低温环境下增程式电动汽车辅助能耗特性分析与多尺度预测模型研究

《Machines》：Auxiliary Energy Consumption Characteristics and Prediction Models for Range-Extended Electric Vehicles

　　

在低温条件下，辅助能耗急剧上升，降低了续驶里程预测和整车能量管理的准确性。以往研究大多聚焦于纯电动汽车（Battery Electric Vehicle, BEV），其运行特性无法完全代表增程式电动汽车（Range-Extended Electric Vehicle, REEV）的动力系统架构。本研究分析了REEV的辅助能耗特性，并开发了适用于低温运行的预测模型。研究人员采集了约3600 km的实际道路行驶数据，从动力模式、行程尺度、热管理负荷和增程器运行占比四个维度对辅助能耗进行了解析。与纯电模式相比，增程模式下发动机余热使辅助能耗降低了59%以上。采用随机森林（Random Forest, RF）、最小二乘提升（Least-Squares Boosting, LSBoost）和多层感知器（Multilayer Perceptron, MLP）三种方法，分别构建了行程尺度辅助能耗预测模型（trip-scale model）和秒级尺度辅助能耗预测模型（second-scale model）。行程尺度模型的最佳测试集R²为0.826。秒级尺度模型的R²从30 s时的0.857提升至60 s时的0.872；考虑到样本时长加倍仅带来0.015的R²增益，选取30 s的LSBoost模型用于后续集成预测。在集成应用中，所选模型通过预测剩余行程的平均辅助功率来估算剩余辅助能耗。尽管出发时刻的估算误差为9.55%，但迭代更新使全程估算值始终接近实测值，最大绝对残差为0.022 kWh。

**论文解读文章**

**研究背景与问题提出**

交通运输是全球能源转型过程中节能与碳减排的核心领域。国际能源署（International Energy Agency, IEA）报告指出，交通领域占全球终端能源消耗的25%以上，其能源来源中化石燃料占比超过90%，并贡献了约24%的与能源相关的二氧化碳排放。为应对这一挑战，各国纷纷出台更加严格的碳排放法规，加速推动汽车动力系统向电动化转型。电动化车辆（Electrified Vehicles）凭借高效的能量转换和近乎零的尾气排放在使用阶段展现出显著优势，然而在复杂的实际运行条件下，其能耗表现波动剧烈，尤其是低温环境下能耗的急剧上升，已成为制约能效提升和用户体验改善的主要瓶颈。

车辆能耗由驱动能耗和辅助能耗两部分组成。辅助负载涵盖座舱气候控制、动力电池热管理、控制器、泵体、风扇以及车载电气设备等。其中，座舱采暖和动力电池加热需求在低温下显著增加，热管理系统（Thermal Management System）的持续运行使辅助能耗的占比大幅上升。已有研究报道，当环境温度从10 °C降至?20 °C时，辅助能耗可增加五倍以上。与驱动能耗主要遵循车辆动力学规律不同，辅助能耗还依赖于行程时长、电池热状态、热管理负荷以及控制策略等多种因素。因此，辅助能耗必须从总能耗中分离出来，并根据其自身运行特性进行独立建模。

当前针对电动汽车能耗预测的研究大多聚焦于BEV，而对REEV的关注相对不足。REEV可同时从动力电池和增程器发电机获取能量，其低温下的辅助负载特性与BEV存在本质差异：在纯电模式下，电气热管理部件（如正温度系数（Positive Temperature Coefficient, PTC）加热器和压缩机）承担全部座舱和电池加热任务；当增程器运行时，发动机余热可通过冷却液回路进入座舱和电池换热回路，分担部分或全部加热需求，从而改变PTC加热器、压缩机等部件的负荷分配。激活时间、冷却液热状态和热管理需求的交互作用可能共同影响辅助能耗，而现有文献尚未在REEV的实际低温行驶场景中对这些效应进行系统研究。此外，现有辅助能耗预测大多仅在单一时间尺度上开展，缺乏从出行前全程估算到行驶中动态更新的完整预测框架。针对上述空白，本研究聚焦于REEV在真实用户出行场景下的辅助能耗特性及其预测建模，建立了行程尺度与秒级尺度协同的多尺度预测框架。

