综述：混合电动汽车能量管理中的多算法融合策略演进：智能网联技术的协同推进

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Evolution of multi-algorithm fusion strategies in energy management for hybrid electric vehicles: Synergistic advancement of intelligent and connected technologies

　　

# 摘要

混合动力电动汽车（HEV）凭借其多模式运行和灵活的能源管理，已成为主流汽车解决方案。其能源管理系统（EMS）在动态协调动力源和运行策略、优化不同驾驶条件下的车辆性能方面发挥着关键作用。然而，在复杂且动态的现实驾驶场景中，追求燃油经济性、排放、电池寿命和驾驶性能之间的最优平衡，暴露了使用单一算法进行能源管理的根本局限性。这促使EMS从单一算法策略向多算法融合演进，从基于模型的优化向启发式和数据驱动的混合方案转变，从而实现稳健、自适应和全局多目标最优控制。为系统梳理这一演进过程，本文回顾了近期进展，深入分析了从单一算法到混合方法的技術演进轨迹。此外，本文强调了智能算法和车联万物（V2X）技术范式下深度算法融合的新兴趋势。研究识别了当前研究中的关键挑战，阐明了未解决的关键技术瓶颈，并概述了未来的研究方向和应用前景。与现有综述不同，本文系统呈现了一篇专门针对多算法EMS演进与集成架构的综合性综述。重要的是，该演进框架和融合模式为构建下一代高效、自适应和互联EMS提供了清晰的發展路线图。

# 引言

续航里程焦虑和充电顾虑仍然是新能源汽车发展中面临的重大挑战，尤其是电池电动汽车（BEV）[1,2]。混合动力电动汽车（HEV）将内燃机和电动机作为双动力源集成在一起[3,4]，通过解决BEV的续航限制问题，同时减少传统内燃机车辆的燃油消耗和排放[5,6]，提供了一种可行的解决方案。因此，HEV引起了广泛关注，被认为是汽车行业的一个有前景的解决方案。

HEV的概念起源于19世纪末，当时费迪南德·保时捷设计了世界上第一辆HEV，为混合动力技术奠定了基础[7]。图1展示了HEV技术的演进和进展。直到20世纪90年代，随着丰田普锐斯的量产，HEV才正式进入初始探索阶段[[8], [9], [10]]。自2000年以来，技术进步推动HEV从早期的串联/并联架构向越来越复杂的混合动力系统发展[11,12]，这些系统已根据功率耦合机制在全球范围内广泛应用于各种车辆中，包括串联、并联、串并联等配置[[13], [14], [15]]。串联配置采用发动机-发电机-电机能量传递路径[16,17]，其中电机作为唯一的推进源，发动机仅用于发电。并联配置允许发动机或电动机独立驱动车轮，或者两个动力源联合输出动力[18,19]。串并联配置结合了串联和并联系统的能量流特征，能够实现纯发动机驱动、纯电动驱动和混合动力驱动等运行模式之间的无缝切换[20]。为确保动力源在其最高效范围内运行，EMS通过优化动力源的工作模式[23]和相应的控制方法[24,25]，在确定车辆燃油经济性[21]、驾驶体验[22]和排放性能方面发挥着关键作用。从早期作为简单的开关控制诞生，到现代时代的智能控制，EMS经历了巨大的转变，并随着混合动力结构的进步显著提升了能源管理性能。

如图1所示，在早期阶段，EMS依赖于简单的手动模式切换，在电池荷电状态（SOC）较低时为电池充电。20世纪90年代，自动控制策略仅限于校准查找表和简单控制规则，并得到了快速发展。随着技术进步，特别是从2001年到2017年，EMS进入了基于多种算法控制的阶段[[26], [27], [28], [29], [30], [31], [32], [33], [34]]。动态规划（DP）、模糊算法（FA）和遗传算法（GA）等高级算法被广泛采用[[35], [36], [37], [38]]，然后逐渐形成多算法融合框架[[39], [40], [41], [42]]。这一演进使EMS超越了单纯的燃油经济性优化，发展为包括电池健康状态（SOH）、动力性能和车网互动（V2G）协调在内的多目标优化[[43], [44], [45], [46], [47], [48], [49], [50], [51], [52], [53], [54]]。总之，从手动电池充电切换到自动模式调整，再到基于速度、SOC、驾驶风格、V2X信息等多源输入的智能决策，EMS的演进标志着从确定性控制向自适应和预测性策略的里程碑式转变[55,56]，并有望通过与智能交通系统（ITS）集成最终实现协同优化控制[[57], [58], [59], [60], [61], [62], [63]]。

为应对现实驾驶条件的复杂性和变化性，确保动力总成的高效运行，现代EMS必须提供智能决策能力，集成基于V2X的流量预测、大数据驱动的驾驶员行为适应以及机器学习启用的控制优化。这些能力使系统能够基于实时车辆状态调整运行模式，并制定长期能耗策略以平衡电池寿命、燃油经济性和排放[64]。因此，EMS不仅提升了车辆性能和用户体验，还为未来智能交通系统中的车网集成奠定了基础。总之，这一趋势表明，为了克服任何单一方法固有的局限性，现代EMS需要异构算法的集成框架，以实现卓越的协同优化。

