前幾期我們介紹了能量管理控制策略的目的、插電式混合動力汽車的CD/CS和Blended策略、基于規(guī)則和基于優(yōu)化的能量管理控制策略，對能量管理控制策略有了一個初步的認(rèn)識。在此基礎(chǔ)上，有大量的優(yōu)化算法應(yīng)用于能量管理策略優(yōu)化，由于在實際應(yīng)用中存在算法的復(fù)雜性、計算量過大、穩(wěn)定性、對工況信息和特征的敏感性等問題，因此尚處于仿真研究階段。本期我們列舉目前運行較多的11種算法，并針對前5種進(jìn)行介紹，下一期我們將對后6種進(jìn)行介紹。

基于優(yōu)化算法的能量管理控制策略概述

優(yōu)化算法可分為全局優(yōu)化和實時優(yōu)化，受算法本身的限制以及采樣時間、模型精度、參數(shù)定義等因素的影響，目前這種區(qū)分尚不明顯。目前主要的優(yōu)化算法包括下列11種，本期介紹前5種，下期介紹后6種：

1、動態(tài)規(guī)劃（Dynamic Programming，DP）

2、等效燃油消耗最小策略（Equivalent Consumption Minimization Strategy，ECMS）

3、模型預(yù)測控制（Model Predictive Control，MPC）

4、神經(jīng)網(wǎng)絡(luò)算法（NeuralNetworks，NN）

滑?？刂疲⊿liding ModeControl，SMC）

5、滑模控制（Sliding ModeControl，SMC）

6、無導(dǎo)數(shù)優(yōu)化算法——模擬退火（Simulated Annealing，SA）

7、無導(dǎo)數(shù)優(yōu)化算法——遺傳算法（Genetic Algorithm，GA）

8、無導(dǎo)數(shù)優(yōu)化算法——粒子群算法（Particle Swarm Optimization，PSO）

9、無導(dǎo)數(shù)優(yōu)化算法——DIRECT算法

10、博弈論（Game Theory，GT）

11、凸規(guī)劃（Convex Programming，CP）和相關(guān)算法的簡化算法

動態(tài)規(guī)劃

動態(tài)規(guī)劃是一種全局最優(yōu)的控制方法，考慮控制決策當(dāng)前和未來的成本，使不期望的結(jié)果最小化的最優(yōu)方案。與列舉法不一樣，動態(tài)規(guī)劃計算優(yōu)勢在于將問題分解為更容易解決、計算負(fù)荷更小的子問題，通過最優(yōu)原則保證子問題最優(yōu)，通過最優(yōu)組合來研究可能解，減少了搜索空間和計算時間。動態(tài)規(guī)劃適用于非線性約束動態(tài)過程和整數(shù)問題等多個領(lǐng)域，可以管理狀態(tài)和輸入的多個復(fù)雜約束。但其計算負(fù)荷隨著狀態(tài)和控制變量的增加呈指數(shù)增長。

       圖1逆向動態(tài)規(guī)劃算法量化和插值

動態(tài)規(guī)劃在求解之前假設(shè)可以獲得問題不確定性的完整信息，然后進(jìn)行逆向優(yōu)化計算。該機(jī)制嚴(yán)重阻礙了動態(tài)規(guī)劃在汽車控制的實時應(yīng)用，因為駕駛循環(huán)信息通常是部分已知、變化較大、容易受到強(qiáng)烈的干擾。因此動態(tài)規(guī)劃目前廣泛應(yīng)用于離線分析中，用以對備選的能量管理策略進(jìn)行基準(zhǔn)測試、啟發(fā)基于規(guī)則策略設(shè)計、調(diào)整控制參數(shù)、作為機(jī)器學(xué)習(xí)算法的訓(xùn)練數(shù)據(jù)等。

等效燃油消耗最小策略

等效燃油消耗最小策略通過計算實際燃料消耗的等效燃料系數(shù)，包括電池充電所消耗的燃料、再生制動回收能量節(jié)省的燃料，即從發(fā)動機(jī)充電模式開始電池中累積的電量不是“免費”。該算法的特點是在一個目標(biāo)函數(shù)中同時包含燃料和電量消耗，即在時間段內(nèi)等效燃料流量累計最小，每個時刻的等效燃料流量是發(fā)動機(jī)的實際燃料流量和電機(jī)使用的等效燃料流量之和。

在應(yīng)用方面：對于能量維持型混合動力汽車，主要利用等效系數(shù)來防止電池突然耗盡。對于插電式混合動力汽車，主要應(yīng)用于優(yōu)化Blended-type型PHEV的電量消耗階段發(fā)動機(jī)和電池兩個能量源的能量分配。

