張冰戰(zhàn) 朱昊 康谷峰 李開放 朱茂飛

（1.合肥工業(yè)大學(xué)，合肥 230009；2.汽車技術(shù)與裝備國家地方聯(lián)合工程研究中心，合肥 230009；3.合肥學(xué)院，合肥 230601）

主題詞：插電式混合動力汽車 實時交通信息 車速預(yù)測 能量管理策略 模型預(yù)測控制

1 前言

插電式混合動力汽車（Plug-in Hybrid Electric Vehicle，PHEV）能量管理策略通過實現(xiàn)發(fā)動機(jī)和電機(jī)功率或轉(zhuǎn)矩的合理分配，提高整車的燃油經(jīng)濟(jì)性，同時滿足其動力需求[1]。在當(dāng)前對控制策略的研究中，基于規(guī)則的能量管理策略最常使用，但其過于依賴工程師的開發(fā)經(jīng)驗，且對工況的實時適應(yīng)性不足，無法達(dá)到經(jīng)濟(jì)性最優(yōu)[2]。基于優(yōu)化的管理策略分為全局最優(yōu)和局部最優(yōu)2 種：局部最優(yōu)策略可以實現(xiàn)瞬時的最佳經(jīng)濟(jì)性，但無法保證完整行程內(nèi)經(jīng)濟(jì)性最優(yōu)[3]；全局優(yōu)化策略需要提前確定整個行駛工況，要求比較嚴(yán)苛[4]。

近年來，學(xué)者們將研究重點從實現(xiàn)全局最優(yōu)向預(yù)測時域內(nèi)滾動優(yōu)化的預(yù)測控制策略轉(zhuǎn)變，實現(xiàn)該策略的控制效果需要對未來車速進(jìn)行準(zhǔn)確預(yù)測。楊亞聯(lián)等[5]根據(jù)工況數(shù)據(jù)建立了高階馬爾可夫車速預(yù)測模型，相比一階馬爾可夫預(yù)測模型，預(yù)測精度有所提高，但仍存在模型建立較復(fù)雜、實用性差等不足。謝浩等[6]采用遺傳算法和粒子群算法對反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行優(yōu)化，單個模型預(yù)測精度得到提高，但基于預(yù)測結(jié)果仍難以獲得理想的車速擬合結(jié)果。Baker 等[7]對未來車速進(jìn)行預(yù)測時，以歷史車速信息和經(jīng)度作為輸入，預(yù)測精度有所提高。連靜等[8]充分考慮了駕駛員對未來車速變化趨勢的影響，預(yù)測精度有所提高，并將預(yù)測模型嵌入模型預(yù)測控制策略。

本文針對動態(tài)規(guī)劃需先確定行程工況的缺點，提出一種結(jié)合實時交通數(shù)據(jù)進(jìn)行車速預(yù)測的方法，以采集到的車速信息和交通流密度信息作為輸入，選擇均方根誤差最小作為目標(biāo)，得到未來一段時間內(nèi)的車速，應(yīng)用動態(tài)規(guī)劃（Dynamic Programing，DP）方法求出階段性的最優(yōu)解并向后循環(huán)推進(jìn)，進(jìn)而使用基于模型預(yù)測控制（Model Predictive Control，MPC）的方法完成能量管理策略的搭建。

2 整車模型

2.1 車輛架構(gòu)及參數(shù)

通過對PHEV各種架構(gòu)的分析，選用插電式并聯(lián)混合動力汽車，驅(qū)動系統(tǒng)架構(gòu)如圖1所示。該驅(qū)動系統(tǒng)由發(fā)動機(jī)、電機(jī)、動力電池、轉(zhuǎn)矩耦合器、變速器、主減速器等部件組成。

2.2 關(guān)鍵動力部件模型

在ADVISOR/Simulink軟件環(huán)境下，將試驗數(shù)據(jù)融入理論建模方法，分別建立發(fā)動機(jī)、電機(jī)、電池和整車縱向動力學(xué)模型。這種建模方法在提高模型準(zhǔn)確性的同時可以簡化建模過程，為后續(xù)能量管理策略研究奠定基礎(chǔ)[9]。

