金　燕，解振方，陳佳彬，陳爾言

(浙江工業(yè)大學 信息工程學院，浙江 杭州 310023)

基于預測的PHEV動力分配模糊邏輯控制策略

金燕，解振方，陳佳彬，陳爾言

(浙江工業(yè)大學 信息工程學院，浙江 杭州 310023)

摘要：汽車運行工況對并聯混合動力汽車燃油經濟性具有重要影響，在用馬爾科夫預測方法預測并聯混合動力汽車在未來一定時間內的運行狀態(tài)的基礎上，提出根據預測出的狀態(tài)利用模糊邏輯控制策略,來實現發(fā)動機和電機之間的最優(yōu)轉矩分配，使發(fā)動機工作在最佳工作點，電池SOC值保持在預期范圍內.該策略克服了動態(tài)規(guī)劃等全局最優(yōu)控制策略需要預知全程路況信息的缺點，具有很好的實時性和魯棒性.Advisor仿真結果表明：該方法和傳統(tǒng)的模糊邏輯控制策略和邏輯門限控制策略相比,能更好地改善汽車燃油經濟性.

關鍵詞：馬爾科夫預測；模糊邏輯控制器；Advisor；燃油經濟性

中圖分類號：TP18

文獻標志碼：A

文章編號：1006-4303(2015)01-0097-06

PHEV power distribution fuzzy logic control strategy based on prediction

JIN Yan, XIE Zhenfang, CHEN Jiabin, CHEN Eryan

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:Driving cycles have a significant influence on fuel economy of parallel hybrid electric vehicles(PHEV). In this paper, a method is put forward based on Markov prediction for parallel hybrid electric vehicles’ future driving cycles. According to the predicted results, a fuzzy logic strategy is used to achieve optimal torque distribution between the engine and the motor, making the engine work at optimal operating point, and keep the value of battery SOC within the expected range. According to rolling optimization features of predictive control strategy, the control strategy presented here overcomes the shortcomings of the global optimal control strategy which needs to predict the full traffic information and thus has a good real-time performance and robustness. Advisor simulation software was used to analyze the performances of hybrid vehicles by using this control strategy and existing typical control strategies respectively. The simulation results show this control strategy improves vehicle fuel economy compared to the existing typical fuzzy logic control strategy and logic threshold control strategy.

Keywords:Markov prediction; fuzzy logic controller; Advisor; fuel economy

為提高石油等不可再生能源的使用效率，以及減少汽車尾氣污染物的排放，混合動力汽車作為傳統(tǒng)汽車向純電動汽車的過度車型越來越受到人們重視[1].如何提高混合動力汽車的燃油經濟性，是人們現在面臨的主要問題.混合動力汽車的動力分配控制策略一般分為基于規(guī)則和基于最優(yōu)理論兩大類，基于規(guī)則的控制策略有邏輯門限控制策略和模糊邏輯控制策略等[2].基于規(guī)則的控制策略控制簡單，容易實現，適用性強，但不能適應工況的動態(tài)變化，無法保證車輛燃油經濟性最優(yōu)[3].基于最優(yōu)理論的控制策略有動態(tài)規(guī)劃(Dynamic programming,DP)[4]、模型預測控制(Model predictive control,MPC)[5]、等效油耗最小控制策略(Equivalent consumption minimisation strategy,ECMS)[6]等.最優(yōu)理論控制策略實現了真正意義上的最優(yōu)化，但計算量大，動態(tài)規(guī)劃方法需要預知整個路況的信息[7]，所以該方法實現困難，難以普及.近年來，國內外研究者發(fā)現，不同的汽車行駛工況對混合動力汽車的性能影響很大[8].如果能預測出汽車未來的運行的狀態(tài)，并根據未來的狀態(tài)對汽車的控制策略做出調整，將會很大提高汽車的經濟性能.根據汽車運行工況的隨機性，提出用馬爾科夫預測模型[9]對汽車未來一定時間內的狀態(tài)進行預測，并根據預測的結果調整模糊邏輯控制器的控制規(guī)則，使發(fā)動機的輸出轉矩盡量在發(fā)動機最優(yōu)轉矩附近，電池的荷電狀態(tài)(State of charge, SOC)維持在充放電效率最高的區(qū)域內.最后，在Advisor2002仿真軟件中將該控制策略模塊嵌入到某并聯混合動力汽車模型中進行仿真.

