本发明属于新能源汽车，具体涉及一种新能源营运汽车的电池充放电策略优化方法。
背景技术：
1、随着新能源汽车的愈发普及，新能源营运汽车在交通领域上占据了重要的地位，不仅给乘客出行带来方便，还有助于环保，这使得新能源营运汽车具有巨大的发展潜力。新能源营运汽车是利用电能作为动力源的汽车，它们主要依赖电池储存能量。充放电行为习惯对于电池寿命和性能有着重要影响。由于新能源营运汽车的不良充放电习惯对电池造成伤害，降低电池的寿命，减少电池的容量和性能，从而不利于确保新能源营运汽车的可持续性能和效率。正是由于这种不良影响，需要一种电池充放电策略优化方法，不仅能学习相似地区新能源营运汽车好的充放电习惯，而且通过打分评估自身充放电行为习惯，认知到自身充放电不良行为习惯，调整充放电策略，避免运行和维护中对电池的损伤。
2、申请号“202011553224.7”公开提供了一种电池充放电的控制方法、装置、服务器和存储介质，对电池充放电进行动态管理，以实现提升电池充放电安全防护，增加电池寿命和使用周期。
3、申请号“202211240659.5”公开了一种新能源汽车锂电池充放电管理系统，对新能源汽车锂电池放电过程进行检测在检测出异常时将发出警示，提醒驾驶人员，需要对其进行检修与维护。
4、申请号“202310608962.4”公开提供了一种充电提醒方法、装置及设备，通过获取目标汽车的历史充电数据，在满足至少一种充电提醒条件中任一充电提醒条件的情况下，提醒目标用户为目标汽车充电。
5、从现有的专利文献公开的技术来看，大多数通过获取新能源汽车充放电行为习惯都是针对于私家车，没有考虑到营运车如电动公交车等由于每日里程更长，路况复杂，其充放电行为习惯对电池的影响更加重要，日益严峻的问题是如何避免对电池不利的充放电行为习惯。
6、申请号“202110347085.0”虽然通过获取新能源汽车的充放电行为习惯可以规避一些风险，但是参考学习的是自身的充放电习惯，而未参考其他新能源汽车的充放电行为习惯，是否可以制定一种策略，从类似地区其他新能源营运汽车好的充放电行为习惯中获得对电池影响好的习惯，以此优化新能源营运汽车自身充放电策略，提高电池性能，延长电池寿命。
技术实现思路
1、本发明的目的是提供一种新能源营运汽车的电池充放电策略优化方法，该方法以与目标新能源营运汽车所在地区地理特征相似的其他地区中，选取优秀的充放电行为习惯作为评分标准，得出充放电习惯第一分数，以目标新能源营运汽车自身充放电行为习惯作为评分标准，得出充放电习惯第二分数，进而根据评分实现电池充放电策略优化。
2、为解决上述技术问题，本发明采用如下技术方案：一种新能源营运汽车的电池充放电策略优化方法，包括以下步骤：
3、s1、监测充放电习惯：利用行车记录仪、电池管理系统bms以及多种传感器对新能源营运汽车的充放电行为习惯进行充分且全方位的监测，获取充放电行为习惯数据信息并传输至云端服务器；
4、s2、营运一周期后电池健康水平评估：通过监测某地区某辆新能源营运汽车充放电行为习惯，并以营运一年为一周期进行记录，根据电池参数指标，建立k-means评价模型对新能源营运汽车电池健康水平进行评估，划分为m1、m2、m3三个等级，其中，m3为最优等级，m2为中等等级，m1为最差等级,由于电池健康水平高低反应了充放电行为习惯好坏，因此只提取健康水平最优等级m3的电池所记录的最优等级m3充放电行为习惯数据；
5、s3、筛选与目标地区相似地区的最优等级充放电习惯：确定需要优化充放电习惯的目标新能源营运汽车的所在地区，将其作为目标地区，以最优等级m3充放电行为习惯数据作为数据库，预设目标地区的温度，纬度，经度，海拔的阈值范围，利用svm模型算法分类，通过这一分类过程，筛选出符合条件的地区，从数据库中提取这些地区的最优等级m3充放电行为习惯数据；
