本书首先以商用车混合动力系统能量流动为出发点，提出了混合动力系统瞬时效率最优的控制方法，并得到了实际案例的验证。其次针对实际公交客车复杂行驶工况数据，提出了基于能耗特征的数据挖掘方法，对车联网数据进行了有效利用。在此基础上，提出有效利用车联网信息的分层优化自适应智能能量管理方法与深度强化学习智能能量管理控制方法，并对这些智能能量管理控制方法的最优性与工况适应性、实时性均进行了验证。本书紧密结合工程应用的基本要求，内容完整、系统、重点突出，强调知识的应用性，具有较强的针对性。本书适合汽车研发设计、教学科研等相关人员使用。

《混合动力系统优化及智能能量管理》是是一本难得的实用技术专著。专注于混合动力系统优化及智能能量管理的核心和关键技术进行了较系统和深入的介绍，以商用车混动系统能量流动为出发点，提出了混动系统瞬时效率优化的控制方法，并得到了实际案例的验证。《混合动力系统优化及智能能量管理》紧密结合工程应用的基本要求，内容完整系统、重点突出，所用资料能够更新、更准确地解读问题点。在注重混合动力系统优化及智能能量管理技术知识的同时，强调知识的应用性，具有较强的针对性。适合汽车研发设计、教学科研等相关人员使用。

汽车在给世界各国工业生产及人们生活带来巨大便利的同时，也造成了全球能源短缺、气候变暖、环境污染等一系列问题，为此，世界各国相继出台政策文件，大力支持节能汽车与新能源汽车的发展。自2001 年，我国先后在十五至十四五规划中持续制定了多项节能与新能源汽车发展规划。在节能技术体系中，动力电池在成本、性能及安全性等方面存在短板，极大地限制了纯电动汽车的发展，而混合动力汽车通过多动力源协作与能量回收等途径可显著节能，在诸多领域如重载、远距等运输需求下具备比纯电动汽车更加显著的优势，因而混合动力汽车仍将在中长期内占据节能及新能源汽车市场的主要份额，具备广阔的市场应用前景。可见，以混合动力系统为基础，突破以高效、节能 为导向的设计与控制关键理论技术，已经成为我国节能与新能源产业发展的共性需求。
在移动互联、大数据等技术的推动下，汽车产业正向智能化、网联化快速融合发展。早在2015 年国务院印发的《中国制造2025》里，智能网联汽车便已经被当作汽车产业未来转型升级的重要方向。与此同时，面对日益突出的燃油供求矛盾和环境污染问题，我国针对节能与新能源汽车相继出台了相关发展规划和技术路线。可以预见，关于先进节能技术的研究将是节能汽车研究领域的重点，网联化、电动化的融合将成为节能与新能源汽车领域重要的发展方向。而本书所探讨的混合动力汽车是一个复杂的非线性多动力源系统，如何基于车联网提取可利用信息，采用有效的智能控制方法，对混合动力汽车的能量管理策略进行优化控制，实现各动力源更高效合理的工作，进而逐步提高混合动力汽车在不同路况、不同地区的节能水平和适应性，是当前智能网联混合动力汽车研究的关键，也是当前网联化、电动化、智能化技术在混合动力汽车领域融合发展的行业需求。
基于以上背景，结合作者及研究团队自1999 年以来从事节能与新能源汽车研发设计，特别是混合动力汽车先进设计与控制技术的研究经验和成果撰写形成此书。本书在汽车节能减排与网联化 的时代背景下，围绕如何实现车辆混合动力系统的高效优化设计，如何有效利用车联网信息提高车辆混合动力系统的节能潜力开展技术介绍。本书通过建立构型拓扑，提出基于 Isight 平台的参数-控制双层优化架构，分析不同构型各部件参数的取值趋势和范围，实现混合动力系统优化设计，并在不同构型混合动力系统上得到验证。另外，通过分析车联网平台数据的特点和问题，介绍了行驶工况数据处理方法，针对实际车辆复杂行驶工况数据，提出基于能耗特征的数据挖掘方法，对车联网数据进行有效利用。在此基础上，结合数据挖掘结果，本书介绍了两种智能能量管理策略： 一是从提升策略对于工况信息的利用程度出发，建立了基于行驶工况信息的分层优化自适应智能能量管理策略；二是从适应性较强的学习型智能算法角度，建立了固定线路全局优化的深度强化学习能量管理策略，两种策略都提升了混合动力车辆能量管理策略的最优性和工况适应性，并利用硬件在环测试平台完成了对两种智能能量管理控制策略实时性的测试和验证。本书创新性地、有效地挖掘了车联网信息并用于能量管理优化控制，充分发挥了车辆混合动力系统的节能潜力，为汽车深度节能技术的发展奠定了基础。
本书由吉林大学曾小华教授、清华大学王越博士后、吉林大学黄钰峰博士研究生和一汽解放商用车开发院陈建新工程师著。在编写的过程中，得到了吉林大学车辆工程专业研究生李凯旋、王一阳、向荣辉的鼎力支持与协助，吉林大学车辆工程专业博士研究生张轩铭也为本书的校核和审阅提出了宝贵的建议。在此，一并表示感谢。
由于本书涉及内容广泛以及编者水平有限，书中不妥之处在所难免。欢迎使用本书的广大读者批评指正。E-mail：zeng.xiaohua@ 126.com

