首页/文章/ 详情

10,000+电动汽车寒冷天气续航测评

1月前浏览4573

(更多新能源行业资讯,尽在知乎“小明来电”,欢迎交流讨论~)

搬运自:Study: Winter & Cold Weather EV Range Loss in 10,000+ Cars (recurrentauto.com)

电动汽车在低温下行驶里程较短吗?是的,我们分析的12款流行的电动汽车车型在冰冻条件下的平均续航里程为70.3%,但正如我们的图表所示,每种车型的表现各不相同。

其他主要发现:

  • 热泵技术将电动汽车的续航里程延长到了-10℃以上,如果不是更冷的话,这对于生活在寒冷气候下的人们来说是一个关键的考虑因素。

  • Hyundai Kona继续超过环保局估计在许多驾驶条件。

  • Audi e-tron以在寒冷条件下下降最少的续航而成为冬季领导者。

  • 在正常的寒冷条件下,使用LFP电池的车辆不会比使用NCA电池的车辆经历明显更多的里程损失,尽管冬季充电时间可能会慢一点。

为什么寒冷天气会影响电动汽车的续航里程?

冬季续航里程的减少有几个原因。我们在冷热温度文章中详细介绍了它们,但两个主要的影响因素是化学和机械。

  • 电池中的化学和物理反应在低温下发生得更慢。低温会抑制化学反应,并起到减缓物理过程的阻力作用。这降低了电动汽车的可用功率。

  • 电动汽车在冬季行驶里程下降的主要原因是为了保持驾驶员和乘客的温暖而在车内加热。与传统汽车不同,电动汽车必须使用能源来产生车内热量。在为传统汽车提供动力的内燃机(ICE)中,发动机产生的“废热”可以直接泵入汽车中,让人暖和起来。另一方面,电动汽车有一个更高效的电机,它不会产生那么多的热量。使汽车保持温暖的加热器通常从高压电池中获取能量,从而减少了可供驾驶的剩余容量。

虽然包括美国汽车协会在内的其他组织也研究了寒冷天气对行驶里程的影响,但这些测试有时是在实验室环境中进行的,或者是用小型车辆样本进行的。这个正在进行的研究项目包括一个更大的真实驾驶条件下的数据集。

2023年更新:为了更新和提高包括福特F-150 Lightning、现代科纳EV和雪佛兰Bolt在内的几款车型冬季续航里程数据的准确性,我们在2022-23年冬季反复收集观测到的真实数据。这些经过验证的冬季续航反映了在广泛用例下各种驱动程序的平均观测数据。

我们还收集一些新车型的特定温度仪表板数据,包括现代Ioniq 5和起亚EV6。

电动汽车对冬天的反应截然不同

这张图表比较了12种流行的电动汽车车型,显示了在冰点温度下与理想驾驶温度下的续航里程损失。请注意,理想驾驶温度被定义为特定车型看到其最高平均续航里程的温度。每辆车的温度都不一样。该分析包括来自美国各地Recurrent社区的10,000多辆汽车的汇总和匿名数据,以及来自提供能源使用数据的车载设备的数万个数据点。

本图表中的所有冬季续航数据都是通过从车载设备收集的实际数据或使用能量输入/输出数据进行验证的。我们将在验证新模型时继续更新此图表。经过验证的冬季里程数据包括所有现实世界的变量,例如不平坦的地形,可变的行驶速度和使用情况,以及车辆电池的日历老化。它们显示了在一系列实际用例中对冬季驾驶条件的平均预期。

避免冬季续航流失的建议

  • 让一辆冷的车暖和起来比让一辆暖的车暖和起来要消耗更多的能量。所以,你要尽可能地在汽车还在充电的时候给它预热。这被称为预处理。

  • 大多数电动汽车都可以通过手机应用程序或设置出发时间进行预置。一些车辆还提供“冬季天气”包,专门设计使电池温度保持在理想区域,以便在你开始开车时随时准备好。

  • 一旦你的车是温暖的,你在路上,计划使用座椅加热器,加热方向盘,并关闭车厢加热器。这些功能使用更少的能源,并提供有针对性的热量,给你更多的电池续航。

  • 期待更长的充电时间。为了保护高压电池,很多汽车在电池冷的时候会限制充电电压。当电池预热后,将恢复正常的充电速度。

  • 在许多较新的电动汽车中,如果你使用车载导航系统前往充电器,汽车会调整电池以达到最佳充电温度,这意味着你的充电时间可能会减少。

  • 在结冰的道路上调低再生制动。你要比在温和的条件下更能踩刹车。

  • 如果电池是冷的,再生制动也可能受到电池管理系统的限制,因为冷电池不能像热电池那样快速充电。

  • 如果可能的话,将你的电动汽车插入电源,最大充电设置为70%或80%。这样,汽车就可以从墙上获取能量来保暖,而不是使用电池。否则,您可能会返回到低于预期的电池容量。

