本書首先以商用車混合動力系統能量流動為出發點，提出了混合動力系統瞬時效率最優的控制方法，并得到了實際案例的驗證。其次針對實際公交客車復雜行駛工況數據，提出了基于能耗特征的數據挖掘方法，對車聯網數據進行了有效利用。在此基礎上，提出有效利用車聯網信息的分層優化自適應智能能量管理方法與深度強化學習智能能量管理控制方法，并對這些智能能量管理控制方法的最優性與工況適應性、實時性均進行了驗證。本書緊密結合工程應用的基本要求，內容完整、系統、重點突出，強調知識的應用性，具有較強的針對性。本書適合汽車研發設計、教學科研等相關人員使用。
《混合動力系統優化及智能能量管理》是是一本難得的實用技術專著。專注于混合動力系統優化及智能能量管理的核心和關鍵技術進行了較系統和深入的介紹，以商用車混動系統能量流動為出發點，提出了混動系統瞬時效率優化的控制方法，并得到了實際案例的驗證。《混合動力系統優化及智能能量管理》緊密結合工程應用的基本要求，內容完整系統、重點突出，所用資料能夠更新、更準確地解讀問題點。在注重混合動力系統優化及智能能量管理技術知識的同時，強調知識的應用性，具有較強的針對性。適合汽車研發設計、教學科研等相關人員使用。
汽車在給世界各國工業生產及人們生活帶來巨大便利的同時，也造成了全球能源短缺、氣候變暖、環境污染等一系列問題，為此，世界各國相繼出臺政策文件，大力支持節能汽車與新能源汽車的發展。自2001 年，我國先后在十五至十四五規劃中持續制定了多項節能與新能源汽車發展規劃。在節能技術體系中，動力電池在成本、性能及安全性等方面存在短板，極大地限制了純電動汽車的發展，而混合動力汽車通過多動力源協作與能量回收等途徑可顯著節能，在諸多領域如重載、遠距等運輸需求下具備比純電動汽車更加顯著的優勢，因而混合動力汽車仍將在中長期內占據節能及新能源汽車市場的主要份額，具備廣闊的市場應用前景。可見，以混合動力系統為基礎，突破以高效、節能 為導向的設計與控制關鍵理論技術，已經成為我國節能與新能源產業發展的共性需求。
在移動互聯、大數據等技術的推動下，汽車產業正向智能化、網聯化快速融合發展。早在2015 年國務院印發的《中國制造2025》里，智能網聯汽車便已經被當作汽車產業未來轉型升級的重要方向。與此同時，面對日益突出的燃油供求矛盾和環境污染問題，我國針對節能與新能源汽車相繼出臺了相關發展規劃和技術路線。可以預見，關于先進節能技術的研究將是節能汽車研究領域的重點，網聯化、電動化的融合將成為節能與新能源汽車領域重要的發展方向。而本書所探討的混合動力汽車是一個復雜的非線性多動力源系統，如何基于車聯網提取可利用信息，采用有效的智能控制方法，對混合動力汽車的能量管理策略進行優化控制，實現各動力源更高效合理的工作，進而逐步提高混合動力汽車在不同路況、不同地區的節能水平和適應性，是當前智能網聯混合動力汽車研究的關鍵，也是當前網聯化、電動化、智能化技術在混合動力汽車領域融合發展的行業需求。
基于以上背景，結合作者及研究團隊自1999 年以來從事節能與新能源汽車研發設計，特別是混合動力汽車先進設計與控制技術的研究經驗和成果撰寫形成此書。本書在汽車節能減排與網聯化 的時代背景下，圍繞如何實現車輛混合動力系統的高效優化設計，如何有效利用車聯網信息提高車輛混合動力系統的節能潛力開展技術介紹。本書通過建立構型拓撲，提出基于 Isight 平臺的參數-控制雙層優化架構，分析不同構型各部件參數的取值趨勢和范圍，實現混合動力系統優化設計，并在不同構型混合動力系統上得到驗證。另外，通過分析車聯網平臺數據的特點和問題，介紹了行駛工況數據處理方法，針對實際車輛復雜行駛工況數據，提出基于能耗特征的數據挖掘方法，對車聯網數據進行有效利用。在此基礎上，結合數據挖掘結果，本書介紹了兩種智能能量管理策略： 一是從提升策略對于工況信息的利用程度出發，建立了基于行駛工況信息的分層優化自適應智能能量管理策略；二是從適應性較強的學習型智能算法角度，建立了固定線路全局優化的深度強化學習能量管理策略，兩種策略都提升了混合動力車輛能量管理策略的最優性和工況適應性，并利用硬件在環測試平臺完成了對兩種智能能量管理控制策略實時性的測試和驗證。本書創新性地、有效地挖掘了車聯網信息并用于能量管理優化控制，充分發揮了車輛混合動力系統的節能潛力，為汽車深度節能技術的發展奠定了基礎。
