新能源汽车的智能化发展与趋势

洪毓锋 李军求 孙超*

（北京理工大学，北京 100081）

主题词：新能源汽车 智能化 电池SOC

缩略语

SoC State of Charge(电荷状态)

SOH State of Health（健康状态）

EKF Extended Kalman Filter（扩展卡尔曼滤波器）

AEKF Adaptive Extended Kalman Filter(自适应扩展卡尔曼滤波器)

UKF Unscented Kalman Filter

（无迹卡尔曼滤波器）

SoH State of Health(健康状态)

ACB All Climate Battery（全天候动力电池）

PMSM Permanent Magnet Synchronous Motor

(永磁同步电机)

PID Proportion,Integral and Differential

(比例-积分-微分控)

DP Dynamic Programming（动态规划算法）

HEV Hybrid Electric Vehicle(混合动力汽车)

ECMS Equivalent Consumption Minimization Strategies（等效燃油消耗最小策略）

A-ECMS Adaptive-ECMS

（自适应等效燃油消耗最小策略）

T-ECMS Tel-ECMS（远程等效燃油消耗最小策略）

OBUOn-Board Unit（车载单元）

V2I Vehicle to Infrastructure(车与基础设施)

V2V Vehicle to Vehicle(车与车)

V2X Vehicle to Everything(车与万物)

C-V2X Cellular-V2X（蜂窝通讯）

DSRC Dedicated Short Range Communications

(专用短程通信)

0 前言

2018年全球新能源汽车销售创新高，超过了200万辆，2018年中国新能源汽车产销超过125万辆，中国新能源汽车产业在全球处于领先地位。在全球范围内新能源汽车产业发展伴随着技术的发展与技术瓶颈的突破，主要表现在新能源汽车的续驶里程、电池与整车能量管理技术的发展与进步，特别是近年来，随着智能化、信息化技术的发展，新能源汽车在智

能化与信息化方面获得了广泛的应用，为新能源汽车的可持续发展提供了技术支撑，本文深入挖掘国际、国内学术文献，总结、归纳并预测了新能源汽车智能化发展现状与发展趋势，为新能源汽车技术创新提供参考。

1 新能源汽车部件智能化

1.1 动力电池部件智能化管理

动力电池的智能化主要体现在电池管理系统（Battery Management System,BMS）的智能化。基于智能算法的电池状态估计、多模型融合的电池热管理以及全气候电池应用是研究的重点。

1.1.1 精确的状态估计

（1）电池SoC的精确估计

目前国内外学者提出的SoC估计方法主要有4大类，包括基于安时积分的估计方法，基于数学模型的估计方法，基于电池表征参数测量值的估计方法，以及基于等效电路模型的估计方法。

基于经验方程和数学模型的SoC估计方法包括神经网络法、模糊逻辑法、线性模型法、支持向量机法等。在参考文献[1]中，基于模型的估计方法因为具有较好的鲁棒性，并且模型参数易于辨识，因而得到了广泛应用。

在电池SoC估计的研究中，G.L.Plett等人应用了多种电池模型，并结合了扩展卡尔曼滤波器(EKF)对电池的荷电状态进行估计[2-3]。北京理工大学的熊瑞等将一种改进的自适应扩展卡尔曼滤波器(AEKF)用于估计电池的SoC，该方法具有较好的估计精度[4-6]。另外，如无迹卡尔曼滤波器（UKF）、滑膜观测器、龙伯格观测器、非线性状态观测器等都被应用于电池的荷电状态估计，也取得了不错的效果，基于大数据和工况融合的新型SoC估计也成为了新的研究热点。

（2）电池SoH的精确估计

电池SoH的准确估计可以及时提醒使用者更换衰老或损坏的电池（包、模组或单体），这样不仅保证行车安全性并且对于提高电池组容量利用率也起了很大的作用，这也是当前电池领域的技术难点之一。常见的估计方法主要有基于经验和基于模型的方法。现阶段研究较多的为基于数据模型和基于特征量的方法。

