楊 燁，譚忠富*，焦港欣

(1.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京102206；2.車(chē)路協(xié)同與安全控制北京市重點(diǎn)實(shí)驗(yàn)室，北京100191)

0 引 言

隨著電動(dòng)汽車(chē)相關(guān)產(chǎn)業(yè)及相關(guān)技術(shù)的進(jìn)一步發(fā)展，在各國(guó)政府的支持鼓勵(lì)下，電動(dòng)汽車(chē)市場(chǎng)也在持續(xù)增長(zhǎng)，成為汽車(chē)市場(chǎng)的主要增長(zhǎng)動(dòng)力[1].但電動(dòng)汽車(chē)?yán)m(xù)航里程有限，行程中不免因里程焦慮去充電.對(duì)于電力系統(tǒng)，不同充電方式對(duì)電力系統(tǒng)有著不同影響；對(duì)于用戶，不同的充電方式各有優(yōu)劣，用戶在不同因素影響下也會(huì)選擇不同的充電方式.因此，研究電動(dòng)汽車(chē)充電行為及其顯著影響因素十分必要.

國(guó)內(nèi)外學(xué)者針對(duì)電動(dòng)汽車(chē)充電選擇行為及其影響因素進(jìn)行了大量研究.Sun 等[2]基于顯示偏好(Revealed Preference,RP)數(shù)據(jù)考慮剩余電量，距下次出行天數(shù)、回家時(shí)間等因素分析日本電動(dòng)汽車(chē)(Electric Vehicle，EV)日最后一次出行后的充電時(shí)間選擇.Daina等[3]基于陳述偏好(Stated Preference，SP)數(shù)據(jù)考慮車(chē)型、出行結(jié)束時(shí)間等因素分析英國(guó)EV 每周充電頻次.Wen 等[4]基于SP 數(shù)據(jù)分析充電費(fèi)用、離家距離等因素對(duì)美國(guó)EV在公共充電地點(diǎn)是否充電的影響.Kim等[5]基于RP數(shù)據(jù)考慮充電規(guī)律性潛變量和天氣特征等分析荷蘭EV 充電時(shí)間間隔.Yang Y.等[6]分析表明，初始充電狀態(tài)、充電時(shí)間、起點(diǎn)距離和充電站對(duì)電動(dòng)汽車(chē)充電方式有顯著影響.Wang Y.等[7]用統(tǒng)計(jì)方法分析了3個(gè)典型區(qū)域的充電特性及溫度與充電的關(guān)系.Hu L.等[8]分析個(gè)體差異、風(fēng)險(xiǎn)偏好等心理因素對(duì)純電動(dòng)汽車(chē)充電行為的影響.周念成等[9]基于通用無(wú)線分組業(yè)務(wù)(General Packet Radio Service，GPRS)數(shù)據(jù)對(duì)起始充電時(shí)間、起始荷電狀態(tài)和日行駛里程進(jìn)行分析.羅浩成等[10]結(jié)合電動(dòng)汽車(chē)平均續(xù)航里程、行車(chē)需求等數(shù)據(jù)，得出環(huán)境溫度顯著影響電動(dòng)汽車(chē)充電負(fù)荷.陳麗丹等[11]基于居民出行數(shù)據(jù)模擬不同情景電動(dòng)汽車(chē)充電負(fù)荷，結(jié)果表明其具有季節(jié)性、假日性.

現(xiàn)有EV充電行為及其影響因素的研究：內(nèi)容上可細(xì)分為是否充電、充電時(shí)間/地點(diǎn)/頻次選擇等，數(shù)據(jù)使用上可細(xì)分為真實(shí)數(shù)據(jù)和模擬仿真數(shù)據(jù).但現(xiàn)有研究存在以下不足：在研究?jī)?nèi)容上較少考慮對(duì)充電行為類(lèi)型的進(jìn)一步區(qū)分，針對(duì)EV行程中的充電行為及其影響因素考慮較少，在使用數(shù)據(jù)上較多使用國(guó)外數(shù)據(jù)，較少有中國(guó)真實(shí)數(shù)據(jù)，難以反映真實(shí)的中國(guó)EV用戶充電行為現(xiàn)狀，參考價(jià)值有限.

因此，本文基于北京市私人電動(dòng)汽車(chē)真實(shí)網(wǎng)聯(lián)數(shù)據(jù)提取單次行程數(shù)據(jù)，并對(duì)充電類(lèi)型進(jìn)行區(qū)分，細(xì)致劃分行程中影響充電行為的潛在因素；結(jié)合Logistic回歸方法，重點(diǎn)分析電動(dòng)汽車(chē)快速充電行為；最后，基于顯著影響因素建立模型，預(yù)測(cè)電動(dòng)汽車(chē)快速充電行為.

