基于因子回歸分析和分層雷達(dá)圖法的電動汽車運行狀態(tài)評估

蒲松林 ，周念成，郭 胤 ，王強鋼，張 靜 ，李題印

（1.國網(wǎng)四川省電力公司遂寧供電公司，四川 遂寧 629000；

2.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室，重慶 400044；3.國網(wǎng)浙江杭州市余杭區(qū)供電公司，浙江 杭州 311100）

0 引言

電動汽車在促進(jìn)節(jié)能減排、降低運行費用和推廣新能源利用等方面，具有常規(guī)汽車不可比擬的優(yōu)勢［1］。電動汽車的大量普及，會對電網(wǎng)安全穩(wěn)定運行產(chǎn)生影響，同時也將給電動汽車的檢修和維護(hù)帶來困難［2-3］。相比于常規(guī)汽車，電動汽車蓄電池、電動機等的狀態(tài)易受到復(fù)雜工況的影響，適時準(zhǔn)確地監(jiān)測和評估電動汽車的運行狀態(tài)，有助于故障的及時發(fā)現(xiàn)和處理，對優(yōu)化電動汽車的檢修策略具有重要意義。但目前電動汽車運營管理尚處于起步階段，亟需建立電動汽車運行狀態(tài)綜合評估體系，為電動汽車檢修維護(hù)計劃的制定提供指導(dǎo)。

電動汽車運行工況具有時間和空間雙重屬性的不確定性，這使得其經(jīng)常在多種工作模式之間切換，特別是混合電動汽車有電量消耗、電量保持和充電3種模式，導(dǎo)致電動汽車各機構(gòu)運行性能的相關(guān)性和隨機性更加顯著。針對電動汽車的運行監(jiān)測分析，文獻(xiàn)［4-6］分別從電動汽車行駛狀態(tài)［4］、動力電池狀態(tài)［5］、電池能量管理［6］等方面設(shè)計在線監(jiān)測系統(tǒng)，但缺少有效的電動汽車綜合評估方法，無法對其運行狀態(tài)進(jìn)行及時評估。電機傳動和動力電池是電動汽車開發(fā)的2個核心部件，文獻(xiàn)［7］和文獻(xiàn)［8］分別針對動力電池、電機驅(qū)動提出2個單項性能的評價方法，但僅可用于電動汽車研發(fā)時的方案設(shè)計，無法對電動汽車實時狀態(tài)進(jìn)行評估；文獻(xiàn)［9］從客戶滿意度的角度提出充電站運營狀態(tài)評估方法；文獻(xiàn)［10］則評估配電網(wǎng)接入充電站的承載能力。目前鮮見通過監(jiān)測數(shù)據(jù)對電動汽車進(jìn)行狀態(tài)評估的研究，僅文獻(xiàn)［11］利用支持向量機對燃料電池汽車健康狀況進(jìn)行診斷，但只是主觀給出了評價指標(biāo)，未對指標(biāo)進(jìn)行分類篩選，所建評價模型不能有效反映其運行狀態(tài)，也無法用于純電動汽車和混合電動汽車的狀態(tài)評估。基于神經(jīng)網(wǎng)絡(luò)、模糊評判、灰色關(guān)聯(lián)和物元理論等綜合評判法已逐漸應(yīng)用于變壓器、發(fā)電機等電氣設(shè)備的狀態(tài)評估和檢修決策，但是這些方法在實際應(yīng)用時仍存在指標(biāo)冗余、無法進(jìn)行可視化顯示和權(quán)值不合理等問題。

基于可視化技術(shù)的電動汽車狀態(tài)綜合評估不僅可直觀顯示各指標(biāo)之間的關(guān)系，還可以圖形方式引導(dǎo)檢修決策，其須解決多個指標(biāo)的分類降維處理和評估結(jié)果的圖形化顯示［12］。本文針對蓄電池、電機傳動和充放電過程選取能全面、客觀反映電動汽車狀態(tài)的指標(biāo)，利用因子分析法對指標(biāo)進(jìn)行分類，采用逐步回歸剔除評估體系中貢獻(xiàn)率小的指標(biāo)，建立電動汽車運行狀態(tài)綜合評估指標(biāo)體系；利用分層雷達(dá)圖法對電動汽車運行狀態(tài)進(jìn)行評估，將不同層級的電動汽車多維狀態(tài)指標(biāo)直觀地表示在雷達(dá)圖平面。通過某電動公交車充電站的實測數(shù)據(jù)，驗證本文所建立的評估模型和方法的正確性和有效性。

