基于駕駛行為數據的電機效率優化策略研究

中圖分類號：U463.6 文獻標識碼：A 文章編號：1003-8639（2025）10-0109-03

【Abstract】With the rapid development of new energy vehicle industry， motor energy eficiency optimization has become thecore link to improve vehicle range and energy utilization.The current motor control strategy focuses on hardware performance improvement and static working condition optimization，ignoringthe deep impactof dynamic diffrences indriving behavioron motor operating eficiency.Drivers‘acceleration habits，braking frequencyand cruise stabilityandotheroperating characteristics directlydetermine the distributionratioof motoroperating points inthe high energy consumption zone and high eficiency zone.However，thedynamic mapping relationship betweendriving behavior and motor efficiency zones has not been systematicaly applied in existing energy eficiency management systems. Therefore，this paper discusses the driving behavior data-driven motor efficiency optimization strategy，through he establishmentof a mapping model between driving behavior paterns and motor energy consumption，designing adaptive control algorithms，and constructing a \"human-vehicle-road\"collaborative real-timeenergy eficiency enhancement scheme，which provides anew method forthe optimizationof the dynamic energy eficiencyof new energyvehicles.

【Key words】driving behavior data;motor efficiency;optimization strategy；energy managemenl

0 引言

交通領域低碳化轉型背景下，電機能效優化對新能源汽車可持續發展至關重要。現有研究聚焦材料升級、結構設計及固定工況算法優化，雖在理論層面取得進展，卻難以解決實際行駛中的能效波動問題。駕駛行為的動態差異導致電機頻繁偏離高效工作區，而該關聯機制尚未得到系統化應用。研究表明，不同駕駛風格會顯著改變電機負載分布，激進操作加劇能量損耗，保守模式下車輛加速響應較慢，可能犧牲駕駛體驗。當前控制系統缺乏對駕駛意圖的預判能力，難以兼顧能效與駕駛品質[1。因此，亟需構建駕駛行為特征與電機效率的協同優化框架，突破動態工況下的實時調控瓶頸，這是實現新能源汽車精細化能效管理的必然路徑。

1駕駛行為數據的獲取與分析

1.1駕駛行為數據的類型與特征

駕駛行為數據是刻畫駕駛員操作習慣與車輛動態響應的核心載體，其多源性、時序性與關聯性特征對電機能效優化研究至關重要。根據數據生成機制與應用目標，可系統劃分為操作指令數據、車輛狀態數據及環境交互數據三大類（表1）。操作指令數據直接反映駕駛員的主觀控制意圖，如加速踏板開度、制動踏板深度、轉向角速度及擋位切換頻率等，其特征表現為高實時性與強離散性，尤其在擁堵工況下呈現密集脈沖形態。車輛狀態數據描述駕駛行為引發的動力學響應，包括車速、加速度、電機轉速、扭矩輸出及能耗值，其變化軌跡可揭示操作模式對電機工作點的遷移規律[2]。環境交互數據則涵蓋道路坡度、交通流密度、信號燈相位等外部約束條件，此類數據雖不屬于駕駛行為本身，但通過路權分配與行駛自由度間接調控駕駛員決策，進而影響電機負載譜的分布特征。

表1駕駛行為數據的類型與特征

1.2駕駛行為數據采集方法

駕駛行為數據的獲取需融合多源傳感技術，其方法設計需兼顧數據完整性、系統兼容性與實車部署可行性。主流采集體系可分為車載終端直采、移動終端輔助及云端平臺集成三類路徑。

車載終端直采作為基礎數據源，依托車輛CAN總線網絡（ 500Hz 標準采樣頻率）實時捕獲控制器指令與執行器反饋。通過解析電子控制單元ECU報文，可直接獲取時間分辨率 2ms 的踏板位置信號、電機扭矩指令及電池輸出電流，此類數據具備物理層真實性優勢[3]。基于ISO11898-1協議的 500Hz 采樣可完整覆蓋 0～100Hz 車輛控制頻帶，確保操作指令數據響應延遲 lt;50ms 的關鍵指標。

