1.一种纯电动汽车的工况识别控制方法，其特征在于，所述纯电动汽车为蓄电池‑超级电容的复合电源纯电动汽车，所述方法包括以下步骤：获取所述纯电动汽车的标准化工况数据，并对所述标准化工况数据进行运动学片段划分，通过主成分分析法降维提取所述运动学片段的特征参数，其中，一个标准工况描述为由多个运动学片段组成，所述纯电动汽车从一个停止状态起点到下一个停止状态起点之间持续运动的工况数据为一个运动学片段；

基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况；

根据所述典型工况对模糊控制器隶属函数进行优化，以获取适用于所述典型工况的模糊控制器；

以150s为周期提取所述纯电动汽车的历史行驶数据，并根据所述历史行驶数据提取相关特征参数；

利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类；

根据所述历史行驶数据所属聚类调用相应模糊控制器参数，以实现所述工况识别；基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况，包括：

设定聚类类别总数p，2＜p＜m‑1,初始化随机产生p个初始聚类群体，m为运动学片段的个数；

根据以下公式(1)计算每个样本点与相应聚类中心的距离，以构建目标函数：式中，xk为所述样本点；mj为所述聚类中心；Gc为所述目标函数；

根据所述目标函数利用以下公式(2)计算适应度：f(Si)＝1/Gc  (2)；

式中，f(Si)为所述适应度，Gc为所述目标函数；

记录适应度值最大的个体，同时采用轮盘赌方式对群体进行选择操作，根据以下公式(3)计算各个体的选择概率：式中，Pi为个体i的选择概率，size为种群大小， 为所有个体适应度的总和，f(Si)为所述适应度；

根据所述选择概率，采用轮盘赌法选出最优个体，参加交叉变异操作；

计算新种群适应度值，将上一代中记录的所述最优个体与新群体中最差个体比较，若上一代记录的所述最优个体优于所述新群体中最差个体，则将上一代记录的所述最优个体替换所述新群体中最差个体，若上一代记录的所述最优个体不优于所述新群体中最差个体，则不替换，以得到下一代群体；

判断迭代次数是否到达设定数值，若到达所述设定迭代次数，则输出最优值，若未到达所述设定迭代次数，则继续进行迭代；

计算每个聚类中样本到其相应聚类中心的距离，根据各聚类中距离最近的样本所对应的运动学片段构建p个典型工况。

2.根据权利要求1所述的纯电动汽车的工况识别控制方法，其特征在于，利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类，包括：

将所述运动学片段作为训练对象，随机分配训练数据占样本数据比例70％，试验样本占15％，测试样本占15％，选定隐层神经元数为10，训练算法为贝叶斯正则化(Bayesian Regularization)，误差评价为均方误差。

3.根据权利要求1所述的纯电动汽车的工况识别控制方法，其特征在于，还包括：剔除运动学片段库中时长小于20秒的片段。

4.根据权利要求1‑3任一项所述的纯电动汽车的工况识别控制方法，其特征在于，还包括：

根据识别的工况获取所述纯电动汽车的能量控制参数。