改革开放以来，我国的经济实力显著增强，人民的生活水平日益提高。衡量一个国家经济实力的指标有很多，汽车保有量便是其中之一。据统计，截至2017年底，我国的汽车保有量已经达到了2.17亿辆，汽车的驾驶人数达到3.42亿人次。汽车保有量的增长在证明了我国强大的经济实力的同时也带来了一系列的问题。其中，能源短缺与环境污染是传统燃油汽车所带来的两大主要问题^[1]。

混合动力汽车（hybridelectric vehicle，HEV）是电动汽车发展过程中出现的一种低油耗、低排放且不受续驶里程限制，兼具纯电动汽车和传统燃油汽车优点的新型汽车^[2]。由于其在经济和环境等方面的综合优势，发展HEV被认为是当前解决这两大难题的有效途径。混合动力车辆有两个或两个以上的能量源，这决定了其工作模式的多样化。插电式混合动力汽车（plug-inhybrid electric vehicle，PHEV）在传统混合动力汽车的基础上可以利用外接电源为动力电池充电，因此其混合动力系统具有更多种可能的工作状态^[3]。

混合动力汽车控制策略是指如何合理有效地使用发动机和电机两种动力源而使混合动力汽车的燃油利用率达到最优和污染物排放达到最少的算法，混合动力汽车经济性的高低主要取决于控制策略的优劣。在混合动力汽车行驶过程中，为达到节能减排的目的，在满足汽车动力性能的前提下，要结合各动力部件的工作特性及车辆行驶工况来合理分配转矩在发动机和电机之间的输出比例^[7]，这是一个高度非线性的优化控制问题，开发出最优或者近似最优的能量管理策略面临着诸多困难^[3]。

混合动力驱动系统的能量管理策略主要发展为两大类：基于规则的动力驱动控制策略和基于优化的动力驱动控制策略。混合动力汽车能量管理工业应用中主要使用基于规则的策略，有关能量管理的科学研究则主要集中在基于优化的控制策略领域^[4]。

基于规则的能量管理控制策略又称为逻辑门限控制策略。其主要思路为通过定义一系列车辆动力系统运行的规则来决定动力驱动系统的工作状态，一般表现为带有控制参数表的流程图，主要包含确定性规则和模糊性规则控制两种。基于确定性规则的能量管理策略目前有恒温器控制方法、功率跟随控制方法以及状态机控制方法等^[8]。如Banvait, H.等人开发建立的状态机模型（state machine model），通过执行预定义的控制规则或逻辑门限实现动力分配控制^[11]。Rizzoni,G.和张松等人指出，逻辑门限控制策略的主要缺点是无法保证控制效果的最优性，需要开发者针对车型进行反复调试^[5]。此外，其针对不同混合动力构型间的算法移植性差。

基于模糊规则的能量管理策略是在逻辑门限控制的基础上，通过加入专家经验将预定义的控制规则模糊化，相比逻辑门限控制策略能够提高控制策略的鲁棒性和可调性。目前文献中可以查阅到常规模糊规则控制、自适应模糊规则控制和预测模糊控制等方法。由于模糊控制依然依赖于预定义的控制规则，其对不同行驶工况的适应性不足^[10]。Wirasingha, S.G.等人的研究指出模糊控制很难处理多目标优化问题，当优化目标多于两个时，开发者很难建立合理且有效的模糊控制规则。

基于规则的能量管理算法技术难度低、在线计算量小，工业应用广泛。结合传统的 PID 控制理论可以实现对HEV动力传动系统的有效控制^[6]。但无论是模糊理论还是自适应方法的应用在进一步提高规则能量管理算法的性能时并未实现大规模推广，其主要原因是合理模糊规则或自适应算法的建立需要建立在开发者对目标系统的深入认识上，开发过程繁琐且时间周期长，面对不同车型参数或构型时需要重新开发。此外，基于规则的能量管理算法也很难取得接近最优的控制效果。目前大部分有关能量管理算法的科学研究均集中在基于优化的能量管理算法领域^[9]。

优化能量管理算法是指在建立系统控制目标函数和约束条件后，通过使用优化算法对最优或次优控制策略进行搜索并应用的能量管理理论，一般表现为求取目标函数在可行域内的极小值问题，主要包含全局优化能量管理和实时优化能量管理两种。全局优化一般要求在全局扰动（即功率需求）已知的条件下进行优化动作搜索，如动态规划、遗传算法和博弈理论等方法。遗传算法可以处理混合动力能量管理中复杂的多目标优化问题，但其主要缺点是无法全面表达非线性控制问题的约束和不可行域，且其算法精度和可行度尚无定量分析的方法。动态规划算法（Dynamic Programming，DP）基于最优控制理论和递推思想，可以稳定求取给定优化问题的最优控制决策^[7]。Peng,H.等人于2003年实现了应用DP对并联式HEV的能量管理决策优化，随后又将基于DP的能量管理扩展到了混联式HEV 上^[12]。Johannesson, L.等人提出了采用马尔可夫链的随机动态规划来解决固定路线下HEV的能量管理问题。需要注意的是DP算法，或者其他全局优化方法，必须在车辆状态和行驶工况信息完全已知的情况下才可以准确求解全局最优的能量管理控制决策。以Antonio, S.和Guzzella,L.为代表的学者认为DP非常适合应用作为评价其它算法的基准。但难以实现实时控制。

实时优化方法是指在线对能量管理决策进行优化计算的方法，主要包括等效燃油消耗最小（Equivalent Consumption Minimization Strategy, ECMS），鲁棒控制，模型预测控制，机器学习和解耦控制等。模型预测控制（Model Predictive Control, MPC）在每个采样瞬间搜索有限时域内最优的控制动作，可以兼顾控制的实时性和最优性。Vahidi, A.等人最先将模型预测控制应用到燃料电池混合动力汽车中防止氢气供应过少或饱和。进而提出和验证了HEV能量管理中线性时变模型预测控制和非线性模型预测控制方法^[7]。Ripaccioli,G.和 Bichi,M.等人利用马尔科夫链随机过程来预测未来需求工况，开发了随机模型预测控制。模型预测控制可以在保证实时性的前提下，搜索控制时域内带约束优化问题的最佳的控制决策，应用前景广泛。

2. 研究的基本内容与方案

2.1研究目标