1.一种复合电源EPS的电源参数优化方法，其特征在于，包括如下步骤：步骤1，选择若干辆重型商用车为试验对象，采集某个运营周期内各重型商用车整车电器的用电负荷ie、转向盘的转角θh以及汽车车速v；

步骤2，仿真计算重型商用车的转向阻力距，分析其随车速、转向盘转角的变化规律，拟合出转向阻力矩关于车速、转向盘转角的解析式，确定极低速转向的临界车速v0；

步骤3，根据转向盘转角、汽车车速数据结合极低速转向的临界车速v0统计出两次极低速转向的最小间隔时间tjmin和单次极低速转向的最长时间tsmax；

步骤4，以超级电容的放电电流isc放和充电电流isc充为优化变量，以超级电容的电容值Csc最小与整车电源的额定输出电流ig额最小为优化目标，建立多目标优化函数，并设定优化约束条件；

步骤5，采用多目标粒子群优化算法求解Pareto最优解，得到最优的整车电源的额定输出电流和超级电容的电容值。

2.根据权利要求1所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述大客车整车电器的用电负荷ie通过在原车整车电源的输出端安装电流传感器测量，转向盘的转角θh通过安装在转向盘下方的转角传感器测量，汽车车速v通过车速传感器测量。

3.根据权利要求1所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述极低速转向的临界车速v0通过以下步骤获得：

1)，以某款小型汽车为研究对象，建立汽车轮胎/地面之间摩擦力的有限元模型，仿真分析摩擦力随轮胎滚动速度、轮胎偏转角度、垂直载荷、路面摩擦系数的变化关系，拟合得到摩擦力的关系式；

2)，计算汽车主销内倾引起的转向阻力距，将主销内倾引起的转向阻力矩与轮胎/地面之间摩擦力引起的转向阻力距综合得到小型汽车低速转向阻力距模型，同时通过实车试验进行验证与修正；

3)，基于试验校验过的小型汽车低速转向阻力距的模型，搭建重型商用车相应的模型，仿真分析重型商用车低速转向阻力矩随车速、转向盘转角的变化规律，采用最小二乘法拟合得到重型商用车低速转向阻力矩关于车速、转向盘转角的解析式；

4)，由重型商用车的转向阻力距换算出EPS助力电机所需的电流，作出电流随车速、转向盘转角的变化曲线，将电流随车速的变化曲线与由整车电源额定输出电流构成的直线的交点作为极低速转向的临界车速v0。

4.根据权利要求3所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述摩擦力的关系式为Ff＝0.7121Fz·e-0.048v，其中Fz为前轴载荷，v为车速。

5.根据权利要求4所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述主销内倾引起的转向阻力距的计算公式为 其中δ为前轮转角，c为主销偏距，β为主销内倾角。

6.根据权利要求5所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述小型汽车的低速转向阻力距模型为： 其中L为轮胎接地印记圆的直径；重型商用车低速转向阻力矩关于车速、转向盘转角的解析式为：式中θh为转向盘转角，Gs为转向系统的传动比。

7.根据权利要求1所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述多目标优化函数如下：f(x)＝[minf1(x),minf2(x)]，x＝(isc放，isc充)其中， f2(x)＝ig额＝iepsmax+iemax-isc放；式中ieps为车速大于临界车速v0时EPS助力电机所需的电流，可由转向阻力距换算得到，iepsmax为车速小于或等于临界车速v0时EPS助力电机所需的电流，可由极低速转向阻力距换算得到，u0为超级电容的最大端电压，umin为超级电容的最小端电压，iemax为整车电器的最大用电负荷，由采集的整车电器的用电负荷数据统计得到。

8.根据权利要求1所述的一种复合电源EPS的电源参数优化方法，其特征在于，所述多目标粒子群优化算法优化整车电源的额定输出电流和超级电容的电容值的过程如下：

1)初始化粒子群：给定群体规模N，随机产生每个粒子的位置xi、速度vi，设定迭代次数；

2)用目标函数f1(x)、f2(x)分别计算每个粒子适应度值Fitness1[i]、Fitness2[i]；

3)计算每个粒子关于两个目标函数的个体极值pBest1[i]、pBest2[i]；

4)分别计算两个目标函数的全局极值gBest1、gBest2；

5)计算两个全局极值的均值gBest和距离dgBest：gBest＝Average(gBest1，gBest2)dgBest＝Distance(gBest1，gBest2)

6)计算每个粒子个体极值pBest1[i]、pBest2[i]之间的距离dpBest[i]；

For i＝1 to N

dgBest[i]＝Distance(pBest1[i]，pBest2[i])Next i

7)计算每个粒子对位置和速度更新时所用的个体极值pBest[i]：

8)更新每个粒子的位置xi和速度vi：

vi＝ωvi+c1rand()(pBest[i]-xi)+c2rand()(gBest-xi)xi＝xi+vi

其中：ω为惯性权重，c1、c2为学习因子；

9)如达到迭代次数，退出，否则返回2)。