李 浩，陳 鈺，俞 璐，涂輝招

（1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2.上海市英特爾亞太研發(fā)有限公司，上海 200241；3.廈門(mén)市國(guó)土空間和交通研究中心，福建廈門(mén) 361000）

上海充換電設(shè)施公共數(shù)據(jù)采集與監(jiān)測(cè)市級(jí)平臺(tái)統(tǒng)計(jì)數(shù)據(jù)顯示，截止2020年12月底，上海市新能源汽車(chē)已經(jīng)超過(guò)42萬(wàn)輛，全市充換電設(shè)施共計(jì)376 908個(gè)，車(chē)樁比約1.1：1。然而，公共充電樁的使用率僅為1.95%。巨大的充電需求與較低的公共充電樁使用率共存，表明新能源汽車(chē)用戶充電需求的時(shí)空分布不均衡，也在一定程度上反映了公共充電樁布局與用戶充電需求不匹配。充電樁是充電行為的載體。對(duì)新能源汽車(chē)用戶充電行為進(jìn)行科學(xué)解析，是完善充電樁布局配置的基礎(chǔ)。電動(dòng)汽車(chē)用戶群體存在個(gè)體偏好差異，呈現(xiàn)不同的充電行為特征。甄別充電用戶群體，對(duì)不同群體用戶途中充電行為進(jìn)行解析，可以更真實(shí)地理解用戶充電行為，為充電設(shè)施布局提供更科學(xué)的技術(shù)支撐。

根據(jù)充電位置的偏好，充電行為可以分為兩類(lèi)：固定充電行為和靈活充電行為［1-2］。靈活的充電行為是指發(fā)生于公共充電樁的途中充電行為，與公共充電樁的配置密切相關(guān)。分析途中充電行為的常用的方法是離散選擇模型［3-7］。而針對(duì)電動(dòng)汽車(chē)潛在類(lèi)別用戶充電行為的研究大多使用潛在類(lèi)別Logit模型（latent class logit，LCL）。如Yu和Mackenzie［4］利用LCL模型發(fā)現(xiàn)某些類(lèi)別的用戶，在家中或一天的最后一次旅行之后更有可能進(jìn)行充電。Wang等［8］則應(yīng)用LCL模型識(shí)別服務(wù)敏感型和注重務(wù)實(shí)型兩類(lèi)用戶。純電動(dòng)汽車(chē)（battery electric vehicle，BEV）由于電池容量的限制，續(xù)航里程仍小于燃油車(chē)［1］。電池在行駛途中動(dòng)力耗盡的擔(dān)憂通常被稱為里程焦慮［9］，影響了BEV用戶的充電選擇。不同風(fēng)險(xiǎn)態(tài)度的用戶群體呈現(xiàn)不同程度的里程焦慮。Pan等［10］基于160份中國(guó)EV用戶問(wèn)卷，利用LCL模型將EV用戶人群分為風(fēng)險(xiǎn)規(guī)避型和風(fēng)險(xiǎn)追求型兩類(lèi)用戶。但Pan等［10］使用的是用戶陳述偏好數(shù)據(jù)。近年來(lái)，部分學(xué)者利用充電樁交易數(shù)據(jù)［11-13］甄別BEV用戶充電行為的類(lèi)型，但由于缺乏電池電量、行駛時(shí)間等BEV用戶行為真實(shí)數(shù)據(jù)，因此無(wú)法全面了解BEV用戶充電行為機(jī)理。

本文開(kāi)展數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分析。基于BEV實(shí)際運(yùn)行數(shù)據(jù)，采用K-means聚類(lèi)方法對(duì)充電用戶進(jìn)行聚類(lèi)分析，對(duì)不同類(lèi)別的BEV用戶途中充電行為進(jìn)行解析，揭示電動(dòng)汽車(chē)用戶途中充電行為特征，探究途中充電行為規(guī)律，為充電設(shè)施科學(xué)合理規(guī)劃布局提供技術(shù)支撐。

