純電動輕型商用車降能耗關鍵技術及應用

【摘要】為提升某純電動輕型商用車的續駛能力，從減少功率消耗和增加滑行回饋功率兩個維度降低整車百公里電耗。首先，針對節能（ECO）模式，提出基于車輛不同使用場景和工況的節能控制技術，顯著降低全場景下的整車能耗。其次，針對商用車空、滿載滑行能量回收減速度差異大的問題，提出基于整車質量進行能量回收控制，實現了車輛不同載荷下具有相同的滑行減速度，以回收更多能量。然后，針對滑行能量回收通常以低附著系數路面為設計基礎的現狀，提出基于路面附著系數自適應調整滑行能量回收的方法。最后，對該純電動輕型商用車進行實際道路測試，結果表明，ECO模式下百公里電耗降低2.9%，針對開啟空調和開啟車門場景，百公里電耗降低2.1%，基于整車質量的能量回收策略實現了百公里電耗降低2.7%。

關鍵詞：商用車 降低能耗 能量回收 附著系數 電動汽車

中圖分類號：U461.8" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20240300

Key Technologies and Applications of Energy Consumption Reduction for Pure Electric Light Commercial Vehicles

Lin Yumin， Wei Guangjie， You Daoliang， Hu Dongyang， Li Haimu

（Jiangling Motor Co.， Ltd.， Nanchang 330031）

【Abstract】In order to improve the vehicle driving range of a pure electric light commercial vehicle， this paper proposes to reduce the electric power consumption per 100 kilometers by reducing power consumption and increasing coasting energy recovery power. Firstly， for ECO energy-saving mode， the paper proposes the energy-saving control technology based on different vehicle usage scenarios and working conditions， which significantly reduces the energy consumption of the vehicle in the whole scenario. Secondly， in the view of the coasting energy recovery deceleration of commercial vehicles with empty and full load varies greatly， the paper proposes the energy recovery control based on the vehicle mass to achieve the same coasting deceleration under different loads to recover more energy. Then， for the problem that coasting energy recovery is usually designed with low adhesion coefficient road surface， the paper proposes adaptive adjustment of coasting energy recovery based on road adhesion coefficient. Finally， the pure electric light truck is tested on real road. The results show that the ECO mode reduces the electricity consumption per 100 kilometers by 2.9%， and by 2.1% for scenarios of turning on the air conditioning and opening the car door. The energy recovery strategy based on the vehicle’s mass shows a 2.7% reduction in electricity consumption per 100 kilometers.

Key words： Commercial Vehicle， Reduce energy consumption， Energy recovery， Adhesion coefficient， Electric vehicle

【引用格式】 林玉敏， 魏廣杰， 游道亮， 等. 純電動輕型商用車降能耗關鍵技術及應用[J]. 汽車工程師， 2024（12）： 35-40.

LIN Y M， WEI G J， YOU D L， et al. Key Technologies and Applications of Energy Consumption Reduction for Pure Electric Light Commercial Vehicles[J]. Automotive Engineer， 2024（12）： 35-40.

1 前言

純電動汽車的電耗和續駛里程一直是行業關注的焦點。為提高車輛的續駛里程，一方面可以增加動力電池的容量[1]，但這會提高整車的成本，另一方面可以通過路徑規劃進行預測性控制[2-3]，但需提前獲取全局的路況信息，而路況信息是實時變化的。因此，提高車輛系統層面的能量利用率、降低純電動汽車的百公里電耗是提升續駛里程的有效方式。

余才光等[4]提出純電動汽車電耗的6個影響因子，即整備質量、滾動阻力系數、風阻系數、能量傳遞的綜合效率、低壓功耗、整車內阻，進行了建模和電耗計算，并分別分析了各影響因子的發展趨勢。劉建輝等[5]基于續駛里程的能量流向影響因素研究，分析了電動汽車的整車參數、動力電池、電機及其控制器系統、制動能量回收等因素對續駛里程的影響，同時從優化整車參數、采用高功率密度電池、提高部件性能3個方面展望了增加電動汽車續駛里程的技術發展方向。黃偉[6]等針對某款電動車型電耗偏大的問題，提出了一種純電動汽車能量流測試方案，基于Cruise電耗仿真分析模型，分別從電驅動系統效率提升、滾阻優化、制動能量回收率提高以及附件控制策略優化等方面進行了電耗的定量優化分析。于鳳珠[7]通過整車能耗機理理論分析，挖掘能耗的關鍵控制項，基于高精度實測數據建立并標定整車能量流仿真模型，通過風阻優化、制動卡鉗優化、輪轂軸承優化、分網段休眠技術、電機余熱利用技術實現了能耗降低和續駛里程的提升。

