2025年12月，TRANS课题组最新研究成果《A data-driven and physics-based model for assessing real-world usage behavior impacts on electric vehicle battery life》发表于能源领域JCR一区期刊《Journal of Energy Storage》（影响因子9.8）。本研究依托以下三大关键技术路径，开发了融合物理法则与数据驱动的电动汽车动态运行仿真平台（Electric Vehicle-Dynamic Operation Simulation, 简称EV-DOS），实现了更精准、个性化的电动汽车动力系统性能预测及能效管理：
- 双向耦合架构：将物理动力总成能量传输模型与基于实车大数据的LSTM数据驱动电池寿命模型进行双向耦合，兼具物理机制的严谨性与数据驱动的灵活性。
- 高精度仿真验证：在长周期维度和多重驾驶工况下完成了严格验证，月均能耗误差控制在 0.53 kWh/100 km 以内，电池健康状态（SOH）的估算误差低于 0.6%，确保了模型在真实场景下的可靠性。
- 多维行为量化评估：通过不同地区、不同驾驶风格驾驶者工况，系统量化了快充、深度充电、暖通空调系统使用及车网互动（V2G）等行为对电池寿命的长期累积影响，为优化电动汽车的驾驶与充电行为提供了可操作的洞见。
此项研究为电动汽车动力系统的全生命周期能量管理与电池性能管理策略提供了重要的量化依据与理论支撑。
论文第一作者为TRANS课题组2024级博士生景浩，通讯作者为欧士琪教授、合作作者包括工业和信息化部电子第五研究所胡坚耀博士、美国莱斯大学钱昕午教授、华南理工大学东淏博教授、TRANS课题组博士生齐昊和硕士生朱健宽。该研究得到了国家重点研发计划项目资助以及广东省人才引进团队项目的支持。
✨论文摘要
在受控的实验场所内，电池寿命的预测已较为成熟。然而，真实世界的驾驶与充电行为引入了显著的不确定性，致使实现准确预测极具挑战。诸如激烈加速、频繁快速充电、深度放电循环以及多变的环境条件等因素，均会导致实际衰退情况偏离基于实验室数据的衰退模型。为应对这一复杂性，本研究开发了电动汽车动态运行（EV-DOS）仿真平台，该平台融合了基于物理和数据驱动的方法。其中，基于物理的模块用于模拟动力总成的能量传输过程，而基于长短期记忆网络（LSTM）的数据驱动模块则利用实车数据进行训练，从而提升了电池性能估算的精度。EV-DOS仿真平台的月均能耗误差仅为0.53 kWh/100 km，以电池健康状态（SOH）为例，SOH的估算误差控制在0.6%以内，展现出在实际应用中的高度可靠性。通过将验证后的模型应用于多样化的驾驶工况，本研究识别出影响电池衰退的关键行为因素，包括充电倍率、充电深度、环境温度、暖通空调系统使用以及车网互动（V2G）参与度。在这些因素中，充电倍率对SOH衰减的影响最为显著，其次是充电深度和V2G行为。此外，尽管较高的环境温度能通过提升电池效率从而减缓SOH衰退，但极端条件下空调系统能耗的增加却会加速容量损失。EV-DOS仿真平台为优化不同驾驶与充电行对应的工况控制策略提供了具有可操作性的指导见解，并为缓解电池老化的能量管理策略提供了一套综合性框架。本研究通过实现更精准且个性化的电池健康预测，为延长电池寿命、提升电动汽车可靠性以及支持可持续交通发展做出了重要贡献。
✨ 研究流程框架
图 论文研究方法框架图。(a)实车数据采集与清洗。(b)EV-DOS仿真平台构建（物理与数据驱动建模耦合）。(c)基于不同驾驶路况的模型验证。(d)不同驾驶行为对电池老化的影响量化分析。
✨ 主要方法
（1）研究数据
本研究采用真实网约车运营12个月的实车数据，旨在精准捕捉车辆动态运行工况，以支撑模型精度的验证及数据驱动电池健康模型的构建。该数据集包含超过200万条记录，涵盖车速、充电状态、总电流及电池温度等关键参数，全面刻画了真实驾驶场景下的车辆行为特征。