1 分析模型

數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分類(lèi)分析模型主要包括三部分：數(shù)據(jù)預(yù)處理、途中充電行為識(shí)別和潛在偏好聚類(lèi)分析?？傮w流程圖如圖1所示。

圖1 數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分類(lèi)分析流程Fig.1 Data-driven classification process for BEV enroute charging behaviors considering latent preferences

1.1 數(shù)據(jù)預(yù)處理

受設(shè)備故障、信號(hào)干擾等因素影響，原始采集到的BEV數(shù)據(jù)存在錯(cuò)誤的車(chē)輛狀態(tài)、異常的累積行駛里程和SOC（電池電量）、超出邊界的GPS（全球定位系統(tǒng)）坐標(biāo)、重復(fù)記錄等問(wèn)題。首先開(kāi)展數(shù)據(jù)清洗和篩選有效數(shù)據(jù)等數(shù)據(jù)預(yù)處理工作。數(shù)據(jù)清洗的工作主要包含數(shù)據(jù)去重和異常數(shù)據(jù)處理兩方面的內(nèi)容。異常數(shù)據(jù)包括SOC為負(fù)、速度為負(fù)、累積行駛里程變小、車(chē)輛運(yùn)行狀態(tài)錯(cuò)誤等。異常數(shù)據(jù)處理主要根據(jù)字段間存在的邏輯約束，對(duì)相關(guān)字段進(jìn)行分析，補(bǔ)全空值、零值、缺失值，修正錯(cuò)誤的數(shù)值［14］。

1.2 途中充電行為識(shí)別

為研究BEV用戶途中充電行為，需要對(duì)BEV用戶的充電事件進(jìn)行劃分與識(shí)別，并根據(jù)充電位置對(duì)充電地點(diǎn)進(jìn)行分類(lèi)。

1.2.1事件識(shí)別與劃分

出行識(shí)別是從時(shí)空信息提取出行信息的過(guò)程.基本思路是根據(jù)GPS軌跡中的停留和移動(dòng)狀態(tài)，將GPS軌跡分段，確定每一次出行的開(kāi)始和結(jié)束時(shí)刻。國(guó)內(nèi)外已有相對(duì)成熟的GPS出行識(shí)別研究，主要通過(guò)尋找符合車(chē)輛“停留”時(shí)特征的連續(xù)記錄點(diǎn)判為“停留”狀態(tài)。本文中BEV的電池電量狀態(tài)變化為出行識(shí)別增加了新的維度，即充電狀態(tài)。為保證數(shù)據(jù)的連續(xù)性和有效性，對(duì)數(shù)據(jù)集進(jìn)行充電事件和出行事件的劃分處理。事件的識(shí)別基于以下三個(gè)規(guī)則：

（1）識(shí)別修正停留段：識(shí)別車(chē)輛行駛里程長(zhǎng)時(shí)間保持不變且車(chē)輛速度持續(xù)為0的事件段，更改為停留狀態(tài)。長(zhǎng)時(shí)間停留狀態(tài)的閾值設(shè)10 min，即10 min以上為停留段，10 min以下可能為行駛過(guò)程中暫時(shí)停留，如擁堵或停車(chē)?yán)U費(fèi)等行為。

（2）識(shí)別修正充電段：以SOC開(kāi)始上升時(shí)刻作為充電開(kāi)始時(shí)刻，以SOC停止上升時(shí)刻作為充電結(jié)束時(shí)刻。若SOC達(dá)到100%，將SOC達(dá)到100%的時(shí)刻作為充電結(jié)束時(shí)刻，而非拔掉插頭時(shí)刻。此外，識(shí)別長(zhǎng)時(shí)間處于充電狀態(tài)的數(shù)據(jù)段，對(duì)記錄時(shí)間出現(xiàn)大幅跳躍的相鄰數(shù)據(jù)進(jìn)行分割。

