1.一种基于工况识别的电动汽车能量管理方法，其特征在于，包括：

步骤1、对各类公开工况数据集进行工况块划分，提取工况块的特征参数，通过主成分分析减少特征冗余，并将特征相似度高的进行工况重组，构建典型工况数据集；

步骤2、构建能量管理的多目标优化问题，根据负载功率需求进行动态规划离线求解，得到离线最优参考值；具体步骤如下：在同时考虑混合储能系统电池寿命和功率损耗的情况下，构建多目标优化问题，优化目标为：(1)减少混合储能系统功率损耗；(2)通过减小电池电流和减少电流变化来延长电池寿命，目标函数分别设为f1和f2，如下所示：其中，Ploss(k)为第k时刻的混合储能系统功率损耗，Ib(k)为第k时刻的锂电池电流，Ib(k)‑Ib(k‑1)为第k时刻的锂电池电流变化，为了标准化，将功率损耗的最大值Ploss,max的值设置为8000W，锂电池变化最大值ΔIb,max为40A，对多目标优化问题的中的两个目标函数赋予权重系数，分别为0.5和0.5，其乘积之和作为新的目标函数；

为了建立功率损耗模型，锂电池和超级电容等效成了电压源与内阻的简化模型，其中，锂电池由电压源Vb,oc和内阻Rb构成，电压表示为Vb；超级电容由电压源Vuc,oc和内阻Ruc构成，电压表示为Vuc；电感器等效成了电感L与内阻RL；MOS管导通时等效为电阻Rsw；晶体二极管则等效为电压源VD与电阻RD的简化模型,表示正向偏置二极管在导通状态下的电压降；

超级电容的荷电状态SoC的计算公式为：

其中，Vuc(t)表示t时刻采集到的超级电容的电压，Vuc,norm是超级电容的标称电压；

双向DC/DC转换器有两种不同的工作模式，即升压和降压模式；在升压模式下，DC/DC的占空比表示为：2

θ1＝(Vb,oc+VD‑IdmdRb+IL(RD‑Rsw+2Rb)) ‑4ILRb(IL(RD+RL+Ruc+Rb)‑Vuc,oc+Vb,oc‑IdmdRb+VD)在降压模式下，DC/DC的占空比表示为：2

θ2＝(Vb,oc+VD‑IdmdRb+IL(Rsw‑RD)) ‑4ILRb(IL(RD+RL+Ruc)‑Vuc,oc‑VD)平均输出电容电压Vc为：

混合储能系统功率损耗Ploss包括了升压和降压两种模式下的DC/DC转换器的导通损耗Pdc,loss、开关损耗Psw,loss和电池超级电容中的功率损耗，DC/DC转换器的导通损耗Pdc,loss为DC/DC,转换器的开关损耗Psw,loss为：开关频率fs为50khz，tr和tf表示MOS管在开关期间的上升时间和下降时间，分别为13ns和12ns，Coss是MOS管输出电容，为1860pF，Qt是由于栅极电容通过栅极电压充电而产生的栅极电荷,为490n，Qrr是反向恢复充电电量，为2μC，栅极电压为30；同时考虑导通损耗和开关损耗，升压和降压两种模式下的DC/DC转换器效率为：混合储能系统中的总功率损耗是双向DC/DC转换器和电池超级电容中的功率损耗之和，从而可以得到总功率损耗Ploss：在此优化问题中，选取DC/DC转换器输出电流Iconv(k)作为控制变量，根据负载需求电流守恒方程得到锂电池电流Ib为：Ib(k)＝Idmd(k)‑Iconv(k)；

进一步地，Pdmd负载需求功率计算公式为：

其中，M为车辆质量，a为电动汽车的加速度，g为重力加速度，v为电动汽车的速度，Cr为电动汽车的滚动阻力系数，ρ为空气密度，Af为电动汽车的前区面积，Cd为电动汽车的气动阻力系数，η1和η2分别为电动汽车的电能转换效率和制动时的反馈效率；其中M、Cr、Af、Cd、η1和η2均为电动汽车固有参数，参数分别为车辆质量1460kg，滚动阻力系数0.016，气动阻力系2

