基于物理信息损失分解与探索性聚类的电动汽车车载充电机行为特征再分析

《World Electric Vehicle Journal》:Physics-Informed Feature Analysis and Exploratory Clustering of Electric Vehicle On-Board Charger Behaviour

【字体: 大 中 小 】 时间:2026年09月19日 来源:World Electric Vehicle Journal 3.3

编辑推荐:

   电动汽车(Electric Vehicle, EV)智能充电改变了车载充电机(On-Board Charger, OBC)的工作点,因此转换效率和电网侧电能质量可能随充电电流发生显著变化。本研究对涵盖2011年至2022年期间生产的38个EV车型(由39个

  


电动汽车(Electric Vehicle, EV)智能充电改变了车载充电机(On-Board Charger, OBC)的工作点,因此转换效率和电网侧电能质量可能随充电电流发生显著变化。本研究对涵盖2011年至2022年期间生产的38个EV车型(由39个测试单元代表)的实验数据集进行了再分析。原始研究确定了实测的电流依赖型效率和无功功率行为;本工作通过整车级物理信息损失分解、24变量描述性特征集、正式统计比较、带稳定性分析的探索性聚类以及年度能量情景敏感性分析,扩展了上述测量结果。一个将固定损耗、电流比例损耗和欧姆损耗分离的三分量损失模型以0.22个百分点(percentage points)的中位均方根误差(Root Mean Square Error, RMSE)再现了实测效率曲线。聚类方面,剔除一个精确冗余的效率描述符后,保留了八个变量。第一阶段将四台电机绕组集成式充电机与32台专用OBC分离(轮廓系数0.474;Ward调整兰德指数1.00)。专用OBC子集更细的四类划分具有较低的轮廓系数0.324,并表现出显著的Bootstrap敏感性;因此该划分被报告为探索性结果,而非普适的OBC类型学。峰值效率每车型年提高0.53个百分点,而拟合的固定损耗系数未显示出显著的时间趋势。在21辆配对车辆中,三相运行与削减单相运行在同电流下的平均效率差为6.32个百分点;由于总传输功率也随相数变化,该值不被解释为孤立的因果性相位效应。对于2500 kWh/年的电池端参考需求,极端情况下以最小支持电流运行的车队平均额外转换损耗相对于在最高效实测设定点运行高出约190 kWh/年。敏感性分析表明,额外能量与年度需求以及低电流充电能量占比呈强相关。由此得出的车辆特异性损耗参数为OBC感知型智能充电研究提供了可重复的基础,而数据集衍生的行为组别需要在独立车辆和运行条件下进行验证。
**论文解读**

**一、研究背景与问题**

全球向电动汽车(Electric Vehicle, EV)的转型使得家庭和工作场所的交流(Alternating Current, AC)充电变得愈加重要,车载充电机(On-Board Charger, OBC)作为电网与电池之间的末级电力电子转换环节,其工作点不仅决定AC-DC转换效率,还影响功率因数(Power Factor, PF)和无功功率交换。智能充电控制器通过有意调节充电电流来管理需求、电价、可再生能源可用性和网络约束,因而使每台OBC沿着其车辆特异的部分负荷特性运行,而非始终运行在额定效率点。低电流运行时,固定转换损耗和辅助损耗分摊到较小的功率吞吐量上,导致效率劣化尤为突出;此外,相位分配会进一步改变具备三相充电能力车辆的工作条件。专用OBC与电机绕组集成式充电方案在拓扑和控制上也存在差异,因此采用车队平均或恒定效率的表征方式会掩盖车辆间在效率、功率因数和无功功率方面的实质性差异。

Sevdari等研究人员的实验测量构成了本研究的经验基础。该原始研究已在6 A至32 A的电流设定点范围内报告了38个EV车型的充电效率、功率因数和无功功率测量结果,并指出电流调制可能增加充电能量需求,尤其在低电流条件下。本再分析工作在原始研究基础上提出了四个方面的扩展:第一,采用受约束的三分量损失模型对每条实测效率曲线进行物理信息参数化,分离固定损耗、电流比例损耗和欧姆损耗;第二,将实测量和拟合量整合为涵盖效率、损耗参数、功率因数和无功功率的24变量统一描述体系;第三,采用正式的不确定性量化和配对统计方法评估车型年趋势以及同电流三相与削减单相运行的差异;第四,运用探索性聚类考察重复出现的行为组别,并鉴于样本量有限,通过Ward聚类、1000次重采样Bootstrap分析、留一法重运行、小组剔除和缩减特征敏感性分析评估其稳定性。

**二、关键技术方法**

本研究的分析流程为:数据协调后,采用信赖域反射非线性最小二乘法对每辆车的三相效率实测数据进行受约束的三分量损失模型拟合,模型将总OBC损耗分解为固定损耗(系数a)、电流比例损耗(系数b)和欧姆损耗(系数c),并导出效率最优电流和模型预测峰值效率的解析表达式;随后将拟合损失系数与实测效率曲线描述符、功率因数描述符和无功功率描述符组装为24变量特征矩阵。聚类分析中剔除精确代数冗余后保留八个变量(峰值效率ηmax、6 A部分负荷差Δη6、拟合系数a/b/c、最小功率因数PFmin、对数平均无功功率log10(mean |Q|)和无功功率斜率dQ/dI),经标准化处理后依次实施K-means两阶段聚类、Ward层次聚类对比、1000次Bootstrap重采样、留一法分析和特征/小组敏感性检验。样本覆盖2011–2022年生产并经历协调与质量控制(剔除了物理上不可接受的功率因数值、零效率非持续充电条目)的39个测试单元。年度能量情景以2500 kWh/年电池端直流能量为基线,在最佳实测设定点与最小支持电流两个极端策略间计算转换损耗差,并对年度需求(1500/2500/4000 kWh/年)和低电流充电占比(20%/50%/80%/100%)进行敏感性分析。

