CN110696815A - 一种网联式混合动力汽车的预测能量管理方法 - Google Patents

Abstract

本发明公开了一种网联式混合动力汽车的预测能量管理方法，包括以下步骤：S1.目标车辆将自身驾驶工况信息通过车载终端设备上传给数据处理中心；S2.数据处理中心结合所收集的路面信息对目标车辆最优行驶路径进行规划并预估其完整车速曲线；S3.目标车辆接收数据处理中心的信息反馈并结合自身采集的实时状态信息发送给整车控制器VCU进行最佳能量分配；S4.VCU基于所构建二层前馈神经网络模型对所接收工况进行快速响应规划得到对应最优全局SoC轨迹；S5.VCU利用MPC方法对所规划SoC轨迹进行跟随，在实时控制层面获得的近似最优的燃油经济性能量分配效果。本发明所提出的方法能够保证实时能量管理策略取得全局最优的燃油经济性。

Description

一种网联式混合动力汽车的预测能量管理方法

技术领域

本发明涉及混合动力汽车，特别是涉及一种网联式混合动力汽车的预测能量管理方法。

背景技术

随着社会的发展，汽车开始广泛应用于人们生活的各个角落，传统化石燃料是汽车赖以生存的燃料，但是传统化石燃料终有一天会用尽，能源的枯竭不仅仅是失去汽车这个交通工具，更严重的是会影响生态平衡，威胁人类赖以生存的土地。寻找可代替传统化石燃料的能源已经成为近几年汽车问题研究的重中之重。新能源汽车一直是汽车研究的热点，混合动力汽车是新能源汽车中的佼佼者；混合动力汽车(HEV)是指车辆驱动系由两个或多个能同时运转的单个驱动系联合组成的车辆，目前通常提到的混合动力汽车的动力源大多由内燃机与动力电池组成；在混合动力汽车的实用过程中，其能量管理非常重要；

在现有的混合动力汽车能量管理策略中，关于策略的实时性以及节能效果的最优性之间的矛盾仍旧无法得到较好的协调，离线分析方法能够计算全局最优解但其计算过于复杂难以实时应用，而在线控制方法的节能效果与最优目标仍然存在一定差距。

发明内容

本发明的目的在于克服现有技术的不足，提供一种网联式混合动力汽车的预测能量管理方法，能够保证实时能量管理策略能够取得全局最优的燃油经济性。

本发明的目的是通过以下技术方案来实现的：一种网联式混合动力汽车的预测能量管理方法，包括以下步骤：

S1.目标车辆将自身驾驶工况信息通过车载终端设备上传给数据处理中心；

S2.数据处理中心结合所收集的路面信息对目标车辆最优行驶路径进行规划并预估其完整车速曲线；

所述步骤S2包括以下子步骤：

S201.数据处理中心采集目标车辆行驶工况信息、其余网联汽车上传工况信息以及交通灯路口信息；

S202.数据处理中心根据驾驶员输入目的信息提供几条可选路径并对路径进行分段，基于各分段中他车及红绿灯所反馈的信息，对每段路交通流通行程度进行分级，最后进行加权计算给出最优路径；

S203.在所给出的最优路径中，每段路程上不同的交通流通行等级对应不同的平均预估车速，给出分级结果后得到一条分段连续曲线，最后对其滤波处理，得到一条分段光滑曲线，即所构建的车辆预期行驶工况。

S3.目标车辆接收数据处理中心的信息反馈并结合自身采集的实时状态信息发送给整车控制器VCU进行最佳能量分配；

所述步骤S3包括以下子步骤：

S301.目标车辆利用车载终端设备实现车量与数据处理中心之间的信息交互，其中由数据处理中心所构建的完整工况通过3G/4G网络发送到目标车辆的车载终端设备；

S302.目标车辆利用车载传感器对自身实时车速进行测量，并利用毫米波雷达对周边车辆、行人实时环境进行感知；

S303.车辆所接收的数据处理中心信息以及自身采集的实时工况数据都通过CAN总线进行通讯，并发送给整车控制器VCU作为预测能量管理的信息输入。

S4.VCU基于所构建二层前馈神经网络模型对所接收工况进行快速响应规划得到对应最优全局SoC轨迹；

所述步骤S4包括以下子步骤：

S401.在数据处理中心中对目标车辆上传的历史工况信息进行DP离线分析，得到工况与对应最优SoC轨迹的一系列样本数据，并进一步利用二层前馈神经网络对其映射关系进行拟合,构建能够实现实时响应的最优SoC规划模型：