  • 如果冬季续航是一个主要问题,考虑热泵。这项新技术可以帮助你在寒冷的天气里保持里程。

部分车型数据

以下图表中的数据来自我们整个社区的18,000多辆汽车。我们显示仪表板报告的随温度变化的里程,并且,在可用的情况下,观察到的里程已经被实地验证并通过二次数据验证。

2021-2022奥迪e-tron冬季系列

型号:Premium Plus

观察里程在0℃:原始EPA里程的80%

观察最大里程:原始EPA里程的94%

热泵:具备

e-tron是奥迪的第一款全电动汽车,尽管它的销量从未达到特斯拉或雪佛兰的水平,但它的设计意图和大量的舒适功能。自2019年首次发布e-tron以来,奥迪已经能够对其规格进行微调,以保持在冬季条件下的行驶里程。

e-tron是为数不多的配备热泵的早期电动汽车之一,可以从发动机中回收高达3千瓦的废热。加热座椅也是标配,在极端温度下,远程信息处理系统将告知驾驶员有限的性能。值得注意的是,由于半导体短缺,2023 Q4 e-tron没有配备热泵。乐于助人的网友建议,你可以打开奥迪2023的引擎盖,寻找一个写着“R744”的标签来检查设备,这表明有一个热泵。

2017-2018宝马i3冬季系列

型号:42千瓦时电池(增程器 REx)

仪表板里程在0℃:85% (94% REx)的原始EPA里程

仪表板最大里程:原始EPA里程的109% (119% REx)

热泵:部分具备

一开始,宝马i3听起来不像是理想的冬季天气车,因为它是一辆小型后轮驱动掀背车,轮胎很窄。最重要的是,它的续航里程无法与其他电动汽车领先者相提并论,比如250英里的雪佛兰博尔特(Chevy Bolt),所以每减少一英里的续航里程都会被注意到。但是,在美国,大多数早期的i3s车型都标配了热泵,至少在2019年之前是这样。许多二手车型也有一个汽油里程扩展器(称为REx)。这两种方法都有助于在低温下保持里程。

2022-2023福特F-150闪电冬季系列

型号:增程

观察里程在0℃:64%的EPA里程

观察到的最大里程:原始EPA里程的91%

热泵:不具备

几十年来,福特F-150一直是美国最畅销的卡车,目前已经是第14代了。新产品线的一部分是F-150闪电,这是第一辆由传统汽车制造商推向市场的电动卡车。如果你用卡车牵引,那么冬天的天气是你最不用担心的。同样值得注意的是,由于电池中的化学反应较慢,在寒冷的天气中,牵引所必需的电力会减少。如果你不是拖车,只是需要你的F-150闪电带你穿过城镇-或穿越全国-预计航程减少与它的堂兄弟,野马Mach-E。

特斯拉Model 3冬季续航里程

型号:长续航

观察里程在0℃:原始EPA里程的50%

观察最大里程:原始EPA里程的66%

热泵:2021年后车型具备

多年来,特斯拉司机抱怨说,我们的报告未能准确反映他们在汽车中看到的续航里程变化。这可以归结为两点:

  • 特斯拉确实有一个非常强大和积极的热管理系统,在高温和低温下都能启动;

  • 但是,他们也会“玩弄”司机看到的车载里程估计值,而我们的报告长 期依赖于这些估计值。

在现实世界中,正如所有电动汽车司机一样,随着效率的变化,司机在冬季和夏季确实会经历较低的续航里程。

2022年,我们在特斯拉司机报告中添加了特斯拉真实里程数据。这些数据反映了特斯拉司机在类似品牌、型号和年份的平均波动,使用观察到的真实世界数据。下面的虚线显示了从车载设备和能源使用情况观察到的特斯拉真实里程。这显示了一个更合理的冬季里程比仪表板里程预测,在实线。值得注意的是,总体而言,由于2021年推出的专利热泵系统,特斯拉的热管理在控制寒冷天气的续航里程损失方面仍然很出色。

