各位领导，各位老师，各位同仁，大家下午好！

今天想和大家汇报我们在新能源车辆能效管理和能效测评上的一些内容，所以演讲取的题目是《汽车大数据驱动的智能新能源汽车能效管理与测评技术探索》。首先介绍一下我们单位，我们单位是吉林大学汽车工程学院，前身是吉林工业大学，创建于1955年，目前已经向汽车行业输送了大概4万名左右的学生。除了汽车工程学院下设的汽车系、动力系、车身系以及热能系之外，车辆学科还有一个国家重点实验室，以前名为汽车仿真与控制国家重点实验室，重组之后名为汽车底盘集成与仿真全国重点实验室。

我个人的研究大方向集中于节能与新能源汽车，重点是做车辆式全局优化式能量管理以及动力系统控制，包括车路数据系统的挖掘、能量流分析这些事情。

接下来进入主题，看看大数据时代下新能源汽车经济性开发趋势和传统车有什么区别。

大数据时代下新能源汽车经济性开发趋势

首先，整车能效背景是非常永恒的话题，汽车节能、安全都是汽车领域主要话题。近些年来，随着“碳达峰碳中和”加入进来，对于整车能效关注也越来越强，当然这里还有一些因素，因为现在的新能源车辆越来越多，电能所携带的能量是有限的，怎么更加精确的使用电能让车跑得更远、续驶里程更长，这是目前经济性上非常重要的需要考虑的事情。

这个事情怎样和今天会议主题大数据做结合呢？我认为现在已经走到了数智时代，什么是数智时代？一个是数字化的特征，现在的条件和环境下，我们是不太缺信息的，每天都有大量的数据发送、接收，能从千万级的车辆里分析出来很多特征。有了数据我们就一定能做超越前人的事情吗？也不一定。这个时代还给我们一个很好的事情，芯片算力也在大大提升，有了大量信息，有了硬件处理能力，我相信这两者的结合才是真正数智时代下赋予我们的更强意义。这是我觉得在能效上和大数据、和信息做结合的必要关键点。

接下来理解一下整车能量管理发展路径，大概分为四个阶段：

第一是传统车的阶段。在这个阶段主要做好发动机的经济性以及和整车匹配好，小马拉大车的事情不发生，经济性就会做的不错。毕竟内燃机工作范围的高效区是有限的，而且分布的不一定是经常用的那些点。为了解决这件事情，油电混合应运而生，以当年普为斯为例，HEV的车利用电机弥补发动机经济性不好的地方，怠速或者超高速大负荷时，用电机去补或完全替代，那时已经走到了有油电两种能源互相切换的阶段，我们做好油和电的分配，就可以做好整车的经济性。

现今走到数智时代下，有没有更新的技术配合能效提升呢？其实也有，我认为目前经济性应该走到车和信息互动的阶段，也就回到今天的主题，车如何和大数据这种信息进行互动，来达成续驶里程延长和能效提升。目前我们更多看到的是比较典型的基于全局优化算法做能量管理，或者基于短时距的模型控制做能效管理。未来可能还有新的发展方向，我认为车和可再生能源互动也非常关键。孙院士的报告也在讲，现在石油能源安全线进口依赖程度还是在71%左右，目前看还是很危险的。作为民用车辆，能不能把比较珍贵的石油资源暂时让给紧急情况，这是很有必要性的。所以新能源车的出现可大大降低我国对于国外石油的依赖，这件事情近些年也已经发生了。我们可以把更多的电能融入进汽车整车能效管理范围内，以电能为载体，将风能、太阳能、潮汐能这些可再生能源用到车辆行驶当中去，这是未来我们要做的一些事情。

信息-物质-能量分层式整车能效全局优化架构

既然在大数据时代下，在数智时代下，我们能和信息做一些互动，我们来看看信息如何传导到车，车如何跑起来和能源进行互动。介绍一下我们提出的信息-物质-能量分层式整车能效全局优化架构。

我们认为车辆和信息理想的互动模式是走向全局优化能量管理的过程，信息（工况信息）充分利用物质（车辆）的特性，进而产生全局最优的能量转化（车辆能耗）。在这样一个作用过程当中，我觉得分了几个层面：

