互联燃料电池混合动力汽车通过信号交叉口的生态驾驶双层凸优化这个标题我第一次读的时候也绕了一下。拆开看其实很直白一台燃料电池混合动力车在接近信号交叉口的时候利用车路通信提前知道灯色和剩余时间然后同时解决两个问题——车怎么走能量怎么分。最近我把这套框架用Matlab完整复现了一遍从场景搭建、车辆建模、两层凸优化到结果可视化都走通了。写这篇内容是想把整个实现逻辑和踩坑记录整理出来给正在搞FCHEV能量管理、生态驾驶、车路协同仿真的朋友做个参考。这类工作通常出现在交通与能源交叉方向的高水平期刊里就是我们习惯说的一区论文特点是方法完整、场景明确、需要大量仿真对比支撑结论。论文里往往几行公式带过但真正动手用Matlab复现时你会发现坑全藏在那些没写的边界条件里。我这次用CVX工具箱把上层速度规划和下层能量管理分开求解再通过迭代把两者耦合起来过程不复杂但每一个环节都有值得细抠的地方。1. 先弄明白这个课题在解决什么问题1.1 交叉路口为什么是燃料电池车的效率黑洞先说一个大家都能感受到的场景你开车到路口前方绿灯只剩三四秒你一脚油门想冲过去结果前车慢悠悠挡着你只能急刹停在停车线前。等绿灯再亮重新加速。这一套过程下来内燃机汽车多烧的油先不说对燃料电池混合动力车来说几乎是双重惩罚。燃料电池有一个不太友好的特性动态响应慢加载过程中效率偏低频繁变工况还会加速电堆膜电极的损耗。在“加速—急刹—停车怠速—再起步”这个循环里燃料电池会被迫在低效区反复工作动力电池则要频繁大功率充放电。时间一长氢耗上去了部件的寿命也在悄悄缩水。研究数据显示城市工况里车辆在交叉口附近浪费的能量相当可观而这部分浪费恰恰通过合理的速度规划是可以避免的。信号交叉口之所以是效率黑洞核心在于车辆不知道灯色什么时候变化。如果车辆能提前知道信号配时比如还有二十秒变绿那最优策略就不会是“先加速再急刹”而可能是“慢慢滑行到路口刚好赶上绿灯”。这种利用前方交通信号信息来优化车辆行驶策略的做法就是生态驾驶。放到FCHEV上生态驾驶需要考虑的不只是少停车还要考虑怎么让燃料电池和电池在这一段路程里配合得最省氢。1.2 生态驾驶优化的其实是两个耦合的决策这个课题和普通的速度规划有本质区别它同时要决策两条链路。一条是时域上的速度轨迹。车辆在距离停车线两百米的位置收到信号相位信息接下来是加速、匀速、减速还是停车等待这决定了车辆到达路口的时间和整个过程的需求功率。另一条是能量域的功率分配。给定任意一时刻的需求功率燃料电池输出多少动力电池补充多少两者之间怎么分。这个决策的优劣直接决定氢气消耗量。两条链路不是独立的。速度轨迹一变整个功率需求曲线就变而功率分配结果又会影响整车氢耗反过来应该影响上层速度规划时的代价判断。如果只做速度规划把能量管理当成后处理查表那得出的速度轨迹在交通流意义上可能最优但氢耗并不是全局最优。反过来只做能量管理速度按固定规则跟车也会丢掉信号灯信息带来的省氢机会。所以必须把两层放在一个框架里同时考虑这就是双层优化的出发点。1.3 这个课题能对接到哪些真实应用别觉得这只是个仿真项目它的应用场景非常明确V2I车路协同、信号灯优先控制、商用车节能巡航还有未来高级别自动驾驶的动态规划层。乘用车端现在很多导航地图已经能显示红绿灯倒计时了这就是V2I的轻量版。如果自动驾驶控制器能拿到准确的信号相位和剩余时间把本文这类策略直接部署到域控制器里就能在真实道路上做出更经济的行驶决策。商用车端更明显公交车、物流卡车路线固定反复通过同一批信号交叉口如果每过一个路口都能省一点氢或省一点油全车队累计下来是非常可观的成本下降。从科研角度来说这类课题也是交叉学科的好题材控制背景的人关注双层优化建模和迭代求解车辆背景的人关注燃料电池混合动力系统的能耗评估交通背景的人关注信号配时与通行效率的权衡。三个视角对同一个项目的理解完全不同这恰恰是这类工作能发高水平期刊的原因之一。2. 