下载掌阅APP，畅读海量书库
立即打开
新能源汽车的能量管理是整车控制的核心与关键，其目标是响应驾驶员的油门与制动踏板操作需求，调节新能源汽车动力系统各部件的工作状态，如发动机、电机以及燃料电池等系统的输出转矩与功率，满足整车的动力需求，实现良好的经济性、舒适性与动力性。目前能量管理策略可以分为基于逻辑门限规则、基于瞬时优化算法、基于全局优化算法以及基于机器学习的能量管理策略，接下来本书会分别介绍以上 4 种能量管理策略的特点。
基于确定性规则的能量管理控制策略最先是由Bumby. J R等在 1987 年提出的，依靠对典型参数值的设置制订了相应的控制规则，实现了能量的合理控制。基于规则的能量管理策略是一类控制策略的总称，利用一系列逻辑规则与控制阈值参数实现新能源汽车动力系统的能量分配与协调控制。其中，控制逻辑规则与控制阈值均为开放性的设计对象，没有固定的开发规则与理论，控制策略的开发人员需要针对新能源汽车动力系统构型进行理论分析，考虑不同部件的工作特性，设计合理的控制逻辑；而控制阈值则需要经过仿真实验与实车实验的反复标定得到，从而实现整车综合性能的提升。
基于规则的能量管理策略是目前实际工程中广泛采用的控制策略，其优势在于设计相对简单，通过逻辑控制规则实现能量管理的控制，具有可读性强、可靠性强、运算负荷低以及开发流程成熟的特点，满足工程应用的需求。此外，通过合理的参数标定，基于规则的能量管理策略也能实现良好的燃油经济性、舒适性与动力性。其不足之处在于，控制规则的制订与后期标定严重依赖于开发人员的水平，控制规则设计、软件参数标定不合理都会严重影响能量管理策略的性能，其综合性能难以得到保障。
值得注意的是，基于规则的能量管理策略是很多能量管理策略的基础，其灵活性极佳，很多相关研究学者通过将其与其他算法结合来改善传统的基于规则控制能量管理策略的不足。例如，基于规则的逻辑门限能量管理策略可以与遗传优化算法、工况识别算法等结合，在不同典型行驶工况下对控制阈值进行离线优化，并在线识别工况类型，调用相应的最优控制策略，可以提升新能源汽车的燃油经济性。此外，通过模糊控制算法也可以实现基于规则的能量管理策略的开发，通过模糊控制可以实现更复杂的能量管理控制逻辑，但模糊控制规则表的设计与论域的划分优劣同样依赖于开发人员的设计能力。
根据最优化理论对能量管理策略进行优化，可以显著提升新能源汽车的综合性能。基于实时优化算法的能量管理策略，由于控制变量寻优范围仅针对当前决策，所以相对于全局优化具有更小的计算负担，同时也不要求获取全局工况信息，易于实现实际应用。但根据最优化理论，局部最优的累计无法保证全局最优，实时优化在提升实时性的同时也牺牲了全局最优性能。
等效燃油消耗最小控制策略（Equivalent Consumption Minimization Strategy，ECMS）是最为常见的实时优化能量管理策略。该方法最早由Paganell在 2001 年提出，用以简化混合动力系统求解的计算量。本质上，ECMS是基于庞特里亚金极小值原理（Pontryagin’s Minimum Principle，PMP）的一种优化方法，即在某一确定工况下存在某个最优等效因子使得该策略可以实现近似于PMP的全局最优结果。当然，如果工况信息具有不确定性，ECMS就无法获得全局最优解，这也在一定程度上限制了ECMS的使用。由于等效因子的选取直接决定了ECMS能量管理的效果，等效因子的选取又受到复杂多变工况信息的影响。于是，现阶段学者们将研究的重点集中在了如何根据交通信息、行驶工况类型等外部驾驶条件自适应地调整等效因子，即自适应等效燃油消耗策略（Adaptive-Equivalent Consumption Minimization Strategy，A-ECMS）。例如，通过使用遥测系统检测车辆位置与动力电池充电状态SOC，根据行驶里程与电池SOC反馈实时更新等效因子，并将更新后的等效因子用作计算ECMS的输入，从而使得PHEV的燃油经济性大幅度改善。
