蔣林洳，龍羿，李興源，張?jiān)?，陳?/p>

(1.中國(guó)電力科學(xué)研究院有限公司用電與能效研究所檢測(cè)中心(北京市電動(dòng)汽車(chē)充換電工程技術(shù)研究中心)，北京 100192； 2.國(guó)網(wǎng)重慶市電力公司營(yíng)銷(xiāo)服務(wù)中心，重慶 401123； 3.東南大學(xué) 電氣工程學(xué)院，南京 210096)

0 引 言

自2012年制定《節(jié)能與新能源汽車(chē)發(fā)展規(guī)劃(2011年～2020年)》后，我國(guó)電動(dòng)汽車(chē)市場(chǎng)進(jìn)入自主品牌快速發(fā)展的新階段。2015年，我國(guó)新能源汽車(chē)?yán)塾?jì)產(chǎn)銷(xiāo)突破50 萬(wàn)輛，對(duì)全球市場(chǎng)的貢獻(xiàn)超過(guò)一半。2016年我國(guó)電動(dòng)汽車(chē)的保有量達(dá)到109 萬(wàn)輛，已成為全球規(guī)模最大的新能源汽車(chē)制造國(guó)[1-2]。

考慮到其經(jīng)濟(jì)性及環(huán)境保護(hù)作用，電動(dòng)汽車(chē)將成為未來(lái)各國(guó)經(jīng)濟(jì)增長(zhǎng)的重要組成部分[3-4]，分析電動(dòng)汽車(chē)用車(chē)行為，有利于電動(dòng)汽車(chē)負(fù)荷預(yù)測(cè)以及有序充電策略的制定等。文獻(xiàn)[5-6]從新能源汽車(chē)的發(fā)展歷程切入，將2019年政府補(bǔ)貼下降的不利影響做了部分歸納，同時(shí)指出稅收優(yōu)惠等配套政策將給產(chǎn)業(yè)帶來(lái)新的動(dòng)力；文獻(xiàn)[7-10]借助相關(guān)數(shù)學(xué)模型，對(duì)國(guó)外電動(dòng)汽車(chē)用戶(hù)出行行為進(jìn)行研究，其中John G等人將Nissan LEAF電動(dòng)汽車(chē)作為研究對(duì)象，進(jìn)一步探討了用戶(hù)的充電行為特征；文獻(xiàn)[11]采用探索性空間數(shù)據(jù)分析(ESDA)技術(shù)對(duì)上海市的出租汽車(chē)統(tǒng)計(jì)信息進(jìn)行分析，利用莫倫值(Moran’s I)進(jìn)行評(píng)估，表明出租汽車(chē)出行具有較強(qiáng)的空間正相關(guān)性，與中心商業(yè)區(qū)的活動(dòng)高度相關(guān)，時(shí)空結(jié)構(gòu)穩(wěn)定；文獻(xiàn)[12]對(duì)共享汽車(chē)這一新型出行方式進(jìn)行了初步分析，基于EVCARD公司的訂單數(shù)據(jù)，借助描述性統(tǒng)計(jì)量分析用戶(hù)通勤時(shí)段出行特征；文獻(xiàn)[13]利用數(shù)據(jù)挖掘等方法，分析了城市級(jí)物流電動(dòng)汽車(chē)充電行為規(guī)律，得到了服從正態(tài)分布的充電前后SOC模型，為用戶(hù)的出行策略提供科學(xué)支持；文獻(xiàn)[14]采用聚類(lèi)法，研究了共享汽車(chē)用戶(hù)行為與企業(yè)利潤(rùn)間的關(guān)系，并借助多層感知神經(jīng)網(wǎng)絡(luò)對(duì)不同用戶(hù)進(jìn)行了分類(lèi)預(yù)測(cè)；文獻(xiàn)[15]基于蒙特利爾地區(qū)用戶(hù)的用車(chē)數(shù)據(jù)，采用數(shù)據(jù)挖掘等方法按用戶(hù)特征進(jìn)行群體分類(lèi)；文獻(xiàn)[16]建立了數(shù)據(jù)驅(qū)動(dòng)的線(xiàn)性回歸模型，分析得出停車(chē)位的數(shù)量是影響用戶(hù)出行的首要因素；文獻(xiàn)[17]結(jié)合地理信息對(duì)電動(dòng)汽車(chē)訂單數(shù)據(jù)進(jìn)行時(shí)空特性分析，利用線(xiàn)性回歸的方法對(duì)訂單量進(jìn)行預(yù)測(cè)。