（3）識(shí)別修正行程段：累積行駛里程發(fā)生變化且速度不為0的記錄段為行程段。此外，識(shí)別長(zhǎng)時(shí)間處于行駛狀態(tài)的數(shù)據(jù)段，對(duì)記錄時(shí)間出現(xiàn)大幅跳躍的相鄰數(shù)據(jù)進(jìn)行分割。

最后，將行程段與充電段按時(shí)間順序整合，形成能夠反映用戶出行行為與充電行為關(guān)聯(lián)的事件集。對(duì)間隔時(shí)間較短的同類(lèi)事件段進(jìn)行拼接處理，以獲得更加接近實(shí)際的事件集合。事件集的字段包含：事件開(kāi)始與結(jié)束的時(shí)間、SOC、位置等。事件間未被記錄的時(shí)間段為停留段或數(shù)據(jù)缺失段。

完成事件集的創(chuàng)建后，依據(jù)以下條件判定事件的合理性及有效性：①充電段前后存在累積行駛里程變化；②充電段首尾有電池電量狀態(tài)的上升；③充電時(shí)長(zhǎng)或行駛時(shí)長(zhǎng)短于10 h，大于2 min；④單個(gè)行程段距離不超過(guò)180 km。

1.2.2途中充電行為識(shí)別

根據(jù)電動(dòng)汽車(chē)用戶的充電位置對(duì)途中充電行為進(jìn)行識(shí)別，若能判斷充電位置是住址或工作地，則該充電行為是固定地點(diǎn)充電行為，否則為途中充電行為。

首先對(duì)BEV用戶的家和工作地進(jìn)行識(shí)別，刪除節(jié)假日出行記錄。Wu等［15］指出識(shí)別用戶的工作地點(diǎn)需關(guān)注兩個(gè)指標(biāo)：長(zhǎng)時(shí)間在非家地點(diǎn)的停留、到達(dá)這個(gè)非家地點(diǎn)的頻率。假設(shè)用戶在一天的最后一次行程結(jié)束至第二天的第一次行程開(kāi)始處在相同位置，通過(guò)分析多日數(shù)據(jù)記錄中白天與夜晚的長(zhǎng)時(shí)間停留（超過(guò)2 h）的地點(diǎn)，統(tǒng)計(jì)提取家與工作地位置。由于住址或工作地周邊存在多個(gè)充電樁停車(chē)位，經(jīng)緯度略有差別，實(shí)際上應(yīng)識(shí)別為同一位置，因此本文提出一個(gè)位置識(shí)別算法，提取家和工作地點(diǎn)。識(shí)別流程如圖2所示。首先篩選出大于2 h的整合停留段，通過(guò)停留段的時(shí)間分布（白天或夜晚）確定是否為家或工作單位的候選點(diǎn)。其次，根據(jù)圖2右側(cè)的位置篩選算法，識(shí)別記錄次數(shù)大于一半出行日（出行天數(shù)的記錄數(shù)，用T表示）的位置，從而篩選出經(jīng)常性、高頻率、長(zhǎng)時(shí)間的地點(diǎn)作為家（夜間時(shí)段）或工作地點(diǎn)（白天時(shí)段）。

研究前期針對(duì)25輛車(chē)的小樣本數(shù)據(jù)，對(duì)篩選出的家和工作地進(jìn)行了驗(yàn)證。通過(guò)對(duì)照地圖，確認(rèn)家和工作地位置的POI（住宅區(qū)、工作區(qū)）是否正確，不斷調(diào)整圖2參數(shù)使得篩選的位置與實(shí)際用地性質(zhì)一致。然后，使用驗(yàn)證后的篩選方法對(duì)大樣本數(shù)據(jù)進(jìn)行處理。未對(duì)300輛BEV車(chē)輛的數(shù)據(jù)逐一驗(yàn)證，采用了隨機(jī)抽樣的方法進(jìn)行部分驗(yàn)證以保證停留點(diǎn)識(shí)別結(jié)果的準(zhǔn)確性。

