顧琰浩，吳曉東，許敏

(上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院，上海 200240)

當(dāng)前，國(guó)家標(biāo)準(zhǔn)中汽車節(jié)能指標(biāo)和測(cè)試工況日益嚴(yán)格，在發(fā)動(dòng)機(jī)效率和動(dòng)力電池容量難以突破的前提下，混合動(dòng)力汽車成為短期滿足節(jié)能指標(biāo)的有效方案[1]。增程式電動(dòng)汽車(EREV)在純電動(dòng)車基礎(chǔ)上增加增程系統(tǒng)，可以有效提高續(xù)駛里程，并改善發(fā)動(dòng)機(jī)工作條件和效率。

國(guó)內(nèi)外學(xué)者已經(jīng)對(duì)增程式電動(dòng)車能量管理策略進(jìn)行了研究。基于PMP算法的全局優(yōu)化策略，憑借其計(jì)算速度快、計(jì)算量較動(dòng)態(tài)規(guī)劃(Dynamic Programming，DP)算法小的優(yōu)點(diǎn)成為近年全局優(yōu)化理論的研究熱點(diǎn)[2-3]。S. Onori[4]使用打靶法得到協(xié)態(tài)變量的初值。Kim[5]研究表明，PMP算法結(jié)果與DP算法非常接近，因?yàn)榭梢院侠淼丶僭O(shè)混合動(dòng)力汽車的SOC變化很小，所以PMP全局優(yōu)化控制策略的最優(yōu)協(xié)態(tài)變量λ*被認(rèn)為是一個(gè)常數(shù)。PMP全局優(yōu)化控制策略以較小的計(jì)算量獲得接近最優(yōu)的優(yōu)化效果，在離線優(yōu)化中得到廣泛應(yīng)用。但是，PMP全局優(yōu)化控制策略需要預(yù)知全局工況數(shù)據(jù)，無法用于車輛在線實(shí)時(shí)計(jì)算。

為了能夠?qū)MP策略用于實(shí)時(shí)在線計(jì)算，提出自適應(yīng)PMP控制策略，該策略通過實(shí)時(shí)提取車輛行駛數(shù)據(jù)，計(jì)算特征參數(shù)辨識(shí)當(dāng)前工況，根據(jù)工況辨識(shí)結(jié)果調(diào)整自適應(yīng)PMP控制策略的協(xié)態(tài)變量λ(t)。如何選擇合適的工況特征參數(shù)進(jìn)行工況辨識(shí)，對(duì)自適應(yīng)PMP控制策略的優(yōu)化結(jié)果具有重要影響，逐漸被研究者所重視。Kuhler[6]提出10個(gè)特征參數(shù)用于辨識(shí)工況，包括平均速度、平均加速度等。Song[7]根據(jù)經(jīng)驗(yàn)選擇特征參數(shù)。Montazeri-Gh等[8]利用相關(guān)性分析方法來挑選與油耗水平相關(guān)的特征參數(shù)。謝海明[9]選擇最優(yōu)百公里燃油消耗量v*作為相關(guān)性參數(shù)，通過分析特征參數(shù)與工況百公里燃油消耗量v*之間的相關(guān)性，選擇合適的特征參數(shù)。將與工況最優(yōu)百公里燃油消耗量v*相關(guān)性最高的特征參數(shù)作為工況辨識(shí)特征參數(shù)的自適應(yīng)PMP控制策略(自適應(yīng)PMP(v)策略)被廣泛應(yīng)用。

對(duì)于兩種完全不同的工況，如果在PMP全局控制策略下具有不同的最優(yōu)協(xié)態(tài)變量λ*和相同的最優(yōu)百公里燃油消耗量v*，自適應(yīng)PMP(v)策略會(huì)將兩種工況視為等效，采用同樣的協(xié)態(tài)變量進(jìn)行控制，顯然得不到理想效果。

針對(duì)自適應(yīng)PMP(v)策略存在的問題，本研究提出將與工況在PMP全局優(yōu)化控制策略下的最優(yōu)協(xié)態(tài)變量λ*相關(guān)性最高的特征參數(shù)作為工況辨識(shí)特征參數(shù)的自適應(yīng)PMP控制策略(自適應(yīng)PMP(λ)策略)，提高工況辨識(shí)結(jié)果與PMP控制策略匹配性。以現(xiàn)有的增程式電動(dòng)車工況辨識(shí)策略為基礎(chǔ)，通過建立多微行程的優(yōu)化數(shù)據(jù)庫(kù)，在傳統(tǒng)聚類方法基礎(chǔ)上提高辨識(shí)精度?；谲囕v實(shí)時(shí)運(yùn)行的坐標(biāo)向量，對(duì)PMP優(yōu)化算法的協(xié)變量進(jìn)行在線自適應(yīng)調(diào)整，實(shí)現(xiàn)對(duì)不同駕駛工況的動(dòng)態(tài)優(yōu)化，提高增程式電動(dòng)汽車在未知工況下的燃油經(jīng)濟(jì)性。

