1.一種基于神經網絡的混合動力系統能量管理方法，所述的混合動力系統包括整車控制器、CAN總線、能量源、能量控制器和汽車動力附件，所述的整車控制器分別通過CAN總線連接能量控制器和汽車動力附件，所述的能量源與能量控制器連接，其特征在于，所述的方法包括以下步驟：

1)整車控制器通過CAN總線向汽車動力附件發送訪問信號，從汽車動力附件獲取能量管理策略計算所需數據，所述的數據包括混合動力系統的需求功率和蓄電池SOC；

2)整車控制器判斷是否已接收到完整的數據，若是，則執行步驟3)，若否，則返回步驟1)；

3)整車控制器根據接收到的能量管理策略計算所需數據，通過神經網絡計算出當前最優功率分配；

4)使用功率增益系數對神經網絡計算出的最優功率分配進行修正；

5)整車控制器通過CAN總線向能量控制器發送功率分配結果，完成整車控制器對混合動力系統中各能量源輸出功率的分配控制。

2.根據權利要求1所述的一種基于神經網絡的混合動力系統能量管理方法，其特征在于，所述的汽車動力附件包括散熱子系統和空調子系統。

3.根據權利要求1所述的一種基于神經網絡的混合動力系統能量管理方法，其特征在于，所述的能量源包括增程器和蓄電池。

4.根據權利要求3所述的一種基于神經網絡的混合動力系統能量管理方法，其特征在于，所述的步驟3)中通過神經網絡計算出當前最優功率分配具體包括以下步驟：

a)離線計算，根據如下動力系統瞬時功率損失公式計算出不同功率分配下的功率損失，

PRE(ηRE_max-ηRE)+Pb(1-ηdis)+Pb(ηRE_max-η‾RE)/ηDC-DCη‾chrPRE(ηRE_max-ηRE)+Pb(1-ηchr)+Pbηchr(1-η‾dis)]]>

式中，P_RE為增程器輸出功率，η_{RE_max}為增程器效率最高值，η_RE為增程器當前功率下效率值，為增程器平均效率值，P_b為蓄電池輸出功率，η_dis為蓄電池放電效率，η_chr為蓄電池充電效率，為蓄電池平均放電效率，為蓄電池平均充電效率，η_DC-DC為DC-DC轉換器效率；

b)根據離線計算的結果，對神經網絡進行訓練；

c)通過訓練后的神經網絡計算出當前最優功率分配，包括增程器輸出功率。

5.根據權利要求4所述的一種基于神經網絡的混合動力系統能量管理方法，其特征在于，所述的步驟4)中的修正具體是；將神經網絡計算出的增程器輸出功率與增程器功率增益系數K相乘得到調節后的增程器輸出功率；所述的K通過以下公式計算：

K=(PadjPdis)REmax-REcontREmax]]>

P_dis為增程器與蓄電池一起放電時的最小功率，P_adj為系數調節功率，RE_max為增程器能量最大儲量，RE_cont為增程器能量消耗量。