6、s4、目标充放电行为习惯打分：根据最终所筛选出的与目标新能源营运汽车所在地区相似地区的最优等级m3充放电行为习惯，从中提取多组放电习惯特征样本数据和多组充电习惯特征样本数据；预设符合评分资格的每项充放电行为习惯特征阈值范围；并以最终筛选出的每项充放电行为习惯重叠度的高低来标定每项充放电行为习惯第一分数的权重系数；基于预设的阈值范围和充放电行为习惯第一分数的权重系数评估目标新能源营运汽车放电习惯第一分数和充电习惯第一分数；同时，以目标新能源营运汽车自身充放电习惯作为评分标准，得到放电习惯第二分数和充电习惯第二分数，作为第一分数的补充对照，这种方法更全面地评估目标新能源营运汽车的充放电行为习惯在整体评分中的表现，并对其进行更精准的优化；
7、s5、基于分数优化充放电策略：通过新能源营运汽车充、放电行为习惯第一分数与充、放电习惯第二分数对比，选取较低分数对应的评分标准作为优化依据，生成新能源营运汽车的电池充放电优化策略，驾驶员依据此策略，采取措施调整电池充放电策略，达到延长电池寿命的目的，并且提高新能源营运汽车的可持续性和经济性。
8、进一步的，步骤s1中利用行车记录仪和多种传感器监测新能源营运汽车的放电行为习惯，收集以下参数实时数据：在放电过程的急减速次数ρ、急加速次数行驶速度等级情况行驶路况l、外界温度所属范围，形成放电行为习惯，将收集到的数据信息传输至云端服务器；具体内容如下：
9、(a)行车记录仪通过内置的加速度传感器(g传感器)来检测汽车的急减速、急加速情况；由加速度传感器持续地采集汽车的加速度数据，设定一个特定的加速度阈值3m/s2，持续时间阈值2s，当大于设定的正方向加速度阈值和时间阈值时触发急加速的事件记录，当小于设定的负方向加速度和大于时间阈值时触发急减速的事件记录，确定此新能源营运汽车在一段路程中急刹车次数和急加速次数，记录新能源营运汽车放电行为中的急加速习惯和急减速习惯；
10、(b)行车记录仪通过gps模块，监测出新能源营运汽车以经纬度形式表示的当前位置，计算出新能源营运汽车的行驶速度，本发明设定了两个关键参数：速度阈值和持续时间阈值，监测的行驶信息大于速度阈值40km/h和持续时间阈值1min，则被判定为高速行驶；同时，对于速度在(40km/h，50km/h]、(50km/h，60km/h]、(60km/h，70km/h]等区间，且持续时间超出持续时间阈值，依次划分高速行驶的等级为ⅰ、ⅱ、ⅲ…，在未超出阈值的范围内，根据速度和持续时间阈值划分正常行驶等级；对于速度在(30km/h，40km/h]、(20km/h，30km/h]、(10km/h，20km/h]、(0km/h，10km/h]区间，且符合或大于持续时间阈值的情况下，划分正常行驶等级依次为4、3、2、1，以此判断当前行驶速度的等级，以记录新能源营运汽车放电行为中的行驶速度习惯；
11、(c)利用车辆动力学传感器和安装在车辆底部的路面振动传感器去监测车辆行驶路况，行驶路况l由路面不平度l1和路面坡度l2这两个方面构成；本发明以国际平整度指数(iri)作为评价路面不平度水平指标，利用iri的定义建立路面不平度等级的计算数学模型，通过多组数据验证其正确性；振动传感器能够根据车辆通过时所产生的振动频谱和振幅推断出路段的载荷谱，通过路段载荷谱进行道路模拟评估路面等级之后找到对应的路面不平度系数gd(n0)，在不同等级的路面上，新能源营运汽车以不同的车速行驶时，路面对汽车会产生时域激励信号，这些信号随着时间的推移而变化，反映了汽车对路面激励的动态响应特性；