1 車輛參數(shù)與建模

增程式電動(dòng)汽車的基本結(jié)構(gòu)與能量流動(dòng)方向[10]見圖1。增程式電動(dòng)汽車在結(jié)構(gòu)上屬于串聯(lián)式混合動(dòng)力汽車，只由驅(qū)動(dòng)電機(jī)通過傳動(dòng)裝置驅(qū)動(dòng)車輪，發(fā)動(dòng)機(jī)和ISG電機(jī)組成的APU不直接和驅(qū)動(dòng)輪連接，只作發(fā)電使用。

圖1 增程式電動(dòng)汽車基本結(jié)構(gòu)和能量流

1.1 整車動(dòng)力學(xué)模型

為了評(píng)價(jià)EREV的能量管理策略，建立了基于Matlab/Simulink平臺(tái)的前向非線性車輛模型(見圖2)。該模型擁有駕駛員模塊，同時(shí)驅(qū)動(dòng)電機(jī)具有制動(dòng)能量回收功能，其他模塊包括傳動(dòng)系統(tǒng)、制動(dòng)器、動(dòng)力學(xué)模型、APU模型、儲(chǔ)能電池模型。

圖2 Simulink平臺(tái)下前向非線性車輛模型

式(1)為車輛行駛方程，驅(qū)動(dòng)電機(jī)輸出力矩需要克服道路荷載，這些荷載包括滾動(dòng)阻力、空氣動(dòng)力阻力、坡道阻力和加速阻力。

(1)

式中：TEM為驅(qū)動(dòng)電機(jī)輸出力矩；iT為傳動(dòng)系統(tǒng)減速比；ηT為傳動(dòng)系統(tǒng)效率；rW為車輪半徑；m為車輛基準(zhǔn)質(zhì)量；g為重力加速度，9.8 m/s2；μf為滾動(dòng)阻力系數(shù)；α為坡度角；CD為風(fēng)阻系數(shù)；AD為迎風(fēng)面積；ρa(bǔ)為空氣密度，1.293 kg/m3；u為車速；δ為車輛當(dāng)量慣量系數(shù)。

1.2 APU模型

(2)

圖3 APU燃油消耗率圖及最高效率曲線

1.3 儲(chǔ)能電池模型

增程式電動(dòng)車的能量存儲(chǔ)電池使用Rint模型進(jìn)行設(shè)計(jì)[11](見圖4)。這里忽略了溫度和健康程度(SOH)對(duì)電池參數(shù)的影響。儲(chǔ)能電池電流和荷電狀態(tài)見式(3)和式(4)。

圖4 電池Rint模型

(3)

式中：Ib為動(dòng)力電池輸出電流；Eb為動(dòng)力電池電動(dòng)勢(shì)；Rb為動(dòng)力電池內(nèi)阻；Pb為動(dòng)力電池輸出功率。

(4)

式中：SOC為動(dòng)力電池荷電狀態(tài)(State of Charge)；Qb為動(dòng)力電池電容量。

2 微行程樣本與PMP控制策略

自適應(yīng)控制中的樣本需要有典型性、差異性和全面性。典型性是指單個(gè)樣本要能突出地反映一類行駛狀況；差異性是指樣本個(gè)體之間要有明顯區(qū)分；全面性是指樣本整體需要覆蓋盡可能多的現(xiàn)實(shí)可能。在工況循環(huán)、微行程和時(shí)間窗口這三種樣本建立方案中，選擇微行程作為樣本創(chuàng)建方式，因?yàn)槲⑿谐叹哂型暾钠鹜＿^程，微行程之間具有明顯的典型性、差異性[12]。