1 數(shù)據(jù)簡(jiǎn)介

選取北京市130 veh 私家電動(dòng)車(chē)作為研究對(duì)象，數(shù)據(jù)采集時(shí)間為2015年8月1～15日，上傳頻率間隔10 s，上傳數(shù)據(jù)內(nèi)容有車(chē)輛編號(hào)、時(shí)間、充放電狀態(tài)、續(xù)航里程、動(dòng)力電池SOC、電流、經(jīng)緯度等，關(guān)鍵參數(shù)及說(shuō)明如表1所示.

表1 電動(dòng)汽車(chē)網(wǎng)聯(lián)數(shù)據(jù)Table 1 Parameters of electric vehicles data

1.1 電動(dòng)汽車(chē)充電行為提取

基于EV網(wǎng)聯(lián)數(shù)據(jù)，結(jié)合經(jīng)緯度信息提取工作日的私家電動(dòng)車(chē)居住地與工作地之間的日常通勤性規(guī)律出行數(shù)據(jù)和非工作日的完整單次出行行程數(shù)據(jù)，并結(jié)合充放電電流變化區(qū)分，確定每輛車(chē)單次行程中的充電類(lèi)型.經(jīng)統(tǒng)計(jì)，提取單車(chē)單次行程共計(jì)3 049 個(gè)，如表2 所示，無(wú)充電行程與充電行程數(shù)量比約為4∶1，表明EV 用戶出行中盡量避免充電行為；而582 個(gè)充電行為行程中快充比例高達(dá)99.66%，表明多數(shù)用戶更傾向快充，這是因?yàn)榭焖俪潆娔茉诙虝r(shí)間補(bǔ)充大量電能而備受青睞.因此，本文重點(diǎn)分析行程中的快速充電行為及其影響因素.

表2 電動(dòng)汽車(chē)充電行為T(mén)able 2 Charging behaviors of electric vehicles

1.2 快速充電潛在影響因素

一次完整行程中，EV是否需要進(jìn)行快速充電與電動(dòng)汽車(chē)自身的狀態(tài)及行程目的地等關(guān)系很大.在綜合考慮以往研究[5-6,10]的基礎(chǔ)上，細(xì)致劃分EV行程中潛在可能影響EV 快速充電的因素，如表3所示.

2 快充行為分析

在確定顯著影響電動(dòng)汽車(chē)快速充電的因素之前，針對(duì)本文數(shù)據(jù)，先進(jìn)行快充數(shù)據(jù)的分布分析，再進(jìn)行潛在影響因素分析.

2.1 快速充電分布

統(tǒng)計(jì)表2中快充次數(shù)，如圖1所示，可以看出，大多數(shù)用戶充電次數(shù)為1～2次，說(shuō)明用戶考慮里程需要和充電難易程度會(huì)盡量減少充電次數(shù).

將時(shí)間劃分為24 個(gè)時(shí)間段，繪制快充行為時(shí)間分布圖，如圖2所示.可發(fā)現(xiàn)，充電時(shí)間主要集中在13～16時(shí)段，說(shuō)明大多數(shù)用戶在下午進(jìn)行快充.

圖1 行程中快速充電次數(shù)Fig.1 Fast charging numbers for one trip

圖2 快速充電時(shí)間分布Fig.2 Distribution of fast charging time

從星期角度統(tǒng)計(jì)，如圖3 所示.可看出，工作日總體比周末(周六和周日)稍高，但周內(nèi)分布較均勻.

2.2 潛在影響因素分析

主要對(duì)影響電動(dòng)汽車(chē)快速充電的部分能夠可視化的潛在因素進(jìn)行具體分析.

(1)電動(dòng)汽車(chē)初始SOC對(duì)快速充電的影響.

EV 初始SOC 反映了電池剩余容量，與EV 當(dāng)日可行里程有直接關(guān)系，故先將初始SOC 對(duì)快充的影響進(jìn)行統(tǒng)計(jì)，如圖4 所示.由圖4 可知，初始SOC 與快速充電旅程數(shù)呈負(fù)相關(guān)關(guān)系，即隨著電動(dòng)汽車(chē)初始SOC 增加，行程中快速充電次數(shù)顯著減小.

(2)電動(dòng)汽車(chē)平均行駛速度對(duì)快速充電的影響.

為研究電動(dòng)汽車(chē)平均行駛速度對(duì)快速充電的影響，繪制平均速度與快速充電行程數(shù)的關(guān)系圖，如圖5 所示.可發(fā)現(xiàn)，大部分有快速充電的電動(dòng)汽車(chē)行程的平均行駛速度集中在20 km/h左右，在市區(qū)通勤車(chē)速限速以內(nèi)，符合實(shí)際情況.

