实时动态协同优化控制与近乎全局最优学习：应用于联网插电式混合动力电动汽车

《Engineering Applications of Artificial Intelligence》：Real-time dynamic coordinated optimization control with near-global optimal learning for connected plug-in hybrid electric vehicles

提出一种基于车联网的插电式混合动力汽车分层优化控制方案，上层采用极端学习机指导的变时域模型预测控制实现能量优化，下层设计自适应固定时域协调控制抑制动力总成动态响应差异导致的扭矩波动。通过云平台与车载控制器协同降低计算负担，并在仿真平台与硬件在环测试中验证了其近全局最优燃油经济性和平顺性优势。

　　在现代交通系统中，随着车联网技术的广泛应用，如车对车（V2V）和车对云（V2C）通信，使得车辆能够获取多种交通信息。因此，为了进一步提高联网插电式混合动力电动汽车（c-PHEV）的燃油经济性，平衡能量管理策略（EMS）的最优性和计算负担变得尤为重要。此外，c-PHEV在提升燃油经济性和控制性能方面，还受到动力系统模式切换过程中发动机与电机响应特性差异所导致的驱动扭矩波动的影响。为了解决这些挑战，本文提出了一种新颖的实时动态协调优化控制方案，该方案在车联网场景下，结合了上层的能量管理策略与下层的自适应协调控制，以实现动力系统的高效协调。

上层的能量管理策略采用基于极值学习机（ELM）提取的离线最优控制规则，通过在不同路段使用可变时间范围内的粒子群优化（PSO）算法进行在线实施。ELM作为一种具有良好泛化能力的机器学习方法，能够有效地从复杂交通数据中提取出最优控制规则。这些规则通过PSO算法在不同路段的实时优化过程中得到应用，从而确保了在车辆跟随场景下，能量管理策略能够保持较高的燃油经济性，同时减少计算负担。这种方法的优势在于，它能够在不依赖复杂的数学模型的情况下，实现高效的控制策略设计。

下层的自适应协调控制方案则配备了一种协调机制，旨在解决上层控制结果可能带来的瞬态响应偏差。该方案通过估计神经网络（NN）近似和扰动观测的误差上界，避免了观测器和控制器的高增益问题，从而实现了对发动机和电机响应差异的有效补偿。这种自适应固定时间控制（AFTC）方法能够在短时间内达到稳定的控制效果，提高了系统的响应速度和控制精度。下层控制方案的设计充分考虑了动力系统中各组件之间的动态协调，确保了车辆在模式切换过程中能够保持平稳的运行状态，避免了不必要的扭矩波动。

为了验证所提出的分层控制方案的有效性和优势，本文通过联合仿真平台和硬件在环（HIL）测试进行了系统评估。联合仿真平台由MATLAB/Simulink和专业的汽车仿真软件GT-SUITE组成，其中控制方案在MATLAB/Simulink中开发，而GT-SUITE提供了高保真的c-PHEV模型。这些模型的参数与Xue等人（2023）的研究保持一致，确保了仿真结果的可靠性。通过这些仿真和测试，可以直观地观察到所提出的控制方案在不同工况下的性能表现，包括燃油经济性、响应速度和控制精度等方面。

此外，本文还对相关领域的研究进行了综述。多年来，HEV的能量管理策略（EMS）取得了显著进展，主要分为基于规则、基于优化和基于学习的策略。虽然基于规则的策略易于实现，但其对经验的依赖可能导致优化效果不佳。而基于全局优化的策略，如动态规划（DP）和庞特里亚金极大值原理（PMP），由于其对先验驾驶条件和大量训练数据的依赖，以及较高的计算需求，通常被视为离线基准。因此，研究人员更关注具有良好实时性能的瞬时优化策略，如等效消耗最小化策略（ECMS）和模型预测控制（MPC）。这些策略的性能取决于等效因子的选择和预测精度，以及滚动优化的求解方法。