1馬爾科夫預測原理

馬爾科夫預測過程的特性是系統(tǒng)在時刻t0所處的狀態(tài)為已知的條件下，過程在時刻t>t0所處狀態(tài)的條件分布與過程在時刻t0之前所處的狀態(tài)無關.設隨機過程{Zm,Tn},條件概率滿足

P{Tn+1=Zm+1|T0=Z0,T1=Z1,…,Tn=Zn}

=P{Tn+1=Zm+1|Tn=Zn}

(1)

則稱{Zm,Tn}為馬爾可夫鏈[10]，馬爾可夫鏈是狀態(tài)、時間都是離散量的馬爾可夫過程，其中Tn(n=0,1,2，…)為離散的時間集合，Zm(m=0,1,2，…,i,j，…)為對應的狀態(tài)空間集合.條件概率為

Pij=P{Tn+1=Zj|Tn=Zi}

(2)

稱為馬爾可夫鏈{Zm,Tn}在時刻n的一步轉移概率，簡稱為轉移概率.式(2)中Zi，Zj為不同時刻的狀態(tài).式(2)表示如果系統(tǒng)在n時刻為狀態(tài)Zi，則在下一時刻，即n+1時刻為狀態(tài)Zj的概率.由不同狀態(tài)的轉移概率所組成的的矩陣稱為馬爾可夫鏈的一步狀態(tài)轉移概率矩陣P，其表達式為

(3)

馬爾科夫預測的原理就是根據當前狀態(tài)和狀態(tài)轉移概率矩陣來預測出未來某一刻的狀態(tài).其具體的方法是假設某系統(tǒng)的狀態(tài)集為Z={Z1,Z2,…,Zm},Pij表示系統(tǒng)在狀態(tài)Zi一次轉移到狀態(tài)Zj的概率.如果當前狀態(tài)為Zi，根據一步狀態(tài)轉移概率矩陣，若

Pij=max{Pi1Pi2…Pim}

(4)

則Zj為預測到的下一時刻的狀態(tài).

2用馬爾科夫預測混合動力汽車未來運行狀態(tài)

根據馬爾科夫預測方法的特性，將其運用到預測混合動力汽車未來運行狀態(tài)是可行的，其可行性已有研究者對其進行了驗證[11].該研究者者通過對汽車在CYC_UDDS工況下的不同間隔時間段的工況相關性進行分析，發(fā)現間隔時間越短，工況相關性越大，間隔時間越長，工況相關性越小，從而證明了汽車在CYC_UDDS工況中下一時刻的運行狀態(tài)僅與當前時刻運行狀態(tài)有關，而與之前汽車的運行狀態(tài)無關，符合馬爾科夫的定義.在用馬爾科夫進行預測前，需要對預測對象的狀態(tài)進行劃分.混合動力汽車是由發(fā)動機和電機(電池供電)兩種動力源進行驅動的，所以混合動力汽車的運行狀態(tài)一般分為車輛停止運行(記為狀態(tài)Z1)、發(fā)動機給電池充電(記為狀態(tài)Z2)、發(fā)動機獨立驅動(記為狀態(tài)Z3)、電機獨立驅動(記為狀態(tài)Z4)、發(fā)動機和電機聯合驅動(記為狀態(tài)Z5)和車輛制動時發(fā)動機通過電機給電池充電(記為狀態(tài)Z6)等6個狀態(tài)[12].混合動力汽車運行狀態(tài)是根據汽車的發(fā)動機輸出轉矩、電機的輸出轉矩和汽車的需求轉矩來劃分的，劃分方法如表1所示.

表1　混合動力汽車狀態(tài)表

汽車運行狀態(tài)劃分好后，根據前面所述的馬爾科夫預測原理可求各狀態(tài)間的轉移概率Pij為

(5)

式中：Cij為系統(tǒng)在t時刻由狀態(tài)Zi(i=1,2,…,5)轉向t+1時刻狀態(tài)Zj(j=1,2,…,5)的頻率；Ci為系統(tǒng)的中出現Zi的總頻率.例如，設發(fā)動機獨立提供驅動力為狀態(tài)Z1，電機獨立提供驅動力為狀態(tài)Z2.P12表示在某一時刻t為狀態(tài)Z1且下一時刻t+1為狀態(tài)Z2出現的次數除以總共出現狀態(tài)Z1的次數，即狀態(tài)Z1轉移到狀態(tài)Z2的概率.由此可求出其它狀態(tài)的轉移概率，進而可求得一步狀態(tài)轉移概率矩陣為

