1  前言

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，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500~1000km之間。而電動汽車的續(xù)駛里程大部分在300~600km之間（圖1）。



加上目前各城市的充電設(shè)施不完善，充電時間長，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。因為提高電動汽車的續(xù)駛里程和縮減充電時間的技術(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，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，對于促進電動汽車的發(fā)展和使用也具有重要的意義。

常見的預(yù)測方法有傳統(tǒng)統(tǒng)計學(xué)方法中的回歸分析，也有近些年流行的機器學(xué)習(xí)的方法，如支持向量機、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、智慧能量導(dǎo)航、能耗優(yōu)化分析、續(xù)駛里程估計。



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)境形成了一個閉環(huán)。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。

常見的駕駛風(fēng)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(zhì)量、結(jié)構(gòu)及其零件的性能、電機效率、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。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)（StateOfCharge,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(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，制約了電動汽車的續(xù)駛里程。

3  研究現(xiàn)狀

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(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，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。

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(jié)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(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)境的實際因素為主要研究對象，進行特征識別，從而在此基礎(chǔ)上進行能耗預(yù)測的研究。

目前在電動汽車能耗預(yù)測方面，因為能耗的影響因素眾多，且過程錯綜復(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)計學(xué)的抽樣、估計方法，也采納了機器學(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(jié)果與實際結(jié)果相對比，利用均方根誤差指標(biāo)對結(jié)果進行相應(yīng)的評判。



機器學(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(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。

FelipeJiménez等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）行駛時消耗的能量作為訓(xùn)練數(shù)據(jù)進行模型訓(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，將能量消耗的實際值與網(wǎng)絡(luò)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。

CedricDeCauwer等人利用數(shù)據(jù)驅(qū)動的方法，使用神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）級聯(lián)和多元線性回歸模型（MultipleLinearRegression，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，可用于出發(fā)前任何給定道路的能耗預(yù)測。



GiovanniDeNunzio等利用現(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。

KanokBoriboonsomsin等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(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(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。



（2）在研究駕駛風(fēng)格時，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(yù)測的實時性要求較低?，F(xiàn)有研究在實際的復(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。

5  結(jié)束語

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，指出能耗方法是預(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。