这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：

主要作者及机构
本研究的主要作者为钱立军、荆红娟和邱利宏。钱立军和荆红娟来自合肥工业大学汽车与交通工程学院，邱利宏同时任职于合肥工业大学和克莱姆森大学国际汽车研究中心。该研究发表于《中国机械工程》第29卷第11期，出版时间为2018年6月上半月。

学术背景
本研究的主要科学领域为混合动力汽车的能量管理。混合动力汽车的能量管理策略对整车的动力性、经济性、舒适性及排放性能具有重要影响，是当前研究的热点之一。现有的能量管理策略主要包括基于规则、基于智能和基于优化的策略。其中，基于规则的控制策略简单实用但难以达到全局最优；智能控制算法鲁棒性强但主要用于参数优化；瞬时优化算法如等效油耗最小策略（ECMS）虽能近似全局最优，但存在等效因子取值问题；全局优化算法虽能保证整车性能最优，但计算复杂且难以实现实时控制。因此，本研究旨在探索一种基于随机模型预测控制（Stochastic Model Predictive Control, SMPC）的四驱混合动力汽车能量管理策略，以提升燃油经济性并实现实时控制。

研究流程
本研究主要分为以下几个步骤：
1. 四驱混合动力汽车模型构建
研究对象为一款非插电式四驱混合动力汽车，其前桥由发动机、启动一体化电机（ISG）和启动机联合驱动，后桥由后驱电机单独驱动。研究者建立了整车纵向动力学模型，用于计算驾驶员需求转矩。
2. 马尔可夫加速度预测模型
研究者采用马尔可夫模型预测车辆未来有限时域内的加速度变化，并通过统计分析方法计算加速度转移概率矩阵。样本工况包括新欧洲行驶工况（NEDC）、城市道路循环（UDDS）和中国城市工况（CUDs）。
3. SMPC控制策略设计
基于马尔可夫预测模型，研究者建立了四驱混合动力汽车的能量管理优化模型，目标是在保证电池荷电状态（SOC）平衡的前提下，实现燃油经济性最优。针对非线性优化模型，研究者采用动态规划算法（Dynamic Programming, DP）进行有限时域内的滚动求解。
4. 软件在环仿真试验
研究者在MATLAB/Simulink环境下搭建了四驱混合动力汽车整车模型，并通过dSpace平台进行软件在环仿真试验。仿真工况为NEDC，预测时域为5秒，采样时间间隔为1秒，SOC初始值为0.5。
5. 结果分析与对比
研究者将基于SMPC的控制策略与基于恒值模型的预测控制策略（FTMPC）和基于先验知识的预测控制策略（PMPC）进行对比，评估其燃油经济性优化效果。

主要结果
1. 动力部件工作情况
仿真结果显示，发动机、ISG电机和后驱电机基本工作在高效率转矩区域内，表明SMPC控制策略能够实现四驱混合动力汽车基本的能量管理。
2. 燃油经济性优化
与基于FTMPC的控制策略相比，基于SMPC的控制策略在NEDC、UDDS和CUDs三种工况下的平均燃油经济性提升了8.30%，接近基于PMPC的优化结果。与基于规则的控制策略相比，基于SMPC的控制策略的平均燃油经济性提升了21.47%。
3. 电池SOC平衡
仿真过程中，电池SOC波动维持在初始值上下2%以内，表明SMPC控制策略能够有效维持电池荷电状态的平衡。

结论
本研究提出了一种基于马尔可夫预测模型的四驱混合动力汽车能量管理控制策略，结合SMPC理论和DP算法，实现了良好的优化控制效果。研究结果表明，该策略能够有效提升燃油经济性，同时保证各动力部件的高效工作。此外，本研究为MPC在混合动力汽车上的应用提供了重要参考。

研究亮点
1. 创新性方法
本研究首次将马尔可夫模型与SMPC理论相结合，用于四驱混合动力汽车的能量管理，显著提升了预测精度和优化效果。
2. 实际应用价值
基于SMPC的控制策略具有实时控制的潜力，能够有效降低混合动力汽车的燃油消耗，具有重要的工程应用价值。
3. 多工况验证
研究者在NEDC、UDDS和CUDs三种典型工况下验证了控制策略的有效性，结果表明该策略在不同工况下均具有优越的燃油经济性。

其他有价值内容
研究者在仿真试验中详细记录了发动机、ISG电机和后驱电机的工作点数据，并分析了各动力部件的工作效率。这些数据为进一步优化混合动力汽车的能量管理策略提供了重要依据。