2.1 微行程樣本的建立

NEDC是歐洲、中國(guó)、澳大利亞等國(guó)家和地區(qū)現(xiàn)行使用的工作循環(huán)，由市區(qū)運(yùn)轉(zhuǎn)循環(huán)和市郊運(yùn)轉(zhuǎn)循環(huán)組成。WLTP為聯(lián)合國(guó)推行的輕型汽車測(cè)試程序，在全世界范圍內(nèi)收集真實(shí)的行駛工況數(shù)據(jù)，包含低速、中速、高速和超高速4種工況區(qū)間。US06是美國(guó)高速度、高加速度工作循環(huán)。選擇NEDC、WLTP、US06這3種工作循環(huán)作為樣本數(shù)據(jù)，可以覆蓋車輛運(yùn)行的常見速度區(qū)間和加速度區(qū)間。

NEDC、WLTP、US06工作循環(huán)總計(jì)有16種微行程(見圖5至圖7)，設(shè)微行程為M1，…M16。

圖5 NEDC工作循環(huán)和微行程

圖6 WLTP工作循環(huán)和微行程

圖7 US06工作循環(huán)和微行程

對(duì)于每種微行程Mi，通過以下方式獲得對(duì)應(yīng)的樣本Yi：

1) 如果微行程Mi的時(shí)間長(zhǎng)度不小于150 s，則微行程Mi直接作為樣本Yi；

2) 如果微行程Mi的時(shí)間長(zhǎng)度小于150 s，則重復(fù)微行程Mi，直到總時(shí)間長(zhǎng)度不小于150 s，作為一個(gè)樣本Yi。

通過以上方式，可以得到樣本Y1，…Y16，樣本時(shí)長(zhǎng)Ti≥150 s。

2.2 PMP全局優(yōu)化控制參數(shù)

蘇聯(lián)學(xué)者龐特里亞金在1957—1958年創(chuàng)立極小值原理。PMP控制策略目標(biāo)參數(shù)：

(5)

(6)

系統(tǒng)狀態(tài)方程：

(7)

根據(jù)式(5)和式(7)，建立哈密爾頓函數(shù)：

(8)

式中：λ(t)為協(xié)態(tài)變量。

當(dāng)SOC在小范圍內(nèi)變化時(shí)，SOC(t)近似為常數(shù)[13]：

(9)

所以PMP全局優(yōu)化控制策略所采用的最優(yōu)協(xié)態(tài)變量λ*(t)可視為常數(shù)，且等于最優(yōu)協(xié)態(tài)變量的初始值λ*(0)，即有：

λ*(0)=λ*(t)=λ*。

(10)

(11)

s.t. SOC(t0)=SOC0，
SOC(tf)=SOCf。

根據(jù)式(11)，對(duì)16個(gè)樣本分別使用PMP全局優(yōu)化算法進(jìn)行仿真，設(shè)定SOC0=0.3，SOCf=0.3，分別得到16個(gè)樣本的最優(yōu)協(xié)態(tài)變量λi*和最優(yōu)百公里燃油消耗量vi。最優(yōu)協(xié)變量組成向量λ*=[λ1*,λ2*,…λ16*]T，最優(yōu)百公里燃油消耗量組成向量v*=[v1*,v2*,…v16*]T。

3 特征參數(shù)離線分析

為分析車輛行駛狀態(tài)和樣本的接近度，將樣本和實(shí)際行駛的“車速-時(shí)間”關(guān)系轉(zhuǎn)化為n維空間內(nèi)的樣本坐標(biāo)向量φ和行駛坐標(biāo)向量x。為保證自適應(yīng)控制的精確性，降低車輛實(shí)時(shí)計(jì)算壓力，樣本坐標(biāo)和行駛坐標(biāo)應(yīng)該在保留工況信息的同時(shí)具有較少的維度。

本研究選擇最優(yōu)協(xié)變量λ*作為相關(guān)性參數(shù)，通過相關(guān)性分析選擇合適的工況特征參數(shù)進(jìn)行工況辨識(shí)，并和以最優(yōu)百公里燃油消耗量v*作為相關(guān)性參數(shù)的方案進(jìn)行比較。

在后面的公式中，使用r代表相關(guān)性參數(shù)，兩種方案中r分別是最優(yōu)協(xié)變量λ*或最優(yōu)百公里燃油消耗量v*。

3.1 樣本特征參數(shù)提取

初步選擇k個(gè)樣本特征參數(shù)，本研究中k=21，特征參數(shù)列于表1，所有特征參數(shù)要求與樣本時(shí)長(zhǎng)無關(guān)。