此外，模型预测控制（Model Predictive Control，MPC）也属于一种常见的实时优化能量管理策略，它将全局优化问题简化为预测时域内的局部优化问题，是近年来用于能量管理策略开发的热门控制方法。模型预测控制由 4 个模块组成，通过对模型预测控制 4 个模块的优化与改进，可以显著提升能量管理策略的经济性，目前的研究大多集中在对滚动优化算法与预测算法的提升。模型预测控制具有相对成熟的控制理论，在其他工业领域也已经被广泛应用，本书将在第 5 章详细介绍模型预测控制的内容。
基于实时优化算法的能量管理是目前最有希望广泛付诸实际应用的一类能量管理策略，实时优化算法可以让能量管理策略的经济性相比传统基于规则的能量管理策略显著提升，同时良好的实时性也保障了实车应用的可行性。目前国内外很多车企或者研发中心已经将ECMS控制策略应用于新能源汽车的控制，通过对等效因子的标定提升整车的经济性，但目前仍主要应用于预研项目，尚未广泛应用于量产项目。
全局优化是在假定预先获知车辆行驶工况全局信息的前提下，使用最优控制理论，根据新能源汽车动力传动系统控制变量与状态变量的转移关系，在满足变量限制条件的前提下使得目标函数最优的能量管理策略。动态规划（Dynamic programming，DP）和庞特里亚金极小值原理是目前最为常见的两种用于全局最优能量管理策略寻优方法，二者都属于间接求解的优化方法。此外，针对某些控制参数也可以采用遗传算法、粒子群算法等全局优化算法进行。全局优化理论上虽然可以实现控制目标的全局最优，但是具有严重依赖行驶工况的准确预知、计算实时性差等缺点，这些不足限制了全局优化的直接应用。通常情况下，全局优化使用在以下几个方面：
①提供理论上的最优结果作为基准，对比并评价其他能量管理策略的效果。
②指导基于规则能量管理策略的规则提取和参数调整。
③作为机器学习等能量管理方法的训练数据来源。
④与MPC能量管理策略结合，一方面提供全局SOC参考轨迹，另一方面作为滚动优化算法在预测域内对控制变量进行求解。
近年来机器学习已经成为计算机领域一个十分重要的分支，目前已经有大量的研究人员在该领域做出了十分巨大的贡献，极大地扩展和丰富了机器学习的内容和方法。随着算力的不断提升、能耗的不断降低、计算形式的不断发展，机器学习在混合动力汽车能量管理领域的应用也不断涌现出大量的研究，这也为能量管理策略的研究带来了许多新的思路和启发。
用机器学习的思维去解决问题和传统解决问题的方式是不一样的，通常情况下机器学习的过程甚至是学到的内容是人类难以得知的。机器学习本质上是一类基于统计学、多学科融合的数据科学的总称，其基本目的是力求通过大量的样本数据提取或学习隐藏在数据背后的事物的本质规律，以便人们可以利用这种规律去预测一些现象或解决一类问题。机器学习通常可以分为监督学习（Supervised Learning）以及无监督学习（Unsupervised Learning）两大类。监督学习通常是指利用某种算法在给定特征集和目标集的前提下让某个模型能够自行模拟原始样本输入、输出映射关系。对于能量管理问题来说，监督学习中常用的方法包括神经网络、支持向量机等，例如使用径向基函数神经网络可以实现未来车速的预测，使用递归神经网络可以对ECMS中的等效因子进行时间序列模拟，使用支持向量机可以轻松实现驾驶员驾驶行为、行驶工况的分类等。而无监督学习方法并没有确定的结果，也不会给样本任何标签信息，完全依靠某种机制或评价体系让机器自发地寻找合适的学习内容。在能量管理中常用的方法包括K-means聚类、主成分分析等。K-means聚类可以为划分工作区间、简化数据集分类等提供帮助，主成分分析可以用于在神经网络等模型输入前对高维度数据进行最低损失的数据降维。
除此以外，还有一类常用的方法被称为强化学习。这类方法处于监督学习和无监督学习之间，其本身并不指定某组数据或某个动作的好坏，即不对样本进行标记，但却对最终的目标函数有十分明确的指向。强化学习可以根据智能体与环境之间的互动，以Q值函数为瞬时目标选取能使未来累计奖赏最大的动作作为当前动作的输出，其与环境互动的特性使得这种方法在高度复杂、强非线性的系统里可以寻找到最优策略，并且可以实现“数据越多，性能越优”的增量学习，学习结果的应用形式也十分简单，实时性有保证，非常适合求解能量管理问题。