基于实车数据的插电式混合动力客车使用特征研究

张宇 侯岩凯

摘 要：文章选取了我国北京、重庆等6个城市共计169辆插电式混合动力公交客车为研究对象，通过新能源汽车国家监测与管理平台对其实际道路运行数据进行采集。基于2018年全年运行数据，构建了插电式混合动力客车使用特征数据库，并从出行和充电两方面对插电式混合动力客车的使用特征进行了分析。相关研究内容可为插电式混合动力客车能耗与排放测试方法研究奠定基础，为插电式混合动力客车能耗和排放测试方法与标准制定提供技术建议。

关键词：插电式混合动力 公交客车 数据驱动 使用特征

1 前言

插电式混合动力汽车（plug-in hybrid electric vehicle，PHEV）由于其特殊的优越性，正越来越受到市场的认可与企业的重视。PHEV的特殊之处表现在它综合了油、电两种能源，同时具备纯电动汽车（electric vehicle，EV）和混合动力汽车（hybrid electric vehicle，HEV）的优点。大量研究表明，PHEV相对传统内燃机汽车在能耗与排放方面存在一定的优势，且强烈依赖于车辆出行、充电特征[1-5]。

能耗和排放是PHEV两个最为重要的性能指标[6]，相对于传统燃油汽车、传统混合动力汽车及纯电动汽车，PHEV这两项指标的测试评价更为复杂，需要以我国PHEV实际使用情况为基础指定更为合理的测试评价方法。然而，目前对于PHEV公交客车使用特征的研究相对较少。本文基于新能源汽车国家监测与管理平台采集的插电式混合动力客车实际道路运行数据，构建了插电式混合动力客车用户使用特征数据库，并进行用户使用特征分析。相关研究内容可为插电式混合动力电动汽车能耗与排放测试方法研究奠定基础，为插电式混合动力汽车能耗和排放测试方法与标准制定提供技术建议。

2 插电式混合动力客车使用特征数据库构建

2.1 数据来源

本文所使用的研究数据主要来自于新能源汽车国家监测与管理平台（以下简称平台）。平台的数据来源为全国各省市的新能源汽车，包括私人乘用车、公务乘用车、租赁乘用车、出租乘用车、公交客车、公路客车、旅游客车、通勤客车、物流特种车、邮政特种车和环卫特种车等12种类型的新能源汽车。截至2019年12月底，平台共监控全国新能源汽车290余万辆，其中乘用车（私人乘用车、公务乘用车、租赁乘用车、出租乘用车）共计233.92万辆，商用车（公交客车、公路客车、旅游客车、通勤客车、物流特种车、邮政特种车和环卫特种车）共计63.53万辆。平台技术体系架构如图1所示。

根据国标GB/T 32960要求，平台数据采集项涵盖车辆状态、充电状态、车速、里程、总电压、总电流、SOC等平台实时信息上报数据61项以及单体电池电压、可充电储能子系统个数等故障情况下的单体数据传输12项，共计73项数据项，数据采集时间间隔要求不超过30s。

2.2 构建流程

为了对PHEV公交客车使用特征进行研究，本文选取了北京、重庆、昆明、上海、沈阳和苏州6个研究城市，每个城市车辆数量≥15辆，共计169辆，时间跨度为2018年全年的实际道路运行数据，数据项包括数据采集时间、车辆状态、充电状态、运行模式、车速、累计里程、总电压、总电流、SOC、驱动电机列表、发动机状态和发动机燃料消耗率，共計12项，其中驱动电机全部数据项/原始报文又可根据车型实际情况解析为驱动电机序号、驱动电机状态等8项或16项数据项（分别对应单电机和双电机情形）。插电式混合动力客车用户特征数据库构建流程如图2所示，可分为数据准备和数据导出及处理两个阶段。

