电动汽车混合动力系统能量管理与控制策略最新进展综述

《Journal of Engineering Research》：A Comprehensive Review of Recent Advances in Energy Management and Control Strategies for Electric Vehicles

　　

电动汽车（EVs），尤其是配备混合动力系统（HPSs）的电动汽车，为降低交通运输领域的温室气体排放提供了一条有前景的途径。将互补的能源与储能装置（如电池、超级电容器（SCs）和燃料电池（FCs））相结合，可提高功率密度、动态响应和整体效率，同时缓解各装置自身的局限性。在此类系统中，能量管理系统（EMS）决定各能源之间的功率分配，而底层控制算法则调节源电流并稳定直流母线电压。然而，负载变化、部件老化及外部扰动可能降低EMS的性能。为应对这些挑战，研究人员已开发出多种EMS策略，包括基于规则、基于优化、基于学习、基于非线性控制及混合方法。本文对电动汽车分类、电力电子变换器、混合储能系统（HESS）配置及EMS策略进行了结构化综述。除描述各方法外，本综述还从计算复杂度、精度、适应性、实时能力和验证水平等方面对EMS策略进行了批判性比较，并讨论了实际实施挑战、电池退化感知能量管理、通过车辆到电网（V2G）服务的电网集成以及网络安全。最后，指出了当前局限性、未解决的问题以及面向下一代电动汽车高效、可靠、可部署EMS的未来研究方向。

研究背景方面，交通运输领域电动汽车（EVs）的部署为减少温室气体排放、改善空气质量及降低化石燃料依赖提供了重要机遇。据国际能源署（IEA）统计，在当前政策与可持续发展目标下，全球电动汽车销量预计将显著增长，到2030年电动汽车占车辆销量的比例可能达到约34%。美国计划到2030年使纯电动汽车（BEVs）和插电式混合动力电动汽车（PHEVs）占全部车辆销量的约29.5%。电动汽车按主要能源可分为燃料电池电动汽车（FCEVs）和纯电动汽车（BEVs）两大类。FCEVs采用氢燃料电池（FCs）配合储能系统（ESSs）驱动电机，具有无化石燃料依赖、系统设计紧凑、运行安静及零尾气排放等优势；但燃料电池动态响应慢、电池寿命有限，需集成超级电容器（SCs）等高功率储能装置以提供快速瞬态支撑。BEVs主要依赖高容量可充电电池作为推进能源，混合动力系统（HPSs）可显著改善其功率质量、可靠性和寿命；其中电池作为主要能源提供持续功率，超级电容器作为辅助装置提供或吸收瞬态功率波动。实现电动汽车高性能不仅需要先进储能技术，还需智能能量管理系统（EMSs）在不同能源间合理分配功率，满足负载需求、维持荷电状态（SOC）在安全范围内、提高整体效率、降低燃料消耗并延长电池和SC寿命。然而，负载变化、部件老化及外部扰动会降低EMS性能，且现有综述多聚焦于特定方面，缺乏将电动汽车分类、电力电子变换器拓扑、HESS配置及EMS控制策略纳入统一框架的综合分析。为此，研究人员开展了本项综述研究，旨在对电动汽车分类、电力电子变换器、HESS配置及EMS策略进行结构化综述，从计算复杂度、精度、适应性、实时能力和验证水平等方面批判性比较EMS策略，并讨论实际实施挑战、电池退化感知能量管理、电网集成及网络安全，最终识别关键研究空白和未来方向，为下一代电动汽车高效、自适应且可实际实施的能量管理系统提供参考。研究结论表明，没有任何单一EMS策略在所有标准上均占优：基于规则和基于频率的策略最适于嵌入式实现但次优且适应性差，动态规划（DP）提供最优基准但无法在线使用；等效消耗最小化策略（ECMS）和模型预测控制（MPC）目前在最优性与实时可行性之间提供最有利的折衷，但分别依赖等效因子整定和预测模型精度；深度强化学习（DRL）和数据驱动方法已展示近优和自适应性能，基于真实世界数据的离线强化学习可达理论最优的98.6%，但多数结果仍在仿真中获得；分层与混合策略将上层功率分配层与鲁棒下层非线性控制器相结合，是实际HESS实施的有前景方向；HESS拓扑选择存在明显折衷，半主动配置为多数乘用电动汽车提供有利的成本-性能折衷，而全主动配置在需要最大可控性时具有合理性。未来研究应优先开发标准化基准框架和开放数据集，发展集成控制导向老化模型和健康状态信息的退化感知EMS，推动学习型EMS向轻量化、可解释且安全约束的架构演进，并将HESS选型、变换器拓扑与EMS协同设计，同时发展电网交互型EMS和网络弹性架构。

研究人员为开展本综述，采用的主要关键技术方法包括：以Scopus为主要数据库，结合IEEE Xplore、ScienceDirect、SpringerLink、MDPI及Taylor & Francis Online进行文献检索，主检索串共获取9,158条记录（去重前），并辅以方法特异性检索及针对电动汽车分类、电力电子变换器、电池退化、车辆到电网集成和网络安全的定向检索，同时对所选文章进行后向引文追踪；检索记录经标题和摘要筛选后，剩余全文依据纳入与排除标准评估，最终纳入239篇同行评审参考文献（其中56篇由Scopus主检索串获取，183篇通过补充检索和引文追踪识别），非同行评审来源仅用于引言背景；纳入文献中80%发表于2020—2026年，41%发表于2024—2026年。研究结果方面，电动汽车分类部分将电动汽车分为BEVs、HEVs、PHEVs、EREVs和FCEVs五类并比较其权衡；电力电子变换器分类部分将变换器分为DC–DC变换器、DC–AC逆变器、AC–DC整流器和AC–AC变换器四类并概述其在不同电动汽车类型中的应用；混合储能系统配置部分比较了被动并联、半主动、全主动及可重构串并联等拓扑，指出半主动HESS使电池均方根电流从46.46 A降至39.00 A并使续驶里程从211.5 km增至228.2 km，被动拓扑使三轮FC/SC车辆行程成本分别较全主动和半主动拓扑降低14.8%和6.4%；基于规则的策略部分涵盖恒温器开关策略、负载跟随策略、状态机策略、频率解耦策略及模糊逻辑策略，指出模糊控制器性能受隶属度函数和规则结构限制；全局优化策略部分涵盖直接算法（DP、ADP、SDP）、间接算法（PMP）、梯度算法（LP、QP、CP）及无导数算法（IOS、GA、PSO），并比较其最优性、计算复杂度与实时适用性；实时优化策略部分重点介绍ECMS和MPC，指出EF整定和预测模型精度分别为其关键；基于AI的EMS部分介绍DRL、深度神经网络、数字孪生、可解释AI及数据驱动自适应EMS，指出多数AI型EMS仍停留在仿真验证；混合EMS部分将混合策略分为优化辅助规则型、学习增强型、频率-智能型、分层（两层）型及预测/信息型五类；其他方法部分涉及自抗扰控制、平坦性控制、滑模控制、无源性控制、极值搜索法（ESM）及反步控制等。讨论部分总结了实际实施挑战与验证水平（计算负担、传感器需求、硬件限制、安全约束及验证水平分级）、电池退化与寿命感知能量管理（退化模型嵌入成本函数、利用HESS分配高频电流及将健康状态嵌入学习型EMS三种途径）、电动汽车在智能电网中的作用（V2G、电网支撑服务及协调充电）以及互联电动汽车与智能EMS的网络安全（虚假数据注入攻击及对策）。研究结论部分已翻译如上。