著者

曾小华，吉林大学汽车仿真与控制国家重点实验室教授、博士生导师。主要研究领域：节能与新能量汽车关键技术的研究，主要包括油电混合动力汽车、液压混合动力汽车的驱动理论、设计方法与控制技术。1999年开始并一直进行节能与新能源汽车技术开发，已发表论文50余篇，为多家国内外权威期刊论文评审专家；申请专利10余项，已获授权发明专利7项。负责与参加20余项国家863项目、自然基金项目，省部级重点、重大项目以及龙头整车企业项目。积累了丰富的节能与新能源汽车技术开发经验和成果。教育背景：1995至1999年就读于吉林工业大学汽车学院车辆工程系，获得工学学士学历；1999至2002年就读于吉林大学汽车工程学院车辆工程系，获得工学硕士学位；2002至2006年就读于吉林大学汽车工程学院车辆工程系，获得工学博士学位；工作经历：2000年－2004年，吉林大学，汽车动态模拟国家重点实验室，助教2004年－2008年，吉林大学，汽车动态模拟国家重点实验室，讲师2008年－2013年，吉林大学，汽车仿真与控制（原汽车动态模拟）国家重点实验室，副教授，硕士生导师2013年至今，吉林大学，汽车仿真与控制（原汽车动态模拟）国家重点实验室，教授，博士生导师。

第1章　绪论 001
1.1　节能与新能源汽车的发展概况 002
1.2　混合动力系统优化设计方法研究 004
1.2.1　混合动力系统构型拓扑研究现状 005
1.2.2　混合动力系统设计参数与控制联合优化研究现状 009
1.3　融合车联网信息的混合动力系统能量管理控制研究 011
1.3.1　车联网与车辆节能技术 011
1.3.2　混合动力车辆行驶工况信息研究现状 015
1.3.3　混合动力车辆能量管理策略研究现状 018
1.4　本章结语 023

第2章　混合动力系统优化设计方法 025
2.1　混合动力系统构型拓扑分析 026
2.1.1　构型拓扑生成 026
2.1.2　生成结果与分析 035
2.2　混合动力系统内外双层参数优化方法 040
2.2.1　优化三要素的确定 041
2.2.2　混合动力系统参数-控制双层优化算法设计 045
2.3　优化结果验证与分析 048
2.4　本章结语 066

第3章　基于车联网信息行驶工况处理 068
3.1　车联网信息下汽车行驶工况数据获取 069
3.1.1　新能源汽车车联网平台介绍 069
3.1.2　基于车联网的行驶工况数据获取 072
3.1.3　车联网平台下行驶工况数据质量问题 075
3.2　车联网平台下行驶工况数据缺失与数据噪声处理 077
3.2.1　基于插补与神经网络的缺失数据估计方法 078
3.2.2　基于小波变换的噪声数据滤波方法 078
3.2.3　行驶工况噪声数据清洗方法 080
3.3　车联网平台下行驶工况数据处理的评价方法 083
3.3.1　行驶工况数据误差评价指标 083
3.3.2　行驶工况特征参数评价指标 083
3.4　本章结语 084

