CN108875270A - 新能源汽车基础参数的计算方法 - Google Patents

Abstract

本发明揭示了一种新能源汽车基础参数的计算方法，包括如下的步骤：根据用户满意度确定整车需求，再基于整车需求确定整车设计目标。建立新能源汽车基础参数与整车设计模块的评估模型。计算新能源汽车基础参数的可行域。对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案。根据评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估，选择评估值最高的整车参数方案。匹配及调整步骤，确定评估值最高的整车参数方案是否满足整车设计目标，如果不满足整车设计目标则依据整车设计目标对评估值最高的整车参数方案进行调整，得到满足整车设计目标的整车参数方案，依据最终的整车参数方案确定新能源汽车基础参数值。

Description

新能源汽车基础参数的计算方法

技术领域

本发明涉及汽车制造领域，更具体地说，涉及汽车制造开发过程中，根据多个目标和条件对新能源汽车的基础参数进行计算和优化的方法。

背景技术

新能源汽车由于其动力来源和传统汽车完全不同，并且，以电力为主要能源的新能源汽车能够配备更加丰富的电器设备，具有完全不同的能量补充方式，会面对更加丰富和多样化的用户需求。由此造成新能源汽车和传统汽车在设计理念上的较大不同。

在用户需求的多样化及自身特点的不同带来的新能源汽车和传统汽车设计理念上的不同中，最明显的一点是续航里程和整车功率方面的变化。新能源汽车的续航里程由电池容量、用户驾驶习惯、使用环境以及行驶工况等决定。此外，由于车辆上电气化设备的增加，增加了功率消耗，使得电动汽车的动力性也受到了不同程度的影响。此外诸如充电桩等等的基础设施状况也对电动车的整车方案产生了制约。这都给新能源汽车的开发过程带来的新的挑战。

就目前了解的情况看，影响新能源汽车开发有多个影响因素：

1)很多用户没有开过新能源汽车动车或者接触过新能源汽车，所以不能解释清楚电动汽车应该具备什么样的功能或者达到何种性能来满足其需求。

2)目前的新能源汽车的开发包括软件开发等大多基于传统车改造而来，而传统车存在的诸多限制条件使得整车的开发由诸多的约束和限制条件，使得整个新能源汽车设计方案优势减小，不能达到用户需求，市场竞争力也相应降低。

3)电驱系统部件开发不成熟，产品更新换代频率很快。以电池为例，不同的材料体系对应了不同的能量密度、寿命和可靠性，使得整车开发必须变换不同的开发方案。

4)国家新能源汽车政策法规的对新能源汽车的方案也有较大的影响。

综合上述情况，导致近年来，几乎所有的整车厂开始了纯电动和电动汽车的研发，但是到目前为止，几乎没有较为理想，能满足市场需求的成熟可靠产品。

发明内容

本发明提出一种新能源汽车的基础参数的计算方法，能在综合考虑多个目标和条件的情况下，确定新能源汽车的各个基础参数，从而确定整车参数方案。

根据本发明的一实施例，提出一种新能源汽车基础参数的计算方法，包括如下的步骤：

根据用户满意度确定整车需求，再基于整车需求确定整车设计目标，整车设计目标是与整车需求相关的多维度的特征值；

建立新能源汽车基础参数与整车设计模块的评估模型，评估模型分为两层，底层包括新能源汽车基础参数值，上层包括多维度的特征值，将底层的新能源汽车基础参数值与上层的多维度的特征值建立关联；

计算新能源汽车基础参数的可行域，可行域是根据样本特征值和条件约束值确定，在可行域内，对新能源汽车基础参数进行仿真计算，不同的新能源汽车基础参数值的组合形成整车参数方案；

对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案；

根据评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估，选择评估值最高的整车参数方案；

匹配及调整步骤，确定评估值最高的整车参数方案是否满足整车设计目标，如果不满足整车设计目标则依据整车设计目标对评估值最高的整车参数方案进行调整，得到满足整车设计目标的整车参数方案，依据最终的整车参数方案确定新能源汽车基础参数值。

在一个实施例中，根据用户满意度确定整车需求，再基于整车需求确定整车设计目标包括：

整车需求确定步骤，根据KANO模型，基于用户满意度确定整车需求，整车需求被划分为数个层级；

整车设计目标确定步骤，根据质量功能展开QFD方法，将整车需求转换为整车设计目标。

在一个实施例中，根据KANO模型，整车需求被划分为五个层级：1)基本型需求层级、2)期望型需求层级、3)魅力型需求层级、4)无差异性需求层级、5)反向型需求层级。