2.2.1 数据准备

数据准备为第一阶段，该阶段确定了本文研究的具体数据，包括确定研究城市、确定研究车型、确定研究数据项和筛选研究车辆4部分。

确定研究城市时，综合考虑了城市PHEV公交客车数量与城市地理特征，便于不同区域对比分析;确定研究车型时，综合考虑了不同城市车型销量/入库数量、厂商、车辆类型、车辆构型（串/并/混联）、动力类型（柴油/NG）等，覆盖面广，便于后续开展厂商、车辆类型等方面的横向对比分析;确定研究数据项时，根据研究基础与研究目标对73项数据项进行筛选;筛选研究车辆时，在尽可能保证数据质量的前提下满足随机性要求，尽可能减少主观因素的影响。最后，考虑到季节维度的分析，确定时间跨度为2018年全年。

2.2.2 数据导出及处理

数据准备阶段完成后，需要对数据进行导出与处理，从而完成使用特征数据库的构建。

新能源车辆国家监管平台数据库分布式存储，且随着新能源车辆国家监管平台接入车辆数目的增加，整个数据库的规模越来越大，直接搜索聚合并对一年数据进行统计挖掘占用资源较大，较为困难。因此本文采取了按月分批导出数据的方法。在数据导出后，利用python编程，完成“从国家平台分批次导出数据→解码与格式转换→聚合为特定数据库结构”的过程，从而完成明细数据库的构建。

由于车辆运行工况复杂，数据传输过程存在着各种干扰和不确定性因素，因此平台采集的数据包含一些错误和缺失。针对数据缺失问题，采取了删除和插值填充结合的方法进行处理;针对数据错误问题，采取设定阈值的方法进行检测与处理。

实际车辆运行时既有行驶状态的数据，又有停车充电状态的数据，此外还有停车未充电等状态。本文在文献[1]状态划分方法的基础上，增加了行驶片段与充电片段的有效性检验部分，对本文研究数据进行了状态划分，并提取出各样本车辆行驶片段和充电片段的特征值重构完成PHEV公交客车特征数据库，特征值如表1所示，最终片段情况如表2所示。

3 插电式混合动力客车出行特征分析

图3为不同城市PHEV公交客车单次出行里程累计分布图。从图中可以看出，对于除北京外的五个城市，其单次出行里程分布大致相同，单次出行里程约有90%的情况在100公里以内，99%的情况在200公里以内。昆明、上海、沈阳三座城市所有车辆单次出行里程都在300公里以内，苏州、重庆两城则有极少情况单次出行里程在300公里以上。北京市客车单次出行的里程明显大于另外五座城市。北京市单次出行在100公里以内的情况只占到了70%左右，其有大约92%的情况单次出行里程在200公里以内，并且有少量样本单次出行里程达到400公里以上。

图4为不同城市PHEV公交客车单日出行里程累积分布图。从图中可以看出，上海、沈阳、昆明三座城市单日出行里程大多分布在100—230公里区间内，其中沈阳、昆明二城100—200公里区间占比在60%左右，并且有80%的车辆单日运行里程在200公里以内，上海有80%的车辆单日运行里程大约在230公里以内，100—200公里区间占比也在60%左右，沈阳所有样本出行里程都在250公里以内，昆明所有样本出行里程都在300公里以内，上海所有样本出行里程都在390公里以内。苏州、重庆单日出行里程小于150公里占比明显小于其他城市，二城所有样本单日出行里程大多分布在160—220公里区间内。苏州单日出行里程在240公里以内的车辆占比达到92%左右。重庆单日出行里程在220以内的车辆占比达到80%，苏州所有样本出行里程都在350公里以内，重庆所有样本出行里程都在350公里以内。而北京市单日行驶里程明显大于其他城市，大约只有50%的车辆单日出行里程在200公里内，有80%的样本单日出行里程达到360公里，有90%的样本单日出行里程达到400公里，有少部分车辆出行里程在400公里以上。

