插电式混合动力汽车能量管理说穿了就是一个“油电分工”的实时决策问题。前几年我把PHEV的整车控制策略从规则控制切换到凸优化算法去做离线标定时最大的感触是这个领域里最难的从来不是“跑优化”而是把一辆混动车塞进凸问题的框架里——塞得进去全局最优的结论才站得住。这篇文章就把这条完整链路讲一遍PHEV能量管理为什么难算、凸优化凭什么能保证全局最优、怎么把整车模型改造成凸模型、用CVXPY跑通一个简化实例以及我在工程落地中踩过的几个实实在在的坑。做混动控制策略的同行可以参考刚接触优化的学生也能顺着走下来。1. 能量管理问题为什么会把优化器“逼疯”1.1 从加速踏板到功率分配的本质矛盾PHEV的功率分配问题本质上是一个典型的离散时间最优控制问题。无论你是并联、串联还是功率分流构型能量管理层的核心任务都是同一个给定一个时变的整车需求功率 P_req(t)在每一个控制步长 k 里从发动机、电池/电机这些可能的功率源组合中挑一组输出使得一段驾驶循环下的总能量成本最低同时把电池电量维持在一个合理窗口内。写成标准形式大概是这个样子min Σ mf(P_eng(k))·Δts.t. SOC(k1) SOC(k) - P_bat(k)·Δt / Q_batP_eng(k) P_bat(k) P_req(k)P_eng_min ≤ P_eng(k) ≤ P_eng_maxP_bat_min ≤ P_bat(k) ≤ P_bat_maxSOC_min ≤ SOC(k) ≤ SOC_maxSOC(N) ∈ 目标区间看起来结构清晰但真正把它交给优化器去解的时候麻烦就来了。“非线性”“时间耦合”“离散变量”这三座大山同时压在这个看似简单的问题上。1.2 非线性、耦合与离散三个棘手的根源第一个麻烦是非线性。发动机万有特性图上的BSFC等高线是弯弯曲曲的燃油消耗率 mf(P_eng) 不是一个简单的二次函数能全覆盖的它天然带着非凸的“褶皱”。如果直接用梯度型数值算法去解解的质量完全取决于初始点可能你觉得自己找到了“最优”其实只是整个解空间里一个小山坳离真正的全局最优还差着十万八千里。第二个麻烦是SOC的时间耦合。今天这一秒多用一点电后面就可能需要多用一点油去补回来。这意味着任意一个时刻的决策不仅影响当前时刻的瞬时成本还会影响未来一连串时刻的最优路径。这就是为什么能量管理问题不能拆成一个个独立时刻去求解必须做全局统筹。第三个麻烦是发动机启停的离散变量。发动机要么转要么不转这是0/1整数变量。一旦混入整数变量问题就从连续优化变成了混合整数非线性规划MINLP求解复杂度指数级上升凸性更是无从谈起。这也是为什么很多论文里会专门把“启停决策”剥离出去单独处理。1.3 规则控制与动态规划各自的“天花板”工程上最常见的做法是规则控制典型的就是CD/CS电量耗尽/电量维持或者一张查表策略。简单、实时、可解释这是它的优点但它的本质问题是规则是人手工对最优解做的一种“拟合”。你定了多少阈值策略就只能在阈值之间做粗粒度切换永远无法真正做到全局最优——工况一变化就露馅典型场景是NEDC下表现尚可上了WLTC或者拥堵工况就明显偏离。动态规划DP在理论上可以做到全局最优。它把SOC离散化从终点向起点反推价值函数再正推最优轨迹。DP的优点是不需要凸性假设可以容纳非常复杂的模型但它的复杂度在状态变量离散化之后会爆炸状态离散点数S、控制步数N复杂度大概是O(N·S²)。如果SOC离散100个点、一段600秒的工况大约600万次迭代起步如果把电池温度、模式切换也纳入状态变量直接就是“维度灾难”。DP在离线仿真验证里很好用但到了量产ECU上算力根本扛不住。所以工程上特别需要一个“又快又带保证”的方案——凸优化算法正是冲着这个位置来的。2. 凸优化算法解这道题的底气从哪里来2.1 凸性为什么值得“吹”用一个下山类比来解释为什么凸优化值得关注。假设你在山里找最低点如果山谷就是一个碗状大坑凸函数那么不管你从哪个方向往下走最终都会进到同一个坑底局部最优就等于全局最优。但如果山谷里面坑坑洼洼、到处都是小碗你从某个地方往下走可能走了几十步就困在一个小碗里出不来了——那个碗底离真正的谷底还差得远。数学上的定义更严谨对任意 x1、x2 以及 t∈[0,1]如果 f(t·x1(1-t)·x2) ≤ t·f(x1)(1-t)·f(x2)就说 f 是凸函数。再加上一个凸集集合内任意两点的连线仍在集合内作为可行域那么这个优化问题就具备两个极其重要的性质局部最优解就是全局最优解KKT条件是最优解的充要条件内点法在多项式时间内就能收敛到全局最优。