圖2 家和工作地位置識(shí)別流程Fig.2 Home and work location identification process

獲取各BEV用戶家和工作地位置后，對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)。若家和工作地的位置同時(shí)存在，認(rèn)為該BEV用戶為通勤用戶；如果工作地位置不存在，或家和工作地位置距離過(guò)近，認(rèn)為該BEV用戶為非通勤用戶；若住址位置不存在，則標(biāo)記該BEV數(shù)據(jù)無(wú)效，作刪除處理。通過(guò)剔除各BEV用戶在家或工作地的充電事件，可得到所有用戶非家和非工作地的充電事件，即完成了途中充電事件集的創(chuàng)建。

1.3 途中充電行為潛在偏好聚類(lèi)分析

BEV用戶在公共充電樁的途中充電行為具有時(shí)空不確定性，但BEV用戶對(duì)充電的偏好可能具有一定的規(guī)律性或相似性。對(duì)BEV用戶途中充電行為潛在偏好模式進(jìn)行細(xì)分，可以獲取BEV途中充電行為的異質(zhì)性和規(guī)律性等特征。聚類(lèi)分析可以在沒(méi)有給定明確界限劃分的情況下，根據(jù)數(shù)據(jù)相似程度對(duì)樣本進(jìn)行分組，有效實(shí)現(xiàn)對(duì)用戶途中充電潛在偏好行為的劃分。K-means聚類(lèi)［16］是基于距離的無(wú)監(jiān)督式非層次聚類(lèi)算法，在大數(shù)據(jù)處理方面表現(xiàn)出比系統(tǒng)聚類(lèi)更強(qiáng)的優(yōu)勢(shì)。本文從計(jì)算復(fù)雜性低、高維數(shù)據(jù)等方面考慮，選用K-means聚類(lèi)方法，其原理是在最小化誤差函數(shù)的基礎(chǔ)上將數(shù)據(jù)劃分為預(yù)定的K類(lèi)別，采用距離作為相似性的評(píng)級(jí)指標(biāo)，相似性度量主要依據(jù)歐氏距離。K-means聚類(lèi)算法需要人為輸入分類(lèi)數(shù)目，一般應(yīng)用“肘部法則”計(jì)算最佳分類(lèi)數(shù)。肘部法則的計(jì)算原理是以成本函數(shù)最小化為目標(biāo).在選擇類(lèi)別數(shù)量上，肘部法則會(huì)把不同K值的成本函數(shù)值作圖。隨著值的增大，平均畸變程度會(huì)減??；每個(gè)類(lèi)包含的樣本數(shù)會(huì)減少，樣本離其類(lèi)質(zhì)心會(huì)更近。但是，隨著K值繼續(xù)增大，平均畸變程度的改善效果會(huì)不斷減低。K值增大過(guò)程中，畸變程度的改善效果下降幅度最大的位置對(duì)應(yīng)的K值就是肘部，即最佳分類(lèi)數(shù)。

2 實(shí)際運(yùn)行數(shù)據(jù)分析與討論

2.1 數(shù)據(jù)概況

BEV數(shù)據(jù)來(lái)自上海新能源汽車(chē)公共數(shù)據(jù)采集與 監(jiān) 測(cè) 研 究 中 心（SHEVDC）［17］，包 含2016.9～2017.9期間，300輛BEV一年的實(shí)際運(yùn)行數(shù)據(jù)。安裝在BEV汽車(chē)內(nèi)的車(chē)載信息采集傳輸終端，通過(guò)GPRS無(wú)線傳輸技術(shù)，以一定的時(shí)間周期（通常30 s）定時(shí)向SHEVDC發(fā)送車(chē)輛充放電、移動(dòng)、停止等狀態(tài)的運(yùn)行數(shù)據(jù)。數(shù)據(jù)字段主要包括：采集時(shí)間、GPS位置、方向、累計(jì)行駛里程、速度、SOC等。表1給出了BEV的原始數(shù)據(jù)（由于隱私，緯度信息未在表格中顯示）。車(chē)輛當(dāng)前狀態(tài)字段一欄中，1表示移動(dòng)；2表示充電；0表示停止。

