搞插电式混合动力车辆PHEV能源管理的朋友应该都遇到过同一个问题SOC该怎么走、发动机和电机各出多少力才能让整车能耗最低。早期方案大多是规则策略简单但离最优差得远后来大家转向动态规划求全局最优可实时性又跟不上。我最近把模型预测控制MPC和凸优化结合了起来用Matlab里的CVX做建模再配合交替方向乘子法ADMM加速求解整套方案在仿真环境里跑下来效果相当能打。这篇文章就是我对这个项目的一次完整复盘。我会从问题定义、算法原理、代码框架到踩坑经历把整套流程掰开揉碎讲清楚。写的都是我在实际调试中的真实做法和思考过程如果你正在做PHEV能量管理、MPC控制或者凸优化的落地应用这篇文章应该能帮你省下不少摸索时间。1. 项目到底在解决什么问题1.1 PHEV动力系统结构与能量管理任务先明确研究对象。这里讨论的PHEV是典型的并联/混联构型动力源包括一台内燃机和一个驱动电机两者通过功率耦合装置输出到车轮。能量管理系统的任务就是在每一个控制周期内决定发动机功率和电机功率即电池充放电功率分别取多少让车辆在满足驾驶员功率需求的同时把总的燃油消耗降到最低同时把SOC维持在一个合理区间。这个问题的难点在于发动机和电池的动态特性完全不同。发动机在低负荷区效率极差电机和电池却在不同工况下各有优劣两者组合起来存在大量可行解人为规则很难逼近最优。更棘手的是真实驾驶工况是变化的昨天的标定参数放在今天的高速工况上可能完全失效。所以基于规则策略的静态标定方法在复杂度上已经撑不住了。从数学上看这就是一个带状态递推、带输入约束、带终端条件的最优控制问题。系统状态是SOC控制量是发动机功率和电池功率要优化的指标是累计燃油消耗约束覆盖电池功率边界、发动机工作范围、SOC上下限和终端电量平衡。这种结构天然适合预测控制框架因为MPC能够把未来一段时间的工况信息纳进来做滚动求解从而比只依赖当前反馈的规则策略有明显的性能优势。1.2 为什么MPC在这里比规则策略更合适我最早也试过纯规则策略比如电量消耗/电量维持CD/CS模式外加一堆查表修正。这套逻辑在标准工况下问题不大但一旦工况变得不那么“标准”性能掉得非常快。因为能量管理的本质是个多目标、多约束的时变优化问题规则策略无法从全局角度权衡发动机效率、电池损耗和终端SOC约束。MPC的思路是在每一个采样时刻基于当前SOC和已得到的未来需求功率序列滚动求解一个有限时域的优化问题。它只把未来有限步的最优控制序列算出来但实际只执行第一步到下一步再重新优化。这种机制天然对抗模型失配和工况突变非常适合PHEV这种动态特性复杂的对象。但MPC有个绕不开的矛盾滚动求解要求每次都必须在线完成优化。预测时域一长、约束一多求解时间就容易超帧。这也是我在项目里引入ADMM的核心原因——我需要把求解速度降下来同时保留MPC的最优性优势而不是像很多仿真论文那样直接把整个优化问题丢给一个通用求解器硬解。1.3 ADMM和CVX在MPC里的角色分工很多初学者会问既然MPC已经要用优化求解了为什么还要再研究ADMM这个问题问得到位。我的理解是它们各自解决不同层面的问题。CVX是建模工具它把人对能量管理问题的数学描述转换为底层的标准优化格式比如二阶锥规划SOCP或二次规划QP然后调用MOSEK、Gurobi这类求解器完成计算。它的价值在于我可以用非常接近数学公式的Matlab语法来快速搭建模型验证目标函数和约束设计是否合理同时利用CVX自带的求解器做可靠性验证。ADMM则是算法层面的加速器。CVX默认走内点法每一步都在做矩阵分解问题规模一大非常吃亏。ADMM通过把原问题拆成若干子问题交替求解、迭代收敛把大问题拆小这也是它的核心优势。在我的项目里CVX负责把小规模子问题的目标函数写清楚ADMM负责组织整个收敛过程。两者是嵌套关系不是二选一。2. 数学模型与算法原理拆解2.1 车辆纵向动力学与需求功率计算一切优化都建立在车辆纵向动力学之上。这一块没写对后面全白搭。