CN109017809B

CN109017809B - 一种基于越野工况预测的能量分配方法

Info

Publication number: CN109017809B
Application number: CN201810980318.9A
Authority: CN
Inventors: 席军强; 许绍航; 陈慧岩
Original assignee: Bit Intelligent Vehicle Technology Co ltd; Beijing Institute of Technology BIT
Current assignee: Bit Intelligent Vehicle Technology Co ltd; Beijing Institute of Technology BIT
Priority date: 2018-08-27
Filing date: 2018-08-27
Publication date: 2020-05-19
Anticipated expiration: 2038-08-27
Also published as: CN109017809A

Abstract

本发明涉及一种基于越野工况预测的能量分配方法，属于电传动技术领域，解决了现有技术中混合动力履带车辆能量管理的问题。一种基于越野工况预测的能量分配方法，包括以下步骤：根据车辆历史行驶信息，建立基于SVM的履带车辆越野环境工况识别模型；实时检测当前车辆行驶信息，输入所述模型，预测得到当前车辆行驶工况；预测下一时刻车速和加速度，根据预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值，对下一时刻车辆需求功率进行计算；基于所述下一时刻需求功率，采用模型预测控制策略，以动态规划作为优化算法，得到下一时刻最优能量分配方式。实现了履带车辆在复杂越野工况下的能量分配，提高了履带车辆的动力性和燃油经济性。

Description

一种基于越野工况预测的能量分配方法

技术领域

本发明涉及电传动技术领域，尤其涉及一种基于越野工况预测的能量分配方法。

背景技术

全电高机动平台是未来军事机动装备的重要研究发展方向，与机械传动系统相比，电传动系统具有车辆机动性优良、自身防护性能强、能源利用效率高等优点，世界各国都在大力研发。在电传动各种方案中，串联式双侧电机驱动方案具有结构简单、节省空间、系统可靠性高等优点，该方案由动力电池组和内燃机-发电机组同时向双侧电机供电。为了提高应用该方案的整车的动力性和经济性，需要设计合理的能量管理方法策略。

当前能量管理策略主要分为规则型能量管理策略和优化型能量管理策略。规则型能量管理策略是根据工程经验预先设定一系列规则，根据动力电池SOC(电荷状态)、电机外特性等试验经验制定控制规则，以提高系统效率；这种策略依赖工程师的经验，没有优化理论的指导，不能达到系统最优。优化型能量管理策略分为全局优化策略和实时优化策略，全局优化策略需要提前已知行驶工况，不能实车应用。

实时优化策略是目前研究的热点，比较有代表性的是基于工况预测的能量管理策略，但当前预测型能量管理策略的核心是车速预测，工况预测仅涉及车速预测，只适用于地形平坦、工况比较简单的环境，如城市、乡村公路，而对于工作在越野环境的履带车辆并不适用，因为在越野环境中，颠簸、爬坡等复杂地形会显著影响行驶功率，单一的车速预测并不能准确预测行驶功率，造成预测模型精度不足，控制效果差。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于越野工况预测的能量分配方法，用以解决现有技术中的能量管理策略难以适应复杂越野工况，混合动力履带车辆动力性和燃油经济性有待提高的问题。

本发明提供一种基于越野工况预测的能量分配方法，所述方法包括以下步骤：

步骤S01、根据车辆历史行驶信息，建立基于SVM的履带车辆越野环境工况识别模型；实时检测当前车辆行驶信息，输入所述模型，预测得到当前车辆行驶工况；

步骤S02、根据当前车速和加速度及马尔可夫随机预测方法预测下一时刻车速和加速度，根据预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值，对下一时刻车辆需求功率进行计算；

步骤S03、基于计算得到的所述下一时刻需求功率，采用模型预测控制策略，以动态规划作为优化算法，预测得到下一时刻最优能量分配方式。

上述技术方案的有益效果为：上述方案实现了履带车辆在复杂越野工况下的能量分配，提高了履带车辆的动力性和燃油经济性。

进一步地，建立基于SVM的履带车辆越野环境工况识别模型包括，在离线准备阶段，进行车辆历史行驶数据采集、数据预处理和模型训练，形成达到预期精度的工况识别模型，其中，数据预处理包括，对所述不同工况下车辆行驶数据分别进行数据分段；所述数据分段包括将连续时间的行驶数据离散化，获得一定时间间隔的行驶数据，形成分段数据。

