CN114643904B - 一种能量管理方法、装置、汽车及存储介质 - Google Patents

Abstract

本申请提供一种能量管理方法、装置、汽车及存储介质，该方法包括：获取当前运动片段中汽车的工况特征参数；汽车包括至少两个动力源；根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；根据未来工况特征参数，预测至少一个未来运动片段对应的长期动态工况；基于长期动态工况，计算动态功率需求；对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；将高频功率分量和低频功率分量，根据设定的功率分配规则分配给汽车的各个动力源。该方案：可以更加可靠、精准的预测工况，具有优越的节能特性，且在一定程度上减少了动力电池寿命的损耗。

Description

一种能量管理方法、装置、汽车及存储介质

技术领域

本发明属于汽车能量技术领域，特别涉及一种能量管理方法、装置、汽车及存储介质。

背景技术

随着技术的发展，混合动力纯电驱动汽车得到广泛应用。混合动力纯电驱动汽车的能量管理方法对汽车节能、电池寿命等影响较大。

现有的能量管理方法对工况识别的精度不高，且对动力电池寿命考虑较少，继而有人提出使用小波分频算法对工况数据进行识别，但小波能量管理工况适应性、动态响应较差。

发明内容

本说明书实施例的目的是提供一种能量管理方法、装置、汽车及存储介质。

为解决上述技术问题，本申请实施例通过以下方式实现的：

第一方面，本申请提供一种能量管理方法，该方法包括：

获取当前运动片段中汽车的工况特征参数；汽车包括至少两个动力源；

根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；

根据未来工况特征参数，预测至少一个未来运动片段对应的长期动态工况；

基于长期动态工况，计算动态功率需求；

对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；

将高频功率分量和低频功率分量，根据设定的功率分配规则分配给汽车的各个动力源。

在其中一个实施例中，根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数，包括：

将工况特征参数输入基于长短期记忆网络预测模型，输出至少一个未来运动片段中汽车的未来工况特征参数。

在其中一个实施例中，对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量，包括：

对动态需求功率，采用二阶采用方法进行分解，采用上采样方法进行重构，得到高频功率分量和低频功率分量。

在其中一个实施例中，长期动态工况包括拥堵工况、正常工况、畅行工况。

在其中一个实施例中，工况特征参数包括：汽车在当前运动片段行驶花费的时间、行驶距离、最大速度、平均速度、最大加速度、最大减速度、驻车时间比例、加速时间比例、减速时间比例。

第二方面，本申请提供一种能量管理装置，该装置包括：

获取模块，用于获取当前运动片段中汽车的工况特征参数；汽车包括至少两个动力源；

第一预测模块，用于根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；

第二预测模块，用于根据未来工况特征参数，预测至少一个未来运动片段对应的长期动态工况；

计算模块，用于基于长期动态工况，计算动态功率需求；

分解重构模块，用于对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；

分配模块，用于将高频功率分量和低频功率分量，根据设定的功率分配规则分配给汽车的各个动力源。

第三方面，本申请提供一种汽车，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的能量管理方法。

第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的能量管理方法。

由以上本说明书实施例提供的技术方案可见，该方案：可以更加可靠、精准的预测工况，并实时应用于汽车，具有优越的节能特性，且在一定程度上减少了动力电池寿命的损耗，具有现实的工程意义。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的能量管理方法的流程示意图；

图2为K均值聚类算法流程示意图；

图3为本申请提供的挂线驱动模式的约束规则；

图4为本申请提供的脱线驱动模式的约束规则；

图5为本申请提供的制动模式的约束规则；

图6(a)-(c)为本申请提供的雨流计数法的示意图；

图7为本申请提供的能量管理装置的结构示意图；

图8为本申请提供的汽车的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。

关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

本申请中的“份”如无特别说明，均按质量份计。

下面结合附图和实施例对本发明进一步详细说明。

参照图1，其示出了适用于本申请实施例提供的能量管理方法的流程示意图。该能量管理方法适用于混合动力纯电驱动汽车，例如利用燃料电池、动力电池、超级电容、电网等至少两种动力源混合的纯电驱动的车辆，示例性的，双源无轨纯电驱动电动车，其采用电网、动力电池和超级电容三种动力源驱动行驶。下述以双源无轨纯电驱动电动公交车为例进行说明。