我用的标准道路负载模型包含加速阻力、滚动阻力、空气阻力和坡度阻力公式如下[ P_{\text{req}} \left( m \cdot \frac{dv}{dt} m g \sin\theta \frac{1}{2} \rho C_d A v^2 m g C_r \cos\theta \right) \cdot v ]其中 (m) 是整车质量(g) 是重力加速度(\theta) 是道路坡度(\rho) 是空气密度(C_d) 是风阻系数(A) 是迎风面积(C_r) 是滚动阻力系数。算出来的 (P_{\text{req}}) 是驱动轮端的功率需求再除以传动效率就得到动力源需要提供多少功率。这里要特别提醒一个我亲手踩过的坑车速序列的差分计算。用Matlab做diff之后首尾会出现异常值必须把速度序列做平滑滤波否则求出来的功率需求会有很多尖刺优化器为了硬凑这个尖刺会给出非常离谱的控制量。我后来用了sgolay滤波来处理车速效果很稳。需求功率一旦成形就得到了动力系统的平衡关系。并联构型下[ P_{\text{req}} P_{\text{engine}} P_{\text{motor}} - P_{\text{brake}} ]其中 (P_{\text{engine}} \geq 0)(P_{\text{motor}}) 可以为负发电回收(P_{\text{brake}}) 只在必须机械制动的时候启用。因为目标是省油机械制动对应刹车能量直接耗散在优化里应当尽量避免所以我一般通过SOC约束和回收效率模型来隐含惩罚。2.2 电池SOC模型与约束边界电池SOC是系统的唯一内生状态它的递推方程是能量管理模型的骨架。我用的简化模型如下[ \text{SOC}(k1) \text{SOC}(k) - \frac{P_b(k) \cdot \Delta t}{Q_{\text{bat}} \cdot V_{\text{oc}}} ]其中 (P_b(k)) 是电池功率正值表示放电负值表示充电(\Delta t) 是采样时间(Q_{\text{bat}}) 是电池额定容量(V_{\text{oc}}) 是开路电压。这个模型不考虑电池温度和老化带来的非线性但在MPC的预测时域尺度内精度已经足够而且它是线性的对凸优化求解极其友好。电池边界约束主要来自两个方向一个是功率极限即 (P_{b,\min} \leq P_b(k) \leq P_{b,\max})由电池BMS参数决定另一个是SOC的量程保护通常我会把SOC限制在0.3到0.9之间。过放会损伤电池过充则回收无法充分发挥这两个约束最后都会被建模成优化器里的线性不等式。值得说说的是很多人会在SOC递推里加入一个开路电压随SOC变化的查表关系这会让问题变得非线性破坏凸性。我的建议是如果你的研究重点在控制算法层面而不是电池建模就别自己为难自己。用恒定开路电压和线性SOC近似配合终端SOC惩罚项已经能拿到很合理的控制轨迹。先把凸优化这条路走通后面再在更高保真的仿真模型里验证细节。2.3 优化目标函数设计能量管理的目标是省油但这个目标设计起来是有门道的。最简单的做法是优化期内只累计发动机燃油消耗然后让SOC严格满足终端约束或者用一个大惩罚系数把终端SOC偏差压回去。我实际目标函数是这样的[ J \sum_{k0}^{N-1} \left[ \dot{m}f(P{\text{engine}}(k)) \cdot \Delta t \right] \beta \left( \text{SOC}(N) - \text{SOC}_{\text{ref}} \right)^2 ]其中第一项是发动机燃油消耗率它是发动机功率的凸函数。为什么凸发动机在中等负荷区间效率最高过大或过小功率都会让单位油耗升高这个物理特性反映到油耗曲线上就是一个下凸形状。第二项是终端SOC的二次惩罚作用是保证预测周期结束时电池电量不会过度亏空从而让整个控制系统具备电量维持能力。发动机燃油消耗率是个典型的非线性函数要用凸优化求解还得做近似。我的处理办法是把它做成分段二次近似或者直接用几个离散点构造一个二次凸包。