混动汽车EV比和油耗之间的关系分析

EV是什么？

EV的全称是 "Electric Vehicle"，翻译过来是 "电动汽车"。在混动汽车的语境下，通常所说的"EV模式"就是指纯电动驱动模式，即车辆仅依靠牵引电池和动力电机驱动，发动机不工作，当激活EV模式时，车辆不会消耗燃油。

为了弥补传统燃油车在城市拥堵路况下"怠速耗油"和"低速低效"的短板。混动EV模式做了如下改进：

堵车时：传统燃油车在停止时发动机仍在空转耗油，而混动车在EV模式下，停下来发动机就是彻底关闭的，完全不耗油。
起步时：传统燃油车起步阶段是油耗最高的时刻，而电动机起步不仅快，而且不烧油。

在低速、走走停停的城市拥堵路况下，传统燃油车因为发动机频繁怠速和低效率工作，油耗会很高。而混动车使用EV模式，正好避开了发动机最费油的工况，让电机充分发挥起步快、安静且零油耗的优势。

当然，EV模式省油是建立在电池有电的基础上的。混动系统会根据电量智能调整策略，这直接影响了最终的油耗表现.

电量充足时（理想状态）：系统优先或可以强制使用EV模式，车辆完全由电力驱动。这是最省油的阶段，实现了局部零油耗。
电量不足时（关键转折点）：当电池电量降到设定值以下，车辆会自动退出EV模式，进入混合动力模式。此时发动机会启动，一部分用来驱动车轮，一部分用来发电给电池充电。这个阶段的油耗会明显上升。在亏电状态下遇到严重堵车，油耗甚至可能比同型号的纯油车更高。

EV模式只是将油耗推迟了，而不是消除了，相当于再能量和动力之间增加了一个BUF。

EV比是什么？

EV比指的是在车辆行驶过程中，纯电驱动模式（EV模式）行驶的时间（或里程）占总行驶时间（或里程）的百分比。它是衡量一辆混动汽车"用电程度"的核心指标。

实测数据

经过不同路况（高速，市区通勤，堵车情况）实际测试，得到几组EV比和油耗数据如下：

数据1：EV比77%，油耗3.2L/100KM，里程27.2KM，用时45分钟。
数据2：EV比86%，油耗4.3L/100KM，里程4.5KM，用时15分钟。
数据3：EV比76%，油耗4.4L/100KM，里程28.3KM，用时1时16分钟。
数据4：EV比46%，油耗5.3L/100KM，里程133.4KM，用时1时47分钟。
数据5：EV比72%，油耗3.8L/100KM，里程23.4KM，用时38分钟。
数据6：EV比74%，油耗3.6L/100KM，里程18.3KM，用时27分钟
数据7：EV比83%，油耗3.2L/100KM，里程26.8KM，用时49分钟。
数据8：EV比82%，油耗3.4L/100KM，里程26.9KM，用时50分钟。
数据9：EV比72%，油耗3.7L/100KM，里程40.1KM，用时51分钟。
数据10：EV比71%，油耗3.6L/100KM，里程19.5KM，用时29分钟。
数据11：EV比80%，油耗3.5L/100KM，里程26.8KM，用时48分钟。
数据12：EV比72%，油耗3.6L/100KM，里程27.2KM，用时38分钟。
数据13：EV比75%，油耗4.4L/100KM，里程23.3KM，用时42分钟。
数据14：EV比58%，油耗4.9L/100KM，里程127.4KM，用时2时零9分钟。

将数据绘制到坐标系中：

最直观的发现是，数据点2（Point B, EV比86%，油耗4.3L）,数据点3（Point C, EV比76%，油耗4.4L）和数据点13（Point N, EV比75%，油耗4.4L）非常特殊。它们呈现出"高EV比但高油耗"的反常现象，与"EV比越高，油耗越低"的普遍认知相悖。

相关性分析

为了量化EV比和油耗之间的关系，我们可以计算它们的相关系数。相关系数越接近-1，代表负相关关系越强（即EV比越高，油耗越低）。根据概率论公式，相关系数的计算方法如下：

编程计算相关系数：

复制代码

#include <stdio.h>
#include <string.h>
#include <math.h>

#define ARRAY_SIZE(arr) (sizeof(arr) / sizeof(arr[0]))
static double Y[] = {3.2, 4.3, 4.4, 5.3, 3.8, 3.6, 3.2, 3.4, 3.7, 3.6, 3.5, 3.6, 4.4, 4.9};
static double X[] = {77 , 86 , 76 , 46 , 72 , 74 , 83 , 82 , 72 , 71 , 80 , 72 , 75, 58};
int main(void)
{
	int i;
	double ave_x = 0.0f, ave_y = 0.0f;
	double fenzi = 0.0f, fenmu1=0.0f, fenmu2=0.0f;

	if (ARRAY_SIZE(X) != ARRAY_SIZE(Y)) {
		printf("%s line %d, error, array not match.\n", __func__, __LINE__);
		return -1;
	}

