歐洲汽車動力系統多元化的發展趨勢和展望

摘 要：當前，全球能源結構處在變革時期，低碳和零碳化是包括汽車行業在內的所有經濟運行和規劃活動中的重中之重。汽車動力系統的能源呈現多元化的發展趨勢，始于輕型車的電動化已成為不可逆轉的總體方向，而氫時代在到來之前面臨各種技術和非技術類等諸多問題的挑戰。電動化帶來的一個更為廣泛應用的新技術是人工智能（AI），從而使得汽車動力系統逐步突破傳統設計方法的局限得以適應更加復雜的環境條件并獲得高效率。該文介紹歐洲汽車動力系統電動化和多元化的發展趨勢， 針對歐盟正在考慮中的電力合成燃料等問題并結合動力系統智能化等發展趨勢，對歐洲汽車技術領域在2035 年前的研發動向作出相關思考以及展望。

關鍵詞： 碳中和；動力多元化；電動汽車（EV）；清潔能源；電子燃料（e-fuels）；人工智能（AI）

中圖分類號： X 932 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2024.02.001

眾所周知，目前我們所使用的各種能源均來源于太陽能。在過去的幾十萬年到幾百萬年的時間長河中，通過各種生物的演變存亡過程，太陽能最終變成了現在使用的礦物能源。然而，人類在近代100 多年的時間里的社會與經濟實踐活動中，用以小時、分、秒為時間計算單位的速度把通過植物光合作用所產生的碳基燃料變成CO2 氣體釋放到大氣中，加劇了溫室效應導致全球變暖等很多環境問題。目前，在全球范圍內實現碳中和是基于碳排放對大氣環境的影響之共識而達成的人類共同目標， 全世界合作的相關研究工作力圖推進和發展各種可能的技術途徑，使人類在使用能源的同時不再產生新的CO2 排放，其愿景在2050 年或至2060 年之間實現碳中和，使大自然中的CO2 濃度不發生明顯變化， 全球平均氣溫升高不超過1.5 ℃。世界各國實現低碳化的第一步是逐步停止大規模排放CO2，同時通過研究、發展并采用碳捕捉方法，加快實現能源生產和使用全生命周期里碳中和的總體目標。為此國際能源署 （International Energy Agency，IEA） 發布了關于未來能源開發和使用的基本路線圖，如圖1 所示[1]。該路線圖中有2 個重要的節點，第1 個是自2021 年起，全球不再批準新油田和新氣田的開發，第2 個是2035年前后開始陸續停售汽油車和柴油車， 到2050 年左右，70% 左右的能源將來自太陽能和風力發電。作為汽車大國，中國也將目標定在2060 年實現碳中和。在全球范圍的大環境背景下，碳中和意味著車用動力的能源將發生根本性的變革。

圖2 是殼牌和豐田在聯名發表的一篇論文里展示的未來車用能源動力流向圖[2]。由圖可見，車用能源動力主要包括3 個主流：第1 個是以光電、風電和水電等為主的可再生能源，包括氫能；第2 個是以生物質為主體的生物燃油和最近倍受關注的電力合成燃料；第3 個是在相當長的時間里存在的能源主流，即傳統的礦物燃料，包括汽油、柴油和天然氣。需要特別關注的是前面2 個主流中的重疊部分，即氫的走向。通過電解水制作綠氫再與捕獲到的CO2 結合制作的燃料被稱為電力合成燃料或電子燃料（e-fuels），也稱為 非生物來源可再生燃料（renewable fuels from non biological sources，RFONBOs）。與生物燃料（biofuels） 相同，它們都具有在環境壓力和溫度下呈液態的優點，因此易于儲存和運輸。

2023 年初，歐盟發布了其對未來歐洲汽車動力系統實現低碳化目標的展望[3]， 其中包括未來歐洲汽車的能源動力結構。 由圖3 可見，在2050 年前的25 年里，輕型車和重型車在內的所有動力系統能源都將發生重大變革。就輕型車而言，由于自2035 年開始，按照法規要求實際上不允許再銷售傳統的燃油車，因為所有在售的車輛必須滿足歐洲“ 零碳 ”排放的要求。預計到2035 年，輕型汽車的能源結構會有一個突變。到2050年，道路上輕型車隊中“ 零碳 ”排放汽車占比要達到80% 以上，7% 以上的輕型車可能繼續使用傳統的燃油車。就重型車而言，動力總成呈現多元化態勢更加明顯。到2050 年，預計61% 在售重型車輛會是“ 零碳 ”排放汽車，但道路上重型車隊中“ 零碳 ”排放車輛仍然占比35%， 因此在重型車上的柴油發動機還會繼續使用相當長的時間。從整體來說，預計到2050 年，道路上仍然有1/3 的重型車和20% 輕型車將仍然使用傳統的燃油。另外，由于內燃機本身發展時間較長，各種內燃機在不同的車型包括特種用途車輛上占有率很大，因此，內燃機在相當長時間里將會在不同場合繼續發揮作用，但是，傳統的石化燃油會逐漸被新型的低碳燃料代替。

汽車新四化（ 網聯化、智能化、共享化及電動化，Connected、Autonomous、Share amp; Services、Electric，CASE） 汽車技術的內涵是圍繞汽車電動化需求依托信息化技術發展，人工智能技術是其中的關鍵之一，智能化其實涵蓋了共享化， 而電動化是多元化的一部分。目前伯明翰大學車輛和發動機研究中心（Vehicle amp;Engine Research Centre） 的人工智能賦能低碳動力系統開發基于“三橫四縱”理論體系，如圖4 所示，其中三橫代表支撐性的人工智能技術，四縱則是人工智能賦能的低碳汽車動力系統的4 大應用場景。代表性的人工智能技術主要包括模糊推理、演化計算和機器學習。4大應用場景指的是車輛動力部件、車輛動力系統、駕駛員與車輛、車輛與交通4 個層級的工程開發與應用。第1 個層級采用人工智能技術對動力部件進行設計與控制，這些動力部件包括發動機、電池、電動機等等；第2 個層級是人工智能賦能車輛電動化系統集成與能量管理和控制，包括子系統尺寸的智能化設計和熱能管理系統；第3 個層級面向駕駛員駕駛風格的定制化能量優化，對發動機和混合動力系統模型和控制策略進行最優化處理，使得動力系統在整個道路循環下實現最高的能量效率；第4 個層級是交通系統和交通能源方面的協同控制。

1 歐洲車用能源多元化發展動向

為實現2050 年碳中和的目標， 歐盟在汽車領域里采取了幾個重大戰略，主要包括以下幾個方面：1） 通過2025 年始行歐七排放標準，限制各類車輛排放，為汽車電動化鋪路；2） 采用市場補貼和制造業補貼等方式強力推動電動汽車的開發；3） 大力發展氫戰略計劃，推動儲能和燃料電池技術的發展；4） 在清潔燃料方面，由于傳統的生物燃料受到資源限制沒有達到預期目標，近些年來歐盟鼓勵支持開發電力合成燃料“（ 電子燃料”）。