1 電動汽車運行狀態(tài)指標(biāo)選取及計算

1.1 電動汽車運行狀態(tài)指標(biāo)選取

電動汽車的電氣部分結(jié)構(gòu)如圖1所示，包含功率變換器、蓄電池組和電動機等部件。通過車載或非車載充電機為蓄電池組充電，再由蓄電池組為電動汽車提供動力，并為車內(nèi)其他負(fù)載提供能量，圖中影響電動汽車運行性能的主要為蓄電池及其變換器、電動機及其變換器2個部分。將電動汽車分為蓄電池組、電動機和充電機3個模塊，根據(jù)電動汽車運行過程中每個模塊的狀態(tài)特征，選取能分別反映每個模塊的狀態(tài)指標(biāo)，由此構(gòu)成電動汽車運行狀態(tài)的26個指標(biāo)，如表1所示。

圖1 電動汽車電氣結(jié)構(gòu)圖Fig.1 Electrical structure of electric vehicle

表1 電動汽車運行狀態(tài)指標(biāo)Table 1 Operating status indexes of electric vehicle

表1 中，1～7項為充電機模塊指標(biāo)，8～21為蓄電池組模塊指標(biāo)，22～26為電機模塊指標(biāo)。表1中部分指標(biāo)可直接由電動汽車電池管理和充電站監(jiān)測系統(tǒng)的測量數(shù)據(jù)得到，另一部分指標(biāo)則需測量數(shù)據(jù)進(jìn)一步計算。 指標(biāo)向量 V=［v1，v2，…，v26］T中，直接測量的指標(biāo)包括 v1至 v9、v11、v12、v14至 v17、v22至 v25共19項，其余7項將通過計算得到。下面將給出各項指標(biāo)的計算方法。

1.2 電動汽車運行狀態(tài)指標(biāo)計算

a.單位里程能耗v10。

純電動汽車（BEV）的能耗僅由蓄電池組提供，而對于混合動力電動汽車（HEV），其能耗由電能消耗與燃油消耗構(gòu)成。HEV的單位里程能耗為：其中，Vf和Vb分別為單位里程的燃油消耗和電能的等效燃料消耗；Vh為HEV單位里程綜合能耗，對于純電動汽車僅需考慮電能消耗部分；Eb為單位里程的電能消耗，需轉(zhuǎn)換至燃料消耗量［13］；Df為燃料密度；Qf為燃料燃燒的低熱值；ηe和ηg分別為發(fā)動機和發(fā)電機的平均工作效率。在每次充電時不一定充滿，則Eb為：

其中，n為單位里程的等效充電次數(shù)；SOCi和Ui分別為第i次充電后的電池荷電狀態(tài)和電壓；SOC′i+1和U′i+1分別為第i+1次充電前的電池荷電狀態(tài)和電壓（2次充電時段內(nèi)汽車可能行駛耗電使 SOCi≥SOC′i+1） 。

單位里程的燃油消耗量 Vf為［14］：

b.電池組容量v13。

設(shè)電池組的最大和最小放電電流分別為I1和I2，對應(yīng)的放電時間分別為t1和t2。在任意放電電流下，電池放電電流I與放電時間t滿足Peukert方程［15］：

則在不同放電電流I下的電池組容量為：

c.電池循環(huán)壽命系數(shù)v18。

電池循環(huán)壽命與充電深度相關(guān)，需要考慮不同放電深度下電池循環(huán)壽命差異。因此，將電池在不同充放電深度d的充放電次數(shù)N（d），等效為完全放電條件下的充放電次數(shù) μ（d）［16］，再累計電池的歷史等效充放電次數(shù)，得到電池循環(huán)運行壽命系數(shù)ρ。設(shè)電池充放電次數(shù)為 g，對應(yīng)放電深度為 d1、d2、…、dg，則電池循環(huán)運行壽命系數(shù)為：