12、各种路面等级，各种车速对应下的时域激励信号为路面激励时间频率功率谱密度gd(n)，可由式(1)表达:
13、
14、vb为行驶在该路面的车速，ω为测量车辆在该路面行驶的时间频率，n0为参考空间频率，通常为0.1m-1；
15、计算当前路面不平度iri等级数值，公式为:
16、
17、其中q为修正系数,以实车多组数据验证通常为0.78；
18、路面不平度等级l1划分为下表1所示，不同的iri对应不同的路面不平度等级
19、表2路面不平度等级对应表
20、
21、本发明估计行驶路面坡度l2基于纵向动力学的最小二乘估计模型建立，当新能源营运汽车在坡面行驶，由车辆动力学传感器获取不同时刻的状态变量，如速度、加速度、转向角等与gps提供的车辆位置信息，定义其i-1时刻与第i时刻系统参数w的动力学系统估计量分别为其i-1时刻与第i时刻坡度预测值和实际值之间的权重分别为p(i-1)、p(i)，第i时刻使用的卡尔曼增益为k(i)，第i时刻的系统输出量为fif(i)，第i时刻的可观测数据向量为μ(i)，则建立基于纵向运动学最小二乘估计的路面坡度模型为：
22、
23、其中，确定初值p(0)＝z×e，z为充分大的正实数，e通常代表预测误差协方差矩阵，即坡度估计的不确定性；τz为基于纵向动力学的路面坡度最小二乘估计模型的遗忘因子，遗忘因子的选取范围为(0，1]，考虑到路面坡度的变化特性，旧的观测数据对新的参考估计影响较小，因此选择遗忘因子τz＝0.9，计算出的值，则得出了系统参数w在第i时刻的动力学系统估计量；
24、由w＝sinα+(f0+f1vp)cosα，可推出路面坡度为
25、
26、其中vp为第i时刻的营运汽车行驶速度，f0、f1为滚动阻力系数的速度拟合常数项、一次项系数；
27、本发明对路面坡度l2等级划分为，等级1坡度为0％-1％，等级2坡度为1％-5％，等级3坡度为5％-10％，等级4坡度为10％-15％，等级5坡度为15％以上；
28、对当前新能源营运汽车放电行为习惯中行驶路况信息中的路面不平度l1和路面坡度l2分别进行等级评估，并进行记录；
29、(d)行车记录仪记录新能源营运汽车在放电过程中的外界温度，本发明针对外界温度所属范围的划分，设定每5℃为一个阈值范围，将零度及以上的温度范围划分成i个区间，分别标记为r1、r2…ri，将零度以下的温度范围也划分成i个区间，分别标记为-r1、-r2…-ri，将当前新能源营运汽车行驶时外界温度从属范围归类到相应区间进行记录；
30、基于监测以上所述的急刹车次数ρ、急加速次数行驶速度等级情况行驶路况l中的路面不平度l1与路面坡度l2等级情况，以及外界温度所属范围情况，得到新能源营运汽车的放电行为习惯；
31、(e)以表2记录的一个实例为例，监测了a地区某辆新能源营运汽车在某次放电行为中的习惯；
32、表2a地区某辆新能源营运汽车某次放电行为习惯监测表
33、
34、此实例监测方法同样适用于监测该地区以及其他地区的所有新能源营运汽车的放电行为习惯。
35、进一步的，步骤s1中利用电池管理系统bms监测新能源营运汽车的充电行为习惯包括：通过监测充电时电压、电流、温度和充电时间参数，估算出充电时电池soc状态、充电方式qs、充电时温度充电时长这四个充电习惯指标，将充电习惯数据信息传输进云端服务器；具体内容如下：
36、(a)通过bms监测充电时电池的电压，电流，温度参数，利用改良的卡尔曼滤波法算法来估计电池荷电状态soc，相较于传统的卡尔曼滤波法算法，这种改良的卡尔曼滤波法算法能够提高电池荷电状态soc的计算精度；
