本发明涉及新能源汽车技术领域，尤其是电动四驱汽车的能源管理技术及应用。
背景技术：
一般而言，电动四驱动力汽车有多个可以独立工作的动力部件，控制变量多，所以其整车控制策略的制定是一项十分复杂的工程。在整车控制策略中能量管理控制策略起着基础性的作用，在稳态时控制整车的转矩分配或者功率分配，包括基于规则、基于智能以及基于优化的方法等不同实现模式。对于汽车的动力部件、变速箱以及离合器等，参考路况实况、驾驶意图、模型预测以及全局优化等进行整体智能化控制(进一步实现自我优化和深度学习优化)是当前的研究热点。
申请人科研团队依托“国家新能源汽车技术创新工程”项目，承担着新能源汽车能量智能管理系统的架构和优化工作，利用模型预测和智能学习为整车能量管理提供参考估值的相关研究在国内尚未开展，国际上也尚未见与本发明等同的技术报道。
技术实现要素：
本发明要解决的技术问题是提供一种电动汽车在四驱模式下的能量管理及自主学习方法，在模型预测的基础上进一步具有自我学习的算法进化效果。
为解决上述技术问题，本发明所采取的技术方案如下。
电动汽车在四驱模式下的能量管理及自主学习方法，在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，并基于驾驶时长的累计和增加通过智能学习实现同等时间单元下的能量预估功能进化。
作为本发明的一种优选技术方案，通过如下方法使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求：a、首先设定时间单元，时间单元设定要在保障能量需求预估与实际需求拟合精度的基础上尽量减少系统的计算负荷过重；b、其次设定能量预估的底端数据集合，包含已发生的若干个时间单元内的能量数据，时间单元个数的设定使得已发生数据的采集、存储、计算能够适应能量管理系统的空余计算能力又足够为所需精度的能量预估提供数据基础；c、然后设定算法进行能量预估算法迭代拟合，d、最后基于实际能量数值与预估能量数值之间的差值设定自主学习程序进行能量预估算法进化。
作为本发明的一种优选技术方案，步骤a、b中，所述时间单元设定为0.1-10s；所述底端数据集合内包含2-50组时间单元。
作为本发明的一种优选技术方案，步骤a、b中，所述时间单元设定为1-2s；所述底端数据集合内包含8-24组时间单元。
作为本发明的一种优选技术方案，步骤c中，能量预估算法迭代拟合的步骤包括：①、计算底端数据集合内第二组时间单元内的能量均值与起始时间单元内的能量均值之差构成第一一阶能量差分，迭代计算第二一阶能量差分至底端数据集合最末端的时间单元，得到全部一阶能量差分；②、第二一阶能量差分与第一一阶能量差分之差构成第一二阶能量差分，迭代计算第二二阶能量差分、第三二阶能量差分直至底端数据集合最末端的时间单元，得到全部二阶能量差分；③、按照①、②方式迭代获取第n-1阶能量差分，其中n的取值即为底端数据集合内包含的时间单元的数值；④、确定如下的能量差分基本关系：第k个i阶能量差分等于“第k-1个i阶能量差分”与“第k-1个i+1阶能量差分”之和，作为后续算法的基础；⑤、利用能量差分基本关系首先将第k个1阶能量差分转化为由第1个1-k阶能量差分之和构成的多项式，不同阶能量差分的系数遵从组合公式，即多项式中第1个k′阶能量差分之前的系数等于从k项中选取k′项的组合数；类似的，将第任意个1阶能量差分转化为第一个不同阶的能量差分之和；⑥、依据⑤的算法将所有1阶能量差分的转化多项式加和，从而将底端数据集合内所有时间单元的能量需求均值集合转化表示为由第一个不同阶能量差分表示的多项式，多项式各项的系数遵从组合公式，即第k阶能量差分的系数等于从n项中选取k项的组合数；⑦、设定能量差分转化参商：令第k阶能量差分连续除以k个时间单元，所得数值设定为第k阶转化参商；⑧、将⑦代入⑥，得到由第k阶转化参商与底端数据集合内首末端时间单元差值组成的多项式，其系数由组合公式除以k的阶乘构成；⑨、将⑧公式中的数值n增大为n+j，所得数值与底端数据集合内的能量需求的差值即为将来j个时间单元内的能量需求预估值。
作为本发明的一种优选技术方案，步骤d中，能量预估算法进化按照如下程序进行：①将驾驶速度以5km/h为间差分割为多个速度区间套；②按照
