本发明公开了一种混合动力公交车能量管理方法，车辆控制单元根据公交车在同一线路上运行的历史数据得到的车速转移概率模型及当前车速信息与车辆位置信息获得之后的预估车速，再根据预估车速对混合动力车在预测区段内的能量分配进行优化，获得当前最优的燃油发动机与电机的功率分配比；最终确定实际喷油量及电机应当提供的功率，通过CAN总线发送报文到电机控制单元与发动机控制单元，本发明充分利用公交车在同一路段运行的特点，对混合动力公交车的能量管理进行优化，具有能源分配合理、燃油经济性高、尾气排放少、鲁棒性好、节能环保的特点。
1.一种混合动力公交车能量管理方法，混合动力公交车具有油门踏板位置传感器、车速传感器、GPS模块、车辆控制单元、发动机控制单元、电机控制单元和电池管理单元；油门踏板位置传感器、车速传感器和GPS模块均与车辆控制单元相连，车辆控制单元、发动机控制单元、电机控制单元和电池管理单元通过CAN总线连接；其特征在于，该方法包括如下步骤：(1)车速传感器采集当前的车速信息，GPS模块获取当前车辆位置信息，油门的踏板位置传感器获取当前油门踏板的位置信息，电池管理单元估算当前的电池荷电状态；当前的车速信息、车辆位置信息、油门踏板的位置信息及电池荷电状态均传输至车辆控制单元；
(2)车辆控制单元根据前期历史数据得到的车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速；
(3)车辆控制单元根据步骤2得到的预估车速对混合动力车在预测区段内的能量分配进行优化，获得当前最优的燃油发动机与电机的功率分配比；
(4)根据步骤3中得到的功率分配比以及步骤1中采集的油门踏板的位置信息来确定实际喷油量及电机应当提供的功率，然后通过CAN总线发送报文到电机控制单元与发动机控制单元；发动机控制单元根据接收车辆控制单元发送过来的报文调节发动机的输出功率；电机控制单元根据接收车辆控制单元发送过来的报文控制电动机的输出功率。
2.根据权利要求1所述混合动力公交车能量管理方法，其特征在于，所述步骤(2)可以具体分为下面几个子步骤：
(2.1)根据公交车在同一路段运行的历史车速，计算出公交车在每个位移点的车速转移概率矩阵，并构建车速转移概率模型：先将车速取值空间离散化，将0到60km/h的速度区间划分为以2.5km/h为间隔的25格车速取值；然后根据历史车速轨线，在车辆运行轨线上的每个位置分别训练出车速转移概率矩阵，并将这些车速转移概率矩阵存储在车辆控制单元内；在位置S处的状态转移概率矩阵P(S)的维度与离散化后的状态变量的取值数量相关，若车速离散化后有25个可能的取值，则P(S)为25×25的矩阵；P(S)矩阵中第a行b列的元素代表从第a个车速离散值转移到第b个车速离散值的概率，a和b均为1-25的自然数；P(S)矩阵中第a行b列的元素P(S,a,b)的计算方法如下：其中，Na(S)为历史轨线中在位置S处的车速为第a个离散值的个数；Nb(S,a)为历史轨线中在位置S处的车速为第a个离散值在位置S+1处的车速转变为第b个离散值的总数；
从车辆行驶的起点到终点的所有的状态转移概率矩阵构成了车速转移概率模型；
(2.2)车辆控制单元根据上述车速转移概率模型及步骤(1)得到的当前车速信息与车辆位置信息计算之后的预估车速：首先将当前车速v(S)转化为1×25的向量的形式，该向量中第1个元素对应于车速为0的概率，第n个元素对应于车速为(n-1)*2.5km/h的概率，n为1-25的自然数；v(S)与车速转移概率模型相乘即可获得在当前位置S从当前车速v(S)转变为下个车速v(S+1)的所有可能值：v(S+1)＝v(S)×P(S)；
上式所得结果v(S+1)也是一个1×25的向量，然后就得到了在位置S+1的所有可能车速的集合为{vj(S+1)|j＝1,2,...,NS+1}，其中，NS+1表示在S+1位置概率不为零的可能车速的总数，各可能的车速vj(S+1)所对应的概率为Pj(S)，Pj(S)的值就是向量v(S+1)中第j个不为零的值；之后由各可能的车速继续根据车速转移概率模型递推获得后续的车速及概率，为了简化后续的计算复杂度，在第S+2步及之后的预测范围内直接用概率最大的车速轨线trajectory(j)作为vj(S+1)的后续车速预测轨线，数个车速的下一步转移值与后续的最大可能轨线组合成车速的预估。