文獻[4]～文獻[7]主要圍繞整車阻力、動力系統效率和能量管理方面進行了純電動汽車百公里電耗的理論分析，而實際量產車型受車輛設計、零部件設計和選型等因素影響，整車阻力和系統效率已經固定，后續難以優化。因此，本文從車輛減少功率消耗和增加回饋功率角度出發，通過軟件和算法降低整車的百公里電耗，提出基于車輛不同使用場景和工況的節能（ECO）模式，然后針對商用車空、滿載條件下滑行能量回收過程中減速度差異大的問題，提出基于整車質量的能量回收控制技術，提高車輛系統層面的能量利用率。此外，針對滑行能量回收通常基于低附著系數路面進行設計及在低附著系數路面易發生打滑的問題，提出基于路面附著系數自適應調整滑行能量回收的控制方法。最后，利用實際道路測試驗證所提出策略的有效性。

2 ECO模式開發

2.1 技術方案

本文提出的ECO模式技術方案如圖1所示：整車控制器（Vehicle Control Unit，VCU）通過采集ECO模式硬線開關信號識別ECO狀態，進行ECO模式下的節能控制；門開關信號由車身控制器（Body Control Module，BCM）采集并發送至VCU，VCU根據門開關信號識別開車門場景；VCU發送壓縮機（Air Compressor，AC）和正溫度系數（Positive Temperature Coefficient，PTC）空氣加熱器最大限制使用功率至空調控制模塊（Air Condition Module，ACM），ACM控制AC和PTC空氣加熱器的工作功率；VCU發送駕駛模式狀態信號至組合儀表，組合儀表顯示駕駛模式狀態。

2.2 控制策略開發

本文基于車輛不同使用場景和工況的節能控制技術，開展節能控制策略開發：

a. 高速駕駛場景，限制ECO模式最高車速。車速越高，電能消耗越快，可通過限制最高車速降低能耗。本文純電動輕型商用車的最高車速為100 km/h，ECO模式下最高車速限制為80 km/h（標定量）。

b. 全油門加速場景，限制ECO模式電機外特性曲線。外特性曲線下移，可大幅度提高電機系統的效率，降低能耗。本文車型采用的電機系統效率如圖2所示，低轉速下外特性扭矩對應的電機系統效率為70%左右，將電機最大扭矩限制為350 N·m（標定量），低轉速最大扭矩對應的電機系統效率可提高到80%左右。

c. 開空調場景，限制ECO模式AC和PTC加熱器最大使用功率，降低高壓附件消耗的功率。本文車型AC的最大功率為3 kW，ECO模式功率限制為2 kW（標定量），PTC加熱器的最大功率為5 kW，ECO模式功率限制為3 kW（標定量）。

d. 開啟車門場景下，單獨限制ECO模式AC和PTC加熱器使用功率。針對商用車搬卸貨開啟車門場景，開啟車門會增加空調的消耗功率且制冷和制熱效果差，因此，需單獨限制AC和PTC加熱器的使用功率，進一步降低能耗。ECO模式限制AC的最大功率為1 kW（標定量）、PTC加熱器的最大功率為2 kW（標定量）。

e. 蠕行場景，ECO模式下取消踩制動踏板蠕行。通過取消制動踏板蠕行，可以減少克服制動力進行驅動的能耗，進一步降低能耗。

f. 激烈駕駛場景下新增ECO模式踏板曲線。基于駕駛員原始扭矩需求，使用不同的踏板扭矩解析MAP圖，即根據車速和加速踏板開度計算駕駛員原始需求扭矩，圖3、圖4所示分別為標準（NOR）模式、ECO模式需求扭矩MAP，ECO模式下響應更柔和，即同一車速和同一加速踏板開度下需求扭矩更小，避免頻繁升、降扭導致能量浪費。

