摘要
在全球节能减排的时代背景下，新能源汽车产业得到迅速发展，电动汽车由于
其零排放、低能耗等优点，逐渐受到国家与国民关注，然而由于储能与充电技术的
限制，用户对电动汽车产生“里程焦虑”的问题也逐渐凸显。实时准确估计电动汽
车续驶里程，对指导用户合理制定出行计划，缓解驾驶员“里程焦虑”具有重要意
义。本课题围绕电动汽车续驶里程估计展开研究，将电动汽车续驶里程估计分为动
力电池SOC估计、车辆未来行驶工况预测、车辆行驶能耗预测三部分，通过建立数
据驱动模型，在微观尺度下对电动汽车续驶里程进行实时估计。
首先，本文考虑动力电池SOC非线性特点，选择集成学习的建模方式，将采集
的电动汽车真实行驶数据进行预处理和特征工程，建立了随机森林模型、XGBoost
模型和LightGBM模型，对SOC进行初步估计。为进一步提升模型估计性能，在三
个单模型的基础上，选择Stacking模型融合方法将三个模型进行融合。与单模型和
BP神经网络模型相比，融合模型对随机测试集和时序测试集的估计精度均有提升。
其次，本文基于车速序列的时序特性，通过相关性分析筛选高质量特征作为输
入神经元的一部分，训练LSTM神经网络模型，对车辆行驶工况进行短期预测。随
后，采用麻雀搜索算法对LSTM模型进行超参数巡优，提高了模型预测精度。考虑
到真实应用场景，在行驶工况短期预测模型基础上，采用滑动窗口技术，实现了对
车辆长期行驶工况的准确预测，为后续能耗预测提供工况依据。
再次，本文将行驶数据进行片段化处理，利用主成分分析和聚类算法，划分了
三类典型行驶工况：高速工况、城市工况和拥堵工况。根据不同工况间的能耗差异
性，采用XGBoost算法，建立了多工况片段级能耗预测模型。为满足实际工况下的
能耗预测，在片段级能耗预测模型的基础上，提出了基于工况识别的行程级能耗预
测框架。所提能耗预测框架与未考虑工况信息的方法相比预测精度大幅提升。
最后，结合所建立的电池SOC估计模型、行驶工况预测模型以及行驶能耗预测
模型，提出了一种多模型协同续驶里程估计框架。将非模型训练同款车型车辆的真
实行驶数据作为测试集，分别使用平均能耗法、工况识别法以及本文所提方法估计
续驶里程。结果显示，该方法在离线与在线场景下均取得了较好的估计效果，且在
线场景下的里程估计结果始终小于实际续驶里程，验证了本文所提多模型续驶里程
估计方法的可行性与优越性，可以更好地缓解“里程焦虑”。
关键词：纯电动汽车；续驶里程；SOC估计；行驶能耗预测；多模型协同方法
I
II
ABSTRACT
Underthebackgroundofglobalenergysavingandemissionreduction,thenewenergy
vehicleindustryhasbeendevelopingrapidly,andelectricvehiclesaregraduallyattracting
nationalattentionduetotheiradvantagesofzeroemissionandlowenergyconsumption,but
duetothelimitationofenergystoragetechnologyandchargingtechnology,theproblemof
usersmileageanxietyhasbecomemoreandmoreprominent.Accurateestimationof
electricvehiclerangeinrealtimeisimportantforguidinguserstomakereasonabletravel
plansandrelievingdriversmileageanxiety.Thisresearchfocusesontheelectricvehicle
rangeestimation,anddivi