2020年12月23日，中国汽研成功举办《2020第三届新能源汽车测试评价技术国际论坛》。中国汽研将持续为大家推送精彩演讲实录，本文为吉林大学许楠博士带来的《新能源汽车+信息，为绿色出行赋能》。

1 车辆能量管理方法研究现状

谈到绿色出行，它与能量管理方法的联系在于绿色出行本质上被定义为是对环境产生最小影响的一类出行方式，从环境角度来讲，就是少用能同时少排放，因此用能是绿色出行方式的源头与核心。以下将从车辆能量管理方法入手，讲述目前在能量管理方法上的举措以及对于绿色出行的帮助。

目前，车辆能量管理控制方法包括两种，一种是局部最优策略，应用较为简单，也是在实车上应用较多的，比如基于规则类，控制规则简单，实时性好，但规则提取需要丰富的先验知识；比如瞬时优化，可以保证每一步长内油耗最优，但无法保证全局最优。另一种是全局最优策略，也就是车辆从出发地到目的地的累计能耗，或是累计污染物排放能达到最优效果，分为动态规划（DDP）和随机动态规划（SDP），DDP的好处在于使得新能源汽车能达到理论最优控制效果，但需在特定驾驶循环下；对于SDP，考虑工况可预测性，可实时应用，但预测准确性有待提高。两者在随机性上存在不同，需要互补。目前全局最优策略没有广泛在实车上应用的主要问题在于计算负荷过大，以目前车辆单片机系统算力，还很难达到实时在线计算。未来基于数据驱动可成为信息落地的途径，针对实车应用，可在线下做一些针对全局的标定工作，制定成规则式的控制策略或是map在实车上应用，随着车辆算力的不断提升，全局策略参与到绿色出行的方向将会越来越广。

不光在理论上，目前某些车企已研究出基于道路先验信息的全局优化式能量管理控制系统，重点落地比较明显的是针对商用车，因为商用车用户对于经济性的要求相对更多。比如梅赛德-奔驰，它的辅助系统-动力总成预控制系统(PPC) ，将路线的三维GPS数据与当前的车辆数据和动力总成相结合，根据地形预测性的调节档位，可降低5%的燃油消耗。比如雷诺Optifuel Lab，利用导航与交通、气象预报及轮胎数据，优化预见性车速，实现最大化节能，提升卡车的能源效益，比标准版油耗降低13%。包括国内的解放汽车也提出了预见性档位系统等。对于乘用车，比如本田，“Eco Assist节能驾驶辅助系统”，可有效控制进气阀门的开合度，使发动机平顺运行，并智能调节制冷工况，从而实现节能，同时还具备“Guidance节能引导功能”和“Scoring节能计分功能”。

2 车辆能量管理面临的机遇和挑战

目前全局能量管理面临四大挑战，一是规范性，需要建立统一的DP状态空间模型，实现外界条件与工作模式的解耦，构建全局优化式能量管理框架；二是实时性，需要摆脱对确定性工况的依赖，解决“维数灾”问题，提高算法计算效率；三是准确性，需要获取全面且准确的工况信息，克服传统DP“插值泄露”问题，实现工况的自适应性；四是Markov（马尔科夫性），计算出的理论控制值是不是能够表征车辆实际使用情况，可能为了达到理论最佳值，让发动机频繁启动或频繁换档，本身有违车辆的动力平顺性，应当在保证车辆平顺性的前提下再去求解一个比较合理的全局能量规划轨迹。

全局能量管理需要一些先验性信息，信息场景包含确定性工况信息，带有历史数据的工况信息，带有约束的工况信息。确定性工况信息通过基于GPS、CAN总线的方式进行获取，挖掘车辆最大节能潜力；带有历史数据的工况信息通过大数据采集，保证在低频信息采集下能耗优化的高效性和有效性；带有约束的工况信息通过车（车辆动力性能）、人（驾驶员行为习惯）、路（道路状况）的方式获取，确定信息量与能耗之间的定量关系。

全局能量管理计算负荷较大，一方面随着V2X，ITS，云计算等技术的发展，另一方面汽车芯片算力的提升，自动驾驶软件计算量已经达到10个TOPS（Tera Operations Per Second，万亿次操作每秒）量级，传统汽车MCU的算力难以满足自动驾驶汽车的计算要求，GPU、FPGA、ASIC等AI芯片进入汽车市场，这些都为全局优化式能量管理系统在实车上的应用提供了便利。

