CN113602252A - 一种混合动力汽车控制方法及装置 - Google Patents

Abstract

本发明公开了一种混合动力汽车控制方法及装置，该方法包括：根据各个典型工况的行驶特征建立工况模式神经网络模型；根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；根据各个典型工况的最优功率分配策略建立功率分配神经网络模型；在车辆行驶状态时，依据工况模式神经网络模型获取车辆的当前工况对应的典型工况；根据当前工况对应的典型工况调用对应的功率分配神经网络模型，输出车辆的发动机及驱动电机的输出功率信号，以形成最优功率分配策略。本发明实施例提供的混合动力汽车控制方法将神经网络模型与动态规划算法结合，控制汽车在不同工况下实现输出功率合理分配，从而提升燃油经济性。

Description

一种混合动力汽车控制方法及装置

技术领域

本发明涉及新能源汽车领域，尤其涉及一种混合动力汽车控制方法及装置。

背景技术

随着人们对能源危机及环境污染的重视，混合动力汽车已经成为一种趋势。混合动力汽车在内燃机汽车的基础上增加了电池和驱动电机，通过驱动电机的帮助来改善整车的经济性和动力性。而如何对混合动力汽车进行控制，使发动机和驱动电机的输出功率合理分配，达到更好的燃油经济性是目前普遍面临的问题。

现有的混合动力汽车的控制方法包括基于规则控制方法、等效油耗最小方法、动态规划算法及神经网络方法等，但单独采用某种控制方法的应变能力不足，在不同工况下难以使汽车达到最佳的燃油经济性。因此，一种在不同工况下可变化的混合动力汽车控制策略，亟待被开发出来。

发明内容

本发明实施例提供了一种混合动力汽车控制方法及装置，以解决现有技术中面临不同工况时，难以控制汽车实现输出功率合理分配的问题，从而使混合动力汽车在运行时能够达到更高的燃油经济性。

第一方面，本发明实施例提供了一种混合动力汽车控制方法，所述方法包括：

根据各个典型工况的行驶特征建立工况模式神经网络模型；所述典型工况的至少包括市区工况、郊区工况和高速工况；

根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；

根据所述各个典型工况的最优功率分配策略建立功率分配神经网络模型；所述功率分配神经网络模型与所述典型工况一一对应设置；

在车辆行驶状态时，获取所述车辆的当前行驶特征；并将所述当前行驶特征输入至所述工况模式神经网络模型获取所述车辆的当前工况对应的典型工况；

根据所述当前工况对应的典型工况调用对应的功率分配神经网络模型，输出所述车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

第二方面，本发明实施例提供了一种混合动力汽车控制装置，所述装置包括：

工况模型建立模块，用于根据各个典型工况的行驶特征建立工况模式神经网络模型；所述典型工况的至少包括市区工况、郊区工况和高速工况；

优化计算模块，用于根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；

功率模型建立模块，用于根据所述各个典型工况的最优功率分配策略建立功率分配神经网络模型；所述功率分配神经网络模型与所述典型工况一一对应设置；

工况识别模块，用于在车辆行驶状态时，获取所述车辆的当前行驶特征；并将所述当前行驶特征输入至所述工况模式神经网络模型获取所述车辆的当前工况对应的典型工况；

功率输出模块，用于根据所述当前工况对应的典型工况调用对应的功率分配神经网络模型，输出所述车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

本发明实施例所提供的技术方案，根据典型工况的行驶特性建立工况模式神经网络模型，根据动态规划算法离线计算出不同工况对应的最优功率分配策略，建立相应的功率分配神经网络模型，在汽车行驶时，通过工况模式神经网络模型分析所处工况，并根据功率分配神经网络模型计算发动机和驱动电机的输出功率，解决了单一控制策略在不同工况下功率分配不合理，导致燃油经济性较差的问题，能够有效降低汽车油耗，提升燃油经济性。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一提供的一种混合动力汽车控制方法的流程图；