特斯拉Y型冬季系列

型号:长续航四驱

在0℃下观察里程:原始EPA里程的48%

观察最大里程:原始EPA里程的64%

热泵:具备

Model Y是特斯拉第一款使用其专利热泵系统来帮助调节温度而不消耗高压电池的汽车。这个系统被称为“章鱼阀”,声称有12种加热模式和3种冷却模式。

该系统甚至可以利用电池的热质量来储存热量,这些热量可以在汽车的其他部分传递。

特斯拉S型冬季车型

型号:75D

在0℃下观察里程:原始EPA里程的45%

观察最大里程:原始EPA里程的63%

热泵:2021年后车型具备

特斯拉Model S是最早面向大众市场的特斯拉,在Roadster的受欢迎程度使特斯拉成为家喻户晓的品牌后,于2012年发布。虽然与价格较为适中的Model 3和Y相比,它们通常被认为是高端车型,但S最初并没有上面讨论的复杂的冬季天气工程。然而,从去年冬天开始,所有新车型都配备了热泵技术。

请注意,在我们的验证冬季里程数据中,我们包括未配备热泵的旧型号,这可能会减少整个冬季续航。

特斯拉X型冬季车型

型号:75D

在0℃下观察里程:原始EPA里程的48%

观察最大里程:原始EPA里程的61%

热泵:2021年后车型具备

Model X是一款基于Model S平台的SUV,自2016年以来一直在市场上销售。X和S都有一个可选的零下天气包,根据具体的年份和软件包,它包括以下任何或全部功能:

  • 加热后排座椅

  • 加热方向盘

  • 加热器挡风玻璃刮水器

  • 加热侧镜

  • 相机加热器

所有这些功能都有助于减少对能源密集型客舱加热和除霜必要的汽车部件的依赖。当然,设定出发时间和预置汽车和电池也很容易。而且,从2021年开始,Model X现在配备了热泵。

2021年冬季大众ID.4

‍型号:82千瓦时电池

在0℃下观察里程:原始EPA里程的65%

观察最大里程:原始EPA里程的95%

热泵:不具备

大众ID.4以e-golf的成功为基础,采用了几项周到的设计来帮助解决寒冷问题:全轮驱动选项、加热方向盘和前排座椅,以及远程预调节。在全轮驱动配置中,该车还配备了加热挡风玻璃。然而,这两种配置都包括一个电阻式舱内加热器,因此当温度较低时,会有明显的里程损失。像这个列表中的许多其他型号一样,加拿大版本确实配备了热泵,并且在欧洲ID.4s上是可选的。当美国消费者犹豫不决时,大众加大了对空调和加热内部元件的使用力度。

热泵有多重要?

如果你正在购买一辆新的电动汽车,或者花点时间在电动汽车论坛上,你会看到提到热泵技术。热泵是客舱加热和冷却的更节能的选择。这项技术正在被探索,因为与汽油车不同,电动汽车必须自己产生热量,这会消耗电池并减少行驶里程。

目前,电动汽车主要使用两种加热系统:

  • 电阻加热器—这是像你的传统散热器或空间加热器。你只需让电流通过导体,通过电阻产生热量。虽然超级简单和100%高效,但电阻加热器可以从电池中吸取4-8kW,这意味着效率和里程的重大损失。

  • 热泵—利用电力将热量从一个地方转移到另一个地方。他们使用反向制冷循环从外部空气中引入热量,通过反向制冷循环提高温度。阅读我们对热泵的深入研究。

关于热泵有多重要,以及什么温度足够冷,电阻加热器和热泵的效率是一样的,有很多争论。最近一项关于建筑热泵的研究发现,远低于0℃,热泵的效率仍然明显高于电阻加热系统,特别是当温度通常不低于-10℃时。

在电动汽车方面,2022年初,一家总部位于英国的公司进行了实际冬季续航里程测试,结果显示,“配备热泵的车型与官方数据平均相差25.4%,而依赖常规室内加热器的车型则相差33.6%。”配备热泵的车辆平均每千瓦时行驶3.2英里,而配备电阻式或基于pct加热器的车辆平均每千瓦时行驶2.9英里。这些效率数字可以转化为冬季里程的巨大差异。