基于数据模型的方法主要有神经网络方法、支持向量机方法和粒子滤波方法等。在这方面的研究中，Guangxing Bai将训练的神经网络模型嵌入到双扩展卡尔曼滤波器算法中以跟踪系统动态实现了SoH的估计[7];Zhiwei He通过锂离子电池老化试验收集数据，用于训练贝叶斯网络进而对SoH进行有效估计[8]；Verena Klass采用数据驱动的支持向量机的方法建立了SoH的估算模型，具有较优的效果[9]。

基于电池特征量的方法,主要研究电池特征量，如电化学阻抗、端电压等与SoH之间的关系，并以此建立电池等效电路模型。利用模型结合通过滤波器或者观测器估计得到的参考特征量，即可估计得电池的SoH值[10]。程泽等人针对RC等效电路模型，提出了一种自适应平方根无迹卡尔曼滤波算法，从而得到了更优的电池SoC估计，并在此基础上得到更精准的SoH的估计[11];Yuan Zhou等人利用两个具有不同时间尺度的扩展卡尔曼滤波器进行SoC与SoH的联合估计，并根据不同的老化程度来改变SoH估计器的时间尺度，从而达到较好的估计效果[12]。

1.1.2 电池热管理

在电池热管理的研究中，Yazdanpour M等人综合考虑和电和热过程的相互作用，提出了一种多物理模型，研究了放电过程中，电池的电流密度分布以及温度分布的不均匀性问题[13]；L.H.Saw等人研究了不同尺寸的圆柱形锂电池在不同的工作条件下的电-热行为[14]；Lai等人综合考虑了有源极化和欧姆损耗的热量产生源，构建了与二维热传递模型相结合的P2D电化学模型[15]；Chen等人先后构建了二维和三维的分层电化学-热耦合模型[16-17]；Kim等人提出了一种对锂离子电池充电期间的热行为进行建模的方法，并对比了模型与实验结果，证明了模型对于不同电流和充电时间下温度分布预测的准确性[18]。Feng Xuning等人提出了针对于大型锂离子电池模块的三维热失效滥用模型，并通过模型分析，给出了4种延迟和减缓热失效传播的方法[19]；目前的研究方向主要集中在建立电池热模型，提高模型维数以及细化产热与传热过程方面，未来的研究趋势是模型种类多样化、仿真工况多样化以及多模型联合管理。

1.1.3 全天候电池

电动汽车在高寒低温地区的推广受限，主要由于在低温环境下，锂离子电池活性降低，电池系统容量、功率特性衰减，导致电动汽车续驶里程缩短，充放电的效率和速率降低。车用全天候动力电池（ACB）的研究已经成为当前热点。

美国宾西法尼亚州立大学王朝阳教授团队在Nature上发表电池快速加热技术(图1)[20]，其核心是电池内置高功率加热片，使电池快速升温。低温下电池的性能变差，开始加热时，加热功率低，但其全部可用功率都用于发热，电池温度开始升高，输出功率继续增加，加热速度也变快，这样形成良性循环，电池的温度得到快速提升。依托于这项技术，北京理工大学合作开发了适用于极寒环境下的电动汽车动力电池系统及整车控制集成，并且顺利完成了实车测试。

图1 自加热电池结构与测试结果（自加热时间:12.5 s；能量消耗:10 Ah的2.9%）[20]

1.2 电驱动部件智能化控制

新能源汽车一般采用电驱动形式，要求驱动电机具有效率高、功率密度大、过载能力强、质量轻、尺寸小、可靠性好及成本低等性能。具有上述优点的永磁同步电机逐步成为研究和应用的重点。电驱动部件的智能化发展主要体现在对电驱动系统控制的智能化。

