《汽车工程》2026年第8期发表了重庆理工大学车辆工程学院研究成果“基于车流信息的PHEV 实时全局最优能量管理策略”一文。为解决插电式混合动力汽车（PHEV）能量管理中全局最优性与实时性无法兼顾的问题，文章创新性地提出基于云-车协同的互联网分布式能量管理策略（ID-EMS）。该研究通过构建两阶段优化框架，并依托自主搭建的分布式在环平台进行实车测试，实现了复杂交通环境下全局最优与实时控制的协同统一。
一、研究背景
相较于传统混合动力汽车，插电式混合动力汽车（PHEV）不仅具备外部充电功能，且电池容量显著提升。为实现最优燃油经济性，理论上要求其在单次行程结束时电池荷电状态（SOC）降至最低阈值，这对能量管理策略（EMS）的工况预测能力提出了极高要求。同时，大容量电池虽提升了纯电续航，但也加剧了充放电循环老化带来的全生命周期（883436）成本上升，因此EMS必须兼顾能耗经济性与能量源寿命。然而，现有的工况预测方法多依赖历史循环或特定路段数据，在动态环境下的实时性与预测精度明显不足；传统的动态规划（DP）方法虽能实现全局最优化，但其维数灾难导致计算复杂度极高，难以匹配有限的车载算力。为应对上述挑战，文章提出基于实时车流信息的PHEV全局最优EMS，并构建了分层式互联网分布式能量管理策略（ID-EMS）架构。
二、研究内容
1. 搭建多硬件在环联合仿真平台（ID-VIL）：该测试平台通过互联网与数据耦合技术，包含VIL系统（线控底盘纯电动汽车）、云端服务器、30 kW PEM燃料电池（885775）在环（FCIL）和锂电池（884309）在环（BIL）四个核心子系统。云端服务器负责长期工况预测与全局EMS计算，计算完成后将指令下发至各个底层子系统执行。
图1 ID-VIL原理与实验路线
2. 构建长短期结合的工况预测模型：在长期预测层面，提取历史路段的9个特征参数进行主成分分析与高斯混合聚类，利用径向基函数（RBF）网络结合百度（BIDU）地图API实时车流数据，输出预测工况类型及能耗概率分布。在短期预测层面，为弥补百度（BIDU）API缺失车流密度数据的短板，创新性地利用车载摄像头结合YOLO算法检测前车数量以等效车流密度，并基于反向传播（BP）神经网络修正长期预测结果，提升短期预测的可靠性。
图2 基于实时车流信息的ID-EMS
3.设计云端顶层SDP全局优化策略：顶层EMS位于云端，依托长期预测结果采用改进的随机动态规划（SDP）进行全局寻优。为克服传统SDP耗时过长的问题，文章通过SOC边界、最大充电功率及预测最大能耗限制状态空间可行域，并基于时间复杂度推导将系统运算时间由抛物线增长降为线性增长，从而求解出全局最优参考SOC。
图3 SDP 算法伪代码与时间复杂度分析
4. 设计车端底层MPC实时控制策略：底层EMS部署在车端，采用有限控制集模型预测控制（FCS-MPC）算法，基于三阶段SOC预测模型从有限控制集中选取最优的充电持续时间。其成本函数综合考虑了当前SOC误差、氢燃料消耗以及燃料电池（885775）和锂电池（884309）的老化成本（SOH），实现对云端下发的全局最优参考轨迹的实时跟踪。
图4 FCS-MPC的三阶段预测模型
三、研究结果
1. 预测精度大幅提升：融入YOLO车流密度信息的改进BP网络模型有效修正了局部预测偏差。采用YOLO短期预测后，模型预测时耗的平均误差从18.98 s/km大幅降低至6.91 s/km，均方根误差从45.83骤降至29.12，预测精度获得决定性改善。
(a) 长期预测结果
(b) 短期预测结果
图5 长期与短期预测结果对比
表1 长期与短期预测结果统计
2. 计算规模与实时性成功优化：通过物理极值约束优化SDP的状态空间可行域，算法时间复杂度显著降低。在阶段规模设定为16段时，顶层EMS的平均计算延迟由改进前的31.36 s缩短至19.37 s，成功将全局寻优周期（883436）控制在19秒左右，完全满足了实车单路段行驶的实时性约束条件。
图6 改进的SDP状态空间可行域
表2 改进前后平均计算时间对比
3. 系统应对极端条件的鲁棒性：在满负荷高频计算(SDP触发16次)下，电池SOC仍能被稳定控制在合理边界内。网络故障断连实验进一步证明，在云端失联的恶劣场景下，底层FCS-MPC仍可利用单车局部预测独立运行，防止电池过度放电，充分保证了能量管理系统的底层安全性与基础优化能力。
（a）ID-EMS 实验结果（SDP 触发3 次）
（b）ID-EMS 实验结果（SDP 触发16 次）
（c）ID-EMS 实验结果（SDP不触发）
图7 ID-EMS对比实验结果
4. 优越的综合经济性闭环：ID-EMS(3次触发)百公里综合运行总成本为5.53元，较基于规则的RB-EMS的7.85元成本大幅削减，且极为逼近理想计算条件下DP-EMS的极限值4.98元。此外，该研究所用的单循环老化率模型，其实测相对差异均控制在极小误差范围内，老化评估数据精确可靠。
表3 不同EMS的实车上路实验结果
表4 重复老化实验统计结果
四、创新点与意义
在特征数据源维度，文章首次创新性地将互联网API系统的大数据下发与车载YOLO视觉实时目标检测进行融合联动，彻底解决了传统ITS智能交通系统微观数据缺失的行业痛点。在优化控制架构上，该研究并未停留在纯理论仿真算例层面，而是通过严格的时间复杂度数学推导与状态降维重构，切实跨越了动态规划实车部署的算力鸿沟。自主搭建的ID-VIL分布式在环平台则规避了实体动力电池破坏性老化循环测试的巨大成本，为未来新能源（850101）多能量源汽车的数字孪生（885820）测试、智能管理策略开发及规模化工（850102）业落地提供了极具价值的理论参考与硬件验证范式。
