基于ADHDP的插電式混合動力汽車能量管理策略

朱佳龍 周曉華 宗琳

摘 要：為降低插電式混合動力汽車（plug-in hybrid electric vehicle，PHEV）燃油消耗量與尾氣排放量，提出了一種基于執(zhí)行依賴啟發(fā)式動態(tài)規(guī)劃（action dependent heuristic dynamic programming，ADHDP）的能量管理控制策略。針對整車驅(qū)動系統(tǒng)具有復(fù)雜非線性、不確定性的問題，采用3層BP神經(jīng)網(wǎng)絡(luò)分別設(shè)計了ADHDP能量管理控制器的執(zhí)行網(wǎng)絡(luò)和評價網(wǎng)絡(luò)，通過ADHDP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過程，可最終獲取最優(yōu)控制量。利用MATLAB/Simulink和ADVISOR平臺，在CYC_UDDS、CYC_NEDC及CYC_WVUSUB 3種循環(huán)工況下對ADHDP能量管理控制策略進行聯(lián)合仿真驗證，并與經(jīng)典電輔助能量管理控制策略進行了對比和分析。結(jié)果表明：在保證汽車良好駕駛性能的情況下，ADHDP控制策略在3種循環(huán)工況下的整車百公里油耗分別下降了19.2%、15.0%和19.5%；尾氣HC、CO和NOx的排放量均大幅度降低；CYC_NEDC工況下的CO下降了47.5%。效果較為顯著，所設(shè)計的能量管理控制策略可有效提升整車的燃油經(jīng)濟性和環(huán)保性。

關(guān)鍵詞：插電式混合動力汽車（PHEV）；執(zhí)行依賴啟發(fā)式動態(tài)規(guī)劃（ADHDP）；能量管理策略；燃油經(jīng)濟性

中圖分類號：U471.23；U469.79 DOI：10.16375/j.cnki.cn45-1395/t.2023.03.014

0 引言

隨著社會經(jīng)濟的快速發(fā)展，石油、天然氣等能源消耗日益加快，積極推進能源利用、綠色環(huán)保可持續(xù)發(fā)展成為當(dāng)今世界的發(fā)展方向。插電式混合動力汽車（plug-in hybrid electric vehicle，PHEV）不僅可在城市道路采用電動模式實現(xiàn)綠色出行，減少污染物排放，而且還具有傳統(tǒng)燃油汽車的特點，當(dāng)電量不足時可采用發(fā)動機驅(qū)動，有效避免了汽車能量不足、續(xù)航里程短暫等問題。如何協(xié)調(diào)電機驅(qū)動轉(zhuǎn)矩與發(fā)動機轉(zhuǎn)矩的分配，已成為PHEV能量管理策略研究的熱點之一。基于模糊邏輯的能量管理策略簡單有效，魯棒性較強。文獻[1]針對純電動汽車電池耗電量過快、續(xù)航里程較短等問題，采用基于模糊控制的能量管理策略極大地提升了續(xù)航里程，有效減少了電池的耗電量。文獻[2]針對電輔助控制策略出現(xiàn)的發(fā)動機工作效率較低、電池過放與過沖等問題，提出一種新的轉(zhuǎn)矩分配策略，有效提高了發(fā)動機工作效率，延長了電池壽命。但基于規(guī)則的能量管理策略具有很大的局限性與主觀性，需要豐富的工程和專家經(jīng)驗，很難實現(xiàn)能量管理全局最優(yōu)。為實現(xiàn)能量管理的全局優(yōu)化，基于動態(tài)規(guī)劃算法的能量管理策略相繼被提出。文獻[3]提出了Plug-In并聯(lián)式混合動力汽車的動態(tài)規(guī)劃優(yōu)化能量管理策略，顯著提高了Plug-In并聯(lián)式混合動力汽車的燃油經(jīng)濟性。文獻[4]為克服模糊邏輯需要先驗知識的固有缺陷，并精簡算法結(jié)構(gòu)以減少程序代碼運行時間，提出了基于改進動態(tài)規(guī)劃算法的插電式四驅(qū)混合動力汽車能量管理策略，具有良好的控制效果，車速誤差明顯減小，燃油經(jīng)濟性得到了有效提高。文獻[5]以燃油消耗量最小為目標，提出了采用動態(tài)規(guī)劃算法設(shè)計PHEV的能量管理策略，可將電池荷電狀態(tài)保持在設(shè)定范圍之內(nèi)，且節(jié)油效果良好。然而，汽車在行駛過程中采用全局優(yōu)化的能量管理策略過于依賴工況，且計算量較大，極易陷入“維數(shù)災(zāi)”問題，因此，很難直接對汽車進行實時控制。