上述进一步技术方案的有益效果为：通过上述方案建立了基于SVM的履带车辆越野环境工况识别模型。

进一步地，上述车辆历史行驶数据采集包括，利用车载传感器采集平坦、爬坡和颠簸工况下的车辆行驶信息，其中，所述行驶信息包括世界协调时间，车辆侧倾角、俯仰角，车体坐标系下三个坐标轴上的速度和加速度。

进一步地，上述建立基于SVM的履带车辆越野环境工况识别模型还包括对分段数据标签化；所述标签化具体包括，对分段数据进行标注，使每段数据有对应的工况标签，所述工况标签具体包括，平坦、颠簸、A级坡道、B级坡道和C级坡道，其中，A级坡道、B级坡道和C级坡道分别为坡度为0～10°、10°～20°、20°～30°的坡道。

上述进一步技术方案的有益效果为：通过对分段数据进行标注，使每段数据有对应的工况标签，便于基于SVM的履带车辆越野环境工况识别模型的建立。

进一步地，对上述标签化后的数据进行特征提取；所述特征提取包括，将分段数据中影响越野工况预测的因素提取出来，生成含工况标签的特征向量。

进一步地，上述模型训练具体包括，将所述特征向量划分为训练集和测试集，将训练集利用SVM训练，得出初始模型，用测试集检验初始模型的精度，若达到预期精度则训练完成，形成最终离线工况模型；若未达到预期精度，则进行手动调参，重复训练过程，直至模型达到预期精度。

上述进一步技术方案的有益效果为：通过上述模型训练，得到预期精度的基于SVM的履带车辆越野环境工况识别模型。

进一步地，根据当前车速和加速度及马尔可夫随机预测方法预测下一时刻车速和加速度，具体包括，将速度和加速度的马尔可夫状态转移概率引入自适应系数进行更新，得到马尔可夫状态转移概率更新公式，由所述公式、当前车速和加速度，预测出下一时刻车速和加速度；其中当前车速和加速度由车载传感器测得。

上述进一步技术方案的有益效果为：通过上述方案预测下一时刻车速和加速度。

进一步地，根据预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值，对下一时刻车辆需求功率进行计算，具体包括，将预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值输入履带车辆行驶功率方程，对下一时刻车辆需求功率进行计算；其中，履带车辆行驶功率方程为：

式中m为整车质量，g为重力加速度，C_D为空气阻力系数，A为迎风面积，σ为旋转质量系数，f为受路面特性影响的阻力系数，α为坡道角度，v为车速，a_x为加速度，f、α根据预测的下一时刻的车辆行驶工况得出。

上述进一步技术方案的有益效果为：通过上述方案计算下一时刻车辆需求功率。

进一步地，采用模型预测控制策略，以动态规划作为优化算法，预测下一时刻最优能量分配，具体包括：建立车辆电传动功率模型、动力电池模型、发动机发电机模型和系统状态方程，设计动态规划代价函数，根据下一时刻车辆需求功率，获得预测时域内，预测工况下的最优控制序列，最优控制序列的第一个分量即为下一时刻最优能量分配。

上述进一步技术方案的有益效果为：通过上述方案预测出下一时刻最优能量分配。

进一步地，建立车辆电传动功率模型、动力电池模型、发动机发电机模型和系统状态方程，设计动态规划代价函数，根据下一时刻车辆需求功率，获得预测时域内，预测工况下的最优控制序列，具体包括，从预测时域内倒数第2个时刻的所有可能的SOC值集合中选取任一个值，根据车辆电传动功率模型、动力电池模型、发动机发电机模型、系统状态方程、动态规划代价函数以及下一时刻车辆需求功率，求得该SOC值对应的代价函数值，依次选取所述SOC值集合中的其他值，求得其各自对应的代价函数值，选取上述所有代价函数值中最小值对应的控制量，即为该时刻的最优控制量，依次求取预测时域内倒数第3、4...个时刻的最优控制量，直至求取预测时域内第一个时刻的最优控制量；将预测时域内所有时刻的最优控制量按时刻从小到大依次排列，组成的序列即为最优控制序列。