(6)

根據一步狀態(tài)轉移概率矩陣和當前的狀態(tài)便可求出未來預測時間內的狀態(tài)，設當前狀態(tài)為1，若

P1j=max{P11P12P13P14P15}

(7)

則狀態(tài)Zj={j=1,2,…,5}為下一時刻混合動力汽車的狀態(tài).在Matlab/Simulink中，用S-Function函數編寫馬爾科夫預測程序，在仿真開始時刻首先生成一步狀態(tài)轉移概率矩陣，圖1為當前狀態(tài)為1時的一步狀態(tài)轉移概率的預測模型.

圖1　當前狀態(tài)為1時的狀態(tài)轉移求解模型Fig.1　State transition model for solving when state 1

隨著時間的增加，一步狀態(tài)轉移概率矩陣不斷的更新，且轉移概率矩陣都是從汽車起始運行時刻開始計算的，所以轉移概率矩陣會逐步趨于穩(wěn)定.預測到的汽車未來狀態(tài)每K(K=1,2,3,…,n)秒周期性輸出.根據預測到的結果可對下面的模糊邏輯規(guī)則作出調整，如當預測到未來K秒內狀態(tài)多為電機驅動汽車或者發(fā)動機與電機聯合驅動汽車時，就要保證K秒后電池有足夠的電量，則當前時刻就要多使用發(fā)動機驅動汽車.若當預測到未來K秒內狀態(tài)多為發(fā)動機獨立提供驅動力并同時向電池充電或者制動時電機充當發(fā)電機給電池充電時，則當前時刻就要多使用電機驅動汽車，以保證電池電量始終維持在預期范圍內.

3模糊邏輯控制策略

3.1模糊邏輯控制原理

模糊控制的過程主要有三個主要步驟：模糊化過程、模糊推理、反模糊化計算.模糊化過程是將輸入的確定變量轉換成模糊量.模糊推理是將轉換后的模糊量按照一定的模糊語言規(guī)則推出一個新的近似模糊判斷結論.反模糊化計算是將模糊推理得到的結論變換成確定量輸出[13].選擇雙軸并聯混合動力汽車作為研究對象，其動力總成結構示意圖如圖2所示.

圖2　并聯式混合動力汽車結構Fig.2　Parallel hybrid electric vehicle structure

根據模糊邏輯控制基本原理，制定相應的模糊控制規(guī)則，優(yōu)化發(fā)動機的輸出轉矩和電池SOC值.利用馬爾科夫預測方法預測到汽車未來運行狀態(tài)后進一步合理分配發(fā)動機和電機的轉矩，使汽車在滿足整車需求轉矩的情況下，減小電池SOC值的波動幅度.

3.2模糊控制器的設計

圖3為在Simulink環(huán)境中搭建的模糊邏輯控制策略模塊圖，其中模糊邏輯控制模塊的四個輸入分別為汽車未來K秒內狀態(tài)、整車需求轉矩F、整車需求轉矩與發(fā)動機最優(yōu)輸出轉矩差ΔT和電池SOC值，輸出為發(fā)動機輸出轉矩的調整系數Tw.發(fā)動機的最優(yōu)轉矩是根據需求轉速利用插值法獲得的.然后根據4個輸入值制定相應的模糊控制規(guī)則.若調整后的發(fā)動機輸出轉矩大于整車的需求轉矩，則多余的轉矩驅動發(fā)電機給電池充電.反之，不足的轉矩由電機提供[14].

圖3　Simulink環(huán)境下的模糊邏輯控制策略模塊圖Fig.3　Fuzzy logic control strategy module figure in simulink environmrnt

整車需求轉矩F的取值為零或非零兩種狀態(tài).轉矩差ΔT的模糊范圍為{T1,T2,T3,T4,T5,T6,T7,T8,T9}，論域為[-80,20],隸屬度函數如圖4所示.電池SOC的模糊范圍為{S1,S2,S3,S4,S5},論域為[0,1]，隸屬度函數如圖5所示.汽車未來K時刻內的狀態(tài)取單值{Z1,Z2,Z3,Z4,Z5,Z6},其對應的值分別為[1,2,3,4,5,6]，其中狀態(tài)1為車輛停止運行，狀態(tài)2為發(fā)動機給電池充電，狀態(tài)3為發(fā)動機獨立驅動，狀態(tài)4為電機獨立驅動，狀態(tài)5為發(fā)動機和電機聯合驅動，狀態(tài)6為車輛制動時發(fā)動機通過電機給電池充電.發(fā)動機輸出轉矩的調整系數Tw的模糊范圍為{K1,K2,K3,K4,K5,K6,K7,K8,K9,K10,K11,K12}，論域為[0,1]，隸屬度函數如圖6所示.