多年來，歐盟一直在花費高額投資研發包括電動汽車技術在內的現代汽車動力。歐盟汽車產業占歐洲工業的65%，研發費用則占了整個工業研發總費用的31% [4]。歐盟27 個國家為了在2030 年前實現各自制定的目標，正在動力電池、充電樁、電池能量密度以及電力供應發展等方面發力，在技術發展方面，聚焦電動化，特別是在動力電池技術的發展上進行了大量投入。預計到2030 年，歐洲的電池產能將從2022 年的124 GWh 增加10 倍至1.5 TWh，將占全球電池產量的1/10 [5]。同時，全球各大汽車廠家相繼在歐洲市場上加大電動汽車新車型的投入。自2019 年起，世界各大汽車廠在歐盟大規模投入越來越多的新產品，尤其最近5 年的發展態勢非常迅猛。預計到2025 年，純電動車將達到170 個不同車型。如圖5 所示，作為配套設施，充電站的數目在2030 年前將會大幅增加[6]。 燃料電池在重型車上的應用前景逐步被看好， 如圖6 所示，預測成本不斷降低，估計到2030 年會降低至目前的一半[7]。近年來，歐盟加氫站數量一直不斷增長。歐洲氫能聯盟公布的計劃表明，到2030 年，歐洲將部署多達10 萬輛氫燃料卡車和1 500 個加氫站。在為商用車提供的加氫站方面，德國預計將在歐洲成為領先的國家，到2025 年將達到約85 個加氫站，到 2030 年將達到約 300 個（ 如圖7），所示預計是排名第2 的英國的2 倍[8]。

歐盟已公布的歐七排放法規已經被正式批準將從2025 年開始生效。為了讓汽車工業界騰出更多的資源開發電動化動力技術，歐七沒有對排放標準做過于嚴格的提升，但對車載自動診斷系統（on-board diagnostics，OBD） 提出了更高的要求。從歐六起歐盟就已經把車載OBD 作為標配技術，在歐七中新制定了一個測試規范，即要求車載在線控制系統通過云端向相關部門進行實時監控數據傳輸[9]，新的測試規范為車用多能源動力技術創造了更多應用場景。生產廠家可通過數據傳輸對車輛運行狀態進行監控，甚至進行調整，這將對網聯車輛技術產生重大影響。今后，在網聯車輛的實時控制策略方面將會開展大量的研究工作，整個道路交通系統上的所有車輛的綜合能量效率都將得到很大提高，其效果甚至可能超乎人們過去的想象。

2 電子燃料

2023 年3 月下旬， 歐盟在禁燃法規簽字的前夕，與德國等國家達成協議，原則上允許2035 年后使用全生命周期里不排放CO2 的電子燃料[10]。電子燃料在國際上通稱為“e-fuel”（electro-fuel），它是一種基于“綠氫”碳生產的合成燃料，是由從水中電離出或生物質中分解產生的氫氣和通過碳捕捉得到的CO2 制造的。 所以生產電子燃料首先要有綠色電力能源，其次，需要從空氣或燃燒廢氣中捕獲CO2，然后通過化學合成將氫氣和CO2 結合起來變成氣態或液態綠色燃料。

2.1 電子燃料的制造

電子燃料的種類非常多。從碳鏈的長度上可以覆蓋從1～50 個碳之間的所有碳氫化物，它們從原理上說都可以稱為電子燃料[11]。電子燃料的成分可以做到與目前所使用的柴油、汽油等礦物的成分基本相同，也可以有很多或更多的一些單物質的生物燃料。電子燃料有很多種類及其生產制作路徑，如圖8 所示，其中目前最受關注的主要是氫、氨和甲醇。每種燃料都有自己的優勢和劣勢，商業應用前景將取決于涉及到的具體技術和目前存在的問題如何解決。“電子燃料”的概念由來已久，生產和使用從原理上都已被證實是可行的，過去沒有得到重視的主要原因還是因為石油燃料相對價廉物美且不受法規限制，其他種類的燃料無法與其競爭。在目前的碳中和的大目標下，能源領域里“所有的石頭都要拿出來翻一遍（leave no stone unturned）”。如前所述，電子燃料在生產和應用過程中，關鍵是首先要有可再生的綠色能源。氫氣作為電子燃料的源頭，是能量載體的主要部分。氫氣可以通過以下主要途徑變成電子燃料：1） 氫在內燃機或燃料電池上直接使用。關于氫內燃機技術難點下文再作敘述，而氫燃料電池的挑戰也不少，其中之一是成本需要突破。2） 把氫和氮氣合成生成氨。氨發動機的主要挑戰是功率密度不夠且離不開其他點火燃料。3） 氫和CO2 結合，生成甲烷。甲烷是一種強效的溫室氣體，如果被泄露或未燃燒完全而釋放到大氣中，其增溫效應如果以20 年為計算周期將比CO2 高出80 倍， 看起來問題比較大；4） 把氫和CO2結合生成甲醇。甲醇最大的問題是制作過程中CO2 的來源以及毒性和腐蝕性，需要應對解決。除以上以外，還有通過其他更進一步復雜的工藝（ 例如Fischer–Tropsch 合成等） 制作其他種類的液體燃料。

圖9 是目前電子燃料的生產過程中相關原料的消耗份額[11]。根據已經公布的資料，生產1 L 的電子汽油，需要3.7～4.5 L 的水，0.4～0.5 kg 的氫，3.0～3.6 kg的CO2，需要消耗80～99 MJ 的能量。總體來說，電子燃料在生產過程中的能量效率非常低的原因是因為涉及其中比較復雜的各個步驟的物質轉換，這些轉換往往需要在一定較高溫度條件下的化學催化反應， 所以需要消耗大量的能源。各種車用動力能源的CO2 排放幅度主要取決于電的一次能源。 目前預計未來一部分電子燃料的CO2 凈排放幅度可能低于電動車，具體差別主要取決于氫的來源是不是完全可再生，和CO2 是否完全來自大氣中的碳捕捉（ 而不是來自燃燒廢氣，因為后者應該永久封存）。

人們已經意識到，因為電子燃料的生產規模有限，無論如何，未來它也不可能像今天的汽油、柴油和煤油等傳統燃油那樣能滿足未來交通領域里全部的能源需求。圖10 所示是目前電子燃料的產能規劃在歐洲各個地區的分布情況[13]。如果把規劃中所有電子燃料集中到德國去，大約相當于德國目前總體汽油消耗量的18%。可見，產量是未來電子燃料需要解決的關鍵問題之一。根據現狀分析，預測2030 年之前電子燃料對整個交通運行的影響比較小，在短期內很難在交通運輸領域發揮重要作用。現階段的電子燃料工藝過程由于比較復雜，所以成本非常高，目前是汽油生產成本的4倍，預計到2050 年可以下降到汽油的生產成本的2 倍[14]。 也有文獻預計，到 2050 年，電子燃料對歐盟交通部門的貢獻可能會明顯增大，到那時，對電子燃料的需求量可能占預期的運輸燃料需求量的 31% [15]，但這些需求可能主要集中在航空、海運和長途公路運輸領域。上述文獻研究結果似乎與歐盟委員會在其長期戰略《清潔星球》中所報告的 2050 年交通部門的情景相符。在這個文件的情景中，預計到 2050 年，電子燃料（ 電子液體和電子氣體） 將占能源需求的 28% 左右[16]。

2.2 電子燃料的能量效率和排放

包括電子燃料在內的不同燃料有不同的全生命周期能源效率，其差別很大程度上取決于使用一次能源和轉換過程。迄今為止，全球范圍內生產的電仍然是非常多地基于礦物燃料的一次能源。如果僅僅考慮全生命周期的能量效率，直接使用綠電的電動車效率是最高的，直接使用氫氣的燃料電池和內燃機的能源效率比較接近，如圖11 所示[17]。 如果使用電來制取氫，然后再變成電，電動車的能源效率則會大幅度下降，以致于此時的電動車、燃料電池車和電子燃料內燃車這三者的效率相對比較接近。在各種車用動力的選項中，直接使用綠電的“油井到油箱”能源效率是94%，車上的使用效率是81%， 整個過程的總效率是77%。如果把同樣的綠電轉換成氫儲存，再轉換成電使用，總的效率則會明顯下降。其中受影響最大的是電動車的效率，它在電轉換成氫的過程中損失了大約25 個百分點。電解制氫的效率是68%， 氫轉電用在電動車上的轉換效率是25%， 總效率是33%。而電子燃料的制造轉換效率是55%， 用在車上是30%～36%， 總效率是16%～22%。 另外由圖可見，氫燃料電池的總效率在2050 年前還有比較大的提升空間， 其他途徑的改進潛力似乎有限。不同的電子燃料在全生命周期內的總效率相對而言是最低的，其優點是可以利用現有的發動機動力系統。