为什么双层、为什么凸方法选型的底层逻辑2.1 单层优化为什么做不动也许你会想既然速度和功率分配耦合在一起那把两个决策变量放进同一个优化问题里一次性解出来不就行了想法没错但实际建模会发现困难。交叉口信号灯约束天然包含离散决策车在这一时刻到底是“通过”还是“停车等待”。这是一个0/1选择任何优化问题只要混入整数变量就变成混合整数规划求解难度立刻上一个台阶。再叠加车辆纵向动力学的非线性空气阻力随速度平方变化、燃料电池氢耗率的非线性、电池SOC演化约束整个问题就是一个混合整数非线性规划。这类问题不是不能解而是求解时间和稳定性都没法保证。用全局求解器在小规模问题上还能跑但一旦预测时域拉长、离散点加密计算时间会迅速膨胀。车载ECU的算力根本扛不住。更重要的是非线性非凸问题即使解出来你也没法证明它是全局最优解。做能量管理策略最忌讳的就是拿一个不知道优不优的解去跟别人对比。2.2 凸优化在这里的意义全局最优和可预测的求解时间凸优化在工程里最大的价值就是两条局部最优就是全局最优求解时间基本可预测。这两个特性对于需要反复仿真的策略研究来说太重要了。但实际物理模型往往不是天然凸的需要做凸化处理。以燃料电池氢耗率为例电堆的氢耗率随净输出功率的变化曲线近似一条上凸的二次曲线。这在凸优化框架下是友好项因为最小化一个凸函数是标准问题。如果不用二次近似而是直接用效率map查表那这个查表关系没法直接塞进凸优化里要么做分段线性近似要么改用其他方法。信号灯的禁止区间约束也是这个套路严格来说车辆在红灯窗口内不能越过停车线这是一个带整数的选择约束。传统做法是引入0/1变量表示“等”或“闯”但在凸优化里可以把它松弛成一组线性不等式限定车辆只能在绿灯窗口内到达停车线前的一定区域。损失一点精确性换来的是整个问题保持凸性工程上完全值得。2.3 双层结构的真正优势时间尺度分离速度和功率分配不仅耦合时间尺度也完全不同。速度规划关心的是未来几十秒的宏观轨迹功率分配关心的是每个控制周期里燃料电池和电池的瞬时出力。硬把两个时间尺度塞进一个优化问题会导致决策变量数量爆炸数值求解困难。双层结构把问题拆开正好对应两个天然层次上层做速度规划时间粒度比较粗把信号灯约束、整车动力学、行驶时间作为主要约束下层做能量管理把上层给出的速度轨迹当成已知输入逐点求解最优功率分配。两层之间通过氢气消耗量这个物理量耦合起来上层给的轨迹决定需求功率序列下层的功率分配结果决定总氢耗总氢耗再反馈给上层作为代价函数的修正项迭代多次直到收敛。这个结构还有一个工程上的好处上层和下层可以分别验证、替换。如果某天你想把上层换成模型预测控制下层功率分配算法可以完全不动如果换了电堆型号只更新下层模型上层也不需要大改。在做项目或者写论文时这种模块化设计能省下非常多调试时间。3. 场景与车辆模型先在Matlab里把世界搭起来3.1 交叉口场景怎么建模我复现时搭的是最经典的场景单个信号交叉口、单车道、没有前车干扰。车辆在距离停车线200米的位置通过V2I通信获得当前信号相位和剩余时间。不要小看这个200米它基本决定了上层优化的时间窗口长度——距离太短来不及规划出平滑的减速轨迹距离太长预测误差增大而且中间可能加入新的扰动。信号配时采用一个标准周期绿灯30秒、黄灯3秒、红灯27秒总周期60秒。这里有个细节要注意车辆收到信息那一刻可能正处于任意相位所以仿真要覆盖多种初始状态。我会把初始相位分成几类刚刚进入绿灯窗口、绿灯即将结束、红灯刚开始、红灯即将结束。每种状态对应的最优策略完全不同有的要匀速通过有的要提前减速等下一个绿灯有的甚至可以稍微加速抢在绿灯尾巴通过。只跑一组初始相位看不出算法好坏至少四组起步。每辆车在距离停车线200米处假设初始速度固定为50 km/h这个速度接近城市主干道限速。整个仿真的终点不是路口中心而是停车线位置。规划时域长度根据当前相位计算一般取60到90秒确保覆盖一个完整信号周期。