邓 涛，罗远平

（1. 重庆交通大学 机电与车辆工程学院，重庆 400074，中国；2. 重庆交通大学 航空学院，重庆 400074，中国）

能量管理策略是混合动力汽车(hybrid electric vehicle, HEV)的关键技术，其主要分为两类，一类是以工程经验为依据的规则控制策略，另一类是以不同目标为优化对象的优化控制策略[1]。基于规则的控制策略[2]比较简单，实用性强，但规则制定主要依靠人的经验，控制效果往往差强人意。基于优化的控制策略如动态规划[3]、极小值原理[4]、模型预测控制[5]等需要提前预知整个行驶工况，以便对整个行驶工况的转矩分配进行优化，获得全局最优解。因而这类控制策略计算量大，难以用于实际。而以瞬时转矩分配为优化对象的等效燃油消耗最小策略(equivalent consumption minimization strategy, ECMS)[6]通过构造一个等效因子将电能等效为燃油，并以最小等效燃油消耗为目标得到瞬时的最优转矩分配方案，不仅可以获得接近于全局最优的控制效果，而且也减少了计算量，是最有可能运用于实际的优化控制策略。等效因子对工况及其敏感，因此ECMS需要实时调节等效因子来提高其普适性。等效因子的调节一般可分为3类[7]：基于工况预测调节[8]、基于充电状态（state of charge，SOC）反馈调节[9]、基于驾驶模式识别调节[10]。由于实际运行工况复杂多变，很难有算法能对未来工况实现精准预测，这也就限制了基于工况预测调节等效因子的实用性。而基于SOC反馈调节会使SOC波动频率增大，会导致电池寿命减少。

驾驶模式识别是指识别具有相似统计性质的行驶工况[11]，统计变量不同，对驾驶模式定义也不同。若以油门踏板开度及其变化率等驾驶员操作数据作为统计变量，则驾驶模式被定义为驾驶意图，是驾驶员发挥主观能动性对实际状况做出正确预判的体现。已有研究成果表明能量管理和转矩分配要符合驾驶员意图[12-13]。

但驾驶意图是采用自然语言进行描述的定性概念，往往具有一定的不确定性（随机性和模糊性），而采集的识别参数都是定量数据。因此，需要将这些定量数据与定性概念相互映射。于是，有人提出以模糊数学来解决这一问题。混合动力电动汽车如高建平等[14]对驾驶风格及加速意图进行模糊识别，再将识别的驾驶风格和加速意图识别作为输入，模糊输出转矩修正系数k对需求转矩进行修正；孙瀚文等[15]采用模糊控制器识别驾驶员操作意图，结合行驶工况对SOC 进行动态控制，合理选择电动汽车(electrical vehicle, EV) 或者混合动力电动汽车(hybrid electric vehicle, HEV)模式切换点的方法，取得了较好的节油效果。

模糊识别虽能较好将定量数据转换为定性的驾驶意图，但其隶属度函数的确定严重依赖专家经验，具有很强的主观性，而云模型在模糊数学基础上增加了对隶属度的随机性描述，突破了单一隶属度的限制，能更好地实现定性概念和定量数据的相互转换[16-17]。

因此，本文采用云模型识别驾驶员意图，并以此来调节等效因子，制定基于驾驶员意图识别(driver intention recognition，DIR)的自适应等效燃油消耗最小策略(adaptive-ECMS, A-ECMS)，以期达到优化SOC轨迹、降低燃油消耗的目的。

1 驾驶意图云模型识别

1.1 云模型简介

云模型的3个数字特征分别为期望Ex、熵En、超熵He[16]。

1.1.1 正向云发生器

正向云发生器（forward cloud generator, FCG）是指定性概念向定量数值的转换算法，即由云模型的3个数字特征产生统计变量论域上的数值，示意图如图1所示。