图 道路车辆完整一次充放电数据
（2）数据预处理
本研究的数据清洗过程分为六个步骤：去除重复值，匹配环境温度，异常值检测，片段划分，片段筛选以及缺失值填补。
图 数据预处理流程图
（3）仿真平台架构
- 基于物理法则的动力总成能量传输模型
为确保模型在各种真实世界工况下具备明确的物理可解释性与严格的物理约束，本研究构建了包含以下关键子模块的物理基模型：
动力学与能量流：基于纵向车辆动力学计算牵引力与回馈制动能量等，精确模拟车辆在不同坡度、速度下的功率需求。
热管理耦合：建立了包含电池热管理系统（BTMS）和空调系统（HVAC）的热交换模型，动态计算电池包温度与座舱温度变化，不仅考虑环境温度，还纳入了辅助系统的能耗影响。
电池充放电模块：涵盖了行车放电、停车充电（L1/快充）及V2G放电的全场景模拟。
- 基于数据驱动的电池性能估算模型
作为EV-DOS仿真平台的核心组成部分，数据驱动模块旨在建立实车运行特征与电池健康状态之间的高精度映射。为准确捕捉复杂工况下的电池老化规律，本研究基于海量实车运行数据，构建了一套包含特征提取与长短期记忆网络建模的完整数据驱动框架。
图 LSTM模型框架图
特征工程：从实车数据中提取了三类关键特征：驾驶行为特征（快充次数、深充深放次数）、统计特征（平均电流/功率、累计容量）及环境特征（环境温度），以捕捉真实用车习惯对老化的非线性影响。
网络模型架构：针对电池老化过程显著的时间序列依赖性，本研究采用长短期记忆网络进行建模。相较于传统RNN，LSTM凭借其独立的记忆单元状态与精密的门控机制，有效克服了长序列训练中的梯度问题，展现出卓越的长期依赖关系捕捉能力。
（4）双向耦合机制
EV-DOS仿真平台的核心在于构建了双向耦合的闭环仿真架构。物理模型输出的实时电流、温度等运行状态量被实时馈送至经训练的LSTM模型作为输入；与此同时，LSTM模型估算出的最新SOH数值被反馈回物理模型，用于动态修正电池容量参数，从而实现了物理机制与数据驱动的有机融合与实时交互，这种设计深度整合了物理模型的边界约束优势与数据驱动模型的强大非线性映射潜力。
图 EV-DOS仿真平台运行流程图
✨ 主要结果
（1）EV-DOS仿真平台精度和鲁棒性
仿真平台在跨区域（广州
/沈阳/天津）、宽温域（-15°C~33°C）及多驾驶风格的复杂场景下，验证了其模拟结果的鲁棒性：首先在能耗模拟上，月均绝对误差低至 0.53 kWh/100 km，准确反映环境与行为对能耗的综合影响；其次在电池健康度预测精度上，SOH估算相对误差保持在0.6% 以内，精准追踪了电池老化轨迹。
(a)
(b)
图 EV-DOS仿真平台能耗验证。(a) 沈阳1号车与广州1号车的能耗验证结果。(b) 沈阳2号车、广州2号车与天津1号车的能耗验证结果。
图 EV-DOS仿真平台SOH结果验证。
（2）关键驾驶者行为影响因素量化分析
基于验证后的EV-DOS仿真平台，本研究选取了跨越不同气候区域（广州和新英格兰地区）以及不同驾驶工况进行长期仿真，系统量化分析了充电深度、充电倍率、暖通空调（HVAC）与环境温度耦合效应，以及车网互动（V2G）等关键变量在长时间维度下对电池老化的累积影响。
- 充电深度的影响
EV-DOS仿真平台模拟结果表明，相比于80%的浅充策略，将充电上限提升至95%（深度充电）会显著加速老化。在10年的仿真周期内，这一行为在广州和新英格兰工况下分别导致了3.12% 和4.22% 的额外SOH损失。
图 不同充电深度下SOH年衰退曲线。(a)广州地区驾驶者模拟结果。(b)新英格兰地区驾驶者模拟结果。
- 充电倍率的影响
EV-DOS仿真平台模拟结果表明，快充显著加速老化。模型的长期仿真结果揭示，相比于Level 1（1.8kW）慢充，频繁使用直流快充DC FC（60kW）会显著加剧电池的容量衰减。在为期10年的全生命周期仿真中，快充导致的SOH额外损失普遍超过4%。具体而言，在广州工况下的额外衰减为 4.34%，而在新英格兰工况下这一差距扩大至 5.08% 。
