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)大學機械工程學院，安徽馬鞍山243032；2.安徽工業(yè)經(jīng)濟職業(yè)技術學院，安徽合肥230000；3.國網(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短時間內(nèi)難以突破，使得混合動力汽車(hybrid electric vehicle，HEV)的研究價值日益凸顯[1]。HEV是在傳統(tǒng)汽車的基礎上配備電動機/電池驅(qū)動系統(tǒng)的一種新能源汽車，存在兩個或以上的動力源，不同動力源之間的能量分配直接影響整車的燃油經(jīng)濟性、動力性、駕駛舒適性等。因此，能量控制策略是HEV的核心技術。HEV能量控制策略的主要目標是滿足駕駛員對動力性的需求，維持蓄電池充電、優(yōu)化傳動系效率、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(動態(tài)規(guī)劃(dynamic programming，DP)、隨機動態(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)及模型預測控制(model predictive control，MPC))。近年來，隨著人工智能、大數(shù)據(jù)和云計算的興起，基于智能控制策略成為當前學者研究的熱點，如基于神經(jīng)網(wǎng)絡、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，在對比分析HEV能量控制策略的基礎上展望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、人類專業(yè)知識、工程經(jīng)驗、數(shù)學模型制定的，通常沒有預先定義駕駛循環(huán)的先驗知識，主要思想是負載均衡[3]。基于規(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)動機的MAP圖，將發(fā)動機的工作區(qū)分高負荷區(qū)、中負荷區(qū)和低負荷區(qū)三部分，利用電機/電池協(xié)調(diào)輸出優(yōu)化發(fā)動機工作特性。根據(jù)道路負載、駕駛員油門踏板信號、制動踏板信號、電池荷電狀態(tài)(state of charge，SOC)、車速等判斷當前行駛環(huán)境下所需功率對應的發(fā)動機負荷區(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/關)式控制策略簡單且易實現(xiàn)，但其僅適用于串聯(lián)混合動力汽車。恒溫器模式下動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值始終在一個穩(wěn)定區(qū)間，可有效避免蓄電池的工作循環(huán)[6]，延長電池壽命，實現(xiàn)了發(fā)動機動力的合理分配[7]，但降低了部分發(fā)動機的效率和排放性能。

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

1.2 基于模糊規(guī)則的能量控制策略

HEV傳動系統(tǒng)是一個多領域、非線性和時變的對象，基于模糊規(guī)則的能量控制策略通過構建模糊邏輯控制器[8-11]來實現(xiàn)實時次優(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控制。

模糊邏輯控制策略通過模糊規(guī)則推理機制使其具較強的魯棒性和適應性[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)動機工作點、電機效率和電池組荷電狀態(tài)平衡，仿真驗證了該策略可改善車輛的經(jīng)濟性和工況的適應性。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)濟性為目標，用改進型粒子群優(yōu)化算法優(yōu)化發(fā)動機聯(lián)合工作曲線與發(fā)動機關閉曲線系數(shù)，仿真結果表明，相比于傳統(tǒng)混合動力汽車，其燃油經(jīng)濟性提高了3.4%。模糊自適應控制策略結合自適應控制和模糊控制，可形成具自適應功能的模糊控制。白中浩等[15]采用自適應模糊控制策略對動力系統(tǒng)進行能量分配，仿真結果表明，該策略具較強的魯棒性，可使電機、發(fā)動機、蓄電池等動力設備處于最佳工作狀態(tài)。文獻[16-17]中以駕駛習慣、行駛工況和道路擁堵狀況作為模糊邏輯控制器的輸入量，設計模糊規(guī)則，對電機和發(fā)動機的轉矩進行最佳分配，提高整車的燃油經(jīng)濟性。