其具体步骤如下：

1) 生成一个正态随机数En′i，En′I～N(En, He2)；

2) 对一个给定数值xi，计算其对该模型隶属度

3) 完成一次定性概念到定量数值的转换，(xi，μi)称为云模型中的一个云滴；

1.1.2 逆向云发生器

逆向云发生器 (backward cloud generator, BCG)是正向云发生器的反过程，示意图如图2所示。

其具体步骤如下：

1) 对一组样本{x1，x2，x3，…，xn}，计算其平均值则期望Ex= x；

2) 计算上述样本方差；

上述云发生器均为一维云发生器算法，类似于正态分布，其也可推广至二维，三维甚至更高维数的云发生器算法。

1.2 驾驶意图识别

1.2.1 驾驶意图分类

驾驶意图可采用速度、加速度、加速踏板开度及其变化率进行识别。驾驶意图的分类编号如图3所示。

1.2.2 驾驶意图云模型识别

通过云模型对驾驶意图进行识别，首先需要产生各意图下相应的云模型特征参数。按照逆向云发生器具体步骤，采集各个工况下的驾驶意图识别参数。驾驶意图一般采用踏板开度及其变化率进行识别[13]，但考虑到正常驾驶时，驾驶员产生的驾驶意图在一部分程度上也取决于车辆行驶状态（如车速，加速度）；因此本文采用加速踏板开度α及其变化率α'、制动踏板开度β及其变化率β'，车速v、加速度a作为驾驶意图识别参数。此外，由于工况数量众多，可采用K-means聚类算法对工况进行聚类，选取各个类别最具代表性的工况进行研究[18]。

根据文献[18]对工况进行聚类分析，得到的代表性工况分别为城市道路循环工况(urban dynamometer driving schedule, UDDS)、美国激烈驾驶工况(US06)、新欧洲驾驶周期(new european driving cycle, NEDC)、联邦测试程序(federal test procedure, FTP)、纽约城市工况(New York city cycle, NYCC)和高速路燃油经济性测试工况(highway fuel economy test，HWFET)。利用SimuLink软件建立起混合动力汽车前向仿真模型在这些工况下仿真，以1s为采样间隔，实时采集驾驶意图识别参数。在前向仿真模型中，驾驶员模型采用比例积分微分(proportion integration differentiation, PID)控制输出加速踏板开度信号，示意图如图4所示。

加速踏板开度计算公式为：

式中：Treq为需求转矩，Temax、Tmmax分别为当前转速下发动机和电机所能输出的最大转矩，Tbr_max为车辆能提供的最大制动转矩。

将采集的数据用K-means聚类，划分意图类别。但在对数据进行驾驶意图聚类时，由于车速值相对于踏板开度值比较大，造成聚类结果对车速比较敏感，从而无法对驾驶意图进行正确分类，因而在对驾驶意图进行聚类之前需对采集的数据归一化处理。本文中采用研究对象车辆设计的最高车速vmax作为归一化工具，归一化后的车速为

定义聚类得到的各类意图样本

其中：I代表各类意图，ni为第i类样本点数量，j为不同驾驶意图识别参数编号。采用逆向云发生器BCG便可产生相应的云模型特征参数：

采用正向云发生器算法识别驾驶意图，对实时输出的意图识别参数归一化后计算其隶属度ui，由于正向云发生器中熵是按照正态分布随机产生的，使得隶属度ui不稳定。此时应该多次生成隶属度并计算其平均值，得到一个具有稳定倾向的ui，即

选取最大隶属度对应的意图作为识别结果，可得到实时驾驶意图识别的驾驶意图编号为

2 基于驾驶意图云模型识别的A-ECMS

能量管理主要有3个要素：需求转矩、模式切换以及扭矩分配。在前向仿真模型中需求转矩可由驾驶员模型计算得出，而模式切换和扭矩分配主要由控制策略实现。基于驾驶意图云模型识别的A-ECMS策略根据驾驶意图调整等效因子，使得ECMS策略能适应不同工况，从而实现最佳转矩分配和工作模式的选择。

