能量回收系统如何重构电动汽车驾驶行为与能耗关系：从传统能效范式的根本性转变

本文通过对比电动汽车（EV）与内燃机汽车（ICEV）的真实行驶数据，首次量化揭示了能量回收系统（ERS）对驾驶行为的重塑作用：使激进驾驶行为增加35.5%，保守驾驶行为减少61.4%。研究发现ERS颠覆了传统能效范式，使正常驾驶成为最优模式（14.33 kWh/100 km），并将不同驾驶风格间的能耗差异缩小42-68%。这些发现为开发EV专属的节能辅助系统和自适应能耗模型提供了新框架。

　　

Highlight

行为转变量化分析：在特定数据集中首次量化了EV与ICEV的显著行为差异，显示激进驾驶行为增加35.5%，保守驾驶行为减少61.4%。

能量-速度关系反转：EV能耗在低速时对驾驶行为表现出高度敏感性，这与ICEV持续存在的"经济速度"模式形成鲜明对比。

ERS驱动的效率范式转变：在ERS作用下，正常驾驶风格成为最具能效的模式（14.33 kWh/100 km），逆转了ICEV中保守驾驶最优的能效等级体系。

行为-能量解耦效应：与非ERS条件相比，ERS显著缩小了不同驾驶风格间的能耗差异（降幅达42-68%）。

微轨迹量化框架：引入了基于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关系。

数据收集

本研究使用的数据包含两个主要部分。第一部分来自中国新能源汽车大数据平台，包含5辆EV的驾驶记录（电池容量39 kWh，续航401 km），采集于2023年和2024年的1-3月，记录精度为10秒。第二部分为10辆ICEV的对应数据，通过相同处理方法确保可比性。

特征指标提取

车辆行驶是连续过程，需对轨迹数据进行分割以提取连续驾驶片段。轨迹文件按5分钟时间窗分割，累计非零速度时长低于4分钟的片段被剔除。处理后，有效数据点包括EV的254,535个和ICEV的283,692个。从每个片段提取16个特征指标，涵盖速度、加速度、能耗等维度。

聚类方法

基于聚类将驾驶行为划分为不同风格是驾驶研究的关键方法。比较发现DBSCAN的轮廓系数最高（0.8023），但其生成的噪声点过多（38.6%），最终选择轮廓系数0.4322的K-means算法。通过主成分分析（PCA）降维验证了三种驾驶风格（保守型、正常型、激进型）在特征空间中的明显分离。

速度与能耗关系

图1-3显示，ICEV能耗随速度增加先降后升，存在最佳经济速度。而EV（无论是否开启ERS）的能耗模式与ICEV显著不同，特别是在低速区域表现出更高的能耗波动性。当ERS激活时，EV的能耗-速度曲线呈现明显的"扁平化"特征，表明ERS有效削弱了速度对能耗的敏感性。

结论

基于EV和ICEV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，并分析了ERS对驾驶风格分布的重构作用。研究发现ERS通过改变加速-制动循环中的能量流动路径，从根本上重新配置了行为-能量关系，这要求制定区别于ICEV范式的EV专属能效策略。