复杂驾驶场景下混合动力轮式全地形车的能量流分析与控制策略优化

《Energy》：Energy flow analysis and control strategy optimization for a hybrid wheeled all-terrain vehicle under complex driving scenarios

　　

**摘要**

混合型轮式全地形车（HWATV）在非结构化环境中运行时的能源管理面临严峻挑战，这主要源于随机功率需求、真实越野数据匮乏以及缺乏具有代表性的标准驾驶工况。为应对这些相互交织的约束，本研究建立了一套物理信息驱动、数据驱动的优化框架，将全频谱能量流测试与自适应控制相结合。具体而言，首先采用实验设计（DOE）方法建立了高保真动力总成试验台，以精确量化发动机、电机和电池的多物理场能量损耗特性。以实测损耗地图作为物理锚点，随后从23,559秒的实车数据中，通过主成分分析（PCA）和K-means聚类直接提取了四种典型越野工况模式，并利用马尔可夫链合成随机验证工况。针对每种识别出的工况模式，采用灰狼优化器（GWO）对模式切换阈值和SOC边界进行标定。这些标定后的参数集随后通过在线驾驶工况识别机制部署，实现实时自适应切换。在典型和随机驾驶工况下的硬件在环（HIL）验证表明，与传统基于规则的策略相比，所提方法在随机环境中表现出更强的鲁棒性，油耗降低0.99%–7.01%，电池充放电循环频率降低2.14%–15.30%。能量流后分析揭示，节能源于高效发动机运行区域与最小化串联路径转换损耗的耦合，为无GPS环境下的特种越野车辆提供了实用基础。

**引言**

混合型轮式全地形车（HWATV）专为沙漠、沼泽、雪地和极地等非结构化环境设计，在灾难救援、极地探险和野外勘探中执行关键任务[1,2]。与主要在铺装路面以标准化驾驶工况运行的常规无人地面车辆（UGV）不同，HWATV必须应对高度随机化的地形条件，且没有任何可供设计参考的代表性工况。其动力总成的电气化带来了显著的节油潜力，混合动力系统相比传统内燃机车型可降低综合能耗23%–49%[3,4]。然而，在实际应用中，这一节油潜力受到越野作业本质特性的严重制约。与城市驾驶场景相比，HWATV在野外面临由显著增大的滚动阻力（如松散土壤上滚动阻力系数为0.05–0.18，是铺装路面的10–15倍[5]）、轮胎-路面附着力退化[6]以及频繁的加减速瞬态所引起的高度随机功率需求。这些因素迫使动力总成频繁偏离其高效运行区域，在保障动力性能与提升燃油经济性之间形成根本性矛盾[7,8]。此外，不存在任何能够代表这些混乱越野条件的标准驾驶工况，这使得缺乏此类基准成为HWATV开发中的重大挑战。随机功率需求和标准驾驶工况的缺失，使得将传统能源管理策略（EMS）设计范式移植到HWATV时完全失效。

要理解其原因，不妨审视各类EMS方法学在移植到HWATV时的表现。传统EMS方法学主要分为三类，即基于规则的策略、基于优化的策略和基于学习的策略[[9], [10], [11]]。当应用于HWATV时，每一类都面临根本性局限。在工程实践中，基于规则的EMS（RB-EMS）因其强鲁棒性和低计算负荷，仍是越野车辆的主流选择[[12], [13], [14]]。然而，RB-EMS依赖固定逻辑阈值，无法适应非结构化环境中随机化的负载瞬态变化[[15], [16], [17], [18], [19]]。在非结构化环境中，剧烈的动态变化使RB-EMS的预设规则失效，其能效优化潜力仅限于10%–15%，无法充分挖掘混合动力系统的节油潜力[20]。基于优化的策略，如等效油耗最小化策略（ECMS），依赖于一个必须精确标定的等效因子才能实现近最优性能。然而，在强非线性的越野条件下，该因子偏离其最优值较远，导致次优控制决策[[21], [22], [23], [24], [25]]。模型预测控制（MPC）作为另一种基于优化的方法，已被应用于越野混合动力汽车，但其性能被发现对预测时域调参高度敏感[26]。基于学习的策略，包括强化学习和深度学习，具有环境适应性的潜力，但它们需要海量标注数据集，而在越野实地作业中获取这些数据极其困难且成本高昂[[27], [28], [29], [30]]。一些专门研究探讨了HWATV及其他越野车辆的基于学习的EMS。Zhou等人采用基于V2X数据的多步强化学习用于混合动力机场牵引车，实现了显著的效率提升，但其方法依赖网络可用性和大量训练数据[31]。Han等人将基于模型的强化学习与启发式搜索相结合用于越野混合动力车，但其能量流测试未覆盖连续复杂地形[32]。Du等人开发了面向混合动力履带车辆的在线Q学习策略，但其对云计算的依赖限制了在无信号环境中的部署[33]。更近期，Yang等人引入了一种决策时间规划算法，在实时能力下实现了接近动态规划（DP）的燃油经济性，但其终止阈值需要逐地形标定[34]。

