未来工况在线重构方法及在插电式混合动力汽车中的应用

To develop new-energy vehicles is the national strategy of China. This project concentrates on the global driving cycle reconstruction, control horizon cycle forecast-correction and other fundamental key problems associated with the plug-in hybrid electric vehicle (PHEV) energy management, which include: (1) To analyze a multi-source hybrid information system extracted from the driving environment of PHEVs, establish a tensor model which can fully reflect the PHEV driving cycle features, propose a tensor decomposing and filling algorithm to realize global driving cycleonline reconstructingduring theoperatingof PHEVs. (2)To Establish a Mixture-Gaussian learning and predicting model of disturbances that impact the future short-term driving cycle, combine it with a machine-learning and fuzzy logic based driver model, and cooperatively forecast the future driving cycle disturbances to improve the accuracy of the control horizon cycle reference. (3) To analyze the energy transferring, coupling, consuming and dissipating mechanism of PHEVs, propose an energy coupling mechanism based powertrain modeling methodology, introduce adaptive dynamic programming to search the global optimal battery SOC trajectory based on reconstructed global cycles, establish a multi-objective cost function which includes the battery lifetime and comprehensive energy consumption, to eventually realize a synchronized globally energy planning and locally multi-objective optimization predictive energy management. The potential research achievements and contributions will provide great scientific significance for the predictive energy management theory and improve the intelligent control performance of PHEVs.

发展新能源汽车是我国的国家战略。针对插电式混合动力汽车(PHEV)能量管理存在的未来全局工况重构、预测控制时域内工况预测和修正等基础关键问题：(1)分析具有多源混杂特点的PHEV行驶环境信息，建立能够充分映射PHEV工况特征的张量模型，提出张量模型的分解和缺失信息补全算法，实现PHEV未来行驶路线全局工况的在线重构；(2)建立未来短期工况内扰动变量的混合高斯学习和预测模型，结合基于机器学习和模糊决策的驾驶员风格模型，对控制时域内未来短期工况扰动变量进行联合预测及协同修正；(3)分析PHEV行驶过程中能量的转换和耗散机理，建立能耗机理模型，引入自适应动态规划算法，实现全局工况重构下的动力电池荷电状态SoC轨迹在线寻优，建立包含动力电池寿命和能耗的多目标优化目标函数，实现全局能量规划和局部多目标优化的综合预测能量管理。研究成果对完善PHEV预测能量管理理论和提升控制的智能化水平有重要科学意义。

发展新能源汽车是国际共识和我国的国家战略，插电式混合动力电动汽车是新能源汽车的主要类型。未来工况在线重构和预测控制时域内工况预测是提升混合动力汽车能量管理标定水平的重要突破点，本项目研究填补了全局工况在线重构研究空白并提升了未来短期工况的预测精度，系统建立了控制策略标定、优化方法体系。本项目开展的主要创新性工作为：（1）以PeMS交通信息数据库作为实时交通信息构建了基于张量实现缺失信息补全的张量填充算法，结合马尔可夫状态转移矩阵，提出了基于实时交通信息的全局工况动态构建方法。动态构建全局工况在构建时间精度方面第三次较第一次构建全局工况提升7.75%；以Prius仿真模型为例，基于动态规划的能量管理控制策略，采集工况与构建工况的燃油消耗分别为3.35L/100km和3.42L/100km。全局工况动态更新后的优化策略较传统规则策略燃油经济性提升25.29%。（2）使用kNN算法实现驾驶员风格在线识别，提出基于高斯过程的深度神经网络预测模型，通过学习少量训练样本获得具有较高精度的神经隐变量预测模型，并扩展到大规模数据集以适应车载算力。通过深度神经网络模型将不同类型的数据（驾驶员踏板行程信息、驾驶员风格信息、历史车速信息）实现在线融合并预测未来车速工况。增加驾驶员风格预测，速度预测的RMSE从1.58m/s下降到1.45m/s，在基于模型预测控制的能量管理中发动机启动次数减少30%，能耗降低了3.34%。（3）融合实时交通信息张量模型所构建的全局动态工况，提出了一种面向PHEV的经济驾驶增强模式，为基于模型预测控制的实时动态智能能量管理策略提供全局最优SOC动态消耗轨迹，依据全局SOC轨迹精确划分控制时域内状态变量SOC的约束条件，燃油消耗在控制时域为10s时百公里燃油消耗量为3.32L/km，具有最佳的燃油经济性。通过全局工况动态在线重构和短期工况联合预测，实现了全局能量规划和局部多目标优化的综合智能能量管理。项目发表SCI论文25篇、申报发明专利10件(已授权6件)、获省部级科技奖励4项，培养研究生10人。