近些年来，全球正在加速向新能源的方向发展，对于传统的汽车行业同样如此。增程式电动汽车(RangeExtendedElectricVehicle，REEV)具有智能化和电动化程度高、无里程焦虑等优点，受到了广泛关注。REEV能量管理策略是影响整车性能的关键技术之一，目前基于优化的能量管理策略由于实时性问题，无法在实车上应用，因此本文开展了基于工况识别的能量管理策略研究。 首先，基于整车动力系统结构和基本参数在MATLAB/Simulink平台上搭建了整车模型。随后在此基础上建立了基于规则策略的REEV能量管理策略并在测试工况上进行了验证，为后续研究奠定了基础。 其次，研究了动态规划(DynamicProgrammingAlgorithms，DP)算法在REEV能量管理策略上的应用。根据庞特里亚金极小值原理，研究了等效燃油消耗最小策略。针对不同工况下等效燃油因子无法确定的问题，研究了基于简单SOC规划的自适应等效燃油消耗最小策略(AdaptiveEquivalentConsumptionMinimizationStrategy,A-ECMS)。 再其次，本文研究不同工况下SOC的最优控制规律。实车采集道路工况数据，将采集的工况划分成若干工况片段，计算各工况片段特征参数之间的相关系数，通过比较选取“平均车速”和“平均功率”两个特征参数来代表工况片段信息。采用聚类算法对工况片段进行聚类分析，得到了四类典型工况和四个聚类中心点。基于四个聚类中心点，采用距离判别法设计了工况识别算法;基于四类典型工况，通过DP算法研究了不同典型工况下的SOC最优的控制规律，确定了每类典型工况的电量分配值。 最后，本文设计了基于工况识别的A-ECMS模型。首先，基于高德地图数据计算规划行程中各类工况占比，由各类工况占比可根据SOC规划算法对电池SOC进行规划，在行程中采用工况识别算法识别当前工况类别并对SOC电量分配值进行自适应调用，基于此搭建了基于工况识别的A-ECMS模型。在和基于规则策略以及基于简单SOC规划策略的仿真对比中，基于工况识别的A-ECMS的节油率相比于规则策略提高了约8％,相比于简单SOC规划策略提高了约2％。最后基于NI的实时系统搭建了硬件在环测试平台，并在该平台上对控制策略进行了验证，实验证实，针对REEV开发的基于工况识别的A-ECMS在实时的环境中与在Simulink仿真环境中一样具备很好的控制效果和相比于规则策略更优的燃油经济性。
NETL
