基于模型预测控制的混合动力汽车能量管理策略研究综述

崔高健 钟博浩

摘 要：能量管理策略是混合动力汽车（HEV）的核心部分，对提高混合动力汽车燃油经济性、安全性、环保性具有至关重要的作用。本文对混合动力汽车的典型控制策略进行了总结，并对基于模型预测控制（MPC）的混合动力汽车能量管理策略进行介绍及对比研究，最后提出基于模型预测控制的混合动力汽车能量管理策略的新探索、新尝试。关键词：混合动力汽车；能量管理；控制策略；MPC

混合动力汽车（ HEV）作为新能源汽车的一种，是国家推进的战略性新兴产业之一，日益成为汽车市场的主流竞争者。混合动力汽车兼具了传统燃油车和纯电动车二者的优点，采用至少两种车载动力源的设计模式，通过不同能源的优势互补，增加了系统控制的灵活性。同时，在保证了汽车稳定操作的环境下，实现了其动力性、安全性、舒适性的提高，并达到了节能减排的效果。由于混合动力汽车其独特的优越性因此也有着复杂的系统状态，为了提高其整体性能，对其控制策略也提出了极高的要求。能量管理策略作为混合动力汽车的核心部分，其好坏优劣直接影响着混合动力汽车的可靠性、安全性、经济型和排放性能。因此，能量管理策略一直是混合动力汽车领域研究的重要课题，世界各国的相关专家对此也有了丰富的研究。

本文首先总结国内外相关人员对混合动力汽车控制策略的研究成果，介绍与分析不同控制策略的基本方法及意义，然后提出基于 MPC控制策略的优越性及分析不同参考模型的独特之处，总结基于 MPC的混合动力汽车能量控制策略的优势与不足，并对未来混合动力汽车能量管理策略的研究方向与发展思路提出展望。

1 混合动力汽车典型的能量管理策略

为了实现混合动力汽车的发动机在最佳效率区和排放区工作，同时综合考虑电池、电传动系统、发动机和发电机的总体效率，国内外专家做了不同控制策略的探索，总结起来，目前国内外对于混合动力汽车的控制策略主要分为以下几类：

1.1 基于规则的控制策略

基于规则的控制策略是一种稳态的控制策略，主要包括逻辑门限值控制策略及逻辑模糊控制策略。逻辑门限值控制策略的基本方法是保持发动机工作在高效率区间，一旦超过这个区间，发动机停止工作，由电动机提供动力。这种策略算法简单，容易实现，具有很好的鲁棒性；模糊逻辑控制策略与逻辑门限值控制策略的原理基本相同，其区别主要在各种门限值的表达方式，模糊化之后的门限值能更好的表达各种控制模式之间的过渡区，近年来被越来越多的运用于 HEV的控制领域。

1.2 基于优化的控制策略

基于优化的控制策略包括应用全局优化算法和运用实时优化算法的两种控制策略。运用全局优化算法的控制策略通常是在某一确定循环行驶工况下，通过采用各种优化算法如动态规划、遗传算法等优化 HEV控制规律以提高燃油经济性和减少排放，同时采用性能加权法精简最优化目标个数，寻找最优的优化方法；实时优化算法仅仅关注当前时刻的最优值，使得汽车在任意时间点的能量损失最小。这种优化方法的好处是求解过程相对简单，计算速度快，可以在线运行，实现对混合动力汽车在特定工况下动力系统优化的目标，可以得到定时最优工作点。

1.3 基于行驶工况预测的控制策略

车辆行驶工况是 HEV制定控制策略的前提条件，目前对于车辆行驶工况的预测方法有两种：一是根据历史行车工况进行预测，二是通过GPS等定位系统获得未来行车路况。电池电量根据路况的预测进行调节，在不同的行驶路况上对何时采用电动机驱动车辆或发动机提供动力作出选择。

2 基于 MPC的混合动力汽车能量管理控制策略

模型预测控制（model predictive control， MPC）是近年来被广泛讨论的一种反馈控制策略。模型预测控制的机理可以简单的描述为：在每一采样时刻，根据当前测量信息，在线求解一个有限时域开环优化问题，并将所得控制序列的第一元素作用于被控对象，然后在下一个采取样本的时刻重复此过程，将新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制和传统控制方法的主要区别。针对当前多数依靠经验的传统控制策略而言，模型预测控制策略采用瞬时优化，结合其滚动优化和反馈矫正的特点，更好的弥补了单纯依靠经验及离线求解所带来的误差，很好的解决了由于驾驶员行驶车辆时的不确定性对控制策略的影响。

