浅析丨基于优化算法的能量管理控制策略（一）

前几期我们介绍了能量管理控制策略的目的、插电式混合动力汽车的CD/CS和Blended策略、基于规则和基于优化的能量管理控制策略，对能量管理控制策略有了一个初步的认识。在此基础上，有大量的优化算法应用于能量管理策略优化，由于在实际应用中存在算法的复杂性、计算量过大、稳定性、对工况信息和特征的敏感性等问题，因此尚处于仿真研究阶段。本期我们列举目前运行较多的11种算法，并针对前5种进行介绍，下一期我们将对后6种进行介绍。

基于优化算法的能量管理控制策略概述

优化算法可分为全局优化和实时优化，受算法本身的限制以及采样时间、模型精度、参数定义等因素的影响，目前这种区分尚不明显。目前主要的优化算法包括下列11种，本期介绍前5种，下期介绍后6种：

1、动态规划（Dynamic Programming，DP）

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

3、模型预测控制（Model Predictive Control，MPC）

4、神经网络算法（NeuralNetworks，NN）

滑模控制（Sliding ModeControl，SMC）

5、滑模控制（Sliding ModeControl，SMC）

6、无导数优化算法——模拟退火（Simulated Annealing，SA）

7、无导数优化算法——遗传算法（Genetic Algorithm，GA）

8、无导数优化算法——粒子群算法（Particle Swarm Optimization，PSO）

9、无导数优化算法——DIRECT算法

10、博弈论（Game Theory，GT）

11、凸规划（Convex Programming，CP）和相关算法的简化算法

动态规划

动态规划是一种全局最优的控制方法，考虑控制决策当前和未来的成本，使不期望的结果最小化的最优方案。与列举法不一样，动态规划计算优势在于将问题分解为更容易解决、计算负荷更小的子问题，通过最优原则保证子问题最优，通过最优组合来研究可能解，减少了搜索空间和计算时间。动态规划适用于非线性约束动态过程和整数问题等多个领域，可以管理状态和输入的多个复杂约束。但其计算负荷随着状态和控制变量的增加呈指数增长。

       图1逆向动态规划算法量化和插值

动态规划在求解之前假设可以获得问题不确定性的完整信息，然后进行逆向优化计算。该机制严重阻碍了动态规划在汽车控制的实时应用，因为驾驶循环信息通常是部分已知、变化较大、容易受到强烈的干扰。因此动态规划目前广泛应用于离线分析中，用以对备选的能量管理策略进行基准测试、启发基于规则策略设计、调整控制参数、作为机器学习算法的训练数据等。

等效燃油消耗最小策略

等效燃油消耗最小策略通过计算实际燃料消耗的等效燃料系数，包括电池充电所消耗的燃料、再生制动回收能量节省的燃料，即从发动机充电模式开始电池中累积的电量不是“免费”。该算法的特点是在一个目标函数中同时包含燃料和电量消耗，即在时间段内等效燃料流量累计最小，每个时刻的等效燃料流量是发动机的实际燃料流量和电机使用的等效燃料流量之和。

在应用方面：对于能量维持型混合动力汽车，主要利用等效系数来防止电池突然耗尽。对于插电式混合动力汽车，主要应用于优化Blended-type型PHEV的电量消耗阶段发动机和电池两个能量源的能量分配。

通过简化处理，该种算法在计算上比动态规划更高效，并且非常适合潜在的在线应用，这些应用可以通过适当调整等价因子生成近似全局最优解的控制器。

模型预测控制

出行信息对能量管理至关重要，模型预测控制提供了一种预测方案，将未来的驾驶循环信息纳入不同的能量管理策略中。其操作主要包括四个步骤：

（1）根据所记录的历史数据和系统模型，在长度为N的固定范围上进行预测；

（2）基于先前的预测计算从t到t+N的控制策略；

（3）应用计算得到的当前时刻t的控制策略，丢弃其余的策略；

（4）在t时刻用实际测量值进行更新，并返回步骤（1）。

四步骤

该算法性能取决于模型质量、采样步长和预测范围长度。预测范围长度必须考虑使用的控制策略、计算工作量、模型精度以及外部条件和干扰作相应地调整。模型预测控制还可以与GPS信息相结合，通过过去、现在和未来的驾驶环境改善预测结果。

图2模型预测控制算法的单次迭代

模型预测控制与动态规划不同，不需要完整的驾驶循环信息。预测范围和更快算法的运用，使得其在实时控制中应用更具潜力。

神经网络

神经网络执行启发于生物大脑行为的大脑计算，模拟神经元活动运算正如生物大脑中出现的那样，每个神经元都通过其树突接受其他神经元冲动。这些信号在神经元的身体中进行处理，并根据输入特性生成一个输出信号，并将其发送给其他神经元。

图3神经网络架构举例

神经元以非常有效的方式进行仿射变换和线性/非线性运算，通过采用前馈配置，神经元可通过构建图层来创建网络以组合起来。层数和神经元的数量可以根据过程复杂度、期望的保真度和模型非线性而变化。神经元参数通常采用训练数据和误差反向传播算法进行计算。

滑模控制

滑模控制是一种对非线性和建模不确定性具有内在鲁棒性的算法，可以有效地处理交替切换的系统结构。该算法的特征是它对参数变化和干扰不敏感，使其适用于车辆应用。通常滑模控制需要定义一个滑动面，也称为切换函数，控制器通常与切换函数相同，并设计为在有限时间内收敛到滑动面表面，并保持它的位置。

滑模控制的复杂性和性能取决于滑动表面设计。因此，与上述大多数方法相比，涉及该算法的数学可能相对复杂。较于能量管理策略，滑模控制应用在混合动力传动系统的内燃机控制中更为常见。

小结和展望

本文介绍了当前11种基于优化算法的能量管理控制策略，并初步介绍了其中的5种。多数优化目的也是想将更多的工况信息能够实时运用到能量管理控制策略中。随着智能手机日益普及使用GPS、无线连接，可以更便捷地通过网络可获取实时交通环境，将这些获取的信息与模型预测控制相结合，吸收实时交通信息，从而使能量管理策略更加优化。那么能量管理策略与智能交通系统可以有怎样的结合呢？请关注后续文章的介绍：

■ 能量管理控制策略与智能交通系统的结合

■ 测试评价过程针对能量管理控制策略的研究

■ 能量管理控制策略未来发展趋势分析