Matlab里用polyfit对发动机map图的等燃油消耗线做拟合拿到的系数直接进入CVX的二次目标即可。这个过程不复杂但很关键因为目标函数的凸性直接决定了整个后续算法是否成立。2.4 ADMM分解MPC问题的迭代流程现在进入核心环节ADMM怎么和MPC嵌在一起。MPC在单个采样时刻要求解的优化问题如果不加处理是整个预测时域里所有状态和控制变量的联合优化规模正比于预测时域。直接丢给内点法太慢所以我把MPC问题按时间块拆开用ADMM组织协调。实际上MPC问题可以改写成如下形式[ \min_{x, z} \quad f(x) g(z) ] [ \text{s.t.} \quad Ax Bz c ]其中 (f(x)) 是每一段预测时域内的局部目标函数(g(z)) 是全局约束比如SOC耦合约束和终端条件。这样一来标准的ADMM迭代就是三步x更新本地子问题求解[ x^{k1} \arg\min_x \left( f(x) \frac{\rho}{2} \left| A x B z^k - c y^k \right|_2^2 \right) ]z更新全局一致性投影[ z^{k1} \arg\min_z \left( g(z) \frac{\rho}{2} \left| A x^{k1} B z - c y^k \right|_2^2 \right) ]对偶更新[ y^{k1} y^k \rho \left( A x^{k1} B z^{k1} - c \right) ]这里 (\rho) 是惩罚参数决定了收敛速度和数值稳定性实际调试时很敏感。我的经验是先给一个较大的 (\rho)比如10做启动观察残差曲线如果振荡就增加如果收敛太慢就减小。不要期望一次调好ADMM参数整定本身就是个独立的工作量。在具体实现里每个x更新的子问题都是一个带少量决策变量的凸优化问题用CVX建模后直接调底层求解器就行。而z更新往往只需要处理一个全局的均匀性或凸包投影很多时候可以直接写成解析解。这样整套算法跑下来花费的时间大头只在子问题求解上整体速度比直接利用内点法解原问题快不少。3. Matlab代码实现与核心环节实操3.1 代码总体框架与初始化我的Matlab代码结构分为三个层级主脚本、MPC控制器函数、ADMM协调器。主脚本负责加载工况和车辆参数绘制结果。MPC控制器函数负责在每一个采样时刻构建优化问题、调用ADMM协调器、输出第一步控制量。ADMM协调器负责子问题的分配、z更新和对偶更新。初始化部分最主要的变量包括整车参数、电池参数和控制参数。我贴一段核心初始化代码% 整车参数 m 1850; % 整备质量 kg Cd 0.28; % 风阻系数 A 2.35; % 迎风面积 m^2 rho 1.225; % 空气密度 kg/m^3 g 9.8; Cr 0.01; % 滚动阻力系数 eta_drive 0.92; % 传动效率 % 电池模型参数 Q_bat 40; % 电池容量 kWh Voc 320; % 开路电压 V Pb_min -50e3; % 充电功率下限 W Pb_max 80e3; % 放电功率上限 W SOC_min 0.3; SOC_max 0.9; SOC_ref 0.6; % 终端参考SOC % MPC控制参数 dt 1; % 采样时间 s N 15; % 预测时域 rho 10; % ADMM惩罚参数 max_iter 30; % ADMM最大迭代次数 tol_abs 1e-3; % 绝对残差阈值这里的参数我是按一台中型SUV混合动力车型设的。特别说明一下预测时域N我没有贪大。N越大理论性能越好但MPC每一帧的计算量线性增长ADMM虽然能缓解压力也不能完全免疫。我在N15和N20之间对比过多次15已经能覆盖典型工况的动态特征结果和20差别很小但每帧求解时间能省下40%。做研究写论文这个性价比很重要。3.2 CVX建模MPC子问题的关键写法整个控制器里最核心的代码就是CVX建模那一段。我先把需求功率序列计算出来然后在每个采样时刻调用CVX求解。