高洪偉 康子怡 呂貴林 王文彬 何云廷

（1. 中國第一汽車股份有限公司 智能網(wǎng)聯(lián)開發(fā)院，長春130013；2. 汽車振動噪聲與安全控制綜合技術國家重點實驗室，長春130013）

主題詞：電動汽車 能耗 數(shù)據(jù)驅動 續(xù)駛里程 里程焦慮

1 前言

“十四五”時期是我國開啟全面建設社會主義現(xiàn)代化國家新征程的第一個五年規(guī)劃，汽車產(chǎn)業(yè)作為國民經(jīng)濟的重要支柱，做好“十四五”汽車產(chǎn)業(yè)發(fā)展規(guī)劃十分重要。2020年4月23日《關于完善新能源汽車推廣應用財政補貼政策的通知》中將新能源汽車應用財政補貼政策實施的限期延長至2022年底[1]。伴隨著社會對環(huán)境關注度的日漸提升，電動汽車在市場上的數(shù)量逐步增加。2017年至2020年，我國的純電動汽車的銷量高速增長，現(xiàn)在已成為全球最大的純電動汽車市場。這背后的原因有補貼政策和購車優(yōu)惠的支撐，也有消費者對電動汽車的正面印象的增加[2]。

與傳統(tǒng)的燃油車相比，電動車具有能量轉換效率較高、動力系統(tǒng)成本較低,使用環(huán)節(jié)更環(huán)保和使用環(huán)節(jié)噪聲小的優(yōu)點，但是不足之處是續(xù)駛里程較短。傳統(tǒng)燃油車的續(xù)駛里程為500～1000 km 之間。而電動汽車的續(xù)駛里程大部分在300～600 km 之間（圖1）。加上目前各城市的充電設施不完善，充電時間長，導致駕駛員在駕駛車輛之前會評估電量與剩余里程的關系，容易產(chǎn)生“里程焦慮”的現(xiàn)象，為此駕駛員會對能耗問題的關注度增高。因為提高電動汽車的續(xù)駛里程和縮減充電時間的技術難題尚有待突破，因此可以從能耗預測的角度出發(fā)來解決“里程焦慮”。根據(jù)研究[3]，相比于電池容量的提升，駕駛員更希望能夠準確預估剩余續(xù)駛里程。提供準確的能耗預測結果可以讓駕駛員更好地把控續(xù)駛里程，從而制定合理的出行路線，對于促進電動汽車的發(fā)展和使用也具有重要的意義。

圖1 市場上5種典型電動汽車的續(xù)駛里程

能耗預測是通過估計未來一段時間內的行車需求及其影響因素來分析能耗量。常見的預測方法有傳統(tǒng)統(tǒng)計學方法中的回歸分析，也有近些年流行的機器學習的方法，如支持向量機、深度學習算法。續(xù)駛里程指的是為電池在全充滿狀態(tài)下，車輛所能行駛的最大里程。而剩余里程是指在電池當前狀態(tài)到電池截止電壓狀態(tài)，車輛可以行駛的最大里程。

如圖2 的能耗預測框架所示，能耗預測模型的前期需要根據(jù)車輛和交通大量數(shù)據(jù)、GIS服務、駕駛員畫像進行能耗預測影響因素的分析，大量數(shù)據(jù)經(jīng)過處理后，用于能耗預測模型。能耗預測的結果可以用于可行駛范圍估計、智慧能量導航、能耗優(yōu)化分析、續(xù)駛里程估計。

圖2 能耗預測框架

本文中提到的電動汽車是指純電動汽車，即以電池作為全部動力來源的電動汽車。

2 影響電動汽車能耗的主要因素

電動汽車的能量消耗與諸多因素都有關，且各因素之間相互影響，錯綜復雜。從駕駛過程的角度來看，駕駛員在駕駛車輛的過程中，駕駛員—車—環(huán)境形成了一個閉環(huán)。駕駛員通過控制車輛與環(huán)境進行交互，環(huán)境的改變也會影響駕駛員的控制量。這個閉環(huán)中的每個環(huán)節(jié)都會以各自的形式對電動汽車的能耗產(chǎn)生大小不同的影響。本文從3 個環(huán)節(jié)的角度出發(fā)，將電動汽車能量消耗的主要影響因素歸為3大類，如圖3所示。