3.根据权利要求1所述混合动力公交车能量管理方法，其特征在于，所述步骤(3)中对混合动力车的能量分配进行优化的目标函数为：
其中，u为控制量，u(i)表示第i段位移中发动机功率与总的功率需求的比值，F(i,u(i))表示第i段位移中在控制量u(i)的作用下的燃油消耗，ΔSOC(i,u(i))表示第i段位移中在控制量u(i)的作用下的电池荷电状态减少量，P为预测区间的长度(即步骤(2)中得到的预估车速的总的预测步数)，G为权值，E为求取期望值的符号；目标是在预测时域内求取一个最优控制序列(即预测区域内每个位置的功率分配比)；上述F(i,u(i))的具体计算方法是：F(i,u(i))＝map_f(Treq(i)×u(i),ωICE(i))Δt(i)；
其中，map_f为一个燃油消耗率的二维表，该二维表中的具体数据与发动机相关，Treq为转矩耦合器所需输出的转矩，ωICE为发动机的转速，Treq与ωICE可根据汽车纵向动力学方程获得，Δt(i)表示车辆在第i段位移消耗的时间；
其中，Preq为总的需求功率，U为电池的等效开环电压，R为电池的等效内阻，Q为电池的总电量；
优化时的初始车速及初始荷电状态都取自步骤(1)采集得到的值；具体的优化方法分为两个阶段：在第一阶段中只考虑发动机单独驱动模式、电动机单独驱动模式、混合驱动模式这三种工作模式；在这三种工作模式下功率分配比(发动机功率与总的功率需求的比值)小于等于1；然后将功率分配比在当前的可行域里离散化；在预测区间内，所有位置的功率分配比先初始为1，然后尝将每个点的功率分配比下调到下一个可能的值，接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：k＝∑Pj[(Δfj-GΔSOCj)/ΔSOCj]＝∑Pj[Δfj/ΔSOCj-G]；
其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj表示在第j条预测曲线的工况下，调整功率分配比所造成的油耗减少量，ΔSOCj表示减小的荷电状态；决策变量k可以用来判断在当前点是否值得花费电能来减少油耗，k越大表示在该点消耗相同的电能所带来的好处越大，所以计算出预测区间内每个点的决策变量后，挑选k的值最大的那个点下调功率分配比，上述是一次迭代的寻优过程，每次寻优都是挑选k值最大的位置下调功率分配比，迭代的终止条件是k＝0或SOC达到下限；之后就进入下一个阶段的优化过程；第二个阶段的优化所考虑的工作模式为发电模式或维持第一阶段最后的模式；在第一阶段优化过后仍然处于发动机单独驱动模式的那些点才有可能在第二阶段转变为发电模式；将那些点作为第二阶段发电的候选位置；得到发电的候选位置后，就要决定最优的发电量；第二阶段的优化过程具体为：首先尝将每个点的功率分配比上升到下一个可能的值，功率分配比(发动机功率与总的功率需求的比值)大于1时接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：k'＝∑Pj[(GΔSOC'j-Δfj')/Δfj']＝∑Pj[GΔSOCj'/Δfj'-1]；
其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj’表示在第j条预测曲线的工况下为了发电额外增加的燃油消耗,ΔSOC’j表示相应的SOC增量；决策变量k’可以用来判断在当前点是否值得花费额外的燃油来产生电能；从候选点中选择k’的值最大的点调节功率分配比；然后进入下一次迭代，再次计算k’的值，并在k’最大的位置调节功率分配比；这样发电的位置都是性价比最高的位置；经过上面两个阶段的优化，预测区间内每个位置的功率分配比都设定到了最佳位置。