一般來說，電子燃料發動機的廢氣排放情況與傳統的礦物燃料發動機類似。為了評估這個情況，歐盟排放控制聯合會通過一款歐6d C 級車進行了道路行駛對比試驗[18]。 該車動力總成包括 P0 配置的 48 V 輕度混合動力系統（ 皮帶啟動發電機，電機功率高達 9 kW，發電機功率高達 12 kW）。 采用直噴式渦輪增壓 4 缸1.5 L 汽油機，該發動機配備可變氣門正時和氣缸停用，其峰值功率110 kW。開放式發動機控制單元可以實施在線控制措施。排放控制系統車輛的基準 Euro 6d 排放控制系統由 1.67 l 緊耦合催化汽油顆粒過濾器 （dieselparticulate filter，GPF） 和 0.65 L 三元催化劑（threewaycatalyst，TWC）。演示車采用基準汽油燃料RON95E10，低碳燃料采用含33% 生物質的藍色汽油和100%的電子汽油。試驗包括一系列道路和底盤測功機測試來評估演示車輛的性能和排放，所涵蓋的環境和駕駛條件包括在 Euro 6d RDE 邊界條件之內和之外的條件。道路測試中使用的駕駛風格分為3 種類：平滑、正常和激進。 結果表明，無論是初始冷啟動峰值還是熱運行，藍色汽油和電子汽油的超低污染物排放量總體相似， 如圖12 所示。全生命周期分析表明電子汽油取得了明顯的 WtW CO2 減排效果， 約是E10 的4.5%。這一結果是目前已經發表的電子汽油數據中最低的排放水平。 必須指出， 這個結果是在該項目中采用了各種優化的發動機控制（ 包括混合動力系統） 和最先進的后處理技術的條件下取得的。

從理論上來說電子燃料是碳中性的，制造合成電子燃料時使用的二氧化碳的排放量與燃燒電子燃料產生的排放量基本相同。因此，保時捷等一些歐洲汽車企業認為使用電子燃料的內燃動力汽車可以成為電動汽車在碳中和進程中的競爭對手。許多人認為，電子燃料在全生命周期過程中去除大氣中的碳 （ 無論是通過生物質生長時的光合作用還是通過捕獲） 可以抵消燃料在發動機中燃燒時產生的碳排放。基于這個理論， 電子燃料的優點是能夠為現代現有汽車（ 包括重型貨車和貨車） 提供全生命周期內的低碳或零碳燃料，而發動機無需進行改裝。生產電力和氫氣等其他燃料需要新的基礎設施，但電子燃料可以使用與現有燃油供應系統相同的許多設備和傳輸管道，加油站可以保持不變，運輸和使用方法也跟汽油或柴油的一樣。從全生命周期來看，電子燃料的碳排放可以用類似于對待傳統燃料那樣的方法分為從“油井到油箱”和“油箱到車輪”兩個階段來進行計算衡量。電子燃料在車輛行駛過程中即在從油箱到車輪（tank-to-wheels，TTW） 的過程中排放CO2，其排放量和傳統燃油車處在同一水平線上。與傳統燃油的不同點是電子燃料在油井到油箱（wellto tank， WTT） 的生產過程中吸收CO2，二者的差值也就是電子燃料的CO2 凈排放量。從油井到車輪（wellto well， WTW） 總體過程來看，比較高效的電子燃料全生命周期內的CO2 排放量對普通車型來說可以低至每100 km 4 g 左右，遠小于目前汽油和柴油（ 目前清潔車型大約每100 km 130 g） [11]。根據歐洲交通與環境（Transport amp; Environment，Tamp;E） 系統分析顯示，在現有的電子燃油系統下，目前估計電子汽油汽車到2035年的排放平均水平大約是每千米61 g CO2 當量。 這與電動汽車形成鮮明對比，電動汽車在2035 年使用歐盟平均電網的電力充電時每千米僅排放13 克CO2。所以，即使電子汽油汽車將被視為可以實現CO2 中和，但排放的CO2 排放量仍是同等電動汽車車型電動汽車的5倍左右， 如圖13 所示。此外，電子汽油汽車仍然排放廢氣污染物，包括有害氮氧化物（NOx） 和顆粒物（ParticleMass）。因此， 歐盟是否會依據立法協議和決定允許未達到100% 溫室氣體減排的電子燃料用于汽車仍然受到嚴重挑戰，特別是，如果CO2 減低幅度只有70%，電子燃料可能不能列為CO2 中性燃料。

根據歐盟前面制定的可再生能源指令方法 （RED），與化石燃料相比，本來電子合成燃料只需要滿足 70%的溫室氣體減排閾值[20]。然而， 2023 年9 月歐盟委員會公布了一份更新的電子合成燃料文本草案，定義了僅使用合成燃料（ 或電子燃料） 的新車輛類別，并評估了這些電子燃料應實現的溫室氣體 （greenhouse gas，GHG） 減排水平的可能性[19， 21]。根據這個最新提案，2035 年之后銷售和使用的電子燃料的汽車必須達到100% 碳中和。根據今年早些時候各國商定的歐盟主要汽車氣候政策，從 2035 年起，在歐盟銷售的所有新車都必須實現零CO2 排放。電子燃料聯盟行業組織表示，如果將價值鏈上的排放量以及電子燃料生產過程中的排放量計算在內，該提案草案等于將從2035 年起有效禁止新的內燃機， 因為100% 的排放量減少幾乎是不可能的。該規則草案將為汽車制造商注冊新型車輛即僅使用碳中性燃料的內燃機汽車提供法律依據。根據規則草案，此類車輛的設計必須確保如果車輛使用排放CO2 的汽油，發動機將無法啟動，該草案可能會在今年晚些時候發布之前發生變化。制造商需要使用跟蹤燃料化學性質的設備等技術來強制執行這一點。在規定電子燃料的使用和生產中必須100% 做到無碳排放的同時，還需要制定規則以確保這些技術不被篡改。

顯而易見， 未來的電子燃料必須符合嚴格的法規框架，以證明并確保依照可再生燃料的標準（REDRFNBO） 實現100% 的CO2 減排。 此類規則要求確保電子燃料生產（ 包括碳捕捉） 中使用的所有電力和能源 100% 來自額外的可再生能源，所使用的碳必須來自100% 直接空氣捕獲 （direct air capture，DAC），而不是燃燒廢氣，以防止任何額外的CO2 釋放到大氣中。DAC 的要求將大幅度限制電子燃料的產量并增加制作成本，因為大氣中CO2 的濃度是百萬分之一的級別。這些評估方法還需要涵蓋RFNBO 運輸和配送產生的排放，雖然該排放占總排放量的極小部分（ 估計最多2%～3%）。由于這一最新的發展動態， 與其他完全可再生的生物燃料相比，電子燃料的競爭力已經遭受嚴重挑戰，業內有相當多的人士對其應用前景持懷疑態度。