隨著電動(dòng)汽車(chē)行業(yè)發(fā)展，其帶來(lái)的居民出行模式改變問(wèn)題不容忽視，將成為城市交通領(lǐng)域的熱點(diǎn)問(wèn)題，探討不同電動(dòng)汽車(chē)車(chē)型的出行規(guī)律具有較高研究?jī)r(jià)值?；趯?shí)測(cè)用戶(hù)訂單數(shù)據(jù)，對(duì)某地2018年12月1日～12月30日的電動(dòng)汽車(chē)數(shù)據(jù)進(jìn)行分析，得到公交車(chē)、運(yùn)輸車(chē)、私家車(chē)、租賃車(chē)四種車(chē)型的出行預(yù)測(cè)規(guī)律，并采用蒙特卡洛法對(duì)區(qū)域電動(dòng)汽車(chē)負(fù)荷進(jìn)行建模預(yù)測(cè)。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)采集格式

截止目前，采用的平臺(tái)數(shù)據(jù)庫(kù)存儲(chǔ)了從2018年12月1日～2018年12月30日共計(jì)1 656 776條電動(dòng)汽車(chē)數(shù)據(jù)，時(shí)間跨度為30天。篩選出其中數(shù)量較多的車(chē)型，最終得到1 541 923條初選數(shù)據(jù)，源數(shù)據(jù)保留率為93.07%。每條數(shù)據(jù)包含了用戶(hù)的多維用車(chē)行為信息，包括車(chē)型、采集時(shí)間、車(chē)輛SOC、里程數(shù)以及行駛速度(見(jiàn)表1)。

表1 采集數(shù)據(jù)格式

表1中，車(chē)型包括電動(dòng)公交車(chē)、電動(dòng)運(yùn)輸車(chē)、電動(dòng)私家車(chē)、電動(dòng)租賃車(chē)四大類(lèi);數(shù)據(jù)采集時(shí)間包括采集起始時(shí)間(Time_start)與采集結(jié)束時(shí)間(Time_end)。車(chē)輛SOC包括車(chē)輛起始SOC(Soc_start)與車(chē)輛結(jié)束SOC(Soc_end)；里程數(shù)默認(rèn)為車(chē)輛里程計(jì)數(shù)器計(jì)數(shù)，包括起始里程數(shù)(Mileage_start)與結(jié)束里程數(shù)(Mileage_end)；行駛速度包括最大速度(Speed_max)與最小速度(Speed_min)。

1.2 數(shù)據(jù)預(yù)處理流程

采集到數(shù)據(jù)中存在一定數(shù)量的異常數(shù)據(jù)與數(shù)據(jù)缺失情況(見(jiàn)圖1)，按Step1～Step4對(duì)其進(jìn)行預(yù)處理，刪除異常數(shù)據(jù)并補(bǔ)充缺失部分。

圖1 異常數(shù)據(jù)與數(shù)據(jù)缺失

Step 1：輸入數(shù)據(jù)，根據(jù)電動(dòng)汽車(chē)公司統(tǒng)計(jì)數(shù)據(jù)得知，車(chē)輛啟動(dòng)到車(chē)輛停止至少需要4 min，各車(chē)型單次用車(chē)時(shí)間小于12 h，即滿(mǎn)足條件4 min≤ (Time_end-Time_start)≤12 h，否則將其刪除；

Step 2：由于采集的數(shù)據(jù)為用車(chē)信息，不包含電動(dòng)汽車(chē)充電數(shù)據(jù)，若滿(mǎn)足Soc_end>Soc_start且Soc_start≤100，否則將其刪除；

Step 3：默認(rèn)里程計(jì)數(shù)滿(mǎn)足條件Mileage_end> Mlieage_start，根據(jù)用戶(hù)用車(chē)經(jīng)驗(yàn)值，單次行駛里程同時(shí)滿(mǎn)足(Mileage_end- Mlieage_start)≤100 km，否則將其刪除；