矢量控制与直接转矩控制是目前应用较广泛的永磁同步电机控制策略。但随着人工智能控制的应用，永磁同步电机控制策略也向着智能化方向发展。现阶段运用于控制的智能算法主要包括神经网络算法、专家控制算法、遗传算法、蚁群算法以及模糊控制算法等，其中模糊控制和神经网络是该学科发展和研究的关键技术。

在模糊控制方面Guo Qiang等人针对PMSM设计了一种模糊自适应PID位置控制器，并与传统PID控制在位置环的控制中的表现性能进行对比，结果显示模糊PID具有更好的控制效果[21]。Hong Zhao等人设计了模型参考自适应系统观测器估计算法，使得永磁同步电机能够在位置传感器发生故障时正常运行，采用模糊逻辑控制来提高伺服控制系统的鲁棒性，并将估计算法和模糊逻辑控制结合进行仿真，仿真结果表明该控制系统的动态性能和抗干扰能力均有较好提升[22]。

在神经网络方面，Leiming Jiao等人采用一种改进后的径向神经网络和高频信号注入法实现了永磁同步电机的无传感器控制，仿真结果表明，该方案能够准确检测PMSM转子的位置和速度，具有较优的动态和静态性能[23]。Ben Guo等人设计了深度循环神经网络PID控制器，提升了传统PID控制器在变参数和转矩扰动下的控制性能[24]。

2 新能源汽车整车智能化

2.1 整车智能节能控制

2.1.1 再生制动能量回收技术

电动车的再生制动能量回收技术的研究主要集中在能量回收方法和效率、再生制动控制、机电复合制动控制以及驱动电机与功率转换器的控制策略研究。

Ye Tao等人提出了一种基于模糊控制的分布式驱动电动汽车再生制动控制策略，该策略用于协调前后车轮及液压与电机制动之间的制动转矩，在MATLAB与AMEsim的联合仿真中，验证了这个控制策略的有效性[25]。Wu Jian等人综合考虑了再生制动系统产生的电流对电池的损伤，提出了一种考虑电池老化的再生制动分层控制策略[26]。Zhang Xudong等人针对分布式驱动电动车，综合考虑了牵引效率和制动能量回收效率，提出了一种节能转矩分配方案。在牵引条件下，考虑电机的功率损耗，在制动条件下，保证稳定性并最大化回收能量。并采用离线有回话和在线分配的方式使得控制策略能满足实时性要求[27]。

另外，目前基于制动能量回收系统，还出现了一种新的驾驶模式—单踏板驾驶模式。在该模式下，汽车任何速度在松油门时都能产生再生制动。如雪佛兰Bolt EV、大众e-Golf、丰田Pruis、Model 3和捷豹i-Pace等车型均具有该功能，并且可以对再生制动力进行调节。在日产最新款聆风上的e-Pedal模式可以完全实现单踏板操作，松开油门后车能达到制动停车的效果。

驾驶员总是希望得到更简单、智能的操作体验，单踏板模式可能会在未来的汽车产品中得到更多的应用。

2.1.2 混合动力智能能量管理

混合动力驱动系统的能量管理策略主要分为基于规则的控制策略和基于优化的控制策略。

优化能量管理算法主要包含全局优化和实时优化两种。全局优化算法主要有动态规划、遗传算法和博弈理论等方法。其中较为常用的有动态规划算法（DP）。Peng,H.等人运用了DP对并联式HEV进行能量管理决策优化[28]，随后又将基于DP的能量管理扩展

到了混联式HEV上[29]。Johannesson.L.等人提出了采用马尔可夫链的随机动态规划来解决固定路线下HEV的能量管理问题[30]。

实时优化方法主要包括等效燃油消耗最小（ECMS）、鲁棒控制、模型预测控制、机器学习和解耦控制等。Paganelli,G.等人最早提出ECMS并应用于并联式HEV车型上[31]。基于ECMS而开发的自适应等效燃油消耗最小策略（A-ECMS）和远程等效燃油消耗最小策略（T-ECMS）是工况适应性更好。Vahidi,A.等人最先将模型预测控制应用到燃料电池混合动力汽车中[32]。孙超等人利用神经网络预测未来需求工况，基于交通信息流进行全局工况获取，进一步提高了预测能量管理的性能[33-34]，提出了网联的能量管理方法。