一个是信息层，什么信息和能耗是有关系的，比如说车速、车重、滑移率、坡度，这些都和能耗相关。这些信息从哪来？有若干个场景，比如大家有做能效方面的，经常对工信部原来的“黄标”这些去做，其实也算作一类信息，我把它归纳为确定性信息，也就是你在做之前就知道这辆车的车速分布是什么样的。实际使用阶段远远不可能是这样，所以还有两个场景跟实际使用更相关，就是历史数据的信息获取场景，就像今天探讨的大数据，每天都有海量数据可以被我们利用获取。如果没有大数据，比如新来一个车型，走在新开发的一条道路上，道路上有多少交通枢纽，对于车辆的车速约束是什么样的，也可以探讨，这是一种带有约束场景的信息获取场景。

有了信息之后，信息就应该作用于车辆（物质层）动力系统上，我们可以把车辆携带的能量和它所处在环境中的动能和势能联合做决策，这样才有可能触发出这辆车最好的、全局最优下的工作模式。有了这个工作模式我们就可以获得最好的能耗，可能是电耗，也可能是油耗，或者是综合能耗。

做完物质层的分配和解析之后，在能量层我们也提了一些新东西，比如我们看到了加速DDP算法效率，包括如何把现在还不能用在车辆上的DDP算法和没有算力的车去做一个结合。

信息层什么信息能够影响车辆运行？三个方面：人的意愿、车的能力和路的限制。人的意愿是我想怎么踩油门，我想开多快，我想不想超过旁边的车；还有车的能力，我到底开的是1.0排量的车还是6.0排量的大车，它的加速性显然是因车而异的；车不同、人不同，路的限制也不同，同样都是大排量的车和小排量的车，走在北京二环非常拥堵的地方，谁也发挥不出加速的性能，这个是路造成的，所以我们觉得人车路三方面共同耦合在一起形成全因素工况信息约束模型。

车辆信息和能量进行互动，在互动之初就应该对获取的信息做一个定量化计算，因为信息获取并不是无成本的，信息获取可能是从传感器来，获取之后还要处理，获取得多就需要大算力芯片进行处理，处理上的功耗也是很大的。种种原因造成在规划全局优化算法之前就对信息层做好一些结算和去冗余的工作。

信息传导到车辆本身，车辆动力系统物质层这部分，在这里我们主要考虑这辆车，尤其是复杂构形混合动力的车，它到底有哪些工作模式可以完成目前驱动功率的需求，这个可能有若干种，我到底如何选择最优的一种。目前发现，限制工作模式的事情不一定完整的都是由构形来的，也有可能是由软连接来的，还有增程车辆，发动机启动的时候不想吓用户一跳，根据NVH限制来完成车辆补能的发动机启动的情况。

最后是能量层，我们在这里发现一个有趣的事情，就是在做全局优化结算过程中，发现全局优化在可行域中全局最优域也不是一条线，它是一个域，而且这个域还符合一些几何性的特征，在这里边可以做一些加速算法的东西。这是我们对信息-物质-能量分层式全局优化平台的理解。

全局优化整车能量管理工程案例

我们帮助整车企业做了一些能耗提升的工作，这个是一台单电机的纯电动车，构型非常简单，当时这台车属于要改型的阶段，所以放的限制也比较宽，我们可以从整车部件策略级分别对它提出优化方案，做了几十种优化方案，最后选取了一个供应商可行的方案之后，优化后的模型预计比原车大概电耗提升17%左右，最终做完实车试验，能耗提升大概16.7%。

这个是一个PE+P3的混合动力构型，在这里就不允许我们动一些系统级的硬件了，只能是改策略，我们利用算出来的全局优化结果去修改目前规则式的控制策略门线，把这些门线调整之后，包括启燃优化总体加起来，在工况下省了大概百分之十点几的CS段馈电油耗。同样也是做了全局优化工作之后，去把门线值改掉，这个策略的优化也使得这台车提升了馈电油耗大概6.1%。这些都只是动了一些软件，相对车企来讲是比较好接受的，也是成本比较低的。