2.3 實車測試

本文純電動輕型載貨汽車的空載質量為3 000 kg，滿載質量為6 000 kg，上電默認駕駛模式為NOR模式。通過實際道路測試對比NOR模式和ECO模式下的整車百公里電耗，試驗整車質量為6 000 kg，車輛參數和動力系統部件參數如表1所示，試驗工況為市區市郊工況，空調為關閉狀態，百公里實際道路測試結果如表2所示，相較于NOR模式，ECO模式下整車百公里電耗降低2.9%。

針對開啟空調和開啟車門場景，基于中國輕型汽車測試循環-乘用車（China Light-duty vehicle Test Cycle-Passenger，CLTC-P）工況進行轉轂試驗，環境溫度為38 ℃，模擬駕駛搬卸貨物停車5 min，對比測試NOR模式和ECO模式下的整車百公里電耗，結果如表3所示，相較于NOR模式，ECO模式下整車百公里電耗降低2.1%。

3 基于整車質量的智能能量回收策略

3.1 智能能量回收策略

目前，純電動輕型商用車一般在空載條件下進行滑行能量回收策略設計和驗證，若基于滿載條件設計和驗證，因商用車空、滿載載荷差異大，則空載時滑行減速度較大，在低附著系數路面易發生打滑和甩尾，尤其是后驅商用車。

因此，本文設計一種基于整車質量連續控制的滑行能量回收方法，使車輛在不同載荷下具有相同的減速度，同時回收更多能量。整車質量參數從整車質量估算模塊獲取，本文車輛整車質量估算誤差小于10%[8]。首先基于整車空載質量定義滑行減速度曲線，基于該曲線計算空載滑行回饋扭矩，然后基于整車質量屬性定義空載質量和滿載質量，最后基于整車質量和車速查二維表計算滑行回饋扭矩。通過實車標定及驗證使車輛在空載、半載、滿載時滑行減速度一致，提高整車駕駛性，同時，車輛在裝載工況下，滑行回饋扭矩相對于空載工況下更大，以本文車輛為例，忽略整車阻力的影響，滿載時的滑行回饋扭矩約為空載時的2倍，車輛裝載貨物時可回收更多能量，降低能耗并提升續駛里程。

3.1.1 空載工況下滑行回饋扭矩計算

空載工況下目標加速度定義如表4所示，基于目標加速度計算滑行回饋扭矩M：

M=（ma-F）·r （1）

其中，車輛阻力F基于擬合公式計算：

F=A+Bv+Cv2 （2）

式中：m為整車質量，a為目標加速度，v為車速，A、B、C為整車阻力系數，r為輪胎半徑。

3.1.2 基于整車質量和車速的滑行回饋扭矩計算

對于本文車型，按照整車質量在3 000～6 000 kg范圍內進行插值查表計算滑行回饋扭矩，整車質量低于3 000 kg時按3 000 kg查表，高于6 000 kg時按6 000 kg查表，空載工況以式（1）計算的M為初始值，滿載工況以2M為初始值，基于整車質量和車速查表計算滑行回饋扭矩，在實車上進行標定驗證后的曲線如圖5所示。

3.2 實車測試

試驗工況為市區市郊工況，整車質量為滿載6 000 kg，空調為關閉狀態，百公里電耗實際道路測試結果如表5所示，ECO模式下使用智能能量回收策略整車百公里電耗降低2.7%。

4 基于路面附著系數的自適應能量回收策略

4.1 路面附著系數理論計算

當前，對路面附著系數計算的研究已比較深入，現有計算方法主要分為試驗法、模型法與融合法三類[9-10]。張雷等[11]提出基于圖像識別的前向路面附著系數預測方法，通過DeepLabV3+、語義分割網絡和MobileNetV2輕量化卷積神經網絡實現路面分割和路面類型辨識，并通過查表獲取前向路面附著系數，建立了圖像識別與動力學估計時空同步方法和融合規則，實現了兩種估計方法的有效關聯與可靠融合。張新榮等[12]分別采用擴張狀態觀測器和自適應卡爾曼濾波對利用附著系數和滑移率進行識別與估計，提出了一種路面附著系數的分段識別方法，可以有效識別路面附著系數，在估算過程中通過引入評價指標，降低了運算復雜度，提高了運行效率。查云飛等[13]根據魔術公式輪胎模型分析輪胎的側偏特性以及不同附著系數對輪胎側偏角-側向力線性區的影響，建立了輪胎側偏角約束與不同路面附著系數的函數關系，采用遺傳算法（Genetic Algorithm，GA）優化BP神經網絡模型對路面附著系數進行估計。