移動終端輔助采集利用智能手機內置傳感器擴展數據維度。借助三軸加速度計（ ±2g 量程）與陀螺儀（ 100Hz 采樣），可捕捉車輛縱向、橫向加速度的細微波動，這類數據雖與車載傳感器存在精度偏差（典型 ±0.05m/s² ），但能有效補充駕駛員肢體動作生物力學特征。

云端平臺集成則通過車聯網通信模塊（如4G/5GT-Box）實現遠程數據聚合。平臺層以 1～5Hz 刷新率整合多源數據，融合導航預約信息、歷史能耗統計及交通大數據，構建駕駛行為－路網拓撲-能耗分布的關聯圖譜。

2駕駛行為與電機運行效率的關聯性分析

2.1駕駛行為對電機運行點的影響機制

駕駛行為通過直接干預車輛動力學狀態，動態調控電機的工作點分布，其影響本質是駕駛員操作意圖與電機能量轉換特性間的耦合過程。當駕駛員執行加速指令時，加速踏板開度變化率直接映射為電機扭矩需求增長率，若踏板踩踏急促，電機控制器將強制輸出瞬態峰值扭矩以響應動力請求。這一過程迫使電機工作點從高效恒轉矩區向高電流飽和區遷移，定子繞組銅損因電流平方關系急劇攀升，同時，轉子鐵芯渦流損耗隨磁場突變同步放大。反之，線性緩和的加速操作允許電機工作點沿高效區邊緣平滑過渡，電能轉化過程中的寄生損耗得以抑制[4]。

2.2駕駛行為模式與電機效率區分布特征

不同駕駛行為模式塑造了差異化的電機效率區分布格局（表2），其規律通過NEDC工況試驗驗證。測試車輛配備 200kW 永磁同步電機。高效區閾值定義為電機效率 285% 的連續工作域。數據采集覆蓋300km 行駛里程（市區 / 市郊道路比例1：1）。

表2駕駛行為模式與電機效率區關聯特征

在NEDC工況下，激進型駕駛呈現高耗能區占比 gt;65% （實測峰值達 73.4% ）[5，其緊急制動行為導致電機工作點年均穿越損耗區頻次超15次 /km 。智能跟車模式通過自適應巡航控制平抑車速波動，在相同工況下將高效區維持率提升至 82.6% （較保守型提升24.7個百分點），同時將過渡態能量損失壓縮至總能耗的 18% 以下。

3基于駕駛行為數據的電機效率優化策略

3.1駕駛行為建模與優化目標設定

駕駛行為建模需從原始操作序列中提煉影響電機效率的本質特征。通過分析加速踏板變化率、制動頻次及車速波動標準差等動態參數，構建三維特征向量以量化操作習慣。該向量通過聚類算法映射至典型駕駛模式庫，例如激進型表現為高頻率的踏板階躍變化，保守型呈現低幅線性控制，智能型則展示出自適應平滑過渡。每種模式關聯特定的效率損失函數，該函數反映操作引發的額外能耗比例，如激進加速導致的銅損倍增效應或保守巡航中的低負載拖拽損耗。

3.2 電機控制策略的調整

基于駕駛行為識別模型及其與效率優化目標的映射關系（表3），本節提出電機控制策略實施3層動態調整。

表3駕駛行為模式與優化目標映射

1）扭矩分配重構。針對激進駕駛，在原需求扭矩上疊加濾波環節，公式如下：

T_adj=T_req?e^-λ?|dθ/dt|

式中： T_req ——原始需求扭矩， N?_m ; T_adj 一修正后扭矩指令， N?_m ；——行為敏感系數， s^?rad^-1 取值區間[0.2，1.0]； θ? —加速踏板變化率，rad/s。