近年来，基于机器学习的能量管理策略也提供了实现满意控制性能的新途径。例如，Lei等人（2025a）提出了一种基于强化学习（RL）的EMS，用于燃料电池电动汽车。Zhang等人（2023a）则提出了基于模型无关元学习的多状态深度强化学习（DRL）算法，用于集成热管理和能量管理。Zhang等人（2022）构建了一种基于多状态DRL的能量管理策略，以避免发动机运行模式的频繁切换。Tian等人（2024）设计了一种改进的深度确定性策略梯度（DDPG）EMS，将热管理与EMS无缝集成。Zhang等人（2025）提出了一种基于模型无关元学习的双层转移方法，用于在线自适应EMS。这些研究结果表明，RL在提升能量管理性能方面具有显著优势。

在实际应用中，动力系统中各组件对EMS结果的响应特性差异可能导致模式切换过程中出现不必要的扭矩波动，从而影响车辆的驾驶性能和燃油经济性。因此，为了实现c-PHEV的近似全局最优燃油经济性和良好的驾驶性能，本文提出了一种新的实时动态协调优化控制方案，该方案结合了上层的能量管理策略和下层的自适应协调控制。该方案的主要贡献包括以下几个方面：

首先，基于车联网技术，所提出的基于学习的动态优化控制方案巧妙地结合了指导型模型预测控制（MPC）的能量管理策略与动力系统的动态协调控制，而不是依赖复杂的深度强化学习（DRL）。这种方案能够在不增加计算负担的前提下，确保c-PHEV的近似全局最优燃油经济性，并实现平稳的模式切换特性。通过这种方式，可以有效地平衡能量管理策略的最优性和实时性，同时降低计算复杂度。

其次，通过合理地将基于设计的可变时间范围极值学习机（ELM）在通勤交通数据中提取的最优控制规律融入在线能量管理中，所提出的上层指导型MPC方案能够实现c-PHEV的近似全局最优能量节省，从而激发全局优化策略的实时应用。这种方法利用了ELM在复杂数据中的泛化能力，使得在不同路段和不同驾驶条件下，都能获得高效的控制策略。通过这种方式，不仅提高了燃油经济性，还增强了系统的适应性和鲁棒性。

第三，下层的自适应协调控制方案确保了对发动机响应较慢导致的瞬态响应偏差的快速补偿，并实现了良好的跟踪控制性能。该方案通过估计神经网络近似和扰动观测的误差上界，避免了观测器和控制器的高增益问题，从而提高了系统的稳定性。这种自适应固定时间控制（AFTC）方法能够在短时间内达到稳定的控制效果，使得动力系统各组件之间的响应更加协调，从而提高了车辆的整体性能。

本文的结构如下：第二部分介绍了c-PHEV的动力系统模型、车联网环境下的驾驶场景、控制问题以及整个控制框架。第三部分详细描述了上层指导型能量管理策略的设计，第四部分则介绍了下层自适应协调控制方案的设计。第五部分通过仿真和HIL测试验证了所提出方案的有效性和优势，第六部分总结了全文的主要结论。

综上所述，本文提出了一种新的实时动态协调优化控制方案，旨在解决c-PHEV在车联网场景下的能量管理问题。该方案通过结合上层的能量管理策略和下层的自适应协调控制，实现了动力系统的高效协调。上层控制策略采用基于ELM的离线最优控制规则，通过PSO算法在不同路段进行实时优化，从而确保了较高的燃油经济性。下层控制策略则通过估计误差上界和扰动观测，实现了对瞬态响应偏差的快速补偿和良好的跟踪控制性能。通过这种方式，不仅提高了c-PHEV的燃油经济性，还增强了系统的响应速度和控制精度。本文的研究结果表明，这种分层控制方案在车联网环境下具有显著优势，能够有效地解决能量管理策略的优化与实时性之间的矛盾，同时减少计算负担。