能量回收系统（ERS）重构电动汽车驾驶行为与能耗关系：基于真实驾驶数据的范式转变研究

本文揭示了能量回收系统（ERS）如何颠覆性地改变电动汽车（EV）的驾驶行为与能耗关系。研究发现，相较于传统内燃机汽车（ICEV），ERS使保守驾驶行为减少61.4%，激进驾驶增加35.5，并逆转了能效最优的驾驶风格（正常驾驶最优，能耗14.33 kWh/100 km）。ERS显著缩小了不同驾驶风格间的能耗差异（42–68%），表明其实现了行为-能量的解耦效应，为开发EV专属能效策略提供了新框架。

　　

亮点

• •
  行为转变量化：首次量化了特定数据集中电动汽车（EV）与传统内燃机汽车（ICEV）之间的显著行为差异，显示激进驾驶行为增加了35.5%，而保守驾驶行为减少了61.4%。
• •
  能量-速度关系逆转：电动汽车的能耗在低速时对驾驶行为表现出高度敏感性，这与内燃机汽车一致的“经济速度”模式截然不同。
• •
  ERS驱动的效率范式转变：在能量回收系统（ERS）作用下，正常驾驶风格成为能效最高的风格，逆转了内燃机汽车中以保守驾驶风格为最优的等级体系。
• •
  行为-能量解耦效应：与非ERS条件相比，ERS缩小了不同驾驶风格之间的能耗差距。
• •
  微观轨迹量化框架：引入了一个利用高分辨率驾驶轨迹的数据驱动框架，用于量化驾驶行为与能耗之间的关系。

数据收集

本研究使用的数据主要包括两部分。第一部分来源于中国新能源汽车大数据平台。该数据集包含五辆电动汽车的驾驶记录，每辆车电池容量为39 kWh，续航里程为401 km。数据收集于2023年和2024年的1月至3月，记录精度为10秒。记录的参数包括时间戳、车辆状态、充电状态、运行模式、速度、里程、总电压、总电流等。

特征指标提取

车辆行驶是一个连续过程，需要对轨迹数据进行分割以提取连续驾驶片段并分析其中的模式。轨迹文件被分割为5分钟的时间窗口，任何非零速度累计持续时间低于4分钟的片段将被丢弃。轨迹分割示意图见补充图S4。处理后，有效数据点包括电动汽车的254,535个和传统内燃机汽车的对应数据点。

聚类方法

基于聚类将驾驶行为划分为不同驾驶风格是驾驶行为研究中的关键方法。K-means、层次聚类（HC）和基于密度的噪声应用空间聚类（DBSCAN）是驾驶风格研究中常用的聚类方法。补充图S7和S8比较了聚类方法，显示轮廓系数分别为0.4322（K-means）、0.3994（AHC）和0.8023（DBSCAN）。尽管DBSCAN得分高，但其对参数敏感且可能产生噪声点，因此本研究选择K-means进行驾驶风格分类。

电动汽车和传统内燃机汽车的速度与能耗关系

图1、图2、图3揭示，对于传统内燃机汽车（ICEV），能耗随速度增加先下降，在达到一个最优速度后开始上升，这与先前研究结果一致。相比之下，对于电动汽车（EV），无论是否考虑能量回收系统（ERS），能耗与速度的关系以及能耗与加速度的关系，都与在内燃机汽车中观察到的存在显著差异。具体而言，电动汽车表现出一种模式，即能耗在低速时对驾驶行为更为敏感。

结论

基于来自电动汽车和传统内燃机汽车的驾驶行为与能耗数据，应用统一标准将驾驶行为聚类为三种风格：保守型、正常型和激进型，进而分析了电动汽车和传统内燃机汽车驾驶风格的分布。还分别研究了电动汽车和传统内燃机汽车驾驶风格与能耗的关系。此外，还针对电动汽车，在有能量回收系统（ERS）和无能量回收系统条件下，研究了驾驶风格对能耗的影响。