自適應(yīng)動態(tài)規(guī)劃（adaptive dynamic programming，ADP）算法充分利用神經(jīng)網(wǎng)絡(luò)的函數(shù)泛化能力和強化學(xué)習(xí)能力，能有效避免基于動態(tài)規(guī)劃算法的PHEV能量管理出現(xiàn)的“維數(shù)災(zāi)”問題。文獻[6]針對燃料電池中氫氣能源消耗過多而無法保證續(xù)航里程的問題，提出基于執(zhí)行依賴啟發(fā)式動態(tài)規(guī)劃（action dependent heuristic dynamic programming， ADHDP）算法的能源管理策略，有效實現(xiàn)了限制氫能源消耗過快的目標。文獻[7]針對汽車換擋次數(shù)頻繁的問題，提出了一種自適應(yīng)能源控制策略以實現(xiàn)換擋控制和功率分割，采用枚舉方式設(shè)計了換擋命令，并采用ADHDP算法實現(xiàn)發(fā)動機與電機之間的功率分配，明顯提升了整車的燃油經(jīng)濟性。整車燃油經(jīng)濟性問題實質(zhì)上是合理協(xié)調(diào)發(fā)動機與電機之間的轉(zhuǎn)矩分配問題。文獻[8]針對混合動力汽車油耗及排放量較大的問題，采用ADP算法設(shè)計能量管理控制器，有效降低了油耗量以及尾氣排放量。文獻[9]提出了一種基于ADHDP算法的并聯(lián)PHEV數(shù)據(jù)驅(qū)動能量管理方法，該方法在最優(yōu)逼近和不確定駕駛條件下的適應(yīng)性方面取得了較好的性能。PHEV驅(qū)動系統(tǒng)較為復(fù)雜，且干擾和不確定因素較多，是典型的非線性系統(tǒng)。故本文采用ADHDP算法設(shè)計其能量管理控制器，具有可不依賴于復(fù)雜被控對象數(shù)學(xué)模型、自適應(yīng)能力強的優(yōu)勢。以油耗量、尾氣排放量最低及電池荷電狀態(tài)（state of change，SOC）穩(wěn)定為目標，對PHEV能量管理控制器進行設(shè)計，將所設(shè)計的能量管理控制策略在MATLAB/Simulink和ADVISOR平臺進行聯(lián)合仿真，并與經(jīng)典電輔助控制策略進行分析對比，以驗證所提方法的可行性和有效性。

1 PHEV整車模型

單電機雙軸驅(qū)動并聯(lián)式PHEV通常采用轉(zhuǎn)矩耦合的動力耦合方式。PHEV驅(qū)動系統(tǒng)結(jié)構(gòu)如圖1所示，驅(qū)動系統(tǒng)主要包括發(fā)動機、離合器、蓄電池、電機和傳動系統(tǒng)等[10]。該車型具有5種工作模式，分別是純電動驅(qū)動模式、純發(fā)動機驅(qū)動模式、混合驅(qū)動模式、再生制動模式以及無再生制動模式。

