CN114103924A

CN114103924A - 一种混合动力车辆能量管理控制方法及装置

Info

Publication number: CN114103924A
Application number: CN202010864943.4A
Authority: CN
Inventors: 王印束; 陈慧勇; 曾小华; 王富生; 王越; 蒋银飞
Original assignee: Zhengzhou Yutong Bus Co Ltd
Current assignee: Zhengzhou Yutong Bus Co Ltd
Priority date: 2020-08-25
Filing date: 2020-08-25
Publication date: 2022-03-01

Abstract

本发明属于混合动力车辆技术领域，具体涉及一种混合动力车辆能量管理控制方法及装置。该方法首先预测未来工况，然后建立车辆的能耗模型，用于表示发动机控制功率、电机控制功率与总油耗关系，且总油耗等于发动机真实油耗与电池等效油耗之和；接着根据预测时间段内的速度，确定车辆速度的变化情况，时时调整所述等效因子，并以总油耗值最小为目标求解所述能耗模型，得到最优的发动机控制功率和最优的电机控制功率；参照该最优的发动机控制功率和最优的电机控制功率执行车辆控制。本发明实现能耗模型依据车辆速度的变化情况而时时变化与调整，以使车辆在预测时间段内行驶时时获得良好的燃油经济性，应对复杂多变的未来工况，时时保证能耗较低。

Description

一种混合动力车辆能量管理控制方法及装置

技术领域

本发明属于混合动力车辆技术领域，具体涉及一种混合动力车辆能量管理控制方法及装置。

背景技术

随着全球污染的日益加剧，以及石油资源的日渐枯竭，开发新能源车辆、降低污染物排放、减少石油的消耗已迫在眉睫。随着车辆动力系统技术的快速发展，电动化在汽车动力中比例越来越高，混合动力技术已经成为降低油耗的有效技术之一。混合动力车辆是指车辆驱动系由两个或多个能同时运转的单个驱动系联合组成的车辆，目前常提到的混合动力车辆的动力源大多由内燃机与动力电池组成。混合动力车辆的动力系统由于能量输入的多源性、工作模式的多样性、以及多种形式能量流的强耦合性等特点，其综合控制和能量管理一直是本领域中较为复杂的技术难点，如何在不降低车辆性能的同时达到节能减排的目的已经成为混合动力车辆的研究重点。

目前混合动力车辆的能量管理大多是基于规则的能量管理方法，主要是根据发动机、电机等车辆主要部件的控制曲线MAP图，以及工程实践经验制定的。该种方法难以应对复杂多变的实际驾驶工况，且难以保证油耗最低。

为了解决该问题，申请公布号为CN110281904A的中国发明专利公开了一种混合动力车辆的能量管理方法，该方法通过车辆行驶工况的识别，采用了与车辆行驶工况对应的能量管理策略，以实时控制车辆发动机和电机输出扭矩，且该方法在进行车辆行驶工况识别时所采用的方法为：根据车辆的行驶信息获得车辆的特征参数，并计算出各个典型工况的特征参数，若车辆的当前特征参数与某一种典型工况的特征参数吻合度特别高，则判断车辆的行驶工况属于该典型工况。若典型工况数设置的特别多，那么将需要比较多次，计算的时间较长，无法满足车辆的动力性，影响车辆的正常行驶，若典型工况数设置的较少，很有可能车辆的当前行驶工况不属于任一种典型工况，即使选择一种较为接近的典型工况，那么对应得到的能量管理策略也不适合车辆的当前行驶工况，也可能无法满足车辆的动力性需求，甚至能耗过高。而且，相应的能量管理策略也是与典型工况一一对应的。采用这种方法得到的能耗只能实现一段时间内的低油耗控制，无法确保每个时间点均是最低的，只是达到了基本满足低油耗的要求，无法保证低油耗的实时性要求。

发明内容

本发明提供了一种混合动力车辆能量管理控制方法及装置，用以解决现有技术的无法保证低油耗的实时性要求的问题。

为解决上述技术问题，本发明的技术方案包括：

本发明提供了一种混合动力车辆能量管理控制方法，包括如下步骤：

预测未来工况，所述未来工况包括预测时间段内的速度；

建立车辆的能耗模型，用于表示发动机控制功率、电机控制功率与总油耗关系，且总油耗等于发动机真实油耗与电池等效油耗之和；其中，所述电池等效油耗为等效因子与电池真实电耗的乘积；

