吉林大學汽車工程學院教授許楠：汽車大數據驅動的智能新能源汽車能效管理與測評技術探索
2025年5月29日，由中國汽車工程學會汽車大數據應用分會、北京理工大學聯合主辦的“2025汽車大數據應用產業大會暨中國汽車工程學會汽車大數據應用分會成立大會”在北京亦莊隆重召開。大會以“數智驅動 擎啟新章”為主題，聚焦汽車大數據在電動化、智能化、網聯化轉型中的核心作用。
大會專題報告環節，吉林大學汽車工程學院教授許楠以《汽車大數據驅動的智能新能源汽車能效管理與測評技術探索》為題，從大數據時代下新能源汽車經濟性開發趨勢、信息-物質-能量分層式整車能效全局優化架構、數據時代下新能源汽車能效測評的發展趨勢與難點等多方面，展示了數智時代下整車能量管理與大數據的結合，并介紹了全局優化整車能量管理工程的多個案例。
吉林大學汽車工程學院教授許楠
以下為演講回顧：
各位領導，各位老師，各位同仁，大家下午好！
今天想和大家匯報我們在新能源車輛能效管理和能效測評上的一些內容，所以演講取的題目是《汽車大數據驅動的智能新能源汽車能效管理與測評技術探索》。首先介紹一下我們單位，我們單位是吉林大學汽車工程學院，前身是吉林工業大學，創建于1955年，目前已經向汽車行業輸送了大概4萬名左右的學生。除了汽車工程學院下設的汽車系、動力系、車身系以及熱能系之外，車輛學科還有一個國家重點實驗室，以前名為汽車仿真與控制國家重點實驗室，重組之后名為汽車底盤集成與仿真全國重點實驗室。
我個人的研究大方向集中于節能與新能源汽車，重點是做車輛式全局優化式能量管理以及動力系統控制，包括車路數據系統的挖掘、能量流分析這些事情。
接下來進入主題，看看大數據時代下新能源汽車經濟性開發趨勢和傳統車有什么區別。
大數據時代下新能源汽車經濟性開發趨勢
首先，整車能效背景是非常永恒的話題，汽車節能、安全都是汽車領域主要話題。近些年來，隨著“碳達峰碳中和”加入進來，對于整車能效關注也越來越強，當然這里還有一些因素，因為現在的新能源車輛越來越多，電能所攜帶的能量是有限的，怎么更加精確的使用電能讓車跑得更遠、續駛里程更長，這是目前經濟性上非常重要的需要考慮的事情。
這個事情怎樣和今天會議主題大數據做結合呢？我認為現在已經走到了數智時代，什么是數智時代？一個是數字化的特征，現在的條件和環境下，我們是不太缺信息的，每天都有大量的數據發送、接收，能從千萬級的車輛里分析出來很多特征。有了數據我們就一定能做超越前人的事情嗎？也不一定。這個時代還給我們一個很好的事情，芯片算力也在大大提升，有了大量信息，有了硬件處理能力，我相信這兩者的結合才是真正數智時代下賦予我們的更強意義。這是我覺得在能效上和大數據、和信息做結合的必要關鍵點。
接下來理解一下整車能量管理發展路徑，大概分為四個階段：
第一是傳統車的階段。在這個階段主要做好發動機的經濟性以及和整車匹配好，小馬拉大車的事情不發生，經濟性就會做的不錯。畢竟內燃機工作范圍的高效區是有限的，而且分布的不一定是經常用的那些點。為了解決這件事情，油電混合應運而生，以當年普為斯為例，HEV的車利用電機彌補發動機經濟性不好的地方，怠速或者超高速大負荷時，用電機去補或完全替代，那時已經走到了有油電兩種能源互相切換的階段，我們做好油和電的分配，就可以做好整車的經濟性。
現今走到數智時代下，有沒有更新的技術配合能效提升呢？其實也有，我認為目前經濟性應該走到車和信息互動的階段，也就回到今天的主題，車如何和大數據這種信息進行互動，來達成續駛里程延長和能效提升。目前我們更多看到的是比較典型的基于全局優化算法做能量管理，或者基于短時距的模型控制做能效管理。未來可能還有新的發展方向，我認為車和可再生能源互動也非常關鍵。孫院士的報告也在講，現在石油能源安全線進口依賴程度還是在71%左右，目前看還是很危險的。作為民用車輛，能不能把比較珍貴的石油資源暫時讓給緊急情況，這是很有必要性的。所以新能源車的出現可大大降低我國對于國外石油的依賴，這件事情近些年也已經發生了。我們可以把更多的電能融入進汽車整車能效管理范圍內，以電能為載體，將風能、太陽能、潮汐能這些可再生能源用到車輛行駛當中去，這是未來我們要做的一些事情。