一种混合动力公交车能量管理方法
技术领域
[0001] 本发明涉及混合动力管理控制技术领域，具体涉及一种混合动力公交车能源管理方法。
背景技术
[0002] 汽车工业的发展伴随着环境污染问题与能源紧缺问题。为了缓解这些问题，新能源汽车是一种有效的途径。由于纯电动汽车相关的很多技术还不成熟，具有电池能量密度以及大电容安全性等瓶颈，当前要想推广还为时过早。而混合动力车(HEV)可以基于现有的燃油汽车来设计，因此更具有实际意义。本专利主要就是围绕混合动力车展开。混合动力汽车采用了至少两种动力源，因此能让发动机工作在更优的工作区间，达到减少燃油消耗、减少污染物排放、回收利用制动动能等目的。
[0003] 城市公交车作为城市主要交通工具，具有数量较多的特点，对于城市空气的污染影响较大，因此人们开始在城市公交车领域添加混合动力技术来降低城市的空气污染。目前混合动力公交车的能量管理策略是基于一些逻辑判断的，然而大多数控制策略的针对性较弱，没有考虑到每条线路的运行特点，这样得到的控制效果并不十分理想。一些研究者通过动态规划等手段来制定能量管理策略，这种做法能很好地利用循环工况来估计各时间段的功率需求，达到全局优化的目的。然而这种策略并不具备普适性，只有公交车确切地按照模型轨迹运作时才能达到控制效果。但实际情况是公交车的运行具有很强的随机性，几乎不会按照定制策略时的轨线运动，而且每次的耗时也是不同的，控制策略若基于固定模型很有可能无法达到预期的控制效果。一些研究人员对车辆的运行状况构建了随机模型，然后采用随机动态规划来求解，由于计算的时间复杂度，并不适合在实时的车辆运行中优化。
发明内容
[0004] 本发明的目的是克服现有技术的不足，提供一种混合动力公交车能量管理方法，本发明的方法能源分配合理、燃油经济性高、鲁棒性好、同时求解高效、适合在实际车辆运行过程中实施。
[0005] 本发明的目的是通过以下技术方案来实现的：一种混合动力公交车能量管理方法，混合动力公交车具有油门踏板位置传感器、车速传感器、GPS模块、车辆控制单元、发动机控制单元、电机控制单元和电池管理单元；油门踏板位置传感器、车速传感器和GPS模块均与车辆控制单元相连，车辆控制单元、发动机控制单元、电机控制单元和电池管理单元通过CAN总线连接；该方法包括如下步骤：
[0006] (1)车速传感器采集当前的车速信息，GPS模块获取当前车辆位置信息，油门的踏板位置传感器获取当前油门踏板的位置信息，电池管理单元估算当前的电池荷电状态；当前的车速信息、车辆位置信息、油门踏板的位置信息及电池荷电状态均传输至车辆控制单元；
[0007] (2)车辆控制单元根据前期历史数据得到的车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速；
[0008] (3)车辆控制单元根据步骤2得到的预估车速对混合动力车在预测区段内的能量分配进行优化，获得当前最优的燃油发动机与电机的功率分配比；
[0009] (4)根据步骤3中得到的功率分配比以及步骤1中采集的油门踏板的位置信息来确定实际喷油量及电机应当提供的功率，然后通过CAN总线发送报文到电机控制单元与发动机控制单元；发动机控制单元根据接收车辆控制单元发送过来的报文调节发动机的输出功率；电机控制单元根据接收车辆控制单元发送过来的报文控制电动机的输出功率。
[0010] 进一步地，所述步骤2可以具体分为下面几个子步骤：
[0011] (2.1)根据公交车在同一路段运行的历史车速，计算出公交车在每个位移点的车速转移概率矩阵，并构建车速转移概率模型：先将车速取值空间离散化，将0到60km/h的速度区间划分为以2.5km/h为间隔的25格车速取值；然后根据历史车速轨线，在车辆运行轨线上的每个位置分别训练出车速转移概率矩阵，并将这些车速转移概率矩阵存储在车辆控制单元内；在位置S处的状态转移概率矩阵P(S)的维度与离散化后的状态变量的取值数量相关，若车速离散化后有25个可能的取值，则P(S)为25×25的矩阵；P(S)矩阵中第a行b列的元素代表从第a个车速离散值转移到第b个车速离散值的概率，a和b均为1-25的自然数；P(S)矩阵中第a行b列的元素P(S,a,b)的计算方法如下：
