曾小华，吉林大学汽车仿真与控制国家重点实验室教授、博士生导师。主要研究领域：节能与新能量汽车关键技术的研究，主要包括油电混合动力汽车、液压混合动力汽车的驱动理论、设计方法与控制技术。1999年开始并一直进行节能与新能源汽车技术开发，已发表论文50余篇，为多家国内外权威期刊论文评审专家；申请专利10余项，已获授权发明专利7项。负责与参加20余项国家“863”项目、自然基金项目，省部级重点、重大项目以及龙头整车企业项目。积累了丰富的节能与新能源汽车技术开发经验和成果。
教育背景：
1995至1999年就读于吉林工业大学汽车学院车辆工程系，获得工学学士学历；
1999至2002年就读于吉林大学汽车工程学院车辆工程系，获得工学硕士学位；
2002至2006年就读于吉林大学汽车工程学院车辆工程系，获得工学博士学位；
工作经历：
2000年－2004年，吉林大学，汽车动态模拟国家重点实验室，助教
2004年－2008年，吉林大学，汽车动态模拟国家重点实验室，讲师
2008年－2013年，吉林大学，汽车仿真与控制（原汽车动态模拟）国家重点实验室，副教授，硕士生导师
2013年—至今，吉林大学，汽车仿真与控制（原汽车动态模拟）国家重点实验室，教授，博士生导师。

第1章　绪论 001
1．1　节能与新能源汽车的发展概况 002
1．2　混合动力系统优化设计方法研究 004
1．2．1　混合动力系统构型拓扑研究现状 005
1．2．2　混合动力系统设计参数与控制联合优化研究现状 009
1．3　融合车联网信息的混合动力系统能量管理控制研究 011
1．3．1　车联网与车辆节能技术 011
1．3．2　混合动力车辆行驶工况信息研究现状 015
1．3．3　混合动力车辆能量管理策略研究现状 018
1．4　本章结语 023

第2章　混合动力系统优化设计方法 025
2．1　混合动力系统构型拓扑分析 026
2．1．1　构型拓扑生成 026
2．1．2　生成结果与分析 035
2．2　混合动力系统内外双层参数优化方法 040
2．2．1　优化三要素的确定 041
2．2．2　混合动力系统参数-控制双层优化算法设计 045
2．3　优化结果验证与分析 048
2．4　本章结语 066

第3章　基于车联网信息行驶工况处理 068
3．1　车联网信息下汽车行驶工况数据获取 069
3．1．1　新能源汽车车联网平台介绍 069
3．1．2　基于车联网的行驶工况数据获取 072
3．1．3　车联网平台下行驶工况数据质量问题 075
3．2　车联网平台下行驶工况数据缺失与数据噪声处理 077
3．2．1　基于插补与神经网络的缺失数据估计方法 078
3．2．2　基于小波变换的噪声数据滤波方法 078
3．2．3　行驶工况噪声数据清洗方法 080
3．3　车联网平台下行驶工况数据处理的评价方法 083
3．3．1　行驶工况数据误差评价指标 083
3．3．2　行驶工况特征参数评价指标 083
3．4　本章结语 084

第4章　基于车联网信息行驶工况数据挖掘 085
4．1　数据挖掘理论在行驶工况数据中的应用 086
4．2　基于能耗特性的公交线路行驶工况特征参数分析 087
4．2．1　公交线路特征统计分析 088
4．2．2　基于公交客车线路特点的行驶工况特征参数集 090
4．2．3　车辆能耗特性与工况特征关系分析 092
4．2．4　基于能耗回归分析模型的工况特征参数筛选 096
4．3　基于能耗特征与线路特征参数的固定线路行驶工况合成 097
4．3．1　基于K-Means 算法的工况聚类分析 098
4．3．2　马尔可夫链状态转移矩阵 100
4．3．3　公交线路行驶工况合成结果分析 101
4．4　基于能耗特征与线路特征参数的未来行驶工况智能预测 103
4．4．1　基于LS-SVM 和BP-NN 的智能预测模型 103
4．4．2　未来工况智能预测模型对比 105
4．4．3　未来工况预测精度影响因素分析 108
4．4．4　未来工况预测模型的鲁棒性分析 112
4．5　本章结语 114

第5章　基于行驶工况信息的分层优化自适应能量管理策略 115
5．1　行星式混合动力公交客车功率分流特性及其能量管理 116
5．1．1　双行星排功率分流式混合动力系统构型 116
5．1．2　双行星排式混合动力系统功率分流状态分析 119
5．1．3　双行星排式混合动力系统能量管理策略 121
5．2　分层优化自适应智能能量管理策略概述 125
5．2．1　分层优化自适应智能能量管理策略研究内容 125
5．2．2　分层优化自适应智能能量管理策略架构 126
5．3　基于固定线路合成工况的近似全局最优控制 127
5．3．1　考虑终止约束的全局优化SOC 轨迹求解 128
5．3．2　基于近似全局最优的模式切换规则提取 131
5．3．3　基于近似全局最优的SOC 轨迹规划模型 133
5．4　基于未来工况预测的A-ECMS 自适应控制 135
5．4．1　基于PMP 的等效燃油消耗最小策略 136
5．4．2　基于未来工况预测信息的自适应规律 139
5．4．3　基于LQR 控制器的SOC 跟随策略 140
5．5　分层优化自适应智能能量管理策略验证与分析 142
5．5．1　分层优化自适应智能能量管理策略最优性 142
5．5．2　分层优化自适应智能能量管理策略适应性 147
5．6　硬件在环试验 148
5．6．1　硬件在环试验平台 148
5．6．2　硬件在环试验结果分析 150
5．7　本章结语 153

第6章　基于固定线路全局优化的深度强化学习能量管理策略 154
6．1　学习型智能能量管理控制策略概述 155
6．1．1　学习型智能能量管理策略研究进展 155
6．1．2　学习型智能能量管理的控制问题 157
6．2　基于固定线路全局优化的深度强化学习能量管理策略 159
6．2．1　Deep Q-Learning 深度强化学习算法 159
6．2．2　基于固定线路行驶信息的深度强化学习策略架构 161
6．2．3　Deep Q-Learning 能量管理策略算法设计 162
6．3　基于固定线路全局优化的深度强化学习能量管理策略验证 163
6．3．1　F-DQL-EMS 智能能量管理策略的最优性 164
6．3．2　F-DQL-EMS 智能能量管理策略的工况适应性 167
6．4　硬件在环试验 168
6．5　两种智能能量管理策略对比分析 170
6．5．1　智能能量管理策略的最优性 170
6．5．2　智能能量管理策略的工况适应性 171
6．5．3　智能能量管理策略的总结分析 172
6．6　本章结语 172

第7章　全书总结 174
7．1　内容总结 175
7．2　未来展望 176

名词简写 178

名词索引 179

参考文献 182