A.离线DP求解：

A01.功率需求计算：在车辆的行驶过程中，发动机以及驱动电机所输出的转速与转矩必须能够满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g,C_r,ρ,C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

A02.变量选取：为实现最佳燃油经济性，利用DP算法计算给定工况v下满足上述功率需求的最佳发动机与驱动电机控制结果，在混合动力汽车PHEV构型中，动力传动系统大多仅有两个独立控制变量，以发动机转速w_eng与转矩T_eng作为控制变量U_DP，其余变量皆基于车辆模型计算得到，包括状态变量X_DP：

U_DP＝{u₁,u₂}＝{w_eng(t),T_eng(t)}；

X_DP＝SoC(t)；

A03.目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

B.监督学习训练

B01.样本输入输出定义:

选择车速v,加速度a,以及已行驶里程比s/S作为输入参数以表达行驶工况的功率需求特性；以电池放电率

作为输出参数以表达电池放电状态，其完整SoC曲线通过积分得到：

I＝{i₁,i₂,i₃}＝{v(t),a(t),s(t)/S}；

B02.神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

B03.LM训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长。

S402.基于所构建的SoC规划模型，以目标车辆所获取的实时交通信息为输入对车辆全局SoC输出进行实时规划，得到一条近似最优全局SoC曲线对实时功率分配进行引导。

S5.VCU利用MPC方法对所规划SoC轨迹进行跟随，在实时控制层面获得的近似最优的燃油经济性能量分配效果。

所述步骤S5包括以下子步骤：

S501.全局SoC引导：在实时功率分流中，通过对所规划最优SoC引导进行追踪来实现实时能量管理的燃油经济最优性,即将控制时域内SoC值与参考SoC的偏差控制在一定范围内：

其中，X_MPC(t)为MPC中状态变量，

为所规划最佳SoC曲线引导，Δ为二者误差控制阈值；

S502.MPC功率分配：

MPC通过根据短期工况预测结果在控制时域内进行实时功率分配，在其求解过程中，同样利用DP求解控制时域内的最优控制结果，其控制变量以及状态变量的选择与离线分析过程基本一致：

X_MPC＝SoC(t) U_MPC＝{w_eng(t),T_eng(t)}

S503.实时最优求解：

MPC的目标函数同样为等效能耗，但与DP不同的是，该方法的求解区间在一个较短的时域内，以保证求解的实时性：

其中，J_MPC(t)为MPC的目标函数，n为当前时刻，Hp为预测时域时长。

优选地，所述车载终端设备包括但不限于移动终端、车载PC或远程信息处理器T-box；所述数据处理中心包括但不限智能交通系统ITS或云端大数据平台。步骤S1中所述的自身行驶工况信息包括车辆完整的里程信息、车辆实时的车速信息和车辆历史的车速信息；所述车辆完整的里程信息包括车辆当前的位置信息和驾驶员输入的车辆的目的地信息。

本发明的有益效果是：(1)本发明在实时MPC能量管理中引入了状态变量对电池最优SoC轨迹的追踪，MPC是一种实时优化方法，能够得到控制时域范围内的最优解，通过最优SoC引导的修正，能够显著提高控制策略的全局最优性；(2)本方法引入了监督学习对离线分析所得工况特征与最优放电率之间的机理进行学习，通过构建二层前馈神经网络模型，并利用样本数据对其进行训练不断调整权重系数直至模型收敛达到预期拟合精度，可以实现最优SoC轨迹的快速规划。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

本发明根据目标车辆从ITS(智能交通系统)获取的实时工况信息，引入监督学习方法对其完整行驶里程下的电池全局SoC(荷电状态)进行快速规划，并在实时功率分流中利用MPC(模型预测控制)对所得SoC进行跟随，以保证实时能量管理策略能够取得全局最优的燃油经济性。所提出方法能够结合监督学习以及MPC两种方法的优势，在监督学习中通过神经网络对历史车速以及离线最优SoC结果进行拟合，能够根据实际工况在线计算近似最优全局SoC轨迹；在实时MPC能量分配中，能够通过状态量对所得参考SoC跟随控制达到全局最优的控制效果，并利用跟随误差弥补工况动态变化时SoC规划偏差对控制结果产生的不良影响，具体地：