本書由吉林大學曾小華教授、清華大學王越博士后、吉林大學黃鈺峰博士研究生和一汽解放商用車開發院陳建新工程師著。在編寫的過程中，得到了吉林大學車輛工程專業研究生李凱旋、王一陽、向榮輝的鼎力支持與協助，吉林大學車輛工程專業博士研究生張軒銘也為本書的校核和審閱提出了寶貴的建議。在此，一并表示感謝。
由于本書涉及內容廣泛以及編者水平有限，書中不妥之處在所難免。歡迎使用本書的廣大讀者批評指正。E-mail：zeng.xiaohua@ 126.com
著者
曾小華，吉林大學汽車仿真與控制國家重點實驗室教授、博士生導師。主要研究領域：節能與新能量汽車關鍵技術的研究，主要包括油電混合動力汽車、液壓混合動力汽車的驅動理論、設計方法與控制技術。1999年開始并一直進行節能與新能源汽車技術開發，已發表論文50余篇，為多家國內外權威期刊論文評審專家；申請專利10余項，已獲授權發明專利7項。負責與參加20余項國家863項目、自然基金項目，省部級重點、重大項目以及龍頭整車企業項目。積累了豐富的節能與新能源汽車技術開發經驗和成果。教育背景：1995至1999年就讀于吉林工業大學汽車學院車輛工程系，獲得工學學士學歷；1999至2002年就讀于吉林大學汽車工程學院車輛工程系，獲得工學碩士學位；2002至2006年就讀于吉林大學汽車工程學院車輛工程系，獲得工學博士學位；工作經歷：2000年－2004年，吉林大學，汽車動態模擬國家重點實驗室，助教2004年－2008年，吉林大學，汽車動態模擬國家重點實驗室，講師2008年－2013年，吉林大學，汽車仿真與控制（原汽車動態模擬）國家重點實驗室，副教授，碩士生導師2013年至今，吉林大學，汽車仿真與控制（原汽車動態模擬）國家重點實驗室，教授，博士生導師。
第1章 緒論 001
1.1 節能與新能源汽車的發展概況 002
1.2 混合動力系統優化設計方法研究 004
1.2.1 混合動力系統構型拓撲研究現狀 005
1.2.2 混合動力系統設計參數與控制聯合優化研究現狀 009
1.3 融合車聯網信息的混合動力系統能量管理控制研究 011
1.3.1 車聯網與車輛節能技術 011
1.3.2 混合動力車輛行駛工況信息研究現狀 015
1.3.3 混合動力車輛能量管理策略研究現狀 018
1.4 本章結語 023
第2章 混合動力系統優化設計方法 025
2.1 混合動力系統構型拓撲分析 026
2.1.1 構型拓撲生成 026
2.1.2 生成結果與分析 035
2.2 混合動力系統內外雙層參數優化方法 040
2.2.1 優化三要素的確定 041
2.2.2 混合動力系統參數-控制雙層優化算法設計 045
2.3 優化結果驗證與分析 048
2.4 本章結語 066
第3章 基于車聯網信息行駛工況處理 068
3.1 車聯網信息下汽車行駛工況數據獲取 069
3.1.1 新能源汽車車聯網平臺介紹 069
3.1.2 基于車聯網的行駛工況數據獲取 072
3.1.3 車聯網平臺下行駛工況數據質量問題 075
3.2 車聯網平臺下行駛工況數據缺失與數據噪聲處理 077
3.2.1 基于插補與神經網絡的缺失數據估計方法 078
3.2.2 基于小波變換的噪聲數據濾波方法 078
3.2.3 行駛工況噪聲數據清洗方法 080
3.3 車聯網平臺下行駛工況數據處理的評價方法 083
3.3.1 行駛工況數據誤差評價指標 083
