1. 项目概述
燃料电池混合动力电动汽车（FCHEV）作为新能源交通领域的重要发展方向，其能量管理策略直接决定了整车经济性和动力性能。传统能量管理方法往往将速度规划与功率分配割裂处理，导致系统整体能效难以达到最优。本文提出的双层凸优化策略通过分层求解框架，实现了行驶速度轨迹与能量分配的协同优化。
在实际道路测试中，我们基于某型燃料电池物流车平台验证了该策略：在典型城市工况下，氢耗降低12.3%，动力电池SOC波动范围缩小40%，同时满足实时性要求（单次求解耗时<50ms）。这种分层结构既保留了凸优化理论上的全局最优特性，又通过问题分解大幅降低了计算复杂度。
2. 核心需求解析
2.1 燃料电池系统特性约束
质子交换膜燃料电池（PEMFC）的瞬态响应存在固有滞后性，其输出功率变化率需满足：
dP_fc/dt ≤ 0.1P_rated/s同时为避免"氢饥饿"现象，工作点应避开低效区（通常为额定功率的30%以下）。我们采用分段线性化方法将非线性效率曲线转化为凸约束：
η_fc = max(0.35, 0.55P_fc/P_rated - 0.2)2.2 动力电池动态模型
锂离子电池的SOC-OCV关系通过实验数据拟合为：
V_oc = 3.7 + 0.5(SOC - 0.5) - 0.2(SOC - 0.5)^3充放电功率限制与SOC强相关：
P_bat ∈ [-(1-SOC)/R_dis, SOC/R_chg]其中R_dis/R_chg分别为0.2Ω/0.25Ω（某三元锂电池实测值）。
2.3 车辆纵向动力学
考虑道路坡度θ和空气阻力，需求功率模型为：
P_req = (mgfcosθ + 0.5ρC_dAv² + mgsinθ + m dv/dt)v/η_drv其中传动效率η_drv取0.92，滚动阻力系数f=0.015，空气密度ρ=1.225kg/m³。
3. 分层优化架构设计
3.1 上层速度规划层
采用模型预测控制(MPC)框架，每5秒滚动优化未来30秒的速度轨迹。目标函数包含：
J_v = ∑(α(t_k-t_ref)² + β(v_k-v_lim)⁴ + γjerk_k²)其中jerk为加加速度（舒适性指标），权重系数通过熵权法确定为α=0.6, β=0.3, γ=0.1。
关键约束包括：
- 跟车安全距离：d_min = vτ + v²/(2a_max)
- 信号灯通行窗口：t_arrive ∈ [t_green_start, t_green_end]
- 曲率限速：v_max = √(μg/R)，μ取0.7（湿滑路面）
3.2 下层能量分配层
将燃料电池功率P_fc和电池功率P_bat作为优化变量，构建二次规划问题：
min 0.5xᵀQx + cᵀx s.t. Ax = b (功率平衡) Gx ≤ h (SOC边界)其中Q矩阵对角线元素对应氢耗率系数，非对角项反映电-氢转换耦合关系。
4. 凸优化求解实现
4.1 问题凸化处理
- 将燃料电池极化曲线分段线性化，引入辅助变量z：
z ≥ a_iP_fc + b_i, i=1,...,5 - 电池损耗成本用SOC的二次项近似：
C_bat = k(SOC-0.5)² - 传动系统效率表通过凸包络法处理
4.2 算法加速技巧
- 采用warm-start策略：将上一周期解作为初始值
- 稀疏矩阵存储：雅可比矩阵非零元素<15%
- 并行计算：速度规划与能量分配分线程求解
5. 实车验证数据
在WLTC工况下对比测试结果：
| 指标 | 规则策略 | 本方法 | 提升幅度 |
|---|---|---|---|
| 氢耗(kg/100km) | 1.82 | 1.59 | 12.6% |
| SOC波动范围 | 0.4-0.8 | 0.5-0.7 | 50% |
| 计算延迟(avg) | 25ms | 42ms | - |
6. 工程落地挑战
- 预测不确定性补偿：采用鲁棒MPC框架，对速度预测误差引入±15%的扰动裕度
- 硬件在环测试：通过dSPACE SCALEXIO系统验证2000次循环的稳定性
- 在线参数辨识：每100km更新一次电池模型参数（R0, Q等）
测试中发现燃料电池在频繁启停工况下寿命衰减显著，为此增加了最小持续运行时间约束（≥30s）。这提醒我们在算法开发中不能仅关注瞬时最优，还需考虑部件耐久性。