2.2.1 發(fā)動機(jī)模型

本文利用試驗獲得的發(fā)動機(jī)燃油消耗率等數(shù)據(jù)建立發(fā)動機(jī)模型。發(fā)動機(jī)燃油消耗率be取決于發(fā)動機(jī)的即時扭矩和轉(zhuǎn)速：

式中，Te為發(fā)動機(jī)輸出扭矩；ne為發(fā)動機(jī)轉(zhuǎn)速。

根據(jù)三者間關(guān)系得到的發(fā)動機(jī)燃油消耗率MAP圖如圖2所示。

圖2 發(fā)動機(jī)燃油消耗率MAP圖

發(fā)動機(jī)效率為：

式中，b(Te,ne)為發(fā)動機(jī)瞬時燃油消耗率；Hu為燃油熱值。

發(fā)動機(jī)效率曲線如圖3所示。

圖3 發(fā)動機(jī)效率曲線

2.2.2 電機(jī)模型

在插電式并聯(lián)混合動力汽車中，電機(jī)不僅提供驅(qū)動力，而且在汽車下長坡、緊急制動等減速工況下可進(jìn)行能量回收。電機(jī)的充放電效率可根據(jù)電機(jī)輸入和輸出功率間的關(guān)系獲得：

式中，nm為電機(jī)轉(zhuǎn)速；Tm為電機(jī)轉(zhuǎn)矩；Im為電機(jī)內(nèi)部電流；Um為電機(jī)內(nèi)部電壓。

Tm>0 時，電機(jī)作為電動機(jī)使用，由式（3）可得電機(jī)的驅(qū)動效率，Tm<0 時，電機(jī)作為發(fā)電機(jī)使用，由式（3）可得電機(jī)的制動效率，且驅(qū)動效率和制動效率關(guān)于轉(zhuǎn)矩為0的直線對稱。電機(jī)效率曲線如圖4所示。

圖4 電機(jī)效率曲線

2.2.3 動力電池模型

本文對電池組的關(guān)注重點在于其輸入輸出特性，因此在仿真軟件中建立簡單的內(nèi)阻模型即可。其等效電路如圖5所示。

圖5 電池等效電路示意

電池荷電狀態(tài)（State of Charge，SOC）變化的傳遞公式為：

式中，ISOC,0為電池組荷電狀態(tài)初始值；C為電池容量；ηba為電池充放電效率；Iba為電池內(nèi)部電流。

2.2.4 整車縱向動力學(xué)模型

本文針對PHEV 能量管理策略的研究僅關(guān)注汽車的動力性與燃油經(jīng)濟(jì)性，不需要考慮汽車的復(fù)雜受力狀況，只考慮汽車的縱向受力情況，如圖6所示。

圖6 整車縱向受力示意

汽車的行駛動力學(xué)方程為：

式中，F(xiàn)t=Tw/r為驅(qū)動力；Fw=CDAv2/21.15 為空氣阻力；Ff=mgfcosα為滾動阻力；Fj=δm·dv/dt為加速阻力；Fi=mgsinα為坡度阻力；Tw為車輪轉(zhuǎn)矩；r為車輪滾動半徑；CD為空氣阻力系數(shù)；A為汽車迎風(fēng)面積；v為車速；m為汽車滿載質(zhì)量；g為重力加速度；f為滾動阻力系數(shù)；α為道路坡度角；δ為旋轉(zhuǎn)質(zhì)量換算系數(shù)。

可得汽車行駛過程中的車輪轉(zhuǎn)矩為：

車輪轉(zhuǎn)速為：

3 基于實時交通信息的車速預(yù)測方法

高精度的車速預(yù)測可實現(xiàn)短期預(yù)測時域內(nèi)的全局最優(yōu)控制，對制定高效的PHEV 能量管理策略至關(guān)重要[10]。由于只考慮歷史車速信息作為輸入時預(yù)測精度較低，本文在復(fù)雜道路工況基礎(chǔ)上，通過交通流建模的方式獲取車速、交通流量等實時交通信息，將歷史車速和實時交通信息結(jié)合進(jìn)行未來車速的預(yù)測[11]。