3.3.2 行駛工況特征參數評價指標 083
3.4 本章結語 084
第4章 基于車聯網信息行駛工況數據挖掘 085
4.1 數據挖掘理論在行駛工況數據中的應用 086
4.2 基于能耗特性的公交線路行駛工況特征參數分析 087
4.2.1 公交線路特征統計分析 088
4.2.2 基于公交客車線路特點的行駛工況特征參數集 090
4.2.3 車輛能耗特性與工況特征關系分析 092
4.2.4 基于能耗回歸分析模型的工況特征參數篩選 096
4.3 基于能耗特征與線路特征參數的固定線路行駛工況合成 097
4.3.1 基于K-Means 算法的工況聚類分析 098
4.3.2 馬爾可夫鏈狀態轉移矩陣 100
4.3.3 公交線路行駛工況合成結果分析 101
4.4 基于能耗特征與線路特征參數的未來行駛工況智能預測 103
4.4.1 基于LS-SVM 和BP-NN 的智能預測模型 103
4.4.2 未來工況智能預測模型對比 105
4.4.3 未來工況預測精度影響因素分析 108
4.4.4 未來工況預測模型的魯棒性分析 112
4.5 本章結語 114
第5章 基于行駛工況信息的分層優化自適應能量管理策略 115
5.1 行星式混合動力公交客車功率分流特性及其能量管理 116
5.1.1 雙行星排功率分流式混合動力系統構型 116
5.1.2 雙行星排式混合動力系統功率分流狀態分析 119
5.1.3 雙行星排式混合動力系統能量管理策略 121
5.2 分層優化自適應智能能量管理策略概述 125
5.2.1 分層優化自適應智能能量管理策略研究內容 125
5.2.2 分層優化自適應智能能量管理策略架構 126
5.3 基于固定線路合成工況的近似全局最優控制 127
5.3.1 考慮終止約束的全局優化SOC 軌跡求解 128
5.3.2 基于近似全局最優的模式切換規則提取 131
5.3.3 基于近似全局最優的SOC 軌跡規劃模型 133
5.4 基于未來工況預測的A-ECMS 自適應控制 135
5.4.1 基于PMP 的等效燃油消耗最小策略 136
5.4.2 基于未來工況預測信息的自適應規律 139
5.4.3 基于LQR 控制器的SOC 跟隨策略 140
5.5 分層優化自適應智能能量管理策略驗證與分析 142
5.5.1 分層優化自適應智能能量管理策略最優性 142
5.5.2 分層優化自適應智能能量管理策略適應性 147
5.6 硬件在環試驗 148
5.6.1 硬件在環試驗平臺 148
5.6.2 硬件在環試驗結果分析 150
5.7 本章結語 153
第6章 基于固定線路全局優化的深度強化學習能量管理策略 154
6.1 學習型智能能量管理控制策略概述 155
6.1.1 學習型智能能量管理策略研究進展 155
6.1.2 學習型智能能量管理的控制問題 157
6.2 基于固定線路全局優化的深度強化學習能量管理策略 159
6.2.1 Deep Q-Learning 深度強化學習算法 159
6.2.2 基于固定線路行駛信息的深度強化學習策略架構 161
6.2.3 Deep Q-Learning 能量管理策略算法設計 162
6.3 基于固定線路全局優化的深度強化學習能量管理策略驗證 163
6.3.1 F-DQL-EMS 智能能量管理策略的最優性 164
6.3.2 F-DQL-EMS 智能能量管理策略的工況適應性 167
6.4 硬件在環試驗 168
6.5 兩種智能能量管理策略對比分析 170
6.5.1 智能能量管理策略的最優性 170
6.5.2 智能能量管理策略的工況適應性 171
6.5.3 智能能量管理策略的總結分析 172
6.6 本章結語 172
第7章 全書總結 174
7.1 內容總結 175
7.2 未來展望 176
名詞簡寫 178
名詞索引 179
參考文獻 182
新書資訊