在一个实施例中，底层的新能源汽车基础参数值与上层的多维度的特征值建立关联的过程如下：

其中f(T_p,p_j,η_j)为多维度评估函数，为新能源汽车基础参数值，为多维度的特征值，为各个新能源汽车基础参数值对应的权重值，N为上层的维度数，k为底层的新能源汽车基础参数值的数量。

在一个实施例中，样本特征值包括基础样车特征值和关键零部件特征值，所述条件约束值包括标准及法规约束值、整车性能约束值、用户需求约束值。

在一个实施例中，可行域包括：整车质量可行域：

其中m_vehicle是整车质量，是整车允许的最大质量，是整车允许的最小质量，m_{vehicle_class}是不同级别车型的最大允许质量，m_load是加载质量。

在一个实施例中，可行域包括：电池包体积可行域：

其中V_volume是电池包体积，是电池包最大体积，V_{vehicle_layout}是整车允许的电池包布置空间，是电池包最小体积，m_vehicle是整车质量，是整车不包含电池包的最小允许质量，是整车不包含电池包的最大允许质量，ρ_bat是电池质量体积密度(kg/L)。

在一个实施例中，可行域包括：最高车速功率可行域：

其中V_volume是电池包体积，是由最高车速决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，v_max是最高车速，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

在一个实施例中，可行域包括：最大爬坡度功率可行域：

其中V_volume是电池包体积，是由最大爬坡度决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，α_max是最大爬坡度，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

在一个实施例中，可行域包括：整车百公里加速时间功率可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

在一个实施例中，可行域包括：整车持续功率输出可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

在一个实施例中，可行域包括：整车不同工况能量需求可行域：

其中R_i是不同工况对应的续航里程，ε_bat是电池能量密度(kWh/L)，R_re是制动能量回馈贡献率，ⅹ₁(t)表示车辆的行驶状态，当加速度≥0时表示，ⅹ₁(t)的值为1表示车辆驱动，车辆处于消耗能量状态，当加速度小于0时，ⅹ₁(t)的值为0，车辆未消耗能量，ⅹ₂(t)表示车辆处于制动状态，当加速度≥0时表示，ⅹ₂(t)的值为0表示车辆位处于制动状态，车辆未处于制动能量回收状态，当加速度小于0时，ⅹ₂(t)的值为1，车辆处于制动状态，车辆回收制动能量。

在一个实施例中，使用遗传算法对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案。

在一个实施例中，根据所述评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估包括：使用评估函数，对所有合格的整车参数方案中的新能源汽车基础参数进行评估：

评估函数为：

其中TCF为整车参数方案的评估值，ΔE_total为上层的多维度的特征值的总评估值，ΔE_i为上层的第i维度的评估值，N为上层的维度数，G_i为上层的第i维度的权重值，ΔE_ij为底层的第j个新能源汽车基础参数值的评估值，G_ij为底层第j个特征值在第i维度的权重值，K为底层的新能源汽车基础参数值的数量。

在一个实施例中，匹配及调整步骤中，如果整车参数方案不满足整车设计目标，则依据整车设计目标，使用惩罚函数对整车参数方案进行调整，惩罚函数为：

其中ΔE_ij∈[-1；1]是底层第j个新能源汽车基础参数值的评估值，|Actual_ij-Target_ij|∈[0:5]；

Actual_ij是底层第j个新能源汽车基础参数值的实际值，

Target_ij是底层第j个新能源汽车基础参数值的目标值，i是上层第i维度，j为底层第j个新能源汽车基础参数值,m,n,s,t为惩罚系数。

本发明新能源汽车基础参数的计算方法具备如下的有益效果：

1)Kano模型的应用以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系，能够快速得出影响用户满意度的关键因素，在满足政府标准及法规和企业要求的前提下，整车方案能够最大限度的满足用户需求。