Step 4：假設(shè)采集到的數(shù)據(jù)為某一完整的行駛過(guò)程，則該過(guò)程中最小速度滿(mǎn)足條件Speed_min=0，否則將其刪除。

由于數(shù)據(jù)采集過(guò)程中會(huì)收到通信質(zhì)量、收發(fā)端不穩(wěn)定等因素影響，會(huì)有部分?jǐn)?shù)據(jù)缺失關(guān)鍵信息或丟失等現(xiàn)象，針對(duì)此情況，本研究過(guò)程采用拉格朗日插值法[18]進(jìn)行補(bǔ)充，。經(jīng)過(guò)預(yù)處理后，異常數(shù)據(jù)占比最大不超過(guò)2%(見(jiàn)表2)。

表2 各車(chē)型采集數(shù)據(jù)預(yù)處理結(jié)果

2 多類(lèi)型電動(dòng)汽車(chē)用車(chē)行為分析

基于數(shù)據(jù)預(yù)處理結(jié)果，采用數(shù)學(xué)統(tǒng)計(jì)方法對(duì)15 419 223條訂單數(shù)據(jù)進(jìn)行聚類(lèi)分析，從用戶(hù)出行里程、用戶(hù)停車(chē)率量方面進(jìn)行線(xiàn)性回歸分析，分別按24 h(每日)的時(shí)間跨度進(jìn)行用戶(hù)出行規(guī)律歸納，并建立了相關(guān)用車(chē)行為模型(見(jiàn)圖2)。

圖2 多類(lèi)型電動(dòng)汽車(chē)用車(chē)行為分析流程

如圖2所示，首先逐條輸入采集到的的電動(dòng)汽車(chē)訂單數(shù)據(jù)，格式如表1所示；然后按1.2章節(jié)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，刪除部分無(wú)效數(shù)據(jù)并對(duì)部分缺失數(shù)據(jù)進(jìn)行補(bǔ)充；提取數(shù)據(jù)中的出行里程與出行時(shí)間信息，分別采用K-S(Kolmogorov-Smirnov)法、J-B(Jarque-Bera)法等方法驗(yàn)證分布特性，并采用極大似然法擬合曲線(xiàn)，最后形成出行里程、停車(chē)率模型。

2.1 各車(chē)型用戶(hù)出行里程分布

將訂單數(shù)據(jù)按用戶(hù)單次出行距離進(jìn)行分類(lèi)，即單次出行距離=(Mileage_end-Mileage_start)，分組間隔為5 km，得到所示的用戶(hù)出行里程分布(見(jiàn)圖3)。

圖3 用戶(hù)出行里程分布圖

分別對(duì)各車(chē)型用戶(hù)數(shù)據(jù)采用K-S檢驗(yàn)(Kolmogorov-Smirnov檢驗(yàn))方法進(jìn)行檢驗(yàn)，即：

(1)

(2)

(3)

式中Fn(x)為樣本集的累計(jì)分布函數(shù)；F(x)為假設(shè)的理論分布函數(shù)；I為冪函數(shù)。基于Glivenko-Cantelli理論，若Xi服從理論分布F(x)，則n趨于無(wú)窮時(shí)Dn趨于0。本節(jié)假設(shè)用戶(hù)用車(chē)?yán)锍谭膬绾瘮?shù)分布，采用K-S方法檢驗(yàn)，然后由極大似然法擬合曲線(xiàn)，得到分布模型(見(jiàn)表3)。

表3 多車(chē)型用戶(hù)出行里程分布模型

2.2 各車(chē)型用戶(hù)停車(chē)時(shí)間分布

數(shù)據(jù)經(jīng)過(guò)預(yù)處理后，對(duì)每日的分時(shí)用車(chē)數(shù)量進(jìn)行統(tǒng)計(jì)分析，間隔取1 h，可得每日0～24 h的用車(chē)數(shù)量分布(見(jiàn)圖4)。