3.2 车辆纵向动力学与离散化车辆纵向运动模型不复杂就是牛顿第二定律加上行驶阻力由驱动力减去滚动阻力、空气阻力和坡度阻力得到加速度。忽略坡度时纵向动力学方程可以写成m * dv/dt F_drive - C_r * m * g - 0.5 * rho * Cd * A * v^2方程里每一项的含义要搞清楚。整车质量m在仿真时最好包含等效转动惯量因为车轮、电机转子的转动惯量在加速过程中会“吃掉”一部分扭矩如果不折算进去仿真出的加速性能会偏乐观。滚动阻力系数一般取0.01到0.015乘用车常用0.012空气密度取1.225 kg/m³风阻系数取0.3左右迎风面积取2.5 m²左右。状态变量是位置和速度控制量是加速度离散化直接用欧拉法时间步长dt取0.1秒。如果你发现求解太慢可以放大到0.5秒但速度轨迹在信号边界附近会明显变糙车辆能不能刚好卡着绿灯窗口通过这个判断会失真。我的经验是先用dt0.1秒把逻辑跑通后面调参再放宽。从加速度反推需求功率时有一个效率链要串起来。驱动功率等于牵引力乘以车速再除以传动系统效率和电机效率。这里如果只做简单研究可以把传动效率当成常数如果追求精度可以把电机效率map也建出来。不过需要注意电机效率一旦做成分段非线性上层凸优化就没法直接用了需要近似或固定效率。我在复现时为了保持凸性用了固定效率下层功率分配时再对效率做修正效果够用。3.3 燃料电池混合动力模型怎么建才能进CVXFCHEV的拓扑是燃料电池经DC/DC变换器升压后和动力电池并联共同给驱动电机供电。电机需求功率P_req由燃料电池功率P_fc和电池功率P_bat相加得到。燃料电池模型的核心是氢耗率与净输出功率的关系。一条典型的极化曲线经过处理后可以拟合出氢耗率函数形式通常是一个二次函数。这个近似在凸优化里非常重要最小化一个凸的二次函数求解器愉快得很。如果你非要用原表查效率CVX直接懵给你看。燃料电池输出功率有上下限比如10 kW到80 kW这是物理约束直接写成不等式条件就行。动力电池用SOC作为状态变量。离散形式可以写成SOC(k1) SOC(k) - P_bat(k) * dt / E_bat这个公式的含义是电池向外输出功率SOC下降反过来充电时P_bat为负SOC上升。E_bat是电池总能量容量。这里的符号定义在不同论文里可能差一个负号复现时一定要对照原式检查我见过很多人模型本身写得对但代码里正负号搞反结果SOC一路飙到上限。电池的约束包括输出功率上下限和SOC上下限。SOC不能放太宽一般限制在0.3到0.9之间太宽会导致电池过度充放影响寿命太窄会让优化器没有调节空间。下层功率分配除了满足需求功率等式还必须保证SOC最终回到一个合理范围。通常用两种方式实现一是加终端SOC约束二是加终端SOC偏差的惩罚项。后者更灵活也更容易收敛。4. 双层凸优化的Matlab实现从公式到代码4.1 上层速度规划的核心CVX代码上层任务是根据信号灯信息和车辆动力学规划出一条让综合代价最小的速度轨迹。综合代价包括加速度的二次项代表驾驶平顺性、终端时间惩罚别太磨叽以及氢耗相关的代价项。我用CVX实现的框架大致是这样%% 上层凸优化参考速度轨迹规划 dt 0.1; % 时间步长单位秒 N 60; % 预测时域步数 v0 50 / 3.6; % 初始速度m/s s0 0; % 初始位置 s_stopline 200; % 停车线位置 % 信号灯信息由V2I通信得到 t_red_remain 20; % 当前剩余红灯时间秒 t_green_window 30; % 绿灯窗口持续时间秒 cvx_begin quiet variables v(N1) a(N) s(N1) minimize( sum(a.