基于模糊規(guī)則的能量控制策略不需建立精確的數(shù)學模型，具較強的魯棒性和適當?shù)娜祟愅评砟芰?，基于嵌入式系統(tǒng)能夠得到在線應用。但模糊規(guī)則主要依靠工程經(jīng)驗來制定，無法實現(xiàn)全局最優(yōu)，為達到更好的控制效果，需利用優(yōu)化算法對HEV能量控制策略進一步優(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油耗與排放的最優(yōu)控制實現(xiàn)HEV的最佳性能。將優(yōu)化算法與能量控制相結合，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，通過結合不同的約束條件和優(yōu)化目標定義成本函數(shù)，利用優(yōu)化算法對成本函數(shù)求最小解?；趦?yōu)化的能量控制策略是當前理論研究的主體，分為全局優(yōu)化和瞬時優(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，通過多個約束條件和優(yōu)化目標構造成本函數(shù)，動態(tài)協(xié)調(diào)發(fā)動機和電動機的轉矩分配，達到全局最佳運行點。全局優(yōu)化控制由于其預覽性質(zhì)和計算復雜性而不能實車應用，但其是分析、評估和調(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)化多階段決策過程，是解決HEV動力最優(yōu)分配問題的全局優(yōu)化方法。其將復雜問題轉化為多級、單步優(yōu)化問題，在獲得全局最優(yōu)解的同時，易處理問題的約束和非線性。DP是公認節(jié)油率最高的HEV 能量控制方法，因此常被作為評價其他策略優(yōu)劣性的標準。然而，DP 存在“維數(shù)災”且計算復雜。Kum等[18]利用DP獲得油耗最小能量分配和換擋規(guī)律來改進邏輯門限控制策略，與原始能量控制策略相比，油耗顯著下降。Gissing等[19]考慮發(fā)動機起停及頻繁換檔對駕駛舒適性的影響，提出了修正目標函數(shù)的DP策略,仿真結果取得良好的控制效果。

為彌補工況無法完全已知的不足，Moura 等[20]提出采用SDP 來解決能量控制問題，Wegmann 等[21]通過SDP 提出了一種適用于系統(tǒng)實時控制的因果控制器，由此尋找最優(yōu)解，以便在無限范圍內(nèi)最小化預期總成本。GA是一種啟發(fā)式算法，具全局優(yōu)化的特點，對非線性強的最優(yōu)化問題具很好的適應性[22]。Yu等[23]針對插電式串聯(lián)HEV，采用GA同時優(yōu)化其動力系統(tǒng)部件參數(shù)及控制策略參數(shù)，仿真結果表明，相比于未優(yōu)化效果，在保證動力性的前提下整車燃油經(jīng)濟性提高了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)化過程以及對種群個體和代數(shù)的要求，計算量大，易出現(xiàn)早熟陷入局部最優(yōu)。

CP將復雜的非線性問題轉化為半定問題，在保證優(yōu)化結果有效性的同時極大減少運算時間，提高算法的實時性。Murgovski等[24]將發(fā)動機起動控制問題引入PHEV能量控制中，并將其合理簡化為凸優(yōu)化問題，采用CP方法實現(xiàn)電池大小、能量控制及發(fā)動機起停的綜合優(yōu)化，在較短計算時間內(nèi)實現(xiàn)近似全局優(yōu)化。

可見，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，算法計算量大，對硬件的要求較高，實時性差。因此，無法將其直接應用于實車在線控制系統(tǒng)，但可作為評估其他控制策略優(yōu)劣性的參考標準，對瞬時優(yōu)化控制策略發(fā)展提供部分指導和借鑒意義。

2.2 瞬時優(yōu)化能量控制策略

為克服全局優(yōu)化算法需預知整個循環(huán)工況的不足，提出瞬時優(yōu)化能量控制策略。瞬時優(yōu)化能量控制策略的關鍵是構造瞬時優(yōu)化中使用的成本函數(shù)并建立當前時刻能量消耗模型。瞬時優(yōu)化基于發(fā)動機與電機/電池組的工作特性，利用每個時間步長內(nèi)整車總能量或功率損耗最小原理對發(fā)動機與電機/電池組的功率或轉矩進行合理分配，從而實現(xiàn)動力總成的瞬時能量分配[25]。該策略除考慮油耗外，還應保證電力的自我維持。瞬時優(yōu)化能量控制策略計算量小、實時性高，能實現(xiàn)每一時間步長內(nèi)的最優(yōu)控制，但無法保證全局最優(yōu)。典型的瞬時優(yōu)化方法有PMP，ECMS和MPC。

PMP[26-28]是一種瞬時優(yōu)化算法，通過求取每個時刻哈密頓函數(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)控制問題，同時給出優(yōu)化問題取得最優(yōu)解的必要條件，其能夠?qū)κ芗s束的控制變量和目標函數(shù)泛函求極值。相對DP，PMP算法在滿足全局最優(yōu)的同時計算量更小，具實時應用的潛力，控制性能接近全局最優(yōu)。但其在沒有先驗工況信息的前提下，無法獲得最優(yōu)協(xié)同狀態(tài)，難以實現(xiàn)實時應用[29]。Xu等[30]采用PMP控制方法來降低插電式HEV的運行成本，且與DP，PMP等進行仿真比較分析，結果表明PMP具實時控制的優(yōu)越性。秦大同等[31]提出近似極小值原理的實時控制策略，并將該策略和基于PMP控制進行對比，結果表明，該策略優(yōu)化效果接近PMP，計算時間短于PMP。

