混合动力电动汽车在线学习控制策略研究

Hybrid electric vehicles(HEVs) have great advantages in improving fuel economy and reducing emissions compared with conventional vehicles. The performance of HEV heavily depends on an efficient energy management strategy (EMS). However, due to the complexity of their powertrain structure and the uncertainty of future driving conditions, many existing EMSs act upon fixed parameters usually fail to fully explore the potential of these advanced vehicles. Three intelligent EMSs are proposed in this project: EMS based on orthogonal wavelets basis functions neuro-dynamic programming(NDP); Self-tuning fuzzy EMS based on Q-learning algorithm; EMS based on stochastic model predictive control(SMPC). The HEV energy management problem is modeled as a Markov decision process. To solve it, we apply neural network and reinforcement learning algorithms to approxiate the system states' value functions online, and accordingly the optimal actions. The proposed EMSs possess such characteristics as: (1)Good optimization effect; (2)These EMSs do not rely on prior information related to future driving conditions, and can self-tune with a wide variance in operating conditions;(3)Good real time property. It needn't discrete the continous-time system, which avoids the problem of "curse of dimensionality";The proposed EMSs will be implemented in the vehicle control unit of a prototype HEV, and tested on a revolving drum test bench as well as on road respectively to verify the validity. The implementation of this project will help to further exploit the potentials of HEV, as well as to promote the industrialization process of HEV.

与传统汽车相比，混合动力汽车(HEV)在节能减排方面具有很大优势。而能量管理策略(EMS)直接影响 HEV的性能。由于车辆未来行驶工况的不确定性，现有的EMS通常不能充分发挥HEV的优势。为此，本项目提出三种智能EMS：基于正交小波基神经元动态规划的EMS、基于Q学习的在线自调整模糊EMS以及基于随机模型预测控制的EMS。我们将HEV能量管理建模为马尔科夫决策过程，利用神经网络与强化学习算法在线估计状态的值函数，进而求出最优控制律。所提三种算法具有如下特点：（1）优化效果好；（2）具备在线学习功能，使得EMS的设计不依赖于未来行驶工况的信息，且能适应外部环境的缓慢变化；（3）实时性好，不需要将连续系统离散化，避免了"维数灾难"问题。所提算法的有效性将通过台架试验和整车道路测试进行验证。本项目的研究有助于进一步挖掘HEV节能减排的潜力，提高性能，推动其产业化进程。

具有低油耗、低排放、高效率、续驶里程不受限制的混合动力电动汽车（HEV）是新能源汽车发展的重要方向，混合动力电动汽车的性能好坏依赖于其能量管理策略（EMS）的性能。由于HEV结构的复杂性以及未来行驶工况的不确定性，使得设计高效、实时的能量管理策略并不容易，其品质直接影响车辆的动力性，经济性和排放性。研究HEV高效的能量管理策略一直是混合动力电动汽车研究领域的难点之一。. 本项目将HEV的能量管理建模为马尔科夫决策过程，利用神经网络与强化学习算法在线估计状态的值函数，进而求出最优控制律。研究了三种智能EMS：基于正交小波基神经元动态规划的EMS、基于Fuzzy Q-Learning的在线调整EMS以及基于随机模型预测控制的EMS。主要研究内容如下：（1）研究了基于正交小波基神经元动态规划的EMS（NDP-EMS），大大减少了控制策略的计算量并且能够得到次优结果，研究了算法的实现过程及实时应用；（2）研究了基于Fuzzy Q-Learning的在线调整EMS，可以根据工况不同进行自适应调节。研究了Q(x, a)函数在线估计算法，研究了模糊控制参数的在线调整算法，研究了模糊规则自动生成机制及算法；（3）研究了随机预测控制理论在HEV在线能量优化控制问题中的应用，预测未来的行驶工况，依据驾驶员的习惯和驾驶路况自动调节控制器的相关参数，合理优化各个动力部件的能量流动，使得整个动力系统达到最优的工作状态，大幅度提升燃油经济性。（4）开发了基于TI公司TMS570L为主芯片的新一代混合动力汽车高性能整车控制器，满足了复杂算法的应用需求。. 本项目所提出的三种智能能量管理策略实现了以下优点：（1）实时性好，不需要将连续系统离散化，避免了“维数灾难”问题；（2）优化效果好，节油率比传统的基于规则的算法提高了15%以上。（3）具备在线学习功能，不依赖于未来行驶工况的信息，能适应外部环境的缓慢变化。本项目的研究进一步挖掘了HEV的节能减排潜力，有助于推动HEV产业化进程。. 项目执行期间，发表学术论文10篇，其中SCI检索论文6篇，EI检索论文4篇，申请发明专利3项，授权发明专利2项；培养博士生1名，硕士生2名；完成了本项目的全部指标。