^2) * dt ... ) % 代价函数按实际情况补充 subject to % 初始状态 s(1) s0; v(1) v0; % 离散动力学 for k 1:N s(k1) s(k) v(k) * dt 0.5 * a(k) * dt^2; v(k1) v(k) a(k) * dt; end % 速度与加速度边界 v 0; v 16.67; % 60 km/h限速按需调整 a -2.5; a 2.5; % 信号灯禁止区间约束松弛后的线性形式 % 这里需要根据剩余时间动态生成, 具体约束写法见下文 cvx_end这段代码只是骨架真正的核心在信号灯禁止区间约束。所谓禁止区间就是车辆在红灯时间窗口内不能跨越停车线。这个约束如果用整数变量表达会很麻烦但如果在当前相位是红灯的情况下车辆要么在红灯结束前停下来位置小于停车线要么在红灯结束后通过这两种情况都可以用位置约束的线性组合表达。实际操作中我会生成一个允许通过的时间窗口把窗口外的位置边界设死。CVX对凸问题有严格的结构要求。比如代码里不能出现变量和变量相乘不能出现max、min、abs的非凸用法。我第一次写的时候在约束里用了判断语句直接被CVX的DPC规则检测报错。这个报错不是模型错了而是写法不符合凸优化语法需要把逻辑改写成线性约束才能过。4.2 下层功率分配逐点求解还是统一求解下层任务相对独立。给定上层传来的速度轨迹通过车辆纵向动力学反推出每个时刻的需求功率P_req(k)然后求解每个时刻的最优功率分配。目标函数是瞬时氢耗率与电池等效燃油消耗的和再加上SOC惩罚项。下层有两种实现方式。一种是所有时间点统一建一个CVX问题优点是可以把SOC约束跨时间点统一处理缺点是大矩阵构建麻烦。另一种是逐点顺序求解每个时刻只解一个两变量的小优化速度快逻辑清晰。我实际用的是逐点求解因为下层每个时刻的状态只依赖上一个时刻的SOC天然具备递推结构。每个时间点需要解的优化问题很小直接在循环里调CVX即可。当然如果你追求更高效率完全可以把下层写成一个解析解或者查表函数因为燃料电池和电池两路功率分配的优化问题本质上是一个带等式约束的二次规划有闭式解。论文里常见的做法是先做下层离线求解把结果存成map在线查表这样效率最高。下层求解还有一个关键点电池SOC不能只惩罚终端还要在过程中做约束否则优化算法会倾向于先用电池功率把氢耗曲线压得很低但代价是SOC掉到下限后面没法继续跑。我在目标函数里加了一个SOC偏离参考值的二次惩罚项参考值取0.6附近效果比单纯罚终端好很多。4.3 双层迭代怎么收敛我的收敛判断方法两层都搭好之后把它们串起来需要迭代。简要流程如下初始化取无信号优先的匀速轨迹作为初始速度曲线 循环 1. 根据当前速度轨迹计算需求功率序列 2. 下层求解每个时刻的功率分配统计总氢耗 3. 将总氢耗相关信息反馈到上层代价函数 4. 上层重新求解速度轨迹 5. 比较两次轨迹和总氢耗的变化量 6. 如果变化量小于阈值或达到最大迭代次数停止收敛判断是我踩坑最多的地方。上层的代价函数里包含加速度二次项和平顺性项下层的目标函数是氢耗两者量纲不同直接比较目标函数值没有意义。我的做法是监控两个指标一是上层速度轨迹的均方根变化量二是下层总氢耗的变化量。两个指标同时小于一定百分比才算收敛。如果只监控一个很可能出现上层轨迹已经稳定但氢耗还在漂移的情况。迭代次数的经验值是5到10次。多数工况到第6次左右基本稳定如果超过15次还在波动通常不是迭代算法的问题而是模型里某个约束写松了或者代价权重不合适。碰到这种情况先别急着调迭代参数回头查下层SOC轨迹是不是已经顶到边界了那才是常见根源。5. 关键参数与边界条件设置5.1 整车和动力系统参数表复现这类课题参数表是第一个要卡准的地方。下面是我用的基准参数不代表唯一标准但可以作为起步参考。