[0012]
[0013] 其中，Na(S)为历史轨线中在位置S处的车速为第a个离散值的个数；Nb(S,a)为历史轨线中在位置S处的车速为第a个离散值在位置S+1处的车速转变为第b个离散值的总数。从车辆行驶的起点到终点的所有的状态转移概率矩阵构成了车速转移概率模型；
[0014] (2.2)车辆控制单元根据上述车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速：首先将当前车速v(S)转化为1×25的向量的形式，该向量中第1个元素对应于车速为0的概率，第n个元素对应于车速为(n-1)*2.5km/h的概率，n为1-25的自然数；v(S)与车速转移概率模型相乘即可获得在当前位置S从当前车速v(S)转变为下个车速v(S+1)的所有可能值：
[0015] v(S+1)＝v(S)×P(S)；
[0016] 上式所得结果v(S+1)也是一个1×25的向量，然后就得到了在位置S+1的所有可能车速的集合为{vj(S+1)|j＝1,2,...,NS+1}，其中，NS+1表示在S+1位置概率不为零的可能车速的总数，各可能的车速vj(S+1)所对应的概率为Pj(S)，Pj(S)的值就是向量v(S+1)中第j个不为零的值；之后由各可能的车速继续根据车速转移概率模型递推获得后续的车速及概率，为了简化后续的计算复杂度，在第S+2步及之后的预测范围内直接用概率最大的车速轨线trajectory(j)作为vj(S+1)的后续车速预测轨线，数个车速的下一步转移值与后续的最大可能轨线组合成车速的预估。
[0017] 进一步地，所述步骤3中对混合动力车的能量分配进行优化的目标函数为：
[0018]
[0019] 其中，u为控制量，u(i)表示第i段位移中发动机功率与总的功率需求的比值，F(i,u(i))表示第i段位移中在控制量u(i)的作用下的燃油消耗，ΔSOC(i,u(i))表示第i段位移中在控制量u(i)的作用下的电池荷电状态减少量，P为预测区间的长度(即步骤2中得到的预估车速的总的预测步数)，G为权值，E为求取期望值的符号；目标是在预测时域内求取一个最优控制序列(即预测区域内每个位置的功率分配比)；上述F(i,u(i))的具体计算方法是：
[0020] F(i,u(i))＝map_f(Treq(i)×u(i),ωICE(i))Δt(i)；
[0021] 其中，map_f为一个燃油消耗率的二维表，该二维表中的具体数据与发动机相关，Treq为转矩耦合器所需输出的转矩，ωICE为发动机的转速，Treq与ωICE可根据汽车纵向动力学方程获得，Δt(i)表示车辆在第i段位移消耗的时间。
[0022] ΔSOC(i,u(i))的具体计算方法是：
[0023]
[0024] 其中，Preq为总的需求功率，U为电池的等效开环电压，R为电池的等效内阻，Q为电池的总电量。
[0025] 优化时的初始车速及初始荷电状态都取自步骤1采集得到的值。具体的优化方法分为两个阶段：在第一阶段中只考虑发动机单独驱动模式、电动机单独驱动模式、混合驱动模式这三种工作模式；在这三种工作模式下功率分配比(发动机功率与总的功率需求的比值)小于等于1；然后将功率分配比在当前的可行域里离散化；在预测区间内，所有位置的功率分配比先初始为1，然后尝将每个点的功率分配比下调到下一个可能的值，接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：
[0026] k＝∑Pj[(Δfj-GΔSOCj)/ΔSOCj]＝∑Pj[Δfj/ΔSOCj-G]；