ECMS通過引入等效因子等效處理電耗與油耗，將電池消耗與發(fā)動機發(fā)電損耗轉化為等效的發(fā)動機油耗，建立每一瞬時的總燃油消耗模型，通過加權因子對油耗、排放等進行多目標優(yōu)化求解，且不用考慮電池SOC動態(tài)變化；再基于PMP進行推導分析，選取合適的等效系數(shù)，獲得近似全局最優(yōu)解，在提高實時性的同時對整車性能進行折中優(yōu)化。該策略的實時性強，與動態(tài)規(guī)劃相比，在滿足全局最優(yōu)的同時計算量更小[32]。

MPC具預測模型、參考軌跡、滾動優(yōu)化和反饋校正4個特征[33]：以不同預測模型為基礎，采用滾動優(yōu)化原則，具良好的實時性；基于參考軌跡增強其魯棒性；通過反饋校正，提高系統(tǒng)抗干擾能力和控制精度，從而提升工況適應性和整車經(jīng)濟性。MPC的控制過程主要包括三個階段：在有限時域內(nèi)計算預測控制序列；將控制序列的第一個元素施加于被控對象；修正輸出。但MPC策略實時在線滾動優(yōu)化，運算量較大。針對這一問題，Beck等[34]將PMP引入到MPC的求解優(yōu)化過程中，有效降低了MPC的運算復雜度。

綜上，瞬時優(yōu)化控制策略克服了全局優(yōu)化計算復雜性和預知工況的約束，提高了HEV能量控制的實時性。基于PMP的能量控制策略能獲得近似全局最優(yōu)，與DP相比，其計算量小、實時性高，但需知先驗工況信息?；贓CMS的能量控制策略不需預先知道先驗工況信息，也不用考慮電池SOC值的動態(tài)變化，在提高實時性的同時對整車性能進行折中優(yōu)化，但等效因子的選取直接影響優(yōu)化控制效果。基于MPC的能量控制策略利用內(nèi)部預測模型在線識別車輛當前狀態(tài)參數(shù)，通過滾動優(yōu)化預測周期內(nèi)的局部優(yōu)化模型獲得最優(yōu)控制解，具良好的實時性。但預測時長的選取會影響控制結果的最優(yōu)性和計算量大小，魯棒性不強。

3 智能控制策略

智能控制策略是一種適用于比較復雜系統(tǒng)的控制策略，具自適應、自學習及自組織等優(yōu)點，主要用于求解非線性和不確定性較強的復雜控制問題，主要包括基于神經(jīng)網(wǎng)絡控制、基于ITS和MA控制等。

3.1 基于神經(jīng)網(wǎng)絡控制策略

基于神經(jīng)網(wǎng)絡控制策略對難以精確控制的非線性動態(tài)問題具超強的處理能力，不需了解預測問題的內(nèi)部機理，只需大量樣本集的輸入輸出，通過神經(jīng)網(wǎng)絡訓練就能歸納整理出足夠數(shù)量的隱含層神經(jīng)元節(jié)點，建立能夠模擬任意一復雜非線性映射問題的映射模型。基于神經(jīng)網(wǎng)絡控制策略在結構上一般分為輸入層、隱含層和輸出層，具很強的自適應性、魯棒性和容錯能力。

基于神經(jīng)網(wǎng)絡控制策略能有效克服動態(tài)規(guī)劃算法運算速度慢等缺點，并能達到與其相近的運算效果[35]。席利賀等[36]將DP與誤差反向傳播(error back propagation，EBP)神經(jīng)網(wǎng)絡算法相結合，得到具有實時控制效果的神經(jīng)網(wǎng)絡控制模型，仿真結果表明，這種策略可大大降低總能量消耗，縮短充電時間，能有效改善傳統(tǒng)控制策略計算復雜和實時性差的不足。為改善神經(jīng)網(wǎng)絡控制的全局性能，提高自適應性，陳可亮[37]提出模糊BP神經(jīng)網(wǎng)絡控制策略，與基于規(guī)則控制策略相比，模糊BP神經(jīng)網(wǎng)絡控制策略不僅降低了油耗和排放，還縮短了響應時間，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)絡的短期車速預測器，以特定工況數(shù)據(jù)為學習樣本，可模擬出一個近似高度非線性的輸入輸出關系，預測更加迅速準確，能量分配更加及時合理，利于提高整車燃油經(jīng)濟性。丁峰等[40]通過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)絡預測車速，仿真結果驗證了所提車速預測方法的準確性和有效性。