上述进一步技术方案的有益效果为：通过上述方案获得预测时域内，预测工况下的最优控制序列。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例所述方法流程示意图；

图2为本发明实施例所述步骤S1流程示意图；

图3为本发明实施例所述步骤S2流程示意图；

图4为本发明实施例所述步骤S3流程示意图；

图5为本发明实施例所述动态规划SOC网络示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明实施例中，公开了一种基于越野工况预测的能量分配方法，如图1为所述方法流程示意图，所述方法包括以下步骤：

步骤S1、根据车辆历史行驶信息，建立基于SVM(支持向量机)的履带车辆越野环境工况识别模型。在该模型中，将采集的车辆行驶信息作为输入量，预测的当前行驶工况为输出量，模型结果输出至下一步的履带车辆需求功率模型中；

上述建立基于SVM的履带车辆越野环境工况识别模型，具体包括，在离线准备阶段，进行历史行驶数据采集、数据预处理和模型训练；

上述历史行驶数据采集包括，利用车载传感器采集车辆在平坦、爬坡、颠簸工况下的行驶信息，具体行驶信息包括：世界协调时间(t)、侧倾角(θ_roll)、俯仰角(α_pitch)、车体坐标系下三个坐标轴上的速度(v_x、v_y、v_z)和加速度(a_x、a_y、a_z)；

数据预处理包括，对上述行驶信息数据分别进行数据分段、数据标签化和特征提取；

由于车辆的行驶环境在一定时间内是连续的，且无法根据单一时刻采集的车辆数据，需以一定时间内的车辆数据为基础对越野工况预测，故需进行数据分段。数据分段是将连续时间的行驶数据离散化，获得一定时间间隔的行驶数据，考虑到能量管理是一种慢系统控制，并综合分析履带车辆在越野环境中的行驶工况，优选的，以300ms为时间基准，将连续数据离散为分段数据。

数据标签化是对分段完成的已知越野工况数据进行标注，使每段数据有对应的工况标签，用于后续的模型训练。越野环境十分复杂，其中对能量管理影响最大的是颠簸路面、平坦路面和坡道。由于爬坡度的大小对行驶功率影响较大，故对坡道进行更进一步的分级。考虑到履带车辆通常最大爬坡度在30°左右，又由于模型训练的结果为离散化数据，因此将坡道划分为0到10°、10°到20°、20°到30°三个等级，分别称为A级坡道、B级坡道和C级坡道。由此得到5种类型的标签：平坦、颠簸、A级坡道、B级坡道和C级坡道。

特征提取的目的是将分段数据中可能影响越野工况预测的因素提取出来，生成含工况标签的特征向量V。V中的元素包括：侧倾角最大值

俯仰角最大值

侧倾角最大变化率

俯仰角最大变化率

侧倾角最大值与最小值之差

俯仰角最大值与最小值之差

三个坐标系下的车体速度最大值

X轴与Y轴车速之和

三个坐标系下的车体加速度最大值

模型训练包括，将经过数据预处理后的数据分为训练集和测试集，利用SVM训练，通过改进参数得到效果最佳的工况模型；

经过数据预处理后的数据划分为训练集和测试集两部分，训练集用于模型训练，测试集用于检测模型精度。将所有带有工况标签的数据随机取样，以1：4的比例分别得到测试集数据和训练集数据。

SVM是一种常用的数据聚类方法，是常用的数据聚类方法，将训练集数据利用基于高斯核函数的SVM进行训练，输出的训练模型用于测试集数据进行测试，得出模型精度。影响模型精度的参数主要有惩罚系数C和核函数系数γ，调参过程为手动调参，预设惩罚系数C为1，核函数系数γ为0.1，预期的模型精度为95％，当输出模型精度不足95％适当改变C和γ，重复训练过程，直至达到预期的模型精度要求，形成最终的离线工况模型。在线使用阶段是实时测量上述车辆行驶信息，并按照建立离线模型时相同的规则执行数据分段、特征提取等数据处理步骤，输入到离线模型中，得到输出的工况标签，完成对当前行驶越野环境工况的预测。