从对热泵的多项研究来看,似乎当温度接近-18℃时,热泵与电阻加热器的领先优势就会缩小。例如,在0℃时,电阻加热器的续航里程损失可能为25%,即50英里,而热泵的续航里程损失仅为5.9%,即11英里。这是航程损失的五倍。但是,当你的温度降至-7℃时,热泵可能只能给你额外的3-15%的里程。

不过,如果你一年中大部分时间都生活在寒冷的气候中,或者如果你需要你的汽车在冬天尽可能多地行驶,那么找到一辆带有热泵的电动汽车会有很大的不同。

你的电动车是否安装了热泵?冬天续航表现如何?欢迎在评论区告诉我。

小明来电⚡为你充电,我们下期再见,拜拜~

来源:小明来电
化学电源半导体汽车建筑电力ADS新能源UM电机控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-07-26
最近编辑:1月前
小明来电
硕士 新能源干货,尽在小明来电~
获赞 4粉丝 1文章 86课程 0
点赞
收藏
作者推荐

文献分享:机器学习助力电池安全诊断(下篇)

(更多新能源行业资讯,尽在知乎“”小明来电,欢迎交流讨论~)结合电池模型的机器学习监督式机器学习在现场应用中,电池的资质评估是确保产品质量、性能和可靠性的关键。最近一项采用决策树和支持向量机的研究表明,当基于物理的数值建模与机器学习方法相结合时,基于特征的模型可以以超过95%的准确率(电压误差<0.1mV)将电芯分为四个安全风险级别:正常电芯、缺陷电芯、无潜在热失控的短路电芯和有潜在热失控的短路电芯,在预测前仅需5分钟的数据收集(图9)。正如前面所强调的,异常的容量退化预示着潜在的故障风险,而即使是正常的容量退化也会带来安全问题。通常,当容量下降到初始值的80%时,由于电池系统的安全性和可靠性考虑,它被标记为EOL。因此,关于容量或循环寿命的寿命估计和预测是评估电池老化和异常检测的工具。一个突出的例子涉及早期预测模型,该模型利用正则化技术从初始电压曲线预测LFP/石墨电池的循环寿命。一个包含124个商用电池的数据集,这些电池经历了不同的快速充电条件(充电速率为4℃、6℃和8℃;4℃恒放电;稳定温度30◦C)。将其分为41个电芯的训练集,以细化模型细节和系数,以及两个测试集(43和40个电芯)来评估模型。为了扩大功能,基于领域专业知识,设计了三个模型:(a)第10次和第100次循环之间的容量差异,(b)最初100次循环放电的电压和电流数据,以及(c)进一步的温度和电阻细节。这些模型,虽然不适合物理化学老化的细节,准确地预测和分类循环寿命。具体来说,他们对前100个周期的寿命预测的测试误差为9.1%,而在仅使用5个周期按预期寿命对电芯进行分类时,测试误差为4.9%。该预测模型和数据集随后有助于快速充电协议的优化(图10a),与后续研究中的贝叶斯优化方法保持一致。深度强化学习为了优化电池预防性维护,深度强化学习可以用于连续状态-行为空间的预测和智能健康管理。基于Arrhenius动力学的经验模型考虑了平均荷电状态、荷电状态偏差、Ah充电容量和工作温度等变量。由于网络的近似能力和可扩展性,该智能体使用蒙特卡罗进行集后更新,使用深度神经网络进行树搜索引导,显示出熟练和一致的决策。此外,还开发了一些模型,利用基于软行为者评价深度强化学习的电热模型和基于ddpg的方法来理解多物理场电池系统。考虑热的产生和电学参数对温度的依赖关系,设计了由等效电路电学模型和热学模型组成的耦合电热模型。这些模型熟练地捕捉电池SOC,终端电压,表面和关键的核心温度,反映潜在的故障风险。此外,基于云的数据框架提供了可定制的无线门户,增强了电气和热安全性,同时减少了能量损失和老化成本,利用了对真实车辆数据的预测分析(图11)。大数据集的机器学习在电气化运输或固定能量存储的大规模应用中,为了提供足够的动力和能量,数千甚至数百万个电池将以串并联结构连接起来。在这种情况下,手动注释这么大的数据库是非常繁重和低效的。