结合模型预测理论近年来在工业生产中取得的成就和经验，一大批学者开始将这一理论结合到混合动力汽车控制策略中。模型预测控制策略可以看作是一个约束非线性动态优化问题， MPC控制器计算未来的控制序列和最小化的性能指标，反映了优化目标方程的系统和动态模型的约束。学者 Hoseinali Borhan，Ardalan Vahidi首先提出基于两种形式的成本函数所开发的两个 MPC方法，一是基于模型预测基本原理、约束控制及估值原理将非线性模型线性化的 LTV-MPC控制策略。LTV-MPC控制方法是非线性预测模型在每个样品单次当前操作条件下被线性化，通过线性化模型制定线性 MPC问题，在每个采样时间下，进而通过线性模型得到控制输入；二是建立了非线性 MPC控制策略，定义了不同成本函数的最小化问题。由于在真实的应用环境中，驾驶员通常不能提前确知驾驶的环境状况及时间范围，因此模型的参数和约束条件就可能会各有差异。为了解决这些问题，采用贝尔曼最优性原理将上述最优控制问题转化为一个集成阶段性成本和一个近似最小燃料成本的预测地平线驱动周期，进而通过动力系统仿真分析工具箱（ PAST）软件默认算法对比得出结论：在城市工况和高速公路工况下， LTV-MPC控制策略与非线性 MPC控制策略的适用性均有提高，且非线性 MPC性能提高更加明显。

模型预测控制的核心之一是对汽车未来行驶状态的预测，如何建造参考模型是关键，近年来学者们分别用广义指数变化、马尔可夫链模型、贝尔曼最优性原理、神经网络、卡尔曼滤波原理等方法建立了参考模型。学者孟凡博，黄开胜利用对加速踏板位置的预测，将加速踏板未来状态视为一种概率分布，建立随机马尔可夫模型，来反映混合动力车辆未来整车转矩的需求。采用动态规划的策略对有限预测时域内的目标函数进行最小值求解，得出最优的发动机转矩和电机转矩。由于考虑到加速踏板未来状态的概率分布，基于马尔可夫链的随机预测模型能够更准确地预测未来汽车的动力需求，对比基于规则的控制策略，能够显著地提高车辆的燃油经济性，燃油消耗节省 13%这说明基于马尔可夫链的随机预测模型在 MPC中具有较好的应用前景，值得进一步分析研究。

学者 Chao Sun，Scott J.Moura提出了一种以提高功率分流混合电动汽车的燃油经济性为目标的在非线性 MPC框架。将神经网络和其他两种速度预测方法（广义指数变化和马尔可夫链模型）进行了对比。神经网络可模拟出一个高度近似非线性的输入输出关系，这个数据集覆盖了一组相对全面的驾驶场景，包括城市和高速公路的日程，且不需要遥测或车载传感器信息。 Chao Sun， Scott J. Moura还进行了相对性研究，以避免绝对性而导致的误差，任意设定的 85%的数据用于训练，其余的用于验证。结果得出与广义指数变化和马尔可夫链模型方法对比中，结合神经网络的模型预测控制无论是从平均值还是标准偏差都能实现最少的燃料消耗。

学者丁峰，马文杰根据卡尔曼滤波原理制定了基于模型预测控制的能量管理策略。该策略主要采用双层控制器，上层控制器基于模型预测控制计算出发动机最优转速转矩，下层控制器基于规则控制分配功率需求于各部件。以发动机的燃油消耗率和 SOC（State of Charge，荷电状态）的理想参考值作为优化目标。运用卡尔曼滤波原理观测系统状态变量 SOC当前时刻的状态，观测模型在原有的被控对象模型基础上，在输出端加上噪声模型，同时给整个系统一干扰模型。最后，以典型城市工况 UDDS 为例进行仿真测试。基于模型预测控制的控制器其 SOC 在参考值0.65 附近波动，得到 100 km 油耗为 3.3L，比 Advisor 中规则控制下的 100 km 油耗 3.6L下降了 8.3%。

3 回顾与展望

通过近年来的研究， MPC控制策略能够极好的改善混合动力汽车的可靠性、安全性、经济型和排放性能，在与传统控制策略的对比中优势明显。但由于 HEV状态的多变性，预测模型的精准性是 MPC控制策略的关键，所以需要我们建立更为精准的车辆预测模型，与智能交通系统相结合，利用先进的传感器、 GPS、智能交通系统，使车辆的预测与实际工况更紧密地联系在一起。同时大多数依靠经验或实验所得的加权因子、控制时域及预测时域的值也对整个策略起到关键的影响，可以进一步对其进行优化分析或引入工况识别的方法得到最适合当前状态的值。

参考文献：

[1] Niels J Schouten. Fuzzy Logic Control for Parallel Hybrid Vehicles [J].IEEE Transactions on Control SystemsTech2nology，2002，10（3）：66-68.

[2]Stephane Rimaux，Michel Delhom， Emmanuel Combes.Hybrid vehicle powertrain： modeling and control[C]//EVS-16.[S.l.]：[S.n.]，2002.

[3]彭栋，殷承良 .混合动力汽车控制制动力矩阵动态分配控制策略研究 [J].系统仿真学报，2007，19（22）：5254-5259.

[4]陈虹 .模型预测控制 [M].科学出版社， 2013.

[5 Hoseinali Borhan， Ardalan Vahidi . MPC-Based Energy Management of a Power-Split Hybrid Electric Vehicle. IEEE Transactions onControl Systems Technology，2012，20（3）.

[6]孟凡博，黄开胜 .基于马尔可夫链的混合动力汽车模型预测控制 .中国机械工程，2014，10（1）.

[7] Chao Sun， Scott J. Moura. Comparison of Velocity Forecasting Strategies for Predictive in HEVS.

[8]丁峰，马文杰 .基于模型预测控制的混联式混合动力车辆能量管理策略.北京汽车， 2015.