图5为各城市PHEV公交客车不同季节单日出行里程。从图中可以看出，重庆与昆明两城受季节情况影响的变化较小，两座城市单日出行里程均值最小值都出现在冬季，且夏秋两季单日出行里程均值差别很小。其他四座城市单日出行里程均值受季节有一定影响。北京在冬季单日出行里程均值最大，在夏季单日出行里程最小。苏州在冬季单日出行里程均值最小，在春季单日出行里程最大。上海在秋季单日出行里程均值最大，在春季单日出行里程最小。沈阳在夏季单日出行里程均值最小，在冬季单日出行里程最大。整体而言，各城市PHEV客车在不同季节的单日出行里程没有呈现出明显的规律，这可能与每个城市选取不少于15辆车的样本数量较少有关，且部分型号车辆冬春两季上传数据数量较少，这些车辆单日出行里程对结果有较大的影响。

图6为各城市PHEV公交客车不同季节平均每日出行频次。从图6可知，重庆、苏州和上海三座城市的客车平均每天出行频次，在各个季节均大于昆明、沈阳和北京三座城市的客车。除昆明外，其余5座城市客车的出行频次随季节有一定变化，但变化均不太大。重庆、苏州和上海三座城市的客车，平均每天出行频次在一年内均达到2.75次以上。其中重庆市在夏季出行频次最大，为3.9次。在冬季最小，为3.3次。苏州和上海两座城市在春季出行频次最小，为3.2次和2.8次。在秋季出行频次最大，为3.6次。昆明、沈阳和北京三座城市的客车，平均每天出行频次在各个季节均在2.75次以下。其中昆明平均每天出行频次随季节变化波动最小，四季平均每天出行频次都在2.5次左右，北京市在春季出行频次最小，为2次，沈阳市在夏季出行频次最小，为2.3次。两座城市的客车出行频次在冬季最大，为2.7次和2.6次。

划分两次出行的条件是计算车速为零的间隔时间，当间隔时间大于等于30分钟时视作两次出行，由于PHEV公交车在正常运营时，其停车时间超过30分钟的情况很少出现，因此PHEV公交车正常运营时单次出行里程较大，单次出行里程甚至接近于单日出行里程。

与乘用车不同，PHEV公交客車受车主个人行为影响较小，主要反映了该城市该线路的交通情况。可以看到北京市单日出行里程明显大于其他城市，经查询分析，这是因为北京市选取的车辆中有数辆汽车在郊区运营，并且北京市公交车运营时间比其他城市更长，因此北京市单日出行里程明显大于其他城市。

4 插电式混合动力客车充电特征分析

6个城市有效充电片段与有效运行天数如表3所示，由于充电频次数值太小，本文将其放大1000倍。从表中可以看出，各个城市的PHEV公交客车充电频次均很小，远远达不到一天一充/两天一充的充电频次。这说明目前PHEV公交客车基本具有不充电出行的行为特征，运行消耗能量主要来源于发动机。这对于实际节能减排是极为不利的，同时也意味着可分析的充电数据少，为后续充电行为及能耗分析带来了一定的困难，分析数据少，结论代表性弱。6个城市相互比较而言，重庆与上海充电频次明显高于其它四个城市，但仍然达不到一天一充/两天一充的理想充电频次。

针对所有城市的PHEV公交客车，对每座城市平均每辆车的有效出行天数和充电频次进行了分析，如图7所示。从图7可以看到，各个城市的有效出行天数随季节变化趋势基本一致，在冬季均出现了明显的大幅下降，在春夏秋季的有效出行天数约为60-90天，而在冬季的有效出行天数约为40-60天。除上海以外，其余城市从春季至夏季的有效出行天数均出现上升;除北京以外，其余城市从夏季至秋季的有效出行天数均出现上升。对于充电频次来说，除了北京和昆明两座城市，其余城市在夏秋两季的充电频次占全年充电频次的绝大部分。对于重庆和上海两座城市，上海市的充电频次全年都为最高值，重庆市的充电频次全年都为次高值，这两座城市的充电频次达到30-60次，远高于其余城市的30次以下的充电频次。

