基于网联数据的电动车快速充电影响因素分析

杨 烨，谭忠富*，焦港欣

(1.华北电力大学经济与管理学院，北京102206；2.车路协同与安全控制北京市重点实验室，北京100191)

0 引 言

随着电动汽车相关产业及相关技术的进一步发展，在各国政府的支持鼓励下，电动汽车市场也在持续增长，成为汽车市场的主要增长动力[1].但电动汽车续航里程有限，行程中不免因里程焦虑去充电.对于电力系统，不同充电方式对电力系统有着不同影响；对于用户，不同的充电方式各有优劣，用户在不同因素影响下也会选择不同的充电方式.因此，研究电动汽车充电行为及其显著影响因素十分必要.

国内外学者针对电动汽车充电选择行为及其影响因素进行了大量研究.Sun 等[2]基于显示偏好(Revealed Preference,RP)数据考虑剩余电量，距下次出行天数、回家时间等因素分析日本电动汽车(Electric Vehicle，EV)日最后一次出行后的充电时间选择.Daina等[3]基于陈述偏好(Stated Preference，SP)数据考虑车型、出行结束时间等因素分析英国EV 每周充电频次.Wen 等[4]基于SP 数据分析充电费用、离家距离等因素对美国EV在公共充电地点是否充电的影响.Kim等[5]基于RP数据考虑充电规律性潜变量和天气特征等分析荷兰EV 充电时间间隔.Yang Y.等[6]分析表明，初始充电状态、充电时间、起点距离和充电站对电动汽车充电方式有显著影响.Wang Y.等[7]用统计方法分析了3个典型区域的充电特性及温度与充电的关系.Hu L.等[8]分析个体差异、风险偏好等心理因素对纯电动汽车充电行为的影响.周念成等[9]基于通用无线分组业务(General Packet Radio Service，GPRS)数据对起始充电时间、起始荷电状态和日行驶里程进行分析.罗浩成等[10]结合电动汽车平均续航里程、行车需求等数据，得出环境温度显著影响电动汽车充电负荷.陈丽丹等[11]基于居民出行数据模拟不同情景电动汽车充电负荷，结果表明其具有季节性、假日性.

现有EV充电行为及其影响因素的研究：内容上可细分为是否充电、充电时间/地点/频次选择等，数据使用上可细分为真实数据和模拟仿真数据.但现有研究存在以下不足：在研究内容上较少考虑对充电行为类型的进一步区分，针对EV行程中的充电行为及其影响因素考虑较少，在使用数据上较多使用国外数据，较少有中国真实数据，难以反映真实的中国EV用户充电行为现状，参考价值有限.

因此，本文基于北京市私人电动汽车真实网联数据提取单次行程数据，并对充电类型进行区分，细致划分行程中影响充电行为的潜在因素；结合Logistic回归方法，重点分析电动汽车快速充电行为；最后，基于显著影响因素建立模型，预测电动汽车快速充电行为.

1 数据简介

选取北京市130 veh 私家电动车作为研究对象，数据采集时间为2015年8月1～15日，上传频率间隔10 s，上传数据内容有车辆编号、时间、充放电状态、续航里程、动力电池SOC、电流、经纬度等，关键参数及说明如表1所示.

表1 电动汽车网联数据Table 1 Parameters of electric vehicles data

1.1 电动汽车充电行为提取

基于EV网联数据，结合经纬度信息提取工作日的私家电动车居住地与工作地之间的日常通勤性规律出行数据和非工作日的完整单次出行行程数据，并结合充放电电流变化区分，确定每辆车单次行程中的充电类型.经统计，提取单车单次行程共计3 049 个，如表2 所示，无充电行程与充电行程数量比约为4∶1，表明EV 用户出行中尽量避免充电行为；而582 个充电行为行程中快充比例高达99.66%，表明多数用户更倾向快充，这是因为快速充电能在短时间补充大量电能而备受青睐.因此，本文重点分析行程中的快速充电行为及其影响因素.

