汽车电动化是汽车行业的未来。相较于燃油汽车,电动汽车的续驶里程较短且充电不便,使“里程焦虑”成为困扰电动车驾驶员的主要问题之一,阻碍了电动汽车的进一步推广。因此,在实际工况下准确预测电动汽车的续驶里程,对指导用户合理制定出行计划,消除驾驶员里程焦虑具有重要意义。据此,本文以准确估计电动汽车续驶里程为目标,将电动汽车续驶里程估计分为电池状态估计、车辆未来出行工况预测以及车辆出行能耗计算三大模块,采用数据驱动的建模方法,通过多模型协同实现对电动汽车微观续驶里程的动态估计。其具体研究内容如下:作为能量供应端,电池是电动汽车的核心。准确估计电池状态是电动汽车续驶里程估计准确性的基础。本文首先以Light GBM算法作为模型框架,在实车32960远程通信数据的基础上建立基于实车出行电池数据的高精度电池SOC与SOH状态估计模型。其次,本文基于车辆速度的时间序特性,在相关性分析方法的帮助下提取了对电动车未来行驶工况造成影响的关键特征,并据此建立了电动车未来行驶工况预测的长短时记忆神经网络（LSTM）模型。通过引入我们设计的自主窗口调节的算法,该模型可以在未来较长时间内对车辆行驶工况进行高精度预测。再次,本文基于模糊聚类分析与Stacking模型融合方法,建立了基于电动车动态行驶工况的能耗估计模型。通过核主成分分析和模糊C均值聚类的方法,我们将车辆数据在行驶工况层面进行聚类,以获得对原行驶数据特点具有良好表征性的主成分特征,并将与上述主成分相关的工况特征参数作为能耗计算模型的输入变量。通过将电动车单位里程电量消耗率作为标度,我们对模型的参数进行了优化。研究结果表明,较之传统能耗估计模型,该模型的估计精度与鲁棒性均有明显提升。最后,结合电池SOC和SOH估计模型的可用剩余能量、车辆未来行驶工况预测模型提供的工况信息和该工况下车辆能耗模型获得的能耗,我们就获得了电动车微观续驶里程的准确估计及基于多模型协同下的电动汽车续驶里程估计框架。通过将真实出行工况下的电动汽车数据输入上述多模型协同估计框架,我们发现,该框架在高、中、低SOC数据片段中均取得了良好的估计效果。其续驶里程估计精度较业界现有估计水平有显著提高,进而证明本文报告的电动车续驶里程多模型协同估计方法的有效性与稳定性。