1.一种基于道路坡度信息的混合动力汽车节能预测控制方法，其特征在于：具体步骤
如下：
步骤1)信息采集：由全球定位系统和google地图采集车辆的位置信息，实际道路的
位置信息，海拔高度和地形信息，作为实时车辆状态反馈，由车载雷达测速装置采集前方车辆速度，用于跟踪控制，由卡尔曼滤波器利用采集的蓄电池信息对蓄电池荷电状态进行估
计；
步骤2)车辆建模：行星齿轮式混联混合动力汽车包含发动机、蓄电池、两个发电电动
一体机和车轮五大动态部件，行星齿轮作为动力分配装置具有速度耦合器和电子无极变速
器的作用，根据车辆机械耦合和电子耦合关系，列写系统动力学方程，对动力学方程解耦，获得系统的状态空间模型公式(1)如下：
x＝f(x,u)
T
x＝[ωeng p ωM/G2 xSOC]
T
u＝[τeng τM/G2 τM/G1 τbrake]
M,N,P∈
式中，x为状态量，u为控制量，S和R是太阳轮和齿圈齿数，τM/G1，τM/G2， τresist，τbrake和τeng是第一发电电动一体机，第二发电电动一体机，车辆行驶阻力，车辆摩擦制动和发动机转矩，ωM/G1，ωM/G2和ωeng是第一发电电动一体机，第二发电电动一体机和发动机的角转速度，gf是主减速器速比，IM/G1，IM/G2，Iw和Ieng是第一发电电动一体机，第二发电电动一体机，车轮和发动机的转动惯量，rw是车轮半径，参数ρ，CD，A，m，g，μ和θ是空气密度，空气阻力系数，迎风面积，车辆质量，重力加速度，滚动阻力系数和道路坡度，参数p为车辆位置，xSOC为蓄电池荷电状态，VOC，Rbatt和Qbatt是蓄电池开路电压，内阻和容量，蓄电池功率Pbatt由式(2)计算，
Pbatt＝τM/G1ωM/G1+τM/G2ωM/G2 (2)，
道路坡度模型由S型函数分段线性近似，如式(3)所示，
式中s1，s2，s3，s4，s5和s6是形函数参数，
大信息量的实际道路坡度信息通过计算机进行分段线性拟合，变为连续可导函数，道
路坡度信息的数学模型采用S形函数分段线性近似，道路坡度模型通过车辆动力学方程中
的坡道阻力导入预测控制模型中，分四阶段建立道路坡度的通用数学模型：单一上坡和下
坡模型、上下坡模型、不规则连续道路坡度模型和实际道路坡度模型；
上坡模型的S形函数由下式表达：
下坡模型的S形函数由下式表达：
上下坡模型的S形函数由下式表达：
车辆的燃油经济性评价采用威兰氏线性模型,如式(7)所示：
式中mf为燃油消耗率，参数a，b，c，h，k和l为常数；
步骤3)公式化控制策略：
混合动力汽车能量管理模型预测最优控制策略的步骤为：首先检测混合动力车辆状
态，其次运用所建立的数学模型和公式化控制策略求解最优控制问题，最后应用所求得的
最优控制序列的第一个控制量于系统，由于模型预测控制为区间最优控制，所以其求得的
最优控制量是数量为预测区间除以采样间隔的序列，最优控制序列的第一个控制量与实际
状态最接近，采用它来作为实际的控制量，
模型预测控制为：在每一个采样时刻，根据预测模型对系统未来代价函数进行预测，通
过对未来预测区间内的性能指标进行优化，并根据实测对象的输出进行反馈校正，将控制
策略设计转化为优化过程，通过求解相应预测区间的优化问题得到控制序列，并将序列的
第一个控制量作用于系统，实现反馈控制，之后在下一个采样时刻，将预测区间向前推进一步，不断重复该过程，其包括三部分：预测模型，滚动优化和反馈控制，通过对未来系统输入的预测实现对系统的实时最优控制；最优控制问题定义如式(8)所示。
subject toτM/G2min≤τM/G2(τ|t)≤τM/G2max (8)，
τM/G1min≤τM/G1(τ|t)≤τM/G1max
0≤τbrake(τ|t)≤τbrake max
式中T为预测区间，τM/G2max，τM/G2min，τM/G1max，τM/G1min和τbrakemax为控制量约束，评价函数定义如式(9)所示，
L＝wxLx+wyLy+wzLz+wdLd+weLe+wfLf+wgLg+whLh+wiLi+wjLj+wkLk
Lx＝.mf
Le＝-ln(xSOC-SOCmin)-ln(SOCmax-xSOC)
Lf＝-ln(ωeng)-ln(ωeng max-ωeng)
Lg＝-ln(ωM/G2)-ln(ωM/G2max-ωM/G2)
Li＝-ln(ωM/G1-ωM/G1min)-ln(ωM/G1max-ωM/G1)
Lj＝-ln(Pbatt-Pbatt min)-ln(Pbatt max-Pbatt) (9)，
Lk＝-ln(τeng)-ln(τengmax(ωeng)-τeng)
式中SOCd是目标蓄电池荷电状态，vd是车辆目标速度，它取值为车辆最优等速燃油经
济性速度，wx，wy，wz，wd，we，wf，wg，wh，wi，wj和wk是权重系数，SOCmin,SOCmax,ωengmax,ωM/G2max,ωM/G1min,ωM/G1max,Pbattmin,Pbattmax，τengmax为参数约束.τengmax随状态变化的控制量约束，障碍函数用于处理系统状态约束；
步骤4)在线最优控制：
为保证系统的实时最优性能，运用基于哈密顿方程的数值快速求解方法来求解上述最
优控制问题，由于其只需有限几次迭代就计算出数值方程的最优解，这种方法的在线性能
很好，而且由于其基于哈密顿方程，这种解法的稳定性得到保证，解法具体来说，运用极小值原理将最优控制问题转化为两点边值问题，在处理哈密顿函数相关的微分方程组和代数
方程组时采用部分空间法求解，这是一种GMRES解法；
在每个采样时刻，首先，测取车速，发动机转速，蓄电池荷电状态实时状态信号，其次，
利用全球定位系统和智能交通系统预测未来一定区间车辆及周围环境的状态，再次，根据
建立的车辆模型和最优控制问题，利用上述数值快 速解法求解预测区间内的最优控制序
列；应用预测区间内的最优控制序列的第一个控制量于车辆，之后在下一个采样时刻，将预测区间向前推进一步，如此循环往复，实现在线最优控制；
步骤5)权重参数调节：
权重参数为步骤3)中评价函数内的权重系数，采用粒子群算法自动调节权重系数，
具体来说，粒子群算法中的粒子为各项权重系数，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值；
步骤6)目标满足判断：
满足目标的标准为汽车的燃油经济性收敛到最优值，具体来说，迭代上一次和本次燃
油经济性误差在±％5内即认为满足目标。