根据预测时间段内的速度，确定车辆速度的变化情况，时时调整所述等效因子，并以总油耗值最小为目标求解所述能耗模型，得到最优的发动机控制功率和最优的电机控制功率；其中，所述速度的变化情况为车辆在频繁加减速或者车辆速度变化缓慢，当车辆在频繁加减速时，调整所述等效因子的方法为增大等效因子，当车辆速度变化缓慢时，调整所述等效因子的方法为减小等效因子；

参照所述最优的发动机控制功率和最优的电机控制功率执行车辆控制。

上述技术方案的有益效果为：该方法建立基于等效燃油消耗最小控制的能耗模型，该模型将电池真实电耗通过等效因子转换为油耗得到等效油耗，并将等效油耗与发动机真实油耗相加得到混合动力车辆整体的能耗，进而在预测得到未来工况后，依据未来工况中预测时间段内的速度对等效因子进行调整，实现能耗模型依据车辆速度的变化情况而时时变化与调整，以使车辆在预测时间段内行驶时时获得良好的燃油经济性，应对复杂多变的未来工况，时时保证能耗较低。

作为方法的进一步改进，为了准确预测得到未来工况，所述预测未来工况的手段为：获取车辆当前时间段内的行驶数据，从所述行驶数据中提取车辆当前时间段内的行驶特征；将当前时间段内的行驶特征输入至训练好的工况自学习预测模型中，得到未来工况；所述训练好的工况自学习预测模型是利用历史行驶数据作为样本训练得到。

作为方法的进一步改进，为了简单准确判断车辆速度的变化情况，根据预测时间段内速度的标准差与预测时间段内速度的均值的比值，来确定所述车辆速度的变化情况：若所述比值大于比值设定值，则表明车辆在频繁加减速；若所述比值小于等于比值设定值，则表明车辆速度变化缓慢。

作为方法的进一步改进，为了获得良好的燃油经济性并维持电池SOC平衡，调整后的等效因子为：

s(k+1)＝s(k)+ξ[(k+1)T](SOC(t₀)-SOC(t))t＝kT,k＝1,2,3...

式中，s(k+1)为调整后的等效因子，s(k)为调整前的等效因子，SOC(t₀)为根据全局最优算法结果统计得到的最优SOC控制目标，SOC(t)为实际SOC，K_SOC为……，v_{std_F,i}和v_{ave_F,i}分别为预测时间段内速度的标准差与预测时间段内速度的均值，分别为：

式中，v_j为j时刻的预测速度，N为预测时间段i内速度采样点数，

为预测时间段i内行驶距离与时间的比值。

作为方法的进一步改进，所述工况自学习预测模型为基于Deep Q-learning算法建立的模型。

作为方法的进一步改进，为了准确确定等效因子，等效因子的计算方法为：构建等效因子的代价函数，以代价函数最小目标得到所述等效因子的初值，所述代价函数为：

式中，L_k为等效因子的代价函数，P_e(t)为发动机的控制功率，P_mg(t)是电机的控制功率，

为等效的燃油消耗量。

作为方法的进一步改进，为了全面考虑车辆数据以及驾驶员行为以使工况自学习预测模型更加准确，所述行驶特征包括瞬时速度、平均速度、最大速度、车速变化频率、路面坡度、最大加速、加速度均值中的至少两种，还包括加速踏板开度和制动踏板开度。

作为方法的进一步改进，所述行驶数据包括发动机转速和转矩、电机转速和转矩、行驶的位置、车速、以及天气信息，所述天气信息为雨天、晴天、雾天或者雪天。

本发明还提供了一种混合动力车辆能量管理控制装置，包括存储器和处理器，处理器用于执行存储在存储器中的逻辑指令以实现上述介绍的混合动力车辆能量管理控制方法，并达到与方法相同的效果。

附图说明

图1是本发明的方法实施例中混合动力城市公交客车动力系统的结构图；

图2是本发明的方法实施例中混合动力车辆能量管理控制方法的整体流程框图；

图3是本发明的方法实施例中调整等效因子的方法流程图；

图4是本发明的装置实施例的混合动力车辆能量管理控制装置的结构框图；

其中，1-发动机，2-扭转减速器，3-PG1行星架，4-PG1齿圈，5-逆变器，6-第一电机MG1，7-第二电机MG2，8-动力电池，9-PG2齿圈，10-PG2行星架，11-PG2太阳轮，12-输出轴，13-PG1太阳轮。