最精简的MPC问题写法如下function [Pb_opt, Pice_opt] solve_mpc(SOC0, P_req_seq, params) N params.N; dt params.dt; Q_bat params.Q_bat; Voc params.Voc; cvx_begin quiet variable Pb(N,1) variable Pice(N,1) variable SOC(1,N1) SOC(1) SOC0; for k 1:N % 功率平衡需求 发动机 电池 Pice(k) Pb(k) P_req_seq(k); % 电池功率边界 Pb_min Pb(k) Pb_max; % 发动机功率边界 0 Pice(k) 100e3; % SOC递推 SOC(k1) SOC(k) - Pb(k) * dt / (Q_bat * 3600 * Voc); % SOC安全边界 SOC_min SOC(k1) SOC_max; end % 目标函数燃油消耗 终端SOC惩罚 fuel_cost params.a_fuel * Pice.^2 params.b_fuel * Pice; minimize( sum(fuel_cost) * dt params.beta * (SOC(N1) - SOC_ref)^2 ) cvx_end Pb_opt Pb(1); Pice_opt Pice(1); end这段代码看起来简单但有几个细节必须强调。第一CVX里用循环来写SOC递推完全没问题CVX支持在约束中使用for循环展开。但变量SOC必须在循环前声明完整尺寸否则Matlab会报错。上面我用SOC(1,N1)预先分配了内存。第二发动机油耗模型我用了二次函数 (a_{\text{fuel}} P^2 b_{\text{fuel}} P)其中(a_{\text{fuel}})是正的保证凸性。实际发动机map图可能比二次模型复杂但这个近似在MPC预测尺度上表现足够好。如果你需要更精确还可以用分段线性近似CVX同样支持只是目标函数会变成线性规划或分段二次规划求解器选择上略有不同。第三功率平衡用的是等号这在CVX里是完全支持的。但如果因为需求功率瞬间变化等原因导致无解CVX会返回Infeasible。这个问题我在后面章节详细讲解决办法。3.3 ADMM迭代与求解器衔接CVX直接求解整个N步问题是最直白的方式但速度不够。所以我的控制器在优化层做了个分层外层是ADMM协调内层是CVX子问题求解。这样把长度为N的大问题拆成多个更短的子问题。实际项目中我把预测时域平均分成M块每块长度N_block块间通过SOC连续性约束耦合。ADMM迭代时每个块就是一个独立的MPC子问题CVX负责单个块内的小规模求解。我展示一下协调层的核心代码逻辑function [Pb_first] admm_mpc(SOC0, P_req_seq, params) M params.M; N_block params.N / M; % 初始化 z zeros(N_block, M); % 全局耦合变量 y zeros(N_block, M); % 对偶变量 x zeros(N_block, M); % 原始变量 for iter 1:params.max_iter % x更新并行求解每个子块 parfor i 1:M P_req_block P_req_seq((i-1)*N_block1 : i*N_block); x(:,i) solve_block_cvx(SOC0, P_req_block, z(:,i), y(:,i), params, i); end % z更新全局一致性投影 z_old z; avg mean(x - y/params.rho, 2); z repmat(avg, 1, M); % 对偶更新 y y params.rho * (x - z); % 残差判断 r_pri norm(x - z, fro); r_dual params.rho * norm(z - z_old, fro); if r_pri params.tol_abs r_dual params.tol_abs break; end end Pb_first x(1, 1); % 只执行第一个块的第一步 end其中solve_block_cvx是每块内部的CVX子问题它的目标函数除了块内能耗之外还要加上ADMM的二次罚项。