图2为本发明实施例二提供的一种混合动力汽车控制方法中工况模式神经网络建立的流程图；

图3为本发明实施例三提供的一种混合动力汽车控制方法中最优功率分配策略的流程图；

图4为本发明实施例四提供的一种混合动力汽车控制装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种混合动力汽车控制方法的流程图，本实施例可用于混合动力汽车在不同工况下行驶时调节功率分配方式，从而提升油耗经济性的情况，例如，在市区行驶如何调节汽车功率分配，使油耗达到最低。该方法可以由本申请实施例所提供的混合动力汽车控制装置来执行，该装置可以采用软件和/或硬件的方式来实现，该装置可配置于终端设备/服务器/车载控制器中，该方法具体包括：

S110、根据各个典型工况的行驶特征建立工况模式神经网络模型。

其中，典型工况为几种典型的车辆行驶环境，具体的，典型工况可包括市区工况、郊区工况和高速工况等，但不限于此。在不同工况下，车辆具有不同的行驶特征，例如，市区内行人及非机动车辆较多，汽车会以较慢速度行驶，停车次数较多，而高速公路上车辆则会以较高速度行驶。可选的，本申请中典型工况的行驶特征至少可以包括最高车速、平均车速、平均运行速度、怠速比例、0～30km/h比例、30～50km/h比例、50～75km/h比例、>75km/h比例、最大加速度、速度标准差和正加速度标准，但不限于此。其中，最高车速指的是该典型工况下的车速的最大值；平均车速为该典型工况下的车速的平均值；平均运行速度为该典型工况下实际运行过程中的平均车速；怠速比例为该典型工况下车辆处于怠速状态的时间段占总的时间段的比例；0～30km/h比例为该典型工况下，0～30km/h车速所占比例；30～50km/h比例为该典型工况下，30～50km/h车速所占比例；50～75km/h比例为该典型工况下，50～75km/h车速所占比例；>75km/h比例为该典型工况下，>75km/h车速所占比例；最大加速度为该典型工况下的最大加速度；速度标准差表示该典型工况下不同车速的离散程度，即车速波动程度；正加速度标准差表示该典型工况下不同正加速度的离散程度，即正加速度波动程度。

可选的，各行驶特征可根据以下公式计算：

最高车速(km/h)：V_max＝Max{V_t,V_t+1……V_t+ΔT}，其中，V_max为t～(t+ΔT)时间内的最高车速；

平均车速(km/h)：

其中，ΔS为ΔT时间段内的运行距离；

平均运行速度(km/h)：

其中，ΔT_run为ΔT时间段内车辆车速大于零的时间；

怠速比例(％)：

其中，t_V＝0为ΔT时间段内车辆车速等于零的时间；

0-30km/h比例(％)：

其中，t_0<V≤30为ΔT时间段内车辆车速在0-30km/h的时间；

30-50km/h比例(％)：

其中，t_30<V≤50为ΔT时间段内车辆车速在30-50km/h的时间；

50-75km/h比例(％)：

其中，t_50<V≤75为ΔT时间段内车辆车速在50-75km/h的时间；

>75km/h比例(％)：

其中，t_V>75为ΔT时间段内车辆车速大于75km/h的时间；

最大加速度(m/s²)：a_max＝Max{a_t,a_t+1……a_t+ΔT}，其中，a_max为t～(t+ΔT)时间内的最高加速度；

速度标准差(km/h)：

其中，n为ΔT时间段内车速数据总数，V_avg为ΔT时间段内的平均车速；

正加速度标准差(m/s²)：

其中，n为ΔT时间段内加速度a_i大于0的数据总数，

为ΔT时间段加速度大于零的平均加速度。

具体的，将行驶特征输入至神经网络模型进行各典型工况的训练，直至训练后的神经网络模型输出与行驶特征对应的典型工况。为了使工况模式神经网络模型更精确、覆盖范围更全面，前期会采集大量典型工况的行驶特征，用于神经网络模型的训练。对于神经网络模型的选择在此不做限定，优选的，本申请实施例中的神经网络模型为BP神经网络模型，BP神经网络模型是一种反向传播的神经网络模型，具有高度的自学习和自适应能力及一定的容错能力，是目前应用较多的一种神经网络模型。