2.2 整车智能驾驶与动力学控制

2.2.1 无人驾驶

基于新能源汽车平台，综合利用雷达、摄像头、高精度定位系统和高精度地图，基于机器学习、智能控制、大数据和车辆网技术进行无人驾驶控制，在国内已获得广泛关注。尤其是，电动汽车平台所拥有的线控底盘和电能供给等优势，为无人驾驶技术开发提供了良好的基础。

其中利用智能化手段进行路径的实时、合理规划与决策是重中之重。智能优化方法主要包括模糊逻辑算法、触须算法、蚁群算法、粒子群算法、水滴算法、快速扩展随机树等。通常为了得到更好的优化路径，需结合多种优化算法。如文献[35]利用了模糊逻辑和遗传算法构建了一种局部避障路径规划算法；文献[36]将修正的人工势场法与模糊逻辑结合，克服人工势场法的局部最小值问题，提高了算法在复杂环境下的适应性。文献[37]中，结合了蚁群算法和人工势场法的优点，使局部规划更加准确和迅速。

无人驾驶除了面临很多感知、决策和控制方面的技术挑战，同时也面临着社会学和道德选择的难题。如图2所示为Science期刊研究的三种不可避免会发生事故的驾驶情景[38]，第一种为撞击横穿马路的很多行人或者撞击遵守规则的单个行人，第二种为撞击横穿马路的单个行人或者路边障碍物（可能造成乘客受伤），第三种为撞击横穿马路的很多行人或者路边障碍物。涉及道德的决策难题也是无人驾驶领域的研究方向。

2.2.2 分布式电驱动车辆控制

分布式电驱动汽车拥有异常出色的动力学灵活性潜力。现阶段对分布式驱动车辆的智能控制的研究主要集中在如下几个方面。

图2 三种涉及无人驾驶道德难题的驾驶情景[38]

以汽车安全为目标的稳定性控制，主要包括基于制动、驱动、转向和悬架的主动控制。其中基于驱动和制动相结合的主动安全控制系统的研究是现阶段的研究热点。如文献[39]提出采用主从、并行控制的电液复合制动防抱死控制策略，提高了最优滑移率的追踪效果以能量优化为目标的转矩分配，如李洋等建立了电机模型及4WD电动汽车的驱动系统损耗模型，在考虑能量损耗的基础上，得到了理想的转矩分配比，结果显示，在理想转矩配比下效率提高3%[40]。考虑多个动力学控制系统间的相互影响的协调/集成技术，其中分层式控制结构是主要的发展趋势。在这方面，刘伟等人提出了一种综合考虑车辆行驶的安全性、稳定性，操纵安全性和能耗经济性的车轮转矩集成控制方案，并进行了控制器在环仿真，验证了控制方案的可行性[41]。

3 新能源汽车车联网系统智能化

3.1 网联大数据信息平台

移动互联网、大数据和云计算等新一代革命性的信息技术的发展，使新能源汽车信息的采集、集成和深度分析成为了当前重要的研究方向。

通过车联网收集、整合和分配与汽车相关的数据信息，对于车辆监控与管理、智慧交通布局与规划、节能减排、企业的市场策略制定、个性化定制服务等都有重要意义。能够从信息层的角度，极大提高新能源汽车及交通系统的智能化程度。

3.1.1 国外汽车大数据平台研究进展

美国国家城市交通官员协会(National Association of City Transportation Officials，NACTO)推出了一个中立、匿名的开放式数据标准及数字化平台Shared-Streets，用于分析、交通规划、街道设计和新技术的开发[42]，见图3；英国伦敦交通局（Transport for London，TfL）开放了大量交通数据，如动态的地铁到达信息和