如图1所示，一种网联式混合动力汽车的预测能量管理方法，包括以下步骤：

S1.目标车辆将自身驾驶工况信息通过车载终端设备上传给数据处理中心；

在本申请的实施例中，所述车载终端设备采用远程信息处理器T-box；所述数据处理中心采用智能交通系统ITS。所述的自身行驶工况信息包括车辆完整的里程信息、车辆实时的车速信息和车辆历史的车速信息；所述车辆完整的里程信息包括车辆当前的位置信息和驾驶员输入的车辆的目的地信息；车辆当前的位置信息由车辆自带的定位模块获取；车辆实时的车速信息，由目标车辆通过车载传感器测得或对输出转速进行解析计算得到；所述车辆历史的车速信息，保存于车载终端设备中，需要时直接由车载终端设备进行上传。

S2.数据处理中心结合所收集的路面信息对目标车辆最优行驶路径进行规划并预估其完整车速曲线；

所述步骤S2包括以下子步骤：

S201.数据处理中心采集目标车辆行驶工况信息、其余网联汽车上传工况信息以及交通灯路口信息；

S202.数据处理中心根据驾驶员输入目的信息提供几条可选路径并对路径进行分段，基于各分段中他车及红绿灯所反馈的信息，对每段路交通流通行程度进行分级，最后进行加权计算给出最优路径；

S203.在所给出的最优路径中，每段路程上不同的交通流通行等级对应不同的平均预估车速，给出分级结果后得到一条分段连续曲线，最后对其滤波处理，得到一条分段光滑曲线，即所构建的车辆预期行驶工况。

在完整工况构建的过程中，本发明利用道路交通流状况分级对其进行处理，同样，在一些实施例中，此目的也能通过马尔科夫概率转移矩阵等方式实现。

S3.目标车辆接收数据处理中心的信息反馈并结合自身采集的实时状态信息发送给整车控制器VCU进行最佳能量分配；

所述步骤S3包括以下子步骤：

S301.目标车辆利用车载终端设备实现车量与数据处理中心之间的信息交互，其中由数据处理中心所构建的完整工况通过3G/4G网络发送到目标车辆的车载终端设备；

S302.目标车辆利用车载传感器对自身实时车速进行测量，并利用毫米波雷达对周边车辆、行人实时环境进行感知；

S303.车辆所接收的数据处理中心信息以及自身采集的实时工况数据都通过CAN总线进行通讯，并发送给整车控制器VCU作为预测能量管理的信息输入。

S4.VCU基于所构建二层前馈神经网络模型对所接收工况进行快速响应规划得到对应最优全局SoC轨迹；

所述步骤S4包括以下子步骤：

S401.在数据处理中心中对目标车辆上传的历史工况信息进行DP离线分析，得到工况与对应最优SoC轨迹的一系列样本数据，并进一步利用二层前馈神经网络对其映射关系进行拟合,构建能够实现实时响应的最优SoC规划模型：

A.离线DP求解：

A01.功率需求计算：在车辆的行驶过程中，发动机以及驱动电机所输出的转速与转矩必须能够满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g,C_r,ρ,C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

A02.变量选取：为实现最佳燃油经济性，利用DP算法计算给定工况v下满足上述功率需求的最佳发动机与驱动电机控制结果，在混合动力汽车PHEV(特指通过插电进行充电的混合动力汽车)构型中，动力传动系统大多仅有两个独立控制变量，如丰田Prius及其衍生构型，这里以发动机转速w_eng与转矩T_eng作为控制变量U_DP，其余变量皆基于车辆模型计算得到，包括状态变量X_DP：

U_DP＝{u₁,u₂}＝{w_eng(t),T_eng(t)}；

X_DP＝SoC(t)；

A03.目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，

为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

上述方法能够在给定工况下计算得到全局最优控制结果，但由于计算复杂难以实际应用，仅将其作为离线样本分析。在此基础上，利用监督学习方法对其输入与输出关系进行拟合，从而保证能够在实时范围内根据工况信息对最优SoC进行快速响应：

B.监督学习训练

B01.样本输入输出定义:

选择车速v,加速度a,以及已行驶里程比s/S作为输入参数以表达行驶工况的功率需求特性；以电池放电率

作为输出参数以表达电池放电状态，其完整SoC曲线通过积分得到：

I＝{i₁,i₂,i₃}＝{v(t),a(t),s(t)/S}；

B02.神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

B03.LM(Levenberg-Marquardt)训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长。

本发明引入了监督学习方法对于DP下最优输入输出关系进行拟合，实现最优SoC的快速规划。在另外一些实施例中，通过其余智能算法对最优规则进行学习也同样能够实现该功能，如人工智能，深度学习，神经网络等方法均可用于SoC的快速规划。

S402.基于所构建的SoC规划模型，以目标车辆所获取的实时交通信息为输入对车辆全局SoC输出进行实时规划，得到一条近似最优全局SoC曲线对实时功率分配进行引导。