3.1 基于VISSIM的交通流建模

交通路網(wǎng)作為交通運行的必要場景，其復(fù)雜度直接影響到車輛與周圍交通環(huán)境的相對關(guān)系。本文采用VISSIM 實現(xiàn)交通流模型構(gòu)建，模擬車輛在所建立的交通環(huán)境下的行駛狀態(tài)，獲取實時交通信息，為后續(xù)車速預(yù)測提供數(shù)據(jù)來源[12]。以合肥工業(yè)大學(xué)屯溪路校區(qū)到翡翠湖校區(qū)之間的實時環(huán)境作為對象，建立城市道路交通網(wǎng)絡(luò)。

考慮到該環(huán)境下多為高架道路行駛，模型中設(shè)定行人不參與交通行為，簡化建模和數(shù)據(jù)采集的流程。道路總長約為14 km，其中包括了城市道路、高架道路、十字路口等道路元素，根據(jù)實際考察設(shè)定了車流量、期望速度、期望加速度、信號燈切換原則等，具體建模流程圖7所示。

圖7 交通流模型建立流程

考慮到行駛過程中支路車輛會向主干道行駛，根據(jù)考察結(jié)果確定主干道不同地點處的支路情況以及支路車流量信息，以此為根據(jù)設(shè)定道路車流量信息，確保模型貼合真實交通情況，最終建立的路網(wǎng)模型如圖8 所示，箭頭所包括范圍為同一類型道路。其中，城市道路存在交叉路口和道路交匯處，直線段后半部分為高架道路，弧線部分由前半部的高架道路和后半部的城市道路組成，高架道路存在多個出口，城市道路較為復(fù)雜，存在多個交叉路口，影響交通流量。

圖8 路網(wǎng)平面圖及部分三維圖

在模型中設(shè)立監(jiān)測點來采集不同時刻的車流密度、車輛平均速度和車輛平均加速度等信息。由于將車流密度定義為100 m范圍內(nèi)的車輛數(shù)量，且要考慮到車道數(shù)以及不同道路情況的影響，將車流密度進(jìn)行規(guī)則化，以-1表示道路暢通，0表示道路車流量正常，1表示道路擁堵。由于設(shè)置路況較為復(fù)雜，收集到的數(shù)據(jù)需要進(jìn)行相應(yīng)處理，得到最終交通信息數(shù)據(jù)集。根據(jù)采集到的數(shù)據(jù)以及數(shù)據(jù)處理結(jié)果，得到仿真結(jié)果如圖9、圖10所示。

圖10 交通流模型車流密度分布

3.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建模

在徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)中，在網(wǎng)絡(luò)結(jié)構(gòu)的輸入層存放輸入信號數(shù)據(jù)的節(jié)點。隱含層的節(jié)點數(shù)量根據(jù)具體需解決的問題動態(tài)改變，輸出層一般為簡單的線性函數(shù)，對輸入模式作出響應(yīng)，RBF隱含層神經(jīng)元模型如圖11所示。

圖11 RBF隱含層神經(jīng)元模型

首先確定輸入和輸出，選用當(dāng)前時刻的交通流量和車速信息、歷史車速信息作為輸入，以預(yù)測的車速作為輸出，預(yù)測復(fù)雜道路情況下的車速情況，再將交通流模型數(shù)據(jù)中70%的數(shù)據(jù)作為樣本進(jìn)行模型訓(xùn)練。最后建立RBF 神經(jīng)網(wǎng)絡(luò)模型，通過對實時交通信息樣本的學(xué)習(xí)訓(xùn)練，建立基于實時交通信息和預(yù)測車速之間的非線性映射關(guān)系，即車速預(yù)測模型：

式中，F(xiàn)net為生成的徑向基神經(jīng)網(wǎng)絡(luò)模型；Fnewrbe為構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)函數(shù)；xtrain為輸入的實時交通信息向量；ytrain為輸出的未來預(yù)測車速向量；sspr為徑向基函數(shù)的擴(kuò)展速度，缺省值為1。

RBF神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型如圖12所示。

圖12 RBF神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型示意

3.3 車速預(yù)測和結(jié)果分析

在RBF 神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型建立過程中，發(fā)現(xiàn)影響預(yù)測結(jié)果的是所選擇的交通信息時間長度和sspr，故針對這2 個影響因素對多步預(yù)測進(jìn)行研究。選定一定時間長度范圍的歷史車速和實時交通流密度，求出不同時間長度下所對應(yīng)的sspr，通過訓(xùn)練得到適應(yīng)性強(qiáng)的預(yù)測模型。其誤差和方差計算公式為：