圖3 電動汽車能量消耗的主要影響因素

從駕駛員的角度來考慮，在相同的交通場景下，不同的駕駛員即使是駕駛同樣的車輛，也會因受到駕駛經(jīng)驗、性格因素的影響而有著不同的駕駛風格，從而造成車輛行駛能耗的不同。常見的駕駛風格可以分為激進型、一般型和保守型。激進型駕駛員在行駛過程中踩油門的幅度較大，頻次較多，因而行駛能耗相對較高，而保守型駕駛員則踩油門的幅度較小，頻次較少，行駛能耗相對比較低。

從車輛自身的角度來看，能量消耗包括行駛能耗和附件能耗2部分。從電動汽車的角度來考慮，車輛自身質量、結構及其零件的性能、電機效率、電池內阻消耗、胎壓、造型這些因素都會對車輛的行駛阻力造成影響，繼而影響車輛的行駛能耗。不同的駕駛員對車輛內部的需求不同，其中空調的使用對電動汽車的能耗有著較為明顯的影響。電動汽車上最大的附件能耗之一即為空調，因此空調是否啟用以及功率大小都對續(xù)駛里程的預測有著重要的影響[3]。此外，附件能耗還包括電池熱管理系統(tǒng)、座椅加熱等其它消耗（圖3）。

電池作為電動汽車的動力來源，其性能會受到環(huán)境的溫度影響，電池參數(shù)如總電流、內阻、電池循環(huán)壽命等都會通過對電池荷電狀態(tài)（State Of Charge,SOC）產(chǎn)生影響，從而間接影響續(xù)駛里程的估算，其中SOC代表電池當前電量與額定電量的比例，需要考慮多種影響因素而對其進行估算。此外，電池的衰減狀態(tài)、剎車的能量回收率都會對能耗估算產(chǎn)生影響。

從環(huán)境因素來考慮，主要包含了道路交通環(huán)境和自然環(huán)境。道路交通環(huán)境涵蓋道路工況和交通工況。道路工況是指坡度、道路曲率和路面附著等，詳細見圖3。車輛在上下起伏的路面和平穩(wěn)的路面行駛對于車輛的行駛能耗有著顯著的影響。交通工況則包含擁堵程度和流量。自然環(huán)境包含外界溫度、天氣和日照環(huán)境。自然環(huán)境會影響空調的使用，由此也可以看出各因素之間具有相關性，彼此復雜交錯。不同的天氣下，路面阻力和空氣阻力會有區(qū)別，溫度越低，空氣阻力會越大，車輛的行駛阻力越大，行駛能耗越多。環(huán)境溫度會影響電池內部的能量消耗率，在不同環(huán)境溫度下行駛相同里程的電動汽車消耗的能量有所不同。在較低的溫度下，電池的充放電容量比常溫下的有所降低，內阻呈現(xiàn)非線性增長，電池消耗的能量更大[4]，制約了電動汽車的續(xù)駛里程。

3 研究現(xiàn)狀

從上述內容可以得知，電動汽車的能耗是由眾多因素耦合而成的，而且作為非線性模型，汽車的建模存在著復雜度高、計算量大的困難。因此基于物理模型很難準確地對能耗進行預測。

傳統(tǒng)算法中是利用計算平均能耗的方法，通過測量過去的能量消耗并且假設能量消耗與過去相似來避免使用基于物理的模型，從而估算能耗。利用已行駛里程和這段里程消耗的能量計算出單位能耗可以行駛的里程，通過電池的荷電狀態(tài)估算電池的剩余能量，然后按照車輛能耗和電池輸出能量相等的原則來估計車輛的行駛里程[5]。

目前的研究現(xiàn)狀分為2類不同的研究方向。第一類研究方向是以電池為主要的研究對象，以電池的性能研究為著手點，研究電池的機理和特性，探究電池的剩余電量、溫度因素與能耗之間的關系，建立續(xù)駛能耗模型；通過其能量狀態(tài)來預測續(xù)駛里程。傳統(tǒng)的燃油車的剩余能量可以通過汽油油量來計算，而電動汽車的能量是儲存在電池中的化學能，無法直接計算，需要建模估算。當前純電動汽車多以鋰離子電池作為動力電池。研究表明，鋰離子電池的最佳工作溫度在20 ℃至45 ℃之間[6]，電池在充電放電過程中會產(chǎn)生熱能，從而帶來電池的能耗損失，并且對電池的性能有所影響。劉光明[7]以鋰離子電池作為研究對象，研究全SOC范圍內的精準電池模型和電池溫度影響電池產(chǎn)熱的問題，并利用電池模型的結果預測分析電池的充放電過程，預測電池剩余放電能量。最后搭建了用于估算車輛續(xù)駛里程的模型。陳燎[8]等人指出電動汽車的能耗預測估算的根本是對電池剩余能量的估計和對剩余里程的估算。而電池模型的精度對SOC的估算有重要影響，因此采取了3 階等效電路模型對電池進行建模，該模型具有良好的適用性。

