1. 项目背景与核心挑战
在新能源汽车动力系统开发领域，增程式混动架构因其独特的优势正获得越来越多主机厂的青睐。作为通用汽车旗下的自动驾驶子公司，Cruise在开发下一代自动驾驶车辆时，选择增程式混动系统作为基础平台可谓深思熟虑。这种架构通过发动机作为增程器为电池组持续供电，既能避免纯电动车的里程焦虑，又能保持电动驱动的高效特性。
但真正让工程师们夜不能寐的，是那个看似简单却暗藏玄机的问题：如何让增程器（range extender）的功率输出与车辆实际需求完美匹配？这就是功率跟随控制策略（Power Following Control Strategy）要解决的核心问题。一个设计不当的控制策略可能导致：
- 增程器频繁启停，缩短关键部件寿命
- 能量转换效率低下，油耗不降反升
- 电池SOC剧烈波动，影响驾驶体验
- NVH性能恶化，破坏自动驾驶所需的静谧环境
2. 仿真模型架构解析
2.1 系统级建模方法论
在Cruise的仿真模型中，整个增程混动系统被分解为多个相互作用的子系统：
code复制[动力电池组] ←能量流→ [电驱动系统] ←机械连接→ [车轮]
↑ ↑
|能量流 |扭矩需求
[增程器系统] ←控制信号→ [整车控制器]
这种模块化建模方式允许工程师们：
- 独立验证各子系统性能
- 灵活替换不同技术方案（如燃料电池vs内燃机增程器）
- 快速迭代控制算法而不影响底层模型
2.2 关键参数映射关系
在搭建仿真模型时，我们建立了这些核心参数的动态关联：
| 输入参数 | 中间变量 | 输出指标 |
|---|---|---|
| 加速踏板开度 | 需求功率谱 | 发动机启停次数 |
| 电池SOC | 功率分配比例 | 等效燃油消耗率 |
| 车速/坡度 | 电机扭矩限制 | 电量维持偏差 |
| 导航预测信息 | 增程器工作点轨迹 | NVH综合评价指标 |
特别注意：模型中采用的电池SOC-开路电压曲线必须基于实测数据，实验室常见的简化二阶RC模型在动态工况下会产生显著误差。我们通过台架试验采集了0-100% SOC区间内、每5%间隔的稳态电压数据，并建立了温度补偿系数矩阵。
3. 功率跟随策略深度剖析
3.1 基础控制逻辑框架
经典的功率跟随策略遵循这样的决策流程：
python复制def power_following_control(current_soc, demand_power):
if current_soc < SOC_LOW_THRESHOLD:
engine_power = min(
demand_power + SOC_RECOVERY_POWER,
ENGINE_MAX_POWER
)
elif current_soc > SOC_HIGH_THRESHOLD:
engine_power = 0 # 纯电模式
else:
engine_power = demand_power * LOAD_FACTOR
return engine_power
但在实际工程实现中，我们发现这种理想化的算法存在三个致命缺陷：
- 没有考虑发动机高效工作区的非线性特性
- 对瞬态功率需求的响应存在滞后
- 未利用车辆前瞻信息（如导航路线海拔变化）
3.2 动态权重调节算法
Cruise的解决方案是引入多维权重因子：
code复制实际发动机功率 = α×需求功率 + β×SOC偏差补偿 + γ×预测功率修正
其中各权重系数通过模糊控制器动态调整：
- α：反映当前驾驶激烈程度（通过加速度导数计算）
- β：基于SOC与目标值的偏差及变化趋势
- γ：整合导航数据中的坡度、距离等信息
实测数据显示，这种算法可使增程器工作点停留在最佳效率区的时间占比从传统策略的58%提升至82%。
4. 仿真验证与参数优化
4.1 典型测试场景构建
我们设计了六类代表性工况进行闭环验证：
- 城市拥堵工况（平均车速<30km/h）
- 重点考察：发动机启停频次、电量维持能力
- 高速巡航工况（恒定120km/h）
- 重点考察：持续功率输出稳定性
- 山地爬坡工况（坡度8%持续5km）
- 重点考察：扭矩储备与热管理
- 复合脉冲工况（WLTC循环）
- 重点考察：动态响应特性
- 极端低温工况（-20℃环境）
- 重点考察：冷启动性能
- 智能导航耦合工况（结合实时路况预测）
- 重点考察：前瞻控制效益
4.2 参数敏感度分析
通过Morris筛选法，我们识别出对系统性能影响最大的五个参数：
- 发动机响应延迟时间（临界值≈0.8s）
- 电池内阻温度系数（每℃变化不应超过0.5%）
- 功率滤波时间常数（推荐值1.2-1.5s）
- SOC控制死区宽度（最佳值3-5%）
- 预测时域长度（与导航精度强相关）
特别发现：当发动机延迟超过1.2秒时，系统会出现明显的功率振荡现象。这促使我们在硬件选型时特别关注了高压共轨系统的响应速度指标。
5. 工程实践中的经验结晶
5.1 控制参数冻结准则
经过三个月的迭代测试，我们总结出这些黄金法则：
- 发动机最小持续运行时间应≥30秒（避免频繁热冲击）
- SOC目标值应根据日均行驶里程动态调整：
code复制目标SOC = 基础值(50%) + 0.15×(日均里程 - 80km) - 功率指令滤波截止频率需与悬置系统固有频率错开至少20%
5.2 实测与仿真的gap处理
在台架验证阶段，我们发现了这些需要模型修正的环节：
- 真实发动机的怠速油耗比仿真模型高约12%
- 电池包在动态工况下的实际可用能量比标称值少8-10%
- 线束阻抗导致的功率传输损耗被低估（实测达3.2%）
解决方案是在模型中增加了：
- 发动机怠速油耗补偿系数
- 动态能量可用率(DER)修正模块
- 基于电流平方的线路损耗计算
6. 前沿探索方向
正在试验中的创新方法包括：
- 结合车联网数据的群体学习控制：通过车队数据不断优化权重系数
- 基于强化学习的自适应策略：无需精确建模即可找到最优工作点
- 数字孪生实时校准：利用车载传感器数据动态更新模型参数
有个反直觉的发现：在某些城市工况下，故意让发动机短暂超限运行5-10秒，反而能降低整体油耗——这是因为避免了后续更大功率的需求累积。这种非线性效应正是传统控制理论难以捕捉的。