由于环境污染和能源短缺问题日益加剧,研究汽车燃油经济性成为汽车行业的一个焦点,混合动力汽车兼具传统燃油车和纯电动汽车的优势,其燃油经济性自然也受到重大关注。为了确保混合动力汽车在各种行驶环境下均能最大化节能减排,研究一种自适应性强的控制策略势在必行。强化学习是比较前沿的一种智能优化算法,由于其良好的决策性能,将其用在混合动力汽车的能量管理策略研究将是一种新的尝试。本文以P2并联式混合动力汽车作为研究对象,利用强化学习算法进行决策控制,将控制策略应用到混合动力汽车上实现HEV能量管理。本文主要研究内容如下:1.分析混合动力汽车能量管理策略分析混合动力汽车能量管理策略的控制变量和能量管理问题的建模,将强化学习策略与基于规则和基于优化的策略作比较,选择等效燃油消耗量和电量维持作为评判标准,验证算法的可行性。2.建立混合动力汽车模型和联合仿真平台建立了P2并联式混合动力汽车的动力总成模型,包括发动机模型、电池模型、电机模型、动力学模型,分析了能量管理问题。在算法撰写和混合动力汽车模型搭建完成后,利用Matlab/Simulink仿真软件搭建通信接口,将策略应用到模型上实现能量管理并进行分析。3.设计和分析基于强化学习的HEV能量管理策略由于基于规则的策略对工况适应性差,且控制效果有待提升;基于优化的控制策略实时性不佳,所以本文引进了强化学习控制策略。首先,对强化学习进行了详细介绍,特别是本文使用到的在线强化学习和离线强化学习策略;其次,对两种算法的控制效果进行了比较;最后介绍了本文的离线强化学习算法能够工作的原因,并分析了离线强化学习适用场景,相比于其他算法的优劣性。结果表明,在线强化学习可以在较长的时间内学习到良好的控制策略,而离线强化学习在数据的驱动下很快就能学到良好的控制策略。在WLTP工况下验证了算法的鲁棒性和适应性,说明了离线强化学习在燃油经济性和工况适应性方面均表现良好。