参数数值备注整车质量 m1800 kg含驾驶员和载重等效转动惯量修正1.1折算后质量约1980 kg迎风面积 A2.5 m²典型SUV水平风阻系数 Cd0.30乘用车常见范围滚动阻力系数 Cr0.012干燥沥青路面空气密度 rho1.225 kg/m³标准大气条件燃料电池峰值功率80 kW净输出功率上限燃料电池最小功率10 kW避免低功率低效区间动力电池容量8 kWh可用能量约6 kWh电池功率上限60 kW充放电对称限制电池SOC范围0.3 ~ 0.9保护寿命电机峰值功率120 kW峰值短时能力传动效率0.92固定值近似这里的参数有一处容易忽略燃料电池最小功率为什么设10 kW而不是0因为电堆在接近零功率时平衡功耗空压机、冷却泵等相对占比很高实际效率很低而且频繁启停对寿命不利。在能量管理策略里设置最小功率限制既是物理约束也是策略选择。5.2 信号配时与多工况生成信号配时的基准是绿灯30秒、黄灯3秒、红灯27秒周期60秒。为了验证算法鲁棒性还需要生成多组工况。我的做法是按车辆收到信息时的初始相位来分类初始为红灯且剩余20秒需要判断是提前减速等绿灯还是保持较高速度在绿灯亮后通过。初始为红灯且剩余5秒大概率减速滑行到路口时刚好绿灯亮。初始为绿灯且剩余25秒大概率匀速或轻微加速直接通过。初始为绿灯且剩余3秒这是最纠结的工况加速抢绿尾还是减速等下一个绿灯算法要做出权衡。每个初始相位下再微调一个随机扰动比如把剩余时间加1到2秒形成一组测试集。只有在四类工况下都表现稳定策略才算合格。我见过不少代码在一组配时下表现完美换个初始相位直接发散原因就是上层约束写得不够通用把绿灯窗口的边界条件写死在了某一种情况里。5.3 求解器配置与数值细节上层和下层我都是用CVX建模求解器方面CVX自带SDPT3、SeDuMi和ECOS。对于这类中规模凸优化问题ECOS通常最快SDPT3最稳。我的建议是先用SDPT3把逻辑跑通再切到ECOS做批量仿真速度能差出好几倍。CVX安装后第一件事是跑cvx_setup确保路径挂在Matlab搜索路径里。如果你手头有学术许可还可以接Gurobi或MOSEK求解大规模问题时优势更明显。不过这个课题的问题规模有限内置求解器完全够用。数值上还有一个重要细节动力学离散方程里如果dt很小位置、速度、加速度的数值量级差异很大CVX求解时容易出现数值病态。我的做法是把位置单位统一成米、速度统一成米每秒加速度统一成米每二次方秒目标函数里再对各分量做归一化这样求解器跑起来更稳。6. 常见问题与排查实录6.1 CVX报错Disciplined convex programming error这是我遇到最多的报错基本上所有CVX初学者都会碰上。有一次我在上层约束里想表达“车辆位置要么在停车线前要么在停车线后”顺手写了类似min(s, s_stopline)的判断CVX立刻拒绝求解。原因是CVX要求每个约束和代价函数都必须通过凸规划规则检查逻辑判断、变量相乘、非凸函数都不被允许。解决办法是把这类约束改写成线性约束组。以信号灯禁止区间为例可以用两个线性不等式描述在红灯窗口内车辆位置小于等于停车线前一个安全距离或者车辆速度在某个时间段保持非零通过窗口。不是每个场景都能直接松弛但多数情况下线性近似够用。如果不想用凸松弛那就得跳出凸优化框架换混合整数规划但那样就要接受求解时间的大幅增长。6.2 双层迭代不收敛先查SOC惩罚症状是上层轨迹已经不怎么变了但下层总氢耗每轮都在涨或者来回震荡。我排查时发现的共同原因几乎都是SOC惩罚权重太小。下层优化器很聪明如果SOC没有足够的惩罚它会倾向把电池电量当成免费的“燃料”一路放电来降低实时氢耗。结果就是单步氢耗很漂亮但整个工况跑完SOC掉到0.3以下方案根本不可行。解决方法是把SOC偏离0.6参考值的二次惩罚权重调大。另一个辅助手段是给SOC末端值加一个硬性的可行域比如SOC(N)必须落在0.55到0.65之间这样既能保证能源可持续性又不会让下层优化器跑偏。6.3 速度轨迹在信号边界来回抖有段时间我跑出来的速度曲线像锯齿一样在“加速通过”和“减速等待”两种策略之间反复横跳。