以上這種利用電池能量狀態(tài)預測的方法的優(yōu)勢在于通過建立更為精準的電池模型從而更準確地估算電池剩余能量。但不足之處在于單獨地研究電池的電流、電壓參數(shù)，并沒有與車輛在實際工況中的行駛情況相結合，在估算續(xù)駛里程時，缺乏對動態(tài)交通環(huán)境、駕駛員駕駛行為的考慮，造成續(xù)駛里程估算誤差偏大。

第2 類研究是以數(shù)據(jù)驅動為技術基礎，以駕駛員風格、交通工況和道路環(huán)境的實際因素為主要研究對象，進行特征識別，從而在此基礎上進行能耗預測的研究。

目前在電動汽車能耗預測方面，因為能耗的影響因素眾多，且過程錯綜復雜，因此數(shù)據(jù)驅動方法較為廣泛使用。數(shù)據(jù)驅動是結合了傳統(tǒng)數(shù)據(jù)分析和處理大量數(shù)據(jù)復雜算法的一個領域，是指從大量數(shù)據(jù)中挖掘信息之間的關聯(lián)性，從而來完成對某一對象的評估、診斷和預測功能。數(shù)據(jù)驅動可以從目標對象的數(shù)據(jù)中挖掘出對建模有效信息，并建立輸入、輸出之間的數(shù)學關系。該方法結合了來自統(tǒng)計學的抽樣、估計方法，也采納了機器學習的建模技術和理論。數(shù)據(jù)驅動法如圖4所示，其中的數(shù)據(jù)收集是指采集大量且有效的所需數(shù)據(jù)，數(shù)據(jù)預處理是指由于數(shù)據(jù)的復雜性和異常等情況，在使用數(shù)據(jù)建模之前，需要首先進行清洗、刪除、轉換的預處理操作，使數(shù)據(jù)規(guī)范、可用，即將未加工的數(shù)據(jù)處理為適合后續(xù)分析或者算法的格式。數(shù)據(jù)挖掘常用機器學習算法來完成對數(shù)據(jù)的分類及預測。后處理是指對結果進行可視化處理。評價是指將測試集的數(shù)據(jù)輸入至模型，將輸出的結果與實際結果相對比，利用均方根誤差指標對結果進行相應的評判。

圖4 基于數(shù)據(jù)驅動的流程

機器學習的原理是從大量數(shù)據(jù)中探究彼此之間的關系形成模型，然后將利用模型對新的輸入進行預測。在電動汽車能耗預測方面，即表現(xiàn)為探究行駛里程與諸多因素之間的關系。神經(jīng)網(wǎng)絡是機器學習中有監(jiān)督學習的一種算法，是將現(xiàn)有的信息模擬人類大腦中神經(jīng)網(wǎng)絡處理信息的方式來實現(xiàn)的算法，在智能時代成為解決眾多模糊問題的選擇之一。深度學習是在神經(jīng)網(wǎng)絡算法的基礎上延伸而來。其本質上也是機器學習眾多算法中的一種。它解決了傳統(tǒng)的多層神經(jīng)網(wǎng)絡的過擬合問題，成為人工智能領域常用的算法之一。

Felipe Jiménez等[9]提出考慮駕駛員駕駛風格和路線特征的基于神經(jīng)網(wǎng)絡的能耗預測模型。該方法包含2個階段，首先利用神經(jīng)網(wǎng)絡訓練，將不同駕駛風格（特征量與速度、加速度/減速度、滑行時間有關）用戶在不同路線（包括道路坡度相關的屬性）行駛時消耗的能量作為訓練數(shù)據(jù)進行模型訓練，2 種駕駛風格的駕駛員分別多次沿2條路線行駛的數(shù)據(jù)作為訓練集的輸入。其次在新的路線上通過駕駛員駕駛車輛來驗證和應用訓練好的神經(jīng)網(wǎng)絡，將駕駛員駕駛風格的特征量和路線特征輸入到神經(jīng)網(wǎng)絡，從而得到能耗預測值，將能量消耗的實際值與網(wǎng)絡估計值進行比較。該方法可以在已知路線時，提前了解能量消耗情況。