表1 BEV原始數(shù)據(jù)Tab.1 Raw data of a particular BEV

2.2 途中充電行為特征分析

剔除樣本BEV中7輛年總出行里程不足200 km，總充電次數(shù)不足5次的BEV，剩余293輛BEV中共提取36 932個(gè)有效充電事件，其中途中充電樣本為3 508個(gè)。通勤（89名）與非通勤用戶（204名）不同位置充電事件占比如圖3所示。通勤用戶94%的充電事件發(fā)生在固定充電地點(diǎn)，非通勤用戶為87%。兩類(lèi)用戶在家充電事件占所有充電記錄分別為65%和87%，占比最大。通勤用戶途中充電的占比僅6%，非通勤用戶為13%，途中充電行為占較低，主要發(fā)揮應(yīng)急補(bǔ)充或順路充電（如購(gòu)物等）的作用。

圖3 通勤與非通勤用戶充電事件占比Fig.3 Proportion of charging events for commuters and non-commuters

對(duì)通勤用戶和非通勤用戶不同充電地點(diǎn)的充電開(kāi)始SOC（圖4）、充電時(shí)長(zhǎng)（圖5）作交叉分布箱形圖，圖中自上而下分別是最大值、上4分位數(shù)、中位數(shù)、下4分位數(shù)及最小值，其余散點(diǎn)是異常值。

如圖4所示，通過(guò)獨(dú)立樣本T檢驗(yàn)分析表明，兩類(lèi)用戶公共充電樁充電初始SOC無(wú)顯著性差異。比較在家充電的初始SOC差異，可以發(fā)現(xiàn)通勤用戶在家充電的起始電量較低，這是因?yàn)橥ㄇ谟脩粜谐桃?guī)律，在家充電的情況一般為晚上下班，因此電量較低；而非通勤用戶在家充電情況多樣且頻繁，更容易在電量較高時(shí)到家并開(kāi)始充電。通勤用戶工作地點(diǎn)初始SOC水平較家和途中高，因?yàn)榇蟛糠滞ㄇ谟脩魧⒃诩页潆娮鳛橹饕潆娔Ｊ?，工作地充電作為補(bǔ)充，在家滿電出發(fā)，到工作地再繼續(xù)補(bǔ)充。兩類(lèi)用戶在家充電的初始SOC水平較途中充電更高，原因是用戶午夜即使在電量較高時(shí)，仍會(huì)出于習(xí)慣在家充電，但途中充電是由于電量即將耗盡或低于安全電量，用戶因里程焦慮而選擇附近充電樁充電，因此初始電量較低。

圖4 通勤與非通勤用戶在不同充電地點(diǎn)初始SOC箱型圖Fig.4 Initial SOC box diagram for BEV commuters and non-commuters at different charging locations

圖5給出了通勤和非通勤用戶在不同充電位置的充電時(shí)長(zhǎng)。通勤用戶充電時(shí)長(zhǎng)分別為家＞工作地＞公共充電樁，這符合固定地點(diǎn)充電時(shí)間較長(zhǎng)，途中充電時(shí)間較短的預(yù)期。通勤用戶在家的充電時(shí)長(zhǎng)大于非通勤用戶。由于本文充電時(shí)長(zhǎng)的判定標(biāo)準(zhǔn)是充電開(kāi)始到拔掉插頭或電量到達(dá)100%的充電時(shí)長(zhǎng)，因此結(jié)論與通勤用戶在家充電初始SOC較低相吻合。通勤用戶與非通勤用戶的途中充電時(shí)間中位數(shù)、下4分位數(shù)大致相似，但通勤用戶上4分位數(shù)較長(zhǎng)，這說(shuō)明通勤用戶途中充電的異質(zhì)性較強(qiáng)，一部分用戶偏好長(zhǎng)時(shí)、慢充，但更大一部分用戶偏好短時(shí)、快充；非通勤用戶途中充電大多偏好快充。

圖5 通勤與非通勤用戶不同充電地點(diǎn)下充電時(shí)長(zhǎng)箱型圖Fig.5 Charging duration box diagram for BEV commuters and non-commuters at different charging locations