这块代码就不贴全了核心就是在CVX的minimize里加上这样的项 params.rho/2 * sum_square(Pb - z_block y_block/params.rho)这就是ADMM最优雅的地方本来的复杂耦合变成每个子块在目标里多了一个“向共同目标靠拢”的二次项。每个子块规模小、结构相似完全可以用parfor并行这在Matlab里实测能把整个MPC计算时间降下来不少。3.4 参数整定经验预测时域、惩罚因子与终止条件参数整定是我觉得全项目最花时间、也最容易让新人崩溃的部分。先说预测时域N。N的选择要看工况的时间尺度。如果你用的标准工况是NEDC或者WLTC大部分动态过程在几十秒量级N取25左右性能就开始趋于稳定。但如果信号是高速跟车的剧烈变化序列N太小会导致MPC“目光短浅”性能反而比规则策略差。我一般会用一个基准工况做网格搜索画出N与累计油耗的曲线找拐点。ADMM惩罚参数rho影响更大。rho太小原始残差收敛慢迭代次数逼近上限rho太大对偶变量振荡双残差无法满足。我通常会初始化两个残差的log曲线先在固定rho下跑一遍观察两个残差是否同时下降。如果原始残差降得快、对偶残差跟不上说明rho偏大反之rho偏小。这个过程我用了个简单的二分调整脚本十几行代码省下了大量手工试错时间。终止条件同样重要。Rarely用默认的 (10^{-4}) 会过于苛刻导致每帧MPC计算根本没有实时性。我的做法是先评估控制精度对SOC轨迹的灵敏度允许残差到 (10^{-2}) 量级就停止因为下一步MPC会重新优化做反馈校正这个残差不会累积成终端SOC的误差。这是MPC本身的特性给了我们“偷懒”的空间ADMM不必收敛到机器精度。4. 常见问题排查与避坑实录4.1 CVX安装与许可证故障这个坑几乎每个用CVX的Matlab新手都会踩一遍。CVX的旧版本用的是自带许可证下载安装包后直接cvx_setup就完事。但新版本在MOSEK这类求解器上需要单独的许可证如果你只用CVX自带的SeDuMi和苏黎世联邦理工免费求解器一般不需要额外买license。最典型的报错是“cvx_solver not found”或者“Solved with standard solver, but license check failed”这种情况就是求解器许可证的问题。我的建议是做研究阶段用自带的SDPT3或SeDuMi足够。别一上来就追求Gurobi、MOSEK虽然它们快但需要解决license问题。等模型跑通了、确认需要更高性能再去找学校或者机构申请学术license。顺带一提Matlab 2026b开始对CVX的兼容性有些改变老版本CVX在打开时会有警告。我实测下来2025和2026b都能正常跑但建议把cvx_setup加的路径放在Matlabpath第一位遇到版本冲突的坑会少一些。4.2 求解器选择与性能对比我前面提到默认SDPT3能跑但性能是相对差点。在N15的小问题上SDPT3一般几百毫秒能解完SeDuMi更慢一些。如果你要把MPC做进实时环境这几百毫秒就太慢了。两个解决方向一是像上面那样用ADMM把大问题拆小子问题规模只有原来的几分之一二是从SDPT3切到Gurobi性能提升非常显著。Gurobi和MOSEK都是商业求解器学术用户可以申请免费license。CVX对Gurobi的适配很成熟在cvx_solver设置为Gurobi后解同样的SOCP问题时间能减少一个数量级。但要注意Gurobi对数值病态问题比较敏感如果模型里跨数量级的系数太多比如功率是万级SOC是0.1级Gurobi会直接报numerical trouble这种情况必须对变量做归一化。