37、利用监测到的电池输出电压uc，电池工作电流i，电池的目标电压um与电池工作时长th，计算i×th得到电池的最大可用容量cmax，从而进一步计算得到soc的值，充电电池电荷状态soc的计算公式为：
38、
39、其中，式中soc(t1)表示实时的soc值，soc(t0)表示电池初始电量，cmax表示最大可用容量，η表示电池库伦效率，i(t)表示电流与时间的函数；
40、将电池soc状态[0％，100％]，设定10个等分的soc阈值范围，[0％，10％]为第1范围，[10％，20％]为第2范围，以此类推至[90％，100％]为第10范围，估算新能源营运汽车开始充电时soc状态在哪个范围内，记录相应的数据信息；
41、(b)通过bms监测充电过程中的实时电压和实时电流数据，计算充电时的平均功率pavg，公式为：
42、
43、其中，表示充电时长；
44、设定特定的功率阈值，其中快充的功率阈值为150kw，慢充的功率阈值为50kw；当新能源营运汽车进行充电时，根据计算得到的平均功率pavg对充电方式qs进行分类；如果平均功率大于设定的快充功率阈值，此次充电则被归类为快充；如果平均功率小于慢充功率阈值，此次充电则被归类为慢充，记录此次的充电数据信息；如果平均功率在[50kw,150kw]的范围内，此次充电则被归类为普通充电，简称普充；
45、(c)通过bms中的温度传感器监测充电过程中的外界温度，本发明针对充电温度所属范围的划分，设定每5℃为一个阈值范围，将零度及以上的温度范围划分成i个区间，分别标记为g1、g2…gi，将零度以下的温度范围也划分成i个区间，分别标记为-g1、-g2…-gi，将当前新能源营运汽车充电温度所属范围归类到相应区间进行记录；
46、(d)通过bms记录充电开始的时间，并监测电流的变化来确定充电结束的时间，进而计算充电时长设定每充电时长0.5h为一个阈值范围，将充电时长划分出i个区间，分别标记为q1、q2…qi，将当前新能源营运汽车充电时长所属范围归类到相应区间进行记录；
47、基于监测以上所述的soc状态，充电方式qs，充电时温度所属范围情况，充电时长所属范围情况，得到新能源营运汽车的充电习惯；
48、(e)以表3记录的一个实例为例，监测了a地区某辆新能源营运汽车在某次充电行为中的习惯
49、表3a地区某辆新能源营运汽车在某次充电行为习惯监测表
50、
51、此实例监测方法同样适用于监测该地区以及其他地区的所有新能源营运汽车驾驶员的充电行为习惯。
52、进一步的，步骤s2中，建立k-means评价模型对营运一周期后的新能源营运汽车电池健康水平进行评估，实现原理流程如下：
53、(1)将当前电池soh，循环寿命ε，容量衰减qc、内阻rv、开路电压uk、充电效率cr、放电效率fr这七个参数输入k-means算法进行聚类分析，划分成k个等距的簇，使得每个簇都有一个初始中心点；
54、(2)将输入数据分配到每个簇中，直到所有的输入数据都被分配到新的簇中，并且将输入数据集中样本总数s分配到k个聚类中，是通过k-means不断调整簇的质心位置，最小化点到质心距离之和即最小化平方误差j实现的，针对聚类所得簇划分γ的最小化平方误差j；
55、
56、其中γ＝{γ1，γ2，…，γk}表示k个种类的电池健康等级簇，是当前电池soh，循环寿命ε，容量衰减qc、内阻rv、开路电压uk、充电效率cr、放电效率fr的特征矩阵，表示第i簇的簇质心；
57、(3)随机选择电池健康水平特征样本的k个聚类质心，测量样本与每个质心之间的距离，将每个样本指定给最近的聚类质心，如此迭代n次，每次迭代过程中，利用均值更新各类聚类的质心，对k个聚类质心，重复以上步骤，直至聚类质心保存稳定或者函数实现收敛；