1）當(dāng)車輛剛開始起動時，車速較慢，整車需求轉(zhuǎn)矩較小，蓄電池組SOC值較高，此時，車輛離合器斷開，發(fā)動機不工作，如圖1所示，能量由蓄電池組提供給電機，經(jīng)轉(zhuǎn)矩耦合器后傳向變速器與減速箱直至車輪，車輛主要由電機提供全部驅(qū)動力驅(qū)動，車輛處于純電動驅(qū)動工作模式。

2）當(dāng)車輛行駛一段時間后，車速加快，整車需求轉(zhuǎn)矩增大，蓄電池組SOC值偏低時，車輛離合器接合，發(fā)動機開始工作，驅(qū)動電機關(guān)閉，發(fā)動機單獨工作，車輛處于純發(fā)動機驅(qū)動工作模式。

3）當(dāng)車輛處于加速或者爬坡狀態(tài)時，整車需求轉(zhuǎn)矩較大，此時，車輛離合器接合，發(fā)動機與電機同時工作，共同提供整車需求轉(zhuǎn)矩以驅(qū)動車輛行駛，車輛處于混合驅(qū)動工作模式。

4）當(dāng)車輛處于制動且蓄電池組SOC處于最低限值狀態(tài)時，車輛離合器斷開，發(fā)動機與電機均不工作，制動產(chǎn)生的能量回收至蓄電池組中，以提高SOC值，增強了車輛續(xù)航能力，車輛處于再生制動工作模式。

5）當(dāng)車輛蓄電池組SOC值達到最大限值，車輛有明顯制動需求時，整車不再回收能量，僅進行機械制動，即車輛處于無再生制動工作模式。

PHEV整車模型的重要部件及其仿真參數(shù)如表1所示。

2 基于ADHDP的能量管理策略

2.1 ADHDP算法

ADHDP算法結(jié)構(gòu)由評價網(wǎng)絡(luò)和執(zhí)行網(wǎng)絡(luò)構(gòu)成。ADHDP算法的實質(zhì)是通過求解Bellman方程得到最終的控制量u（[k]）。Bellman方程的數(shù)學(xué)表達式[11]如下：

J*[X（[k]）]=[minu（k）][{r[X（k），u（k）]+γ J*[X（k+1）]}.] （1）

式中：J *[X（[k]）]為k時刻的最優(yōu)目標函數(shù)值；r[X（k），u（k）]為k時刻的懲罰函數(shù)；γ為折扣因子，是用于調(diào)節(jié)未來代價函數(shù)的權(quán)重。

ADHDP算法利用神經(jīng)網(wǎng)絡(luò)強大的自適應(yīng)與自學(xué)習(xí)能力求解最優(yōu)控制律。啟發(fā)式動態(tài)規(guī)劃HDP（heuristic dynamic programming，HDP）算法中的模型網(wǎng)絡(luò)需要建立特定的系統(tǒng)數(shù)學(xué)模型，以便更新模型網(wǎng)絡(luò)的權(quán)值，再利用模型網(wǎng)絡(luò)預(yù)測下一時刻的狀態(tài)量，但同時該模型也引入了不確定的誤差量。而ADHDP則僅由執(zhí)行網(wǎng)絡(luò)與評價網(wǎng)絡(luò)構(gòu)成，整個算法的結(jié)構(gòu)簡單且訓(xùn)練快速和高效，不需要根據(jù)系統(tǒng)的復(fù)雜性建立特定的數(shù)學(xué)模型直接求解最優(yōu)控制量，可減少不確定誤差對整個控制系統(tǒng)的干擾。

ADHDP算法的原理結(jié)構(gòu)[12]如圖2所示。Z -1為延遲因子，狀態(tài)量X（k）經(jīng)執(zhí)行網(wǎng)絡(luò)計算后輸出控制量u（k），然后將狀態(tài)量X（k）與控制量u（k）作為評價網(wǎng)絡(luò)的輸入，經(jīng)計算后輸出性能指標函數(shù)J（k）。由γ·J（k）、J（k-1）與U（k）三者之間的差值定義評價網(wǎng)絡(luò)誤差反饋量，從而進行評價網(wǎng)絡(luò)權(quán)值的調(diào)整與更新。類似地，將當(dāng)前k時刻的性能指標函數(shù)作為執(zhí)行網(wǎng)絡(luò)誤差反饋量以更新執(zhí)行網(wǎng)絡(luò)的權(quán)值，并計算執(zhí)行網(wǎng)絡(luò)的最優(yōu)控制量u（k）。