S120、根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略。

其中，动态规划算法主要用于求解以时间划分阶段的动态过程的优化问题，其中，以时间划分阶段的动态过程是指多阶段决策问题，具体来说：如果一类活动过程可以分为若干个互相联系的阶段，在每一个阶段都需作出决策，一个阶段的决策确定以后，常常影响到下一个阶段的决策，从而就完全确定了一个过程的活动路线，则称它为多阶段决策问题。对于多阶段决策问题，各个阶段的决策构成一个决策序列，称为一个策略。每一个阶段都有若干个决策可供选择，因而就有许多策略供我们选取，对应于一个策略可以确定活动的效果，这个效果可以用数量来确定。策略不同，效果也不同，多阶段决策问题，就是要在可以选择的那些策略中间，选取一个最优策略，使在预定的标准下达到最好的效果，动态规划算法是一个阶段性过程，其可以有效地找到最优路径，而不依赖与某一设定好的精确的数学模型。

具体的，离线优化计算指的是对历史数据的提前计算，而非对实时数据直接进行动态规划算法，这能够大大缩短计算时间。可选的，利用动态规划算法对大量历史数据进行计算，从而得到各个典型工况的最优功率分配策略。其中，最优功率分配策略指的是发动机与驱动电机输出功率分配比例的最优取值，在此最优取值下，车辆的油耗最低。混合动力汽车在传统燃油车的基础上增加了驱动电机和电池，由发动机和驱动电机驱动车辆行驶，可以理解的是，车辆在中高速工况下行驶时，发动机效率高，此时若只用发动机来驱动，能够使油耗维持在较低状态，其中，中高速工况可以包括车辆较少的郊区及高速公路上；而车辆在低速或怠速工况下行驶时，发动机效率低，此时用驱动电机来驱动，能够降低油耗。最优功率分配策略即是调节车辆运行时发动机与驱动电机的输出功率分配比例，使发动机效率最佳，从而提高燃油经济性。

S130、根据各个典型工况的最优功率分配策略建立功率分配神经网络模型；功率分配神经网络模型与典型工况一一对应设置。

具体的，将最优功率分配策略输入至神经网络模型进行对应典型工况的训练，直至训练后的神经网络模型输出发动机的输出功率和驱动电机的输出功率的最优取值；训练后的神经网络模型为对应典型工况的功率分配神经网络模型。

可选的，工况模式神经网络模型和功率分配神经网络模型为均为BP神经网络模型，但不限于此，其表明：工况模式神经网络模型和功率分配神经网络模型均以BP神经网络模型为基础，但因为训练模型的输入参数不一样，所以最终形成不同的工况模式神经网络模型和功率分配神经网络模型。

具体的，最优功率分配策略由“根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略”中计算得出，即不同典型工况下发动机与驱动电机输出功率分配比例的最优取值。此时的功率分配神经网络模型有多个，功率分配神经网络模型与典型工况一一对应设置。

S140、在车辆行驶状态时，获取车辆的当前行驶特征；并将当前行驶特征输入至工况模式神经网络模型获取车辆的当前工况对应的典型工况。

可选的，车辆的构架为下述至少一种：P0、P1、P2、P3和P4，但不限于此，其中P0、P1、P2、P3和P4表示驱动电机安装于车辆的不同位置，例如P0表示驱动电机通过皮带等与发动机相连；P1表示驱动电机直接与发动机相连，驱动电机与传动机构之间有离合器；P2表示驱动电机与发动机之间有离合器，驱动电机与传动机构之间也有离合器；P4表示电机安装在变速器和差速器之间，差速器是指能够使左与右或前与后驱动轮实现以不同转速转动的机构。

具体的，在车辆行驶状态时，采集并存储实时车速；根据当前时间及其之前的设定时长内存储的车速曲线提取车辆的当前行驶特征。其中，由控制器接收实时车速信号并存储，并对过去一段时间内的车速曲线进行分析，提取若干车辆行驶特征。进一步的，将行驶特征输入至工况模式神经网络模型，由工况模式神经网络模型对行驶特征进行识别，判断此时所处的工况，例如，若车辆在某一工况下的最高车速与平均车速较低，怠速比例较高，则可判断当前工况为市区。

S150、根据当前工况对应的典型工况调用对应的功率分配神经网络模型，输出车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

具体的，判断出当前所处工况后，调用最适合当前工况的功率分配神经网络模型，由控制器输出发动机和驱动电机的输出功率信号，形成最优功率分配策略，即发动机与驱动电机输出功率分配比例的最优取值。