圖4　轉矩差ΔT的隸屬度函數Fig.4　The membership function of torque difference ΔT

圖5　電池SOC的隸屬度函數Fig.5　The membership function of SOC

圖6　調整系數Tw的隸屬度函數Fig.6　The membership function of adjustment factor Tw

輸入語言變量和輸出語言變量均采用梯形和三角形的隸屬度函數，此種隸屬度函數運算簡單，方便調整參數.模糊控制器的核心部分是模糊控制規(guī)則的制定，模糊控制規(guī)則的基本格式為：If輸入變量1的狀態(tài)and輸入變量2的狀態(tài)andthen輸出變量的模糊狀態(tài).在此模糊控制器中與運算采用最小法，去模糊化運算采用區(qū)域重心法等.所制定的模糊控制規(guī)則如下，由于控制規(guī)則比較多,所以只列出了部分規(guī)則.

IfFis0andSOCisS3thenTwisK1

IfFis0andSOCisS2and未來狀態(tài)isZ2thenTwisK5

IfFisnot0andΔTisT1andSOCisS1and未來狀態(tài)isZ1thenTwisK6

IfFisnot0andΔTisT1andSOCisS1and未來狀態(tài)isZ2thenTwisK9

IfFisnot0andΔTisT1andSOCisS4and未來狀態(tài)isZ2thenTwisK6

IfFisnot0andΔTisT1andSOCisS5and未來狀態(tài)isZ1thenTwisK1

IfFisnot0andΔTisT1andSOCisS5and未來狀態(tài)isZ2thenTwisK3

……

IfFisnot0andΔTisT9andSOCisS1and未來狀態(tài)isZ1thenTwisK11

IfFisnot0andΔTisT9andSOCisS5and未來狀態(tài)isZ5thenTwisK8

控制規(guī)則的主要方法：

1) 若需求轉矩F為零，則汽車可能處于停止或制動狀態(tài)，若電池SOC值很低，并且未來K時刻需要電機提供更多的驅動力，則發(fā)動機應輸出一部分轉矩給電池充電，以保證未來電機的正常工作.若電池的SOC值在正?；蛘咂叻秶鷥龋瑹o論未來汽車處于什么狀態(tài)，發(fā)動機輸出轉矩為零.

2) 在需求轉矩F為非零狀態(tài)下，判斷需求轉矩與發(fā)動機輸出轉矩差ΔT的狀態(tài)，若轉矩差ΔT很小，即汽車不需要很大的驅動力，電池SOC值很高，未來K時刻內的狀態(tài)以發(fā)動機驅動為主時，為使發(fā)動機工作在高效率區(qū)，此刻關閉發(fā)動機，僅以電機驅動汽車，若未來K時刻需要電機提供更多的驅動力，則發(fā)動機應輸出一部分轉矩給電池充電.若電池SOC值很低或者在正常范圍內時，且未來K時刻內需要電機提供驅動力時，則相應的調整發(fā)動機的輸出轉矩，保持電池在預期的范圍內，并在需要電機提供驅動力時有足夠的電量供給電機，若未來K時刻內的狀態(tài)以發(fā)動機驅動為主時，則此刻關閉發(fā)動機.

3) 若轉矩差ΔT很大，即汽車需要很大的驅動力，若電池SOC值很高，未來K時刻內的狀態(tài)以發(fā)動機驅動為主時，此時保持發(fā)動機工作在高效率區(qū)即可.若未來K時刻需要電機提供更多的驅動力，此刻除了要保持發(fā)動機工作在高效率區(qū)，還要保證電池有足夠的電量，以滿足未來電機的驅動.若電池SOC值很低或者在正常范圍內，未來K時刻內的狀態(tài)以發(fā)動機驅動為主時，此時車輛的需求轉矩由發(fā)動機提供，不必向電池提供額外的轉矩.若未來K時刻需要電機提供更多的驅動力，則發(fā)動機除了要滿足車輛的需求轉矩外還要向電池充電，以滿足未來電機有足夠的驅動力驅動車輛.