如图1所示，能量管理方法，可以包括：

S110、获取当前运动片段中汽车的工况特征参数；汽车包括至少两个动力源。

具体的，汽车行驶中的运动片段可以根据实际情况进行划分。一般双源无轨纯电驱动电动公交车的行驶路线比较固定，行驶工况也相对规律，不同站点所处的位置因素不同车速也不同，如市区和郊区站点。因此，可以根据公交站点对工况进行运动片段划分，相邻两个公交站点之间为一个运动片段。例如，一个单向公交线路有23个站点，即有22个公交站点区间，最终划分得到22个运动片段。对于线路比较固定的客车，可以按照客车的行驶路线中包含的市区、郊区或上下车的人流量等进行运动片段划分。

对上述划分好运动片段的行驶工况进行分类，可以采用K均值聚类算法。根据公交线路的特征，将工况分为三类，即拥堵工况、正常工况和畅行工况。聚类的过程如图2所示，选择K(对应公交线路特征K取3)个点作为聚类中心，然后计算每个对象(对应公交线路示例为公交站点区间)与聚类中心的欧式距离，然后把每个对象分配给距离它最近的聚类中心，当全部对象分配完成后形成K个聚类，然后根据现有对象重新计算聚类中心，将重新计算后的聚类中心与初始选择的K个聚类中心比较，判断聚类中心是否发生改变，如果发生改变，则重新计算每个对象与重新计算得到的聚类中心的欧式距离，如果没有发生改变，则聚类完成。得到三类工况的平均速度、最高车速、加速度等信息，将整条公交线划分为三类长期静态工况，即拥堵工况、正常工况和畅行工况。

可选的，工况特征参数可以包括：汽车在当前运动片段行驶花费的时间、行驶距离、最大速度、平均速度、最大加速度、最大减速度、驻车时间比例、加速时间比例、减速时间比例等。

S120、根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数，包括：

将工况特征参数输入基于长短期记忆(Long Short-Term Memory，LSTM)网络预测模型，输出至少一个未来运动片段中汽车的未来工况特征参数。

其中，LSTM网络预测模型通过遗忘门、输入门和输出门具有短时记忆和长时记忆，并可以保持长时记忆。其中，遗忘门由sigmoid函数控制，输入门决定向元素添加多少新信息，输出门根据需要决定模型的输出，可以先后通过sigmoid和tanh得到目标输出结果。

本实施例中以当前运动片段中汽车的工况特征参数作为LSTM网络预测模型的输入向量，在第k个公交站点区间的输入量Input(k)为：

Input(k)＝[X₀,X₁,…,X_Hh]

其中，

其中，脚标k代表第k个公交站点区间，X_k是输入的第k个公交站点区间的工况特征参数，T_k是车辆在第k个公交站点区间行驶花费的时间，s是行驶距离，v_max是最大速度，是平均速度，acc_max是最大加速度，dcc_max是最大减速度，r_stop是驻车时间比例，r_acc是加速时间比例，r_dcc是减速时间比例，Hh代表输入过去Hh个公交站点区间的工况特征参数。

LSTM网络预测模型的输出量Output(k)为：

Output(k)＝[Y_k+1,…,Y_k+Hp]

其中，

即预测未来公交站点区间的工况特征参数。

可以理解的，通过LSTM网络预测模型可以输入当前公交站点区间(第k个公交站点区间)的工况特征参数，预测第k+1个或第k+1个到第k+Hh个公交站点区间的工况特征，也可以输入历史Hh个公交站点区间的工况特征参数，预测未来第k+1个到第k+Hh个公交站点区间的工况特征参数。当汽车行驶至第第k+1个公交站点区间时，则输入第k+1个公交站点区间的工况特征参数，依次动态循环。

S130、根据未来工况特征参数，预测至少一个未来运动片段对应的长期动态工况。

具体的，上述S120中依次动态循环计算得到至少一个未来运动片段中汽车的未来工况特征参数，根据动态的未来工况特征参数，计算动态的未来的工况类别，生成动态的第k+1个公交站点区间或第k+1个到第k+Hh个公交站点区间的长期动态工况。可选的，该长期动态工况与上述聚类的三类长期静态工况一致，即均包括拥堵工况、正常工况和畅行工况。