表1 21個(gè)特征參數(shù)和意義

計(jì)算16個(gè)樣本在t∈[0,Ti]區(qū)間內(nèi)的k個(gè)特征參數(shù)值，得到樣本參數(shù)矩陣A：

(12)

式中：aij為樣本Yi的特征參數(shù)Cj的值，i=1，…16；j=1，…k。

對(duì)樣本參數(shù)矩陣A進(jìn)行零均值標(biāo)準(zhǔn)化：

(13)

(14)

uj為特征參數(shù)Cj的樣本平均值：

(15)

σj為特征參數(shù)Cj的樣本標(biāo)準(zhǔn)差：

(16)

特征參數(shù)Cj的參數(shù)向量：

bj=[b1j,b2j,…b16j]T，j=1，…k。

3.2 特征參數(shù)相關(guān)性分析

特征參數(shù)Cj與相關(guān)性參數(shù)r的相關(guān)性，即參數(shù)向量bj與相關(guān)性參數(shù)向量r的相關(guān)性為

(17)

得到的特征參數(shù)Cj與相關(guān)性參數(shù)r相關(guān)性見圖8。由圖8可以看到，以最優(yōu)協(xié)變量λ*和最優(yōu)百公里燃油消耗量v*為相關(guān)性參數(shù)，分析特征參數(shù)的結(jié)果具有明顯差異。對(duì)于特征參數(shù)C4，與最優(yōu)協(xié)變量λ*體現(xiàn)正相關(guān)特性，與最優(yōu)百公里燃油消耗量v*則體現(xiàn)負(fù)相關(guān)特性。對(duì)于特征參數(shù)C9，與最優(yōu)協(xié)變量λ*體現(xiàn)正相關(guān)特性，與最優(yōu)百公里燃油消耗量v*則相關(guān)度接近于0。

圖8 特征參數(shù)與相關(guān)性參數(shù)的相關(guān)性

對(duì)特征參數(shù)Ci，Cj進(jìn)行相關(guān)性分析：

(18)

在選擇的k個(gè)初步特征參數(shù)中，按照以下規(guī)則選擇有效特征參數(shù)集Ω(r)。

1) 有效特征參數(shù)集Ω(r)中所有元素滿足|ρj|>0.3，即Ω(r)所有特征參數(shù)Cj與相關(guān)性參數(shù)r的相關(guān)性大于0.3。

2) 有效特征參數(shù)集Ω(r)中任意兩個(gè)元素滿足|θij|<0.85，即當(dāng)Ci和Cj相關(guān)性絕對(duì)值|θij|>0.85時(shí)，表示Ci和Cj在物理上有本質(zhì)聯(lián)系，只保留一種特征參數(shù)。

最終得到的有效特征參數(shù)集如下：

Ω(λ)={C3,C7,C9,C14,C15,C18,C20,C21}，

Ω(v)={C2,C12,C13,C15,C16,C18}。

將Ω(r)中的特征參數(shù)重新編號(hào)，組成有效特征參數(shù)矩陣W(r)：

W(r)=[w1, …wq]=[bl1, …blq]。

(19)

式中：q為有效特征參數(shù)矩陣W(r)中特征參數(shù)的數(shù)量。對(duì)于W(λ)，q=8。對(duì)于W(v)，q=6。wj=blj。

3.3 主成分分析

Ω(r)內(nèi)特征參數(shù)之間仍然有一定的相關(guān)關(guān)系，說明這些特征參數(shù)反映的信息有一定的重疊。主成分分析是對(duì)原先提出的所有變量刪去多余，建立盡可能少的新變量，使這些新變量?jī)蓛刹幌嚓P(guān)，而且這些新變量盡可能保持原有的信息。

對(duì)矩陣W(r)進(jìn)行主成分分析，通常要求保留的主成分能夠反映原來指標(biāo)的85%以上。如圖9、圖10所示，對(duì)于W(λ)和W(v)，前4個(gè)主成分方差貢獻(xiàn)率占比分別為94.48%和98.58%，且相互獨(dú)立。經(jīng)過主成分分析，特征向量維度從8或者6降為4，使得車載VCU的計(jì)算量降低近50%，同時(shí)與工況信息參數(shù)r相關(guān)的信息得到保留。

圖9 自適應(yīng)PMP(λ)策略主成分與方差貢獻(xiàn)率

圖10 自適應(yīng)PMP(v)策略主成分與方差貢獻(xiàn)率

主成分變換公式為

[F1F2F3F4]=W(r)Ccof(r)。

(20)

其中，Ccof(r)為變換矩陣：

(21)