神經(jīng)網(wǎng)絡算法控制策略因其強大的信息處理能力、自組織與自學習功能，故能夠?qū)碗s非線性對象進行建模、計算、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)絡訓練樣本，以構建神經(jīng)網(wǎng)絡隱含層。

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”專刊[41]及2011年Science出版“Dealing with Data”?？痆42]以來，智能化交通管控、車輛運行系統(tǒng)狀態(tài)監(jiān)控與安全預警等核心關鍵技術取得了實質(zhì)性進展[43]，對ITS 的研究具重大意義[44]。ITS綜合考慮人、車、路[45]，將先進的信息技術、數(shù)據(jù)通信傳輸技術、電子傳感技術、控制技術及計算機技術等有效集成，建立一種大范圍、全方位發(fā)揮作用的、實時準確高效的綜合交通運輸管理系統(tǒng)[43]?；贗TS提出了自適應巡航控制(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題和燃油經(jīng)濟性問題。ACC一般采用分層控制結構，由上層控制器和下層控制器組成。上層控制器主要通過ACC環(huán)境感知技術(雷達、導航和圖像技術)獲得當前車輛狀態(tài)和本車與前車行駛狀態(tài)(相對距離、相對速度、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，通過能量優(yōu)化控制策略對發(fā)動機/電機驅(qū)動或制動進行協(xié)調(diào)控制，自動調(diào)節(jié)節(jié)氣門和制動系統(tǒng)，提高駕駛舒適性和安全性。

融合交通數(shù)據(jù)的MPC由ITS獲得實時交通信息，對當前車速進行準確預測，在獲得能量最優(yōu)控制的同時，有效避免交通擁堵和突發(fā)情況造成的能量浪費，提高駕駛安全性和燃油經(jīng)濟性。余開江等[46]提出考慮交通信號燈的預測控制策略；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間和燃油消耗，結果證明所提方法可顯著提升車輛的燃油經(jīng)濟性。Sun等[48]提出融合交通數(shù)據(jù)的能量預測控制框架，通過當前信息對電池SOC進行全局規(guī)劃，結果表明該方法可獲得與DP近似的燃油經(jīng)濟性；Yu等[49]利用ITS接收交通信號信息，應用MPC計算車輛最佳控制輸入，結果表明，與典型駕駛員模型相比，提出的方法有效改善了燃油經(jīng)濟性。

IOV技術是汽車技術與互聯(lián)網(wǎng)技術的高度融合[50],通過集成多種通信技術將車輛內(nèi)部各部件與外部世界連接成網(wǎng)絡，形成融合車內(nèi)網(wǎng)、車際網(wǎng)、車載移動互聯(lián)網(wǎng)的一體化網(wǎng)絡[51],實現(xiàn)車與X(車、路、人、云等)智能信息交換、共享。IOV 技術具備復雜環(huán)境感知、智能決策、協(xié)同控制等功能，可實現(xiàn)安全、高效、舒適、節(jié)能行駛[52]，是實現(xiàn)智能交通的重要途徑，也是未來智慧城市的重要環(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測(fast model predictive control，F(xiàn)MPC)算法求取最優(yōu)目標車速；下層控制器利用威蘭斯線ECMS進行能量控制，進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)速度預測。由此，Homchaudhuri等[55]基于IOV技術，提出采用網(wǎng)聯(lián)環(huán)境下多車經(jīng)濟性駕駛決策方法，實現(xiàn)混合動力車隊的最優(yōu)能量控制，提高總體燃油經(jīng)濟性。

上述分析表明：ITS 較大推進了HEV 控制策略的研究，其可進行車與車、車與環(huán)境之間信息的交流、共享，實現(xiàn)多車經(jīng)濟性駕駛決策，大大提高了車輛燃油經(jīng)濟性和安全性；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、交通信號和坡道信息，可準確預測車速，更加合理地分配能量，提高整車燃油經(jīng)濟性；IOV技術實現(xiàn)車輛與外部環(huán)境之間的信息交換，其跨行業(yè)、跨領域問題突出，是一個復雜的系統(tǒng)工程。我國在IOV 高端核心技術方面缺失，經(jīng)驗積累不足，目前IOV 技術的實現(xiàn)較為困難，仍需進一步探索[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)境并做出相應決策，且能與其他智能體進行交互、協(xié)調(diào)、協(xié)作。MAS 是一個基于軟件或硬件的計算機系統(tǒng)，具自治性、社會性、能動性、反應性等特征。其最大的特點是分布式自主決策和交互協(xié)作，兼具處理復雜環(huán)境的能力，效率高及動態(tài)性和可控性好。采用多智能體(multi-agent，MA)技術對復雜系統(tǒng)進行協(xié)調(diào)控制具較強的魯棒性和實時性，研究證明MA思想符合HEV能量管理優(yōu)化控制的特點和要求[58]。當賦予每一個Agent獨立的能量控制子策略(即獨立的知識、協(xié)調(diào)機制和目標)，并通過各Agent 之間交互、協(xié)調(diào)與協(xié)作，便能完成復雜系統(tǒng)的問題求解和控制。