对目标数据样本做处理后，就可以进行数据的综合分析，从而得到电机下沉的趋势。综合分析的考虑因素和原理如下：

2.1 等效燃油消耗最低（ECMS）策略

ECMS策略下需构建实时目标成本函数为

式中：m′eqv为等效燃油消耗率；s为等效因子；Pbatt为电池端功率；Qihv为燃油热值；m′e为发动机瞬时燃油消耗率。

当前时刻最优转矩分配为

若令ωe为发动机转速，ωm为电机转速；则ECMS策略还需同时满足以下条件：

在ECMS策略中，等效因子s对工况极为敏感。若s偏大，控制策略会偏向于使用燃油，导致油耗增加而使SOC上升；反之，控制策略偏向用电，导致电耗增加而使SOC下降[11]。由于本文研究对象为并联混合动力汽车，需要终了SOC与初始SOC保持一致。因此，可通过离线仿真找到工况对应的最优s值，使得终了SOC与初始SOC保持一致。

2.2 基于驾驶意图云模型识别的A-ECMS

该策略的基本思路是在各典型工况下进行离线仿真，获取个工况下的最佳等效因子以及意图识别参数，再对意图识别参数进行处理后采用逆向云发生器获取各类意图的云模型特征参数，构建识别所需的云模型。在识别各典型工况意图后，对各个工况下的等效因子进行加权平均，获取各意图对应的等效因子，建立基于驾驶意图的等效因子查询表，通过实时识别驾驶意图匹配合适的等效因子，控制策略的示意图如图5所示。

6种典型工况用ECMS策略离线仿真得到对应工况的最佳等效因子：s_c(1),s_c(2),…,s_c(6)，具体结果如表1所示。由于等效因子的本质是油电转换的平均效率[19]，考虑到某一工况下各意图对该工况最优等效因子的贡献不尽相同，故可以采用加权平均的方式求得各个意图对应的等效因子。

表1 各典型工况最佳等效因子

在确定权重时，依据代表工况下各数据点对应的意图得出某一工况下意图i的时间占比P_i(k)，考虑到最优等效因子是针对特定工况，是综合了特定工况下个时刻的转矩需求和运行时间，故在采用时间占比来确定权重时应同时考虑工况长度。将6个典型工况并联构造一个组合工况，且令T为该工况长度，则第k个典型工况与组合工况中的长度比值为

某一意图对应的等效因子为

由于停车时不管汽车是处于熄火状态还是停车充电状态，等效因子都没有作用于能量管理，因而没有对停车意图赋予相应的等效因子。经加权平均后得到各意图对应的等效因子查询表如表2所示。在识别驾驶意图后可通过查表匹配等效因子，同时，为了保证SOC能维持稳定，引入惩罚函数对匹配后的等效因子进行修正，从而获得该意图下的最优转矩分配。

表2 各意图等效因子查询表

3 仿真分析

为验证所提出策略的有效性，本文采用更加接近真实行驶过程的前向仿真方式进行仿真分析。以并联式混合动力汽车为研究对象，在SimuLink中建立整车前向仿真模型如图6所示。混合动力系统结构如图7所示，整车参数如表3所示。

表3 整车与动力系统参数表

新欧洲行驶循环（New European Drive Cycle，NEDC)下汽车大部分处于平稳运行，即汽车处于匀加速或匀速运动，使得评判驾驶意图识别结果比较直观。而且，NEDC工况也是中国工业和信息化部进行油耗测试的标准工况。在NEDC工况下进行基于驾驶员意图识别DIR的A-ECMS仿真分析，得到此工况下的驾驶意图识别结果如图8所示。

由图8可知：基于云模型的驾驶意图识别能很好的识别驾驶意图，如高速巡航与低速续航。在各个稳定行驶阶段，驾驶意图也能保持不变，说明了该识别算法的稳定性。

由于所提出算法在等效因子的选取上采用了基于SOC反馈的惩罚函数进行修正，因此，在NEDC工况下进行基于驾驶员意图识别DIR和SOC反馈的A-ECMS仿真。对于后者，选取6个典型工况的等效因子的平均值作为其初始等效因子。

图9为2种自适应策略的SOC对比结果。所提出策略的SOC终值为0.574，100 km油耗为3.73 L，SOC反馈的A-ECMS的SOC终 值 为0.573，100 km油耗为3.78 L。在SOC终值相同的情况下，前者的燃油经济性提高了1.3%。此外，后者在整个工况后段有几处SOC波动频率也明显大于前者。