表2 电动汽车充电行为Table 2 Charging behaviors of electric vehicles

1.2 快速充电潜在影响因素

一次完整行程中，EV是否需要进行快速充电与电动汽车自身的状态及行程目的地等关系很大.在综合考虑以往研究[5-6,10]的基础上，细致划分EV行程中潜在可能影响EV 快速充电的因素，如表3所示.

2 快充行为分析

在确定显著影响电动汽车快速充电的因素之前，针对本文数据，先进行快充数据的分布分析，再进行潜在影响因素分析.

2.1 快速充电分布

统计表2中快充次数，如图1所示，可以看出，大多数用户充电次数为1～2次，说明用户考虑里程需要和充电难易程度会尽量减少充电次数.

将时间划分为24 个时间段，绘制快充行为时间分布图，如图2所示.可发现，充电时间主要集中在13～16时段，说明大多数用户在下午进行快充.

图1 行程中快速充电次数Fig.1 Fast charging numbers for one trip

图2 快速充电时间分布Fig.2 Distribution of fast charging time

从星期角度统计，如图3 所示.可看出，工作日总体比周末(周六和周日)稍高，但周内分布较均匀.

2.2 潜在影响因素分析

主要对影响电动汽车快速充电的部分能够可视化的潜在因素进行具体分析.

(1)电动汽车初始SOC对快速充电的影响.

EV 初始SOC 反映了电池剩余容量，与EV 当日可行里程有直接关系，故先将初始SOC 对快充的影响进行统计，如图4 所示.由图4 可知，初始SOC 与快速充电旅程数呈负相关关系，即随着电动汽车初始SOC 增加，行程中快速充电次数显著减小.

(2)电动汽车平均行驶速度对快速充电的影响.

为研究电动汽车平均行驶速度对快速充电的影响，绘制平均速度与快速充电行程数的关系图，如图5 所示.可发现，大部分有快速充电的电动汽车行程的平均行驶速度集中在20 km/h左右，在市区通勤车速限速以内，符合实际情况.

图3 一周内快速充电分布Fig.3 Distribution of fast charging during a week

图4 电动汽车初始SOC 对快速充电的影响Fig.4 Influence of start time SOC

图5 平均速度对快速充电的影响Fig.5 Influence of average speed

(3)电动汽车的行程距离对快速充电的影响.

为研究行程距离对快充的影响，绘制电动汽车行程距离与快充旅程数的关系，如图6 所示.可发现，有快充的旅程数与行程距离呈正相关关系，但200 km 之后有快充的旅程数基本稳定，说明200 km可以覆盖大多数用户的行程.

(4)天气对快速充电的影响.

温度过高/过低时，用户使用空调或暖气，将增加EV 耗电量；快速充电桩大多在户外，用户会尽量避免在雨雪等恶劣天气进行快速充电，故天气会影响电动汽车行程中的快速充电.基于此，本文对不同天气下选择快充的行程进行统计，如图7所示.可发现，雨天的行程数远小于非雨天，这与数据采集于北京2015年8月的雨天数量明显小于非雨天数量相吻合.

3 影响因素分析

单因素分析不能明确因素与因素间的关系，需进一步进行因素间的相关性分析，以及影响快充行为因素的显著性识别.

图6 行程距离对快速充电的影响Fig.6 Influence of travel distance to fast charging

3.1 相关性分析

为方便分析，将因素进行数字化处理，如非雨天用0 表示、雨天用1 表示，旅程开始时间只取对应小时.基于SPSS 获得相关性分析结果如表4 和表5 所示.表4 和表5 表明，M-Range 与Distance、Velocity、Start-SOC、Trip-T、N-Distance存在强相关性，Start-T与End-T、Weather存在强相关性，End-T与Weather 存在强相关 性，Distance 与Velocity、Start-SOC、Trip-T 存在强相关性，Velocity 与Weather、Start-SOC、Trip-T、L-FastCharge存在强相关性，Weather 与N-FastCharge 存在强相关性，Start-SOC 与Trip-T、L-FastCharge 存在强相关性，L-FastCharge 与N-FastCharge，N-Distance 与Trip-T、L-FastCharge、N-Distance 存在强相关性.MRange、Start-SOC 的VIF 超过10 且容差较接近0，说明其存在严重多重相关性.