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		ave_x += X[i];
		ave_y += Y[i];
	}

	ave_x /=ARRAY_SIZE(X);
	ave_y /=ARRAY_SIZE(Y);
	
	printf("ave_x is %f, ave_y = %f.\n", ave_x, ave_y);

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenzi += (X[i]-ave_x) * (Y[i]-ave_y);
	}

	printf("fenzi is %f.\n", fenzi);

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenmu1 += pow((X[i]-ave_x), 2.0);
	}

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenmu2 += pow((Y[i]-ave_y), 2.0);
	}
	fenmu1 = sqrt(fenmu1);
	fenmu2 = sqrt(fenmu2);
	printf("fenmu is %f.\n", fenmu1 * fenmu2);

	printf("the r result is %f\n", fenzi / (fenmu1 * fenmu2));

	return 0;
}

最后得到相关系数是-0.713181，表明EV比例和油耗呈现高度负相关。说明从整体趋势上看，EV比的提高确实能带来油耗的下降，但这个关系并不是绝对的，存在一些干扰因素（很可能就是数据点2和3,13代表的因素）。

剔除异常点（数据2和3,13）：

得到的相关系数是-0.960535，是一个极强的负相关（接近极限值 -1.0）。这意味着，在剔除了三个异常数据点之后，剩下的10组数据几乎完美地落在一条下降的直线上， EV比的提高，几乎完全决定了油耗的下降。

用最小二乘法，计算剔除异常点后的拟合直线，设拟合直线方程 y = ax + b:

复制代码

#include <stdio.h>
#include <string.h>
#include <math.h>

#define ARRAY_SIZE(arr) (sizeof(arr) / sizeof(arr[0]))
static double Y[] = {3.2, /*4.3, 4.4,*/ 5.3, 3.8, 3.6, 3.2, 3.4, 3.7, 3.6, 3.5, 3.6, /*4.4,*/ 4.9};
static double X[] = {77 , /*86 , 76 ,*/ 46 , 72 , 74 , 83 , 82 , 72 , 71 , 80 , 72 , /*75, */ 58};

static void calculate_line(void)
{
	int i;
	double a, b;
	double tmp1 = 0.0f, tmp2=0.0f;
	double fenzi_part1 = 0.0f, fenzi_part2=0.0f;	
	double fenmu_part1 = 0.0f, fenmu_part2=0.0f;	

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenzi_part1 += X[i]*Y[i];
	}

	fenzi_part1 *= ARRAY_SIZE(X);

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		tmp1 += X[i];
		tmp2 += Y[i];
	}

	fenzi_part2 = tmp1 * tmp2;

	tmp1 = tmp2 = 0.0f;
	for (i = 0; i < ARRAY_SIZE(X); i++) {
		tmp1 += X[i] * X[i];
		tmp2 += X[i];
	}

	fenmu_part1 = tmp1 * ARRAY_SIZE(X);
	fenmu_part2 = tmp2 * tmp2;

	a = (fenzi_part1 - fenzi_part2) / (fenmu_part1 - fenmu_part2);
	printf("a is %f.\n", a);

	tmp1 = tmp2 = 0.0f;
	for (i = 0; i < ARRAY_SIZE(X); i++) {
		tmp1 += X[i];	
		tmp2 += Y[i];	
	}
	b = (1.0f/ARRAY_SIZE(X)) * tmp2 - (a / ARRAY_SIZE(X)) * tmp1;
	
	printf("b is %f.\n", b);

	return;
}

int main(void)
{
	int i;
	double ave_x = 0.0f, ave_y = 0.0f;
	double fenzi = 0.0f, fenmu1=0.0f, fenmu2=0.0f;

	if (ARRAY_SIZE(X) != ARRAY_SIZE(Y)) {
		printf("%s line %d, error, array not match.\n", __func__, __LINE__);
		return -1;
	}

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		ave_x += X[i];
		ave_y += Y[i];
	}

	ave_x /=ARRAY_SIZE(X);
	ave_y /=ARRAY_SIZE(Y);
	
	printf("ave_x is %f, ave_y = %f.\n", ave_x, ave_y);

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenzi += (X[i]-ave_x) * (Y[i]-ave_y);
	}

	printf("fenzi is %f.\n", fenzi);