在电池诊断和预后中,我们面临的一个严峻的共同挑战是有限的标记数据(故障或风险)和大量未标记的时间序列数据。在这种情况下,机器学习方法在从少量带注释的样本中学习的同时,最大限度地利用大规模未整理的数据集,可能会产生更理想的结果。本节将使用三种不同的机器学习方法来关注这个任务,如图12所示。每种学习范式的特点和优点在表3中进行了简要总结。利用未标记数据的半监督学习半监督学习通过将稀疏的标记数据与丰富的未标记数据相结合,补充了现实世界电池挑战的解决方案。一个相关的例子是为大规模电动汽车电池组故障预测设计的混合机器学习框架(图13)。大规模时间序列数据的自监督学习最近Transformer网络的兴起展示了一种新的自我监督学习。这些最先进的神经网络在各个领域都表现出色,从语言表示到图像识别、音频分类和生物序列设计。它们的功效引起了时间序列界的注意。由于它们的自注意机制和位置编码,Transformer能够熟练地捕捉短序列和长序列的相互作用,使它们有望用于时间序列预测。最近,基于变压器的模型在捕捉电池内部复杂的电化学动力学和进化方面表现出了非凡的能力。具体地说,时空自关注Transformer网络,称为双向编码器表示从Transformer电池(BERTtery),已经成为一个强有力的工具。他们熟练地捕捉电池系统中的远程时空特征,利用位置和操作嵌入,结合双编码器:通道和时间(图14)。机器学习应用于有限的注释数据机器学习已经成为预测非线性多物理场系统演化的一种很有前途的方法。然而,相关的训练数据在机器学习建模中起着举足轻重的作用。据我们所知,目前还没有一种高效的方法可以在电池故障的情况下生成足够的、真实的高分辨率数据。因此,在小数据体系中具有良好泛化的机器学习技术更有利,并且可能有潜力实现准确预测电池健康和故障的目标。为此,本节讨论了两种策略(图15):(i)使用迁移学习或生成模型等解决少镜头问题,以及(ii)在机器学习中嵌入物理-即物理信息机器学习。从小数据集中进行少量的学习人类具有非凡的思考和行动能力,尤其是在信息非常少的情况下。然而,尽管深度学习在许多领域都取得了成功,但数据是机器学习技术做出预测和决策的关键输入。为了改善障碍,在过去的几年里,几次学习(通常少于5次)开始得到很多关注。从那时起,已经提出了大量的机器学习技术来解决以少量方式进行预测任务的挑战(表4),包括迁移学习,生成建模,嵌入学习和元学习。基于物理的机器学习PINNs在预测材料内部结构和缺陷方面显示出前景。为了解决固体力学中几何参数和材料参数不确定的几何识别问题,引入了通用的PINN框架(图16)。制定了三种材料模型的六种特定平面应变挑战,以评估PINNs破译各种未知结构(包括内部缺陷)的能力。为了反向精确定位孔隙/包裹体的几何形状,研究人员探索了不同载荷下的大量位移数据。这种基于物理的方法将力学定律与神经网络相结合,结合了诺伊曼(牵引)和狄利克雷(位移)边界条件。它允许不断更新定义孔隙/夹杂几何形状的参数。利用Adam算法进行优化,并通过迁移学习启动模型,提高了求解精度,为电池制造过程中缺陷的识别迈出了关键一步,从而提高了电池的安全性。展望近年来,在使用机器学习(包括深度技术)进行电池性能建模和预测方面取得了重大进展。工业4.0彻底改变了电池PHM,提高了电动汽车电池的可靠性、安全性和效率。然而,由于不确定的失效和老化机制、不同的电芯化学和不同的滥用情况,预测仍然是难以捉摸的。在现实世界的应用中,完善智能机器学习以实现更快的训练、更好的泛化和更高的预测准确性是一个持续的挑战。关键的障碍包括有限的注释数据,缺乏标准化的预测模型,以及需要连接材料,机制和观测数据的计算环境。认识到挑战的艰巨规模,了解如何利用机器智能来创新电化学系统的非破坏性评估,并在时空尺度上提高材料、电池和电池组水平的电池安全性,表明需要更多的见解。(完结~)小明来电⚡为你充电,我们下期再见,拜拜~来源:小明来电

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