关键词：混合动力汽车;汽车队列;工况识别;模型预测控制(MPC)算法;Q-Learning算法;KL(Kullback-Leibler)散度
摘 要：针对混合动力汽车队列行驶过程中工况的适应性问题，提出了一种基于KL(KullbackLeibler)散度工况识别的分层控制方法。上层控制器利用车—车通信技术，获取队列中前车状态信息，采用模型预测控制（MPC）算法，实现队列纵向控制，并计算出最优跟车车速；下层控制器基于典型工况，离线求解需求功率的转移概率矩阵，并通过Q-Learning算法训练最优Q表嵌入整车模型中；在行驶中以固定时间长度在线更新转移概率矩阵，采用KL散度进行工况识别，根据识别的工况类型，结合当前时刻车速、需求功率和电池荷电状态（SOC），通过在线查表实现转矩分配。结果表明：与未考虑工况识别策略相比，本策略的油耗降低了8.6%；与作为基准的动态规划（DP）相比，增加了4.8%；在与DP油耗基本保持相同的前提下，该策略离线仿真时间缩短21%，不仅能够在线应用，还能实时适应工况变化。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取