鉴于上述局限，现有的HWATV EMS框架要么过于僵化，要么对参数调校过于敏感，要么数据需求过于庞大，要么过于依赖通信基础设施和先验工况信息，无法可靠运行。这一困境呼唤一种根本不同的方法——一种不依赖标准工况或大数据集，而是直接以可测量的物理量构建优化基础的方法。

能量流分析（EFA）为这一困境提供了有前景的解决方案。通过量化测试条件下燃油能量在动力总成交互系统间的分配与耗散，EFA揭示了能量在机械、电气和化学形式下损失的地点与方式[[35], [36], [37], [38], [39], [40]]。这些物理损耗信息一旦被测量，便提供了确定性约束，且独立于任何特定驾驶工况，使其成为非标准场景下EMS优化的天然基础。在标准实验室工况下，这一方向已取得相当进展。Duan等人[41]和Ma等人[42]揭示了内燃机车辆在NEDC和C-WTVC工况下的能量流动规律。Wei等人[43]和Zhang等人[44]量化了温度和SOC对插电式混合动力能耗的影响。Sun等人[45]追踪了电动汽车在WLTC和CLTC条件下的损耗路径。基于EFA的EMS优化研究在标准工况下也取得了显著的节油效果。Feng等人[46]通过分析串并联混合动力车的能量流分布实验，提出了启发式基于规则的策略，将总能量损耗从29.0%降至22.5%。Sun等人[47]利用NSGA-III优化纯电动车设计参数，实现了9.4%的能耗降低。在另一项研究中，Sun等人[48]提出了LSTM-IMPC策略，在各种标准工况下实现了3.81%–18.71%的节油率。

然而，这些现有的EFA研究共享一个共同局限：它们均以NEDC、WLTC或CLTC等标准驾驶工况作为测试输入。对于在非结构化地形上运行的HWATV，不存在此类标准工况。因此，从标准工况导出的损耗地图无法直接迁移到越野场景，从中导出的优化EMS参数也不太可能在混乱的真实负载下保持有效。这一差距呼唤一个EFA框架，该框架用实测实车数据替代标准工况作为测试输入，并利用由此得到的损耗地图锚定EMS优化，而不预设任何工况模式。

综上所述，前述分析揭示了当前知识状态下的三重差距。第一，为乘用车开发的传统EMS方法学由于依赖固定规则、精确工况预测或海量训练数据，不适合HWATV。第二，专门的越野EMS研究取得了有价值的进展，但许多仍依赖通信基础设施、逐场景参数调校或不反映真实野外条件的简化驾驶工况。第三，尽管能量流分析提供了物理基础的优化依据，但现有EFA研究均锚定于NEDC和WLTC等标准实验室工况，而后者在非结构化越野环境中没有对应物。将这些差距综合来看，HWATV能源管理缺乏一个既具有物理基础又可实际部署的可靠优化框架。为填补这些差距，本研究提出了一套物理信息驱动、数据驱动的框架，将全频谱能量流测试与自适应工况识别相结合。该框架由三个相互关联的组件构成，共同形成从物理测量到实时控制的完整链条。本文的贡献如下：

（1）采用实验设计方法建立了全频谱能量流测试平台。该平台在3985个工况点上测量了发动机、电机和电池的多物理场损耗特性。实测损耗地图作为后续优化的物理约束，替代了越野车辆无法获取的标准驾驶工况。