信息-物質-能量分層式整車能效全局優化架構
既然在大數據時代下，在數智時代下，我們能和信息做一些互動，我們來看看信息如何傳導到車，車如何跑起來和能源進行互動。介紹一下我們提出的信息-物質-能量分層式整車能效全局優化架構。
我們認為車輛和信息理想的互動模式是走向全局優化能量管理的過程，信息（工況信息）充分利用物質（車輛）的特性，進而產生全局最優的能量轉化（車輛能耗）。在這樣一個作用過程當中，我覺得分了幾個層面：
一個是信息層，什么信息和能耗是有關系的，比如說車速、車重、滑移率、坡度，這些都和能耗相關。這些信息從哪來？有若干個場景，比如大家有做能效方面的，經常對工信部原來的“黃標”這些去做，其實也算作一類信息，我把它歸納為確定性信息，也就是你在做之前就知道這輛車的車速分布是什么樣的。實際使用階段遠遠不可能是這樣，所以還有兩個場景跟實際使用更相關，就是歷史數據的信息獲取場景，就像今天探討的大數據，每天都有海量數據可以被我們利用獲取。如果沒有大數據，比如新來一個車型，走在新開發的一條道路上，道路上有多少交通樞紐，對于車輛的車速約束是什么樣的，也可以探討，這是一種帶有約束場景的信息獲取場景。
有了信息之后，信息就應該作用于車輛（物質層）動力系統上，我們可以把車輛攜帶的能量和它所處在環境中的動能和勢能聯合做決策，這樣才有可能觸發出這輛車最好的、全局最優下的工作模式。有了這個工作模式我們就可以獲得最好的能耗，可能是電耗，也可能是油耗，或者是綜合能耗。
做完物質層的分配和解析之后，在能量層我們也提了一些新東西，比如我們看到了加速DDP算法效率，包括如何把現在還不能用在車輛上的DDP算法和沒有算力的車去做一個結合。
信息層什么信息能夠影響車輛運行？三個方面：人的意愿、車的能力和路的限制。人的意愿是我想怎么踩油門，我想開多快，我想不想超過旁邊的車；還有車的能力，我到底開的是1.0排量的車還是6.0排量的大車，它的加速性顯然是因車而異的；車不同、人不同，路的限制也不同，同樣都是大排量的車和小排量的車，走在北京二環非常擁堵的地方，誰也發揮不出加速的性能，這個是路造成的，所以我們覺得人車路三方面共同耦合在一起形成全因素工況信息約束模型。
車輛信息和能量進行互動，在互動之初就應該對獲取的信息做一個定量化計算，因為信息獲取并不是無成本的，信息獲取可能是從傳感器來，獲取之后還要處理，獲取得多就需要大算力芯片進行處理，處理上的功耗也是很大的。種種原因造成在規劃全局優化算法之前就對信息層做好一些結算和去冗余的工作。
信息傳導到車輛本身，車輛動力系統物質層這部分，在這里我們主要考慮這輛車，尤其是復雜構形混合動力的車，它到底有哪些工作模式可以完成目前驅動功率的需求，這個可能有若干種，我到底如何選擇最優的一種。目前發現，限制工作模式的事情不一定完整的都是由構形來的，也有可能是由軟連接來的，還有增程車輛，發動機啟動的時候不想嚇用戶一跳，根據NVH限制來完成車輛補能的發動機啟動的情況。
最后是能量層，我們在這里發現一個有趣的事情，就是在做全局優化結算過程中，發現全局優化在可行域中全局最優域也不是一條線，它是一個域，而且這個域還符合一些幾何性的特征，在這里邊可以做一些加速算法的東西。這是我們對信息-物質-能量分層式全局優化平臺的理解。
全局優化整車能量管理工程案例
我們幫助整車企業做了一些能耗提升的工作，這個是一臺單電機的純電動車，構型非常簡單，當時這臺車屬于要改型的階段，所以放的限制也比較寬，我們可以從整車部件策略級分別對它提出優化方案，做了幾十種優化方案，最后選取了一個供應商可行的方案之后，優化后的模型預計比原車大概電耗提升17%左右，最終做完實車試驗，能耗提升大概16.7%。