58、基于以上步骤所述，可将电池健康评估模型划分为3个电池健康水平等级：m1、m2、m3，其中，m3为最优等级，m2为中等等级，m1为最差等级；以此评估某地区某辆新能源营运汽车营运一周期后电池健康水平；由于电池健康水平高低反应了充放电行为习惯好坏，则最优等级m3的电池健康水平对应最优等级m3的充放电行为习惯，以此类推m1，m2；本发明只提取电池健康水平被评估为最优等级m3的电池所记录的最优等级m3的充放电行为习惯的数据，其他被评为m1，m2等级的，将不作为参考。
59、进一步的，步骤s3中，为了优化a地区某辆新能源营运汽车充放电行为习惯，确定a地区为目标地区，利用svm模型，筛选与a地区地理特征相似的地区，从中选择最优等级m3充放电习惯；
60、在基于svm模型算法的数据筛选过程中，温度、纬度、经度以及海拔地理特征，被用作训练模型的关键参数；svm模型通过这些特征对具有类似属性的数据进行分类；利用svm模型筛选数据步骤，具体为：
61、步骤1)建立一个根据地理位置划分的数据库，其中包含各地区的温度、纬度、经度和海拔特征信号，从中提取这些特征的数据，并搜集各地区具有温度、纬度、经度和海拔信息的样本数据；每个样本都应该包括这些特征值以及一个目标标签，用于指示样本所属的类别；
62、步骤2)对数据进行预处理，包括处理缺失值、标准化特征等，这一过程的目标在于保证数据集能够被顺利用于训练模型；随后，数据集被分割成训练集和测试集；
63、步骤3)使用支持向量机算法训练模型，训练过程中，算法将学习如何将输入特征映射到相应的目标标签；支持向量机模型对样本进行类型识别，其预设一核函数θ；利用回归模型样本，构造代价函数其表达式为
64、
65、施加约束条件：
66、
67、δi≥0，i＝1,2,3,4…
68、其中，ωz表示分类界面向量；表示分类界面向量矩阵的转置；δi表示第i个样本的松弛变量；xi表示样本集x中第i个样本的特征向量；ui第i个样本的类别标签；b表示截距；表示惩罚因子；表示含有核函数θ的第i个样本的松弛变量
69、构建拉格朗日函数，样本数据a地区判断所属类别表达式为
70、
71、其中，wz表示特征权重向量，αi和ζi表示拉格朗日乘子；
72、使用训练好的模型来对地区进行分类，输入地区的温度、纬度、经度和海拔特征，并根据的符号判断所属的类别，若结果为正，则属于一个类别，若结果为负，则属于另一个类别，模型将输出预测的标签；
73、根据预测的标签，找到与a地区地理特征相似的b地区和d地区，进一步提取这些地区m3最优等级的充放电行为习惯数据。
74、进一步的，步骤s4中为了优化a地区某辆新能源营运汽车充放电行为习惯，以与a地区相似的b地区和d地区的m3最优等级充放电习惯为评分标准，分别对此辆新能源营运汽车进行充电习惯和放电习惯打分评估，所得分数为新能源营运汽车充放电行为习惯第一分数；
75、新能源营运汽车放电行为习惯第一分数和充电行为习惯第一分数打分具体步骤如下：
76、④从b地区和d地区最优等级m3的充放电行为习惯特征样本数据中提取放电行为习惯特征和充电习惯特征，并确保充放电习惯与特征样本数据一一对应；
77、最优等级m3的放电行为习惯特征包括：急减速次数ρ、急加速次数行驶速度等级情况行驶路况l中的路面不平度l1与路面坡度l2等级情况，外界温度所属范围情况；
78、最优等级m3的充电行为习惯特征包括：soc状态，充电方式qs，充电时温度所属范围情况，充电时长所属范围情况；
79、⑤根据b地区和d地区最优等级m3的充放电行为习惯样本数据中的每组充电和每组放电行为习惯特征，确定符合评分资格的每项充放电习惯特征阈值范围：
