基于行车信息的混合动力汽车能量管理策略综述

罗桥,陈俊,耿杰,唐朝阳,傅春耘

Review of energy management strategies for hybrid electric vehicles based on driving information

Qiao LUO,Jun CHEN,Jie GENG,Chaoyang TANG,Chunyun FU

表 2 利用行车信息优化基于优化的EMS的方法特点

Tab.2 Characteristics of methods for optimizing optimization-based EMS using driving information

行车信息 方法 作用效果 优点 局限性 驾驶风格 ECMS[72] 量化驾驶风格与 等效因子关系 提高EMS的适应性、降低能耗 在实际应用中存在 不确定性 粒子群优化-遗传算法+ECMS[73] 优化线性关系 提高EMS的适应性 行驶工况 DP+MPC[74] 控制参数寻优 具有全局最优性和实时性 泛化能力弱， 工况适应性有限， 优化计算量大 粒子群优化+ECMS[75] 遗传算法+ECMS[76] 离线优化等效因子，在线寻优 离线优化具备全局最优性， 在线控制实时性好 道路环境 道路坡度+ MPC[77]、DP[78] 环境温度+ECMS[79]、PMP[80] 提高不同道路状况下数学 求解模型的准确性 燃油经济性好，提高不同 道路状况下EMS的适应性 模型复杂性与准确 性难以权衡 驾驶意图+车间运动特征 DP[81] 将多源信息嵌入预测模块 提高状态预测精度， 具备近似全局最优性 计算复杂度高， 实时性差 驾驶风格+行驶工况 遗传优化+ECMS[82] 量化不同行驶工况下的驾驶风格 提高适应性 实际不确定性高， 计算量大