這個是一個PE+P3的混合動力構型，在這里就不允許我們動一些系統級的硬件了，只能是改策略，我們利用算出來的全局優化結果去修改目前規則式的控制策略門線，把這些門線調整之后，包括啟燃優化總體加起來，在工況下省了大概百分之十點幾的CS段饋電油耗。同樣也是做了全局優化工作之后，去把門線值改掉，這個策略的優化也使得這臺車提升了饋電油耗大概6.1%。這些都只是動了一些軟件，相對車企來講是比較好接受的，也是成本比較低的。
大數據時代下新能源汽車能效測評的發展趨勢與難點
第四部分，這是一個信息和整車能耗互動的階段，在這個階段我們已經做了一些關于信息的能量管理，怎么測評基于信息的、基于數據的能效控制策略呢，我們分析一下目前能效的發展趨勢。
目前已經走到車與信息互動的階段，我們如何測評它？目前傳統體系往往都是基于轉轂、基于標準工況進行一個測試。我們知道，這臺車一旦上了轉轂，你就得看著司機柱那個屏幕，每一秒都按照要求的工況去跑，那你去跑一個CLTC，跑一個NETC，這里邊有一個問題，我的工況實質上只需要我坐在轉轂機上，我剛才說的人、車、路三個環節，人的環節幾乎被徹底抹殺掉了，因為已經沒有讓他去做決策的過程了，你得跟著車速去跑才行。所以如何能夠把人的環節融入進去。另外，一個標準工況我很難和用戶每天跑的各類工況都做很好的對比，能不能把工況的多樣性豐富一下，有沒有方法檢測能量管理策略工況的適應性，這也是一個問題。
這里邊可能存在三個問題：真實的駕駛會產生和實驗室測出來的能耗的差距，同時，現在僅用工況去測能滿足信息化、智能化能量管理體系發展嗎？我如果用車速去測的話，沒有給駕駛員沒有給智駕系統決策的空間能反映真實能耗嗎？能耗的測試方法看金字塔大概七到八種階段，目前是基于標準工況做底盤測功機測試，未來可能去發展到做基于場景的底盤測功機測試。當然在這里邊我們也對人、車、路做了相應的分級。
還有一個難點是智駕系統越來越多了，開啟智駕之后車的能耗是有增加的，這個增加的能耗能不能被一些新型技術再挽回呢？我們做了調研，智駕系統開啟后它可能比空調的能耗來得更加持續，而且隨著智能化程度越來越高，可能會有更多的能耗轉入到智駕系統里。
剛才講了三個局限性，慢慢地會衍生為四個問題，我需要解決工況單一性和確定性的問題，我能不能用一個工況庫考察策略的全面性，工程師做標定可能會把考試工況標的非常好，但對其他工況就不會像這個工況標的那么好了，這多少有點像我們函數過擬合一樣，如何避免過擬合這是一個問題，不能用單一的工況去考察它，應該用一個庫考察它。
第二個問題，我如何使能耗測試和仿真更加全面的滿足要求，能不能讓這個工況可比較。如果是完全不同的兩個工況，CLTC和WlTC，給輪邊的驅動和制動帶來的激勵能效都不一致，你如何評價它到底是工況全面性沒做好還是兩個工況對整車激勵不同所造成的，這里邊是有問題的。
第三個問題，如何解決真實性復現問題，以及如何解決能不能讓人真正去做在環，把人的因素放到能效測試里面。
基于大數據的隨機工況與路況構建技術與應用案例
我們提了一個叫能耗等效的隨機工況生成框架，根據這個框架你可以給我一段用戶的數據，你可以給我一段標準的工況，我可以形成無數條跟這個工況制動區域、驅動區域輪邊能耗完全一致的工況，同時可以做到時間一致、里程一致，這樣一比就可以比較出車輛能耗是不是由控制策略全面性做的不好帶來的，就不會懷疑兩種工況不同了，不是說你這個偏城市，那個說是偏高速，造成整車的能耗最終不一樣。我這個做完之后肯定是能耗一致的。
有了工況之后我們還想把人做進來，把工況變成路況，變成場景，我們把各種使車輛停車、等速、加速這些場景做了分類。
最后我們也做了一個駕駛員在環的平臺，目前可以通過一些平臺把隨機路況片段加載到里邊，用人簡單開一個動力學的模型。工況在這塊目前還沒有那么大臺架去做實車測試，路況沒做實車測試，但是工況我們目前可以做實車的測試，在四電機的臺架上做了隨機工況的生成，我們目前發現去對標CLTC工況，生成了兩個不同于CLTC車速的工況，但是激勵卻是完全一致的1.1和1.2的工況，最后實車做下來，我們發現能耗的測試，百公里的能耗誤差小于2%，這和一臺車做兩遍一樣的工況的誤差也是很接近的。
我今天的匯報就到這里，非常感謝！
- 大家都在看