信息落地的主要场景为大数据，特点是大量化、多样化、快速化以及价值性。在自动驾驶应用方面，基于车辆在特征道路环境、不同交通因素中的行驶特征和不同领域驾驶员的行驶需求, 对于车辆危险的预警阈值、行驶策略进行适应性调整；基于路况特征、车辆性能驾驶员操作习惯等因素提供节能减排、降低驾驶疲劳程度的行驶方案；对于商用车的管理，可针对特定区域对不同车辆设定准入分级, 设置电子围栏。在交通智能化应用方面，获取城市所有路况信息(驾驶行为、车辆轨迹、交通路况) ；提供给车主最为直接的交通信息服务（导航、行车路线）；提供城市道路的通行能力缓解交通压力；减少交通事故发生几率，打击各类交通违章和违法行为。在共享模式应用方面，阿里投资出行（滴滴出行、高德地图等）；阿里与上汽集团联手推出搭载YunOS 操作系统的汽车荣威RX5；腾讯推出车联网产品“路宝盒子”，入股蔚来汽车和特斯拉。汽车正在由传统车向智能车转变,未来的汽车将不再单纯是一个交通工具, 它将成为手机之外的搭载各类应用软件的第二大移动终端，大量的车主行为数据、消费偏好等个人隐私性数据都将被收录，而这将成为所有独享或共享这些数据的商家的重要无形资产，将为其源源不断地创造经济价值。

随着智能网联汽车的兴起，通过GPS、RnD、传感器、摄像头图像处理等装置，车辆可以完成自身环境和状态信息的采集，获得汽车识别数据、驾驶员行为数据、车与车通信数据、汽车状态数据等，车联网的信息共享为大数据分析提供了可行性，这些都是大数据带来的机遇。但大数据同样面临挑战：首先是数据的稳定性，需处理的数据过于庞大，出现一些数据处理不稳定的现象；安全与隐私挑战，大数据治理体系远未形成，特别是隐私保护、数据安全与数据共享利用效率之间尚存在明显矛盾，需在大数据利用时找到开放和保护的平衡点，而我国目前还尚未形成完善的法律机制；数据价值变现的挑战，大数据应用价值挖掘的关键还在于如何实现技术与业务的融合，目前汽车行业对大数据的收集、分析和利用仍处于探索阶段。当前大数据应用尚处于初级阶段，根据大数据分析预测未来、指导实践的深层次应用将成为发展重点。

3 全局优化架构的建立及应用

全局优化架构是分层式的能量管理框架，分为几个层面，第一是信息层，包括大数据库、不确定量（车速、坡度、滑移率、车重等）以及针对不同场景下的信息量的接收，接收完成后，对车辆的一些状态空间进行离散，比如针对混合动力车，通常离散的是SOC，离散好的信息放在第二层，第二层为物质层，对车辆动力系统构型进行解析，由于不同信息作用在不同构型的车上所发挥的节能潜力不同，这里提出一个解耦方式，就是“动/势能-车载” 能量守恒框架，能够将车辆行驶模式进行分析，所以在物质层需要完成混动车辆构型的解析以及信息的有效匹配，从而确定车辆最合理的工作状态。工作状态确定后求解燃油消耗矩阵，通过燃油消耗矩阵输入到第三个层面，能量层，在能量层中进行寻优，通过快速动态规划算法，在可行域中寻求最优的表达域，最后制定出规则式的能量管理或合理的map，在实车上应用。

应用实例，与原车的AECS瞬态能量管理策略相比较，理论上最低油耗大概在UDDS上降了22.44%，如果说为了追求实时性可以用理论油耗去生成快速DP的控制规则，必然不能达到理论的最低值，由22.44%下降到15.08%，但仍然也比传统方式效果好。实时性的提高，fast DP算法计算负荷分别比传统DP在不同工况下降低了95%以上。

4 全局优化式能量管理平台应用前景展望

全局优化式能量管理平台可发展不同的技术，比如面向驾驶员可提供最优工作模式（节能驾驶提示系统）和最优时空轨迹（车辆驾驶模式分析）；面向交通监管可提供车辆监控平台（区域能耗优化平台）；面向智能驾驶可实现宏观能耗最优（ACC系统轨迹规划）；面向电网有助于充电桩位置的提供（时空调节负载预测）；面向商用车可提供残值估计（总体拥有成本评估）。

返回第一电动网首页 >