S5.VCU利用MPC方法对所规划SoC轨迹进行跟随，在实时控制层面获得的近似最优的燃油经济性能量分配效果。

所述步骤S5包括以下子步骤：

S501.全局SoC引导：在实时功率分流中，通过对所规划最优SoC引导进行追踪来实现实时能量管理的燃油经济最优性,即将控制时域内SoC值与参考SoC的偏差控制在一定范围内：

其中，X_MPC(t)为MPC中状态变量，

为所规划最佳SoC曲线引导，Δ为二者误差控制阈值；

S502.MPC功率分配：

MPC通过根据短期工况预测结果在控制时域内进行实时功率分配，在其求解过程中，同样利用DP求解控制时域内的最优控制结果，其控制变量以及状态变量的选择与离线分析过程基本一致：

X_MPC＝SoC(t)U_MPC＝{w_eng(t),T_eng(t)}

S503.实时最优求解：

MPC的目标函数同样为等效能耗，但与DP不同的是，该方法的求解区间在一个较短的时域内，以保证求解的实时性：

其中，J_MPC(t)为MPC的目标函数，n为当前时刻，Hp为预测时域时长。

本发明利用MPC对状态变量电池SoC的最优轨迹进行追踪从而实现实时最优控制。而在另外一些实施例中，实时功率分配时，同样可采用其他算法来实现该功能，如等效燃油最小策略(ECMS)或自适应等效燃油最小策略(A-ECMS)等，通过对短期未来工况进行预测对瞬时最佳发动机与电机的能耗比进行计算；

本发明在实时MPC能量管理中引入了状态变量对电池最优SoC轨迹的追踪，MPC是一种实时优化方法，能够得到控制时域范围内的最优解，通过最优SoC引导的修正，能够显著提高控制策略的全局最优性。此外，通过追踪误差的控制，也能够较好地弥补在车辆实际行驶过程中真实工况与预期偏差所带来的消极影响。仿真结果表明，在一段7小时公交工况下，该方法较传统放电-维持型(CDCS)策略能够提高35％以上的燃油经济性。本发明引入了监督学习对离线分析所得工况特征与最优放电率之间的机理进行学习，通过构建二层前馈神经网络模型，并利用样本数据对其进行训练不断调整权重系数直至模型收敛达到预期拟合精度，可以实现最优SoC轨迹的快速规划。仿真结果表明，在7小时完整测试工况下，该方法能够将计算时间从近20分钟降低到0.02秒，对SoC规划的实时性有着显著的提升，而该方法所规划轨迹与离线最优轨迹的均方根误差(RMSe)也能控制在2.5％内，满足车辆能量管理的预期精度。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种网联式混合动力汽车的预测能量管理方法，其特征在于：包括以下步骤：

S1.目标车辆将自身驾驶工况信息通过车载终端设备上传给数据处理中心；

S2.数据处理中心结合所收集的路面信息对目标车辆最优行驶路径进行规划并预估其完整车速曲线；

S3.目标车辆接收数据处理中心的信息反馈并结合自身采集的实时状态信息发送给整车控制器VCU进行最佳能量分配；

S4.VCU基于所构建二层前馈神经网络模型对所接收工况进行快速响应规划得到对应最优全局SoC轨迹；

S5.VCU利用MPC方法对所规划SoC轨迹进行跟随，在实时控制层面获得的近似最优的燃油经济性能量分配效果。

2.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述车载终端设备包括但不限于移动终端、车载PC或远程信息处理器T-box；所述数据处理中心包括但不限智能交通系统ITS或云端大数据平台。

3.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：步骤S1中所述的自身行驶工况信息包括车辆完整的里程信息、车辆实时的车速信息和车辆历史的车速信息；所述车辆完整的里程信息包括车辆当前的位置信息和驾驶员输入的车辆的目的地信息。

4.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述步骤S2包括以下子步骤：

S201.数据处理中心采集目标车辆行驶工况信息、其余网联汽车上传工况信息以及交通灯路口信息；

S202.数据处理中心根据驾驶员输入目的信息提供几条可选路径并对路径进行分段，基于各分段中他车及红绿灯所反馈的信息，对每段路交通流通行程度进行分级，最后进行加权计算给出最优路径；

S203.在所给出的最优路径中，每段路程上不同的交通流通行等级对应不同的平均预估车速，给出分级结果后得到一条分段连续曲线，最后对其滤波处理，得到一条分段光滑曲线，即所构建的车辆预期行驶工况。