数0.28，前区面积2.2m，电能转换效率0.92，动能反馈效率0.8；通过计算可以得到负载功率，由P＝UI得到需求电流Idmd，其中U为总线电压；

基于双向DC/DC转换器的状态空间平均模型，得到超级电容电流，即电容电流为：

针对给定工况数据和车辆动力学模型，计算得出负载需求功率，使用动态规划离线求解，得到离线最优解；

步骤3、将动态规划求解所需的关键变量和求解所得最优参考值作为输入和输出，构建三种工况类型下最优能量管理策略数据集；将步骤1构建的典型工况数据集用于神经网络训练，构建三种工况模式下的基于神经网络的能量管理模型；

步骤4、采集实时的行驶工况速度数据，通过滑动窗口提取工况段特征，并进行主成分分析；

步骤5、将特征参数输入模糊逻辑工况识别器，得到工况识别结果；

步骤6、根据工况识别结果，选择分类结果所对应的基于神经网络的能量管理模型；

步骤7、将超级电容和锂电池的电流电压以及速度信息特征输入到训练好的神经网络模型中，得到超级电容的参考电流，实现实时能量管理。

2.根据权利要求1所述的基于工况识别的电动汽车能量管理方法，其特征在于，所述的步骤1中，典型工况数据集是根据对各类公开工况数据集进行工况块划分，提取工况块的特征参数，并将特征相似度高的进行典型工况重组来构建的。

3.根据权利要求1所述的基于工况识别的电动汽车能量管理方法，其特征在于，所述的步骤3中，将速度、加速度、前一时刻的锂电池电流、负载需求和超级电容SoC状态特征作为输入，将动态规划求解所得的离线最优解作为输出，构建训练神经网络所需的能量管理策略数据集；针对已构建的城市、郊区、高速三种典型工况数据集，均使用动态规划进行求解，得到三种类型下的训练神经网络所需的能量管理策略数据集；训练后的神经网络根据不同工况类型的特点实现准最优策略。

4.根据权利要求1所述的基于工况识别的电动汽车能量管理方法，其特征在于，所述步骤3中的神经网络模型采用反向传播神经网络，由输入层、两层隐藏层和输出层组成；其中，城市所对应的神经网络模型1的输入层节点数为5，隐藏层节点数分别为40，22，输出层为1；

郊区所对应的神经网络模型2的输入层节点数为5，隐藏层节点数分别为34，24，输出层为1；

高速所对应的神经网络模型3的输入层节点数为5，隐藏层节点数分别为30，21，输出层为1；

训练时，三个神经网络的迭代次数均设置为200，求解使用Levenberg Marquardt算法，隐藏层采用tansig传递函数，输出层神经元的传递函数为purelin。

5.根据权利要求1所述的基于工况识别的电动汽车能量管理方法，其特征在于，所述步骤4中，采集实时的行驶工况速度数据，以长度为50秒的滑动窗口数据提取工况段特征，所提取的特征参数包括加速时间、减速时间、怠速时间、巡航时间、最大速度、平均速度、除去怠速的平均速度、速度标准差、平均加速度、平均减速度、加速度标准差、加速时间占比、减速时间占比，再进行主成分分析，减少特征冗余，选取累计贡献率达到80％以上的参数。

6.根据权利要求1所述的基于工况识别的电动汽车能量管理方法，其特征在于，所述步骤5中，模糊逻辑工况识别器由三部分组成:模糊化、模糊推理和去模糊化；将特征数据作为逻辑的输入值进行模糊化并转换为城市、郊区、高速三种类型的隶属度，经过模糊推理后将结果进行去模糊化得到工况识别结果。