80、将每组放电习惯特征进行排序，将排序后的最高值设置为阈值范围上限，排序后的最低值设置为阈值范围下限；将每组充电习惯特征进行排序，将排序后的最高值设置为阈值范围上限，排序后的最低值设置为阈值范围下限；
81、以充电习惯特征电池soc电荷状态为例，对其进行排序最高值为9，最低值为3，设定符合评分资格的阈值范围[3,9]，评估充电习惯soc状态时，符合该阈值条件，该项充电习惯进入具体分数评估环节，不符合该阈值条件则该项充电行为习惯无评分资格，被判定为0分；
82、⑥根据筛选出的与目标新能源营运汽车所在地区地理特征相似的地区，以其地区的最优等级m3的各项放电行为习惯重叠度和充电行为习惯重叠度的高低标定各项放电行为习惯和充电行为习惯第一分数的权重系数；
83、④基于预设的阈值条件和每项充放电行为习惯第一分数的权重系数，评估目标新能源营运汽车充电行为习惯第一分数和放电行为习惯第一分数。
84、进一步的，步骤③具体为：
85、(1)首先，将最终筛选出的每项充放电行为习惯特征数据，例如充电习惯中的开始充电时soc状态，建立为向量特征；假设这些特征数据由h＝[h1,h2,h3…hn],其中n表示特征数据的数量，针对每个特征数据，统计其在向量h中出现的频率pi，然后通过以下公式计算每个特征数据的重叠度зi
86、
87、其pi是特征数据hi在向量h中出现的频率，由此可计算出每项充放电行为习惯特征数据的重叠度；
88、(2)各项放电行为习惯重叠度和各项充电行为习惯重叠度标定各项充放电习惯第一分数的权重系数，选取每项习惯特征数据最高的重叠度，将其按照由高到低依次排序，所对应的各项放电行为习惯第一分数依次赋予由大到小的权重系数为w1，w2，w3，w4，w5，w6，wi权重系数对应标识的放电行为习惯特征互不重复，i∈[1，6]，且为整数；所对应的各项充电行为习惯第一分数依次赋予由大到小的权重系数为ω1，ω2，ω3，ω4，且ωi权重系数对应标识的充电行为习惯特征互不重复，i∈[1，4]，且为整数；
89、(3)基于步骤(1)中每项充放电行为习惯特征数据之间的重叠度，将一项放电行为习惯数据的重叠度进行由高到低排序，所对应的此项放电行为习惯特征数据所属范围、等级或次数，其评估分数依次赋予由大到小的权重系数a1，a2，a3，ai1权重系数对应标识的特征数据所属范围、等级或次数互不重复，其中i1∈[1，n1]，且为整数，其他五项放电习惯以此法类推，所属范围、等级或次数的评估分数赋予权重系数b1，c1，d1，e1，f1，bi2、ci3、di4、ei5、fi6权重系数对应标识的特征数据所属范围、等级或次数互不重复，其中i2、i3、i4、i5、i6分别属于[1，n2]、[1，n3]、[1，n4]、[1，n5]、[1，n6]，且为整数；按照相同方法，将一项充电行为习惯数据的重叠度进行由高到低排序，所对应的此项充电行为习惯特征数据所属范围、等级或次数，其评估分数依次赋予由大到小的权重系数a1，a2，a3，a i7权重系数对应标识的特征数据所属范围、等级或次数互不重复，其中i7属于[1，n7]，且为整数，其他三项充电习惯依此法类推，所属范围、等级或次数的评估分数赋予权重系数b1，c1，d1，bi8、ci9、di10权重系数对应标识的特征数据所属范围、等级或次数互不重复,其中i8、i9、i10分别属于[1，n8]、[1，n9]、[1，n10]，且为整数。
90、进一步的，步骤④具体为：
91、(1)将目标新能源营运汽车充放电行为习惯多组特征数据进行清洗和准备，确保数据的准确性，进入到评分环节；
