研究提出高精度電動汽車續航預測新框架

雖然電動汽車日益普及，但“續航焦慮”依然是制約用戶體驗的核心痛點。現有的續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表征。該研究不僅大幅提升了續航預測精度，更為電動汽車的大規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。

研究團隊構建了一個面向實車應用的“在線續航估算與優化分析一體化框架”。不同于傳統直接給出結果的“黑盒”預測，該框架利用隨機森林算法，創造性地實現了“先能耗、后續航”的分步估算策略：首先綜合考慮駕駛行為、環境溫度、電池健康狀態等多源因素，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航。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航”等問題，讓算法不再是冰冷的數字。

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。系統驗證結果顯示，該方法預測的剩余續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%。這一性能顯著優于傳統預測方法，充分證明了其在復雜工程場景中的可靠性與穩健性。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，僅通過優化駕駛行為，乘用車的續航能力有望提升30%以上，公交車可提升10%以上。

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和復雜路況，針對低溫下電池容量衰減、能耗波動等行業共性難題，通過納入路況、濕度等更多環境參數，持續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。

相關研究成果發表在《應用能源》（Applied Energy）上。研究工作得到國家自然科學基金委員會等的支持。

論文鏈接