3.4 坐標(biāo)向量和坐標(biāo)矩陣建立

對(duì)于樣本Yi，樣本時(shí)長(zhǎng)為Ti，計(jì)算t時(shí)刻樣本Yi的主成分，得到主成分坐標(biāo)：

φi(t)=[φi,l1(t),φi,l2(t),…φi,lq(t)]Ccof，

(22)

(23)

式中：ai,lj(t)為樣本Yi在[0,t]區(qū)間內(nèi)的“車速-時(shí)間”數(shù)據(jù)計(jì)算出的特征參數(shù)Clj的值。

將樣本Yi每個(gè)時(shí)刻的樣本坐標(biāo)向量合并為樣本坐標(biāo)矩陣Φi，建立16個(gè)樣本坐標(biāo)矩陣：

Φi=[φi(1),…φi(Ti)]，i=1，…16。

(24)

樣本矩陣Φi的第t列向量代表t時(shí)刻樣本Yi在空間中的坐標(biāo)，從第1列到第Ti列代表樣本Yi坐標(biāo)從第1 s到第Tis的變化過程。

4 自適應(yīng)PMP實(shí)時(shí)控制策略

4.1 在線樣本識(shí)別

車輛實(shí)時(shí)運(yùn)行過程中，每個(gè)微行程開始，t=0，自適應(yīng)PMP控制系統(tǒng)開始執(zhí)行，系統(tǒng)開始記錄當(dāng)前微行程內(nèi)的車速信息，1 s記錄一次，并轉(zhuǎn)化為車輛實(shí)時(shí)行駛坐標(biāo)數(shù)據(jù)庫(kù)X。微行程結(jié)束時(shí)，車輛停車，自適應(yīng)PMP控制系統(tǒng)關(guān)閉，車輛車速信息和實(shí)時(shí)行駛坐標(biāo)數(shù)據(jù)庫(kù)X清空。

在微行程內(nèi)的t時(shí)刻，車速信息保存如下，最多保存150個(gè)車速信息。

(25)

通過以下公式將U(t)中的車速信息轉(zhuǎn)化為實(shí)時(shí)坐標(biāo)向量：

x(t)=[xl1(t),…xlq(t)]·Ccof，

(26)

(27)

建立車輛運(yùn)行過程中的行駛坐標(biāo)矩陣X(t)，X(t)每秒更新一次。

(28)

使用矩陣或者向量差的2-范數(shù)表征車輛實(shí)時(shí)行駛坐標(biāo)與樣本坐標(biāo)的之間的距離。當(dāng)t<150 s時(shí)，由于數(shù)據(jù)量少，使用全部坐標(biāo)數(shù)據(jù)判別當(dāng)前行駛工況與每個(gè)樣本的接近度。當(dāng)t≥150 s時(shí)，車輛實(shí)時(shí)工況趨向穩(wěn)定，最后一個(gè)坐標(biāo)向量包含了之前150 s內(nèi)的所有數(shù)據(jù)，所以使用樣本坐標(biāo)矩陣和行駛坐標(biāo)矩陣的最后一個(gè)坐標(biāo)向量判斷當(dāng)前工況與每個(gè)樣本的歐幾里得距離。

(29)

(30)

4.2 協(xié)態(tài)變量修正

對(duì)于式(9)，固定SOCf=0.3，調(diào)整SOC0分別為0.29，0.295，0.3，0.305，0.31，得到PMP全局優(yōu)化控制策略下SOC變化曲線與相應(yīng)的最優(yōu)協(xié)變量λ*。圖11示出樣本Y1的SOC變化曲線， SOC0=0.31時(shí)SOCf不為0.3，是因?yàn)楫?dāng)APU完全不啟動(dòng)時(shí)，依然無法達(dá)到SOCf=0.3。圖12示出樣本Y6的SOC變化曲線。

圖11 樣本Y1 SOC曲線與最優(yōu)協(xié)變量

圖12 樣本Y6 SOC曲線與最優(yōu)協(xié)變量

根據(jù)樣本Yi和初始SOC0，考慮到當(dāng)SOC(t)<0.287 5時(shí)電池電量過低，APU需要啟動(dòng)，而當(dāng)SOC(t)>0.312 5時(shí)電池電量過高，APU需要關(guān)閉，修正后的自適應(yīng)協(xié)態(tài)變量為

(31)