步骤S2、建立基于工况识别的履带车辆越野环境需求功率模型，对整车需求功率进行预测；

建立基于工况识别的履带车辆越野环境需求功率模型，具体包括，根据当前行驶工况，通过履带车辆行驶功率方程，对此工况下车辆行驶功率进行计算；

其中，m为整车质量，g为重力加速度，C_D为空气阻力系数(可取值为1)，A为迎风面积，σ为旋转质量系数(可取值为1.1)，f为受路面特性影响的阻力系数，α为坡道角度，v为车速，a_x为加速度。

整车质量、空气阻力系数、迎风面积、旋转质量系数为履带车辆的固有属性，不随时间变化。

f和α通过步骤S1中建立的越野工况识别模型得出：

当前车速和加速度由车载传感器测得，未来车速和加速度由马尔可夫随机预测方法进行预测。首先，将车速和加速度离散化，得到对应下标的车速值和加速度值：

v∈{v₁，v₂，...，v_p}；a∈{a₁，a₂，...，a_q}

马尔可夫状态转移概率为：

p_ij＝P(a(n+1)＝a_j|v(n)＝v_i)

其含义为，当n时刻车速为v_i时，n+1时刻加速度为a_j的概率为p_ij。

基于历史工况信息可获得状态转移概率p_ij：

其中，N_i，j表示为当前车速为v_i时，下一时刻加速度为a_j的次数，N_i为从车速v_i发生的总转移次数。

为使状态转移概率实时更新，引入自适应系数λ，当前时刻为n时，若前一时刻发生了车速v_i向加速度a_j的转移事件(即前一时刻车速为v_i，之后时刻加速度为a_j)，则对状态转移概率进行更新，得到更新公式：

p_ij(n)＝p_ij(n-1)+λ

其中，s＝1，2，...，q且s≠j。

由此得出下一时刻车速和加速度预测值为：

其中，a_j下一时刻转移的加速度值，p_ij为当前车速为v_i时加速度为a_j的状态转移概率，v(n+1)为下一时刻的车速预测值。

预测时域内各个时刻的车速值均可由上一时刻的车速预测值得到：

具体实施时，根据步骤S1中越野工况识别模型的结果调用不同越野环境下的转移概率矩阵，通过以上车速预测模型实现对不同时刻车速的预测。

根据预测的当前工况和下一时刻的车速、加速度预测值，由公式(1)计算求出下一时刻车辆需求功率。

步骤S3、基于越野工况预测实时进行能量管理控制。

预测模型用于对系统未来状态信息的预测，前两步骤完成了越野工况预测，得到了预测时域内(指预测的一段时间)的履带车辆需求功率。基于模型预测控制的能量管理策略就是基于上述建立的预测模型，采用动态规划作为优化算法得到最优控制序列，并将控制序列的第一个控制量作用于系统，并再次进行预测，如此循环。

采用动态规划作为优化算法，求解预测时域内最优能量分配，即最优控制序列。

首先建立车辆电传动功率模型:

P_dem＝P_g+P_b (2)

P_b＝U_b·I_b (3)

其中，P_dem为预测需求功率，P_g、P_b分别为发动机发电机组和动力电池组输出功率，U_b为动力电池电压，I_g为发电机输出电流，I_b为动力电池输出电流。

建立动力电池模型，即简单内阻模型：

其中，C_b为电池额定容量，V_oc为开路电压，R_b为电池内阻。

建立发动机发电机模型，由于串联式系统中发动机发电机直连，因此两者的转矩和转速相等；为使发动机工作稳定，采用多点转速切换控制策略控制发动机的转速和转矩，即将发动机的转速划分成若干个不同的转速段，根据功率在不同的转速段之间切换；有如下方程：