具体实施方式

方法实施例：

该实施例提供了一种混合动力车辆能量管理控制方法，将其应用于混合动力城市公交车客车上，以实现对混合动力城市公交客车的能量分配。该混合动力城市公交客车的结构如图1所示，1为发动机，2为扭转减速器，3为PG1行星架，4为PG1齿圈，5为逆变器，6为第一电机MG1，7为第二电机MG2，8为动力电池，9为PG2齿圈，10为PG2行星架，11为PG2太阳轮，12为输出轴，13为PG1太阳轮。

下面结合图2，对该方法进行详细说明。

步骤一，构建工况自学习预测模型，利用样本对其进行训练得到训练好的工况自学习预测模型。具体过程为：

1、从城市公交客车车联网平台获取大量历史行驶数据，这些历史行驶数据包括发动机转速ω_e和转矩T_e、第一电机MG1转速ω_m和转矩T_m、第二电机MG2转速ω_c和转矩T_c、车速v_GPS、车辆位置x_GPS和y_GPS、高度信息h_GPS、以及天气信息(晴天、雨天、雾天或者雪天)。这些数据需先经过初步的处理，包括数据滤波处理和基于聚类算法的分类处理，处理后存储在行驶数据数据库中，方便后续从行驶数据库中提取需要的数据。

其中，车速需要进行修复和滤波处理。而且，结合车辆的高度信息、车辆加速度传感器采集的数据、陀螺仪采集的数据，基于卡尔曼滤波的数据融合坡度估计算法，便可对车辆的行驶坡度进行估计，具体过程为：

1)依据陀螺仪测量得到的绕车辆运动坐标系Y轴的角速度信号，根式(1)对当前计算步长内的道路坡度预测：

式中，θ_k为基于陀螺仪的角速度计算得到第k个步长的坡度倾角预测值，θ_k-1是上一步长滤波器输出的道路坡度最优估计值，ω_y,k为第k个步长的陀螺仪角速度，ω_y,bias,k为第k个步长的陀螺仪零飘估计值，ω_y,bias,k-1为上一补偿的陀螺仪零飘估计值，dt为计算步长。

2)以加速度传感器的输出信号作为测量值，得到传感器的测量反馈，如下式：

式中，a_x,k为第k个步长加速度传感器沿车辆运动坐标系X轴测得的加速度信号，V_k为传感器的测量噪声，表示传感器测量的不确定性，z_k为道路坡度测量值。

将式(1)与式(2)组成道路坡度估计系统的状态空间，如式(3)所示：

式中，

u_k＝ω_y,k,

H_k＝[1 0]，x_k为k时刻系统状态，u_k为控制量，F_k为状态转移矩阵，B_k为控制矩阵，H_k为测量矩阵，W_k为外界干扰噪声，且W_k和V_k都是均值为0的白噪声，相互独立并服从高斯分布。

根据式(3)所示的系统状态空间方程，利用卡尔曼滤波方法进行坡度估计，包括时间更新(预测)和测量更新(校正)，首先，进行时间更新，得到先验估计和先验误差协方差，如式(4)所示：

式中，

为状态量先验估计值，即预测值，

为第k-1步长的最优估计值，P_k-1|k-1为第k-1步长状态变量的协方差矩阵，P_k|k-1即为先验误差协方差，Q_k为外界干扰噪声W_k的协方差矩阵。

3)根据卡尔曼滤波原理进行测量更新，如式(5)所示，得到道路坡度的最优估计结果，并实现状态估计的递推：

式中，

为状态变量在第k个步长的后验估计值，即卡尔曼滤波融合得到的道路坡度最优估计值，P_k|k表示后验误差协方差矩阵，K_k表示第k个步长的卡尔曼滤波增益，表示为：

式中，R_k为传感器测量噪声V_k的协方差矩阵。

2、从行驶数据数据库中提取需要的数据，并进行计算处理，以提取得到历史行驶特征，包括能够体现出动力源数据和行驶工况数据的车辆瞬时速度v_t、平均车速v_ave、最大速度v_max、车速变化频率f、路面坡度i、最大加速度a_max、以及加速度均值a_m，还包括体现驾驶员行为的加速踏板开度和制动踏板开度。