2.2 ADHDP控制器設(shè)計

PHEV驅(qū)動系統(tǒng)是一個非線性時變系統(tǒng)[13]，動力源在運行過程中影響因素較多。以PHEV發(fā)動機為主要的動力源，應(yīng)盡可能保證發(fā)動機工作在高效區(qū)域，并通過合理協(xié)調(diào)電機驅(qū)動，可有效降低油耗與排放量。本文采用ADHDP算法設(shè)計能量管理控制器并實現(xiàn)2個動力源轉(zhuǎn)矩的合理分配，以便于汽車運行在整體性能最優(yōu)的工作模式上?；贏DHDP算法的能量管理策略如圖3所示。

ADHDP控制器為三輸入單輸出結(jié)構(gòu)，且2個網(wǎng)絡(luò)均采用3層BP神經(jīng)網(wǎng)絡(luò)進行設(shè)計。2個BP神經(jīng)網(wǎng)絡(luò)隱含層和輸出層的神經(jīng)元激活函數(shù)均分別采用求和函數(shù)和sigmoid函數(shù)，神經(jīng)網(wǎng)絡(luò)的權(quán)值更新均采用梯度下降法。ADHDP控制器的3個輸入信號分別為：整車需求轉(zhuǎn)矩Treq與當(dāng)前轉(zhuǎn)速下發(fā)動機最大效率輸出轉(zhuǎn)矩Teff的比值B、蓄電池組SOC值（Soc）以及整車需求速度Vr。ADHDP控制器的輸出為發(fā)動機輸出轉(zhuǎn)矩Te。整車需求轉(zhuǎn)矩Treq與發(fā)動機輸出轉(zhuǎn)矩Te之間的差值為電機的輸出轉(zhuǎn)矩Tm。

3 控制策略仿真與分析

利用MATLAB/Simulink平臺編寫ADHDP算法程序并建立控制器模塊，然后嵌套到ADVISOR汽車仿真軟件進行聯(lián)合仿真。選取CYC_ NEDC、CYC_UDDS以及CYC_WVUSUB 3種循環(huán)工況對ADHDP控制策略和經(jīng)典電輔助策略進行仿真對比驗證。經(jīng)反復(fù)調(diào)試可得到ADHDP的控制器參數(shù)如表2所示。所建立的ADVISOR整車仿真模型[15]如圖6所示。

3.1 整車車速跟蹤與蓄電池組SOC變化曲線分析

采用CYC_NEDC、CYC_UDDS與CYC_WV-USUB 3種循環(huán)工況對ADHDP控制策略進行仿真驗證。3種循環(huán)工況下ADHDP控制策略的傳動比曲線如圖7所示。