式中：λon是使APU必然啟動(dòng)的協(xié)態(tài)變量，本研究中λon=-3 700；λoff是使APU必然關(guān)閉的協(xié)態(tài)變量，本研究中λoff=-3 400；S(t)是實(shí)時(shí)SOC(t)進(jìn)行離散化修正后的值，離散化方法見圖13。

圖13 SOC(t)網(wǎng)格離散化方式

4.3 試驗(yàn)仿真

分別使用SC03工況和HWFET工況進(jìn)行PMP全局優(yōu)化和自適應(yīng)PMP控制策略的比較測(cè)試。圖14示出SC03工況圖，1個(gè)SC03循環(huán)過程中系統(tǒng)識(shí)別出的最接近樣本見圖15，在1個(gè)SC03循環(huán)中系統(tǒng)給出的最優(yōu)協(xié)變量數(shù)值變化過程見圖16。由圖15和圖16可以看出，在每一個(gè)微行程內(nèi)，自適應(yīng)PMP(λ)控制策略都比自適應(yīng)PMP(v)控制策略更快進(jìn)入辨識(shí)穩(wěn)定狀態(tài)。

圖14 SC03工作循環(huán)

圖15 自適應(yīng)PMP策略對(duì)SC03工況的樣本擬合

圖16 自適應(yīng)PMP策略在SC03工況下的協(xié)變量

圖17和圖18示出10個(gè)SC03工況和10個(gè)HWFET工況的仿真結(jié)果。油耗仿真結(jié)果顯示，自適應(yīng)PMP(λ)策略SOC邊界為0.292～0.302(SC03)和0.3～0.306(HWFET)，由于SOC在線修正算法，自適應(yīng)PMP(λ)策略比全局優(yōu)化PMP策略的SOC邊界0.292～0.307(SC03)和0.275～0.31(HWFET)具有更小的SOC變化區(qū)間，有助于延長(zhǎng)動(dòng)力電池壽命。自適應(yīng)PMP(λ)策略綜合百公里燃油消耗量為3.700 L(SC03)和4.906 L(HWFET)，比全局優(yōu)化PMP策略高1.5%～1.6%。

圖17 SC03工況下PMP控制SOC變化曲線

圖18 HWFET工況下PMP控制SOC變化曲線

自適應(yīng)PMP(v)算法SOC邊界為0.287 5～0.3(SC03)和0.287 5～0.31(HWFET)，實(shí)際上0.287 5是SOC在線修正策略所規(guī)定的硬邊界，說明自適應(yīng)PMP(v)算法無法實(shí)現(xiàn)SOC自適應(yīng)回正。自適應(yīng)PMP(v)算法綜合百公里燃油消耗量為3.724 L(SC03)和4.937 L(HWFET)，兩種工況下均高于自適應(yīng)PMP(λ)策略。

表2列出自適應(yīng)PMP(λ)策略的實(shí)時(shí)優(yōu)化結(jié)果。相比全局優(yōu)化PMP算法提前知道工況數(shù)據(jù)下的結(jié)果，自適應(yīng)PMP(λ)策略的油耗僅增加1.6%，但是無需提前知道工況數(shù)據(jù)，具有較高的工況自適應(yīng)能力，有利于提高電池壽命。同時(shí)自適應(yīng)PMP(λ)策略在電池壽命和油耗上都好于自適應(yīng)PMP(v)策略。

表2 百公里燃油消耗量仿真結(jié)果 L

5 結(jié)束語

以增程式電動(dòng)汽車的能量?jī)?yōu)化管理為研究對(duì)象，分析了PMP控制最優(yōu)協(xié)態(tài)變量與行駛工況特征參數(shù)的關(guān)系，實(shí)現(xiàn)增程式電動(dòng)車在未知工況下PMP控制中的協(xié)態(tài)變量自適應(yīng)優(yōu)化。

以PMP控制策略協(xié)態(tài)變量作為特征參數(shù)相關(guān)性分析的依據(jù)建立工況識(shí)別策略，具有較好的工況識(shí)別效果，有助于節(jié)省燃油消耗，延長(zhǎng)動(dòng)力電池壽命。

在不同的控制策略下，根據(jù)控制策略的決策變量選擇工況特征參數(shù)進(jìn)行工況辨識(shí)，可以實(shí)現(xiàn)更好的自適應(yīng)控制效果，優(yōu)于根據(jù)經(jīng)驗(yàn)選擇特征參數(shù)和根據(jù)油耗選擇特征參數(shù)進(jìn)行工況辨識(shí)。