圖4 多車(chē)型每日分時(shí)出行數(shù)量分布

將圖4所示數(shù)據(jù)按式(4)進(jìn)行處理，進(jìn)一步得到各車(chē)型用戶(hù)的分時(shí)停車(chē)率信息。

(4)

式中SCk(i)為i時(shí)刻第k種車(chē)型的停車(chē)率；CAk(i)為i時(shí)刻第k種車(chē)型的出行數(shù)量；CAk為統(tǒng)計(jì)數(shù)據(jù)中第k種車(chē)型的總數(shù)量，將圖4所示的出行數(shù)量轉(zhuǎn)化為用戶(hù)停車(chē)率分布,如圖5所示。

圖5 多車(chē)型每日分時(shí)停車(chē)率分布

3 多類(lèi)型電動(dòng)汽車(chē)充電負(fù)荷建模

根據(jù)第2章的統(tǒng)計(jì)結(jié)果，已知電動(dòng)汽車(chē)單日出行里程服從表3所示的分布函數(shù)。結(jié)合充電時(shí)間、電池參數(shù)等對(duì)電動(dòng)汽車(chē)充電負(fù)荷進(jìn)行模擬仿真。

3.1 電池參數(shù)設(shè)置

假設(shè)電動(dòng)汽車(chē)為已知電動(dòng)汽車(chē)車(chē)型、常規(guī)行駛電池耗量、以及充電樁功率，充電需求時(shí)間為：

(5)

式中e為該車(chē)型每公里耗電量(kWh/km)；Xcar為該車(chē)型每日的出行里程數(shù)(km)；Pcharge為該充電樁的充電功率(快充與慢充)；T為充電需求時(shí)間。參考市場(chǎng)上的具體車(chē)型數(shù)據(jù)，四類(lèi)電動(dòng)汽車(chē)車(chē)型具體參數(shù)如表4所示。

表4 四類(lèi)電動(dòng)汽車(chē)參數(shù)

3.2 充電時(shí)間概率分布

若當(dāng)?shù)趇條數(shù)據(jù)的Soc_end小于第i+1條數(shù)據(jù)的Soc_start，則可認(rèn)為第i條數(shù)據(jù)的Time_end為充電起始時(shí)刻。結(jié)合2.2節(jié)統(tǒng)計(jì)結(jié)果與車(chē)輛運(yùn)行規(guī)律，對(duì)每日充電次數(shù)、充電類(lèi)型選擇、分布概率模型加以數(shù)學(xué)約束，則可估計(jì)多車(chē)型的充電時(shí)間概率分布(見(jiàn)表5)。

表5 多車(chē)型充電時(shí)間分布

電動(dòng)私家車(chē)具有的非盈利特性，默認(rèn)其充電不設(shè)限制時(shí)長(zhǎng)，即每次充電直至充滿(mǎn)電為止。

3.3 電動(dòng)汽車(chē)充電負(fù)荷仿真

將表5的充電時(shí)間分布結(jié)合蒙特卡洛模擬法(Monte Carlo)，即可對(duì)區(qū)域集群性的電動(dòng)汽車(chē)負(fù)荷進(jìn)行模擬仿真，通過(guò)產(chǎn)生隨機(jī)數(shù)來(lái)模擬具有不確定性的電動(dòng)汽車(chē)充電行為(見(jiàn)圖6)。

圖6 電動(dòng)汽車(chē)負(fù)荷仿真流程

為了簡(jiǎn)化計(jì)算流程，仿真設(shè)定了下列條件：

(1)由于在大部分電池的充電過(guò)程中，恒流充電占據(jù)了主導(dǎo)地位[19]，所有類(lèi)型充電方式視為恒流充電，且忽略其他隨機(jī)因素的影響；

(2)所有車(chē)輛只在表5所示的規(guī)定時(shí)段內(nèi)充電，其他時(shí)段充電負(fù)荷量予以忽略；

(3)區(qū)域內(nèi)的總負(fù)荷為獨(dú)立車(chē)輛充電負(fù)荷的疊加，即對(duì)同時(shí)刻的不同車(chē)型充電負(fù)荷進(jìn)行求和。