3 歐洲新能源汽車市場現狀和未來

歐盟法規 （EU） 2019/631 制定了歐盟范圍內更嚴格的CO2 車隊目標（ 均以2021 年為基準） ：到 2025 年，轎車和貨車的CO2 減排目標為15%，從2030 年開始，貨車的減排目標為50%，轎車的減排目標為 55%。該法規還為2035 年起的新的轎車和貨車設定了零CO2 排放目標。要實現這些目標，需要大幅增加電動汽車的使用量。電動汽車，包括純電動汽車（battery electricvehicle，BEV） 和插電式混合動力電動汽車（plug-inhybrid electric vehicle，PHEV），正在逐步滲透歐盟市場。在汽車消費市場上，過去歐洲柴油車的銷量占40% 以上，基本上和汽油機比肩， 但近年來柴油車的銷量大幅度下降。從近10 年的情況看，歐盟電動汽車市場發展迅猛，特別是近幾年，歐盟電動汽車和貨車的銷售量有了相當大的增長[22]。電動汽車新注冊量從2010 年的600 輛穩步增長至2021 年的約174 萬輛，占新注冊量的18%。在2021 年，歐盟電動汽車的總銷量占比已經和中國基本在一個水平線上。到2022 年，注冊的新車中21.6% 為電動汽車， 一年內電動汽車注冊量總計接近200 萬輛，高于 2021 年的174 萬輛。

歐洲道路上的電動貨車數量也在持續增長，在2022 年占新注冊量的5.5%。其中，新注冊純電動汽車數量增長了25%，而插電式混合動力汽車數量保持穩定。2022 年，純電動汽車占電動貨車注冊量的絕大多數。這些數字在2022 年繼續增長，新登記的乘用車中近22% 是電動汽車。2022 年，純電動汽車占新車注冊總量的12.2%，而插電式混合動力汽車則占9.4%。銷量不同的原因主要是兩類電動汽車在能耗和續駛里程方面有差異，目前，純電動汽車（battery electric vehicles，BEVs） 的平均質量為1 800 kg，而插電式混合動力汽車（plug-in hybrid electric vehicles，PHEVs） 稍重，平均質量在1 900 kg 左右。根據2022 年的數據，這些車輛的平均能耗分別約為166、177 Wh / km。2022 年注冊的純電動汽車的平均電動續航里程（ 核準時測量） 為393 km，而PHEVs 在電動模式下的平均續航里程為61 km。2022 年，歐盟27 國銷售了約56 500 輛電動貨車，占市場份額的5.5%，比2020 年增加了約2.0 個百分點。銷售的電動貨車大部分是純電動汽車。然而，盡管近年來純電動汽車增長迅猛，但目前僅占歐洲汽車保有量的 1.2%。根據圖14 中歐盟電動汽車和插電混動汽車銷售量的增長趨勢，預計歐洲電動汽車數量今后會以更快的速度增長，這將會幫助歐盟實現減排目標，并確保在實現 2050 年碳中和目標方面取得進展。

根據最新獲得的資料，2023 年全球新能源汽車銷量1 428 萬輛，其中，中國銷量占比63.5%，歐洲銷量占比21%，北美銷量占比占比11%，3 大區域匯總累計占比95% 以上。據歐洲汽車制造商協會（Associationdes Constructeurs Européens d'Automobiles） 統計， 2023年歐盟汽車銷量猛增近14%，新注冊量超過1 050 萬輛。在過去2023 年的銷量中，柴油車占比下跌至13.6%，汽油車占35.3%。而與之相反的是，混合動力車大幅度上升至25.8%，純電動和插電式混合動力車則占了22.3% [23]。電池電動汽車銷量猛增 37%，目前占據接近15% 的市場份額。純電動車型現已成為最受買家歡迎的第3 大選擇，超過柴油車型。展望2024 年，ACEA預計歐盟汽車銷量將增長 2.5%，達到1 070 萬臺， 其中預計約 20% 為電動車，總數超過200 萬臺[24]。

目前，歐盟對2035 年禁止內燃機汽車的立法受到以德國車企為首的一些企業要求允許使用電子燃料的挑戰，但是該立法得到了絕大多數政府的批準，只有波蘭投了反對票，意大利、羅馬尼亞和保加利亞等3 個國家投了棄權票[25]。脫離歐盟而現在獨立的英國則把禁燃時間從2030 年推遲到2035 年， 而綠色和平組織則希望看到歐盟的禁燃令提前至2028 年。

眾所周知，最近蘋果公司由于對未來市場盈利決策調整放棄了堅持10 年的造車項目，引發了全球關于電動車是否將會退潮的疑慮。 在歐洲，梅賽德斯- 奔馳決定將原定在2025 年實現電動汽車銷量占比50%的目標推遲5 年至2030 年，并將在未來10 年繼續更新內燃機汽車產品，雷諾也擱置了其電動汽車業務Ampere 的上市計劃[26]。 捷豹路虎 （JLR） 原來已經宣布2025 年起捷豹乘用車全部電動化，此目標是否能以實現目前未有最新證據可以評論。最新消息是該公司在未來5 年內為其豪華品牌電氣化投資 150 億英鎊，其中花費2.5 億英鎊添置新的電動汽車 （EV） 測試設施，準備在2030 年之前推出 9 款全電動車型。位于考文垂的捷豹路虎工程中心的未來能源實驗室計劃將添置超過4000 萬英鎊的新設備，以實現包括電動測試臺、電動驅動單元（electric drive unit，EDU） 制造和電動汽車系統測試單元的電動汽車快速測試，其中的一系列極端天氣氣候條件下試驗能夠模擬從-40℃到高達 55℃的最惡劣條件[27]。

歐盟聯合實驗室證實，目前歐盟沒有推遲在2035年實行零排放汽車法規的計劃。從理論上講， 汽車企業在2035 年以后仍然可以繼續出售傳統燃油汽車，但是將面臨碳排放罰款。歐盟從2021 年起實行的碳排放超標罰款， 每個企業產品車隊上市汽車平均100 km 油耗測試結果中每輛每克超標CO2 罰款95 歐元[28]。到2035 年， 如果零排放汽車法規計劃真如計劃實行，估計汽車業將無法支付巨額罰款從而被逼停止傳統燃油汽車的銷售。

4 新能源燃料氨氫發動機

近年來， 氨和氫這2 個在幾十年前已經在內燃機里作為燃料研究對象的燃料被稱為內燃機的“新能源”。國際能源署認為，氫是未來可再生能源最重要的載體，其全生命周期能源效率和使用成本綜合起來非常有吸引力。氫在交通運輸行業脫碳轉型中的重要性無須贅述[29]， 氨則是異軍突起。近年來，氨由于其極高的氫密度（ 每mol NH3 含有 1.5 mol 分子氫） 被定義為氫載體因而作為無碳燃料引起了人們的興趣[30]。然而，氫儲存和運輸仍然是一個重大挑戰，限制了其在車輛上的直接應用：它必須以液體形式儲存在-253℃，或以氣體形式儲存在約70 MPa 的壓力下。 然而液氨可以在標準壓力下-33℃和0.9MPa下+20℃的合理溫度下儲存。這使得這種能量載體的儲存和運輸變得更加容易。

目前歐洲工業界在氫發動機方面公開發表研發結果的是英國的JCB 工程機械制造公司。 同時在氨發動機和氫發動機研發方面有公開發表結果是總部在德國的馬勒動力總成英國分公司。馬勒正在領導一個創新項目，開發在重型內燃機中用氨替代柴油的技術[31]。該公司及其合作伙伴通過英國政府的凈零創新投資組合獲得資助，旨在開發用于采礦、采石和建筑等非公路行業的零碳和低碳燃料以及適用于新發動機和現有發動機的創新“靈活燃料”和馬勒噴射點火?（MJI） 技術。