其中，放電深度 d?［0，1］；N（1）為 d=1 時電池的最大循環(huán)次數(shù)。

d.電池匹配系數(shù) v19、v20和 v21。

電池匹配系數(shù)是指電動汽車單體電池電壓、溫度、初始狀態(tài)等參數(shù)的不一致性，其值為電池組單體電池的溫度（或初始荷電狀態(tài)、電壓）標(biāo)準(zhǔn)差與均值的比值，單體電池匹配系數(shù)包括電池溫度匹配系數(shù)v19、初始荷電狀態(tài)匹配系數(shù)v20和電池電壓匹配系數(shù)v21。電池匹配系數(shù)φ的計算式為：

其中，nbat為蓄電池組中單體電池個數(shù)；θi為第i個單體電池的溫度（或初始荷電狀態(tài)、電壓）為單體電池溫度（或初始荷電狀態(tài)、電壓）的平均值。

e.電機過載系數(shù)v26。

電動汽車在啟動、突然加速的情況下，電動機容易過載，其過載系數(shù)φ為電動機最大加速轉(zhuǎn)矩與額定轉(zhuǎn)矩的比值［17］：

其中，TN和Tmax分別為電動機的額定轉(zhuǎn)矩和最大加速轉(zhuǎn)矩；U為電動機輸入電壓；Ωs為同步角速度；X1σ和X2σ分別為電動機定子和轉(zhuǎn)子漏抗。

利用狀態(tài)特征指標(biāo)值可得到蓄電池、電動機等不同模塊的運行狀態(tài)，也可通過綜合評估得到電動汽車的整體性能。由于電動汽車不同模塊之間以及同一模塊的指標(biāo)本身存在相關(guān)性，這將嚴(yán)重影響整體運行狀態(tài)的評估效果。因此，需重新對表中給出的電動汽車狀態(tài)指標(biāo)集分類和篩選，建立電動汽車狀態(tài)綜合評估指標(biāo)體系，并對其運行狀態(tài)進(jìn)行評估。

2 基于因子回歸分析的電動汽車運行狀態(tài)指標(biāo)分類和篩選

2.1 電動汽車運行狀態(tài)指標(biāo)分類

考慮到電動汽車運行狀態(tài)的各指標(biāo)具不同的量綱和變化趨勢，指標(biāo)間不具有可比性，需將逆向化（指標(biāo)越小越好）和適度（指標(biāo)越接近某個值越好）指標(biāo)轉(zhuǎn)化為正向指標(biāo)，再對各個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，以消除指標(biāo)間的量綱差異。設(shè)電動汽車運行狀態(tài)的樣本個數(shù)為q，指標(biāo)個數(shù)m=26，其中逆向化和適度指標(biāo)集合為V1和V2，第i個樣本的第j個指標(biāo)值同趨化為：

通過對狀態(tài)指標(biāo)樣本數(shù)據(jù)進(jìn)行因子分析［18］可得到狀態(tài)指標(biāo)的公共因子，該因子將包含多個關(guān)系緊密的狀態(tài)指標(biāo)，由此對電動汽車運行狀態(tài)指標(biāo)進(jìn)行分類。利用因子分析的指標(biāo)分類流程如圖2所示，由標(biāo)準(zhǔn)化狀態(tài)指標(biāo)計算m×m階的相關(guān)系數(shù)矩陣R，其第i行和第j列的相關(guān)系數(shù)rij為：

圖2 狀態(tài)指標(biāo)分類流程Fig.2 Flowchart of status indexes classification

再計算相關(guān)系數(shù)矩陣的m個特征值，按大小降序排列，選擇前 k 個特征值 λ1、λ2、…、λk使對應(yīng)的累計方差貢獻(xiàn)率大于0.85，則m個指標(biāo)即可劃分為k個類型。

利用因子載荷矩陣A可得各分類與m個指標(biāo)的關(guān)聯(lián)關(guān)系，將特征值 λ1、λ2、…、λk的特征向量單位化后得到 e1、e2、…、ek，則 m×k 階的因子載荷矩陣A為：

