雖然電動汽車日益普及，但“續(xù)航焦慮”依然是制約用戶體驗的核心痛點。現有的續(xù)航預測方法大多依賴實驗室仿真工況或小樣本測試，難以真實反映不同地區(qū)氣候、路況及駕駛習慣的巨大差異。

近日，中國科學院大連化學物理研究所等科研團隊，提出了一種基于真實運行大數據的電動汽車剩余續(xù)航里程估算與分析框架，在復雜實際工況下實現了對多維影響因素的系統(tǒng)表征。

該研究不僅大幅提升了續(xù)航預測精度，更為電動汽車的大規(guī)模智能管理和精細化運營提供了可工程化落地的技術路徑。

01

拒絕“黑盒”，讓預測更透明

研究團隊構建了一個面向實車應用的“在線續(xù)航估算與優(yōu)化分析一體化框架”。不同于傳統(tǒng)直接給出結果的“黑盒”預測，該框架利用隨機森林算法，創(chuàng)造性地實現了“先能耗、后續(xù)航”的分步估算策略：首先綜合考慮駕駛行為、環(huán)境溫度、電池健康狀態(tài)等多源因素，建立單位里程能耗率模型；進而基于能耗率精準推算剩余續(xù)航。

▲基于實車大數據的續(xù)航預測與優(yōu)化分析框架

這種分步建模方式不僅提高了精度，更顯著增強了模型的可解釋性。它能定量回答“究竟是什么因素、在多大程度上吃掉了續(xù)航”等問題，讓算法不再是冰冷的數字。

02

30萬公里實測，誤差低于5.5%

為了驗證這套框架在真實世界中的表現，研究團隊基于來自不同城市的乘用車與公交車，收集了長達3年、總行駛里程超過30萬公里的實車運行數據。

系統(tǒng)驗證結果顯示，該方法預測的剩余續(xù)航里程與車輛實際可行駛里程之間的平均相對誤差低于5.5%。這一性能顯著優(yōu)于傳統(tǒng)預測方法，充分證明了其在復雜工程場景中的可靠性與穩(wěn)健性。

▲方法在測試乘用車與公交車上的續(xù)航預測精度

進一步分析表明，整段行程的平均電流與平均車速是影響能耗的關鍵變量。數據表明，僅通過優(yōu)化駕駛行為，乘用車的續(xù)航能力有望提升30%以上，公交車可提升10%以上。

03

從“能跑多遠”到“跑得更遠”

該研究成果不僅回答了用戶關心的“還能跑多遠”的問題，更為“如何跑得更遠”提供了量化依據。這一框架有望為車隊智能調度、能耗優(yōu)化管理、車輛殘值評估等場景提供核心技術支撐。

面向未來，團隊計劃將研究范圍拓展至更嚴苛的寒冷地區(qū)和復雜路況，針對低溫下電池容量衰減、能耗波動等行業(yè)共性難題，通過納入路況、濕度等更多環(huán)境參數，持續(xù)提升模型的泛化能力。

同時，團隊將推動該算法與車載電池管理系統(tǒng)及云端運營平臺的深度融合，助力構建更加安全、高效的新能源交通系統(tǒng)。

論文鏈接：

https://doi.org/10.1016/j.apenergy.2025.126881

來源：中國科學院大連化學物理研究所

責任編輯：曹旸