4.1 JCB 的準量產氫氣發動機

JCB 作為一個生產工程機械和重型柴油機的工業公司在近期的氫氣發動機研發上起步相對較早，聲稱已經準備大規模量產氫氣發動機。據介紹，JCB 氫氣發動機的指標是用四缸4.8 L 的氣道氫氣噴射發動機替換同排量的柴油機[32]。JCB 氫氣發動機采用了與原柴油機 Dieselmax 相同的大部分零部件包括4 個1.2 L 容量的氣缸和可變幾何渦輪增壓器， 改用火花塞點燃。氣缸蓋和200 MPa 共軌噴射系統被氣道氣體噴射裝置所取代， 包括5 個1 kg 重的鋁和碳纖維氫氣儲存容器輸送到共軌上的4 個噴油器。JCB 認為已經能夠能夠采用極稀混合氣的燃燒方法，從而以最大限度地減少使用選擇性催化還原（selective catalytic reduction，SCR）氮氧化物后處理器的要求。用戶必須使用含有更多防腐劑的專業發動機油，以避免氫燃燒產生的水乳化機油。目前的氫氣發動機采用的空燃比大于2.5，以便使NOx 排放控制在可接受范圍內。相比改裝的原柴油機型，其平均有效制動壓力隨空燃比增加迅速下降[33-34]。從JCB 發表并引用的資料來看，到目前為止，它能實現的技術指標是55 kW，在非常低的轉速1 100 n/min 的工況條件下可以得到440 Nm 的最大扭矩[33， 35]。JCB 氫氣發動機的研發結果代表英國目前最接近量產的氫內燃機現狀，發動機是否會如期投入生產應用，讀者可以持續關注。

4.2 馬勒的氫氣研究發動機

馬勒動力公司的氫氣發動機采用創新的預燃室點火形式。馬勒噴射點火（Mahler jet ignition，MJI） 系統， 如圖15 所示[36]， 由氣缸蓋中的一個小室組成，一旦點燃，產生的熱氣體就會通過小孔進入主燃燒室，形成一系列噴射，快速、均勻地點燃剩余的混合物。據信該技術可確保整個燃燒室實現超清潔、高效的燃燒，幾乎不產生氮氧化物等污染物。馬勒的氫氣發動機研發在目前的第1 階段使用氣道噴射方案，第2 階段采用缸內直噴方案。研究計劃包括：1） 使用缸內直噴火花點火（direct inigition spark） 方案， 比較被動和主動噴射點火的優缺點，并考慮同時使用程式控制燃料噴射（programmed fuel injection，PFI） 和側置直噴（sidedirect inigition）； 2） 通過MJI 系統提供精益極限擴展和更高的扭矩水平； 3） 通過主噴嘴預燃室系統實現優化運行策略控制；4） 研究氣流需求對增壓系統架構的影響；5） 研究測試排放物。

現有的試驗結果表明， 馬勒PFI 氫氣發動機具有以下特點：第1，該發動機在2 000 n / min 和1.4 MPa平均有效指示壓力（indicated mean effective pressure，IMEP） 的工況時的最佳指示熱效率可以達到45% ；第2，該發動機具有實現極低排放的潛力，目前在整個運行區域圖上采用的混合比大于2.7，通過稀薄燃燒實現了低于1.5×10-4（150 ppm） 的NOx 排放；第3，如果進一步提高將發動機負載，可能受到當前硬件可承受氣缸壓力的限制；第4，MJI 可以通過增加高負載下的空燃比控制范圍，提高抗爆震性以便提高壓縮比等方法實現提高熱效率。

除了上述2 種氫氣發動機，歐洲還有其他很多企業也把氫內燃機作為一條重要的技術路線。氫氣是非常好的碳中和燃料，但是，氫內燃機還有非常多的問題要解決，包括可靠性和耐久性問題。氣道噴射發動機功率密度低，峰值扭矩轉速范圍比較窄，其他還有諸如非正常燃燒和回火等問題。當前，很多氫內燃機的性能測試結果，試驗效果都是在非常短的時間里獲得的。對直噴發動機而言，噴嘴是要解決的最大的關鍵問題。從目前可以獲得的氫內燃機資料中，尚未看到通過耐久性試驗的成熟樣機。目前，直噴噴嘴的壽命通常只有幾十個小時或稍長。如果工業界希望實現氫內燃機市場化，需要在解決噴嘴泄露問題和提高可靠性等方面取得突破。

4.3 馬勒的氨氣研究發動機

使用NH3 為火花點火發動機提供燃料的首次嘗試可以追溯到 20 世紀 60 年代末，目的是使車輛不再依賴碳氫化合物燃料[37]。盧利爾等人對單缸火花點火發動機中不同當量比和氫氣體積濃度高達 60% 的NH3/H2混合物的“氨氫發動機”進行了廣泛的研究[38]，在低濃度氫氣（5%～20%） 和接近化學計量條件下達到了最佳指示效率。當H2 體積百分比為20%，φ = 0.9 時，可達到約39% 的最大值。氫濃度過高會導致氨氫發動機效率下降，因為火焰溫度較高，導致壁熱損失增加。

歐洲目前公開的具有代表性的車用氨氣發動機技術之一是馬勒動力總成公司的研究方案， 其研究方案采用2 種方法。 第1 種是近期的改裝雙燃料裝置，正在六缸渦輪柴油發電機組發動機上進行測試， 采用柴油引燃， 通過氣道噴射器將氨作為主要能量來源。第2 種方法使用馬勒自己的單缸發動機開發，采用馬勒噴射點火（MJI） 系統取代傳統的火花塞來點燃氨，從而消除了通過化石燃料的引燃需求。由于氨通常燃燒速度相對較慢，MJI 實現的快速燃燒解決了這個難題。在這2個研究項目中，馬勒及其合作伙伴目前也在研究在氨混合物中添加少量氫氣以進一步提高可燃性的氨氫混燃技術。

5 人工智能賦能的低碳動力系統開發

能源多樣化和車輛智能化給開發汽車動力技術的研究人員帶來了新的挑戰和新的機會。根據英國推進技術委員會的預測，未來車用軟件的復雜度將以指數曲線速度增加，到2040 年發動機和車輛設計和控制軟件的復雜度達到今天軟件的10 的8 次方。在車輛全生命周期里，從產品設計開始到使用過程的各個階段中都要實現智能全局優化。人工智能的主要技術分支，包括深度學習（deep learning）、強化學習（reinforcementlearning）、機器視覺（computer vision）、傳感融合（sensorfusion）、人機交互（human machine interface）、博弈論（game theory）、虛擬現實（virtual reality） 等都在汽車各個技術研究方面發揮越來越重要的作用，人工智能賦能的低碳動力系統開發正在成為汽車技術從傳統的系統工程設計過程進步為數字化技術主導的新工業4.0過程的典型代表。汽車動力系統的人工智能控制正在一方面從傳統的離線的優化試驗逐步發展到在線的前饋動態優化， 另一方面從離線的規則控制逐步發展到在線的反饋優化控制，如圖16 所示。

作者的研究團隊從2010 年代底之前開始應用人工智能在均質壓燃（homogeneous charge compressionignition，HCCI） 發動機上的控制研究，后續在國際上率先開始發動機人工智能自動標定技術研究。MA He等人基于ETAS 的嵌入式系統，將第2 代增強Pareto進化算法（SPEA- Ⅱ ） 應用在了GDI（gasoline directignition，汽油直噴式）、HCCI 汽油發動機的智能標定上面。上述優化算法在與JLR 聯合搭建的發動機實驗平臺上實現了基于模型的控制器標定（model-basedcalibration） [40]。在基于模型的控制標定基礎上，為了減少發動機建模過程當中繁瑣的設計實驗（DoE） 環節，以及減少建模過程當中的誤差對優化效果的不良影響，伯明翰大學團隊還研究了直接和真實發動機之間建立了以控制參數為輸入、發動機性能為輸出的優化回路，提出了一種全新的不依賴模型的控制器標定方法（non-model-based calibration） [41]。在瞬態控制標定方面ZHANG Yufan 等提出了一種發動機瞬態控制效果的目標方程，并利用CAPSO 算法進行了柴油發動機瞬態控制參數的標定，論證了人工智能技術在柴油機瞬態標定上的可行性和先進性[42]。伯明翰大學的相關人工智能發動機控制標定研究成果通過和工業界的合作，已經實現了在車輛開發過程當中的應用。根據世界三大汽車巨頭之一的反饋，這項基于人工智能技術的發動機標定技術，能夠大幅度降低車輛開發過程中對人工的依賴，同時相對人工標定，能夠獲得更好的全局最優結果，能夠幫助企業在大幅縮減研發成本的基礎上提高產品的競爭力。通過機器學習算法開發了車用發動機自動化標定工具，利用標定工具與發動機樣機的交互，建立了算法對發動機工作理化過程的深度理解，相較于傳統正交實驗法，可以減少60% 以上的發動機標定工作量和研發周期，使每個型號發動機的標定成本減少30 萬美元。