其中矩陣元素aij為指標(biāo)xi在公共因子fj（即第j個分類）的載荷系數(shù)，系數(shù)越大即說明第i個指標(biāo)對第j個分類貢獻(xiàn)越高，據(jù)此可確定不同分類下包含的原始指標(biāo)。因子載荷矩陣A不具有唯一性，為了使各分類具有更明確的物理意義，可利用任意k×k階正交矩陣Γ，對原始矩陣進(jìn)行因子旋轉(zhuǎn)得到新的因子載荷矩陣A′=AΓ。本文采用方差最大因子旋轉(zhuǎn)［19］，以使因子載荷矩陣A′的各個元素向0或1兩極分化，再將 a′ij>at（載荷系數(shù)取值范圍 0～1，因子閾值at=0.8，小于0.8則認(rèn)為不屬于該分類）的指標(biāo)歸入第j個分類，建立電動汽車運行狀態(tài)指標(biāo)的分類體系。

根據(jù)某電動公交車站實際監(jiān)測數(shù)據(jù)，對各項狀態(tài)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，得到樣本數(shù)據(jù)相關(guān)系數(shù)矩陣的特征值，其中大于0的前12項特征值及累計方差貢獻(xiàn)率見表2。狀態(tài)指標(biāo)的前5個特征值累計方差貢獻(xiàn)率達(dá)到89.561%，大于設(shè)定值85%，故將26項電動汽車運行狀態(tài)指標(biāo)歸結(jié)為f1至f55個類型（公共因子），即電池組效率、電池組壽命、電池組充放電特性、單體電池一致性和電機運行狀態(tài)。

由式（12）計算得到載荷矩陣，所得的5個公共因子在多個指標(biāo)上都有較高的載荷，但是部分指標(biāo)的載荷值小于設(shè)定的閾值at，不能對其進(jìn)行分類。采用方差最大旋轉(zhuǎn)法，使指標(biāo)在旋轉(zhuǎn)后的公共因子軸上投影向最大和最小兩極分化，旋轉(zhuǎn)后的因子載荷如表3所示。由表3可知，每個指標(biāo)中有且僅有一個公共因子對應(yīng)的載荷系數(shù)大于設(shè)定閾值0.8，由此得到5個分類下的電動汽車運行狀態(tài)指標(biāo)。其中電池組效率包含v8至v10共3個指標(biāo)，電池組壽命包含v11至v13、v17和v18共5個指標(biāo)，電池組充放電包含v1至v7、v14和v15共9個指標(biāo)，單體電池一致性包含v19至v21共3個指標(biāo)，電機運行狀態(tài)包含v16、v22至v26共6個指標(biāo)。

表2 特征值及累計方差貢獻(xiàn)率Table 2 Eigenvalues and accumulative contribution rates

表3 正交旋轉(zhuǎn)后因子載荷Table 3 Factor loading after orthogonal rotating

2.2 電動汽車運行狀態(tài)指標(biāo)篩選

指標(biāo)選取個數(shù)過少將加大電動汽車運行狀態(tài)評估誤差，而指標(biāo)數(shù)量過多又會增加模型復(fù)雜度且減小其實用性?？紤]到電動汽車運行狀態(tài)指標(biāo)選取具有一定的冗余性，因此，需要進(jìn)一步對f1至f5的5個分類指標(biāo)子集進(jìn)行篩選。設(shè)第i個分類fi包含mi個指標(biāo)，v1、v2、…、vmi共有p組樣本數(shù)據(jù)，以p×mi階指標(biāo)數(shù)據(jù)矩陣Xi為自變量，各組樣本對應(yīng)第i個分類的狀態(tài)評估向量yi為因變量，建立多元線性回歸模型［18］：

其中，βi和 βi′分別為 mi×1 階的回歸模型系數(shù)及估計值；μi為p×1階隨機誤差。本文采用逐步回歸法篩選第i個分類的指標(biāo)，從僅含常數(shù)項的回歸方程出發(fā)，逐步引入或刪除狀態(tài)指標(biāo)，將對回歸貢獻(xiàn)大的指標(biāo)選入子集中，使殘差平方和盡可能小。通過F顯著性檢驗計算第j個指標(biāo)的貢獻(xiàn)率Fj為：

其中，Sj-1和Sj分別為第j個指標(biāo)引入前、后的殘差平方和；l為第j個指標(biāo)引入后回歸模型的非常數(shù)項個數(shù)。為避免指標(biāo)間的復(fù)共線性問題（部分指標(biāo)可由其他指標(biāo)近似線性表示），還需確保矩陣可逆，即使其逆矩陣的分母大于給定的容許值水平界限。