本申请实施例的技术方案，根据典型工况的行驶特性建立工况模式神经网络模型，根据动态规划算法离线计算出不同工况对应的最优功率分配策略，建立相应的功率分配神经网络模型，在汽车行驶时，通过工况模式神经网络模型分析所处工况，并根据功率分配神经网络模型计算发动机和驱动电机的输出功率，解决了单一控制策略在不同工况下功率分配不合理，导致燃油经济性较差的问题，能够有效降低汽车油耗，提升燃油经济性。

实施例二

图2为本发明实施例二提供的一种混合动力汽车控制方法中工况模式神经网络建立的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，具体的，对步骤S110“根据各个典型工况的行驶特征建立工况模式神经网络模型”的过程进行详述，步骤S110具体包括如下步骤：

S210、采集车辆在各个典型工况的车速曲线。

具体的，通过传感器采集实时车速，控制器接收实时车速信号并存储，在控制器系统内将若干个车速点绘制为过去一段时间内的车速曲线，并对过去一段时间内的车速曲线进行分析。

S220、根据各个典型工况的车速曲线提取各个典型工况的行驶特征。

具体的，由车辆中的控制器提取各个典型工况的车速曲线中的行驶特征，可选的，提取的若干行驶特征，至少包括最高车速、平均车速、平均运行速度、怠速比例、0～30km/h比例、30～50km/h比例、50～75km/h比例、>75km/h比例、最大加速度、速度标准差和正加速度标准，但不限于此。其中，怠速比例指的是车辆处于怠速状态的时间段占总的车速曲线的比例，怠速状态即发动机在空挡的状态下运转，此时仍处于燃油状态，但车辆原地不动；0～30km/h比例为该车速曲线内车速为0～30km/h的时间段占总的车速曲线的比例；30～50km/h比例、50～75km/h比例及>75km/h比例分别为该车速曲线内车速为30～50km/h、50～75km/h及>75km/h的时间段占总的车速曲线的比例。表1示例性的给出了三种典型工况下不同行驶特征的数值，可以理解的是表中的各个数值均为计算出的平均数值，仅是参考值，而非限定值，其可以为一个数值，也可以为一个数值范围，本实施例对此不进行特殊限定。

表1：三种典型工况下不同行驶特征的数值

S230、将行驶特征输入至神经网络模型进行各典型工况的训练，直至训练后的神经网络模型输出与行驶特征对应的典型工况。

具体的，将“根据各个典型工况的车速曲线提取各个典型工况的行驶特征”中提取出的若干行驶特征输入至预先建立好的BP神经网络模型，确定其输出的典型工况是否与输入的行驶特征对应，若是，则结束训练；否则重新将行驶特征输入BP神经网络模型进行训练，直至训练后的神经网络模型输出与行驶特征对应的典型工况。训练后的神经网络模型为工况模式神经网络模型。

实施例三

图3为本发明实施例三提供的一种混合动力汽车控制方法中最优功率分配策略的流程图。在上述技术方案的基础上，可以对上述实施例1中的S120进行进一步细化，如图3所示，其具体包括如下步骤：

S121、对于历史数据中的功率分配策略。

其中，历史数据指的是车辆在不同典型工况下的历史行程，功率分配策略为发动机输出功率与驱动电机输出功率的最优取值。具体的，根据历史数据中，车辆的发动机与驱动电机输出功率分配比例确定最优取值，最优取值是指：在此输出功率分配比例下，车辆能够达到最佳节油率。

S122、以每个典型工况的最优功率分配策略作为优化目标，以每个典型工况的车辆状态信息为约束条件建立基于动态规划的最优功率分配策略。

其中，车辆状态信息至少包括油门开度、刹车信号、整车电池剩余容量状态和档位信号，但不限于此。车辆输出功率与行驶过程中车辆状态信息有关，具体的，混合动力汽车中，控制系统根据油门开度判断此时需要输出的总功率，结合当前行车状况作出最优功率分配策略，实现低油耗驾驶，例如，若此时整车电池剩余容量较低，则由发动机做大部分功率输出；例如，在同一车速下，高档位行驶时发动机的效率较高，则此时可由发动机做大部分功率输出，而低档位行驶时发动机的效率较低，则此时可由驱动电机做大部分功率输出。