通过审查和比较相关出版物，发现现有的关于HEV EMS的综述在核心研究维度、全面分类、HEV EMS技术对比、基于规则、基于优化和基于学习的策略的研究空白及未来方向上建立了系统框架[65,66]。这些研究深入分析了前沿新技术，识别了关键问题，并指出了随着算法的出现而指出的未来发展方向。它们涵盖了等效消耗最小化策略（ECMS）、模型预测控制（MPC）[[67], [68], [69]]、监督和无监督机器学习、以及强化/深度强化学习[[70], [71], [72], [73], [74]]等成熟方法，还包括基于NSGA-II算法的多目标和融合优化[75]。交通信息集成和ITS在机制和应用前景方面也得到了探索[[76], [77], [78], [79]]。动力总成拓扑的适应性，包括HEV和增程式电动汽车（EREV）[80]也已讨论，以及动态协调控制、多动力源协同和混合储能系统（HESS）[[81], [82], [83]]。此外，这些综述系统地总结了控制架构和实际应用方面的研究，涵盖了模块化和分层EMS设计[84,85]，以及基于驾驶循环的在线EMS的实际效果和挑战[86]。

显然，现有综述总结了截至其出版时EMS的最新配置和前沿技术进展。然而，随着算法的快速演进，特别是近年来人工智能（AI）和机器学习（ML）技术的爆炸式增长，通过多算法融合在EMS优化控制方面取得了显著进展。这些先进工作的进展尚未从智能互联汽车背景下多算法融合的新兴视角进行系统更新。为弥补这一空白，本文聚焦于多算法融合的视角，系统分析了EMS的快速发展，呈现异构算法的策略组合如何解决了单一算法策略的固有局限性，并推动EMS向更稳健、自适应和全局最优的控制性能迈进。本文详细讨论了EMS的多算法融合演进轨迹、融合模式、协同机制和未来方向，并深入分析了此类融合如何推动HEV能源管理向更优、更稳健和更自适应的性能发展。本研究旨在填补该领域系统理论框架的空白，并为下一代智能EMS的发展路径提供指导。

图2概述了本文的结构。为揭示EMS发展的内在逻辑和特征，基于图1中的演进时间线和系统文献调研，提出了EMS控制策略的三阶段演进框架。具体而言，该框架包括模型驱动阶段、启发式智能阶段和协同协作阶段。此外，还详细讨论了协同协作阶段的三种模式，包括参数识别与动态模型的融合、优化层与预测层的融合、以及集中式与分布式控制的融合。在该框架内，对不同类型融合模式下的代表性研究进行了深入SWOT分析，阐述了其各自的优势、局限性和应用场景。最后，识别了当前研究面临的核心挑战、未来研究方向和实现更深层次和更高效融合的发展路线图。本综述为理解EMS从单一算法控制向协同智能的演进提供了一个新颖的系统视角和理论框架，也为面向智能互联的下一代高效自适应EMS的创新设计和工程实践奠定了坚实的理论基础，并明确了多算法融合EMS的清晰演进路径。

## 文献计量方法与研究趋势分析

为客观揭示HEV EMS的宏观发展趋势，收集了1999年至2025年间基于Web of Science (WoS) 核心合集数据库发表的EMS相关文献。以能源管理和电动汽车为主题词进行了广泛搜索，然后细化到混合动力电动汽车，以获得每年的EMS论文质量。如图3所示的结果表明，EMS论文的年度数量在2024年迅速增长。

## HEV EMS的演进分析

从上一节的分析来看，EMS已从单一算法控制演进为多算法融合控制。值得注意的是，其控制逻辑已从基于精确物理模型的确定性优化，发展为应对模型不确定性和复杂性的启发式优化，最终实现了模型驱动、数据驱动和知识驱动智能方法之间的深度互补和系统级协调[[87], [88]]。

## 协同协作阶段的模式与SWOT分析

随着HEV的能源管理策略从模型驱动和智能启发式方法的初步协调演进到更深层的协同融合阶段，其技术内涵变得日益丰富和系统化。协同融合是在系统架构、信息流和决策逻辑层面构建具有多方法互补性、多层次协调和多目标平衡特征的集成技术。

## 未来展望

本节依次分析了这些融合模式的内涵和未来展望，以揭示协同融合阶段提升系统整体性能的内在逻辑和技术实现。表3呈现了不同算法融合方案中关键性能指标之间的系统性权衡关系。在能源管理策略的多算法融合中，针对提升能效和电池目标导向的融合设计。

## 结论

本文系统回顾了混合动力电动汽车能源管理策略从单一算法控制到多算法融合与协调的演进轨迹，揭示了随着车辆智能和互联程度的提升，EMS从模型驱动和智能启发式方法向深度融合发展的路径。本文进一步分析了协同协作阶段的三种主要模式，即参数。

## CRediT作者贡献声明

Liu Danyang：建模、分析和撰写及编辑。Shen Zhaojie：撰写及编辑、建模、概念化。Wang Yanyan：建模和编辑。Ji Zhaoqi：数据整理、编程和编辑。Ma Conggan：分析和编辑。

## 利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所述工作。

## 致谢

本研究得到了中国国家自然科学基金[52402107]和[51606052]的支持。

## 作者信息

Liu Danyang | Shen Zhaojie | Wang Yanyan | Ji Zhaoqi | Ma Conggan

哈尔滨工业大学（威海）汽车工程学院，威海，中国，264209