式中，e、eRMSE分別為任意時刻預(yù)測時域和整體預(yù)測過程的均方根誤差；th、tp分別為預(yù)測模型的輸入歷史時長和預(yù)測時域時長；vi,p為i時刻下的預(yù)測車速；vi,r為i時刻下的實際車速；N為預(yù)測工況的循環(huán)長度；ej為j時刻下的預(yù)測誤差。

綜合分析車速的多步預(yù)測過程，考慮到預(yù)測時域越長，預(yù)測精度越低，經(jīng)過仿真分析，選取歷史時長為10 s，預(yù)測時域為3 s進(jìn)行仿真。為了驗證該預(yù)測方法的準(zhǔn)確性，本文對僅基于歷史車速的傳統(tǒng)車速預(yù)測方法和基于實時交通信息的車速預(yù)測方法進(jìn)行對比驗證。由于輸入的不同，sspr有所變化，根據(jù)不同的輸入，得到其最優(yōu)值進(jìn)行預(yù)測，其結(jié)果如圖13所示。

圖13 車速預(yù)測結(jié)果對比

由圖13可以看出，在未考慮車輛密度的情況下，僅依賴歷史的實際車速進(jìn)行預(yù)測，在車流密度突然變化的情況下，預(yù)測誤差較大。在第350～650 s 區(qū)間內(nèi)路段車流密度變化，導(dǎo)致車輛加減速時，結(jié)合車流密度的輸入，基于實時交通信息的車速預(yù)測方法預(yù)測更為準(zhǔn)確。為對預(yù)測結(jié)果進(jìn)行更加合理的評價，采用均方根誤差作為指標(biāo)進(jìn)行評價，結(jié)果如表1所示，由表1可以看出，相較于僅考慮歷史車速的車速預(yù)測方法，結(jié)合車流密度的實時交通信息的預(yù)測方法預(yù)測精度大幅提升，達(dá)到了13.5%。

表1 車速預(yù)測指標(biāo)

4 基于車速預(yù)測的能量管理策略

將徑向基神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型嵌入模型預(yù)測控制中，制定基于實時交通信息的模型預(yù)測控制（Model Predictive Control based on Traffic，MPCT）能量管理策略，根據(jù)得到的車速預(yù)測模型預(yù)測未來短期內(nèi)的車速信息，利用整車縱向動力學(xué)模型求解整車需求轉(zhuǎn)矩，采用動態(tài)規(guī)劃算法在一定的約束條件下求解該時域內(nèi)最優(yōu)電機(jī)轉(zhuǎn)矩序列和最優(yōu)擋位傳動比序列；把計算得到的最優(yōu)控制序列的第1個值施加給車輛，更新汽車的行駛狀態(tài)，計算出下一時刻的SOC；進(jìn)入下一時刻，再次獲取當(dāng)前實時交通信息，預(yù)測未來短期的車速信息，校正上一時刻的預(yù)測值，進(jìn)行車速預(yù)測、滾動優(yōu)化和反饋校正，直至行程終止。其求解流程如圖14所示。

圖14 基于實時交通信息的MPC能量管理策略求解流程

4.1 基于實時交通信息的MPC能量管理策略

混合動力汽車的能量管理問題是在多種約束條件下對汽車行駛過程中的功率進(jìn)行合理分配，達(dá)到燃油消耗量最小的典型多階段決策問題[13]。本文采用動態(tài)規(guī)劃方法對汽車的能量管理問題進(jìn)行優(yōu)化求解，實現(xiàn)全局最優(yōu)。選擇動力電池SOC 作為該動態(tài)規(guī)劃方法的狀態(tài)變量，第k階段的狀態(tài)變量表達(dá)式為：

式中，ISOC,k為k階段動力電池的荷電狀態(tài)。

PHEV 能量管理策略的目標(biāo)是合理分配發(fā)動機(jī)和電機(jī)的轉(zhuǎn)矩，轉(zhuǎn)矩的不同分配情況導(dǎo)致消耗的電量不同[14]。本文選取電機(jī)轉(zhuǎn)矩Tm和變速器擋位Y作為控制變量：