文獻[11]～文獻[13]偏向于理論研究，難以在量產車型上實現，本文基于路面特性實時計算路面附著系數，通過集成在VCU硬件上的慣性測量單元（Inertial Measurement Unit，IMU）獲取車輛的縱向加速度和橫向加速度，當車輪處于打滑邊界時，道路附著力等于驅動力：

uFN=macom （3）

FN=mg·cos α （4）

式中：u為路面附著系數，FN為地面法相反作用力，acom為整車合加速度，g為重力加速度，α為道路坡道角。

道路坡道角計算公式為：

[α=arcsinω?r-Ayg] （5）

再根據摩擦圓公式計算整車合加速度：

[A2x]+[A2y]=a[2com] （6）

根據上述公式計算路面附著系數u：

[u=A2x+A2y/（g·cosα）] （7）

式中：ω為輪速，Ax為縱向加速度，Ay為橫向加速度。

4.2 自適應能量回收策略

當前，滑行能量回收等級一般基于低附著系數路面進行設計和驗證，能量回收條件下車輛最大減速度較小，若引入路面附著系數，則可以提高能量回收時的最大減速度上限，提高能量回收強度，同時避免車輛在低附著系數路面條件下打滑甩尾，提高車輛安全性。對路面附著系數u進行區間劃分和定義：將u≥0.6的路面定義為高附路面，將0.3≤ult;0.6的路面定義為中附路面，將ult;0.3的路面定義為低附路面。

在輪胎不打滑的前提下，實車測試各類附著條件路面能夠提供的最大減速度，基于本文車型進行測試，高、中、低附路面附著系數分別設置為0.70、0.30、0.15，在車輪不打滑的情況下最大減速度分別達到3.0 m/s2以上、1.1 m/s2、0.6 m/s2，當前滑行能量回收減速度一般不超過3 m/s2。

車輛滑行能量回收設置弱、中、強3個等級，在未計算路面附著系數時，考慮低附路面易發生打滑甩尾，最大減速度為0.9 m/s2，本文在識別路面附著系數基礎上，最大減速度設計為1.8 m/s2，三級能量回收加速度曲線設計如圖6～圖8所示。

根據定義的高、中、低附路面分別限制最大減速度在安全邊界內：高附路面條件下，強、中、弱能量回收等級均可按目標加速度執行；中附路面條件下，強、中能量回收等級目標加速度絕對值被限制不超過1.1 m/s2；低附路面條件下，強、中、弱能量回收等級目標加速度絕對值被限制不超過0.6 m/s2。

基于目標加速度，按照式（1）、式（2）計算滑行回饋扭矩。

基于路面附著系數的自適應能量回收方法可根據不同路面附著系數自適應調整能量回收時的車輛減速度，提高能量回收最大減速度上限，增加回饋功率，降低整車百公里電耗。同時，避免車輛在低附路面打滑甩尾，提高車輛安全性。

5 結束語

本文針對ECO模式，提出基于車輛不同使用場景和工況的節能控制策略，顯著降低全場景下的整車能耗，實際道路測試整車百公里電耗降低2.9%，開啟空調和開啟車門場景下，整車百公里電耗降低2.1%。

針對商用車空、滿載滑行能量回收減速度差異大的問題，本文提出基于整車質量的能量回收控制策略，實現了車輛不同載荷下具有相同的滑行減速度，回收更多能量，降低能耗，實際道路測試整車百公里電耗降低2.7%。

針對滑行能量回收通常以低附著系數路面進行設計和驗證的問題，提出基于路面附著系數自適應調整滑行能量回收時車輛最大減速度，增加回饋功率。

參考文獻

[1]" "華旸， 周思達， 何瑢， 等. 車用鋰離子動力電池組均衡管理系統研究進展[J]. 機械工程學報， 2019， 55（20）： 73-84.

HUA Y， ZHOU S D， HE R， et al. Research Progress of Balanced Management System for Automotive Lithium-Ion Battery Pack[J]. Journal of Mechanical Engineering， 2019， 55（20）： 73-84.

[2]" HU L， ZHONG Y X， HAO W， et al. Optimal Route Algorithm Considering Traffic Light and Energy Consumption[J]. IEEE Access， 2018， 6： 59695-59704.