S123、采用动态规划算法对各个典型工况的最优功率分配策略求解。

具体的，结合不同工况下的车辆状态信息，利用动态规划算法进行求解，得到各个典型工况下对应的最优功率分配策略，从而提升燃油经济性。

实施例四

图4为本发明实施例四提供的一种混合动力汽车控制装置的结构示意图。该装置可以执行本发明实施例中的混合动力汽车控制方法，该装置具体可包括：工况模型建立模块310、优化计算模块320、能量模型建立模块330、工况识别模块340、功率输出模块350。

其中，工况模型建立模块310，用于根据各个典型工况的行驶特征建立工况模式神经网络模型；典型工况的至少包括市区工况、郊区工况和高速工况；

优化计算模块320，用于根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；

能量模型建立模块330，用于根据各个典型工况的最优功率分配策略建立功率分配神经网络模型；功率分配神经网络模型与典型工况一一对应设置；

工况识别模块340，用于在车辆行驶状态时，获取车辆的当前行驶特征；并将当前行驶特征输入至工况模式神经网络模型获取车辆的当前工况对应的典型工况；

功率输出模块350，用于根据当前工况对应的典型工况调用对应的功率分配神经网络模型，输出车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

上述装置中，可选的是，工况模型建立模块310具体用于：采集车辆在各个典型工况的车速曲线；根据各个典型工况的车速曲线提取各个典型工况的行驶特征；将行驶特征输入至神经网络模型进行各典型工况的训练，直至训练后的神经网络模型输出与行驶特征对应的典型工况；训练后的神经网络模型为工况模式神经网络模型，其中，对于神经网络模型的选择在此不做限定，优选的，本申请实施例中的神经网络模型为BP神经网络模型。

上述装置中，可选的是，根据各个典型工况的车速曲线提取各个典型工况的行驶特征至少包括最高车速、平均车速、平均运行速度、怠速比例、0～30km/h比例、30～50km/h比例、50～75km/h比例、>75km/h比例、最大加速度、速度标准差和正加速度标准，但不限于此。

上述装置中，可选的是，优化计算模块320具体用于：对于历史数据中的功率分配策略；功率分配策略为发动机输出功率与驱动电机输出功率的最优取值；以每个典型工况的最优功率分配策略作为优化目标，以每个典型工况的车辆状态信息为约束条件建立基于动态规划的最优功率分配策略；采用动态规划算法对各个典型工况的最优功率分配策略求解。

其中，车辆状态信息至少包括油门开度、刹车信号、整车电池剩余容量状态和档位信号，但不限于此。

上述装置中，可选的是，能量模型建立模块330具体用于：将最优功率分配策略输入至神经网络模型进行对应典型工况的训练，直至训练后的神经网络模型输出发动机的输出功率和驱动电机的输出功率的最优取值；训练后的神经网络模型为对应典型工况的功率分配神经网络模型。

上述装置中，可选的是，工况识别模块340具体用于：在车辆行驶状态时，采集并存储实时车速；根据当前时间及其之前的设定时长内存储的车速曲线提取车辆的当前行驶特征。

上述装置中，可选的是，混合动力汽车控制装置可装配于任意一种构架的混合动力汽车中，包括但不限于以下几项：P0、P1、P2、P3和P4，其中P0、P1、P2、P3和P4表示驱动电机安装于车辆的不同位置，例如P0表示驱动电机通过皮带等与发动机相连；P1表示驱动电机直接与发动机相连，驱动电机与传动机构之间有离合器；P2表示驱动电机与发动机之间有离合器，驱动电机与传动机构之间也有离合器；P4表示电机安装在变速器和差速器之间，差速器是指能够使左与右或前与后驱动轮实现以不同转速转动的机构。

本申请实施例的技术方案，根据典型工况的行驶特性建立工况模式神经网络模型，根据动态规划算法离线计算出不同工况对应的最优功率分配策略，建立相应的功率分配神经网络模型，在汽车行驶时，通过工况模式神经网络模型分析所处工况，并根据功率分配神经网络模型计算发动机和驱动电机的输出功率，解决了单一控制策略在不同工况下功率分配不合理，导致燃油经济性较差的问题，能够有效降低汽车油耗，提升燃油经济性。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种混合动力汽车控制方法，其特征在于，包括：