**研究方法概述**

本研究以一辆理想L8 REEV为测试车辆，于2026年1月在武汉市开展实际道路数据采集。测试路线覆盖城市、郊区、高速和山区道路，采用闭环路线以减少起终点差异对工况比较的影响。测试涵盖强制纯电模式和增程模式，以及ECO和SPORT驾驶模式，再生制动保持标准设置。测试期间平均环境温度约为1.2 °C，座舱采暖按照GB/T 18386.1-2021规定的程序执行，自动空调系统初始设定为22 °C，座舱温度达到20 °C后将平均温度维持在20–22 °C。数据采集通过自主研发的驾驶循环采集终端和能量流采集系统完成：前者通过OBD-II（On-Board Diagnostics II）接口访问CAN（Controller Area Network）总线，实时读取各ECU（Electronic Control Unit）的原始信号；后者利用高精度熔断式电流传感器（CreaSens SHUNT-CAN，最大量程60 A，精度±0.01%满量程）无损采集低压辅助部件的电压与电流。累计获得48个数据集，对应约92 h测试和3600 km行驶里程。

研究人员提出了一种基于高压直流母线能量平衡的辅助能耗计算方法。通过测量动力电池、增程器发电机、前后驱动电机各支路的直流侧电压与电流，按采样点积分得到各支路电能，统一电流符号以反映实际能量流向，并引入传动效率（η_TM = 0.95）计入驱动电机与车轮之间的机械传动损失。辅助能耗（E_Aux）定义为高压直流母线边界内扣除电池、发电机、驱动和再生制动能量流之后的净非牵引电能需求，由此实现了对辅助能耗的一致性表征。

建模方面，研究人员分别构建了行程尺度模型和秒级尺度模型。行程尺度模型以出发时刻的行程时长、行驶距离、初始SOC（State of Charge）、初始压缩机转速、初始PTC功率和初始电池温度六项变量作为输入，基于165个有效样本，采用RF、LSBoost和MLP三种方法建模，并通过分组交叉验证和贝叶斯优化进行超参数选择。秒级尺度模型将车辆运行数据按不同聚合时长（5、10、15、20、30、60 s）构建样本，以平均车速、平均SOC、平均电池温度、平均发动机冷却液温度、平均压缩机转速、PTC运行等级和增程器运行占比七项变量作为输入，同样比较三种算法，最终选取30 s的LSBoost模型。

**研究结果**

*辅助能耗特性分析*

在动力模式维度，纯电模式下辅助能耗为4.707 kWh/100 km，增程模式下降至1.903 kWh/100 km，降幅达59.6%，而驱动能耗在两种模式下差异仅为0.424 kWh/100 km。该结果表明发动机余热利用是降低辅助电气需求的主要机制。在行程尺度维度，累积辅助能耗随行程时长和行驶距离的增加而增长，但与平均速度之间呈非单调关系，反映了行程时长、道路类型和热管理运行时间的综合影响。在热管理负荷维度，当PTC和压缩机的热管理负荷从约0.4 kW增至约2.4 kW时，纯电模式辅助能耗从1.576增至6.275 kWh/100 km，增程模式仅从1.508增至3.430 kWh/100 km，两种模式间的差距从0.068扩大至2.845 kWh/100 km。在增程器运行占比维度，辅助能耗从4.345降至2.765 kWh/100 km，降幅36.4%；其中压缩机能耗降低52.8%，而PTC能耗先升后稳，热管理总电能从2.092降至1.587 kWh/100 km，降幅24.1%。上述分析系统揭示了余热利用在限制电气加热需求增长中的关键作用。

*行程尺度辅助能耗预测模型*

RF模型在三种算法中表现最优，测试集R²为0.826，RMSE（Root Mean Square Error）为0.317 kWh，MAE（Mean Absolute Error）为0.112 kWh，表明其集成结构能够有效捕捉行程尺度信息与初始车辆状态之间的非线性交互。SHAP（SHapley Additive exPlanations）分析进一步显示，行程时长和行驶距离对预测的贡献最大，两者所代表的行程尺度信息占RF模型总重要性的81.1%，是主导全程辅助能耗预测的信息来源；初始电池状态变量和初始辅助负载变量分别贡献9.9%和9.0%，提供了出发时刻热管理需求和能量状态的补充信息。