2)能够根据关键技术变化、政策环境改变、市场变化及用户需求的改变迅速做出优化方案。

3)融合基础样车特征值、关键零部件特征值、标准及法规约束、整车性能约束、用户需求约束等得出整车开发方案可行域，可以减少开发成本和开发周期。

4)基于多目标优化的新能源汽车设计开发方法，可以应用到其他车型甚至其他产品的设计开发工作，具有良好的可扩展性。

附图说明

本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：

图1揭示了根据本发明的一实施例新能源汽车基础参数的计算方法的流程示意图。

具体实施方式

图1揭示了根据本发明的一实施例新能源汽车基础参数的计算方法的流程示意图。参考图1所示，该新能源汽车基础参数的计算方法包括如下的步骤：

101、根据用户满意度确定整车需求，再基于整车需求确定整车设计目标，整车设计目标是与整车需求相关的多维度的特征值。在一个实施例中，步骤101，根据用户满意度确定整车需求，再基于整车需求确定整车设计目标包括如下的步骤：

整车需求确定步骤，根据KANO模型，基于用户满意度确定整车需求，整车需求被划分为数个层级。在整车需求确定步骤中，根据KANO模型，整车需求被划分为五个层级：1)基本型需求层级、2)期望型需求层级、3)魅力型需求层级、4)无差异性需求层级、5)反向型需求层级。

整车设计目标确定步骤，根据质量功能展开QFD方法，将整车需求转换为整车设计目标。在该步骤中，利用QFD(Quality Function Deployment)方法将利用KANO模型划分好的整车需求转换为整车设计开发需求，并将整车设计开发需求转化为整车设计目标，整车设计目标是与整车需求相关的多维度的特征值，比如整车动力性目标特征值、正常经济性目标特征值、整车参数目标特征值、整车功能目标特征值。

102、建立新能源汽车基础参数与整车设计模块的评估模型，评估模型分为两层，底层包括新能源汽车基础参数值，上层包括多维度的特征值，将底层的新能源汽车基础参数值与上层的多维度的特征值建立关联。在一个实施例中，底层的新能源汽车基础参数值与上层的多维度的特征值建立关联的过程如下：

其中f(T_p,p_j,η_j)为多维度评估函数，为新能源汽车基础参数值，为多维度的特征值，为各个新能源汽车基础参数值对应的权重值，N为上层的维度数，k为底层的新能源汽车基础参数值的数量。

103、计算新能源汽车基础参数的可行域，可行域是根据样本特征值和条件约束值确定，在可行域内，对新能源汽车基础参数进行仿真计算，不同的新能源汽车基础参数值的组合形成整车参数方案。

在一个实施例中，样本特征值包括基础样车特征值和关键零部件特征值，所述条件约束值包括标准及法规约束值、整车性能约束值、用户需求约束值。

在一个实施例中，可行域中所考虑并计算的参数如下：

整车质量可行域：

其中m_vehicle是整车质量，是整车允许的最大质量，是整车允许的最小质量，m_{vehicle_class}是不同级别车型的最大允许质量，m_load是加载质量。

电池包体积可行域：

其中V_volume是电池包体积，是电池包最大体积，V_{vehicle_layout}是整车允许的电池包布置空间，是电池包最小体积，m_vehicle是整车质量，是整车不包含电池包的最小允许质量，是整车不包含电池包的最大允许质量，ρ_bat是电池质量体积密度(kg/L)。

最高车速功率可行域：

其中V_volume是电池包体积，是由最高车速决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，v_max是最高车速，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

最大爬坡度功率可行域：

其中V_volume是电池包体积，是由最大爬坡度决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，α_max是最大爬坡度，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

整车百公里加速时间功率可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

整车持续功率输出可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

整车不同工况能量需求可行域：

其中R_i是不同工况对应的续航里程，ε_bat是电池能量密度(kWh/L)，R_re是制动能量回馈贡献率，ⅹ₁(t)表示车辆的行驶状态，当加速度≥0时表示，ⅹ₁(t)的值为1表示车辆驱动，车辆处于消耗能量状态，当加速度小于0时，ⅹ₁(t)的值为0，车辆未消耗能量，ⅹ₂(t)表示车辆处于制动状态，当加速度≥0时表示，ⅹ₂(t)的值为0表示车辆位处于制动状态，车辆未处于制动能量回收状态，当加速度小于0时，ⅹ₂(t)的值为1，车辆处于制动状态，车辆回收制动能量。

在计算完可行域之后，在可行域内，对各项新能源汽车基础参数进行仿真计算。仿真计算会得到不同的结果，不同的新能源汽车基础参数值的组合形成整车参数方案。

104、对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案。在一个实施例中，使用遗传算法对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案。