图7 雨天对快速充电的影响Fig.7 Influence of rain weather to fast charging

表4 影响因素的相关性分析Table 4 Correlation analysis of influencing factors

3.2 显著性分析

影响因素较多且潜在影响程度可能不同，将所有潜在影响因素变量放入SPSS中，筛选得到显著性水平在0.05以下，统计意义显著的参数.基于SPSS获得显著性分析结果如表6所示，其中，P为显著性.可以看出：M-Range、Distance和Start-SOC的显著性水平都小于0.01，Start-T、End-T、NDistance 和N-FastCharge 显著性水平都小于0.05，说明以上因素会显著影响电动汽车是否选择快充；天气和速度的影响不显著，这与第2 节中分析一致.

4 快充行为预测

电动汽车单次出行的快充行为是一个二分类变量，由第3 节分析可知，Start-T、Distance、LFastcharge 既相互独立又为显著性因素，符合Logistic 模型要求，故采用这些因素预测电动汽车快充行为.

设置Yi为车辆i在出行过程中的行为，i=1,2,…,n，其中，n为车辆数量.那么Yi可以取值为yi={0,1}，其中，0 为不充，1 为快充.车辆i某次出行时选择快速充电的概率为p，则不快速充电的概率为1-p.为影响车辆i第j条出行链是否选择快充的变量，为影响车辆i第j条出行链的快充行为的第k种潜在因素变量，且对于车辆i第j条出行链，有.

表5 影响因素的多重共线性分析Table 5 Multicollinearity analysis of influencing factors analysis results

对于车辆i第j条出行链而言，选择快充的逻辑概率预测函数为

式中：为估算的截距为参数的估计值，.

表6 影响因素的显著性分析Table 6 Significance analysis of influencing factors

为便于计算，式(1)变换得到

在实际应用中，使用极大似然估计法求解上述参数的值.而对于本文所观测的样本来说，各个观测样本之间相互独立，由此可得到对应的似然函数对数为

式中：yi是实际应用中观测样本的观测值.

实验时，使用随机抽取提取数据的2/3进行训练，其余进行预测，模型预测结果如表7所示.可以看出，检测率(定义为正确的电动汽车快速充电预测数与实际快速充电预测数之间的比率)为75.6%，错误预报率(定义为错误预测的电动汽车快速充电预测数与总的行程数的比率)未超过3.0%，这表明该Logistic预测模型可对电动汽车快速充电行为进行有效预测.为确定模型性能，绘制受试者工作特征(Receiver Operating Characteristic Curve，ROC)曲线，如图8所示，并计算曲线下面积(Area Under Curve，AUC)为0.83，大于0.5，表明本文建立的电动汽车快速充电预测模型具有较好的可靠度.

表7 预测结果Table 7 Prediction results

图8 预测模型ROC 曲线Fig.8 ROC of prediction model

5 结 论

本文基于北京市电动私家汽车的网联数据，提取具有快速充电行为的电动汽车行程和潜在影响因素；电动汽车快速充电行为属于二分类变量，故采用二项Logistic 回归分析方法对电动汽车快速充电影响因素的显著性进行分析.发现：电动汽车的最大续航里程、行程距离，出发时的续航里程是影响电动汽车快速充电行为最重要的3个因素；本次行程开始时间和本次行程结束时间对电动汽车是否快速充电有较为显著的影响；上一次出行和下一次出行的充电行为，也影响着电动汽车当前行程的快速充电决策.最后，基于显著影响因素建立了电动汽车快速充电预测模型，测试结果表明，预测模型对电动汽车快速充电预测的准确率较高且模型性能可靠.对私家电动汽车快速充电行为的详细分析及预测，有助于优化私家电动汽车的充电行为，提高充电效率.

本文在研究内容上，由于样本数据存在样本量较少、所含字段内容有限，无法更多地考虑季节、道路类型、坡度、车型等因素对私家纯电动汽车快速充电行为的影响；研究方法上，且仅使用Logistic 回归分析方法，未对其他方法作进一步对比.未来将搜集更全面的数据、使用更多分类算法对电动汽车快速充电行为做进一步分析.