能量回收系统（ERS）如何重塑电动汽车驾驶风格与能耗关系：一项基于实驾数据的范式转变研究

本文揭示了能量回收系统（ERS）对电动汽车（EV）驾驶行为与能耗关系的根本性影响。研究发现，与传统内燃机汽车（ICEV）相比，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（EV为正常驾驶最优，14.33 kWh/100 km；ICEV为保守驾驶最优）。ERS显著缩小了不同驾驶风格间的能耗差距（42–68%），表明需摒弃ICEV能效策略，开发基于ERS的EV专属能效模型。

　　

Highlight

本研究通过分析电动汽车（EV）和传统内燃机汽车（ICEV）的真实世界数据，揭示了能量回收系统（ERS）如何改变驾驶风格和能源消耗。结果显示，与ICEV相比，ERS使保守驾驶减少了61.4%，激进驾驶增加了35.5%，因为驾驶员通过加速-减速循环来适应并最大化能量回收。至关重要的是，ERS逆转了能效等级：正常驾驶成为最优选择（14.33 kWh/100 km），而在ICEV中保守驾驶是最优的。没有ERS时，EV的能耗遵循ICEV模式（从保守到激进，能耗从16.33 kWh/100 km升至19.33 kWh/100 km），但ERS将不同驾驶风格间的能耗差距缩小了42%至68%。这些发现表明，ERS从根本上重新配置了行为与能源之间的关系，使得有必要制定不同于ICEV范式的EV专属效率策略。

Section snippets

Data collection

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EV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。

Feature indicators extraction

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254,535个EV数据点和1,089,846个ICEV数据点。

Clustering methods

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均值聚类、层次聚类和基于密度的噪声应用空间聚类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，显示轮廓分数分别为0.4322（K均值）、0.3994（层次聚类）和0.8023（DBSCAN）。尽管DBSCAN得分高，但其对参数敏感且可能将大量数据点识别为噪声，因此本研究选择K均值聚类进行驾驶风格分类，将驾驶行为分为三类：保守型、正常型和激进型。

Relationship between speed and energy consumption for EVs and ICEVs

图1、图2、图3揭示，对于ICEV，能耗随速度增加先下降，在达到ICEV的最佳速度后开始上升，这与之前的研究结果一致。相比之下，对于EV，无论是否考虑ERS，能耗与速度的关系以及能耗与加速度的关系都与ICEV中观察到的显著不同。具体而言，EV表现出能耗对低速下的驾驶行为高度敏感的模式，这与ICEV一致的“经济速度”模式不同。

Conclusions

基于EV和ICEV的驾驶行为和能耗数据，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，然后分析了EV和ICEV驾驶风格的分布。还分别研究了EV和ICEV驾驶风格与能耗的关系。此外，还研究了在有和没有ERS的情况下，驾驶风格对EV能耗的影响。