5.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述步骤S3包括以下子步骤：

S301.目标车辆利用车载终端设备实现车量与数据处理中心之间的信息交互，其中由数据处理中心所构建的完整工况通过3G/4G网络发送到目标车辆的车载终端设备；

S302.目标车辆利用车载传感器对自身实时车速进行测量，并利用毫米波雷达对周边车辆、行人实时环境进行感知；

S303.车辆所接收的数据处理中心信息以及自身采集的实时工况数据都通过CAN总线进行通讯，并发送给整车控制器VCU作为预测能量管理的信息输入。

6.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述步骤S4包括以下子步骤：

S401.在数据处理中心中对目标车辆上传的历史工况信息进行DP离线分析，得到工况与对应最优SoC轨迹的一系列样本数据，并进一步利用二层前馈神经网络对其映射关系进行拟合,构建能够实现实时响应的最优SoC规划模型；

S402.基于所构建的SoC规划模型，以目标车辆所获取的实时交通信息为输入对车辆全局SoC输出进行实时规划，得到一条近似最优全局SoC曲线对实时功率分配进行引导。

7.根据权利要求5所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述步骤S401包括：

A.离线DP求解：

A01.功率需求计算：在车辆的行驶过程中，发动机以及驱动电机所输出的转速与转矩必须能够满足驾驶功率需求，在不考虑坡道的情况下，输出转矩与转速由车辆纵向运动学与动力学方程计算：

其中，w_out与T_out分别代表输出轴转速与转矩，v为车速，k₀与R_w分别为主减速比以及车轮滚动半径，m与A分别为汽车整备质量以及迎风面积，g,C_r,ρ,C_d分别为重力系数、滚动阻力系数、空气密度以及空气阻力系数；

A02.变量选取：为实现最佳燃油经济性，利用DP算法计算给定工况v下满足上述功率需求的最佳发动机与驱动电机控制结果，在混合动力汽车PHEV构型中，动力传动系统大多仅有两个独立控制变量，以发动机转速w_eng与转矩T_eng作为控制变量U_DP，其余变量皆基于车辆模型计算得到，包括状态变量X_DP：

U_DP＝{u₁,u₂}＝{w_eng(t),T_eng(t)}；

X_DP＝SoC(t)；

A03.目标函数最小化：

在由控制变量划分的网格空间中，由物理约束条件对可行区间进行约束，通过使目标函数J_DP最小化来求解最佳燃油经济性的控制结果：

其中，T为行驶里程总时间，

为瞬时燃油消耗率，q为汽油热值，P_bat为电池放电功率；

B.监督学习训练

B01.样本输入输出定义:

选择车速v,加速度a,以及已行驶里程比s/S作为输入参数以表达行驶工况的功率需求特性；以电池放电率

作为输出参数以表达电池放电状态，其完整SoC曲线通过积分得到：

I＝{i₁,i₂,i₃}＝{v(t),a(t),s(t)/S}；

B02.神经网络模型构建：样本输入特征通过线性加权与隐藏层节点进行匹配，并利用sigmoid函数激活以将线性关系转化为非线性便于更好拟合输入输出关系：

H＝WI+B；

其中，H为输入特征线性拟合结果，W，B分别为线性函数的权重与偏置系数，H′为激活函数的输出结果；

B03.LM训练：基于所构建样本数据库，利用LM方法对模型的系数W，B不断进行迭代调整，直至拟合结果与样本真值的误差控制在合理范围内：

其中，z_n+1与z_n分别为第n+1与n步下的模型参数值，f为拟合结果与真值误差函数，J_f为函数f的雅各比矩阵，μ为迭代步长。

8.根据权利要求1所述的一种网联式混合动力汽车的预测能量管理方法，其特征在于：所述步骤S5包括以下子步骤：

S501.全局SoC引导：在实时功率分流中，通过对所规划最优SoC引导进行追踪来实现实时能量管理的燃油经济最优性,即将控制时域内SoC值与参考SoC的偏差控制在一定范围内：

其中，X_MPC(t)为MPC中状态变量，

为所规划最佳SoC曲线引导，Δ为二者误差控制阈值；

S502.MPC功率分配：

MPC通过根据短期工况预测结果在控制时域内进行实时功率分配，在其求解过程中，同样利用DP求解控制时域内的最优控制结果，其控制变量以及状态变量的选择与离线分析过程基本一致：

X_MPC＝SoC(t) U_MPC＝{w_eng(t),T_eng(t)}

S503.实时最优求解：

MPC的目标函数同样为等效能耗，但与DP不同的是，该方法的求解区间在一个较短的时域内，以保证求解的实时性：

其中，J_MPC(t)为MPC的目标函数，n为当前时刻，Hp为预测时域时长。