車輛在運行過程中的換擋不頻繁，換擋次數(shù)在合理的范圍內(nèi)，可滿足駕駛舒適性的要求。

3種循環(huán)工況下ADHDP控制策略整車車速曲線如圖8所示。

整車實際車速與整車需求車速基本吻合，實際車速基本能跟隨需求車速，兩者間誤差較小，采用ADHDP算法設(shè)計的能量管理控制器可滿足整車行駛控制的基本要求。

3種循環(huán)工況下ADHDP和電輔助控制策略的蓄電池組SOC對比曲線如圖9所示。

由圖9可知，在CYC_NEDC循環(huán)工況下，經(jīng)3個循環(huán)周期后，2種控制策略的蓄電池組SOC分別由初始值0.700下降至0.612和0.530（圖9（a））。在CYC_UDDS循環(huán)工況下，經(jīng)3個循環(huán)周期后，2種控制策略的蓄電池組SOC分別由初始值0.700下降至0.614和0.553（圖9（b））。在CYC_WVUSUB循環(huán)工況下，經(jīng)3個循環(huán)周期后，2種控制策略的蓄電池組SOC分別由初始值0.700下降至0.601和0.525（圖9（c））。在第一個循環(huán)周期內(nèi)，整車主要由電機提供驅(qū)動力，電量消耗較大，SOC下降較快，ADHDP控制策略在3種循環(huán)工況下的蓄電池組SOC由初始值0.700下降至0.583、0.568、0.565，電輔助控制策略的蓄電池組SOC下降稍慢。在第二個循環(huán)周期內(nèi)，發(fā)動機參與驅(qū)動，整車耗油有所增加，由于減速制動時可回收部分制動能量，SOC下降變得稍慢。ADHDP控制策略在3種循環(huán)工況下的蓄電池組SOC分別由0.583下降至0.554、由0.568下降至0.559、由0.565下降至0.545，在CYC_NEDC和CYC_UDDS循環(huán)工況下電輔助控制策略蓄電池組SOC下降速率比ADHDP稍快，而在CYC_WVUSUB循環(huán)工況下電輔助控制策略蓄電池組SOC下降速率比ADHDP慢。在第三個循環(huán)周期內(nèi)，ADHDP控制策略在3種循環(huán)工況下的蓄電池組SOC分別由0.554下降為0.530、由0.559下降為0.553、由0.545下降至0.525。從整體上看，電輔助控制策略蓄電池組SOC變化與第二周期類似。由于整車在行駛過程中減速制動產(chǎn)生的可回收制動能量有限，2種控制策略蓄電池組SOC整體呈現(xiàn)下降趨勢，當(dāng)車輛運行3個循環(huán)周期后，ADHDP控制策略的蓄電池組SOC維持在0.525以上浮動，保證了電池高效的充放電效率，增強了電池的續(xù)航能力。

3.2 整車燃油經(jīng)濟性和排放性能對比分析

為進一步體現(xiàn)所設(shè)計ADHDP能量管理控制策略的優(yōu)越性，將ADHDP控制策略和電輔助控制策略在CYC_NEDC、CYC_UDDS和CYC_WVUSUB循環(huán)工況下3個循環(huán)周期的百公里燃油消耗量與尾氣排放量進行對比分析，2種控制策略的整車燃油消耗量和排放量如表3所示。

由表3可知，電輔助控制策略在3種循環(huán)工況下的整車百公里燃油消耗量分別為7.8、8.0和8.7 L，而ADHDP控制策略在3種循環(huán)工況下的整車百公里燃油消耗量分別為6.3、6.8和7.0 L。與電輔助控制策略相比，ADHDP控制策略的車輛百公里燃油消耗量分別降低了19.2%、15.0%和19.5%。從3種循環(huán)工況的排放性能看，與電輔助控制策略相比，ADHDP控制策略的尾氣有害物HC、CO和NOx排放量明顯減少。ADHDP控制策略在CYC_NEDC循環(huán)工況下的尾氣有害物HC、CO和NOx分別下降了6.5%、47.5%和9.6%；CYC_UDDS循環(huán)工況下的尾氣有害物HC、CO和NOx分別下降了12.0%、33.3%和22.0%；CYC_WVUSUB循環(huán)工況下的尾氣有害物HC、CO和NOx分別下降了14.2%、31.6%和24.6%。因此，與電輔助控制策略相比，ADHDP控制策略在3種循環(huán)工況下的燃油消耗量和尾氣排放量均明顯減少，表明了所設(shè)計的能量管理策略的經(jīng)濟性和有效性。

3.3 發(fā)動機工作點對比分析

為進一步說明所設(shè)計ADHDP能量管理控制策略的有效性，將2種能量管理控制策略在CYC_NEDC循環(huán)工況下的發(fā)動機工作點分布情況進行對比與分析。2種能量管理控制策略在CYC_NEDC循環(huán)工況下的發(fā)動機工作點分布如圖10所示。