逐步回歸分析中，以引入閾值Fin和刪除閾值Fout作為指標(biāo)被引入或刪除回歸方程的標(biāo)準(zhǔn)，由指標(biāo)樣本數(shù)據(jù)的統(tǒng)計分析結(jié)果［18］可得到 Fin=3，F(xiàn)out=2.8；同時利用容許值水平界限Tol來避免引入分母D為0或近似為0的情況，可避免矩陣出現(xiàn)復(fù)共線性，Tol的取值范圍為 10-7～10-2，本文取 Tol=0.001；采用逐步回歸分析進(jìn)行指標(biāo)篩選的流程，如圖3所示。根據(jù)逐步篩選后的第i個分類指標(biāo)集合Vc，計算各指標(biāo)的貢獻(xiàn)率 Fj。若第 jmax個指標(biāo)的 Fjmax=max（Fj）＞Fin且容許水平D＞Tol，則該項引入指標(biāo)集Vc，否則不引入；若第 jmin個指標(biāo) Fjmin=min（Fj）＜Fout，則該項從 Vc刪除，否則不刪除。當(dāng)指標(biāo)集Vc中所有指標(biāo)貢獻(xiàn)率均大于Fout，指標(biāo)集Vc外所有指標(biāo)貢獻(xiàn)率均小于Fin時，沒有可引入或刪除的指標(biāo)，則篩選結(jié)束，輸出最優(yōu)指標(biāo)集。

圖3 狀態(tài)指標(biāo)篩選流程Fig.3 Flowchart of status index screening

以電池組充放電特性f3為例，其包含v1至v7、v14和v15共9個指標(biāo)，采用逐步回歸法得到其篩選后的指標(biāo)集Vc及貢獻(xiàn)率如表4所示。表中Vc外指標(biāo)v3貢獻(xiàn)最大，但F3=0.392Fout，不刪除。此時既無刪除項，也無引入項。因此，在f3分類中可將充電電壓閃變v3、充電電壓不平衡度v4和充電電壓波動v5這3個貢獻(xiàn)小的指標(biāo)刪除。同理，可分別對電池組效率f1、電池組壽命f2、單體電池一致性f4和電機運行狀態(tài)f5下的指標(biāo)進(jìn)行逐步回歸分析，刪除電池輸出功率v16和自放電率v17共2個對評估貢獻(xiàn)率小的指標(biāo)。

表4 篩選后狀態(tài)指標(biāo)貢獻(xiàn)率Table 4 Contribution rate of status indexes after screening

通過電動汽車運行狀態(tài)指標(biāo)的選取、分類和篩選，建立其狀態(tài)綜合評估指標(biāo)體系，如圖4所示。圖中包括目標(biāo)層、分類層和指標(biāo)層3個層次，目標(biāo)層劃分為5個分類，并進(jìn)一步細(xì)化到各分類下的指標(biāo)，為便于分析，將不同分類下的指標(biāo)重新進(jìn)行編號。

3 基于分層雷達(dá)圖法的電動汽車運行狀態(tài)綜合評估

圖4 電動汽車運行狀態(tài)評估指標(biāo)體系Fig.4 Evaluation index system of electric vehicle operating status

采用前述方法可將電動汽車運行狀態(tài)綜合評估分解成3個層次的分析結(jié)構(gòu)模型，將圖4的層次遞階結(jié)構(gòu)與雷達(dá)圖評估法［20-21］相結(jié)合，可實現(xiàn)電動汽車運行狀態(tài)的分層評估。分層雷達(dá)圖法綜合評估流程如圖5所示，首先利用指標(biāo)層的樣本數(shù)據(jù)分別得到分類層5個分類的雷達(dá)圖，根據(jù)圖像特征得到各分類的雷達(dá)圖評估值；再由分類層5個分類的評估值，得到目標(biāo)層電動汽車運行狀態(tài)的評估結(jié)果。分層雷達(dá)圖法的評估步驟如下。

圖5 分層雷達(dá)圖綜合評估示意圖Fig.5 Schematic diagram of comprehensive evaluation based on layered radar map

步驟1：結(jié)合改進(jìn)AHP主觀賦權(quán)和客觀熵權(quán)法［22］，計算指標(biāo)層和分類層的各項綜合權(quán)重。

步驟2：以圓心為起點，垂直向上引出第1條單位長度線段OA，將第1個指標(biāo)權(quán)重轉(zhuǎn)換為角度值［21］，繪制第2條單位長度線段OB，同理繪制其余線段。