S140、基于长期动态工况，计算动态功率需求。

S150、对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量。

具体的，根据汽车的行驶需求功率，采用三阶Haar小波对需求功率信号P_req进行分解重构，示例性的，分解过程可以使用二阶采样方法，重构过程可以使用上采样方法。令输入信号x(n)＝P_req，分频得到高频功率需求分量P_H和低频功率需求分量P_L，分别为：

其中，x₀(n)为三阶低频分量，x₁(n)、x₂(n)、x₃(n)分别为一阶、二阶、三阶分解的高频分量。

S160、将高频功率分量和低频功率分量，根据设定的功率分配规则分配给汽车的各个动力源。

具体的，功率分配规则可以根据实际需求进行相应的设定。

示例性的，双源无轨纯电驱动电动客车在有供电线网的路段，汽车通过车顶的集电器与供电线网连接，主要由供电线网提供能量驱动汽车挂线行驶，动力电池和超级电容辅助驱动汽车行驶。没有供电线网的路段，汽车可以离线行驶，由动力电池和超级电容共同提供能量。

然后由需求功率P_req来判断车辆处于驱动或者制动模式，当P_req<0时车辆处于制动模式；当P_req>0时车辆处于驱动模式。在制动时车辆只有动力电池与超级电容进行制动能量回收，线网不进行制动能量回收。因此，将车辆工作状态分为挂线驱动模式、脱线驱动模式和制动模式，其中车辆运行在铺设线网的路段且P_req>0时处于挂线驱动模式；车辆没有运行在铺设线网的路段且P_req>0时处于脱线驱动模式；当车辆制动时处于制动模式。

例如，如图3所示为挂线驱动模式的约束规则，其中，P_grid为电网输出功率，P_UC为超级电容输出功率，P_bat为动力电池输出功率，判断SOV(State Ofvoltage，超级电容的剩余荷电容量)是否＞0.3：

