电动汽车能耗预测的研究

1  前言

与传统的燃油车相比，电动车具有能量转换效率较高、动力系统成本较低,使用环节更环保和使用环节噪声小的优点，但是不足之处是续驶里程较短。传统燃油车的续驶里程为500~1000km之间。而电动汽车的续驶里程大部分在300~600km之间（图1）。



加上目前各城市的充电设施不完善，充电时间长，导致驾驶员在驾驶车辆之前会评估电量与剩余里程的关系，容易产生“里程焦虑”的现象，为此驾驶员会对能耗问题的关注度增高。因为提高电动汽车的续驶里程和缩减充电时间的技术难题尚有待突破，因此可以从能耗预测的角度出发来解决“里程焦虑”。

根据研究，相比于电池容量的提升，驾驶员更希望能够准确预估剩余续驶里程。提供准确的能耗预测结果可以让驾驶员更好地把控续驶里程，从而制定合理的出行路线，对于促进电动汽车的发展和使用也具有重要的意义。

常见的预测方法有传统统计学方法中的回归分析，也有近些年流行的机器学习的方法，如支持向量机、深度学习算法。续驶里程指的是为电池在全充满状态下，车辆所能行驶的最大里程。而剩余里程是指在电池当前状态到电池截止电压状态，车辆可以行驶的最大里程。

如图2的能耗预测框架所示，能耗预测模型的前期需要根据车辆和交通大量数据、GIS服务、驾驶员画像进行能耗预测影响因素的分析，大量数据经过处理后，用于能耗预测模型。能耗预测的结果可以用于可行驶范围估计、智慧能量导航、能耗优化分析、续驶里程估计。



本文中提到的电动汽车是指纯电动汽车，即以电池作为全部动力来源的电动汽车。

2  影响电动汽车能耗的主要因素

电动汽车的能量消耗与诸多因素都有关，且各因素之间相互影响，错综复杂。从驾驶过程的角度来看，驾驶员在驾驶车辆的过程中，驾驶员—车—环境形成了一个闭环。这个闭环中的每个环节都会以各自的形式对电动汽车的能耗产生大小不同的影响。本文从3个环节的角度出发，将电动汽车能量消耗的主要影响因素归为3大类，如图3所示。

常见的驾驶风格可以分为激进型、一般型和保守型。激进型驾驶员在行驶过程中踩油门的幅度较大，频次较多，因而行驶能耗相对较高，而保守型驾驶员则踩油门的幅度较小，频次较少，行驶能耗相对比较低。

从车辆自身的角度来看，能量消耗包括行驶能耗和附件能耗2部分。从电动汽车的角度来考虑，车辆自身质量、结构及其零件的性能、电机效率、电池内阻消耗、胎压、造型这些因素都会对车辆的行驶阻力造成影响，继而影响车辆的行驶能耗。

不同的驾驶员对车辆内部的需求不同，其中空调的使用对电动汽车的能耗有着较为明显的影响。电动汽车上最大的附件能耗之一即为空调，因此空调是否启用以及功率大小都对续驶里程的预测有着重要的影响。此外，附件能耗还包括电池热管理系统、座椅加热等其它消耗（图3）。



电池作为电动汽车的动力来源，其性能会受到环境的温度影响，电池参数如总电流、内阻、电池循环寿命等都会通过对电池荷电状态（StateOfCharge,SOC）产生影响，从而间接影响续驶里程的估算，其中SOC代表电池当前电量与额定电量的比例，需要考虑多种影响因素而对其进行估算。此外，电池的衰减状态、刹车的能量回收率都会对能耗估算产生影响。

从环境因素来考虑，主要包含了道路交通环境和自然环境。道路交通环境涵盖道路工况和交通工况。道路工况是指坡度、道路曲率和路面附着等，详细见图3。车辆在上下起伏的路面和平稳的路面行驶对于车辆的行驶能耗有着显著的影响。

交通工况则包含拥堵程度和流量。自然环境包含外界温度、天气和日照环境。自然环境会影响空调的使用，由此也可以看出各因素之间具有相关性，彼此复杂交错。不同的天气下，路面阻力和空气阻力会有区别，温度越低，空气阻力会越大，车辆的行驶阻力越大，行驶能耗越多。

环境温度会影响电池内部的能量消耗率，在不同环境温度下行驶相同里程的电动汽车消耗的能量有所不同。在较低的温度下，电池的充放电容量比常温下的有所降低，内阻呈现非线性增长，电池消耗的能量更大，制约了电动汽车的续驶里程。

3  研究现状

目前的研究现状分为2类不同的研究方向。第一类研究方向是以电池为主要的研究对象，以电池的性能研究为着手点，研究电池的机理和特性，探究电池的剩余电量、温度因素与能耗之间的关系，建立续驶能耗模型；通过其能量状态来预测续驶里程。传统的燃油车的剩余能量可以通过汽油油量来计算，而电动汽车的能量是储存在电池中的化学能，无法直接计算，需要建模估算。当前纯电动汽车多以锂离子电池作为动力电池。研究表明，锂离子电池的最佳工作温度在20℃至45℃之间，电池在充电放电过程中会产生热能，从而带来电池的能耗损失，并且对电池的性能有所影响。