Cedric De Cauwer等[10]人利用數(shù)據(jù)驅動的方法，使用神經(jīng)網(wǎng)絡（Neural Network，NN）級聯(lián)和多元線性回歸模型（Multiple Linear Regression，MLR）將駕駛行為的微觀駕駛參數(shù)（如速度、加速度）和外部環(huán)境參數(shù)（道路特征、溫度）相結合，用于預測道路網(wǎng)絡中給定道路的能量消耗。如圖5所示為基于神經(jīng)網(wǎng)絡模型的輸入與輸出，該模型適用性強，可用于出發(fā)前任何給定道路的能耗預測。

圖5 基于神經(jīng)網(wǎng)絡模型的輸入與輸出[10]

Giovanni De Nunzio 等[11]利用現(xiàn)有的地圖可提供的服務數(shù)據(jù)，提出了一種考慮相鄰路段界面處的加速度和在關鍵道路基礎設施要素引起的附加加速度能耗模型。依據(jù)電動汽車的行駛數(shù)據(jù)，探究能量消耗與環(huán)境、駕駛風格和車輛特征參數(shù)之間的關系。

Kanok Boriboonsomsin 等[12]人用到了一種道路網(wǎng)絡的數(shù)字地圖，即動態(tài)道路網(wǎng)絡數(shù)據(jù)庫，通過嵌入式的融合算法將多個數(shù)據(jù)源的歷史信息和實時交通信息整合到一起，并進行了分層排序。

這種基于數(shù)據(jù)驅動的研究方向的優(yōu)勢在于模型具有較好的通用性，可以應用于不同類型的電動汽車。但不足之處在于，需要獲取大量且有效的駕駛行為、交通、道路等多源數(shù)據(jù)，數(shù)據(jù)的獲取渠道并不容易。表1為以上3種電動汽車能耗預測方法的優(yōu)缺點對比。

4 存在的問題

盡管電動汽車能耗預測技術近年來有了一些進展，但是仍存在一些問題，主要集中在以下3個方面：

（1）為了提高能耗預測的準確度，建立相對準確的模型，需要采集大量的信息，包括車輛的行為信息，環(huán)境信息，駕駛員的個體行為信息，天氣信息的多源數(shù)據(jù)。數(shù)據(jù)獲取渠道較復雜，采集過程繁瑣，雖然模型的預測精度高，但是復雜度也高。

表1 電動汽車能耗預測方法的優(yōu)缺點對比

（2）在研究駕駛風格時，是在以假設數(shù)據(jù)足以表征駕駛員駕駛風格的基礎上進行的，但實際上為簡化計算，通常只選取其中的有代表性的特征量。

（3）現(xiàn)有的研究在仿真條件下開展得較多，對于能耗預測的實時性要求較低?，F(xiàn)有研究在實際的復雜的城市環(huán)境中，都無法完全兼顧預測精度和通用性的問題。

目前的電動汽車的能耗預測研究大部分是在相對理想條件下展開的，而實際的城市環(huán)境和出行環(huán)境十分復雜，且車輛本身在實際運行過程中如電流、溫度等多種因素都處于變化中，模擬工況難以完全模擬出真實的效果，因此基于仿真模擬環(huán)境的能耗估計與實際數(shù)據(jù)仍有一定的差距，對實際出行的能耗預測并沒有特別有效的指導性。

今后關于電動汽車能耗預測的研究應考慮以下3點：

（1）可以考慮應用在智能導航系統(tǒng)上，根據(jù)車輛的能耗情況更加合理地安排用戶的出行；

（2）可以與電動汽車自動駕駛的路徑規(guī)劃和速度規(guī)劃相結合，以此提供更好地出行策略，避免電量不足的問題發(fā)生；

（3）可以將能耗預測與車載智能推薦服務、充電樁的選址等問題相結合，為駕駛員提供更為便利的服務。

5 結束語

電動汽車的續(xù)駛里程與多種因素相關，在研究如何提升電動汽車續(xù)駛里程的同時，提高對電動汽車續(xù)駛里程估算的準確度，能夠為駕駛員提供有效信息和參考價值。

本文總結了電動汽車能源消耗預測的重要性和必要性，對影響能耗的主要因素進行了歸納總結。然后介紹了能耗預測技術現(xiàn)有的研究思路，最后通過對近年來電動汽車能耗預測技術的分析研究，總結出能耗預測研究現(xiàn)存的不足及未來的發(fā)展方向，指出能耗預測是未來電動汽車發(fā)展的重要指標之一，對于電動汽車的推廣和發(fā)展有著至關重要的意義。