交通摄像机的实时更新数据，静态的基础设施位置、道路信息等；日本推出了ETC 2.0系统，提供自动收费机制，通过路测设备与车载单元（On-Board Unit，OBU）提供驾驶员协助。同时收集和存取行车历史数据和车辆行为历史数据，利用V2I或I2V，将信息转变为替代道路协助、灾害事件协助、安全驾驶借助等服务，以提升路网使用效率。

图3 出租车乘客上车和下车容量图(SharedStreets数据)[43]

然而，以上国外建立的车联网大数据平台，主要从交通的角度针对传统汽车进行。尚无专门针对新能源汽车，并具备良好数据分析和利用能力的大数据平台。

3.1.2 国内汽车大数据平台研究进展

为了确保新能源汽车的安全发展和保障财政部补贴的有效落实，我国已经逐步建立企业-地方-国家的三级新能源汽车车联网大数据平台结构。介入了国内数百家新能源汽车的5 000多种电动化车型整车、电池、电机的主要数据。

同时，能够兼容插电式混合动力汽车以及燃料电池汽车的特殊数据。另外还对汽车相关信息，包括人流信息、驾驶行为信息以及相应地理位置信息、行驶道路环境信息、充电桩信息等进行采集。通过对这些数据的统计与挖掘，从而为政府领域、商业领域、一般用户进行相应的数据服务。截至2018年12月，我国已有200万辆新能源汽车接入了新能源汽车国家监测与管理中心平台（图4）。

图4 新能源汽车国家监测与管理中心汽车数据[48]

3.1.3 车联网通讯技术

新能源汽车信息智能化强调“融合现代通信与网络技术”。更全面的数据采集和全方位的网络连接与信息共享，需要依赖于V2X通信技术。目前，国际上的主流的有基于蜂窝移动通信系统的C-V2X技术（包括LTE-V2X和5GNR-V2X）和专用短程通信(Dedicated Short Range Communications ，DSRC)。

现阶段在电子不停车收费系统(Electronic Toll Collection,ETC)、车队管理、出入控制、信息服务等领域，DSRC都有较为广泛的应用。C-V2X起步较晚，但具有更好的远距离传输可达性、非视距传输性能，更大的容量和更高效的拥塞控制，并且可利用现有蜂窝基础设施降低部署成本，对于5G有更强的兼容性，CV2X演进将纳入5G新空口特性，具有高吞吐量、宽带载波支持、超低延迟和高可靠性。

目前，各国均在积极开展相关技术研究和测试验证工作。欧洲各国开展了DriveC2X、C-ITScorridor、simTD等项目，对交通管理、道路安全以及环境保护等方面进行了测试应用[44]。美国对于V2X通信的研究工作主要侧重DSRC技术。并积极推动立法，对V2V通信设备的工作频段、通信能力、市场渗透等给出了建议。日本提出了车车/车路防碰撞安全应用的规范ARIBSTD-T109，并于多地进行了测试验证工作。中国企业华为与罗德与施瓦茨公司合作，对5G V2X无线电技术进行了现场测试。证明了5G V2X无线电技术具有低延迟等方面的优势（图5）。

图5 基于5G的C-V2X通讯[45]

世界各国家和地区，对V2X通讯技术发展侧重点有所不同，但均将V2X技术发展看作是未来汽车行业转型升级、产业培育和交通运输服务变革的重要方向，并且制定了一系列的顶层设计规划，着手开展技术试验和应用示范。

3.1.4 车联网大数据类型

在车联网中收集范围更广、更全面的数据信息，将有利于进行跨界融合。对于汽车相关数据的采集主要有车辆数据、用户数据、环境数据和城市与交通

数据等四个类型[46]，如图6所示。

图6 车联网大数据类型[46]