(a)
(b)
图 不同充电倍率下SOH年衰退曲线。(a)广州地区驾驶者模拟结果。(b)新英格兰地区驾驶者模拟结果。
- HVAC和环境温度的影响
EV-DOS仿真平台模拟结果表明，在同等行驶里程下，得益于更适宜的电化学工作温度，广州地区的电池SOH始终高于平均温度较低的新英格兰地区。然而，虽然广州的相对较高的平均环境在电化学层面有利于电池寿命，但极高的空调制冷需求大幅增加了电池的能量吞吐量，导致在同等里程下，炎热地区的电池因负担空调能耗而被迫进行了更多的充放电循环，从而抵消了温度带来的部分化学优势。
(a)
(b)
(c)
(d)
图 HVAC与环境温度对电池SOH的影响。(a)相同里程下不同地区工况下的SOH对比。(b)不同地区月均环境温度对比。(c)不同地区全年平均座舱温度。(d)不同地区HVAC系统累计能耗对比。
- V2G的影响
EV-DOS仿真平台模拟结果表明，参与车网互动虽然能带来经济收益，但不可避免地加速老化。相比无V2G场景，每日V2G放电至SOC为20%，10年后的SOH也会多衰减约1.9%；并且，当放电深度增加，老化则会将进一步加剧。
(a)
(b)
图 不同V2G场景下的SOH年均衰退曲线。(a) 广州工况仿真结果。(b)新英格兰工况仿真结果。
✨讨论与未来工作
本研究针对电池寿命预测中实验室理想条件与真实复杂工况之间的差异，提出了电动汽车动态运行（EV-DOS）仿真平台。该工作巧妙融合了物理驱动的动力总成能量传输模块与基于实车大数据的LSTM数据驱动SOH估算模块，通过双向耦合的闭环架构，实现了物理机理严谨性与数据挖掘灵活性的完美统一。经跨区域、多工况的实车数据验证，EV-DOS仿真平台展现出极强的鲁棒性，确立了其在真实场景下的高保真模拟能力。基于这一高精度框架，本研究量化揭示了真实驾驶行为对电池全生命周期老化的深层影响机制。研究表明，充电倍率是加速电池衰退的首要行为因素，相比慢充，频繁使用直流快充显著加剧了电池容量的衰减，其次是充电深度。关于车网互动，研究发现其虽然具备经济价值，但不可避免地会造成额外的寿命损耗，需在短期收益与长期健康间寻求平衡。此外，研究还辩证地解析了环境温度与空调的耦合效应：虽然适度高温能提升电池效率，但由此引发的高频空调制冷需求大幅增加了能量吞吐量，会成为加速老化影响的不可忽略因素。
展望未来，EV-DOS仿真平台为电动汽车的精细化管理开辟了广阔空间。一方面，研究将致力于个性化策略开发，利用模型针对特定用户的驾驶画像，定制最优的充电与V2G调度方案，以实现动力电池寿命延长与用户经济效益的双重最大化。另一方面，研究将向系统级能源集成拓展，探索将EV-DOS仿真平台作为硬件在环重要接口融入楼宇、园区乃至微电网的能源管理系统中，结合可再生能源发电与储能模型，构建更加宏观、智能的绿色交通-能源协同生态。
✨ 原文链接（或点击阅读全文查看）
https://www.sciencedirect.com/science/article/abs/pii/S2352152X25043944
CITATION:
Jing, H., Hu, J., Ou, S. S., Qian, X., Qi, H., Zhu, J., & Dong, H. (2026). A data-driven and physics-based model for assessing real-world usage behavior impacts on electric vehicle battery life. Journal of Energy Storage, 144, 119680.
感谢您的关注，敬请期待更多团队动态！
初稿：景浩
排版：高伟敏
终审：欧士琪