我之前踩过这个坑最后把功率都换算到kW、SOC换成百分数问题就消失了。4.3 不可行问题与数值病态处理做MPC最烦的一件事就是预测时域内的某个时刻约束集合没有任何可行解CVX直接返回Infeasible。这个问题在PHEV场景下也很典型。比如需求功率突然冲到120kW而电池和发动机各自的极限加上限制只有150kW但电池SOC却卡在最小值那么功率平衡约束就解不开了。常规解决办法是约束松弛。我给功率平衡约束加两个松弛变量Pice(k) Pb(k) slack_pos(k) - slack_neg(k) P_req_seq(k);然后把松弛变量以高权重罚函数的形式加入目标函数。这样即使物理上一瞬间满足不了功率控制器也能给出在边界上“尽可能满足”的控制量下一帧MPC再动态修正。我在目标函数里给松弛项的权重设成燃油系数的100倍这样正常工况下松弛变量会被压到接近0只有在约束爆炸时才会被激活。实测下来这套机制非常管用MPC的鲁棒性提升了一个档次。4.4 Matlab版本兼容与工具箱依赖这个项目依赖的Matlab工具箱主要是Optimization Toolbox和CVX。CVX本身不带Matlab官方工具箱只是用Matlab语言实现但它在安装时会自动调用底层求解器。不同Matlab版本之间的兼容性确实需要留意尤其是2025以后主推的新输入解析引擎有些旧CVX版本会有语法层面警告。我的运行环境是Matlab 2025b配CVX 2.2整体很稳定。如果遇到版本问题最省事的办法是装一个干净的虚拟环境把CVX和Simulink分开。另外项目里如果只跑公式和代码不依赖Simulink直接用脚本更轻量避免Simulink的模型加载时间拖慢批量参数扫描。关于高阶工具箱我这里没用Control System Toolbox或者Model Predictive Control Toolbox因为CVX已经把优化问题建模这条路覆盖了。如果你论文需要对比MPC官方工具箱的结果可以单独装一下MPC Toolbox来做数理验证但注意它的内部求解器只支持有限约束形式不一定能直接处理你的ADMM结构。5. 基于这个项目的几点深度体会写到这儿我觉得可以聊一点更超脱代码层面的东西。这个项目表面上是“PHEV能源管理”实际上它是一套方法论试验把MPC的滚动优化框架和凸优化的数学工具焊在一起然后用ADMM这种分布式算法去解决实时性问题。这套组合在学术研究和工程落地之间搭了一座桥。我做这个项目的最大体会是不要以为有了CVX优化问题建模就万事大吉。CVX确实把建模门槛降低了但它强行要求问题必须是凸的这逼着你仔细审视每一个工程细节比如发动机油耗曲线怎么拟合、SOC模型怎么线性化、整数决策量怎么松弛。这个过程有时候很痛苦但熬过去之后你会对问题结构有远超以往的深刻理解。我在做SOC模型近似时反复推敲线性化误差的影响最后发现与其在高保真SOC模型上纠结不如把精力放在终端罚函数的设计上对最终控制效果的改善大得多。另外ADMM这个算法值得认真学透。它在PHEV场景下能解决MPC的实时性问题换到机器人、电网调度、自动驾驶车队等领域同样能派上用场。核心就是“把大问题拆小用一致性约束拼回去”。掌握了这里的迭代推导、残差定义和参数调法换任何应用场景都只是重新定义f和g的问题。如果你准备在现有项目上继续扩展我建议优先试两个方向。一是把电池热模型或等效油耗模型加进来把目标函数扩展成多目标看ADMM的结构会不会被破坏二是尝试在Simulink里搭一个高保真整车模型把MPC做成S-Function用硬件在环来验证实时性。无论往哪个方向走凸优化ADMMMPC这套底子都不会浪费。最后分享一个小技巧在Matlab里做MPC批量仿真时一定要把CVX每次求解的优化状态输出给关掉用cvx_quiet命令另外用parfor并行跑多组工况。我之前跑100组随机工况仿真时没开并行整整跑了一下午改成parfor后同样100组只用了不到30分钟。细节小事但能明显提升科研效率。