[0027] 其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj表示在第j条预测曲线的工况下，调整功率分配比所造成的油耗减少量，ΔSOCj表示减小的荷电状态；决策变量k可以用来判断在当前点是否值得花费电能来减少油耗，k越大表示在该点消耗相同的电能所带来的好处越大，所以计算出预测区间内每个点的决策变量后，挑选k的值最大的那个点下调功率分配比，上述是一次迭代的寻优过程，每次寻优都是挑选k值最大的位置下调功率分配比，迭代的终止条件是k＝0或SOC达到下限；之后就进入下一个阶段的优化过程；第二个阶段的优化所考虑的工作模式为发电模式或维持第一阶段最后的模式。在第一阶段优化过后仍然处于发动机单独驱动模式的那些点才有可能在第二阶段转变为发电模式；将那些点作为第二阶段发电的候选位置。得到发电的候选位置后，就要决定最优的发电量。第二阶段的优化过程具体为：首先尝将每个点的功率分配比上升到下一个可能的值，功率分配比(发动机功率与总的功率需求的比值)大于1时接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：
[0028] k'＝∑Pj[(GΔSOC'j-Δfj')/Δfj']＝∑Pj[GΔSOCj'/Δfj'-1]；
[0029] 其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj’表示在第j条预测曲线的工况下为了发电额外增加的燃油消耗,ΔSOC’j表示相应的SOC增量；决策变量k’可以用来判断在当前点是否值得花费额外的燃油来产生电能；从候选点中选择k’的值最大的点调节功率分配比；然后进入下一次迭代，再次计算k’的值，并在k’最大的位置调节功率分配比；这样发电的位置都是性价比最高的位置；经过上面两个阶段的优化，预测区间内每个位置的功率分配比都设定到了最佳位置。
[0030] 本发明具有下述技术效果：本发明充分利用公交车在同一路段运行的特点，对混合动力公交车的能量管理进行优化。本发明基于统计的历史车速-位移关系来获取当前位移点之后的预估车速，并根据预估的车速来优化功率分配比，此发明具有能源分配合理、燃油经济性高、尾气排放少、鲁棒性好、节能环保的优点。
附图说明
[0031] 图1为本发明实施例的实施流程示意图；
[0032] 图2为本发明实施例的框架结构示意图；
[0033] 图3为本发明的车速估计示意图；
[0034] 图4为本发明优化时的第一阶段的流程图；
[0035] 图5为本发明优化时的第二阶段的流程图。
具体实施方式
[0036] 混合动力公交车中具有油门踏板位置传感器、车速传感器、GPS模块、车辆控制单元、发动机控制单元、电机控制单元和电池管理单元，油门踏板位置传感器、车速传感器和GPS模块均与车辆控制单元相连，车辆控制单元、发动机控制单元、电机控制单元和电池管理单元通过CAN总线连接。其中，车辆控制单元通过油门踏板位置传感器和车速传感器接收车速信息与油门踏板位置信息得出最优的功率分配比，然后传给发动机控制单元、电机控制单元和电池管理单元；发动机控制单元根据接收的车辆控制单元发送过来的指令控制节气门开度等变量，从而调节发动机输出功率；电机控制单元根据接收的车辆控制单元发送过来的指令控制电动机的输出功率；电池管理单元估算电池当前的荷电状态并传给汽车控制单元。
[0037] 如图1所示，本发明实施例一种混合动力公交车能量管理方法，其实施步骤如下：
[0038] 1、车速传感器采集当前的车速信息，GPS模块获取当前车辆位置信息，油门的踏板位置传感器获取当前油门踏板的位置信息，电池管理单元估算当前的电池荷电状态；当前的车速信息、车辆位置信息、油门踏板的位置信息及电池荷电状态传输至车辆控制单元。
[0039] 2、车辆控制单元根据前期历史数据得到的车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速。
[0040] 步骤2可以具体分为下面几个子步骤：