3、建立工况自学习预测模型，该模型为基于Deep Q-learning算法建立的模型，模型的输入为行驶特征，模型的输出为未来工况，未来工况是指预测时间段内速度与时间的对应关系。建立好该模型后，需利用上个步骤中得到的大量的历史行驶特征和历史工况作为样本对工况自学习预测模型进行训练，训练完毕后得到训练好的工况自学习预测模型。

需说明的是，这里的历史行驶特征和历史工况并不是同时间段内的，而是历史工况比历史行驶特征的时间要晚。例如，历史行驶特征是2月3日8时至9时的历史行驶特征，而与之对应的历史工况是2月3日9时至10时的历史工况。从而在已知当前时间段内的行驶数据便可通过该训练好的工况自学习预测模型便可实现根据行驶特征对未来工况进行预测。下面对该模型的具体建立过程说明如下：

1)将行驶特征作为深度强化学习的当前环境特征s，包括车辆瞬时速度v_t、平均车速v_ave、最大速度v_max、车速变化频率f、路面坡度i、最大加速度a_max、以及加速度均值a_m，深度强化学习的动作a定义为：

式中，ε∈[0,1]为搜索率，可以在算法中适当调整，当ε较大时Deep Q-learning算法将加大随机搜索的比例，避免陷入局部最优，当ε较小时倾向于强化已有Q表格内的价值选择，从而加快收敛速度。

2)将预测车速的均方根误差作为深度强化学习的奖励分数函数R，即：

式中，v_t为t时刻的真实车速，

为t时刻对应的预测速度，i_t为t时刻的真实坡度，

为t时刻对应的预测坡度。

3)则累计奖励函数Q为：

应用马尔可夫决策过程，则状态转移方程为：

式中，

为t时刻当前状态，ρ为一个常系数，用来调整两项之间的关系，

为初始状态，

为t-1时刻采取的动作，

为t-1时刻的状态，

为样本的序号，t为时间刻度。

步骤二，从城市公交客车车联网平台以及车辆自身的数据采集系统，获取车辆当前时间段内的行驶数据，提取车辆当前时间段内的行驶特征，并输入至训练好的工况自学习预测模型中，便得到未来工况，即预测时间段内的速度。

步骤三，建立车辆的能耗模型，用于表示发动机控制功率、电机控制功率与总油耗关系，如式(11)所示，该总油耗为发动机真实油耗与电池等效油耗之和，该电池等效油耗为等效因子和动力电池真实电耗的乘积，用于将动力电池真实电耗转换为油耗。

式中，H(x,u,s)为总油耗；

为发动机真实油耗；

为电池等效油耗；s(t)为将电池真实电耗转化为油耗的等效因子；f(x,u)为SOC修正函数，由于单纯的ECMS并不能很好地维持电池SOC的平衡，引入电池惩罚系数；Q为柴油的低热值；P_batt为动力电池需求功率，具体如式(12)所示：

式中，P_MG1为第一电机MG1的控制功率，P_MG2为第二电机MG2的控制功率，η_MG1为第一电机MG1的效率，η_inv为逆变器的效率，，η_MG2为第二电机MG2的效率，k_i的表达式如下所示：

步骤四，在建立得到能耗模型后，可对等效因子s(t)进行离线寻优计算，得到的等效因子即为等效因子的初值。具体过程为：

1)构建全局寻优等效因子s(t)的代价函数：

式中，L_k为等效因子的代价函数，

为等效的燃油消耗量，P_e(t)为发动机的控制功率，P_mg1(t)是第一电机的控制功率，P_mg2(t)是第二电机的控制功率，约束条件为：

式中，t为循环工况运行的时间，P_emin(t)、P_emax(t)分别为P_e(t)取值的最小值和最大值，P_mg1min(t)、P_mg1max(t)分别为P_mg1(t)取值的最小值和最大值，P_mg2min(t)、P_mg2max(t)分别为P_mg2(t)取值的最小值和最大值。

2)在一段循环工况下，通过控制动机的控制功率P_e(t)、第一电机的控制功率P_mg1(t)和第二电机的控制功率P_mg2(t)，使代价函数L_k最小，得到最优的修正系数，从而获得最优的等效因子，将该值作为等效因子的初值。