式中，uk為第k階段的控制變量；Tm,k為第k階段電機(jī)輸出轉(zhuǎn)矩；Yk為第k階段變速器擋位。

本文選取每一階段的燃油消耗量作為代價函數(shù)，行程中總的燃油消耗量為動態(tài)規(guī)劃的目標(biāo)函數(shù)：

式中，Qk為第k階段發(fā)動機(jī)的燃油消耗量。

在整個過程的任一階段，將控制變量作用于整車能量管理系統(tǒng)，電池SOC將會轉(zhuǎn)變?yōu)橄乱粋€階段的對應(yīng)狀態(tài)，將控制變量和狀態(tài)變量代入即可求得動態(tài)規(guī)劃方法的狀態(tài)轉(zhuǎn)移方程：

式中，Δt為系統(tǒng)在離散過程中選擇的時間的離散度。

相比較于傳統(tǒng)MPC 策略，考慮交通信息的MPC 策略的目標(biāo)在于利用交通信息改善車速預(yù)測精確度，根據(jù)可靠的未來車速信息計算整車的需求轉(zhuǎn)矩，在發(fā)動機(jī)和電機(jī)之間進(jìn)行合理功率分配，既能夠滿足行駛需求，也能讓發(fā)動機(jī)始終工作在最優(yōu)工作區(qū)域內(nèi)。首先將歷史車速和交通流密度作為車速預(yù)測模型的輸入，得到預(yù)測時域內(nèi)的車速信息，計算預(yù)測時域內(nèi)的整車需求轉(zhuǎn)矩，然后根據(jù)當(dāng)前SOC和整車需求轉(zhuǎn)矩，采用動態(tài)規(guī)劃方法求解最優(yōu)的電機(jī)轉(zhuǎn)矩和傳動比序列，以此為基礎(chǔ)更新車輛的行駛信息并計算下一時刻的SOC，最后進(jìn)入下一時刻，重復(fù)該過程，直到結(jié)束。

4.2 動態(tài)規(guī)劃方法

預(yù)測時域內(nèi)汽車的優(yōu)化控制是一個非線性有約束的全局優(yōu)化問題，選擇SOC 為狀態(tài)變量，電機(jī)輸出轉(zhuǎn)矩和變速器傳動比為控制變量，發(fā)動機(jī)燃油消耗量作為目標(biāo)函數(shù)，在預(yù)測時域[k,k+tp]內(nèi)建立優(yōu)化求解模型：

整車驅(qū)動系統(tǒng)各部件都有可行的工作范圍，出于對這些部件的保護(hù)以及部件本身參數(shù)的限制，需要為其增加一些限制條件：

式中，Tmmin、Tmmax分別為電機(jī)的最小、最大轉(zhuǎn)矩；nmmin、nmmax分別為電機(jī)的最小、最大轉(zhuǎn)速；Temin、Temax分別為發(fā)動機(jī)的最小、最大轉(zhuǎn)矩；nemin、nemax分別為發(fā)動機(jī)的最小、最大轉(zhuǎn)速；ISOC,min、ISOC,max分別為動力電池SOC的最小、最大值；nm,k為第k階段電機(jī)轉(zhuǎn)速；Te,k、ne,k分別為第k階段發(fā)動機(jī)轉(zhuǎn)矩、轉(zhuǎn)速；。

預(yù)測時域內(nèi)的狀態(tài)轉(zhuǎn)移方程為式（15）。對于模型預(yù)測控制系統(tǒng)的第k階段，在預(yù)測時域[k,k+tp]內(nèi)，以采用動態(tài)規(guī)劃算法求解電機(jī)最優(yōu)轉(zhuǎn)矩序列為例說明模型預(yù)測控制的具體求解過程[15]，如圖15所示。在預(yù)測時域內(nèi)的每一時刻遍歷求出所有狀態(tài)變量和控制變量的可行解并記錄保存，再根據(jù)初始條件求出該時域內(nèi)的最優(yōu)控制序列并施加于汽車。

圖15 預(yù)測時域內(nèi)的求解過程

4.3 仿真結(jié)果分析

為驗證本文所提出的能量管理策略的有效性，利用MALTAB/Advisor 平臺進(jìn)行仿真分析。車輛主要參數(shù)如表2所示。

表2 車輛主要參數(shù)