这句话在工程上的分量非常重你求解出来的那个解不是“没准还行”的解而是“可证明没有更好解”的解。做算法的人都知道这是一种非常稀缺的确定性。2.2 PHEV能量管理里哪些东西天生适合凸优化PHEV能量管理其实有相当多“天然凸”的部件这是它和某些纯非线性控制问题最大的区别电池SOC动态方程在内阻模型、开路电压近似恒定下是线性的功率平衡约束是线性等式功率上下限、SOC上下限都是线性不等式燃油消耗量在经过合适的凸拟合后可以写成二次凸项电机和电池的损耗函数通常也适合用带平方项的凸多项式表达。换句话说这个系统的大多数“骨架”都是线性的、可解的。真正把它推入非凸深渊的主要是发动机万有特性的复杂曲面以及启停整数变量。这意味着只要建模策略得当原始问题完全可以改造成一个规模很大的凸二次规划QP问题从而站到“全局最优”这一边。2.3 凸优化的“代价”清单凸优化不是免费午餐它的代价非常明确。第一你必须在建模阶段“忍痛”去掉一部分物理精度换回凸性。第二发动机启停这类离散变量没法直接甩进凸框架要么做两层决策要么先松弛后恢复。第三发动机冷机、热机、排放限制等真实约束凸优化模型基本无能为力需要上游规则去处理。所以我个人的定位很清楚别把凸优化当成万能的整车控制器把它当成一把“最优解的标尺”和“规则生成的挖掘机”。这个定位放到工程里会让你少走很多弯路。3. 把整车模型“打磨”成凸模型的全过程这一章是整个流程的核心我按部件拆开讲每一个都给出我在实际标定中验证过的处理方式。3.1 电池SOC动态方程保留什么、简化什么电池模型如果做得很细通常会使用一阶或二阶RC等效电路内阻、开路电压、极化电压全都要随SOC变化整个方程高度非线性这显然和凸优化水火不容。工程上常见的凸化处理分两步。第一步用一阶RC等效电路做原始标定数据生成但在能量管理尺度上把开路电压Voc在SOC工作区间内近似看成常数。第二步直接使用能量平衡方程SOC(k1) SOC(k) - P_bat(k)·Δt / Q_bat其中P_bat定义为电池端口功率放电为正Q_bat是可用能量kWhΔt是步长小时。注意这里的单位如果步长是1秒那Δt1/3600小时。这个方程是严格的线性等式凸性完美。代价是忽略内阻引起的瞬时热损失——这块损失我不放在状态方程里而是挪到目标函数里用一个平方项去补偿后面会讲到。3.2 燃油消耗率曲线的二次凸拟合这是凸化的重头戏。发动机台架数据给出的通常是某一转速下扭矩和燃油消耗率的关系进一步加工可以得到“某转速簇下有效燃油消耗率mf与发动机功率P_eng的关系曲线”。要把它做凸逼近步骤如下取数在某发动机转速或某工作点族下记录燃油消耗率mf和发动机功率P_eng记得同时记录对应的BSFC值拟合用最小二乘法拟合二次多项式 mf a·P_eng² b·P_eng c检查系数a只有a≥0目标函数才是凸的如果a0说明数据波动太大或者选取范围有问题验证把拟合曲线和原始数据画在同一张图上肉眼检查偏差尤其是高功率区段。经验之谈二次凸拟合在高功率段误差通常变大因为高功率时发动机容易进入加浓工况效率快速下降而二次曲线的尾部上翘趋势可能不足。我一般会控制拟合的功率上限把它设为发动机经济区之上一点点。比如发动机物理极限是60kW我只拟合0到50kW这一段再往上的区域交给线性约束去卡不在目标函数里硬拟合。这样既保凸性又保精度两全其美。3.3 电机效率、电池损耗项的理想化处理电机效率图也有类似问题但电机比发动机好处理因为它更适合用“损失函数”来建模P_elec P_motor_mech L(P_motor_mech)损失函数L可以近似为一个二次式L(P_m) α0 α1·P_m α2·P_m²其中α20。这个形式保证了“电耗成本”项在目标函数中保持凸性。实际的电机高效率平台、低效率边缘都可以被这个二次损失函数俘获精度在能量管理尺度上完全够用。电池内阻损耗的处理也同理P_loss r·P_bat²。这个平方项我可以放进目标函数作为代价但绝不能放进SOC动态方程否则方程会变成二次的破坏线性结构。这就是我前面说的“把瞬时损耗从状态方程挪到目标函数”的典型手法。请记住这个转移策略几乎所有凸化改造都在用这招。3.4 约束条件凸集化启停、SOC终值与瞬态限制约束条件部分我一条一条过顺便把坑标出来功率平衡 P_eng(k) P_bat(k) P_req(k)线性等式直接保留功率边界 0≤P_eng≤P_eng_max、P_bat_min≤P_bat≤P_bat_max线性不等式直接保留SOC边界 SOC_min≤SOC(k)≤SOC_max线性不等式直接保留SOC终值 SOC(N)≥SOC_target线性不等式但要小心“卡线”问题后面专门展开发动机启停0/1整数变量凸优化框架内无法保留。