其中，P_eng为发动机输入机械功率，T_eng为发动机转矩，n_eng为发动机转速，μ_g为发电机效率，

分别为发电机效率查表函数和燃油消耗率查表函数，

为发动机工作点查表函数，用于根据发动机的输出功率确定发动机的工作点。

以x＝SOC为状态变量，u＝[T_eng，n_eng]^T为控制量建立系统状态方程为：

考虑燃油经济性和动力电池SOC稳定两个性能指标，设计动态规划代价函数表达式为：

其中，J表示动态规划代价函数，

为当前时刻的瞬时燃油消耗率，ΔSOC为SOC差值(即下一时刻SOC与当前SOC的差值)，ε为惩罚因子，是可变量，用于调节SOC差值在代价函数中的权重。

根据以上模型、动态规划算法以及代价函数，即可求得预测工况下的最优控制序列[u(n)，u(n+1)，...，u(n+k-1)]，其中，u＝[T_eng，n_eng]；具体为，设预测时域为[n，n+1，...，n+k-2，n+k-1，n+k]，对应的预测需求功率为[P_dem(n)，P_dem(n+1)，...，P_dem(n+k-1)，P_dem(n+k)]；有如下约束条件：

T_eng，min≤T_eng≤T_eng，max

n_eng，min≤n_eng≤n_eng，max

SOC(n)＝SOC(n+k)

SOC_min≤SOC≤SOC_max

I_b，min≤I_b≤I_b，max

如图5为动态规划SOC网络示意图，初始状态的SOC已知，由SOC(n)＝SOC(n+k)，则时刻n+k的SOC已知，从时刻n+k-1的所有可能的SOC值中选取任一个，代入动力电池模型，求得动力电池组输出功率P_b和动力电池输出电流I_b(或者代入公式(7)求得P_b，再将P_b代入(5)，求得I_b)，根据P_b，P_dem和车辆电传动功率模型，得出P_g，将P_g代入方程(6)，得出

T_eng和n_eng，将T_eng、n_eng和I_b代入上述约束条件，若不满足，则不在往下执行，若满足，则将T_eng、n_eng和I_b对应的

和ΔSOC(n+k-1)代入动态规划代价函数表达式，求得此SOC值对应的代价函数值，依次从时刻n+k-1的所有可能的SOC值中选取其他值，重复以上步骤，将求得的所有代价函数值进行比较，最小的代价函数值对应的控制量u＝[T_eng,n_eng]即为n+k-1时刻的最优控制量；

同理，依次计算n+k-2，n+k-3,...,n的最优控制量，即可得到最优控制序列[u(n),u(n+1),...,u(n+k-1)]；

将得到的最优控制序列第一个分量u(n)＝[T_eng(n)，n_eng(n)]^T，即下一时刻的最优能量分配，作用于履带车辆的动力系统(控制量是作用于发动机的，但是产生的影响是包括电池在内的整个动力系统)，并开始下一轮循环：基于返回的下一时刻步骤S1中描述的车辆行驶信息，重新执行步骤S1和步骤S2，得到新的越野工况识别结果和需求功率预测结果，并得到新的最优控制序列，如此循环。

本发明相比现有技术有如下技术效果：

(1)基于车辆姿态对越野工况进行预测；利用速度、加速度传感器等车载传感器测得的车辆行驶信息，有利于降低传感器成本，利用车辆姿态传感器，提取车辆行驶的位置和姿态信息，建立了越野路况识别模型，采用SVM方法，有利于对越野环境进行快速、有效的辨别；

(2)基于越野工况对车辆行驶功率进行预测；针对不同越野工况，设置了不同的行驶方程参数，对预测时域内履带车辆的行驶功率进行预测，有利于提高对履带车辆行驶功率的预测精度；

(3)基于越野工况预测实时进行能量管理控制；采用模型预测控制策略，该策略可以满足车辆在爬坡、颠簸等复杂越野环境下的功率需求，与其它预测控制策略策略相比，有利于实现实时控制，便于实车应用，提高了预测模型的精度，改善了履带车辆在越野环境下的动力性和燃油经济性，便于维持动力电池SOC的稳定。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于越野工况预测的能量分配方法，其特征在于，所述方法包括以下步骤：

步骤S1、根据车辆历史行驶信息，建立基于支持向量机SVM的履带车辆越野环境工况识别模型；实时检测当前车辆行驶信息，输入所述模型，预测得到当前车辆行驶工况；

步骤S2、根据当前车速和加速度及马尔可夫随机预测方法预测下一时刻车速和加速度，根据预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值，对下一时刻车辆需求功率进行计算；