第4章　基于车联网信息行驶工况数据挖掘 085
4.1　数据挖掘理论在行驶工况数据中的应用 086
4.2　基于能耗特性的公交线路行驶工况特征参数分析 087
4.2.1　公交线路特征统计分析 088
4.2.2　基于公交客车线路特点的行驶工况特征参数集 090
4.2.3　车辆能耗特性与工况特征关系分析 092
4.2.4　基于能耗回归分析模型的工况特征参数筛选 096
4.3　基于能耗特征与线路特征参数的固定线路行驶工况合成 097
4.3.1　基于K-Means 算法的工况聚类分析 098
4.3.2　马尔可夫链状态转移矩阵 100
4.3.3　公交线路行驶工况合成结果分析 101
4.4　基于能耗特征与线路特征参数的未来行驶工况智能预测 103
4.4.1　基于LS-SVM 和BP-NN 的智能预测模型 103
4.4.2　未来工况智能预测模型对比 105
4.4.3　未来工况预测精度影响因素分析 108
4.4.4　未来工况预测模型的鲁棒性分析 112
4.5　本章结语 114

第5章　基于行驶工况信息的分层优化自适应能量管理策略 115
5.1　行星式混合动力公交客车功率分流特性及其能量管理 116
5.1.1　双行星排功率分流式混合动力系统构型 116
5.1.2　双行星排式混合动力系统功率分流状态分析 119
5.1.3　双行星排式混合动力系统能量管理策略 121
5.2　分层优化自适应智能能量管理策略概述 125
5.2.1　分层优化自适应智能能量管理策略研究内容 125
5.2.2　分层优化自适应智能能量管理策略架构 126
5.3　基于固定线路合成工况的近似全局最优控制 127
5.3.1　考虑终止约束的全局优化SOC 轨迹求解 128
5.3.2　基于近似全局最优的模式切换规则提取 131
5.3.3　基于近似全局最优的SOC 轨迹规划模型 133
5.4　基于未来工况预测的A-ECMS 自适应控制 135
5.4.1　基于PMP 的等效燃油消耗最小策略 136
5.4.2　基于未来工况预测信息的自适应规律 139
5.4.3　基于LQR 控制器的SOC 跟随策略 140
5.5　分层优化自适应智能能量管理策略验证与分析 142
5.5.1　分层优化自适应智能能量管理策略最优性 142
5.5.2　分层优化自适应智能能量管理策略适应性 147
5.6　硬件在环试验 148
5.6.1　硬件在环试验平台 148
5.6.2　硬件在环试验结果分析 150
5.7　本章结语 153

第6章　基于固定线路全局优化的深度强化学习能量管理策略 154
6.1　学习型智能能量管理控制策略概述 155
6.1.1　学习型智能能量管理策略研究进展 155
6.1.2　学习型智能能量管理的控制问题 157
6.2　基于固定线路全局优化的深度强化学习能量管理策略 159
6.2.1　Deep Q-Learning 深度强化学习算法 159
6.2.2　基于固定线路行驶信息的深度强化学习策略架构 161
6.2.3　Deep Q-Learning 能量管理策略算法设计 162
6.3　基于固定线路全局优化的深度强化学习能量管理策略验证 163
6.3.1　F-DQL-EMS 智能能量管理策略的最优性 164
6.3.2　F-DQL-EMS 智能能量管理策略的工况适应性 167
6.4　硬件在环试验 168
6.5　两种智能能量管理策略对比分析 170
6.5.1　智能能量管理策略的最优性 170
6.5.2　智能能量管理策略的工况适应性 171
6.5.3　智能能量管理策略的总结分析 172
6.6　本章结语 172

第7章　全书总结 174
7.1　内容总结 175
7.2　未来展望 176

名词简写 178

名词索引 179

参考文献 182