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenmu1 += pow((X[i]-ave_x), 2.0);
	}

	for (i = 0; i < ARRAY_SIZE(X); i++) {
		fenmu2 += pow((Y[i]-ave_y), 2.0);
	}
	fenmu1 = sqrt(fenmu1);
	fenmu2 = sqrt(fenmu2);
	printf("fenmu is %f.\n", fenmu1 * fenmu2);

	printf("the r result is %f\n", fenzi / (fenmu1 * fenmu2));

	calculate_line();
	return 0;
}

得到拟合直线参数a=-0.059592,b= 8.063521，通过最小二乘法拟合得到的直线方程为：

y=-0.059592x + 8.063521

直线是下图的样子，可以看到，在排除三个异常点后，拟合直线几乎和样本数据重合，直线斜率为负，这也强烈说明了EV比和油耗的线性反相关的联系。

根据样本数据，直线截距8.063521表示在EV比为0,也就是纯油驱动情况下的平均油耗是8.063521/100KM，也就是说，这台丰田混动车型即便不用动力电池，仅靠纯油驱动，平均油耗也不会超过8.063521L/100KM。

D点和O点分别对应样本4和样本14，这是样本中唯二的在高速往返行使数据，跑高速的特点是车速高，在车速过高（如丰田RAV4超过60km/h或在高速巡航）、急加速或爬陡坡时，即使你选了EV模式，系统为了保障动力，也可能强制启动发动机介入，导致EV模式自动取消。在高速路段，由于发动机持续工作为电池充电或直接驱动车轮，混动车的油耗优势并不明显此时EV比明显低于市区通勤，反而可能出现高油耗，这与高速省油，但城市道路耗油的油车正好相反。

油耗区间是3.2/5.3, EV比区间是58/86,这是目前的数据，和厂家给出的数据是符合的，随着用车次数增加，后期会持续刷新。

三个异常点说明什么？

个人感觉这个问题和EV比定义究竟是时间比还是里程比有关，要理解这些异常数据，必须追问EV比的定义，更要追问那剩下的百分比是在什么工况下发生的。

如果EV是时间比，可能说明虽然行车过程中绝大部分时间是用的电驱，导致电池亏电，剩下一小部分时间用的发动机驱动，但是在这小部分时间中系统为了保障动力，发动机油耗远远高于平均值（比如中间一段路是快速路，路好走，行车时间短，车速快，发动机亏电，既要驱动行使又要给动力电池充电，出现用油高峰）。

如果EV是里程比，以样本2为例，4.5公里中，有86%(3.87km)在用动力电池驱动，导致电池亏电，剩下的小部分路程全部是在上大坡，路难走，行车时间长，然后在亏电状态下，发动机被迫高负荷工作（既要驱动又要充电），导致最后一段路的油耗急剧飙升，最终拉高了全程的平均油耗，油耗高。

这就像一个人说"我一周7天有6天在吃素，只有1天吃肉"，但结果体重却增加了。原因可能是那1天吃的肉量惊人。种方式都是"先甜后苦"，只不过一个是时间维度，一个是空间维度。

时间维度理解：

甜（用电时间占86%）：市区、低速、平路。这些路段耗时很长（所以EV时间比高），但能耗强度低，用电非常划算。
苦（用油时间占14%）：快速路/高速。这些路段耗时短（所以EV时间比被拉高），但能耗强度极高，而且此时电池已亏电，发动机既要维持高速巡航，又要强行充电。
结果：用14%的时间，烧掉了远超14%的油。先用电跑低速，后用油跑高速------这就是时间维度的"先甜后苦"。

空间维度理解：

甜（用电里程占86%）：平路、好路。这些路段跑得远（所以EV里程比高），但单位里程能耗低。
苦（用油里程占14%）：上大坡。这些路段里程短（所以EV里程比被拉高），但单位里程能耗极高，而且电池已亏电，发动机要拼命爬坡。
结果：用14%的里程，烧掉了远超14%的油。先用电跑平路，后用油爬大坡------这就是里程维度的"先甜后苦"。

这两种解释，虽然基于不同的EV比定义，但它们指向的其实是同一个本质错误：把电浪费在了本不需要它的地方，却让发动机去干它最不擅长的活。

因为没有更多渠道获取信息，暂时不清楚这个EV比是时间EV比还是里程EV比（我倾向于时间比），问题放在后面再研究，有知道的朋友也可以在本博客下面留言，如解此惑，不胜感激。

EV比有啥意义？

讨论了这么多，EV比对老司机有什么意义呢？我们能够从EV比中看出什么信息呢？以下是几点总结：

EV比反映充电频率：对于插电混动车，EV比高通常意味着你充电比较勤，很好地发挥了电车低成本的优势。
EV比反映路况：EV比高往往对应着低速、拥堵的城市路况（因为此时发动机效率低，系统更愿意用电）；EV比低则可能对应着高速巡航（此时发动机效率高，系统更愿意用油）。
EV比帮助诊断油耗：当发现某次行程油耗突然变高时，先看一眼EV比。如果EV比本身就低，油耗高是正常的；如果EV比很高但油耗也高（比如数据2和3，13），那就说明行程规划可能出了问题（比如在亏电状态下遭遇了严重拥堵或长时间爬坡）。