[0041] 2.1、根据公交车在同一路段运行的历史车速，计算出公交车在每个位移点的车速转移概率矩阵，并构建车速转移概率模型。离线建模先将车速取值空间离散化，将0到60km/h的速度区间划分为以2.5km/h为间隔的25格车速取值。然后根据历史车速轨线，在车辆运行轨线上的每个位置分别训练出车速转移概率矩阵，并将这些车速转移概率矩阵存储在车辆控制单元内。在位置S处的状态转移概率矩阵P(S)的维度与离散化后的状态变量的取值数量相关，若车速离散化后有25个可能的取值，则P(S)为25×25的矩阵。P(S)矩阵中第a行b列的元素代表从第a个车速离散值转移到第b个车速离散值的概率，具体的概率值是通过统计历史车速轨线中同一位置处的车速变化的各种可能来获得。每个位置的状态转移概率矩阵都应该是不同的。例如起步阶段，下一个车速有很大可能高于当前车速；在快要遇到路口时车速下降的概率较大。从车辆行驶的起点到终点的所有的状态转移概率矩阵构成了车速转移概率模型，a和b均为1-25的自然数。P(S)矩阵中第a行b列的元素P(S,a,b)的计算方法如下：
[0042]
[0043] 其中，Na(S)为历史轨线中在位置S处的车速为第a个离散值的个数；Nb(S,a)为历史轨线中在位置S处的车速为第a个离散值在位置S+1处的车速转变为第b个离散值的总数。从车辆行驶的起点到终点的所有的状态转移概率矩阵构成了车速转移概率模型；
[0044] 2.2、车辆控制单元根据上述车速转移概率模型及步骤1得到的当前车速信息与车辆位置信息计算之后的预估车速。
[0045] 所述计算预估车速需要输入的数据是公交车当前车速和当前位置，然后根据步骤2)中的车速转移概率模型，输出对未来车速的预估。具体的计算方法是：首先将当前车速v(S)转化为1×25的向量的形式，该向量中第1个元素对应于车速为0的概率，第n个元素对应于车速为(n-1)*2.5km/h的概率，n为1-25的自然数。v(S)与车速转移概率模型相乘即可获得在当前位置S从当前车速v(S)转变为下个车速v(S+1)的所有可能值：
[0046] v(S+1)＝v(S)×P(S)；
[0047] 上式所得结果v(S+1)也是一个1×n的向量，然后就得到了在位置S+1的所有可能车速的集合为{vj(S+1)|j＝1,2,...,NS+1}，其中，NS+1表示在S+1位置概率不为零的可能车速的总数，各可能的车速vj(S+1)所对应的概率为Pj(S)，Pj(S)的值就是向量v(S+1)中第j个不为零的值。
[0048] 之后由各可能的车速继续根据车速转移概率模型递推获得后续的车速及概率，为了简化后续的计算复杂度，在第S+2步及之后的预测范围内直接用概率最大的车速轨线trajectory(j)作为vj(S+1)的后续车速预测轨线，数个车速的下一步转移值与后续的最大可能轨线组合成车速的预估，大致如图3所示。
[0049] 3、车辆控制单元根据步骤2得到的预估车速对混合动力车在预测区段内的能量分配进行优化，获得当前最优的燃油发动机与电机的功率分配比。
[0050] 所述步骤3中对混合动力车的能量分配进行优化的目标函数为：
[0051]
[0052] 其中，u为控制量，u(i)表示第i段位移中发动机功率与总的功率需求的比值，F(i,u(i))表示第i段位移中在控制量u(i)的作用下的燃油消耗，ΔSOC(i,u(i))表示第i段位移中在控制量u(i)的作用下的电池荷电状态减少量，P为预测区间的长度(即步骤2中得到的预估车速的总的预测步数)，G为权值，E为求取期望值的符号。目标是在预测时域内求取一个最优控制序列(即预测区域内每个位置的功率分配比)。上述F(i,u(i))的具体计算方法是：
[0053] F(i,u(i))＝map_f(Treq(i)×u(i),ωICE(i))Δt(i)；
[0054] 其中，map_f为一个燃油消耗率的二维表，该二维表中的具体数据与发动机相关，Treq为转矩耦合器所需输出的转矩，ωICE为发动机的转速，Treq与ωICE可根据汽车纵向动力学方程获得，Δt(i)表示车辆在第i段位移消耗的时间。
[0055] ΔSOC(i,u(i))的具体计算方法是：
[0056]
[0057] 其中，Preq为总的需求功率，U为电池的等效开环电压，R为电池的等效内阻，Q为电池的总电量。