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。

105、根据评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估，选择评估值最高的整车参数方案。在一个实施例中，根据评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估包括：使用评估函数，对所有合格的整车参数方案中的新能源汽车基础参数进行评估：

评估函数为：

其中TCF为整车参数方案的评估值，ΔE_total为上层的多维度的特征值的总评估值，ΔE_i为上层的第i维度的评估值，N为上层的维度数，G_i为上层的第i维度的权重值，ΔE_ij为底层的第j个新能源汽车基础参数值的评估值，G_ij为底层第j个特征值在第i维度的权重值，K为底层的新能源汽车基础参数值的数量。

106、匹配及调整步骤，确定评估值最高的整车参数方案是否满足整车设计目标，如果不满足整车设计目标则依据整车设计目标对评估值最高的整车参数方案进行调整，得到满足整车设计目标的整车参数方案，依据最终的整车参数方案确定新能源汽车基础参数值。

在一个实施例中，步骤106匹配及调整步骤中，如果整车参数方案不满足整车设计目标，则依据整车设计目标，使用惩罚函数对整车参数方案进行调整，惩罚函数为：

其中ΔE_ij∈[-1；1]是底层第j个新能源汽车基础参数值的评估值，

|Actual_ij-Target_ij|∈[0:5]；

Actual_ij是底层第j个新能源汽车基础参数值的实际值，

Target_ij是底层第j个新能源汽车基础参数值的目标值，i是上层第i维度，j为底层第j个新能源汽车基础参数值,m,n,s,t为惩罚系数。

本发明新能源汽车基础参数的计算方法具备如下的有益效果：

1)Kano模型的应用以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系，能够快速得出影响用户满意度的关键因素，在满足政府标准及法规和企业要求的前提下，整车方案能够最大限度的满足用户需求。

2)能够根据关键技术变化、政策环境改变、市场变化及用户需求的改变迅速做出优化方案。

3)融合基础样车特征值、关键零部件特征值、标准及法规约束、整车性能约束、用户需求约束等得出整车开发方案可行域，可以减少开发成本和开发周期。

4)基于多目标优化的新能源汽车设计开发方法，可以应用到其他车型甚至其他产品的设计开发工作，具有良好的可扩展性。

上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (15)

1.一种新能源汽车基础参数的计算方法，其特征在于，包括如下的步骤：

根据用户满意度确定整车需求，再基于整车需求确定整车设计目标，所述整车设计目标是与整车需求相关的多维度的特征值；

建立新能源汽车基础参数与整车设计模块的评估模型，所述评估模型分为两层，底层包括新能源汽车基础参数值，上层包括所述多维度的特征值，将底层的新能源汽车基础参数值与上层的多维度的特征值建立关联；

计算新能源汽车基础参数的可行域，所述可行域是根据样本特征值和条件约束值确定，在可行域内，对新能源汽车基础参数进行仿真计算，不同的新能源汽车基础参数值的组合形成整车参数方案；

对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案；

根据所述评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估，选择评估值最高的整车参数方案；

匹配及调整步骤，确定评估值最高的整车参数方案是否满足整车设计目标，如果不满足整车设计目标则依据整车设计目标对评估值最高的整车参数方案进行调整，得到满足整车设计目标的整车参数方案，依据最终的整车参数方案确定新能源汽车基础参数值。

2.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，根据用户满意度确定整车需求，再基于整车需求确定整车设计目标包括：

整车需求确定步骤，根据KANO模型，基于用户满意度确定整车需求，整车需求被划分为数个层级；

整车设计目标确定步骤，根据质量功能展开QFD方法，将整车需求转换为整车设计目标。

3.如权利要求2所述的新能源汽车基础参数的计算方法，其特征在于，整车需求确定步骤中，根据KANO模型，整车需求被划分为五个层级：1)基本型需求层级、2)期望型需求层级、3)魅力型需求层级、4)无差异性需求层级、5)反向型需求层级。

4.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，底层的新能源汽车基础参数值与上层的多维度的特征值建立关联的过程如下：

其中f(T_p,p_j,η_j)为多维度评估函数，为新能源汽车基础参数值，为多维度的特征值，为各个新能源汽车基础参数值对应的权重值，N为上层的维度数，k为底层的新能源汽车基础参数值的数量。