設(shè)定初始SOC為0.7，終止SOC為0.45，輸入的歷史交通信息時長為10 s，預(yù)測時域為3 s，仿真工況為所采集到的實際道路工況，將所設(shè)計的MPCT能量管理策略與基于電量保持-電量消耗（Charge Depletion-Charge Sustaining，CS-CD）的規(guī)則策略、基于動態(tài)規(guī)劃的優(yōu)化能量管理策略和基于MPC的能量管理策略進(jìn)行對比，4種策略的仿真結(jié)果如圖16～圖18所示。

由圖16 可以看出，實際的車速與目標(biāo)車速基本保持一致，跟隨的車速誤差值在2 km/h 范圍內(nèi)，表明所提出的能量管理策略能夠很好地實現(xiàn)整車控制功能。

由圖17可以看出：實際工況前期車輛速度較低，且伴隨著相應(yīng)的減速制動情況，基于DP和基于MPC的能量管理策略可有效實現(xiàn)制動能量回收，基于CD-CS 的策略在制動能量回收方面效果不理想；隨著工況中期處于高速路段，SOC下降速度變快，基于CD-CS策略對電量利用率不高，SOC 下降緩慢，其余3 種策略的發(fā)動機(jī)輸出轉(zhuǎn)矩很大，電機(jī)轉(zhuǎn)矩為負(fù)，處于發(fā)電機(jī)模式，為動力電池充電，電池的SOC 出現(xiàn)輕微上升，MPCT 策略的能量回收效率更高；工況后期道路情況復(fù)雜，CD-CS 策略完全依賴于發(fā)動機(jī)工作，相比于MPC 策略，MPCT 的策略更多依賴于電動機(jī)實現(xiàn)驅(qū)動；在整個實時工況中，DP算法的SOC 終值最低，相比于MPC 策略，MPCT 的策略在電量利用上有所提升，滿足動力要求的同時減少了燃油消耗量，可看出MPCT策略的優(yōu)異性。

圖17 不同策略下的SOC變化曲線

由圖18可以看出，CD-CS策略的燃油消耗量最高，且隨著道路交通復(fù)雜程度變化，其燃油消耗量增加也越多，通過曲線態(tài)勢可以看出，MPCT 策略比MPC 策略更優(yōu)異，與DP 策略相接近，前期處于高速道路時，燃油消耗量基本持平，當(dāng)進(jìn)入市區(qū)道路后，MPCT 策略的燃油消耗量曲線位于MPC策略曲線下方，可見MPCT策略在復(fù)雜道路工況下的能量分配更為優(yōu)異，對燃油的消耗更少，驗證了其有效性。

圖18 不同策略下的燃油消耗曲線

考慮混合動力汽車的特性，采用等效燃油消耗方法將電量消耗轉(zhuǎn)換為燃油消耗量，以此作為對比不同策略下的PHEV 的百公里燃油消耗量的評價指標(biāo)。本文選用燃油等效因子進(jìn)行等效燃油消耗量計算[16]，考慮工況、發(fā)動機(jī)和發(fā)電機(jī)效率等因素，選取燃油等效因子為3，即1 L燃油消耗量約對應(yīng)3 kW·h耗電量，根據(jù)SOC和電池總?cè)萘窟M(jìn)行耗電量與燃油消耗量的轉(zhuǎn)換，計算百公里燃油消耗量，如表3所示。由表3可以看出，對于道路實際工況，CD-CS 策略的百公里等效燃油消耗量最高，DP策略的百公里等效燃油消耗量最低。

表3 不同策略下的燃油消耗量對比

5 結(jié)束語

本文針對插電式混合動力汽車建立了一種基于實時交通信息的MPC 能量管理策略，首先基于VISSIM 軟件搭建了道路交通模型，采集實時道路交通信息，建立基于RBF 神經(jīng)網(wǎng)絡(luò)的車速預(yù)測模型，根據(jù)均方根誤差最小原則選取網(wǎng)絡(luò)參數(shù)，通過實時交通信息與車速數(shù)據(jù)的融合，得到更加精確的車速預(yù)測結(jié)果，與基于歷史車速信息的車速預(yù)測結(jié)果進(jìn)行對比分析，驗證了該預(yù)測模型的有效性，同時驗證本文能量管理策略的有效性，在實時道路工況下，整車燃油經(jīng)濟(jì)性相比較于MPC 策略提高了9.5%。