根據(jù)2030年中國(guó)汽車(chē)保有量按等比例設(shè)置電動(dòng)公交車(chē)500 輛，電動(dòng)運(yùn)輸車(chē)800 輛，電動(dòng)私家車(chē)20 000 輛，電動(dòng)出租車(chē)1 000 輛，不考慮私家車(chē)的工作日/休息日用車(chē)行為差異[20-21]。仿真結(jié)果精確至分鐘，循環(huán)次數(shù)N=5 000。按圖6的流程，抽取每日行駛里程與充電開(kāi)始時(shí)間，并計(jì)算充電時(shí)長(zhǎng)，形成各車(chē)型充電曲線(xiàn)(見(jiàn)圖7)。

圖7 各車(chē)型充電負(fù)荷仿真結(jié)果

為量化評(píng)價(jià)各車(chē)型的充電負(fù)荷，統(tǒng)計(jì)各車(chē)型充電量占比以及峰值最大負(fù)荷(見(jiàn)表6)。

根據(jù)圖8與表6，由于電動(dòng)私家車(chē)的數(shù)量較多，電動(dòng)出租車(chē)默認(rèn)采用快速充電模式，二者產(chǎn)生的負(fù)荷峰值遠(yuǎn)高于電動(dòng)公交車(chē)與電動(dòng)運(yùn)輸車(chē)，同時(shí)電動(dòng)私家車(chē)、電動(dòng)出租車(chē)為充電負(fù)荷的主要來(lái)源，分別占比54.51%與23.80%。將圖8的各車(chē)型充電負(fù)荷累加，可得該區(qū)域內(nèi)的電動(dòng)汽車(chē)集群充電負(fù)荷。

表6 各車(chē)型充電負(fù)荷占比

圖8 電動(dòng)汽車(chē)負(fù)荷仿真結(jié)果

為量化電動(dòng)汽車(chē)集群對(duì)區(qū)域用電負(fù)荷的影響，結(jié)合某地區(qū)的典型日用電負(fù)荷(精確至分鐘)，分析電動(dòng)汽車(chē)負(fù)荷對(duì)電網(wǎng)的影響(見(jiàn)圖9)。

圖9 電動(dòng)汽車(chē)負(fù)荷對(duì)電網(wǎng)的影響

圖9中，由于四種類(lèi)型的電動(dòng)汽車(chē)均處于無(wú)序充電狀態(tài)，9:00～15:00之間出現(xiàn)了“峰上加峰”現(xiàn)象，電網(wǎng)運(yùn)行負(fù)荷進(jìn)一步增加。同時(shí)，由于電動(dòng)汽車(chē)的移動(dòng)儲(chǔ)能特性，23:00～05:00之間的谷時(shí)負(fù)荷得到了一定的補(bǔ)充。

4 結(jié)束語(yǔ)

基于電動(dòng)汽車(chē)平臺(tái)的實(shí)測(cè)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行了分析與處理，刪除部分異常數(shù)據(jù)；通過(guò)分析電動(dòng)汽車(chē)用戶(hù)的用車(chē)?yán)锍膛c停車(chē)時(shí)間分布，得到不同用戶(hù)的用車(chē)行為模型；通過(guò)蒙特卡洛模擬法對(duì)四種類(lèi)型電動(dòng)汽車(chē)的總充電負(fù)荷進(jìn)行了仿真分析，得出以下結(jié)論：

(1)電動(dòng)私家車(chē)、電動(dòng)出租車(chē)的充電量占比較大，具有巨大的電網(wǎng)調(diào)度空間，結(jié)合具體運(yùn)營(yíng)模式，有潛力作為新能源并網(wǎng)的緩沖儲(chǔ)能設(shè)施以及負(fù)荷側(cè)削峰填谷的重要手段；

(2)針對(duì)具體區(qū)域的電動(dòng)汽車(chē)負(fù)荷，在無(wú)序充電的情況下會(huì)產(chǎn)生不同程度的“峰上加峰”的情況，增加電網(wǎng)峰谷差，降低運(yùn)行效率?？梢越Y(jié)合分時(shí)電價(jià)、有序充電等策略引導(dǎo)負(fù)荷轉(zhuǎn)移，減少電網(wǎng)運(yùn)行壓力與用戶(hù)充電成本。