（2）开发了工况重建方法，从稀疏实车数据中提取典型越野模式。该方法结合PCA降维、K-means聚类和马尔可夫链合成，从23,559秒的实地数据中生成代表性驾驶工况和随机验证工况。采用灰狼优化器（GWO）对每种识别出的模式标定EMS参数。

（3）实现了具有在线驾驶工况识别的自适应EMS。标定后的参数集嵌入控制器，根据识别出的模式进行切换。在典型和随机工况下进行了硬件在环测试，验证了策略的实时性能和鲁棒性。优化还惩罚电池充放电循环频率，作为放电深度相关老化的代理指标。

本文其余部分组织如下：第2节详述了动力总成能量流试验台的构建、基于DOE的实验设计以及使用马尔可夫链合成代表性驾驶工况。第3节描述了整车仿真模型的建立及其在驾驶工况下的精度验证。第4节讨论了原始EMS的局限性，并提出了基于聚类分析和GWO算法的自适应优化方案。第5节对仿真和HIL测试结果进行了深入分析与讨论。最后在结论中对全文进行总结。

**章节片段**

**能量流测试平台设计与典型驾驶工况**

图1展示了基于提取的典型驾驶工况下能量流仿真结果进行策略参数优化的工作流程，以及在实际混合驾驶条件下进行驾驶工况识别和自适应能源管理的过程。技术路线图主要包含三个阶段。

**阶段一：系统建模与驾驶工况构建。** 首先，建立动力总成能量流试验台，并进行传感器布局优化。单点测试

**多域耦合能量流模型设计**

将车辆动力总成建模为包含发动机、电机、电池和车辆动力学子系统的多物理场耦合系统。模型参数根据第2.3节所述的稳态台架试验数据进行了标定，以确保仿真保真度。正文中保留的关键建模方程描述如下。组件损耗公式的详细推导见附录A。图13展示了能量流的分布与传输路径。

**原始能源管理控制策略**

原始EMS遵循功率跟随逻辑，发动机工作点选取沿最小制动比油耗（BSFC）线。在EV模式下，发动机保持关闭。在HEV模式下，具体发动机工作点由电机功率需求和电池SOC决定。当SOC超过60%时，激活放电控制策略；当SOC低于50%时，启动充电控制策略。图16展示了充放电模式控制逻辑。

**能源管理优化参数选择**

**结果与讨论**

如图20所示，为验证所提EMS在真实控制器中的实时性能和鲁棒性，建立了一个高保真的硬件在环（HIL）仿真测试平台。

该平台采用分布式架构。在控制器端，使用Speedgoat实时目标机作为车辆控制单元（VCU），执行通过MATLAB/Simulink开发和编译的自适应EMS策略。在被控对象端，使用NI

**结论**

本研究为在非结构化环境中运行的混合型轮式全地形车的能源管理建立了一套系统的"测试–建模–优化–验证"框架。

该框架解决了标准驾驶循环和大规模训练数据集在越野场景中均无法获取的根本性难题，这一约束条件使得大多数传统EMS方法失效。其核心思想是用物理测量的替代缺失的标准循环。CRediT作者贡献声明：朱金钰：撰写——审阅与编辑、验证、监督、项目管理、资金获取、概念构思。侯元正：撰写——初稿、软件、方法论、数据整理、概念构思。王雁磊：撰写——审阅与编辑、可视化、方法论、形式分析。李鑫：资源、项目管理、调查。苏杰：调查、数据整理。魏立国：调查、数据整理。薛瑞：调查、数据整理。赵学松。利益冲突声明：我们声明，我们与其他个人或组织之间不存在可能不当影响我们工作的财务和个人关系；对于任何产品、服务和/或公司，我们均不存在任何性质或种类的专业或其他个人利益，这些利益可能被理解为影响了标题为"复杂驾驶场景下轮式混合动力全地形车能量流分析与控制策略优化"的手稿中所提出的立场或评审。致谢：本研究受基础科学研究项目（JCKY2024208C003）资助。朱金钰 | 侯元正 | 王雁磊 | 李鑫 | 苏杰 | 魏立国 | 薛瑞 | 赵学松 大连理工大学能源与动力工程学院，中国大连 116024