電動汽車能耗預(yù)測的研究

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(shù)國家重點(diǎn)實(shí)驗(yàn)室，長春130013）

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

1 前言

“十四五”時(shí)期是我國開啟全面建設(shè)社會主義現(xiàn)代化國家新征程的第一個(gè)五年規(guī)劃，汽車產(chǎn)業(yè)作為國民經(jīng)濟(jì)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(guān)于完善新能源汽車推廣應(yīng)用財(cái)政補(bǔ)貼政策的通知》中將新能源汽車應(yīng)用財(cái)政補(bǔ)貼政策實(shí)施的限期延長至2022年底[1]。伴隨著社會對環(huán)境關(guān)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(bǔ)貼政策和購車優(yōu)惠的支撐，也有消費(fèi)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(zhuǎn)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(diǎn)，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(shè)施不完善，充電時(shí)間長，導(dǎo)致駕駛員在駕駛車輛之前會評估電量與剩余里程的關(guān)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(guān)注度增高。因?yàn)樘岣唠妱悠嚨睦m(xù)駛里程和縮減充電時(shí)間的技術(shù)難題尚有待突破，因此可以從能耗預(yù)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(zhǔn)確預(yù)估剩余續(xù)駛里程。提供準(zhǔn)確的能耗預(yù)測結(jié)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(jìn)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(yù)測是通過估計(jì)未來一段時(shí)間內(nèi)的行車需求及其影響因素來分析能耗量。常見的預(yù)測方法有傳統(tǒng)統(tǒng)計(jì)學(xué)方法中的回歸分析，也有近些年流行的機(jī)器學(xué)習(xí)的方法，如支持向量機(jī)、深度學(xué)習(xí)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(dāng)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(yù)測框架所示，能耗預(yù)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(wù)、駕駛員畫像進(jìn)行能耗預(yù)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(yù)測模型。能耗預(yù)測的結(jié)果可以用于可行駛范圍估計(jì)、智慧能量導(dǎo)航、能耗優(yōu)化分析、續(xù)駛里程估計(jì)。

圖2 能耗預(yù)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(guān)，且各因素之間相互影響，錯綜復(fù)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(gè)閉環(huán)。駕駛員通過控制車輛與環(huán)境進(jìn)行交互，環(huán)境的改變也會影響駕駛員的控制量。這個(gè)閉環(huán)中的每個(gè)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(gè)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(yàn)、性格因素的影響而有著不同的駕駛風(fēng)格，從而造成車輛行駛能耗的不同。常見的駕駛風(fēng)格可以分為激進(jìn)型、一般型和保守型。激進(jìn)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(zhì)量、結(jié)構(gòu)及其零件的性能、電機(jī)效率、電池內(nèi)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(nèi)部的需求不同，其中空調(diào)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(diào)，因此空調(diào)是否啟用以及功率大小都對續(xù)駛里程的預(yù)測有著重要的影響[3]。此外，附件能耗還包括電池?zé)峁芾硐到y(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(nèi)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(dāng)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(jìn)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(xì)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(diào)的使用，由此也可以看出各因素之間具有相關(guān)性，彼此復(fù)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(nèi)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(nèi)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(nèi)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(fù)雜度高、計(jì)算量大的困難。因此基于物理模型很難準(zhǔn)確地對能耗進(jìn)行預(yù)測。

傳統(tǒng)算法中是利用計(jì)算平均能耗的方法，通過測量過去的能量消耗并且假設(shè)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(jì)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(jì)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(diǎn)，研究電池的機(jī)理和特性，探究電池的剩余電量、溫度因素與能耗之間的關(guān)系，建立續(xù)駛能耗模型；通過其能量狀態(tài)來預(yù)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(jì)算，而電動汽車的能量是儲存在電池中的化學(xué)能，無法直接計(jì)算，需要建模估算。當(dāng)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(nèi)的精準(zhǔn)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(jié)果預(yù)測分析電池的充放電過程，預(yù)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(yù)測估算的根本是對電池剩余能量的估計(jì)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(jìn)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(yù)測的方法的優(yōu)勢在于通過建立更為精準(zhǔn)的電池模型從而更準(zhǔn)確地估算電池剩余能量。但不足之處在于單獨(dú)地研究電池的電流、電壓參數(shù)，并沒有與車輛在實(shí)際工況中的行駛情況相結(jié)合，在估算續(xù)駛里程時(shí)，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(qū)動為技術(shù)基礎(chǔ)，以駕駛員風(fēng)格、交通工況和道路環(huán)境的實(shí)際因素為主要研究對象，進(jìn)行特征識別，從而在此基礎(chǔ)上進(jìn)行能耗預(yù)測的研究。