圖3 一周內(nèi)快速充電分布Fig.3 Distribution of fast charging during a week

圖4 電動(dòng)汽車(chē)初始SOC 對(duì)快速充電的影響Fig.4 Influence of start time SOC

圖5 平均速度對(duì)快速充電的影響Fig.5 Influence of average speed

(3)電動(dòng)汽車(chē)的行程距離對(duì)快速充電的影響.

為研究行程距離對(duì)快充的影響，繪制電動(dòng)汽車(chē)行程距離與快充旅程數(shù)的關(guān)系，如圖6 所示.可發(fā)現(xiàn)，有快充的旅程數(shù)與行程距離呈正相關(guān)關(guān)系，但200 km 之后有快充的旅程數(shù)基本穩(wěn)定，說(shuō)明200 km可以覆蓋大多數(shù)用戶的行程.

(4)天氣對(duì)快速充電的影響.

溫度過(guò)高/過(guò)低時(shí)，用戶使用空調(diào)或暖氣，將增加EV 耗電量；快速充電樁大多在戶外，用戶會(huì)盡量避免在雨雪等惡劣天氣進(jìn)行快速充電，故天氣會(huì)影響電動(dòng)汽車(chē)行程中的快速充電.基于此，本文對(duì)不同天氣下選擇快充的行程進(jìn)行統(tǒng)計(jì)，如圖7所示.可發(fā)現(xiàn)，雨天的行程數(shù)遠(yuǎn)小于非雨天，這與數(shù)據(jù)采集于北京2015年8月的雨天數(shù)量明顯小于非雨天數(shù)量相吻合.

3 影響因素分析

單因素分析不能明確因素與因素間的關(guān)系，需進(jìn)一步進(jìn)行因素間的相關(guān)性分析，以及影響快充行為因素的顯著性識(shí)別.

圖6 行程距離對(duì)快速充電的影響Fig.6 Influence of travel distance to fast charging

3.1 相關(guān)性分析

為方便分析，將因素進(jìn)行數(shù)字化處理，如非雨天用0 表示、雨天用1 表示，旅程開(kāi)始時(shí)間只取對(duì)應(yīng)小時(shí).基于SPSS 獲得相關(guān)性分析結(jié)果如表4 和表5 所示.表4 和表5 表明，M-Range 與Distance、Velocity、Start-SOC、Trip-T、N-Distance存在強(qiáng)相關(guān)性，Start-T與End-T、Weather存在強(qiáng)相關(guān)性，End-T與Weather 存在強(qiáng)相關(guān) 性，Distance 與Velocity、Start-SOC、Trip-T 存在強(qiáng)相關(guān)性，Velocity 與Weather、Start-SOC、Trip-T、L-FastCharge存在強(qiáng)相關(guān)性，Weather 與N-FastCharge 存在強(qiáng)相關(guān)性，Start-SOC 與Trip-T、L-FastCharge 存在強(qiáng)相關(guān)性，L-FastCharge 與N-FastCharge，N-Distance 與Trip-T、L-FastCharge、N-Distance 存在強(qiáng)相關(guān)性.MRange、Start-SOC 的VIF 超過(guò)10 且容差較接近0，說(shuō)明其存在嚴(yán)重多重相關(guān)性.

圖7 雨天對(duì)快速充電的影響Fig.7 Influence of rain weather to fast charging

表4 影響因素的相關(guān)性分析Table 4 Correlation analysis of influencing factors

3.2 顯著性分析

影響因素較多且潛在影響程度可能不同，將所有潛在影響因素變量放入SPSS中，篩選得到顯著性水平在0.05以下，統(tǒng)計(jì)意義顯著的參數(shù).基于SPSS獲得顯著性分析結(jié)果如表6所示，其中，P為顯著性.可以看出：M-Range、Distance和Start-SOC的顯著性水平都小于0.01，Start-T、End-T、NDistance 和N-FastCharge 顯著性水平都小于0.05，說(shuō)明以上因素會(huì)顯著影響電動(dòng)汽車(chē)是否選擇快充；天氣和速度的影響不顯著，這與第2 節(jié)中分析一致.

4 快充行為預(yù)測(cè)

電動(dòng)汽車(chē)單次出行的快充行為是一個(gè)二分類(lèi)變量，由第3 節(jié)分析可知，Start-T、Distance、LFastcharge 既相互獨(dú)立又為顯著性因素，符合Logistic 模型要求，故采用這些因素預(yù)測(cè)電動(dòng)汽車(chē)快充行為.

設(shè)置Yi為車(chē)輛i在出行過(guò)程中的行為，i=1,2,…,n，其中，n為車(chē)輛數(shù)量.那么Yi可以取值為yi={0,1}，其中，0 為不充，1 為快充.車(chē)輛i某次出行時(shí)選擇快速充電的概率為p，則不快速充電的概率為1-p.為影響車(chē)輛i第j條出行鏈?zhǔn)欠襁x擇快充的變量，為影響車(chē)輛i第j條出行鏈的快充行為的第k種潛在因素變量，且對(duì)于車(chē)輛i第j條出行鏈，有.