针对所有城市的PHEV公交客车，对各城市充电起始时间和充电持续时间进行了分析，如图8和图9所示。从图8可以看出，北京市的客车的充电起始时间主要分布于11时-23时，且在此期间分布较为均匀。上海市充电开始时刻在所有城市中最为集中，绝大部分集中于11时左右，另一个充电小高峰出现在21时左右。重庆市和沈阳市的客车在所有时刻充电起始时间分布十分相近，分布均较为均匀，在24个小时内均出现过充电行为。昆明市和苏州市的客车起始充电时间主要分布于7时-16时，8时-15时占绝大部分时间，昆明市客车的充电开始高峰集中于7时和14时，苏州市客车的充电高峰集中于13时。

从图9可以看出，沈阳市充电持续时间分布最为集中，基本全部分布在25分钟以内，充电持续时间在10分钟上出现一个高峰，表明沈阳市的客车充电行为均属于迅速充少量电量就结束充电的模式。北京市的客车充电持续时间在0-150分钟分布较为均匀，概率密度曲线呈线性下降趋势。其余城市客车的充电持续时间大多数分布在50分钟以内，有少部分分布在50到150分钟这个区间内，而重庆市较为特殊，甚至有少部分充电持续时间超过150分钟。

PHEV客车不同城市充电电量（以充电过程SOC增长量拟合）如图10所示，从图中可以看出，PHEV客车即便有充电行为，在一次充电行为中，其充电电量在大多数情况下也很少。

5 结论

（1）提出了一种基于实际道路运行数据对PHEV公交客车使用特征进行分析的方法，该方法可对PHEV其它类型车辆的使用特征进行分析;

（2）对PHEV公交客车出行特征进行分析，发现6个城市的PHEV公交客车单次出行里程均较大，单日出行里程、平均每日出行频次随季节变化较小，且不同城市间关系不一致;

（3）由于北京市有数辆样本车辆在郊区运营，且北京市公交客车运营时间比其他城市更长，因此北京市单日出行里程明显大于其他城市;

（4）对PHEV公交客车充电特征进行分析，发现6个城市的PHEV公交客车充电频次均很小，充电电量少，PHEV公交客车基本具有不充电出行的行为特征。

本文系2018年国家重点研发计划课题“我国汽车用户出行规律和实际交通大数据统计分析研究和验证”（项目编号：2018YFB0106404）阶段性成果。

致谢：感谢北京理工大学电动车辆国家工程实验室及新能源汽车国家监测与管理平台的支持

参考文献：

[1]郝旭，王贺武，李伟峰，等.基于中国电网结构及一线典型城市车辆出行特征的 PHEV 二氧化碳排放分析[J]. 环境科学，2019，40（4）：1705-1714.

[2]Requia W J，Adams M D， Arain A，et al. Carbon dioxide emissions of plug-in hybrid electric vehicles： A life-cycle analysis in eight Canadian cities[J]. Renewable and Sustainable Energy Reviews，2017，78：1390-1396.

[3]Wu X，Aviquzzaman M，Lin Z. Analysis of plug-in hybrid electric vehicles utility factors using GPS-based longitudinal travel data[J]. Transportation Research Part C： Emerging Technologies，2015，57：1-12.

[4]Faria R，Marques P，Moura P，et al. Impact of the electricity mix and use profile in the life-cycle assessment of electric vehicles[J]. Renewable and Sustainable Energy Reviews，2013，24：271-287.

[5]Zhang X，Wang H. Utility factors derived from Beijing passenger car travel survey[C]//The FISITA 2014 World Automotive Congress. Maastricht，Netherlands. 2014.

[6]梁爐，符钢战.不同动力系统的插电式混合动力汽车全生命周期能耗和排放的对比分析[J].上海汽车，2016，000（003）：45-50.