在人工智能賦能車輛電動化系統集成與控制方面，伯明翰大學比較有代表性的成果是聯合美國Textron專用車公司和英國Hyperdrive 電池系統公司在英國Innovate UK 國家重點研發計劃支持下開發的混合動力飛機拖車[43]。該項目通過人工智能算法挖掘機場專用車行駛數據，建立了電池、內燃機等關鍵零部件數據庫，求解車輛構型與控制多目標優化問題，通過人工智能賦能，實現了僅用一半的時間研發出全新車輛平臺，并實現在實際運行工況中相較于柴油驅動車型節約50%以上的燃油[44]。強化學習算法在特定車輛應用場景下（ 例如機場飛機作業） 表現出了極大的優勢，作者團隊針對飛機拖車兼顧短期油耗最小和長期電量平衡目標，提出了一種多步信息融合的強化學習算法，在保證電量平衡誤差小于5% 的前提下，實現節能7.8% [45]。在此基礎上，為避免由于強化學習算法頻繁嘗試已知控制決策而造成的控制回報過估計，提出了一種雙成績系統的強化學習策略，能夠進一步提升2%的燃油經濟性[46]。在混合動力系統方面，不同的混動構架給車企帶來更多的技術路線選擇。而隨著在各技術路線上的進一步發展，系統的硬件復雜度增加，這也帶來了電控和軟件系統復雜度的大大增加。另外，車載電控系統與包括自動駕駛與車聯網在內的智能系統也產生越來越多的交叉協作。

在面向駕駛員駕駛風格的定制化能量優化方面是人機系統融合的研究， 例如串并聯 PHEV 在線預測控制策略的back-to-back 的雙環在線智能規劃系統是由基于駕駛行為識別的車輛速度預測部分和能量流控制部分組成，通過有限狀態Markov 鏈來學習車速和加速度之間的轉換概率，實現混合動力車輛能量管理系統最優控制序列的有效性。例如，伯明翰大學團隊開發了應用于預測能量管理系統的雙回路在線智能規劃方法（dual circuit intelligent planning，DOIP） [47]，該方法可以精確地預測速度軌跡并實時地計算出最優控制分配序列。其中，在傳統Markov 鏈駕駛員模型的基礎上，提出了一種深度模糊預測器（deep fuzzy predictor） 來評估駕駛行為在每個前瞻步驟中的變化，實現對駕駛員功率需求的在線預測。與基于傳統Markov 鏈的和模糊編碼改進的預測器相比，所提出的預測器能分別減少27% 和10% 的誤差。通過駕駛員在環實驗驗證，使用DOIP 算法的在線預測控制策略能夠從基線顯著減少9.37% 的油耗，并有效縮短計算時間。此外，該團隊引入駕駛員識別的監督控制系統的概念[48]，形成了一種用于混合電動汽車（hybrid electric vehicle，HEV）的自適應能量管理的新穎體系結構。作為人機系統，提出的系統可以從自然操作信號中準確識別駕駛員，并提供駕駛員識別的全局最佳控制策略，而不是單純的控制動作。為了幫助提高該控制系統的可識別性和效率，開發了頻譜引導的模糊特征提取（spectral guided fuzzyfeature extraction，SFFE） 方法，以從原始操作信號中提取15 組特征。結果表明，與使用其他相關提取方法所獲得的識別器相比，借助SFFE，駕駛員識別器將可識別性提高了至少10%。改進的混合動力汽車系統比基于模糊邏輯的系統所節省的燃油消耗減少了5.53%。

在交通系統和交通能源方面的協同控制方面，引入了電動汽車的微觀仿真系統對不同的道路情況下車位之間與車隊的條件和交通條件，對于混合動力系統扭矩和轉速的需求和最佳能源控制需要進行最優控制的策略進行了一系列的研究。在這里人工智能技術可以發揮很大的作用。考慮到電動汽車的發展前景，CASE團隊在先前的研究中還將電動汽車特有的動力學引入到自由跟車模型 （MFC） 的微觀交通仿真中。通過人工智能技術，CASE 團隊描述了 MFC 模型捕獲電動汽車動態的方法并引入不同維度的實際駕駛測試以進行模型驗證和實施。

在脫碳和數字化的雙重推動下，數據驅動的使能技術成為最有前途的解決方案，可減少難以處理高數據的現代內燃機開發所需的時間、成本和精力-成本、高維、復雜的非線性建模問題。圖17展示了在發動機軟傳感器中物理導向以及數據導向的2種數據驅動軟傳感器的增強方法。為了提高模型的可解釋性和預測準確性，在建模過程中引入了物理信息。借由這種物理信息的介入，物理模型與其對應軟傳感器之間的聯系得以增強。物理導向的增強方法可以對原有的數據模型帶來對稱性，限制性以及動態性的物理信息，從而反應物理原理，提供物理約束并且有利于模型訓練過程中的收斂，從而廣泛優化數據驅動的軟傳感器。在伯明翰大學團隊的研究中，這種物理/數據增強的建模方法以及得到了廣泛的應用。通過應用新穎的數據驅動的統計引導加速群體特征選擇方法及協同過濾特征選擇方法，找到最有效的特征用于發動機軟傳感器[49-50]。通過采用模糊構造的數據高效建模的新方法，建立了精確量化發動機的空氣質量流量的測算方法[51]。同時，幾何神經模糊轉移學習的新方法也被用于對以 采用混合燃料的柴油發動機進行缸內壓力建模[52]。

目前，在工業 4.0 的技術浪潮中數字孿生技術受到了學術界以及工業界的廣泛關注。由于具有將物理資產反映為虛擬表征的特性，數字孿生技術已被證明可以加速智能動力總成系統的進一步發展。圖18 列出了在車輛內燃機開發過程中數字孿生技術的發展過程。各種數學模型的形成是數字孿生技術的基礎，而依次發展起來的現代數字孿生技術則在各種工業應用方面開始展現其卓越的潛力。數據融合作為數字孿生技術的另一個發展方向，旨在對初始的數據進行整合，探索及優化。通過融合之后的數據可以更加全面且實時地反映車輛系統的每個部件。在反映出各個部件之后，數字孿生技術還實現了各種形式的部件交互，包括真實部件之間，虛擬部件之間以及虛實部件之間的多模態交互。而在打通多樣的交互通道之后，數字孿生技術最終可以服務于智能汽車系統開發的封裝、匹配、建模、管理等具體事項中，從而實現多角度多方位的服務升級。同樣，基于在各個發展方向的巨大潛力，數字孿生技術已經廣泛運用在伯明翰大學團隊對智能動力系統的研發中并取得了顯著的效果。比如開發了專用的動態自適應粒子群優化（dynamic adaptive particle swarmoptimization，DAPSO） 算法，以增強基于數字孿生的能量管理系統（energy management system，EMS） 優化在各種駕駛條件下的最優性和可信性[53]，同時通過數字孿生技術在 PHEV 能量管理系統中實現了物聯智能標定[54]。