92、(2)将每项充放电行为习惯特征与所预设的符合评分资格的阈值范围进行对比分析，若该项习惯特征符合阈值范围，则进入具体分数评估环节，评分范围为(0，100]，使用满分100乘以该项习惯特征数据所属等级或次数或所属范围其对应的权重系数a i1/a i7,或者b i2/b i8等，结果为该项习惯数据的具体分数，若该项习惯特征不符合阈值范围，则被判定为0分；
93、(3)该项习惯数据的具体分数乘以该项习惯第一分数对应的权重系数w/ω，由此得出该项放电行为习惯或充电行为习惯的第一分数；
94、(4)以此方法类推，得出每一项放电行为习惯或充电行为习惯的第一分数，将其进行分别相加操作，则可得出该目标新能源营运汽车驾驶员放电行为习惯和充电行为习惯的第一分数；
95、本实例中，a地区某辆新能源营运汽车放电行为习惯特征数据为6组，总分数区间值为[0,100]，利用加权求和公式计算放电习惯第一总分数
96、rsf＝y1w1ai1+y2w2bi2+y3w3ci3+y4w4di4+y5w5ei5+y6w6fi6(11)
97、yn为目标新能源营运汽车放电行为习惯第n组特征数据根据预设的阈值条件所打的分数，符合阈值条件则打分为100，若不符合阈值条件则打分为0，n∈[1，6]，且为整数；
98、a地区某辆新能源营运汽车充电行为习惯特征数据为4组，总分数区间值为[0,100],利用加权求和公式计算充电习惯第一总分数
99、rsc＝β1ω1ai7+β2ω2bi8+β3ω3ci9+β4ω4di10 (12)
100、βи为目标新能源营运汽车驾驶员充电行为习惯，第组特征数据根据预设的阈值条件所打的分数，符合阈值条件则打分为100，若不符合阈值条件则打分为0，且为整数；
101、由此可计算出a地区某个新能源营运汽车驾驶员充电行为习惯第一分数和放电行为习惯第一分数；
102、由以上步骤可得：
103、新能源营运汽车放电行为习惯第一分数：rsf
104、新能源营运汽车充电行为习惯第一分数：rsc。
105、进一步的，步骤④中以目标新能源营运汽车自身充放电习惯作为评分标准，得到了放电行为习惯第二分数和充电行为习惯第二分数，作为第一分数的补充对照；
106、本发明不仅有上述根据相似地区最优等级充放电习惯作为评分标准得到的第一分数，同时还设置对照分数，即充放电习惯第二分数，此对照分数的评分标准是基于目标新能源营运汽车历史充放电行为习惯建立的第二分数打分规则表，计算得出的分数作为第二分数；其规则打分表数据的收集与利用不再重点针对相似地区的最优等级充放电习惯，而是面向目标新能源营运汽车自身的充放电习惯；本发明不仅仅依赖一种评分结果，而是结合两种评分模式的综合判断，以此得到相互取长补短、更为精确可靠的评分结果；
107、实例中a地区某辆新能源营运汽车充放电行为习惯第二分数是通过目标新能源营运汽车自身大量放电过程的急减速次数ρ、急加速次数行驶速度等级情况行驶路况l、外界温度所属范围，充电时soc状态，充电方式qs，充电时温度所属范围情况，充电时长所属范围情况的历史数据，产生对电池健康不同程度的影响，进行规则表的建立，输入a地区某辆新能源营运汽车放电行为习惯和充电行为习惯，按照所对应的评分细则给出每项习惯所得分值，并将分值进行相加总和，分别得出：
108、新能源营运汽车放电行为习惯第二分数：rsf
109、新能源营运汽车充电行为习惯第二分数：rsc。
110、进一步的，步骤s5具体为选取较低的评分作为优化依据，生成新能源营运汽车的电池充放电优化策略，步骤如下；