如果SOV＞0.3，则判断P_L是否≤P_{grid_rated}(电网额定输出功率)：

如果P_L≤P_{grid_rated}，则判断SOC(StateOfCharge，超级电容的荷电状态)是否≤0.6：

如果SOC＞0.6，则P_grid＝P_L、P_UC＝P_H、P_bat＝0；

如果SOC≤0.6，则P_grid＝P_{grid_rated}、P_UC＝P_H、P_bat＝P_L-P_{grid_rated}；

如果P_L＞P_{grid_rated}，则判断SOC是否＞0.3：

如果SOC＞0.3，则P_grid＝P_{grid_rated}、P_UC＝P_H、P_bat＝P_L-P_{grid_rated}；

如果SOC≤0.3，判断P_L是否≤P_{grid_peak}(电网峰值输出功率)：

如果P_L≤P_{grid_peak}，则P_grid＝P_L、P_UC＝P_H、P_bat＝0；

如果P_L＞P_{grid_peak}，则P_grid＝P_{grid_peak}、P_UC＝P_req-P_{grid_peak}、P_bat＝0；

如果SOV≤0.3，则判断P_req是否≤P_{grid_rated}：

如果P_req≤P_{grid_rated}，则P_grid＝P_{grid_rated}、P_UC＝P_req-P_{grid_rated}、P_bat＝0；

如果P_req＞P_{grid_rated}，则判断SOC是否＞0.3：

如果SOC＞0.3，则P_grid＝P_{grid_rated}、P_UC＝0、P_bat＝P_req-P_{grid_rated}；

如果SOC≤0.3，判断P_req是否≤P_{grid_peak}：

如果P_req≤P_{grid_peak}，则P_grid＝P_req、P_UC＝0、P_bat＝0；

如果P_req＞P_{grid_peak}，则P_grid＝P_{grid_peak}、P_UC＝0、P_bat＝0。

例如，如图4所示为脱线驱动模式的约束规则，判断SOC是否＞0.3：

如果SOC＞0.3，则判断SOV是否＞0.3：

如果SOV＞0.3，则判断P_L是否≤P_{bat_dis_max}(动力电池最大放电功率)：

如果P_L≤P_{bat_dis_max}，则P_bat＝P_L、P_UC＝P_H；

如果P_L＞P_{bat_dis_max}，则P_bat＝P_{bat_dis_max}、P_UC＝P_req-P_{bat_dis_max}；

如果SOV≤0.3，则判断P_req是否≤P_{bat_dis_max}：

如果P_req≤P_{bat_dis_max}，则P_bat＝P_{bat_dis_max}、P_UC＝P_{bat_dis_max}-P_req；

如果P_req＞P_{bat_dis_max}，则P_bat＝P_{bat_dis_max}、P_UC＝0；

如果SOC≤0.3，则停车充电。

例如，如图5所示为制动模式的约束规则，判断SOV是否＞0.9：

如果SOV＞0.9，则判断SOC是否＞0.85：

如果SOC＞0.85，则P_bat＝0、P_UC＝0；

如果SOC≤0.85，则判断SOC是否＞0.7：

如果SOC＞0.7，则判断P_req是否≤P_{bat_cha_min}(动力电池最小充电功率)：

如果P_req≤P_{bat_cha_min}，则P_bat＝P_{bat_cha_min}、P_UC＝0；

如果P_req＞P_{bat_cha_min}，则P_bat＝P_req、P_UC＝0；

如果SOC≤0.7，则判断P_req是否≤P_{bat_cha_max}：

如果P_req≤P_{bat_cha_max}(动力电池最大充电功率)，则P_bat＝P_{bat_cha_max}、P_UC＝0；

如果P_req＞P_{bat_cha_max}，则P_bat＝P_req、P_UC＝0；

如果SOV≤0.9，则判断P_req是否≤P_{uc_cha_min}(超级电容最小充电功率)：

如果P_req≤P_{uc_cha_min}，则P_bat＝0,、P_UC＝P_{uc_cha_min}；

如果P_req＞P_{uc_cha_min}，则P_bat＝0,、P_UC＝P_req。

本申请实施例基于长期动态工况的小波分频能量管理方法，采用长期动态工况与小波分频能量管理相结合，弥补了小波能量管理工况适应特性差的不足，完善了小波分频能量管理；采用规则的功率分配约束将小波分频得到的功率信号合理的分配给各个动力源，可实现小波能量管理的实时应用。本申请实施例提供的能量管理方法，可以更加可靠、精准的预测工况，并实时应用于汽车，具有优越的节能特性，且在一定程度上减少了动力电池寿命的损耗，具有现实的工程意义。

采用本申请实施例提供的能量管理方法，能够提升燃料电池系统的功率跟随效果，同时有效降低燃料电池系统和动力电池系统的寿命损耗。

可以理解的，在上述功率分配规则之后，可以通过计算动力电池的充放电循环次数和每一个充放电循环对应的放电深度，及计算动力电池对应的循环寿命，对上述能量管理方法实施后的动力电池寿命进行验证评价。

具体的，可以采用雨流计数法计算动力电池的充放电循环次数和每一个充放电循环对应的放电深度及计算动力电池对应的循环寿命，如图6(a)-(c)所示为雨流计数法的示意图，具体为：

1)图6(b)由图6(a)旋转九十度得到，以A点为起点，雨流沿SOC曲线向下流；

2)雨流在流经SOC曲线的拐点峰值时，雨流沿SOC曲线流动的同时会垂直向下流，如图6(b)中所示；

3)雨流在B点和E点的垂直下流中，雨滴滴落在B'点和E'点构成两个新的循环，即B-C-B'-B和E-F-E'-E，如图6(c)所示，记录动力电池相应的充放电深度。

4)对于没有构成循环成为半循环，如A-B-B'-D和D-E-E'-G；其中A-B-B'-D为充电半循环，是动力电池的充电过程；D-E-E'-G为放电半循环，是动力电池的放电过程。充放电半循环通过起点与终点的值相同进行匹配，构成一个循环，记录放电深度。

使用拟合方程计算不同放电深度对应的循环寿命次数N_ctf，如下：

N_ctf＝f(DOD)＝a·DOD^c＝1075.1×DOD^-1.027

其中，DOD为放电深度，DOD_i为第i次充放电循环的放电深度，N_ctf(DOD_i)为第i次充放电循环的放电深度相应的循环寿命次数，则第i次循环带来的电池老化程度N(DOD_i)计算如下：