实际做法要么放到上层规则里做模式决策要么对整段行程先设定若干固定启动段再做凸优化的功率分配瞬态限制 |P_eng(k1)-P_eng(k)|≤δP_max这是线性不等式可以直接加代价是增加N-1个约束但完全值得——不加的话解出来功率轨迹会在步长衔接处跳变严重。做完这一步你的原始问题就已经变成一个标准的凸QP问题了。4. 用CVXPY跑一个100秒的凸能量管理实例4.1 场景与参数设定我设定一个简化的并联PHEV模型目标是让大家能跟着复现电池可用能量 Q_bat 10 kWh发动机峰值功率60kW但凸拟合工作范围控制在0~50kW电池充放电功率上下限 ±30kWSOC初值0.8终值下限0.3SOC边界0.3~0.9控制步长 Δt 1s总时长 N 100s需求功率 P_req 序列模拟一个“巡航加速滑行回馈”的片段。我用numpy生成一个带正弦波动、脉冲加速、负功率回馈的P_req序列这样比手写100个数更接近真实场景。4.2 建模代码与实践import cvxpy as cp import numpy as np # 基础参数 N 100 dt_sec 1.0 dt_h dt_sec / 3600.0 # 步长单位小时 Q_bat_kwh 10.0 # 电池可用能量kWh # 构造100秒需求功率巡航加速回馈 t np.arange(N) P_req 15 8 * np.sin(2 * np.pi * t / 40) P_req[30:40] 22 # 模拟一次中高速加速 P_req[60:70] - 12 # 模拟滑行回馈制动 P_req np.clip(P_req, -15, 65) # 决策变量 P_eng cp.Variable(N) # 发动机功率 P_bat cp.Variable(N) # 电池功率 SOC cp.Variable(N) # 电池SOC轨迹 # 燃油消耗率二次凸拟合系数示意值 a_f, b_f, c_f 0.0012, 0.075, 0.6 cost cp.sum(a_f * P_eng**2 b_f * P_eng c_f) # 约束 constraints [ SOC[0] 0.8, SOC[-1] 0.3, ] for k in range(N): constraints.append(P_eng[k] P_bat[k] P_req[k]) constraints.append(0 P_eng[k]) constraints.append(P_eng[k] 50) constraints.append(-30 P_bat[k]) constraints.append(P_bat[k] 30) for k in range(N - 1): constraints.append(SOC[k 1] SOC[k] - P_bat[k] * dt_h / Q_bat_kwh) # 求解 prob cp.Problem(cp.Minimize(cost), constraints) prob.solve(solvercp.OSQP) print(求解状态:, prob.status) print(前10秒发动机功率:, P_eng.value[:10]) print(SOC终值:, SOC.value[-1])这段代码在我笔记本上跑OSQP求解器一般几十毫秒到几百毫秒就能收敛。这就是凸优化和DP拉开差距的地方——同样是全局最优的思路凸优化的求解时间从分钟级降到了百毫秒级。4.3 结果该怎么解读运行结果会呈现几个典型特征在低需求功率段例如起步巡航的15kW左右凸优化倾向于让电池承担主要功率发动机功率压得很低甚至为零。这符合物理直觉小功率下发动机燃油经济性差不如用电在30~40秒的22kW加速脉冲叠加段凸优化不会让发动机完全不出力而是会把发动机推到一个相对经济的功率点比如30kW左右剩余功率由电池补足。这个“主动把发动机拉到经济区”的行为是规则策略很难手动写出来的SOC轨迹整体下滑但始终在窗口内滑动终值大概率顶在0.3或附近——这就是我前面埋的伏笔下面专门讲这个“卡线”问题。值得注意的是P_req为负的时段回馈制动模型里P_eng被约束为≥0所以负功率全部由电池吸收。实际工程中还要考虑制动回馈效率系数把它折算进P_bat否则会高估回收能量。5. 