111、(3)选取较低分数对应的评分标准作为优化依据；利用新能源营运汽车充放电行为习惯第一分数rsf、rsc与第二分数rsf、rsc，进行分数对比，将较低分数对应的评分标准作为充放电策略优化依据；本发明通常情况下由于新能源营运汽车充放电行为习惯第一分数是以类似地区最优等级充放电习惯为评分标准，要求更加严格且具有针对性，所以普遍得分较低，但是无法排除第二分数较低时，不用学习类似地区最优等级充放电习惯，而学习目标新能源营运汽车自身充放电习惯更好的特殊情况，则增加了第二分数对应的评分标准作为优化依据的情况；
112、当rsf≤rsf,选取新能源营运汽车放电行为习惯第一分数的评分标准为优化依据；
113、当rsf>rsf,选取新能源营运汽车放电行为习惯第二分数的评分标准为优化依据；
114、当rsc≤rsc,则选取新能源营运汽车充电行为习惯第一分数的评分标准为优化依据；
115、当rsc>rsc,则选取新能源营运汽车充电行为习惯第二分数的评分标准为优化依据；
116、(4)生成新能源营运汽车的电池充放电优化策略；实例中，通过云端服务器与智能设备如智能手机、电脑、平板等，进行信息联通，云端服务器获取模块a地区某个新能源营运汽车充放电行为习惯第一分数和第二分数，从中选取较低分数对应的评分标准为此次充放电行为习惯分数和充放电策略优化依据，通过生成模块形成此次充放电行为习惯分数报告单和充放电优化策略报告单，通过传输模块将其发送到驾驶员的智能设备中；
117、充放电行为习惯分数报告单组成：
118、此次的充电行为习惯分数和放电行为习惯分数、具体每项充放电行为习惯分值；
119、充放电优化策略报告单组成：
120、新能源营运汽车电池开始充电时，最佳soc状态；
121、新能源营运汽车电池充电时，选择快充、慢充还是普充；
122、新能源营运汽车电池充电时，最佳充电时温度所属范围；
123、新能源营运汽车电池充电时，最佳充电时长所属范围；
124、新能源营运汽车电池放电时，平均5km路程最佳急减速次数ρ；
125、新能源营运汽车电池放电时，平均5km路程最佳急加速次数
126、新能源营运汽车电池放电时，平均5km路程最佳行驶速度等级情况
127、新能源营运汽车电池放电时，平均5km路面不平度l1等级和路面坡度l2等级；
128、新能源营运汽车电池放电时，最佳外界温度所属范围。
129、采用上述技术方案，本发明提出一种通过评估新能源营运汽车电池充放电习惯，基于以与目标新能源营运汽车所在地区地理特征相似的其他地区，选取其中优秀的充放电行为习惯作为评分标准，得出的充放电习惯第一分数，同时以目标新能源营运汽车自身充放电行为习惯作为评分标准，得出充放电习惯第二分数，进而根据评分实现电池充放电策略优化的方法，其主要的益处如下：
130、(1)可以获取各个地区新能源营运汽车电池充放电习惯，行车记录仪、电池管理系统bms以及多种传感器对电池充放电情况监测，将监测充放电情况信息统一传输到云端服务器，实现对新能源营运汽车的充放电行为习惯详细的监测和获取，方便分析评估新能源营运汽车的充放电行为习惯。
131、(2)具有学习相似地区对电池影响较好的充放电行为习惯的功能，通过不断学习相似地区新能源营运汽车优秀的充放电行为习惯，改变自身对于电池寿命不好的行为习惯，对新能源营运汽车的电池寿命产生积极的影响。
132、(3)该方法以相似地区新能源营运汽车优秀的充放电行为习惯作为第一分数评分标准，以自身充放电行为习惯作为第二分数评分标准，依据这两种评分标准，可实现对目标新能源营运汽车充放电行为习惯评分的功能，驾驶员能够根据评分优化充放电策略，对该新能源营运汽车充放电行为习惯进行调整，保持好的充放电习惯，改进对电池不利的充放电习惯，延长电池的使用寿命，从而降低新能源营运汽车使用成本，提升新能源营运汽车的性能。