限于篇幅，本文僅列舉以上幾例說明人工智能在汽車動力系統研究。 簡而言之，現狀和未來，人工智能正在汽車技術新四化的各個領域里發揮越來越廣泛的作用。

6 總結和展望

經過了一百多年的發展， 以石化燃油發動機為主力的汽車動力系統技術已經近乎完美。目前汽車動力系統面臨的根本問題在于脫碳，這個挑戰主要來自于法規的需求，而不是用戶的要求。 全球碳中和的總體目標意味著汽車能源需要在整個全生命周期和系統運行范圍內實現零碳化和效率最大化， 毫無疑問，盡管面臨各種道路曲折的挑戰，電動化是車輛技術最終實現零碳化的總體發展趨勢。內燃機的未來用途取決于是否能夠使用可持續可行的并且在全生命周期內沒有碳排放的非礦物質燃料，在可預見的時間里，沒有哪一種動力系統能夠像今天的燃油發動機那樣可以驅動所有的運載工具和各種動力裝置，動力能源多元化是不可避免的。

智能化是汽車包括動力系統技術發展的未來趨勢。可以預見，未來人們會使用智能軟件像控制今天手機一樣控制所有的車輛。過去的汽車動力系統技術研究通常是在實驗室里相對獨立進行的，今后在開發各種新能源汽車產品中，需要結合整車電動化的各種技術，在硬件、數據以及人工智能等技術要素推動的基礎上協同發展。需要做好礦物燃油逐步退出車用動力市場的準備，“能電則電，能氫則氫”，在不可替代的用途中的內燃機仍然會繼續發揮作用。

參考文獻（References）

[1] IEA. IEA Roadmap to Net Zero [/OL]. 2021. [2024-02-06].https：//www.eaireland.com/iea-roadmap-to-net-zero/.

[2] Cracknell R， Ciatti S， Dorofeev S， et al. Decarbonizationof mobility， including transportation and renewable fuels[C]// Proceed Combusti Instit. 2023， 39（1）： 1-9.

[3] European Commission. Euro 7-New proposal for vehicleemissions type approval in Europe[/OL]. 2023. [2024-0-06]. https：//unece.org/sites/default/files/2023-01/GRPE-87-37r1e.pdf.

[4] Acea. Ramp;D shares of industrial sectors in the EuropeanUnion [/OL]. 2023. [2024-02-06]. https：//www.acea.auto/figure/rd-shares-of-industrial-sectors-in-european-union.

[5] Electrical energy storage. European battery cellproduction to increase tenfold by 2030 [/OL]. 2022. [2024-02-06]. https：//www.ees-europe.com/news/europeanbattery-cell-production-to-increase-tenfold-by-2030.

[6] Yanatma S. Access to EV charging stations in Europeis 'a significant concern'. How do countries compare？[/OL]. 2023. [2024-02-06]. https：//www.euronews.com/next/2023/09/18/access-to-ev-charging-stations-in-europeis-a-significant-concern-how-do-countries-compare.

[7] UK Advanced Propulsion Centre. Battery and fuel cellfuture cost comparison [/OL]. 2023. [2024-02-06]. https：//www.apcuk.co.uk/wp-content/uploads/2023/02/Batteryand-Fuel-Cell-Cost-Comparison-report.pdf.

[8] Acea. Interactive map-Truck hydrogen refuelling stationsneeded in Europe by 2025 and 2030， per country [/OL]. 2021. [2024-02-06]. https：//www.acea.auto/figure/interactive-map-truck-hydrogen-refuelling-stationsneeded-in-europe-by-2025-and-2030-per-country/.

[9] Walker S. What are the Euro 7 emissions standards？ [/OL].2023. [2024-02-06]. https：//www.autoexpress.co.uk/tipsadvice/106870/what-are-euro-7-emissions-standards.

[10] Alliance eFuel. What are eFuels？ [/OL]. 2023. [2024-02-06]. https：//www.efuel-alliance.eu/efuels/what-are-efuels.

[11] Marta Y， Alba S. Concawe Review [/OL]. 2019. [2024-02-06]. https：//www.concawe.eu/wp-content/uploads/Concawe-Review-28-1-web-resolution-PDF.pdf.

[12] Global Alliance Powerfuels. A missing link to a successfulglobal energy transition [/OL]. 2021. https：//www.powerfuels.org/powerfuels/.

[13] Aliance. Selection of announced or already existingproduction sites [/OL]. 2022. [2024-02-06]. https：//www.efuel-alliance.eu/efuels/efuels-production-map.

[14] Aliance. Costs amp; Outlook [/OL]. 2022. [2024-02-06].https：//www.efuel-alliance.eu/efuels/costs-outlook.

[15] Rothbart M. e-Fuel production via renewables andthe impact on the in-use CO2 performance [R]. SAETechnical Paper， 2020， 2020-01-2139.

[16] German Environment Agency. Fact Sheet： EU 2050strategic vision“ A Clean Planet for All” [/OL]. 2018.[2024-02-06]. https：//www.ecologic.eu/sites/default/files/publication/2018/3550-eu_2050_strategic _vision_a_clean_planet_for_all.pdf.

[17] Osprey. The problem with hydrogen [/OL]. 2023. [2024-02-06]. https：//www.ospreycharging. co.uk/post/theproblem-with-hydrogen.

[18] Demuynck PMV J， Bosteels D， Aecc Aisbl M. et al. Zeroimpactemissions from a gasoline car with advancedemission controls and e-fuels [C]// 43rd Int'l Vienna MotorSymp. 2022. HOFBURG Vienna.

[19] Transport amp; Environment. E-fuel cars are not zeroemission [/OL]. 2023. [2024-02-06]. https：//www.transportenvironment.org/discover/e-fuel-cars-are-notzero-emission/.

[20] European Commission. Renewable energy directive [/OL].2023. [2024-02-06]. https：//energy. ec.europa.eu/topics/renewable-energy/renewable-energy-directive-targetsand-rules/renewable-energy-directive_en.

[21] Union Tepatcote. Regulation （EU） 2023/1805 of theEuropean Parliament and of the Council of 13 September2023 on the use of renewable and low-carbon fuels inmaritime transport， and amending Directive 2009/16/EC （Text with EEA relevance） [/OL]. 2023. [2024-02-06]. https：//eur-lex.europa.eu/legal-content/EN/TXT/？uri=CELEX%3A32023R1805.

[22] European Environment Agency. New registrations ofelectric vehicles in Europe [/OL]. 2023. [2024-02-06].https：//www.eea.europa.eu/en/analysis/indicators/newregistrations-of-electric-vehicles.

[23] Acea. New car registrations： +13.9% in 2023; batteryelectric 14.6% market share [/OL]. 2023. [2024-02-06]. https：//www.acea.auto/pc-registrations/new-carregistrations-13-9-in-2023-battery-electric-14-6-marketshare/.

[24] Acea. EU car sales on the up in 2023， with electric modelsincreasingly popular [/OL]. 2024. [2024-02-06]. https：//www.acea.auto/video/eu-car-sales-on-the-up-in-2023-with-electric-models-increasingly-popular/.

[25] Motavalli J. Europe’s 2035 Ban On Internal-CombustionEngines Is Holding [/OL]. 2023. [2024-02-06]. https：//www.autoweek.com/news/a45697251/europe-2035-iceban-holding/.

[26] Forbes. Mercedes-Benz gets cold feet with EV-only plan[/OL]. 2024.（2024-02-28）. https：//www.forbes.com/sites/peterlyon/2024/02/28/mercedes-benz-gets-cold-feet-withev-only-plan/.