由圖10（a）可知，電輔助控制策略在低、中、高轉(zhuǎn)矩區(qū)域均分布有發(fā)動機工作點，但大部分分布在高轉(zhuǎn)矩臨界區(qū)域和低轉(zhuǎn)矩區(qū)域，而轉(zhuǎn)矩高效區(qū)域分布較少。經(jīng)計算，電輔助控制策略的發(fā)動機平均工作效率為24.86%。由圖10（b）可知，ADHDP控制策略的發(fā)動機工作點大部分集中分布在中、高轉(zhuǎn)矩區(qū)域內(nèi)，且有一部分發(fā)動機工作點集中分布在轉(zhuǎn)矩高效區(qū)域，而低轉(zhuǎn)矩、中高轉(zhuǎn)矩區(qū)域的發(fā)動機工作點分布較為均勻。經(jīng)計算，ADHDP控制策略的發(fā)動機平均工作效率為26.45%，與電輔助控制策略相比，提高了6.4%。ADHDP控制策略可更好地保證發(fā)動機工作在高效區(qū)域。

4 結(jié)論

考慮到PHEV能量管理系統(tǒng)存在非線性、復(fù)雜性、強干擾性和不確定因素的影響，以整車需求轉(zhuǎn)矩Treq與當(dāng)前轉(zhuǎn)速下發(fā)動機最大效率輸出轉(zhuǎn)矩Teff的比值、蓄電池組SOC以及整車需求速度Vr為控制器的輸入信號，以發(fā)動機輸出轉(zhuǎn)矩為輸出的控制量，采用3層BP神經(jīng)網(wǎng)絡(luò)設(shè)計了一種三輸入單輸出的ADHDP能量管理控制器。在CYC_UDDS、CYC_NEDC和CYC_WVUSUB循環(huán)工況下對ADHDP能量管理控制策略和電輔助控制策略進行了仿真對比驗證。對CYC_NEDC循環(huán)工況的ADHDP傳動比、ADHDP整車車速、2種策略的蓄電池組SOC和發(fā)動機工作點分布情況進行了詳細分析，并詳細對比和分析了2種能量管理控制策略在3種循環(huán)工況下的燃油消耗量與尾氣排放量。結(jié)果表明，ADHDP能量管理控制策略利用其強大的非線性逼近能力和自學(xué)習(xí)能力，可較好地實現(xiàn)發(fā)動機和電機之間的轉(zhuǎn)矩協(xié)調(diào)分配，提升了燃油利用率，降低了尾氣排放量，在一定程度上保證了整車需求轉(zhuǎn)矩的合理需求，實現(xiàn)了能量管理系統(tǒng)效率最大化的控制目標。由于本文只在仿真軟件中進行仿真驗證，缺乏一定工程實踐性，今后可考慮在HIL實驗平臺進一步驗證控制策略的可行性和有效性。

參考文獻

[1] 王琦，劉勝永，鄭致飛. 基于模糊控制的純電動汽車能量管理策略研究[J].廣西科技大學(xué)學(xué)報，2021，32（2）：83-88，106.

[2] 孫家文，劉勝永，王建超，等. 基于轉(zhuǎn)矩分配的混合動力汽車控制策略的優(yōu)化研究[J].廣西科技大學(xué)學(xué)報，2017，28（1）：29-34.

[3] 崔納新，步剛，吳劍，等. Plug-In并聯(lián)式混合動力汽車實時優(yōu)化能量管理策略[J].電工技術(shù)學(xué)報，2011，26（11）：155-160.

[4] 錢立軍，邱利宏，辛付龍，等. 插電式四驅(qū)混合動力汽車能量管理控制策略及其優(yōu)化[J].農(nóng)業(yè)工程學(xué)報，2015，31（13）：68-76.

[5] 任崇嶺，劉慧軍. 基于動態(tài)規(guī)劃插電式并聯(lián)混合動力汽車能量管理控制策略的研究[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，44（9）：1157-1164.