用户数据包括心率、体温等用户生理数据，指纹、虹膜等生理识别数据，驾驶习惯、决策、表现等驾驶行为数据，以及用户使用的第三方应用积累的车内行为数据。车辆数据包括车辆的车型及配置等基本信息，发动机、轮胎、底盘使用情况等部件的状态数据，天窗、座椅状态等车内部件数据，车辆的启停、路线、方向等行驶路线数据。环境数据包括空气、温度等自然环境数据，道路、桥梁等道路环境数据，停车场、加油站等兴趣点数据。交通主要有道路的拥堵情况、公共交通服务的运行及使用数据、交通信号灯等。城市数据包括城市的基础设施布置及使用、公共资源以及信息网络等。

3.2 汽车大数据的智能应用

在智慧城市、智慧交通、智慧出行迅速发展的背景下，对汽车大数据的挖掘、整合与运用，从形式上可以分为离线分析应用和在线分析应用。

3.2.1 离线设计应用

城市交通规划：面对日益激增的汽车保有量，城市交通压力和交通事故。利用交通数据的挖掘可为管理者提供科学合理的决策依据。如利用交通流信息的统计分析，可以适时调整公交运力、运量，合理配置公交资源，从而有效提升城市的公共交通运输效率。利用客流量分布的统计与预测，将使公共交通设施的规划与布置更加合理，从而进一步推进智慧政府建设。

汽车生产与技术优化：汽车企业借助对大数据的挖掘，能够加深对行业调研的广度和深度，更全面的提高产品的质量与售后服务水平。如通过了解汽车行业市场构成、消费者需求和竞品状况等，能够制定出更有利的发展策略；通过对用户数据分析处理，将有利于对用户的分类识别，并进行个性化精准管理。利用零部件的寿命等整车数据，可以建立零部件维修和报废大数据库，实现零配件和整车寿命的合理匹配，降低生产成本。

3.2.2 在线分析应用

车辆的监测管理与服务：汽车企业利用汽车部件的实时监测数据进行分析，能够获得汽车的实时状态，以及车辆的报错、故障信息，从而提供相关的配套售后服务。例如，通过数据分析，为车辆使用者提供车辆状态综合分析报告，车辆故障问题预警信息，以便车主能够及时获得维修、保养建议，保障人车安全。除此之外，利用车辆部件数据还能提供二手车评估服务，协助制定合理的二手车价格。

交通智能化管理与协同控制：在交通管理与协同上，可以根据实时路况信息，分析最佳的路口交通信号方案，并通过远程干预和微调，提高路口通行能力，实现通行有序化(图7)。亦可利用交通流量及流速、道路占有率等信息，制定诱导方案，并利用通讯系统发布交通诱导信息，引导行人和车辆避开拥挤路线，充分利用交通系统的全部时空资源内。

图7 智能交叉路口通过检测各种模式中的用户并向连接的车辆和系统广播信息来执行主动安全措施[47]

4 结语

随着现代通信技术、人工智能、计算机、互联网技术的发展，智能化已经渗透进各个行业。汽车产业作为国民经济重要支柱产业，智能化是必然趋势。在部件智能化层面，动力驱动系统的智能化一直是研究的重点，电机的智能化控制，动力电池基于智能算法的状态估计，多模型融合的电池热管理系统，以及全气候应用电池等，将不断进步完善，为新能源汽车带来强劲的续航及动力性能。在整车及控制层面，融入了智能控制策略的制动能量回收以及混合动力能量管理将让新能源汽车更加节能，基于新型驱动形式汽车优势的稳定性控制、能量效率等将会受到更多的关注。基于新能源汽车平台的无人驾驶技术已经进入白炽化竞争阶段。新能源汽车从动力系统到人机交互系统都实现了电气化和电子化，更易实现物联网化，这为汽车的车联网系统智能化提供了最基本条件，智能交通的布局需要庞大的汽车信息，各国均积

极部署大数据平台服务于政府和企业，针对新能源汽车所建设的大数据平台将会为新能源汽车的持续深入发展提供巨大助力。