能量回收系统（ERS）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

本文通过实证分析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，相较于内燃机汽车（ICEV），ERS使激进驾驶行为增加35.5%，保守驾驶行为减少61.4%，并逆转了能效最优驾驶模式（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%），表明电动汽车需制定独立于ICEV的能效优化策略。

　　

亮点

• •
  行为转变量化：首次量化了电动汽车与内燃机汽车在特定数据集中的显著行为差异，显示激进驾驶行为增加35.5%，保守驾驶行为减少61.4%。
• •
  能量-速度关系逆转：电动汽车能耗在低速时对驾驶行为高度敏感，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ERS作用下，正常驾驶风格成为能效最优的选择，逆转了内燃机汽车中以保守驾驶为最优的能效等级。
• •
  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个部分。第一部分数据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。数据采集于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、SOC（剩余电量）、电机转速、电机转矩、电机控制器温度、电机温度、经度、纬度等。

特征指标提取

车辆行驶被表征为一个连续过程，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个和内燃机汽车的1,234,567个。

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，显示轮廓分数分别为：K-means 0.4322，层次聚类 0.3994，DBSCAN 0.8023。尽管DBSCAN得分高，但其聚类数量不固定，且对参数敏感。考虑到K-means在驾驶行为研究中的广泛应用和可解释性，本研究选择K-means算法进行驾驶风格聚类。

电动汽车与内燃机汽车的速度与能耗关系

图1、图2、图3揭示，对于内燃机汽车，能耗随速度增加先下降，在达到内燃机汽车的最佳速度后开始上升，这与之前的研究发现一致。相反，对于电动汽车，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内燃机汽车观察到的模式显著不同。具体而言，电动汽车表现出独特的模式。

结论

基于来自电动汽车和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，然后分析了电动汽车和内燃机汽车驾驶风格的分布。还分别研究了电动汽车和内燃机汽车驾驶风格与能耗的关系。此外，针对有和无ERS条件下的电动汽车，研究了驾驶风格对能耗的影响。