energy-management.md

# 能源管理（Energy Management）

## 概述
能源管理模块负责新能源车辆的动力分配、能耗优化和能量回收策略，确保在复杂驾驶工况下实现最优的能效表现。

## 核心功能

### 1. 动力源选择策略
**场景：** 根据当前速度、路况、电池 SOC 等条件自动选择动力来源。

**决策逻辑：**
```
IF (SOC < 20%) THEN
    优先使用燃油（PHEV/HEV）或限制车速（BEV）
ELSE IF (speed > 80km/h AND is_highway) THEN
    发动机直驱模式（降低发电机损耗）
ELSE IF (engine_load > 80%) THEN
    电动辅助模式（减轻发动机负担）
ELSE
    纯电驱动优先
```

### 2. 能量回收配置
**参数说明：**
| 参数 | 含义 | 推荐设置 |
|------|------|---------|
| recovery_level | 回收强度 | -100%（最强）/ -50%/0（关闭） |
| braking_threshold | 制动触发阈值 | 4m/s² |

**适用场景：**
- **城市拥堵路段：** 开启强回收，充分利用频繁启停产生的动能
- **高速公路巡航：** 弱回收或不回收，减少系统能耗
- **下坡路段：** 强回收配合发动机减速

### 3. 热管理优化
**电池温控策略：**
```python
def get_battery_thermal_strategy():
    if ambient_temp < 5:
        return "预热充电"  # 低温下提高电解液活性
    elif ambient_temp > 40:
        return "预冷放电"   # 高温下降低内阻和热衰减
    else:
        return "保温待机"
```

**电机温控：**
- **高速工况：** 加大冷却水泵流量，保证散热效率
- **低速工况：** 节能模式，保持最低温度即可

### 4. 能耗优化算法
**目标函数：** Minimize E_total = ∫(P_motor(t) + P_auxiliary(t))dt

**约束条件：**
1. SOC_final ≥ target_soc
2. Temperature_battery ∈ [25°C, 40°C]
3. Temperature_motor ∈ [-20°C, 85°C]

**优化方法：**
- **模型预测控制（MPC）：** 基于路线规划的前向预测
- **深度强化学习（DRL）：** 从历史驾驶数据中学习最优策略

### 5. 典型场景能耗对比

| 场景 | BEV 平均能耗 | PHEV 电耗占比 | 说明 |
|------|-------------|--------------|------|
| 城市拥堵 | 25-30kWh/100km | 90%+ | 低速频繁启停，回收效率高 |
| 郊区通勤 | 18-22kWh/100km | 70%-90% | 中速行驶，发动机辅助少 |
| 高速巡航 | 15-18kWh/100km | 60%-70% | 发动机直驱效率高，电耗占比下降 |
| 冬季低温 | 30-40kWh/100km | 80%+（仅电车） | 电池加热和空调能耗增加 |

---
*本模块与 core-traffic-rules 的交通法规配合使用，确保能源优化策略符合安全驾驶要求。*