[0058] 优化时的初始车速及初始荷电状态都取自步骤1采集得到的值。具体的优化方法分为两个阶段：第一个阶段的优化流程如图4所示，在第一阶段中只考虑发动机单独驱动模式、电动机单独驱动模式、混合驱动模式这三种工作模式。在这三种工作模式下功率分配比(发动机功率与总的功率需求的比值)小于等于1。然后将功率分配比在当前的可行域里离散化。在预测区间内，所有位置的功率分配比先初始为1，然后尝将每个点的功率分配比下调到下一个可能的值，接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：
[0059] k＝∑Pj[(Δfj-GΔSOCj)/ΔSOCj]＝∑Pj[Δfj/ΔSOCj-G]；
[0060] 其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj表示在第j条预测曲线的工况下，调整功率分配比所造成的油耗减少量，ΔSOCj表示减小的荷电状态。决策变量k可以用来判断在当前点是否值得花费电能来减少油耗。k越大表示在该点消耗相同的电能所带来的好处越大。所以计算出预测区间内每个点的决策变量后，挑选k的值最大的那个点下调功率分配比。上述是一次迭代的寻优过程，每次寻优都是挑选k值最大的位置下调功率分配比。迭代的终止条件是k＝0或SOC达到下限。之后就进入下一个阶段的优化过程。第二个阶段的优化所考虑的工作模式为发电模式或维持第一阶段最后的模式。在第一阶段优化过后仍然处于发动机单独驱动模式的那些点才有可能在第二阶段转变为发电模式；将那些点作为第二阶段发电的候选位置。得到发电的候选位置后，就要决定最优的发电量。第二阶段的优化过程如图5所示，迭代寻优的过程与第一阶段有点类似，首先尝将每个点的功率分配比上升到下一个可能的值，功率分配比(发动机功率与总的功率需求的比值)大于1时接着为每个点计算调整所带来的影响，影响具体是用下述决策变量表示：
[0061] k'＝∑Pj[(GΔSOC'j-Δfj')/Δfj']＝∑Pj[GΔSOCj'/Δfj'-1]；
[0062] 其中，Pj表示在车速预估模型中转移到第j条预测曲线的概率，Δfj’表示在第j条预测曲线的工况下为了发电额外增加的燃油消耗,ΔSOC’j表示相应的SOC增量。决策变量k’可以用来判断在当前点是否值得花费额外的燃油来产生电能。从候选点中选择k’的值最大的点调节功率分配比。然后进入下一次迭代，再次计算k’的值，并在k’最大的位置调节功率分配比。这样发电的位置都是性价比最高的位置。如何使用新产生的电能依据的是第一阶段的优化结果，如果第一阶段的优化终止时是由于k<0,那么新产生的电能不会再分配，如果第一阶段优化终止时是由于SOC低于下限，那么新产生的电能会用在k的值最大的位置，然后更新k的值进入下一次迭代，第二阶段优化迭代的终止条件是k’<0。经过上面两个阶段的优化，预测区间内每个位置的功率分配比都设定到了最佳位置。
[0063] 4、根据步骤3中得到的功率分配比以及步骤1中采集的油门踏板的位置信息来确定实际喷油量及电机应当提供的功率，然后通过CAN总线发送相应的报文到电机控制单元与发动机控制单元，具体的报文形式与各个汽车厂商的a2l文件相关。整个汽车控制单元外围相关的框架结构示意图如图2所示。发动机控制单元负责接收车辆控制单元发送过来的指令来控制节气门开度等变量来达到调节发动机功率输出的作用；电机控制单元用来控制电动机的功率输出。
[0064] 当车辆运行到下一个位移段时会更新现在的车速、位置及电池荷电状态SOC，接着根据新的状态信息更新车速的预估，并对接下来的预测区间中的功率分配比进行优化，并相应地控制发动机与电机的输出功率。
[0065] 本发明考虑到了公交车在同一线路上运行的统计规律与随机性，采用的控制算法将传统的多模态问题转变为两类子问题，体现的分治的思想，而且在确定发电量与用电量时利用的是贪婪算法的思想，极大地加快了优化问题的求解速度。适合车辆在实时运行中进行优化。