利用电池能量状态预测的方法的优势在于通过建立更为精准的电池模型从而更准确地估算电池剩余能量。但不足之处在于单独地研究电池的电流、电压参数，并没有与车辆在实际工况中的行驶情况相结合，在估算续驶里程时，缺乏对动态交通环境、驾驶员驾驶行为的考虑，造成续驶里程估算误差偏大。

第2类研究是以数据驱动为技术基础，以驾驶员风格、交通工况和道路环境的实际因素为主要研究对象，进行特征识别，从而在此基础上进行能耗预测的研究。

目前在电动汽车能耗预测方面，因为能耗的影响因素众多，且过程错综复杂，因此数据驱动方法较为广泛使用。数据驱动是结合了传统数据分析和处理大量数据复杂算法的一个领域，是指从大量数据中挖掘信息之间的关联性，从而来完成对某一对象的评估、诊断和预测功能。数据驱动可以从目标对象的数据中挖掘出对建模有效信息，并建立输入、输出之间的数学关系。该方法结合了来自统计学的抽样、估计方法，也采纳了机器学习的建模技术和理论。数据驱动法如图4所示，其中的数据收集是指采集大量且有效的所需数据，数据预处理是指由于数据的复杂性和异常等情况，在使用数据建模之前，需要首先进行清洗、删除、转换的预处理操作，使数据规范、可用，即将未加工的数据处理为适合后续分析或者算法的格式。数据挖掘常用机器学习算法来完成对数据的分类及预测。后处理是指对结果进行可视化处理。评价是指将测试集的数据输入至模型，将输出的结果与实际结果相对比，利用均方根误差指标对结果进行相应的评判。



机器学习的原理是从大量数据中探究彼此之间的关系形成模型，然后将利用模型对新的输入进行预测。在电动汽车能耗预测方面，即表现为探究行驶里程与诸多因素之间的关系。神经网络是机器学习中有监督学习的一种算法，是将现有的信息模拟人类大脑中神经网络处理信息的方式来实现的算法，在智能时代成为解决众多模糊问题的选择之一。深度学习是在神经网络算法的基础上延伸而来。其本质上也是机器学习众多算法中的一种。它解决了传统的多层神经网络的过拟合问题，成为人工智能领域常用的算法之一。

FelipeJiménez等提出考虑驾驶员驾驶风格和路线特征的基于神经网络的能耗预测模型。该方法包含2个阶段，首先利用神经网络训练，将不同驾驶风格（特征量与速度、加速度/减速度、滑行时间有关）用户在不同路线（包括道路坡度相关的属性）行驶时消耗的能量作为训练数据进行模型训练，2种驾驶风格的驾驶员分别多次沿2条路线行驶的数据作为训练集的输入。其次在新的路线上通过驾驶员驾驶车辆来验证和应用训练好的神经网络，将驾驶员驾驶风格的特征量和路线特征输入到神经网络，从而得到能耗预测值，将能量消耗的实际值与网络估计值进行比较。该方法可以在已知路线时，提前了解能量消耗情况。

CedricDeCauwer等人利用数据驱动的方法，使用神经网络（NeuralNetwork，NN）级联和多元线性回归模型（MultipleLinearRegression，MLR）将驾驶行为的微观驾驶参数（如速度、加速度）和外部环境参数（道路特征、温度）相结合，用于预测道路网络中给定道路的能量消耗。如图5所示为基于神经网络模型的输入与输出，该模型适用性强，可用于出发前任何给定道路的能耗预测。



GiovanniDeNunzio等利用现有的地图可提供的服务数据，提出了一种考虑相邻路段界面处的加速度和在关键道路基础设施要素引起的附加加速度能耗模型。依据电动汽车的行驶数据，探究能量消耗与环境、驾驶风格和车辆特征参数之间的关系。

KanokBoriboonsomsin等人用到了一种道路网络的数字地图，即动态道路网络数据库，通过嵌入式的融合算法将多个数据源的历史信息和实时交通信息整合到一起，并进行了分层排序。

这种基于数据驱动的研究方向的优势在于模型具有较好的通用性，可以应用于不同类型的电动汽车。但不足之处在于，需要获取大量且有效的驾驶行为、交通、道路等多源数据，数据的获取渠道并不容易。表1为以上3种电动汽车能耗预测方法的优缺点对比。

4  存在的问题

尽管电动汽车能耗预测技术近年来有了一些进展，但是仍存在一些问题，主要集中在以下3个方面：

（1）为了提高能耗预测的准确度，建立相对准确的模型，需要采集大量的信息，包括车辆的行为信息，环境信息，驾驶员的个体行为信息，天气信息的多源数据。数据获取渠道较复杂，采集过程繁琐，虽然模型的预测精度高，但是复杂度也高。



（2）在研究驾驶风格时，是在以假设数据足以表征驾驶员驾驶风格的基础上进行的，但实际上为简化计算，通常只选取其中的有代表性的特征量。

（3）现有的研究在仿真条件下开展得较多，对于能耗预测的实时性要求较低。现有研究在实际的复杂的城市环境中，都无法完全兼顾预测精度和通用性的问题。

5  结束语

本文总结了电动汽车能源消耗预测的重要性和必要性，对影响能耗的主要因素进行了归纳总结。然后介绍了能耗预测技术现有的研究思路，最后通过对近年来电动汽车能耗预测技术的分析研究，总结出能耗预测研究现存的不足及未来的发展方向，指出能耗方法是预测是未来电动汽车发展的重要指标之一，对于电动汽车的推广和发展有着至关重要的意义。