步骤五，考虑工况对等效因子的影响，对等效因子进行调整，以获得良好的燃油经济性并维持电池SOC平衡。具体的调整策略如图3所示，根据预测时间段内速度的标准差与预测时间段内速度的均值的比值来判断车辆在频繁加减速还是车辆速度变化缓慢：当比值大于比值设定值k时，说明车辆需求功率大，此时需要增大等效因子；当比值小于等于比值设定值k时，说明车辆需求功率小，此时需要增减小等效因子。具体的，在考虑工况对等效因子的影响后，结合SOC反馈误差，对等效因子进行调整，以获得良好的燃油经济性并维持电池SOC平衡。其中，SOC采用优化轨迹跟随策略，具体包括根据全局最优算法结果统计不同车速-需求功率区间对应的最优SOC控制目标，并利用线性二次型调节器实现最优SOC目标的跟随控制。其调整公式如式(16)、(17)所示：

s(k+1)＝s(k)+ξ[(k+1)T](SOC(t₀)-SOC(t))t＝kT,k＝1,2,3... (16)

式中，s(k+1)为调整后的等效因子，s(k)为调整前的等效因子，SOC(t₀)为根据全局最优算法结果统计得到的最优SOC控制目标，SOC(t)为实际SOC，K_SOC为为通过仿真调试获得的标定常数，v_{std_F,i}和v_{ave_F,i}分别为预测时间段内速度的标准差与预测时间段内速度的均值，分别如式(18)、(19)所示：

为预测时间段i内行驶距离与时间的比值。

步骤六，在等效因子调整过后，以能耗模型对应的油耗值最小为目标求解能耗模型，得到发动机控制功率、两个电机的控制功率便是最优的发动机控制功率和最优的电机控制功率，便可得到发动机的最优分配扭矩T_{e_opt}以及两个电机的最优分配扭矩T_{m_opt}，参照该最优值控制发动机和电机运行即可。

至此，便可完成对混合动力车辆的能量管理控制。该方法在依据未来工况中预测时间段内的速度对等效因子进行调整，实现能耗模型依据车辆速度的变化情况而时时变化与调整，以使车辆在预测时间段内行驶时时获得良好的燃油经济性。

而且，该方法通过建立行驶数据数据库为未来工况的预测提供更为准确的样本，这些样本能够体现出车辆行驶交通环境、天气、驾驶员驾驶风格、车辆自身状态、道路坡度等的作用与影响，提高了预测结果的全面性、有效性和准确性，基于Deep Q-learning算法建立的工况自学习预测模型，样本越丰富，模型预测结果越准确，在该模型训练好以后，便可在提取得到车辆当前时间段内的行驶特征后，快速且准确地得到未来工况，从而为混合动力车辆的能量管理控制打下基础。该方法对于固定线路运行的混合动力车辆有更佳的效果，例如采用混合动力系统的公交车辆、固定线路物流车、清扫作业车辆等。

在该实施例中，为了获得未来工况，其采用的工况自学习预测模型为基于Deep Q-learning算法建立的模型，作为其他实施方式，可采用现有技术中的基于其他算法建立的模型，例如基于神经网络算法、基于深度学习算法等一些机器学习算法建立的模型。而且，还可不采用这种建立模型预测的方式来预测未来工况，还可利用现有技术中的其他方式来获取未来工况，例如采用如申请公布号为CN110281904A中公开的方法，该方法设置有多种典型工况，每种典型工况对应有其特征参数，若车辆的当前特征参数与某一种典型工况的特征参数吻合度特别高，则判断车辆的行驶工况属于该典型工况。

在该实施例中，等效油耗为等效因子与真实电耗的乘积，在调整等效因子时，若车辆在频繁加减速，增大等效因子，若车辆速度变化缓慢，则减小等效因子。作为其他实施方式，当等效油耗是真实电耗除以等效因子时，此时在调整等效因子时，若车辆在频繁加减速，则需要减小等效因子，若车辆速度变化缓慢，则需要增大等效因子。

在该实施例中，工况自学习预测模型的输入为车辆瞬时速度v_t、平均车速v_ave、最大速度v_max、车速变化频率f、路面坡度i、最大加速度a_max、加速度均值a_m、以及加速踏板开度和制动踏板开度。作为其他实施方式，输入的参数种类可适当增加或减少，减少可增加模型计算速度，增加因其因素考虑的更全面，可增加模型输出结果的准确性。

在该实施例中，采用离线寻优的方式，即通过构建等效因子的代价函数，并以代价函数最小为目标得到该等效因子的初值，以得到较为准确的等效因子。作为其他实施方式，可根据经验直接设置一个值作为等效因子的初值。