通過簡化處理，該種算法在計算上比動態(tài)規(guī)劃更高效，并且非常適合潛在的在線應(yīng)用，這些應(yīng)用可以通過適當(dāng)調(diào)整等價因子生成近似全局最優(yōu)解的控制器。

模型預(yù)測控制

出行信息對能量管理至關(guān)重要，模型預(yù)測控制提供了一種預(yù)測方案，將未來的駕駛循環(huán)信息納入不同的能量管理策略中。其操作主要包括四個步驟：

（1）根據(jù)所記錄的歷史數(shù)據(jù)和系統(tǒng)模型，在長度為N的固定范圍上進(jìn)行預(yù)測；

（2）基于先前的預(yù)測計算從t到t+N的控制策略；

（3）應(yīng)用計算得到的當(dāng)前時刻t的控制策略，丟棄其余的策略；

（4）在t時刻用實際測量值進(jìn)行更新，并返回步驟（1）。

四步驟

該算法性能取決于模型質(zhì)量、采樣步長和預(yù)測范圍長度。預(yù)測范圍長度必須考慮使用的控制策略、計算工作量、模型精度以及外部條件和干擾作相應(yīng)地調(diào)整。模型預(yù)測控制還可以與GPS信息相結(jié)合，通過過去、現(xiàn)在和未來的駕駛環(huán)境改善預(yù)測結(jié)果。

圖2模型預(yù)測控制算法的單次迭代

模型預(yù)測控制與動態(tài)規(guī)劃不同，不需要完整的駕駛循環(huán)信息。預(yù)測范圍和更快算法的運用，使得其在實時控制中應(yīng)用更具潛力。

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)執(zhí)行啟發(fā)于生物大腦行為的大腦計算，模擬神經(jīng)元活動運算正如生物大腦中出現(xiàn)的那樣，每個神經(jīng)元都通過其樹突接受其他神經(jīng)元沖動。這些信號在神經(jīng)元的身體中進(jìn)行處理，并根據(jù)輸入特性生成一個輸出信號，并將其發(fā)送給其他神經(jīng)元。

圖3神經(jīng)網(wǎng)絡(luò)架構(gòu)舉例

神經(jīng)元以非常有效的方式進(jìn)行仿射變換和線性/非線性運算，通過采用前饋配置，神經(jīng)元可通過構(gòu)建圖層來創(chuàng)建網(wǎng)絡(luò)以組合起來。層數(shù)和神經(jīng)元的數(shù)量可以根據(jù)過程復(fù)雜度、期望的保真度和模型非線性而變化。神經(jīng)元參數(shù)通常采用訓(xùn)練數(shù)據(jù)和誤差反向傳播算法進(jìn)行計算。

滑?？刂?/p>

滑模控制是一種對非線性和建模不確定性具有內(nèi)在魯棒性的算法，可以有效地處理交替切換的系統(tǒng)結(jié)構(gòu)。該算法的特征是它對參數(shù)變化和干擾不敏感，使其適用于車輛應(yīng)用。通?；？刂菩枰x一個滑動面，也稱為切換函數(shù)，控制器通常與切換函數(shù)相同，并設(shè)計為在有限時間內(nèi)收斂到滑動面表面，并保持它的位置。

滑?？刂频膹?fù)雜性和性能取決于滑動表面設(shè)計。因此，與上述大多數(shù)方法相比，涉及該算法的數(shù)學(xué)可能相對復(fù)雜。較于能量管理策略，滑?？刂茟?yīng)用在混合動力傳動系統(tǒng)的內(nèi)燃機(jī)控制中更為常見。

小結(jié)和展望

本文介紹了當(dāng)前11種基于優(yōu)化算法的能量管理控制策略，并初步介紹了其中的5種。多數(shù)優(yōu)化目的也是想將更多的工況信息能夠?qū)崟r運用到能量管理控制策略中。隨著智能手機(jī)日益普及使用GPS、無線連接，可以更便捷地通過網(wǎng)絡(luò)可獲取實時交通環(huán)境，將這些獲取的信息與模型預(yù)測控制相結(jié)合，吸收實時交通信息，從而使能量管理策略更加優(yōu)化。那么能量管理策略與智能交通系統(tǒng)可以有怎樣的結(jié)合呢？請關(guān)注后續(xù)文章的介紹：

■ 能量管理控制策略與智能交通系統(tǒng)的結(jié)合

■ 測試評價過程針對能量管理控制策略的研究

■ 能量管理控制策略未來發(fā)展趨勢分析