2.3 途中充電行為聚類(lèi)分析

BEV用戶途中充電行為異質(zhì)性較強(qiáng)，但通勤與非通勤用戶在途中起始SOC方面沒(méi)有顯著差異。為研究可能被掩蓋的“特殊”途中充電模式，對(duì)途中充電行為進(jìn)行細(xì)分，探究用戶途中充電行為的潛在分類(lèi)與偏好差異，對(duì)不同類(lèi)別用戶的途中充電行為進(jìn)行群體差異分析。

K-means聚類(lèi)分析需確定參與聚類(lèi)的特征指標(biāo)，避免使用相關(guān)性較強(qiáng)的變量進(jìn)行聚類(lèi)，通過(guò)皮爾遜相關(guān)性檢驗(yàn)，選取初始SOC［3］、距離上次充電的行程距離［3］、充電時(shí)長(zhǎng)［18-19］、充電速度［20］4個(gè)變量作為聚類(lèi)指標(biāo)：①充電開(kāi)始SOC能夠在一定程度上反映用戶的里程焦慮；②距離上次充電行駛距離能夠反映用戶對(duì)電池的利用策略；③充電時(shí)長(zhǎng)能夠反映用戶的停留時(shí)間偏好；④充電速度由充電段穩(wěn)定電流來(lái)表示，電流絕對(duì)值越大，代表充電速度越快，用以反映用戶對(duì)快慢充的偏好。

根據(jù)肘部法則和成本曲線（圖6），選取最佳聚類(lèi)數(shù)為4。通過(guò)K-means聚類(lèi)算法，將途中充電事件樣本聚為4類(lèi)，聚類(lèi)結(jié)果如表2所示，包括各類(lèi)樣本比例和聚類(lèi)中心。

圖6 成本函數(shù)曲線Fig.6 Curve of cost function

表2所示，聚類(lèi)得到樣本規(guī)模不同的4類(lèi)組群，其中組群1包含了44.3%的樣本，組群2包含了30.2%，前兩類(lèi)途中充電模式占據(jù)74.5%的樣本數(shù)量，代表了BEV用戶途中充電行為偏好模式。組群4占比最少，為9.9%。

具體分析每一類(lèi)途中充電行為模式的特征，對(duì)比組群間屬性特征分布，得到不同組群的特征規(guī)律，如圖7所示。表3歸納總結(jié)圖7中不同組群的潛在偏好差異性。

表3 途中充電行為組群特征總結(jié)Tab.3 Summary of cluster characteristics of enroute charging behavior

圖7 途中充電行為組群特征分析Fig.7 Cluster characteristics of en-route charging behavior

（1）組群1：低焦慮快充模式

組群1包含了44.3%的途中充電樣本，表現(xiàn)出較低的充電起始SOC，較高的上次充電行駛里程，歸為低焦慮用戶。偏好快充和較短的充電時(shí)長(zhǎng)（以150 km純電里程計(jì)算，－50 A的電流能夠在2 h內(nèi)為樣本車(chē)型加至滿電）。這種模式反映了用戶有經(jīng)驗(yàn)和良好的電池使用策略，在接近耗盡電池里程或達(dá)到最低可接受SOC的時(shí)候選擇較為快速的充電模式，充電時(shí)間短。因此組群1可歸納為低焦慮快充模式。

在硅晶圓上用磁控濺射、紫外光刻、離子束刻蝕工藝制備的鎳鉻薄膜電阻線寬精度≤±5%,阻值均一穩(wěn)定,電阻精度≤±0.5%,電學(xué)性能優(yōu)異,在高精度硅基無(wú)源集成電阻器方向有廣泛的應(yīng)用價(jià)值。