根据各个典型工况的行驶特征建立工况模式神经网络模型；所述典型工况至少包括市区工况、郊区工况和高速工况；

根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；

根据所述各个典型工况的最优功率分配策略建立功率分配神经网络模型；所述功率分配神经网络模型与所述典型工况一一对应设置；

在车辆行驶状态时，获取所述车辆的当前行驶特征；并将所述当前行驶特征输入至所述工况模式神经网络模型获取所述车辆的当前工况对应的典型工况；

根据所述当前工况对应的典型工况调用对应的功率分配神经网络模型，输出所述车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

2.根据权利要求1所述的混合动力汽车控制方法，其特征在于，根据各个典型工况的行驶特征建立工况模式神经网络模型，包括：

采集车辆在所述各个典型工况的车速曲线；

根据各个典型工况的车速曲线提取所述各个典型工况的行驶特征；

将所述行驶特征输入至神经网络模型进行各典型工况的训练，直至训练后的所述神经网络模型输出与所述行驶特征对应的典型工况；

训练后的所述神经网络模型为工况模式神经网络模型。

3.根据权利要求1所述的混合动力汽车控制方法，其特征在于，所述行驶特征至少包括最高车速、平均车速、平均运行速度、怠速比例、0～30km/h比例、30～50km/h比例、50～75km/h比例、>75km/h比例、最大加速度、速度标准差和正加速度标准。

4.根据权利要求1所述的混合动力汽车控制方法，其特征在于，在车辆行驶状态时，获取所述车辆的当前行驶特征，包括：

在车辆行驶状态时，采集并存储实时车速；

根据当前时间及其之前的设定时长内存储的车速曲线提取所述车辆的当前行驶特征。

5.根据权利要求1所述的混合动力汽车控制方法，其特征在于，所述工况模式神经网络模型和所述功率分配神经网络模型均为BP神经网络模型。

6.根据权利要求1所述的混合动力汽车控制方法，其特征在于，根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略，包括：

对于历史数据中的功率分配策略；所述功率分配策略为发动机输出功率与驱动电机输出功率的最优取值；

以每个典型工况的最优功率分配策略作为优化目标，以每个典型工况的车辆状态信息为约束条件建立基于动态规划的最优功率分配策略；

采用动态规划算法对各个典型工况的最优功率分配策略求解。

7.根据权利要求6所述的混合动力汽车控制方法，其特征在于，所述车辆状态信息至少包括油门开度、刹车信号、整车电池剩余容量状态和档位信号。

8.根据权利要求1所述的混合动力汽车控制方法，其特征在于，根据所述各个典型工况的最优功率分配策略建立功率分配神经网络模型，包括：

将所述最优功率分配策略输入至神经网络模型进行对应典型工况的训练，直至训练后的所述神经网络模型输出发动机的输出功率和驱动电机的输出功率的最优取值；

训练后的所述神经网络模型为对应典型工况的功率分配神经网络模型。

9.根据权利要求1所述的混合动力汽车控制方法，其特征在于，所述车辆的构架为下述至少一种：P0、P1、P2、P3和P4。

10.一种混合动力汽车控制装置，其特征在于，包括：

工况模型建立模块，用于根据各个典型工况的行驶特征建立工况模式神经网络模型；所述典型工况的至少包括市区工况、郊区工况和高速工况；

优化计算模块，用于根据动态规划算法对各个典型工况进行离线优化计算，获取各个典型工况的最优功率分配策略；

功率模型建立模块，用于根据所述各个典型工况的最优功率分配策略建立功率分配神经网络模型；所述功率分配神经网络模型与所述典型工况一一对应设置；

工况识别模块，用于在车辆行驶状态时，获取所述车辆的当前行驶特征；并将所述当前行驶特征输入至所述工况模式神经网络模型获取所述车辆的当前工况对应的典型工况；

功率输出模块，用于根据所述当前工况对应的典型工况调用对应的功率分配神经网络模型，输出所述车辆的发动机的输出功率信号和驱动电机的输出功率信号，以形成最优功率分配策略。

Images