4) 如需求轉矩與發(fā)動機輸出轉矩差ΔT為零或大于零，表示整車的需求轉矩等于或大于發(fā)動機的最優(yōu)轉矩，此時應使發(fā)動機工作在最優(yōu)轉矩范圍內，剩余的轉矩由電機的輸出轉矩提供，若此時電池的SOC值很高，無論未來K時刻車輛處于什么運行狀態(tài)，保持發(fā)動機最優(yōu)輸出轉矩不變.若此時電池的SOC值很低，無論未來K時刻車輛處于什么運行狀態(tài)，應少量增大發(fā)動機的輸出轉矩，保持電池在預期的范圍內.

5) 上述僅僅部分主要的控制規(guī)則，將輸入輸出的模糊范圍劃分多個區(qū)域，是為了提高控制規(guī)則的細化程度，根據不同的狀況使發(fā)動機的輸出轉矩有更多的選擇，進而提高汽車整體經濟性能.

4仿真分析

為了驗證所設計的控制策略的有效性，在Matlab/Simulink軟件中搭建馬爾科夫預測模塊和模糊邏輯控制模塊，并將其嵌入到Advisor2002仿真軟件中進行仿真.選取雙軸并聯式混合動力汽車模型作為仿真車型，主要的仿真參數見表2.汽車的行駛工況選擇典型的CYC_UDDS工況.

表2　主要部件的仿真參數

圖7　三種控制策略下的SOC值Fig.7　The SOC of three control strategies

圖8　CYC_UDDS工況下預測汽車運行狀態(tài)的各種數據輸出圖Fig.8　Predict HEV various data output figure under the CYC_UDDS condition

圖7為三種控制策略仿真后的電池SOC的變化曲線圖.其中傳統(tǒng)模糊邏輯控制策略是指不考慮汽車未來狀態(tài)，僅以整車需求轉矩、整車需求轉矩差與發(fā)動機最優(yōu)轉矩差和電池SOC值作為輸入變量的模糊控制策略.圖中的橫坐標表示時間，縱坐標表示電池的SOC值.三種控制策略的SOC值的初始值都為0.7，都最終降到0.63左右，表明電池在三種控制策略下的消耗量都是相同的，且都使電池SOC值保持在高充放電效率范圍內.圖8為在CYC_UDDS工況下預測汽車運行狀態(tài)各種數據輸出圖，其中圖8(a)為在整個CYC_UDDS工況下車輛的電機輸出轉矩曲線圖，圖8(b)為在該工況下的發(fā)動機輸出轉矩曲線圖，圖8(c)為車輛的需求轉矩曲線圖，圖8(a,b,c)中的橫坐標表示時間，縱坐標表示轉矩值.圖8(d)為在CYC_UDDS工況下馬爾科夫預測出的汽車未來狀態(tài)圖.圖8(e)為在CYC_UDDS工況下基于邏輯門限控制策略下的汽車運行狀態(tài)圖.圖8(d,e)中的橫坐標表示時間，縱坐標表示汽車運行狀態(tài).根據馬爾科夫預測原理滾動優(yōu)化的特點，從圖8(d,e)可以看出：在整個工況前400 s兩種狀態(tài)相差比較大，但隨著時間的增加，馬爾科夫預測出的狀態(tài)逐漸趨近基于邏輯門限控制策略下的汽車運行狀態(tài).通過對圖8的觀察，采用馬爾科夫預測理論來預測汽車未來狀態(tài)的方法基本符合表1中對混合動力汽車未來狀態(tài)的劃分.

CYC_UDDS工況下3種控制策略的百公里燃油消耗量的仿真結果見表3,從表3中可以看出：馬爾科夫預測結合模糊邏輯控制策略相比邏輯門限控制策略將汽車的百公里燃油消耗減少了17.2%，相比于傳統(tǒng)模糊邏輯控制策略減少了2%.在電池消耗量相同的情況下，燃油消耗的減少說明了采用馬爾科夫預測與模糊邏輯控制相結合的控制策略的有效性和提高了汽車燃油經濟性.