（2）組群2：高焦慮快充模式

組群2包含了30.2%的途中充電樣本，表現(xiàn)出較強(qiáng)的快充偏好，與組群1相似；不同之處在于組群2表現(xiàn)出較高的充電起始SOC和較短的上次充電行駛里程，在使用電池方面表現(xiàn)出高焦慮狀態(tài)。組群1、2共同構(gòu)成了74.5%的樣本數(shù)量，意味著大部分樣本BEV用戶在途中充電時(shí)更加傾向于使用快充模式。因此組群2可歸納為高焦慮快充模式。

（3）組群3：高焦慮隨時(shí)充電模式

組群3包含15.6%的途中充電樣本，充電起始SOC與上次充電行程距離的分布較為分散，可以認(rèn)為這類(lèi)用戶在途中充電時(shí)，電池電量狀態(tài)對(duì)充電行為的影響不大，一旦有充電機(jī)會(huì)就進(jìn)行充電。但總體而言，組群3在電池使用方面屬于高焦慮用戶，其聚類(lèi)中心充電起始SOC均值很高（49.5%），超過(guò)其他三個(gè)組群。因此組群3可歸納為高焦慮隨時(shí)充電模式。

（4）組群4：目的地充電模式

組群4是4個(gè)組群中占比最小的。與組群1類(lèi)似，表現(xiàn)出較低的充電起始SOC，較高的上次充電行駛里程，但充電時(shí)長(zhǎng)較為分散，偏好慢充，電池使用焦慮較低。這類(lèi)用戶可歸納為目的地充電類(lèi)型，將活動(dòng)與充電相結(jié)合，充分利用活動(dòng)時(shí)間進(jìn)行充電。此類(lèi)充電行為與通勤用戶的工作地充電模式相似，但在前期數(shù)據(jù)處理中已將工作地充電事件記錄從樣本中刪除，因此推測(cè)此類(lèi)組群充電時(shí)應(yīng)包含除工作以外的出行活動(dòng)，例如購(gòu)物、娛樂(lè)等。但此類(lèi)充電模式占比較小，推測(cè)用戶將長(zhǎng)時(shí)間活動(dòng)與充電事件相結(jié)合的行為在現(xiàn)實(shí)中除固定地點(diǎn)以外的應(yīng)用場(chǎng)景較少。

2.4 途中充電行為特征與組群特征的關(guān)聯(lián)研究

通過(guò)分析途中充電行為其他特征與組群類(lèi)型、通勤特征的關(guān)聯(lián)性，進(jìn)一步刻畫(huà)BEV用戶途中充電行為的差異性，揭示充電行為規(guī)律。

（1）途中充電開(kāi)始與結(jié)束時(shí)刻關(guān)聯(lián)特征

充電開(kāi)始時(shí)刻表示用戶開(kāi)始途中充電的時(shí)間，充電結(jié)束時(shí)刻表示用戶結(jié)束充電或者充電達(dá)到100%的時(shí)間。由圖8可知，低焦慮快充、高焦慮快充和隨時(shí)充電三類(lèi)用戶充電時(shí)刻分布相似，集中于中午、下午和晚上，少見(jiàn)于凌晨和上午。同時(shí)，這三類(lèi)用戶結(jié)束充電時(shí)刻的分布與開(kāi)始充電時(shí)刻相吻合，集中于中午、下午和晚上。由于這三類(lèi)用戶占據(jù)超過(guò)90%的樣本，三個(gè)組群的開(kāi)始充電時(shí)刻分布能夠代表上海市BEV用戶途中充電開(kāi)始時(shí)刻分布，可為未來(lái)研究提供數(shù)據(jù)基礎(chǔ)。目的地充電用戶表現(xiàn)出夜晚和凌晨的充電高峰，上午時(shí)段的充電結(jié)束高峰，與另三個(gè)組群有顯著差異，可見(jiàn)目的地充電常與夜間休息時(shí)間相結(jié)合。

圖8 四類(lèi)途中充電行為組群充電開(kāi)始與結(jié)束時(shí)刻分布圖Fig.8 Distribution of charging starting and ending time of the four types of en-route charging behaviors