步驟3：以圓心為起點，作每個扇形的角平分線，將各歸一化指標(biāo)作為角平分線的長度；依次連接前述外圍點形成雷達(dá)圖，利用雷達(dá)圖多邊形總面積S和周長C，得到定量評估值

步驟4：重復(fù)步驟2和步驟3，得到5個分類的雷達(dá)圖及其評估值。

步驟5：根據(jù)分類層的5個評估值，由步驟2和步驟3得到電動汽車運行狀態(tài)雷達(dá)圖和綜合評估值，再由不同等級的標(biāo)準(zhǔn)樣本數(shù)據(jù)，確定待評估樣本的電動汽車運行狀態(tài)綜合水平。

4 算例分析

以某電動公交車站實際監(jiān)測數(shù)據(jù)為基礎(chǔ)，對電動汽車狀態(tài)進(jìn)行評估。將評估等級分為“優(yōu)質(zhì)”、“良好”、“合格”和“較差”4 級，由標(biāo)準(zhǔn)樣本 M1、M2、M3和M4計算各級評估結(jié)果的取值區(qū)間。由式（9）和式（10）對監(jiān)測數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各級別的標(biāo)準(zhǔn)樣本如表5所示，表中還給出電動汽車指標(biāo)層中各項指標(biāo)的樣本數(shù)據(jù)N。根據(jù)分層雷達(dá)圖評估流程，利用改進(jìn)AHP主觀賦權(quán)和客觀熵權(quán)法，得到電動汽車狀態(tài)綜合評估指標(biāo)體系各層次的權(quán)值，如表6所示。

表5 電動汽車狀態(tài)指標(biāo)標(biāo)準(zhǔn)化樣本數(shù)據(jù)Table 5 Unified sample data of electric vehicle status indexes

表6 評估體系各層次權(quán)值Table 6 Weights of evaluation system for different layers

利用表5中4個級別的標(biāo)準(zhǔn)樣本數(shù)據(jù)和各層權(quán)值系數(shù)，由分層雷達(dá)圖評估得到標(biāo)準(zhǔn)化樣本的綜合評估值，將其作為評估等級區(qū)間的上、下限值，即可得表7所示的不同等級綜合評估值區(qū)間。圖6為由樣本數(shù)據(jù)N分別做出電池組效率、電池組壽命等分類層5個分類狀態(tài)的雷達(dá)圖和電動汽車整體運行狀態(tài)的雷達(dá)圖，相應(yīng)評估結(jié)果如表8所示。結(jié)合評估等級表可知，電池組效率狀態(tài)為良好，電池組壽命、單體電池一致性、電機運行狀態(tài)為合格，而電池組充放電特性狀態(tài)為較差，由此對電動汽車整體狀態(tài)評估的結(jié)果為合格。

表7 電動汽車評估等級Table 7 Electric vehicle evaluation classification

圖6 電動汽車運行狀態(tài)綜合評估結(jié)果Fig.6 Results of comprehensive electric vehicle operating status evaluation

表8 電動汽車綜合評估值Table 8 Comprehensive evaluation values

5 結(jié)論

根據(jù)電動汽車的電氣結(jié)構(gòu)，本文選取了電動汽車的26個運行狀態(tài)指標(biāo)，通過某電動公交車站實際監(jiān)測數(shù)據(jù)得到各項指標(biāo)的樣本值，利用因子分析對樣本數(shù)據(jù)進(jìn)行處理，將運行狀態(tài)指標(biāo)分為電池組效率、電池組壽命、電池組充放電特性、單體電壓一致性和電機運行狀態(tài)5個類型，再由逐步回歸將各分類的冗余指標(biāo)刪除，建立了全面、實用的電動汽車運行狀態(tài)綜合評估指標(biāo)體系。采用分層雷達(dá)圖評估方法分別對分類層和目標(biāo)層進(jìn)行綜合評估，通過對實際監(jiān)測數(shù)據(jù)的評估結(jié)果可知，電動汽車快速充、放電過程對電池性能的影響較大；本文的電動汽車狀態(tài)綜合評估體系，能較好地反映出電動汽車的真實運行狀態(tài)，評估結(jié)果可為電動汽車檢修提供技術(shù)參考。