下，與電輔助策略相比，發(fā)動(dòng)機(jī)燃油消耗率變化更平穩(wěn)，峰值降幅為38.9%，說(shuō)明發(fā)動(dòng)機(jī)工作在高效區(qū)域，該控制策略正確有效。為提高HEV 整車性能，文獻(xiàn)[60]中結(jié)合ECMS 模型，提出一種基于MAS 集成控制策略，在NEDC(new european driving cycle)循環(huán)工況下的仿真結(jié)果表明，MAS集成控制策略下的發(fā)動(dòng)機(jī)與電動(dòng)機(jī)工作效率均比電輔助控制策略下的高，燃油經(jīng)濟(jì)性和排放性均比電輔助控制策略下的好。

MAS的最大特點(diǎn)是分布式自主決策和交互協(xié)作，MAS能量控制策略具較強(qiáng)的魯棒性和實(shí)時(shí)性，但其面臨一些主要問(wèn)題亟待解決，如MAS技術(shù)與現(xiàn)有HEV能量控制系統(tǒng)的兼容及技術(shù)融合等問(wèn)題。

4 結(jié)論與展望

基于規(guī)則的能量控制策略最早用于實(shí)車，不需考慮優(yōu)化問(wèn)題，根據(jù)現(xiàn)有規(guī)則的控制效果、工程經(jīng)驗(yàn)、專業(yè)知識(shí)不斷完善改進(jìn)規(guī)則，可進(jìn)一步改善控制效果；基于優(yōu)化的能量控制策略，采用離線優(yōu)化在線查表的方法或通過(guò)進(jìn)一步簡(jiǎn)化問(wèn)題改進(jìn)優(yōu)化算法，減少計(jì)算量，可保證較高的控制精度和較好的實(shí)車應(yīng)用能力，能量控制效果較好，但部分策略距實(shí)車應(yīng)用還有一定差距；基于智能控制策略是利用人工智能、控制學(xué)等領(lǐng)域前沿知識(shí)，能量控制實(shí)時(shí)性和魯棒性較高。在比較分析不同類型HEV控制策略的基礎(chǔ)上，對(duì)HEV控制策略的研究與發(fā)展提出如下幾點(diǎn)建議：

1)MAS[59-60]的引入為HEV能量控制策略研究提供了一種新的途徑，以此為切入點(diǎn)，可將不同能量控制優(yōu)化算法與MAS技術(shù)融合，形成不同HEV多智能體集成能量控制策略，通過(guò)分析不同測(cè)試工況下整車動(dòng)力性、排放性、燃油經(jīng)濟(jì)性，得出最佳控制效果的能量控制策略。

2)HEV能量控制策略主要集中于對(duì)上層能量的協(xié)調(diào)分配，如基于規(guī)則的能量控制策略，根據(jù)發(fā)動(dòng)機(jī)的MAP圖控制其負(fù)荷區(qū)；基于優(yōu)化的能量控制策略，主要是動(dòng)態(tài)協(xié)調(diào)優(yōu)化發(fā)動(dòng)機(jī)和電動(dòng)機(jī)的轉(zhuǎn)矩分配；基于智能控制策略，主要是利用智能控制算法強(qiáng)大的信息處理能力增強(qiáng)能量控制的實(shí)時(shí)性和魯棒性，但對(duì)底層傳動(dòng)系統(tǒng)，如發(fā)動(dòng)機(jī)、電機(jī)、電池、變速箱考慮較少。然而，特別是在啟停頻繁的城市工況下，底層傳動(dòng)系統(tǒng)瞬態(tài)響應(yīng)過(guò)程對(duì)動(dòng)力性和排放性影響較大[61-62]。因此，滿足車輛上層傳動(dòng)系統(tǒng)最優(yōu)的同時(shí)實(shí)現(xiàn)車輛底層傳動(dòng)系統(tǒng)瞬態(tài)響應(yīng)過(guò)程的均衡優(yōu)化是一個(gè)值得研究的方向。

3)單一的控制策略具不可避免的弊端[18-19，36-39]，如基于優(yōu)化的DP可實(shí)現(xiàn)能量的全局最優(yōu)分配，但難以在線應(yīng)用；基于智能控制的神經(jīng)網(wǎng)絡(luò)處理信息能力強(qiáng)大、實(shí)時(shí)性高，但優(yōu)化性能受訓(xùn)練樣本的影響。將不同優(yōu)化控制算法相互協(xié)同、融合，取長(zhǎng)補(bǔ)短，實(shí)現(xiàn)復(fù)合控制，以提高系統(tǒng)綜合性能是研究的一個(gè)趨勢(shì)，如將神經(jīng)網(wǎng)絡(luò)算法與DP相融合，在提高實(shí)時(shí)性的同時(shí)，可達(dá)到近似全局最優(yōu)的控制效果。

4)隨著智能交通技術(shù)的快速發(fā)展，突破對(duì)單一車輛能量控制的局限，如ACC[47]、IOV[54-55]等多車經(jīng)濟(jì)性智能駕駛技術(shù)得以實(shí)現(xiàn)。目前多車經(jīng)濟(jì)性智能駕駛控制還處于初級(jí)階段，對(duì)如何改進(jìn)其控制效果、優(yōu)化控制方法仍需進(jìn)一步研究。另一方面，在智能交通系統(tǒng)下，建立啟停、制動(dòng)、加速、勻速等多工況預(yù)測(cè)模型[63]，考慮HEV動(dòng)力性、燃油經(jīng)濟(jì)性、排放性、整車成本[64]，駕駛安全舒適性，輔助系統(tǒng)(空調(diào)、電加熱座椅等)、動(dòng)力混合度(電機(jī)與發(fā)動(dòng)機(jī)的規(guī)格、提供的功率比)、電池壽命對(duì)充放電的影響，實(shí)現(xiàn)多目標(biāo)多工況預(yù)測(cè)控制的優(yōu)化協(xié)調(diào)是未來(lái)汽車控制的一個(gè)關(guān)鍵技術(shù)，仍需進(jìn)一步研究。