5.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，所述样本特征值包括基础样车特征值和关键零部件特征值，所述条件约束值包括标准及法规约束值、整车性能约束值、用户需求约束值。

6.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：整车质量可行域：

其中m_vehicle是整车质量，是整车允许的最大质量，是整车允许的最小质量，m_{vehicle_class}是不同级别车型的最大允许质量，m_load是加载质量。

7.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：电池包体积可行域：

其中V_volume是电池包体积，是电池包最大体积，V_{vehicle_layout}是整车允许的电池包布置空间，是电池包最小体积，m_vehicle是整车质量，是整车不包含电池包的最小允许质量，是整车不包含电池包的最大允许质量，ρ_bat是电池质量体积密度(kg/L)。

8.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：最高车速功率可行域：

其中V_volume是电池包体积，是由最高车速决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，v_max是最高车速，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

9.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：最大爬坡度功率可行域：

其中V_volume是电池包体积，是由最大爬坡度决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，α_max是最大爬坡度，g是重力加速度，f是滚动阻力系数，α_ref是等效坡度，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量。

10.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：整车百公里加速时间功率可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

11.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：整车持续功率输出可行域：

其中V_volume是电池包体积，是由百公里加速时间决定的整车需求功率，η_peak是传动系统的效率，P_aux是辅助系统的消耗功率，π_bat是电池体积功率密度(kW/L)，F₂是空气阻力，E是加速功率需求牵引力系数(kW/kg)，m_eq(m_vehicle)是包含转动惯量的等效整车质量，m_T是整车整备质量，m_extra是整车额外增加质量，m_driver是驾驶员质量，m_load是加载质量，π_bat是电池体积功率密度(kW/L)，g是重力加速度，f是滚动阻力系数，ρ_air是空气密度，C_x是空气阻力系数，A_f是迎风面积，t_a是加速时间，v_a是在t_a内的目标车速，v_b是电机从恒扭矩输出切换到恒功率输出点时对应的车速，v′_b是t_a内的目标车速修正值，I_rot是旋转部件的转动惯量，К是等效转动惯量系数。

12.如权利要求6所述的新能源汽车基础参数的计算方法，其特征在于，所述可行域包括：整车不同工况能量需求可行域：

其中R_i是不同工况对应的续航里程，ε_bat是电池能量密度(kWh/L)，R_re是制动能量回馈贡献率，ⅹ₁(t)表示车辆的行驶状态，当加速度≥0时表示，ⅹ₁(t)的值为1表示车辆驱动，车辆处于消耗能量状态，当加速度小于0时，ⅹ₁(t)的值为0，车辆未消耗能量，ⅹ₂(t)表示车辆处于制动状态，当加速度≥0时表示，ⅹ₂(t)的值为0表示车辆位处于制动状态，车辆未处于制动能量回收状态，当加速度小于0时，ⅹ₂(t)的值为1，车辆处于制动状态，车辆回收制动能量。

13.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，使用遗传算法对整车参数方案进行筛选，淘汰不合格的整车参数方案，留下合格的整车参数方案。

14.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，根据所述评估模型对合格的整车参数方案中的新能源汽车基础参数进行评估包括：使用评估函数，对所有合格的整车参数方案中的新能源汽车基础参数进行评估：

评估函数为：

其中TCF为整车参数方案的评估值，ΔE_total为上层的多维度的特征值的总评估值，ΔE_i为上层的第i维度的评估值，N为上层的维度数，G_i为上层的第i维度的权重值，ΔE_ij为底层的第j个新能源汽车基础参数值的评估值，G_ij为底层第j个特征值在第i维度的权重值，K为底层的新能源汽车基础参数值的数量。

15.如权利要求1所述的新能源汽车基础参数的计算方法，其特征在于，匹配及调整步骤中，如果整车参数方案不满足整车设计目标，则依据整车设计目标，使用惩罚函数对整车参数方案进行调整，惩罚函数为：

其中ΔE_ij∈[-1；1]是底层第j个新能源汽车基础参数值的评估值，

|Actual_ij-Target_ij|∈[0:5]；

Actual_ij是底层第j个新能源汽车基础参数值的实际值，

Target_ij是底层第j个新能源汽车基础参数值的目标值，i是上层第i维度，j为底层第j个新能源汽车基础参数值,m,n,s,t为惩罚系数。