为验证复杂工况下基于驾驶意图识别的A-ECMS的有效性，选择组合后的工况进行仿真分析。由于工况数量众多，各工况组合数量更是十分庞大，因此选用代表性工况组合形成的工况进行仿真分析，以便验证该策略对工况的适应性。选用随机组合工况FTP +HWFET + NEDC + NYCC + UDDS + US06如图10所示，在该工况下进行有DIR的ECMS策略与无DIR的ECMS策略的仿真，并将仿真结果进行对比分析。图11为组合工况下基于DIR的A-ECMS的等效因子变化结果，图12为两种策略的SOC结果对比。

可以看出，在510～800、3 240～4 050和5 540～5 800 s这几个阶段，此时最高车速基本维持在40 km/h左右，属于低速行驶且汽车启停频繁。传统ECMS策略经离线寻优得到最优等效因子，策略总体偏向用油，使得SOC增长过高，没有发挥电机响应快、低速恒转矩的优势。而基于DIR的A-ECMS策略在意图识别与惩罚函数的双重作用下，策略偏向于用电，SOC呈下降趋势，比较符合理想的车辆动力装置运行特性。

在2 500 ～ 3 300、4 100 ～ 4 400和6 500 ～ 6 900 s这几个阶段，汽车处于中高速持续运行，传统ECMS策略的SOC处于快速下降过程，这是先前的SOC增长过高引起的，ECMS策略在知晓整个工况的前提下需要控制电能在此处消耗。而基于DIR的A-ECMS策略在这些时段SOC波动幅度不大，不仅有利于延长电池使用寿命，也很好地发挥了发动机中高速高效率的优势。此外，从整体上看，基于DIR的A-ECMS策略的SOC稳定性控制效果要明显优于传统ECMS。从具体数值上看，基于DIR的A-ECMS与传统ECMS的SOC终值分别为0.600 8和0.604 8，两者相差不大，控制效果相似。

图13为两种策略的发动机和电机功率分配。在低速工况阶段，基于DIR的A-ECMS策略更多的使用电机驱动，减少了发动机的启停次数，使发动机的工作时间更为集中。在中高速工况阶段，ECMS策略相较于基于DIR的A-ECMS策略更多的使用电机功率，进一步映证了ECMS策略在中高速工况阶段SOC快速下降这一现象。

两种策略在组合工况下仿真得到的电机和发动机的实施效率对比如图14所示。

可以看出：在整个行驶过程中，基于DIR的A-ECMS策略控制下的发动机更多的工作在高效率区间。而二者的电机效率相差不大，只是在高转速工况下基于DIR的A-ECMS策略控制的电机效率较低，这是因为在高转速工况下电机与发动机处于联合驱动模式，为使发动机保持在高工作效率区间以及避免更多的油电转化，基于DIR的A-ECMS策略将更多的功率分配给了发动机。在自定义组合工况下，传统ECMS策略的100 km油耗为3.64 L，基于DIR的A-ECMS策略的100 km油耗为3.62 L，燃油经济性略有提高。

4 结 论

1）采用K-means聚类算法对典型工况下的驾驶意图识别参数进行无监督学习，生成各驾驶意图的云模型样本。以样本为基础，进一步生成意图识别云模型，提出驾驶意图云模型识别方法。

2）采用加权平均的方法计算各意图下的最优等效因子，生成等效因子查询表。对实时识别的驾驶意图在线匹配等效因子，并以SOC惩罚函数对匹配的等效因子进行修正，建立基于驾驶意图识别的A-ECMS策略，实现实时最优转矩分配。

3）分别在NEDC工况与随机组合工况下验证基于驾驶意图识别的A-ECMS策略的控制效果。仿真结果表明，在NEDC工况下，燃油经济性相比于基于SOC反馈的A-ECMS策略提高了1.3%。在随机组合工况下也能取的近似于ECMS策略的控制效果且SOC稳定性控制效果更好。同时，该策略使能量管理能符合驾驶意图，为进一步制定个性化控制策略，提高其对不同驾驶员的适应性奠定了基础。