為驗證所設計的控制策略能夠適用于多種工況下，又分別選擇CYC_WVUSUB，CYC_NurembergR36和CYC_MANHATTAN三種工況進行仿真，仿真結果見表3.從表3中可以看出：在這三種工況下，馬爾科夫預測結合模糊邏輯控制策略的百公里燃油消耗量都少于另外兩種控制策略，從而驗證了馬爾科夫預測結合模糊邏輯控制策略適用于多種工況.

表3三種控制策略分別在三種不同工況下的百公里燃油消耗量

Table 3The fuel consumption under the different control strategy and condition

工況百公里燃油消耗量/L馬爾科夫模糊邏輯邏輯門限SOCCYC_UDDSCYC_WVUSUBCYC_NurembergR36CYC_MANHATTAN4.85.38.19.44.95.48.39.75.86.28.910.70.630.620.650.65

5結論

運用馬爾科夫預測理論預測汽車未來一定時間段內汽車的運行的狀態(tài)，并與汽車的需求轉矩、車輛需求轉矩與發(fā)動機轉矩差和電池的SOC作為模糊邏輯控制器的輸入變量，通過制定相應的模糊邏輯控制策略，提高了汽車的燃油效率.模糊邏輯控制策略實現了發(fā)動機和電機之間轉矩合理分配，并使電池的SOC值始終保持在高充放電效率范圍內.根據仿真結果也證明了運用馬爾科夫預測理論來預測汽車未來運行狀態(tài)的可行性.

參考文獻：

[1]肖湘寧,陳征,劉念.可再生能源與電動汽車充放電設施在微電網中的集成模式與關鍵問題[J].電工技術學報,2013，28(2)：1-14.

[2]SANJAKA G W, ALI E. Classification and review of control strategies for plug-in hybrid electric vehicles [J]. IEEE Transactions on Vehicular Technology,2011,60(1):111-122.

[3]YANG Lianghui, HE Hongwen, SUN Fengchun, et al. Research of fuzzy logic control strategy for engine start/stop in dual-clutch hybrid electric vehicle[J]. Seventh International Conference on Fuzzy Systems and Knowledge Discovery,2010,6(8):912-917.

[4]肖仁鑫,李濤,鄒敢,等.基于隨機動態(tài)規(guī)劃的混聯式混合動力汽車能量管理策略[J].汽車工程,2013,35(4):317-322.

[5]舒紅,鄭軍,胡明輝,等.基于模型預測控制的混合動力汽車下坡再生制動策略[J].汽車工程,2013,35(9):775-780.

[6]GENG B, JAMESK M, SUN D. Energy management control of microturbine-powered plug-in hybrid electric vehicles using the telemetry equivalent consumption minimization strategy[J]. IEEE Transactions on Vehicular Technology,2011,60(9):4238-4248.

[7]張炳力,張平平,趙韓,等.基于離散動態(tài)規(guī)劃的PHEV燃油經濟性全局最優(yōu)控制水[J].汽車工程,2010,32(11):923-927.

[8]田毅,張欣,張昕,等.計及行駛工況影響的混合動力汽車控制策略[J].汽車工程,2010,32(8):659-663.

[9]周勇有.基于馬爾科夫預測的混合動力汽車控制策略:[D].吉林:吉林大學,2009.

[10]葉圣永,王曉茹,周曙,等.基于馬爾可夫鏈蒙特卡羅方法的電力系統(tǒng)暫態(tài)穩(wěn)定概率評估[J].電工技術學報,2012,27(6):168-174.

[11]張巖.面向混合動力汽車能量管理策略的汽車運行工況多尺度預測方法[D].吉林:吉林大學,2013.

[12]倪成群,趙強,張幽彤.插電式混合動力客車電能消耗階段控制策略的研究[J].汽車工程,2014,36(1):12-16.

[13]曾國偉，趙國軍，邢海瀟，等.基于模糊控制技術的電梯群控系統(tǒng)設計[J].浙江工業(yè)大學學報，2009,37(1):115-118.

[14]WU Jian, ZHANG Chunheng, CUI Ningxia. Fuzzy energy management strategy for a hybrid electric vehicle based on driving cycle recognition[J]. International Journal of Automotive Technology,2012,13(7):1159-1167.

(責任編輯：劉巖)

作者簡介：金燕(1964—)，女，浙江紹興人，副教授，研究方向為自動化檢測和控制、混合動力汽車控制策略等，E-mail:jya@zjut.edu.cn.

基金項目：國家自然科學基金資助項目(61273116)

收稿日期：2014-09-30