目前在電動汽車能耗預(yù)測方面，因?yàn)槟芎牡挠绊懸蛩乇姸啵疫^程錯綜復(fù)雜，因此數(shù)據(jù)驅(qū)動方法較為廣泛使用。數(shù)據(jù)驅(qū)動是結(jié)合了傳統(tǒng)數(shù)據(jù)分析和處理大量數(shù)據(jù)復(fù)雜算法的一個(gè)領(lǐng)域，是指從大量數(shù)據(jù)中挖掘信息之間的關(guān)聯(lián)性，從而來完成對某一對象的評估、診斷和預(yù)測功能。數(shù)據(jù)驅(qū)動可以從目標(biāo)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(xué)關(guān)系。該方法結(jié)合了來自統(tǒng)計(jì)學(xué)的抽樣、估計(jì)方法，也采納了機(jī)器學(xué)習(xí)的建模技術(shù)和理論。數(shù)據(jù)驅(qū)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(yù)處理是指由于數(shù)據(jù)的復(fù)雜性和異常等情況，在使用數(shù)據(jù)建模之前，需要首先進(jìn)行清洗、刪除、轉(zhuǎn)換的預(yù)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(jī)器學(xué)習(xí)算法來完成對數(shù)據(jù)的分類及預(yù)測。后處理是指對結(jié)果進(jìn)行可視化處理。評價(jià)是指將測試集的數(shù)據(jù)輸入至模型，將輸出的結(jié)果與實(shí)際結(jié)果相對比，利用均方根誤差指標(biāo)對結(jié)果進(jìn)行相應(yīng)的評判。

圖4 基于數(shù)據(jù)驅(qū)動的流程

機(jī)器學(xué)習(xí)的原理是從大量數(shù)據(jù)中探究彼此之間的關(guān)系形成模型，然后將利用模型對新的輸入進(jìn)行預(yù)測。在電動汽車能耗預(yù)測方面，即表現(xiàn)為探究行駛里程與諸多因素之間的關(guān)系。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中有監(jiān)督學(xué)習(xí)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(luò)處理信息的方式來實(shí)現(xiàn)的算法，在智能時(shí)代成為解決眾多模糊問題的選擇之一。深度學(xué)習(xí)是在神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上延伸而來。其本質(zhì)上也是機(jī)器學(xué)習(xí)眾多算法中的一種。它解決了傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)的過擬合問題，成為人工智能領(lǐng)域常用的算法之一。

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

Cedric De Cauwer等[10]人利用數(shù)據(jù)驅(qū)動的方法，使用神經(jīng)網(wǎng)絡(luò)（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(jié)合，用于預(yù)測道路網(wǎng)絡(luò)中給定道路的能量消耗。如圖5所示為基于神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出，該模型適用性強(qiáng)，可用于出發(fā)前任何給定道路的能耗預(yù)測。

圖5 基于神經(jīng)網(wǎng)絡(luò)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(wù)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(guān)鍵道路基礎(chǔ)設(shè)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(fēng)格和車輛特征參數(shù)之間的關(guān)系。

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

這種基于數(shù)據(jù)驅(qū)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(yīng)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(yù)測方法的優(yōu)缺點(diǎn)對比。

4 存在的問題

盡管電動汽車能耗預(yù)測技術(shù)近年來有了一些進(jìn)展，但是仍存在一些問題，主要集中在以下3個(gè)方面：

（1）為了提高能耗預(yù)測的準(zhǔn)確度，建立相對準(zhǔn)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(gè)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(fù)雜，采集過程繁瑣，雖然模型的預(yù)測精度高，但是復(fù)雜度也高。

表1 電動汽車能耗預(yù)測方法的優(yōu)缺點(diǎn)對比

（2）在研究駕駛風(fēng)格時(shí)，是在以假設(shè)數(shù)據(jù)足以表征駕駛員駕駛風(fēng)格的基礎(chǔ)上進(jìn)行的，但實(shí)際上為簡化計(jì)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(yù)測的實(shí)時(shí)性要求較低。現(xiàn)有研究在實(shí)際的復(fù)雜的城市環(huán)境中，都無法完全兼顧預(yù)測精度和通用性的問題。

目前的電動汽車的能耗預(yù)測研究大部分是在相對理想條件下展開的，而實(shí)際的城市環(huán)境和出行環(huán)境十分復(fù)雜，且車輛本身在實(shí)際運(yùn)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(shí)的效果，因此基于仿真模擬環(huán)境的能耗估計(jì)與實(shí)際數(shù)據(jù)仍有一定的差距，對實(shí)際出行的能耗預(yù)測并沒有特別有效的指導(dǎo)性。

今后關(guān)于電動汽車能耗預(yù)測的研究應(yīng)考慮以下3點(diǎn)：

（1）可以考慮應(yīng)用在智能導(dǎo)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(jié)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(yù)測與車載智能推薦服務(wù)、充電樁的選址等問題相結(jié)合，為駕駛員提供更為便利的服務(wù)。

5 結(jié)束語

電動汽車的續(xù)駛里程與多種因素相關(guān)，在研究如何提升電動汽車?yán)m(xù)駛里程的同時(shí)，提高對電動汽車?yán)m(xù)駛里程估算的準(zhǔn)確度，能夠?yàn)轳{駛員提供有效信息和參考價(jià)值。

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