凸优化的解比规则策略强在哪5.1 公平对比实验的设计为了确认凸优化不是“花架子”我做了个公平对比策略A经典CD/CS规则——SOC高于0.3时优先用电低于0.3时强制发动机充电 策略B凸优化QP解。两者共用完全相同的P_req序列、同一套电池/发动机/电机参数统计100秒内的总油耗、SOC终值和全程发动机平均负荷率。需要强调一点规则策略的阈值我调了好几版已经算是调得比较好的规则了不是随便应付的。5.2 典型数据与物理原因策略总油耗相对值发动机平均负荷率SOC终值规则控制 CD/CS100%基准约40%0.35凸优化 QP85%~90%约55%接近0.30原因其实很清晰规则策略的本质缺陷是“SOC高了就用电低了就充电”它没有把“当前时刻电的价值”和“未来时刻油的价值”做交换。凸优化则是全局统筹了100秒的SOC轨迹把电量消耗“用在刀刃上”——高功率阶段多放电削峰低功率阶段少用电甚至充电整体能量成本自然更低。这10%左右的差距在不同工况下会有波动。我曾经在WLTC风格的长工况下跑过对比凸优化相对高水平规则策略仍然有5%~8%的优势如果是低速蠕行工况差距还会更大因为规则策略在低负荷下频繁让发动机低效运转。5.3 从凸解“蒸馏”出在线控制规则这是我个人认为凸优化在量产项目里最实用的一条路径也是我在实际项目中最常用的一招。做法不复杂离线跑大量不同初始SOC、不同驾驶强度的凸优化记录最优功率分配然后从数据里统计映射关系——当前SOC、当前P_req到底对应什么P_eng*。最后用决策树或查表把这一映射变成规则SOC高时功率阈值向“多用电”方向偏移SOC低时阈值向“多发电”方向偏移。这样生成的规则参数不再是拍脑袋定的而是从“可证明最优”的凸解里学出来的。这就是“离线最优、在线近似”的落地思路。我特别推荐先在仿真里走一遍这个流程你会明显感觉到手里的规则策略从“经验流”变成了“数据流”。6. 工程落地时我踩过的坑6.1 凸拟合的数据范围陷阱CVXPY第一次跑通之前我踩过一个实实在在的坑把发动机全工况的台架数据拿来拟合拟合结果a成了负值目标函数变凹求解器直接报“Problem does not follow DCP rules”。查原因是万有特性图低速低负荷区存在一个“油耗小凹坑”全局二次拟合被这个凹坑带偏了。后来我把拟合范围限定在工作经济区a才稳定为正值。这个教训告诉我凸拟合的目标不是拟合全工况而是在目标函数可行域上保持凸性。你拟合的数据范围一旦覆盖了“不该覆盖”的区域凸性就崩了。6.2 SOC终值约束的“假达标”与“卡线”现象如果你把约束写成 SOC(N)≥0.3优化器天然会“卡线”——它会让终值无限逼近0.3因为少充一点电就少消耗一点油。这个解从数学上看完全合法但从工程角度看很荒谬你想要的其实是“电量保持”不是把SOC活活干到下限。我的对策有三种按优先级排列把终值约束改成等式或小区间例如 SOC(N)∈[0.30, 0.35]逼着优化器不钻空子在目标函数里加SOC偏离惩罚项例如 λ·(SOC(k)-SOC_ref)²引导SOC尽量贴近参考轨迹限制SOC轨迹的“甩动幅度”避免出现一条贴着上下限来回撞的轨迹。这三种方法可以组合使用实际效果差别很大建议每加一个就重新看看SOC轨迹曲线别只盯着终值点。6.3 凸优化的“最优解”到执行层还需要一道平滑凸优化给出的发动机功率轨迹如果目标函数和约束里没有限制功率变化率相邻步长之间的跳变会非常夸张尤其在上面的示例里P_req突然加22kW的那一段P_eng可能直接从5kW跳到30kW。把这种解直接发给底层控制器会出现发动机扭矩突变、变速箱闯动甚至引发驾驶性问题。我的建议是双保险在优化问题里直接加上斜坡约束 |P_eng(k1)-P_eng(k)|≤δP_max这个线性不等式不影响凸性加上它是最干净的做法输出端加一阶低通滤波把功率目标值平滑后再发到底层。另外一个容易被忽视的点凸优化使用的是稳态油耗模型发动机的瞬态加浓、暖机修正都不在里面。所以就算凸解很平滑也要拿瞬态发动机模型做一次交叉验证避免“分钟级最优、秒级抖动”的失真。写到这我把这一路从规则策略转到凸优化算法的完整过程梳理了一遍。我自己最大的感受是凸优化在PHEV能量管理里的价值不只是省那百分之几的油而是它提供了一把“全局最优的标尺”。有了它你再去设计规则、评估其它算法、回答“我的策略到底差在哪”心里才真正有数。如果你也想在自己的项目里试一把我的建议很简单找一段几十秒的简化工况先把CVXPY里的凸模型跑通再逐步加约束。等你亲手调过一轮对能量管理的理解就完全不一样了。