大数据时代下新能源汽车能效测评的发展趋势与难点

第四部分，这是一个信息和整车能耗互动的阶段，在这个阶段我们已经做了一些关于信息的能量管理，怎么测评基于信息的、基于数据的能效控制策略呢，我们分析一下目前能效的发展趋势。

目前已经走到车与信息互动的阶段，我们如何测评它？目前传统体系往往都是基于转毂、基于标准工况进行一个测试。我们知道，这台车一旦上了转毂，你就得看着司机柱那个屏幕，每一秒都按照要求的工况去跑，那你去跑一个CLTC，跑一个NETC，这里边有一个问题，我的工况实质上只需要我坐在转毂机上，我刚才说的人、车、路三个环节，人的环节几乎被彻底抹杀掉了，因为已经没有让他去做决策的过程了，你得跟着车速去跑才行。所以如何能够把人的环节融入进去。另外，一个标准工况我很难和用户每天跑的各类工况都做很好的对比，能不能把工况的多样性丰富一下，有没有方法检测能量管理策略工况的适应性，这也是一个问题。

这里边可能存在三个问题：真实的驾驶会产生和实验室测出来的能耗的差距，同时，现在仅用工况去测能满足信息化、智能化能量管理体系发展吗？我如果用车速去测的话，没有给驾驶员没有给智驾系统决策的空间能反映真实能耗吗？能耗的测试方法看金字塔大概七到八种阶段，目前是基于标准工况做底盘测功机测试，未来可能去发展到做基于场景的底盘测功机测试。当然在这里边我们也对人、车、路做了相应的分级。

还有一个难点是智驾系统越来越多了，开启智驾之后车的能耗是有增加的，这个增加的能耗能不能被一些新型技术再挽回呢？我们做了调研，智驾系统开启后它可能比空调的能耗来得更加持续，而且随着智能化程度越来越高，可能会有更多的能耗转入到智驾系统里。

刚才讲了三个局限性，慢慢地会衍生为四个问题，我需要解决工况单一性和确定性的问题，我能不能用一个工况库考察策略的全面性，工程师做标定可能会把考试工况标的非常好，但对其他工况就不会像这个工况标的那么好了，这多少有点像我们函数过拟合一样，如何避免过拟合这是一个问题，不能用单一的工况去考察它，应该用一个库考察它。

第二个问题，我如何使能耗测试和仿真更加全面的满足要求，能不能让这个工况可比较。如果是完全不同的两个工况，CLTC和WlTC，给轮边的驱动和制动带来的激励能效都不一致，你如何评价它到底是工况全面性没做好还是两个工况对整车激励不同所造成的，这里边是有问题的。

第三个问题，如何解决真实性复现问题，以及如何解决能不能让人真正去做在环，把人的因素放到能效测试里面。

基于大数据的随机工况与路况构建技术与应用案例

我们提了一个叫能耗等效的随机工况生成框架，根据这个框架你可以给我一段用户的数据，你可以给我一段标准的工况，我可以形成无数条跟这个工况制动区域、驱动区域轮边能耗完全一致的工况，同时可以做到时间一致、里程一致，这样一比就可以比较出车辆能耗是不是由控制策略全面性做的不好带来的，就不会怀疑两种工况不同了，不是说你这个偏城市，那个说是偏高速，造成整车的能耗最终不一样。我这个做完之后肯定是能耗一致的。

有了工况之后我们还想把人做进来，把工况变成路况，变成场景，我们把各种使车辆停车、等速、加速这些场景做了分类。

最后我们也做了一个驾驶员在环的平台，目前可以通过一些平台把随机路况片段加载到里边，用人简单开一个动力学的模型。工况在这块目前还没有那么大台架去做实车测试，路况没做实车测试，但是工况我们目前可以做实车的测试，在四电机的台架上做了随机工况的生成，我们目前发现去对标CLTC工况，生成了两个不同于CLTC车速的工况，但是激励却是完全一致的1.1和1.2的工况，最后实车做下来，我们发现能耗的测试，百公里的能耗误差小于2%，这和一台车做两遍一样的工况的误差也是很接近的。

我今天的汇报就到这里，非常感谢！