采用上述技术方案所产生的有益效果在于：申请人科研团队依托“国家新能源汽车技术创新工程”项目，基于模型预测及神经网络深度学习思想设计了一套为电动四驱系统能量管理提供预估参值的技术方法。本发明的算法利用现有系统的空余备用计算能力即可实现，能够完全独立于(同时兼容于)现有的能量管理系统而提供一套具有实际预测意义的参考数值，并经模拟演示在非紧急驾驶路况下(极度加速或刹车)能够明显的拟合系统的理论参量，从而在整车稳定性、能量集约性和节约性、行驶智能化及驾驶者的智能化体验等方面为电动四驱汽车的能量管理提供了一个全新的技术方向。本发明在模型预测的基础上进一步具有自我学习的算法进化效果。
具体实施方式
本发明的电动汽车在四驱模式下的能量管理及自主学习方法，在现有电动汽车的四驱能量管理系统中设定基于预期能量需求的自优化算法，使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求，从而在整车稳定性、能量集约性和节约性、行驶智能化及驾驶者的智能化体验等方面为电动四驱汽车的能量管理系统的提供了一套有效的估值参量作为系统优化的参考。本发明通过如下方法使得能量管理系统能够基于一般化行驶需求预估下一个时间单元的大概率能量需求：
首先设定时间单元，时间单元设定要在保障能量需求预估与实际需求拟合精度的基础上尽量减少系统的计算负荷过重，作为一般化的控制参考量，可以设定一个时间单元为1s左右。
其次设定能量预估的底端数据集合，包含已发生的若干个时间单元内的能量数据，时间单元个数的设定使得已发生数据的采集、存储、计算能够适应能量管理系统的空余计算能力又足够为所需精度的能量预估提供数据基础，在时间单元选定为1s的情况下，底端数据集合可以包含15个左右的时间单元，在计算速度和预估真确性方面均表现较优。
然后进行能量预估算法迭代拟合，具体按照如下步骤开展：
①、计算底端数据集合内第二组时间单元内的能量均值与起始时间单元内的能量均值之差构成第一一阶能量差分，迭代计算第二一阶能量差分至底端数据集合最末端的时间单元，得到全部一阶能量差分；
②、第二一阶能量差分与第一一阶能量差分之差构成第一二阶能量差分，迭代计算第二二阶能量差分、第三二阶能量差分直至底端数据集合最末端的时间单元，得到全部二阶能量差分；
③、按照①、②方式迭代获取第n-1阶能量差分，其中n的取值即为底端数据集合内包含的时间单元的数值；
④、确定如下的能量差分基本关系：
即第k个i阶能量差分等于“第k-1个i阶能量差分”与“第k-1个i+1阶能量差分”之和，作为后续算法的基础；
⑤、利用能量差分基本关系首先将第k个1阶能量差分转化为由第1个1-k阶能量差分之和构成的多项式，不同阶能量差分的系数遵从组合公式，即多项式中第1个k′阶能量差分之前的系数等于从k项中选取k′项的组合数；类似的，将第任意个1阶能量差分转化为第一个不同阶的能量差分之和，即得下式：
⑥、依据⑤的算法将所有1阶能量差分的转化多项式加和，从而将底端数据集合内所有时间单元的能量需求均值集合转化表示为由第一个不同阶能量差分表示的多项式，多项式各项的系数遵从组合公式，即第k阶能量差分的系数等于从n项中选取k项的组合数，即得下式：
⑦、设定能量差分转化参商：
即令第k阶能量差分连续除以k个时间单元，所得数值即为第k阶转化参商；
⑧、将⑦代入⑥，得到由第k阶转化参商与底端数据集合内首末端时间单元差值组成的多项式，其系数由组合公式除以k的阶乘构成，即得下式：
⑨、将⑧公式中的数值n增大为n+j，所得数值与底端数据集合内的能量需求的差值即为将来j个时间单元内的能量需求预估值。
最后，按照如下程序进行能量预估算法的自我学习进化：
①将驾驶速度以5km/h为间差分割为多个速度区间套；
②按照
③依据
④将ω作为加权系数代入后续任一时间单位内的预估能量值进行预估优化；
⑤重复上述步骤，实现能量预估算法的累积式自我学习进化。
通过上述方法设定的能量管理预估参值完全独立于(同时兼容于)现有的能量管理系统，且具有自我学习的累积进化效果，所得预估参值对于整车的能量集约和节约化分配具有实际的预测意义和参考价值，在多方面为电动四驱汽车的能量管理提供了一个全新的技术方向。
上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。