[27] JLR opens new electric vehicle test centre ahead ofnew model launches [/OL]. [2024-03-18] https：//www.fleetnews.co.uk/news/jlr-opens-new-electric-vehicle-testcentre-ahead-of-new-model-launches.

[28] European Commission. CO2 emission performancestandards for cars and vans [/OL]. 2023.[2024-02-06].https：//climate.ec.europa.eu/eu-action/transport/roadtransport-reducing-co2-emissions-vehicles/co2-emissionperformance-standards-cars-and-vans_en.

[29] Capurso T， Stefanizzi M， Torresi M， et al. Perspective ofthe role of hydrogen in the 21st century energy transition[J]. Energ Conv Manag. 2022， 251： 114898.

[30] Tornatore C， Marchitto L， Sabia P， et al. Ammonia asgreen fuel in internal combustion engines： state-of-theartand future perspectives [J]. Front Mech Engi， 2022， 8：944201.

[31] MAHLE Powertrain. MAHLE Powertrain drives thedevelopment of ammonia combustion for heavy dutyengines [/OL]. 2024.[2024-02-06]. https：//www.mahlepowertrain.com/en/news-and-press/press-releases/mahle-powertrain-drives-the-development-of-ammoniacombustion-for-heavy-duty-engines-91713.

[32] Wolfe M. JCB debuts clean-sheet hydrogen combustionengine [/OL]. 2023. [2024-02-06]. https：//www.sae.org/news/2023/03/jcb-hydrogen-engine.

[33] Ballard R. Hydrogen as a route to zero emissions for offhighway heavy duty applications [/OL]. 2023. [2024-02-06]. https：//fpc-event.co.uk/wp-content/uploads/2022/04/Ryan.Ballard.Heavy-duty-and-off-highway.pdf.

[34] Lewis A C. Optimising air quality co-benefits in ahydrogen economy： a case for hydrogen-specific standardsfor NOx emissions [J]. Envir Sci： Atmosph， 2021， 1（5）：201-207.

[35] Mark O. JCB’s hydrogen-fuelled combustion engineexamined [/OL]. 2021. [2024-02-06]. https：//www.fwi.co.uk/machinery/technology/jcbs-hydrogen-fuelledcombustion-engine-examined.

[36] Mike Bassett J H. Combustion system development forzero-carbon fuels [/OL]. 2024. [2024-03-06]. https：//fpcevent.co.uk/wp-content/uploads/2024/03/Mike-Bassett.pdf.

[37] Cornelius W， Huellmantel L W， Mitchell H R. Ammoniaas an engine fuel [J]. SAE Trans 1966， 74： 300-326.

[38] Lhuillier C， Brequigny P， Contino F， et al. Experimentalstudy on ammonia/hydrogen/air combustion in sparkignition engine conditions [J]. Fuel， 2020， 269： 117448.

[39] WANG Yan. Control and calibration for real worldfuel economy amp; emissions [C]// Future PowertrainsConference， Coventry， UK， 2018.

[40] MA He， XU Hongming， WANG Jihong， et al. Modelbasedmultiobjective evolutionary algorithm optimizationfor HCCI engines [J]. IEEE Trans Vehi Tech， 2015， 64（9）：4326-4331.

[41] MA He， LI Ziyang， Tayarani M， et al. Computationalintelligence nonmodel-based calibration approach forinternal combustion engines [J]. J Dyna Syst， MeasuContr， 2017， 140（4）： 041002.

[42] ZHANG Yufan， ZHOU Quan， LI Ziyang， et al. Intelligenttransient calibration of a dual-loop EGR diesel engineusing chaos-enhanced accelerated particle swarmoptimization algorithm [C]// Proceed Instit Mech Engi，Part D： J Autom Engi， 2019， 233（7）： 1698-16711.

[43] Ground Handling International. Hybrid-electricpushback ready [/OL]. （2024-03-23）. https：//www.groundhandlinginternational. com/content/news/hybridelectric-pushback-ready/

[44] ZHOU Quan， ZHANG Wei， Cash S， et al. Intelligentsizing of a series hybrid electric power-train systembased on Chaos-enhanced accelerated particle swarmoptimization [J]. Appl Energ， 189：5 88-601.

[45] ZHOU Quan， LI Ji， SHUAI Bin， et al. Multi-stepreinforcement learning for model-free predictive energymanagement of an electrified off-highway vehicle [J]. ApplEnerg， 255： 113755

[46] SHUAI Bin， ZHOU Quan， LI Ji， et al. Heuristic actionexecution for energy efficient charge-sustaining controlof connected hybrid vehicles with model-free doubleQ-learning [J]. Appl Energ， 267： 114900

[47] LI Ji， ZHOU Quan， HE Yinglong， et al. Dual-loop onlineintelligent programming for driver-oriented predict energymanagement of plug-in hybrid electric vehicles [J]. ApplEnerg 2019， 253： 113617.

[48] LI Ji， ZHOU Quan， HE Yinglong， et al. Driver-identifiedsupervisory control system of hybrid electric vehiclesbased on spectrum-guided fuzzy feature extraction [J].IEEE Trans Fuzz Syst， 2020， 28（11）： 2691-701.

[49] LI Ji， ZHOU Quan， Williams H， et al. Statistics-guidedaccelerated swarm feature selection in data-driven softsensors for hybrid engine performance prediction [J].IEEE Trans Ind Info， 2023， 19（4）： 5711-5721.

[50] HE Xu， LI Ji， ZHOU Quan， et al. Robust key parameteridentification of dedicated hybrid engine performanceindicators via K-fold filter collaborated feature selection [J].Engi Appl Artif Intel， 2023， 126： 107114.

[51] LI Ji， ZHOU Quan， Williams H， et al. Fuzzy-treeconstructeddata-efficient modelling methodology forvolumetric efficiency of dedicated hybrid engines [J]. ApplEnerg， 2022， 310： 118534.

[52] LI Ji， WU Dawei， Attar H， et al. Geometric neuro-fuzzytransfer learning for in-cylinder pressure modelling of adiesel engine fuelled with raw microalgae oil [J]. ApplEnerg 2022， 306： 118014.

[53] ZHANG Cetengfei， ZHOU Quan， SHUAI Bin， et al.Dedicated adaptive particle swarm optimization algorithmfor digital twin based control optimization of the plug-inhybrid vehicle [J]. IEEE Trans Transport Electr， 2023，9（2）： 3137-3148.

[54] LI Ji， ZHOU Quan， Williams H， et al. Cyber-physical datafusion in surrogate- assisted strength pareto evolutionaryalgorithm for PHEV energy management optimization [J].IEEE Trans Ind Info， 2022， 18（6）： 4107-4117.

徐宏明 教授

現任英國伯明翰大學教授，發動機與車輛技術研究中心主任，伯明翰先進汽車研究和教育中心主任，清華大學車輛和運載學院特聘卓越訪問教授。 合肥工業大學77 級內燃機專業學士，英國帝國理工學院1995 年博士，2005 年入職伯明翰大學前為英國捷豹路虎汽車公司研發部技術專家。

國際期刊《應用能源》《國際汽車制造和材料》副主編，《國際動力總成》執行主編。美國汽車工程師協會（Society of Automotive Engineers，SAE）會士（Fellow）、SAE 混合動力與電動化推進委員會候任主席，全英華人教授協會副主席，全英華人汽車工程師協會主席，海外華人汽車工程師全球聯盟主席。

近15 年致力于人工智能汽車動力系統優化與控制方面的研究，發表國際期刊論文300 篇，國際會議論文200 篇，主旨演講50 余次，指導博士生畢業40 余人，在發動機領域里論文H 指數（H-index）國際排名位于前列。