N个循环带来的老化即动力电池的寿命损耗N计算如下：

通过以上步骤，即可计算出动力电池的寿命损耗。

参照图7，其示出了根据本申请一个实施例描述的能量管理装置的结构示意图。

如图7所示，能量管理装置700，可以包括：

获取模块710，用于获取当前运动片段中汽车的工况特征参数；汽车包括至少两个动力源；

第一预测模块720，用于根据工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；

第二预测模块730，用于根据未来工况特征参数，预测至少一个未来运动片段对应的长期动态工况；

计算模块740，用于基于长期动态工况，计算动态功率需求；

分解重构模块750，用于对动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；

分配模块760，用于将高频功率分量和低频功率分量，根据设定的功率分配规则分配给汽车的各个动力源。

可选的，第一预测模块720还用于：

将工况特征参数输入基于长短期记忆网络预测模型，输出至少一个未来运动片段中汽车的未来工况特征参数。

可选的，分解重构模块750还用于：

对动态需求功率，采用二阶采用方法进行分解，采用上采样方法进行重构，得到高频功率分量和低频功率分量。

可选的，长期动态工况包括拥堵工况、正常工况、畅行工况。

可选的，工况特征参数包括：汽车在当前运动片段行驶花费的时间、行驶距离、最大速度、平均速度、最大加速度、最大减速度、驻车时间比例、加速时间比例、减速时间比例。

本实施例提供的一种能量管理装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。

图8为本发明实施例提供的一种汽车的结构示意图。如图8所示，示出了适于用来实现本申请实施例的汽车300的结构示意图。

如图8所示，汽车300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有设备300操作所需的各种程序和数据。CPU301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口306。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述能量管理方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

作为另一方面，本申请还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的能量管理方法。

存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (6)

1.一种能量管理方法，其特征在于，所述方法包括：

获取当前运动片段中汽车的工况特征参数，其中，所述工况特征参数包括：所述汽车在当前运动片段行驶花费的时间、行驶距离、最大速度、平均速度、最大加速度、最大减速度、驻车时间比例、加速时间比例、减速时间比例，所述汽车包括至少两个动力源；

根据所述工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；

根据所述未来工况特征参数，预测所述至少一个未来运动片段对应的长期动态工况，所述长期动态工况包括拥堵工况、正常工况、畅行工况；

基于所述长期动态工况，计算动态需求功率；

对所述动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；

将所述高频功率分量和所述低频功率分量，根据设定的功率分配规则分配给所述汽车的各个动力源。

2.根据权利要求1所述的方法，其特征在于，所述根据所述工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数，包括：

将所述工况特征参数输入基于长短期记忆网络预测模型，输出所述至少一个未来运动片段中汽车的未来工况特征参数。

3.根据权利要求1所述的方法，其特征在于，所述对所述动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量，包括：

对所述动态需求功率，采用二阶采用方法进行分解，采用上采样方法进行重构，得到所述高频功率分量和低频功率分量。

4.一种能量管理装置，其特征在于，所述装置包括：

获取模块，用于获取当前运动片段中汽车的工况特征参数，其中，所述工况特征参数包括：所述汽车在当前运动片段行驶花费的时间、行驶距离、最大速度、平均速度、最大加速度、最大减速度、驻车时间比例、加速时间比例、减速时间比例，所述汽车包括至少两个动力源；

第一预测模块，用于根据所述工况特征参数，预测至少一个未来运动片段中汽车的未来工况特征参数；

第二预测模块，用于根据所述未来工况特征参数，预测所述至少一个未来运动片段对应的长期动态工况，所述长期动态工况包括拥堵工况、正常工况、畅行工况；

计算模块，用于基于所述长期动态工况，计算动态需求功率；

分解重构模块，用于对所述动态需求功率，使用三阶Haar小波变换算法进行分解重构，得到高频功率分量和低频功率分量；

分配模块，用于将所述高频功率分量和所述低频功率分量，根据设定的功率分配规则分配给所述汽车的各个动力源。

5.一种汽车，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一所述的能量管理方法。

6.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的能量管理方法。