[6] FU Z C，CHEN Q H，ZHANG L Y，et al. Research on ADHDP energy management strategy for fuel cell hybrid power system[J].International Journal of Hydrogen Energy，2021，46（57）：29432-29442.

[7] LI G Q，GORGES D. Ecological adaptive cruise control and energy management strategy for hybrid electric vehicles based on heuristic dynamic programming[J].IEEE Transactions on Intelligent Transportion Systems，2019，20（9）：3526-3535.

[8] WANG Y Q，JIAO X H. Dual heuristic dynamic programming based energy management control for hybrid electric vehicles[J]. Energies，2022，15（9）：1-19.

[9] KONG Y， XU N， LIU Q， et al. A data-driven energy management method for parallel PHEVs based on action dependent heuristic dynamic programming（ADHDP）model[J]. Energy，2023，265：126306.

[10] 谷貴志，趙咪，樊然然. 基于模糊控制的PHEV轉(zhuǎn)矩協(xié)調(diào)控制策略研究[J].農(nóng)業(yè)裝備與車輛工程，2021，59（3）：103-107.

[11] 袁君，章云，張桂東，等. 基于自適應(yīng)動態(tài)規(guī)劃的能量管理系統(tǒng)研究綜述[J].廣東工業(yè)大學(xué)學(xué)報，2022，39（5）：21-28.

[12] 馮小峰，劉明波. 基于執(zhí)行依賴啟發(fā)式動態(tài)規(guī)劃的緊急電壓控制[J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2014，42（4）：19-25，58.

[13] 武小蘭，白志峰，史小輝，等. PHEV模糊能量管理策略優(yōu)化設(shè)計[J].系統(tǒng)仿真學(xué)報，2018，30（1）：242-248.

[14] 杜常清，甘雯雯，張佩. 基于動態(tài)規(guī)劃不同優(yōu)化目標的HEV轉(zhuǎn)矩分配策略對比研究[J].計算機應(yīng)用研究，2017，34（5）：1308-1310，1336.

[15] 曾小華，宮維鈞. ADVISOR 2002電動汽車仿真與再開發(fā)應(yīng)用[M].2版.北京：機械工業(yè)出版社，2017.

Energy management strategy of plug-in hybrid electric vehicle

based on ADHDP

ZHU Jialong1， ZHOU Xiaohua*1， 2， ZONG Lin1

（1.School of Automation， Guangxi University of Science and Technology， Liuzhou 545616， China;

2. Guangxi Key Laboratory of Automobile Component and Vehicle Technology（Guangxi University of Science and Technology）， Liuzhou 545616， China）

Abstract： Taking the plug-in hybrid electric vehicle （PHEV） as the research object， in order to reduce fuel consumption and exhaust emissions， an energy management control strategy based on action dependent heuristic dynamic programming （ADHDP） is proposed. In view of the problem that the whole vehicle drive system has complex nonlinearity and uncertainty， the three-layer BP neural network is used to design the action network and critic network of the ADHDP energy management controller， and the optimal control quantity can be finally obtained through the learning and training process of the ADHDP neural network. Using MATLAB/Simulink and ADVISOR platform， the ADHDP energy management control strategy is jointly simulated and verified under three cyclic conditions， namely CYC_UDDS， CYC_NEDC and CYC_WVUSUB， and compared with the classical electric auxiliary energy management control strategy. The results show that the ADHDP control strategy under three cycle conditions with good driving performance can reduce the fuel consumption per 100 km of the whole vehicle by 19.2%， 15.0% and 19.5% respectively. The exhaust emissions of HC， CO and NOx can be reduced significantly， and the CO in CYC_NEDC condition can be reduced by 47.5%， which is a significant effect. The designed energy management control strategy can effectively improve the fuel economy and environmental protection of the whole vehicle.

Key words： plug-in hybrid electric vehicle （PHEV）; action dependent heuristic dynamic programming （ADHDP）; energy management strategy; fuel economy

（責(zé)任編輯：羅小芬）