[论文解读] Driving Conditions-Driven Energy Management for Hybrid Electric Vehicles: A Review

Teng Liu, Wenhao Tan+4 more|arXiv (Cornell University)|Jul 16, 2020

Vehicle emissions and performance参考文献 142被引用 6

一句话总结

本综述提出了一种面向混合动力电动汽车（HEVs）的驾驶工况驱动型能量管理策略（EMS），根据驾驶循环知识将EMS分类为三类：标准循环、长期循环生成（LT-DCG）和短期循环预测（ST-DCP）。该综述整合了驾驶循环建模与EMS设计的最新进展，强调真实驾驶模式在提升燃油效率和控制排放方面的优势，主要贡献体现在分类体系、数据来源以及HEV能量管理的未来研究方向。

ABSTRACT

Motivated by the concerns on transported fuel consumption and global air pollution, industrial engineers, and academic researchers have made many efforts to construct more efficient and environment-friendly vehicles. Hybrid electric vehicles (HEVs) are the representative ones because they can satisfy the power demand by coordinating energy supplements among different energy storage devices. To achieve this goal, energy management approaches are crucial technology, and driving cycles are the critical influence factor. Therefore, this paper aims to summarize driving cycle-driven energy management strategies (EMSs) for HEVs. First, the definition and significance of driving cycles in the energy management field are clarified, and the recent literature in this research domain is reviewed and revisited. In addition, according to the known information of driving cycles, the EMSs are divided into three categories, and the relevant study directions, such as standard driving cycles, long-term driving cycle generation (LT-DCG) and short-term driving cycle prediction (ST-DCP) are illuminated and analyzed. Furthermore, the existing database of driving cycles in highway and urban aspects are displayed and discussed. Finally, this article also elaborates on the future prospects of energy management technologies related to driving cycles. This paper focusing on helping the relevant researchers realize the state-of-the-art of HEVs energy management field and also recognize its future development direction.

研究动机与目标

• 基于驾驶循环特征系统化混合动力电动汽车（HEVs）的能量管理策略（EMS）。
• 根据可获得的驾驶循环知识水平（标准、长期生成、短期预测），识别并分类EMS方法。
• 分析面向HEV应用的城市场景与高速公路驾驶循环现有数据库。
• 突出驾驶循环感知型能量管理在提升燃油经济性与减少排放方面的研究空白与未来方向。

提出的方法

• 将混合动力电动汽车（HEVs）的能量管理策略（EMS）分类为三类：标准驾驶循环、长期驾驶循环生成（LT-DCG）和短期驾驶循环预测（ST-DCP）。
• 回顾并综合不同层次循环知识下驾驶循环建模与EMS设计的近期文献。
• 分析现有城市场景与高速公路驾驶循环数据库，评估其在HEV能量管理研究中的适用性。
• 利用标准循环与预测循环数据，评估不同驾驶条件下EMS的性能表现。
• 整合信号处理与控制理论技术，以建立和预测真实驾驶行为模式，支持自适应EMS设计。
• 基于驾驶循环可预测性与数据可得性，提供全面的EMS方法分类体系。

实验结果

研究问题

• RQ1 不同层次的驾驶循环知识（标准、长期生成、短期预测）如何影响混合动力电动汽车（HEVs）能量管理系统的结构设计与性能表现？
• RQ2 用于HEV研究的现有城市场景与高速公路驾驶循环数据库的关键特征与局限性是什么？
• RQ3 长期驾驶循环生成（LT-DCG）与短期驾驶循环预测（ST-DCP）如何提升混合动力电动汽车能量管理策略的适应性？
• RQ4 在HEV应用中，建模真实驾驶行为最有效的信号处理与控制技术是什么？
• RQ5 面向驾驶工况驱动型能量管理的混合动力电动汽车，其主要研究空白与未来趋势是什么？

主要发现

• 本文基于驾驶循环知识程度，建立了清晰的混合动力电动汽车（HEVs）能量管理策略（EMS）分类体系，显著提升了该领域的方法论清晰度。
• 长期驾驶循环生成（LT-DCG）与短期驾驶循环预测（ST-DCP）正成为实现实世界驾驶场景下自适应与预测型EMS的关键使能技术。
• 现有城市场景与高速公路驾驶循环数据库在分辨率、覆盖范围和适用性方面存在差异，其交通模式与能耗特征表现显著不同。
• 与固定或非自适应策略相比，驾驶工况感知型EMS可显著提升燃油效率并降低排放。
• 将实时驾驶循环预测与模型预测控制（MPC）相结合，在下一代HEV能量管理中展现出强大潜力。
• 未来研究应聚焦于数据驱动、自适应的EMS框架，充分利用机器学习与实时驾驶模式识别技术，实现最优能量分配。