表5 影響因素的多重共線性分析Table 5 Multicollinearity analysis of influencing factors analysis results

對(duì)于車(chē)輛i第j條出行鏈而言，選擇快充的邏輯概率預(yù)測(cè)函數(shù)為

式中：為估算的截距為參數(shù)的估計(jì)值，.

表6 影響因素的顯著性分析Table 6 Significance analysis of influencing factors

為便于計(jì)算，式(1)變換得到

在實(shí)際應(yīng)用中，使用極大似然估計(jì)法求解上述參數(shù)的值.而對(duì)于本文所觀測(cè)的樣本來(lái)說(shuō)，各個(gè)觀測(cè)樣本之間相互獨(dú)立，由此可得到對(duì)應(yīng)的似然函數(shù)對(duì)數(shù)為

式中：yi是實(shí)際應(yīng)用中觀測(cè)樣本的觀測(cè)值.

實(shí)驗(yàn)時(shí)，使用隨機(jī)抽取提取數(shù)據(jù)的2/3進(jìn)行訓(xùn)練，其余進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)結(jié)果如表7所示.可以看出，檢測(cè)率(定義為正確的電動(dòng)汽車(chē)快速充電預(yù)測(cè)數(shù)與實(shí)際快速充電預(yù)測(cè)數(shù)之間的比率)為75.6%，錯(cuò)誤預(yù)報(bào)率(定義為錯(cuò)誤預(yù)測(cè)的電動(dòng)汽車(chē)快速充電預(yù)測(cè)數(shù)與總的行程數(shù)的比率)未超過(guò)3.0%，這表明該Logistic預(yù)測(cè)模型可對(duì)電動(dòng)汽車(chē)快速充電行為進(jìn)行有效預(yù)測(cè).為確定模型性能，繪制受試者工作特征(Receiver Operating Characteristic Curve，ROC)曲線，如圖8所示，并計(jì)算曲線下面積(Area Under Curve，AUC)為0.83，大于0.5，表明本文建立的電動(dòng)汽車(chē)快速充電預(yù)測(cè)模型具有較好的可靠度.

表7 預(yù)測(cè)結(jié)果Table 7 Prediction results

圖8 預(yù)測(cè)模型ROC 曲線Fig.8 ROC of prediction model

5 結(jié) 論

本文基于北京市電動(dòng)私家汽車(chē)的網(wǎng)聯(lián)數(shù)據(jù)，提取具有快速充電行為的電動(dòng)汽車(chē)行程和潛在影響因素；電動(dòng)汽車(chē)快速充電行為屬于二分類(lèi)變量，故采用二項(xiàng)Logistic 回歸分析方法對(duì)電動(dòng)汽車(chē)快速充電影響因素的顯著性進(jìn)行分析.發(fā)現(xiàn)：電動(dòng)汽車(chē)的最大續(xù)航里程、行程距離，出發(fā)時(shí)的續(xù)航里程是影響電動(dòng)汽車(chē)快速充電行為最重要的3個(gè)因素；本次行程開(kāi)始時(shí)間和本次行程結(jié)束時(shí)間對(duì)電動(dòng)汽車(chē)是否快速充電有較為顯著的影響；上一次出行和下一次出行的充電行為，也影響著電動(dòng)汽車(chē)當(dāng)前行程的快速充電決策.最后，基于顯著影響因素建立了電動(dòng)汽車(chē)快速充電預(yù)測(cè)模型，測(cè)試結(jié)果表明，預(yù)測(cè)模型對(duì)電動(dòng)汽車(chē)快速充電預(yù)測(cè)的準(zhǔn)確率較高且模型性能可靠.對(duì)私家電動(dòng)汽車(chē)快速充電行為的詳細(xì)分析及預(yù)測(cè)，有助于優(yōu)化私家電動(dòng)汽車(chē)的充電行為，提高充電效率.

本文在研究?jī)?nèi)容上，由于樣本數(shù)據(jù)存在樣本量較少、所含字段內(nèi)容有限，無(wú)法更多地考慮季節(jié)、道路類(lèi)型、坡度、車(chē)型等因素對(duì)私家純電動(dòng)汽車(chē)快速充電行為的影響；研究方法上，且僅使用Logistic 回歸分析方法，未對(duì)其他方法作進(jìn)一步對(duì)比.未來(lái)將搜集更全面的數(shù)據(jù)、使用更多分類(lèi)算法對(duì)電動(dòng)汽車(chē)快速充電行為做進(jìn)一步分析.