检查后发现是两件事一是时间步长太粗0.5秒的离散分辨率不足以精确捕捉绿灯窗口的边缘二是上层目标函数里缺少对加速度变化率的惩罚。解决办法是双管齐下把dt从0.5秒改回0.1秒同时在上层代价函数里加入加加速度项的二次惩罚。加了之后轨迹明显顺滑决策也变得干净利落。这个细节提醒我做双层优化时不只要关注物理模型还要关注代价函数里各项的正则化正则化才是决定轨迹是不是“人开得出来”的关键。6.4 常见问题速查表现象常见原因处理办法CVX报DPC错误约束写法不满足凸规则改写为线性约束或二次凸约束SOC掉到下限下层SOC惩罚权重过小增大SOC偏差惩罚加终端SOC约束轨迹来回震荡时间步长太粗或缺少Jerk惩罚加密时间网格增加加速度变化率代价收敛慢两层代价量纲不同同时监控轨迹变化和总氢耗变化分开设置阈值求解时间过长离散点过多且用SDPT3切换ECOS先小规模调试再加密绿灯窗口判断错误信号相位初始状态没覆盖全至少测试红灯初、红灯末、绿灯初、绿灯末四类工况6.5 批量仿真的时间管理单工况仿真跑起来其实很快上层CVX加下层逐点求解一次迭代不到一秒。但如果你要跑几十组工况还要做参数敏感性分析总时间就会很可观。我的做法是先跑一个工况验证逻辑然后把不同初始相位和不同参数组合写成循环用parallel toolbox并行跑。并行时注意随机数种子要固定否则每次仿真结果之间细微的数值差异会影响对比结论。另外批量仿真结果一定要保存到结构化数据里避免每次重新跑一遍。我第一次做对比实验时没存中间结果改了一个权重系数后全部推翻重跑白白浪费了大半天。7. 效果观察与后续扩展7.1 和无信号优先策略的直观对比做完策略之后我拿它跟“看到红灯就直接减速停车、绿灯亮了再起步”的基准策略做了对比。在绝大多数工况下双凸优化策略都能减少停车次数让车辆以更平稳的速度通过交叉口。最明显的是“红灯即将结束”那组工况基准策略早早停下来等绿灯而优化策略会以较低速度滑行到路口时绿灯刚亮几乎不停车通过整个过程氢耗和行驶时间都有明显改善。从数值上看我复现的配置下节氢收益在10%左右这个量级具体取决于信号配时和初始相位。这个量级也和文献里的趋势一致。值得强调的是这个收益主要来自两个贡献一是减少了怠速和再启动的氢耗二是让燃料电池在更高效率区工作电池的充放电循环也变得更温和。和动态规划DP方法对比的话双凸优化的氢耗结果会略差于网格很密的DP但求解时间短一两个数量级。DP在FCHEV上需要对燃料电池功率和电池SOC做二维离散网格稍微密一点计算量就爆炸。双凸优化在这个问题上的价值不是“绝对最优”而是在“接近最优”和“算得快”之间找到了一个很好的平衡点。7.2 这套代码还能往哪些方向扩展如果你打算在复现基础上做进一步研究这里有几个值得扩展的方向。多交叉口连续信号窗是最自然的扩展。单交叉口只考虑一个信号约束多交叉口则需要把多个信号的禁止区间同时纳入上层约束问题规模会成倍增长但双层结构不需要大改。动态配时场景也有意思如果信号灯配时不是固定的而是随交通流实时调整那上层还需要增加对配时不确定性的鲁棒处理。从车辆模型角度可以把固定传动效率换成电机效率map的分段线性近似也可以加入燃料电池老化模型分析不同功率分配策略对电堆寿命的影响。我试过把模型从Matlab移植到Python的cvxpy过程比较顺畅因为CVX和cvxpy语法高度相似这也说明这套方法并不绑定特定工具链。做完这些扩展你会发现双层凸优化的真正优势它不是一个死的代码而是一个可以不断往里加约束和模型细节的框架。最后说一个我自己的体会。第一次把双层循环跑通的时候我看上层轨迹很漂亮以为收工了。结果换了一组信号配时之后下层氢耗一下飙上去查了半天才发现是SOC惩罚权重太小电池被一路放干。后来我把SOC末端偏差加成了硬约束问题才算彻底解决。这种坑在论文里往往只是一行约束但实际搭代码时它才是决定整套结果可不可靠的关键。做这类仿真复现多准备几组极端工况去压测别只看一组漂亮曲线。希望这份复盘能帮你少踩几个坑。