步骤S3、基于计算得到的所述下一时刻车辆需求功率，采用模型预测控制策略，以动态规划作为优化算法，预测得到下一时刻最优能量分配方式。

2.根据权利要求1所述的方法，其特征在于，建立基于支持向量机SVM的履带车辆越野环境工况识别模型包括，在离线准备阶段，进行车辆历史行驶数据采集、数据预处理和模型训练，形成达到预期精度的工况识别模型，其中，数据预处理包括，对不同工况下车辆历史行驶数据分别进行数据分段；所述数据分段包括将连续时间的行驶数据离散化，获得一定时间间隔的行驶数据，形成分段数据。

3.根据权利要求2所述的方法，其特征在于，所述车辆历史行驶数据采集包括，利用车载传感器采集平坦、爬坡和颠簸工况下的车辆行驶信息，其中，所述行驶信息包括世界协调时间，车辆侧倾角、俯仰角，车体坐标系下三个坐标轴上的速度和加速度。

4.根据权利要求2所述的方法，其特征在于，还包括对分段数据标签化；所述标签化具体包括，对分段数据进行标注，使每段数据有对应的工况标签，所述工况标签具体包括，平坦、颠簸、A级坡道、B级坡道和C级坡道，其中，A级坡道、B级坡道和C级坡道分别为坡度为0～10°、10°～20°、20°～30°的坡道。

5.根据权利要求4所述的方法，其特征在于，还包括对标签化后的数据进行特征提取；所述特征提取包括，将分段数据中影响越野工况预测的因素提取出来，生成含工况标签的特征向量。

6.根据权利要求5所述的方法，其特征在于，所述模型训练具体包括，将所述特征向量划分为训练集和测试集，将训练集利用支持向量机SVM训练，得出初始模型，用测试集检验初始模型的精度，若达到预期精度则训练完成，形成最终离线工况模型；若未达到预期精度，则进行手动调参，重复训练过程，直至模型达到预期精度。

7.根据权利要求1所述的方法，其特征在于，根据当前车速和加速度及马尔可夫随机预测方法预测下一时刻车速和加速度，具体包括，将速度和加速度的马尔可夫状态转移概率引入自适应系数进行更新，得到马尔可夫状态转移概率更新公式，由所述公式、当前车速和加速度，预测出下一时刻车速和加速度；其中当前车速和加速度由车载传感器测得。

8.根据权利要求1所述的方法，其特征在于，根据预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值，对下一时刻车辆需求功率进行计算，具体包括，将预测得到的当前车辆行驶工况和下一时刻的车速、加速度预测值输入履带车辆行驶功率方程，对下一时刻车辆需求功率进行计算；其中，履带车辆行驶功率方程为：

9.根据权利要求1所述的方法，采用模型预测控制策略，以动态规划作为优化算法，预测下一时刻最优能量分配，具体包括：建立车辆电传动功率模型、动力电池模型、发动机发电机模型和系统状态方程，设计动态规划代价函数，根据下一时刻车辆需求功率，获得预测时域内，预测工况下的最优控制序列，最优控制序列的第一个分量即为下一时刻最优能量分配。

10.根据权利要求9所述方法，其特征在于，建立车辆电传动功率模型、动力电池模型、发动机发电机模型和系统状态方程，设计动态规划代价函数，根据下一时刻车辆需求功率，获得预测时域内，预测工况下的最优控制序列，具体包括，从预测时域内倒数第2个时刻的所有可能的SOC值集合中选取任一个值，根据车辆电传动功率模型、动力电池模型、发动机发电机模型、系统状态方程、动态规划代价函数以及下一时刻车辆需求功率，求得该SOC值对应的代价函数值，依次选取所述SOC值集合中的其他值，求得其各自对应的代价函数值，选取上述所有代价函数值中最小值对应的控制量，即为该时刻的最优控制量，依次求取预测时域内倒数第3、4...个时刻的最优控制量，直至求取预测时域内第一个时刻的最优控制量；将预测时域内所有时刻的最优控制量按时刻从小到大依次排列，组成的序列即为最优控制序列。