**三、研究结果**

**(1)实测OBC效率概况与损失模型性能。** 36个有效效率测试单元中,三分量模型的中位决定系数R2为0.984,中位RMSE为0.22个百分点。对于12辆存在内部效率最优点的车辆,模型预测最优电流与实测最优电流的中位绝对偏差为1.8 A,模型预测峰值效率与实测最大值的中位偏差仅为0.15个百分点。固定损耗系数a车队均值为0.70 A,其中电机绕组集成式充电机组的均值达1.68 A,约为其余车辆均值0.57 A的2.4倍;比例系数b呈现相反模式,集成式充电机均值0.006,其余车辆均值0.054。峰值效率车队均值为89.6%(范围82.9%–93.1%),6 A效率均值为84.3%(范围69.3%–90.6%),平均部分负荷损失为5.1个百分点,最大值出现在Jaguar I-PACE达14.7个百分点。

**(2)功率因数与无功功率行为。** 大多数专用OBC在支持电流范围内功率因数高于0.97。两个组别显著偏离:Hyundai Kona测试单元兼具高转换效率与显著无功功率响应(在10–12 A时达约1.8 kvar,最小功率因数约0.91);电机绕组集成式充电机(Renault Zoe R90、Zoe ZE50系列及Nissan Townstar)低电流功率因数最低为0.54–0.87,无功功率幅值约2–5 kvar,并出现容性到感性的符号转换。Tesla Model 3和Model Y的无功功率幅值全程低于约45 var。

**(3)技术趋势。** 峰值效率每车型年提高0.5333个百分点(95% Bootstrap置信区间0.3242–0.7736个百分点/年,Pearson r=0.714,Spearman ρ=0.707),平均效率每车型年提高0.5136个百分点。然而,固定损耗系数a与车型年无显著时间趋势(Spearman ρ=–0.042,p=0.809),表明OBC效率上限的提升并未伴随主导低电流充电的固定损耗分量的系统性降低。

**(4)探索性行为分组与稳定性。** 第一阶段K-means(k=2)以轮廓系数0.474分离四台电机绕组集成式充电机与其余32台专用OBC,Ward聚类完全再现(调整兰德指数ARI=1.00,共表相关系数0.81)。36次留一法重运行中第一阶段均选择k=2。第二阶段对32台专用OBC的K-means(k=4)轮廓系数仅0.324,Ward ARI=0.869,1000次Bootstrap的中位ARI为0.429,仅11.7%的重采样达到ARI≥0.80。集成式充电机组(G5)的Bootstrap Jaccard稳定性中位数为1.00,而较细的专用OBC分组稳定性明显较低。五组参考标签为:G1——两台Hyundai Kona高效率和显著无功功率;G2——主流专用OBC大组;G3——严重低电流劣化和大固定损耗项;G4——较老车型、较大比例损耗系数;G5——四台电机绕组集成式充电机。

**(5)同电流三相与削减单相运行对比。** 21辆配对车辆在同电流设定点下的三相减单相效率差均值为6.32个百分点(标准差2.77,Bootstrap 95% CI 5.18–7.49,Wilcoxon p=9.5×10??,Cohen's dz=2.29)。该差异在6 A时超过约9个百分点,20 A以上降至约2–4个百分点。研究人员明确指出该值不是孤立的相位效应,因为同一电流下单相传输总功率约为三相的1/3,差异中同时包含了相位配置和较低总功率吞吐量导致固定损耗放大两个因素。

**(6)年度能量情景与敏感性。** 2500 kWh/年基线情景下,最佳设定点运行的车队平均年转换损耗约293 kWh/辆;若全部在最小支持电流下充电,极端情况额外损耗约190 kWh/年。将20%、50%、80%电量从最佳设定点移至最小电流时,额外能量分别约38、95、152 kWh/年。年度需求1500、2500、4000 kWh/年在100%低电流充电下的额外损耗分别约114、190、304 kWh/年。70%家庭AC充电占比且半数家庭电量以最小电流充电(即35%总体低电流占比)时,额外电网能量约66 kWh/年。

**四、讨论与结论**

本研究的核心贡献在于建立了车辆特异性的OBC物理信息损失表征体系,将实测效率曲线分解为可解释的固定损耗、比例损耗和欧姆损耗分量,并构建了24变量电气描述框架。研究证实峰值效率持续提升,但低电流固定损耗未同步改善,这意味着单凭峰值效率无法表征深度电流调制的能量后果。功率因数与效率的部分独立性表明,必须从多维角度评估OBC的完整电气行为。聚类分析中,电机绕组集成式充电机与专用OBC的顶层分离稳健性较高,而专用OBC内部的较细分组稳定性有限,应视作数据集衍生的探索性结构而非通用OBC分类体系,其外部有效性有待独立车队验证。

研究结论为:三分量损失模型以0.22个百分点中位RMSE再现了整车级效率曲线;峰值效率每车型年提高约0.53个百分点,但拟合固定损耗系数未呈现相应的时间性改善;八变量聚类识别出集成式充电机与专用OBC之间的稳健顶层分离,而更细的五组参考分区仅具有中等第二阶段分离度和显著Bootstrap敏感性,故报告为探索性结果;21辆配对车辆的同电流三相与削减单相效率差为6.32个百分点,但该对比同时反映了总功率降低的影响,并非纯相位因果估计;2500 kWh/年极端连续最小电流运行产生约190 kWh/年额外转换损耗,而部分低电流运行产生比例较小的值。最具有实际应用价值的成果是车辆特异性损耗表征参数,可纳入OBC感知型智能充电研究;探索性行为组别的广泛使用则需要独立的实验验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号