（2）組群比例關(guān)聯(lián)特征

圖9統(tǒng)計(jì)了通勤與非通勤用戶組群比例分布，可以看出在非通勤用戶中，低焦慮快充模式占據(jù)最高比例（46.05%），高焦慮快充模式占31.67%，快充模式共占77.72%。上海非通勤用戶中存在一部分網(wǎng)約車(chē)司機(jī)，在一次訂單結(jié)束時(shí)或想要休息、用餐時(shí)，將車(chē)輛?？扛浇潆姌犊斐洌斐浣Y(jié)束后繼續(xù)接單。目的地充電用戶占據(jù)最低比例（8.7%），與總樣本中組群分布的情況相似。在通勤用戶中4種組群占比差距較小，該結(jié)果可能受樣本量的影響，因?yàn)楸疚淖R(shí)別的89位通勤用戶途中充電事件數(shù)量較少，大多在家或在工作地充電。樣本BEV通勤用戶途中充電事件的數(shù)量?jī)H占非通勤用戶的15.5%。

圖9 通勤與非通勤用戶組群比例分布圖Fig.9 Proportion of BEV commuters and non-commuters

3 結(jié)論與展望

基于位置識(shí)別算法甄別途中充電段，以初始剩余電池電量、上次充電后行駛里程、充電時(shí)長(zhǎng)和充電速度為核心指標(biāo)，利用K-means聚類(lèi)方法進(jìn)行BEV用戶途中充電行為潛在偏好分類(lèi)，并基于上海市300輛150 km續(xù)航里程BEV車(chē)載實(shí)際運(yùn)行數(shù)據(jù)開(kāi)展了模型驗(yàn)證，主要結(jié)論：

（1）提出了BEV實(shí)際運(yùn)行數(shù)據(jù)驅(qū)動(dòng)、結(jié)合電池電量狀態(tài)變化和GPS位置信息的BEV出行車(chē)輛停留段、出行段和充電段的識(shí)別方法；

（2）提出了BEV實(shí)際運(yùn)行數(shù)據(jù)驅(qū)動(dòng)的家和工作地位置的識(shí)別算法，區(qū)分通勤與非通勤用戶，甄別非家和非工作地的途中充電事件；

（3）利用K-means，BEV用戶的途中充電潛在偏好行為可聚類(lèi)為低焦慮快充（44.3%）：表現(xiàn)出較低的充電起始SOC，較高的上次充電后行駛里程，偏好快充和較短的充電時(shí)長(zhǎng)，具有良好的電池使用策略；高焦慮快充模式（30.2%）：偏好快充模式，但充電起始SOC較高；高焦慮隨時(shí)充電模式（15.6%）：充電起始SOC高且分散，偏好慢充；目的地充電模式（9.9%）：活動(dòng)與充電相結(jié)合的充電模式；

（4）高焦慮快充、低焦慮快充和隨時(shí)充電模式的途中充電行為具有相似的充電開(kāi)始與充電結(jié)束時(shí)刻分布，集中于中午、下午和晚上，少見(jiàn)于凌晨和上午。目的地充電模式的充電開(kāi)始與結(jié)束時(shí)刻的分布與前三種類(lèi)別具有顯著差異。

本文雖然使用同一車(chē)型BEV運(yùn)行數(shù)據(jù)，但提出的BEV途中充電段甄別方法和潛在偏好分類(lèi)算法均可推廣至其他車(chē)型。后續(xù)研究可擴(kuò)大研究的樣本量及車(chē)型，進(jìn)一步驗(yàn)證結(jié)論的可靠性和有效性。

作者貢獻(xiàn)聲明：

李浩：論文主要構(gòu)思者，指導(dǎo)數(shù)據(jù)分析，模型構(gòu)建及論文寫(xiě)作。

陳鈺：數(shù)據(jù)分析，模型構(gòu)建，論文撰寫(xiě)。

俞璐：數(shù)據(jù)分析，論文撰寫(xiě)。

涂輝招：數(shù)據(jù)分析指導(dǎo)，論文撰寫(xiě)指導(dǎo)及修改。