[3]" "胡林， 鐘遠興， 黃晶， 等. 考慮信號交叉口延時的最優車輛路徑規劃算法[J]. 汽車工程， 2018， 40（10）： 1223-1229.

HU L， ZHONG R X， HUANG J， et al. Optimal Path Programming Algorithm with Consideration of Signalized Intersection Delay[J]. Automotive Engineering， 2018， 40（10）： 1223-1229.

[4]" "余才光， 高上覽， 湯偉誠， 等. 純電動汽車電耗分析及未來電耗推測[J]. 制造業自動化， 2024， 46（1）： 191-198.

YU C G， GAO S L， TANG W C， et al. Power Consumption Analysis and Future Power Consumption Forecast of Pure Electric Vehicle[J]. Manufacturing Automation， 2024， 46（1）： 191-198.

[5]" "劉建輝， 王仲太， 吉文博， 等. 電動汽車續駛里程影響因素分析[J]. 小型內燃機與車輛技術， 2024， 53（1）： 52-55.

LIU J H， WANG Z T， JI W B， et al. Analysis of Influencing Factors of Driving Range for Electric Vehicle[J]. Small Internal Combustion Engine and Vehicle Technique， 2024， 53（1）： 52-55.

[6]" "黃偉， 張桂連， 周登輝， 等. 基于能量流分析的純電動汽車電耗優化研究[J]. 汽車工程， 2021， 43（2）： 171-180.

HUANG W， ZHANG G L， ZHOU D H， et al. Research on Optimization of Power Consumption of Pure Electric Vehicle Based on Energy Flow Analysis[J]. Automotive Engineering， 2021， 43（2）： 171-180.

[7]" "于鳳珠. 純電動汽車能量流向及降能耗措施分析[J]. 汽車實用技術， 2023， 48（3）： 20-27.

YU F Z. Analysis of Energy Flow Direction of Electric Vehicle and Research on Measures to Reduce Energy Consumption[J]. Automobile Applied Technology， 2023， 48（3）： 20-27.

[8]" "林玉敏， 魏廣杰， 游道亮， 等. 純電動輕型載貨汽車整車質量的估算及應用[J]. 汽車工程師， 2023（8）： 38-41.

LIN Y M， WEI G J， YOU D L， et al. Vehicle Mass Estimation and Application of Pure Electric Light Truck[J]. Automotive Engineer， 2023（8）： 38-41.

[9]" KHALEGHIAN S， EMAMI A， TAHERI S. A Technical Survey on Tire-Road Friction Estimation[J]. Friction， 2017， 5（2）： 123-146.

[10] 王震坡， 丁曉林， 張雷. 四輪輪轂電機驅動電動汽車驅動防滑控制關鍵技術綜述[J]. 機械工程學報， 2019， 55（12）： 99-120.

WANG Z P， DING X L， ZHANG L. Overview on Key Technologies of Acceleration Slip Regulation for Four-Wheel-Independently-Actuated Electric Vehicles[J]. Journal of Mechanical Engineering， 2019， 55（12）： 99-120.

[11] 張雷， 關可人， 丁曉林， 等. 基于圖像識別與動力學融合的路面附著系數估計方法[J]. 汽車工程， 2023， 45（7）： 1222-1234.

ZHANG L， GUANG K R， DING X L， et al. Tire-Road Friction Estimation Method Based on Image Recognition and Dynamics Fusion[J]. Automotive Engineering， 2023， 45（7）： 1222-1234.

[12] 張新榮， 王鑫， 宮新樂， 等. 面向智能車輛的路面附著系數分段識別方法[J]. 汽車工程， 2023， 45（10）： 1923-1932.

ZHANG X R， WANG X， GONG X L， et al. Segmented Identification Method of Tire-Road Friction Coefficient for Intelligent Vehicles[J]. Automotive Engineering， 2023， 45（10）： 1923-1932.

[13] 查云飛， 呂小龍， 陳慧勤， 等. 基于路面附著系數估計的車輛軌跡跟蹤控制[J]. 汽車工程， 2023， 45（6）： 1010-1021.

CHA Y F， Lü X L， CHEN H Q， et al. Vehicle Trajectory Tracking Control Based on Road Adhesion Coefficient Estimation[J]. Automotive Engineering， 2023， 45（6）： 1010-1021.

（責任編輯 斛 畔）

修改稿收到日期為2024年10月12日。