*秒级尺度辅助能耗预测模型*

LSBoost在所有样本时长下均保持较高精度，其测试集R²从5 s时的0.743提升至30 s时的0.857，RMSE从0.397降至0.245 kW；60 s时R²达到0.872，但相比30 s仅提升0.015。RF和MLP表现出类似趋势，随着时长增加性能增益逐渐收窄。因此，选取30 s的LSBoost模型，在预测精度与更新时效性之间取得了最优平衡。

*双模型集成应用*

集成框架中，出发时刻由行程尺度RF模型提供全程辅助能耗初始估计，行驶中由30 s LSBoost模型预测剩余行程的平均辅助功率，结合导航系统提供的剩余行驶时间计算剩余辅助能耗，再与已累积的实测辅助能耗相加，实现全程估算的动态迭代更新。在36条测试行程的验证中，各行程的MAE分布在0.002至0.034 kWh之间，平均值为0.013 kWh。以代表性行程D14（实测辅助能耗2.692 kWh，时长6262.29 s，里程172.27 km）为例：出发时刻RF预测值为2.949 kWh，误差9.55%；在20%、40%、60%和80%行程进度时，动态更新估算值分别为2.695、2.691、2.710和2.684 kWh，全程最大残差不超过0.022 kWh，表明随着行程推进，实测累积值的权重增加，初始估算误差被有效修正。

*与现有研究的对比*

与Sch?fers等人针对BEV辅助系统以及Kim等人针对商用BEV分别在不同时间尺度独立建模的研究相比，本研究将辅助能耗预测拓展至低温REEV运行场景，将增程器参与和发动机余热利用纳入建模考量；其核心进展在于将行程尺度的初始估算与秒级尺度的迭代更新相耦合，在统一的预测框架内实现了从出行前全程估计到行驶中剩余能耗动态预测的连贯覆盖。

**讨论与结论**

本研究在实际用户出行场景中系统考察了低温条件下REEV辅助能耗特性，并构建了协同行程尺度与秒级尺度的多尺度预测模型。辅助能耗特性分析从动力模式、行程尺度、热管理负荷和增程器运行占比四个维度揭示了REEV辅助能耗的变化规律，证实了发动机余热利用在抑制电气加热需求增长中的核心作用：增程模式下辅助能耗较纯电模式降低超过59%，且随着热管理负荷增加，两种模式间的差距持续扩大。在建模方面，RF在行程尺度取得了R²为0.826的最佳预测性能，SHAP分析表明行程尺度信息贡献了超过80%的模型重要性；LSBoost在30 s秒级尺度上以R² 0.857实现了预测精度与更新时效性的良好平衡。集成应用结果表明，双模型框架能够在出发时刻提供初始全程估算，并随着行驶过程中运行状态信息的实时获取，通过迭代更新将全程估算误差维持在较低水平，最大绝对残差为0.022 kWh。

本研究的主要结论如下：（1）在武汉采集了超过3600 km的实际道路行驶数据用于分析。（2）从动力模式、行程尺度、热管理负荷和增程器运行占比四个维度解析了辅助能耗特性：发动机余热使增程模式辅助能耗较纯电模式降低59%以上；累积辅助能耗随行程时长和行驶距离增加而增长；热管理负荷增加时增程模式辅助能耗的上升速度远低于纯电模式；更高增程器运行占比使辅助能耗降低36.4%，热管理总电能降低24.1%。（3）RF、LSBoost和MLP分别用于构建和比较行程尺度和秒级尺度模型，RF在行程尺度表现最优（R² 0.826），LSBoost在30 s秒级尺度取得精度与时性的最佳平衡（R² 0.857）。（4）SHAP分析显示行程尺度变量贡献超过80%的RF模型重要性，主导了从出发状态对全程辅助能耗的预测。（5）行程尺度和秒级尺度模型被集成应用，出发时刻全程预测误差为9.55%，20%至80%行程进度间更新估算值在2.684至2.710 kWh范围内波动（实测值为2.692 kWh），最大残差为0.022 kWh。

所提出的预测框架将全程辅助能耗初始估计与行驶中剩余辅助能耗迭代预测相衔接，为REEV低温条件下的辅助负载评估和能量管理提供了有力支撑。当前验证覆盖了单一车型、单一地理区域和较窄的冬季温度区间，更广泛的车型、区域和温度条件仍有待进一步检验。未来工作将扩展数据集，纳入更多车型、地区和温度范围，以进一步考察所提出框架在更广泛运行条件下的适用性。