該指數衰減函數抑制踏板驟變引發的扭矩階躍，引導工作點沿高效區邊界移動。

2）效率區間自適應擴展。在保守模式下，將高效區閾值動態調整為：

η_zone=[η_min-kΔu，η_max]

式中： η_min —基準高效閾值， % ，默認 85% ;η_zone 中 動態調整后的效率閾值， % ; k —擴展系數， %?（m/s）^-1 ，保守模式下取1.2～1.5； Δu^′ 實際車速， m/s ; η_max. ——期望車速， m/s 。

通過降低負載效率閾值，避免電機因輕微負載落入極低效區。

3）再生制動協同。預判制動意圖后，提前調整能量回收曲線：

式中：Prege 實際再生制動功率， kW ; P_max （204號最大可回收功率， kW ： λ ——行為調節因子， mm^-1 智能模式取0.25，激進模式取0.4； δ_brk? 制動踏板位移， mm 。

3.3綜合優化算法與系統設計

設計“感知－決策-執行”閉環優化架構，其核心為動態權重調節算法為：

J_total=ω_e?E_loss+ω_c?J_comf+ω_s?R_safe

權重系數 ω_e，ω_c，ω_s 隨行為模式動態更新。例如，激進駕駛時， ω_s 自動提升至0.6，確保安全裕度；保守駕駛則增大 ω_c 至0.7以強化能效主導。算法實現流程如下。

1）行為特征提取層：通過車載傳感器實時計算t 時刻駕駛行為特征向量 ，以滑動時間窗更新模式

識別結果。

2）效率決策層：基于當前模式查詢效率MAP圖，生成扭矩分配系數 α_B 和回收強度 β 。

3）動態補償層：根據環境數據（如坡度 i ）修正輸出：

T_final=α_B?T_adj+γ?i?m

式中： m —車重； γ —坡度補償增益，避免 上坡時因扭矩限制導致動力不足。

系統部署采用邊緣計算架構，在車載控制器運行輕量化決策模型，云端定期更新行為特征庫與控制參數。經實車驗證，該框架可使電機高效區（ ηgt;90% ）工作時間占比提升 12%～18% ，同時將加速沖擊度控制在 4.3m/s³ 以內。

4結論

本研究通過揭示駕駛行為與電機運行效率的深度耦合機制，建立了“操作意圖－動力響應－能損演化”的閉環關聯模型，并據此提出基于行為特征識別的動態優化框架。核心貢獻在于突破了傳統電機控制策略僅響應車輛物理狀態的局限，創新性地將駕駛行為模式作為效率調控的決策變量，實現了“人－車-能效”的協同優化。本研究未考慮極端天氣對駕駛行為與電機效率的影響，后續可進一步拓展。

本研究系2024年度校級項目“基于輕量化擴散模型的圖像異常檢測技術研究”（項目編號：2024-ZRYB-018）和2024年度校級項目“基于煤礦井下的可見光定位算法研究”（項目編號：2024-ZRYB-011）的階段性成果。

參考文獻

[1]王連震，周銘，程國柱.基于SEM與fsQCA的出租車駕駛人危險駕駛行為多致因組態分析[J].重慶交通大學學報（自然科學版），2025，44（7）：99-109.

[2]賀海軍，劉光浩，趙水平．關于異常駕駛行為識別技術在重點車輛管理中的應用探索[J].道路交通管理，2025（7）：54-57.

[3]張志浩，何龍．感應電機效率優化超局部預測電流控制[J/OL].電力電子技術，2025（5）：1-6.[2025-05-12].

[4]王慶宇.基于PCA-Kmeans的電動公交車起步駕駛行為分類與節能行為量化指導[J].智能計算機與應用，2025，15（5）：97-104.

[5]熊剛，趙玉峰，雷雄.大功率車載驅動電機多工況效率優化[J]船電技術，2024，44（8）：41-45.

（編輯 楊景）