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

圖1 HEV 動力總成MAS 體系結構Fig.1 MAS architecture of HEV powertrain

以并聯(lián)式混合動力汽車為原型，文獻[59]中提出一種多能源動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)作能力解決車輛對復雜路況的自適應問題，仿真結果表明，在UDC(urban driving cycle)循環(huán)工況下，與電輔助策略相比，發(fā)動機燃油消耗率變化更平穩(wěn)，峰值降幅為38.9%，說明發(fā)動機工作在高效區(qū)域，該控制策略正確有效。為提高HEV 整車性能，文獻[60]中結合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)工況下的仿真結果表明，MAS集成控制策略下的發(fā)動機與電動機工作效率均比電輔助控制策略下的高，燃油經(jīng)濟性和排放性均比電輔助控制策略下的好。

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

4 結論與展望

基于規(guī)則的能量控制策略最早用于實車，不需考慮優(yōu)化問題，根據(jù)現(xiàn)有規(guī)則的控制效果、工程經(jīng)驗、專業(yè)知識不斷完善改進規(guī)則，可進一步改善控制效果；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進一步簡化問題改進優(yōu)化算法，減少計算量，可保證較高的控制精度和較好的實車應用能力，能量控制效果較好，但部分策略距實車應用還有一定差距；基于智能控制策略是利用人工智能、控制學等領域前沿知識，能量控制實時性和魯棒性較高。在比較分析不同類型HEV控制策略的基礎上，對HEV控制策略的研究與發(fā)展提出如下幾點建議：

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，可將不同能量控制優(yōu)化算法與MAS技術融合，形成不同HEV多智能體集成能量控制策略，通過分析不同測試工況下整車動力性、排放性、燃油經(jīng)濟性，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)動機的MAP圖控制其負荷區(qū)；基于優(yōu)化的能量控制策略，主要是動態(tài)協(xié)調(diào)優(yōu)化發(fā)動機和電動機的轉矩分配；基于智能控制策略，主要是利用智能控制算法強大的信息處理能力增強能量控制的實時性和魯棒性，但對底層傳動系統(tǒng)，如發(fā)動機、電機、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，底層傳動系統(tǒng)瞬態(tài)響應過程對動力性和排放性影響較大[61-62]。因此，滿足車輛上層傳動系統(tǒng)最優(yōu)的同時實現(xiàn)車輛底層傳動系統(tǒng)瞬態(tài)響應過程的均衡優(yōu)化是一個值得研究的方向。

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可實現(xiàn)能量的全局最優(yōu)分配，但難以在線應用；基于智能控制的神經(jīng)網(wǎng)絡處理信息能力強大、實時性高，但優(yōu)化性能受訓練樣本的影響。將不同優(yōu)化控制算法相互協(xié)同、融合，取長補短，實現(xiàn)復合控制，以提高系統(tǒng)綜合性能是研究的一個趨勢，如將神經(jīng)網(wǎng)絡算法與DP相融合，在提高實時性的同時，可達到近似全局最優(yōu)的控制效果。

4)隨著智能交通技術的快速發(fā)展，突破對單一車輛能量控制的局限，如ACC[47]、IOV[54-55]等多車經(jīng)濟性智能駕駛技術得以實現(xiàn)。目前多車經(jīng)濟性智能駕駛控制還處于初級階段，對如何改進其控制效果、優(yōu)化控制方法仍需進一步研究。另一方面，在智能交通系統(tǒng)下，建立啟停、制動、加速、勻速等多工況預測模型[63]，考慮HEV動力性、燃油經(jīng)濟性、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)、動力混合度(電機與發(fā)動機的規(guī)格、提供的功率比)、電池壽命對充放電的影響，實現(xiàn)多目標多工況預測控制的優(yōu)化協(xié)調(diào)是未來汽車控制的一個關鍵技術，仍需進一步研究。