在该实施例中，根据预测时间段内的速度，计算出预测时间段内速度的标准差与预测时间段内速度的均值的比值，根据该比值来确定车辆是在频繁加减速还是处于速度变化缓慢的情况。作为其他实施方式，可根据预测时间段内的速度，采用其他的方式来确定车辆速度的变化情况。例如，可做出预测时间段内速度随时间变化的曲线图，根据速度变化趋势、变化幅度等来确定。

装置实施例：

该实施例提供了一种混合动力车辆能量管理控制装置，如图4所示，该装置包括存储器和处理器，以及总线和I/O接口，处理器、I/O接口、存储器之间通过总线完成相互间的通信。处理器可以为微处理器MCU、可编程逻辑器件FPGA等，存储器可为高速随机存储器，还可为非易失性存储器，如一个或者多个磁性存储装置、闪存等。处理器可以调用存储器中的逻辑指令，以实现如下方法：

预测未来工况，所述未来工况包括预测时间段内的速度；建立车辆的能耗模型，用于表示发动机控制功率、电机控制功率与总油耗关系，且总油耗等于发动机真实油耗与电池等效油耗之和；其中，所述电池等效油耗为等效因子与电池真实电耗的乘积；根据预测时间段内的速度，确定车辆速度的变化情况，时时调整所述等效因子，并以总油耗值最小为目标求解所述能耗模型，得到最优的发动机控制功率和最优的电机控制功率；其中，所述速度的变化情况为车辆在频繁加减速或者车辆速度变化缓慢，当车辆在频繁加减速时，调整所述等效因子的方法为增大等效因子，当车辆速度变化缓慢时，调整所述等效因子的方法为减小等效因子；参照所述最优的发动机控制功率和最优的电机控制功率执行车辆控制。

而且，上述存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用，也可以存储在一个计算机可读取存储介质中。

Claims

1.一种混合动力车辆能量管理控制方法，其特征在于，包括如下步骤：

预测未来工况，所述未来工况包括预测时间段内的速度；

2.根据权利要求1所述的混合动力车辆能量管理控制方法，其特征在于，所述预测未来工况的手段为：获取车辆当前时间段内的行驶数据，从所述行驶数据中提取车辆当前时间段内的行驶特征；将当前时间段内的行驶特征输入至训练好的工况自学习预测模型中，得到未来工况；所述训练好的工况自学习预测模型是利用历史行驶数据作为样本训练得到。

3.根据权利要求1所述的混合动力车辆能量管理控制方法，其特征在于，根据预测时间段内速度的标准差与预测时间段内速度的均值的比值，来确定所述车辆速度的变化情况：若所述比值大于比值设定值，则表明车辆在频繁加减速；若所述比值小于等于比值设定值，则表明车辆速度变化缓慢。

4.根据权利要求3所述的混合动力车辆能量管理控制方法，其特征在于，调整后的等效因子为：

s(k+1)＝s(k)+ξ[(k+1)T](SOC(t₀)-SOC(t)) t＝kT,k＝1,2,3...

为预测时间段i内行驶距离与时间的比值。

5.根据权利要求2所述的混合动力车辆能量管理控制方法，其特征在于，所述工况自学习预测模型为基于Deep Q-learning算法建立的模型。

6.根据权利要求1所述的混合动力车辆能量管理控制方法，其特征在于，等效因子的计算方法为：构建等效因子的代价函数，以代价函数最小目标得到所述等效因子，所述代价函数为：

为等效的燃油消耗量。

7.根据权利要求2所述的混合动力车辆能量管理控制方法，其特征在于，所述行驶特征包括瞬时速度、平均速度、最大速度、车速变化频率、路面坡度、最大加速、加速度均值中的至少两种，还包括加速踏板开度和制动踏板开度。

8.根据权利要求7所述的混合动力车辆能量管理控制方法，其特征在于，所述行驶数据包括发动机转速和转矩、电机转速和转矩、行驶的位置、车速、以及天气信息，所述天气信息为雨天、晴天、雾天或者雪天。

9.一种混合动力车辆能量管理控制装置，其特征在于，包括存储器和处理器，处理器用于执行存储在存储器中的逻辑指令以实现上述权利要求1～8任一项所述的混合动力车辆能量管理控制方法。