在节能减排的大背景下,世界各国都制定了严格的车辆油耗和排放法规。混合动力车辆是当前的发展重点之一,能量管理控制策略是决定混合动力车辆动力性、经济性和排放性的关键因素。以P2并联这一典型结构形式的混合动力车辆为研究对象,考虑到其混杂系统的特性,采用混杂模型预测控制策略对其进行优化控制,并对其节油效果和计算速度进行优化。研究内容包括:(1)模型构建及验证。针对P2结构的并联式混合动力车辆,采用前向仿真的方法构建整车模型,采用等效燃油消耗最小算法对整车模型进行控制,将仿真结果和实车测试结果进行对比分析,验证仿真模型的有效性,为后续控制策略的研究打下基础。(2)采用非线性优化算法对模型预测控制问题进行求解。假设工况信息局部可知,对预测步长为2~30时进行仿真计算,分析预测步长对车辆燃油经济性的影响,并选择合适的预测步长。动态规划算法的求解速度较慢,采用连续广义最小残差算法来提高计算速度,将上述两种算法的仿真结果进行对比分析。(3)基于混杂模型预测控制算法的仿真分析。对象车辆模型中同时包含连续变量和离散变量,是典型的混杂系统,采用混杂模型预测控制算法对其优化求解。首先,对模型中的非线性部分进行线性化处理;然后,将模型转化成混合逻辑动态系统模型;最后,采用混合整数二次规划算法对其进行优化求解,并对其优化结果和运算速度进行分析。(4)基于分层混杂模型预测控制算法的仿真分析及实车验证。首先,对包含离散变量的混杂非线性模型进行外凸化处理;然后,将混杂非线性优化问题分解为转矩优化和传动比优化两部分,对其进行优化求解;最后对分层混杂模型预测控制算法的优化结果和运算速度进行对比分析。(5)模型预测控制算法的应用。当工况信息不可知时,可采用指数预测、神经网络预测和基于工况识别的神经网络预测三种方法对工况进行预测,分析工况预测的误差对燃油经济性的影响。根据网联信息可获得前车信息、红绿灯信息和道路坡度信息,在此基础上采用模型预测控制对车队进行控制,分析网联信息对车队燃油经济性的影响。通过上述研究工作,获得以下结论:(1)基于模型预测控制框架,当工况信息局部可知时,随着预测步长的增加,车辆燃油经济性不断增加,但是单步求解时间也不断增加,综合考虑车辆燃油经济性和求解时间,最终选择预测步长为15步。连续广义最小残差算法的百公里油耗相对于动态规划算法,在NEDC、LA92、UDDS和WLTC四个标准工况下分别增加了:28.9%、42.3%、59.2%和27.6%,其优化效果较差,且不能处理离散变量,不适合对混杂模型进行优化求解。(2)采用混杂模型预测控制算法时的车辆燃油经济性相对于连续广义最小残差算法在NEDC、UDDS和WLTC三个循环工况下分别提高了9.1%、8.3%和3.0%,在LA92工况下的降低了4.3%。混杂模型预测控制算法的单步求解时间随着预测步长的增加而快速增加,当取预测步长为1、3、6时,单步求解时间分别为:0.14s、1s、11.7s。此算法的求解速度较慢,不能满足实车使用的需求。(3)在NEDC、UDDS、LA92和WLTC四个标准循环工况下,基于分层混杂模型预测控制的车辆燃油经济性,相对于等效燃油消耗最小算法分别提高了5.5%、3.7%、12.2%和7.8%,分层混杂模型预测控制的单步运算时间在0.4s左右,具有实际应用的潜力。针对线性时变模型预测控制部分在实车上进行测试,通过调整控制量/控制量增量的权重和发动机启动条件,三次测试的结果分别为7.03L/100km、6.4 L/100km和6.2L/100km,验证了算法的优化效果和实时性。(4)基于工况识别的神经网络预测方法的工况预测精度最高,工况预测误差会造成车辆燃油经济性的降低。基于车联网的条件下,当前车信息可知时,可使得车队的燃油经济性更高、跟车距离更短、乘坐舒适性更好。当前车信息可知时,车队油耗在不同工况下都会有略微下降;当红绿灯信息可知时,车辆加减速的幅度更小、停车时间更短,车队燃油经济性可提高6.6%;当道路坡度信息可知时,车队的燃油经济性可提高5.1%。本文以P2结构的并联混合动力车辆为对象开展了能量管理算法研究,表明:基于分层混杂模型预测控制算法,结合网联信息,可有效提高混合动力车辆的节油效果。本文研究可为并联式混合动力车辆能量管理策略的开发提供理论依据和参考。