基于数据驱动方式的电动汽车充电需求预测模型

　　摘要：电动汽车充电需求预测是研究电动汽车与电网和交通网互动的重要前提，由于现有工作大都没有采用真实的交通数据来分析电动汽车充电需求。为此，该文提出一种基于数据驱动方式的电动汽车充电需求预测模型。首先利用“滴滴“网约车出行原始轨迹数据进行数据挖掘与融合建模，数据分析过程包括区域范围选定、空间网格建模、轨迹数据映射、POI检索数据识别、城市功能区聚类以及交通路网建模。通过建模处理得到了功能区域划分、出行规律分布以及实际行驶路径等再生特征数据。

　　其次考虑电动汽车的移动负荷特性，建立包含行驶特征参数和充电特征参数的单体电动汽车模型。然后将建模分析得到的再生数据以及单体电动汽车模型作为充电需求预测架构的数据来源和模型支撑。最后以南京市某区域为例，设计路径规划实验和不同场景充电需求负荷实验。结果表明所提模型可以有效预测不同日期类型和不同功能区域充电需求负荷的时空分布特性，也为后续电动汽车充电控制和充电引导的研究奠定理论基础。

　　关键词：电动汽车;充电需求预测;“滴滴”网约车数据;数据挖掘与融合;出行规律;时空分布特性

　　0引言

　　世界能源产业结构的调整和人们对环境问题的不断重视，促进了新能源汽车的快速发展与广泛应用[1-2]。而电动汽车(electricvehicle，EV)依据其高效清洁的特点，可以有效降低人们对化石燃料的依赖和温室气体排放，满足未来能源需求以及电网系统与交通系统的可持续发展定位[3-4]。规模化电动汽车在城市内网的行驶行为和充电行为必然和交通网与电网产生融合交互[5]。

　　居民出行规律、城市路网结构以及充电设施分布等会影响车辆出行分布和充电决策，而车辆电池特性、行驶路径选择以及能量补给方式等则会影响交通路网畅通程度和电网运行状态[6-7]。因此，建立准确的电动汽车充电需求模型来刻画充电负荷时空分布特征是分析电动汽车和电网与交通网融合交互的关键步骤。文献[8-9]对美国交通部公布的全美家用车辆出行调查(nationalhouseholdtravelsurvey，NHTS)数据进行分析，假设电动汽车与燃油汽车具有相同的出行规律，通过分布拟合建立出行起止时间、日行驶里程以及充电特征等概率模型，并采用蒙特卡洛抽样估算电动汽车充电负荷分布。

　　进一步，文献[10-12]在NHTS数据库基础上，结合我国不同阶段电动汽车保有量、不同功能区域车辆充电需求特点以及依据乘用车功能将车辆细化成不同类型，采用相同的抽样方法分析电动汽车充电负荷时空维度分布特征。虽然上述方法在宏观上建立了充电需求预测模型，能够描述充电负荷时空尺度分布特点，但由于出行需求、充电时长以及充电地点等特性参数都设置为固定值，只考虑电动汽车的负荷特性，忽视了行驶过程中易受到交通因素影响的移动随机性。

　　为此，文献[13]提出融合电网信息与交通信息的充电导航架构，通过分析电动汽车动态行驶过程预测各快充站的负荷分布，为需要充电的车辆推荐合适的充电站。文献[14-16]将交通出行链理论引入到电动汽车负荷预测研究中，为区域内每辆电动汽车分配动态出行链，刻画车辆全天候出行轨迹和行驶规律，模拟车辆出行行为和充电行为，依据不同实际场景建立充电需求预测模型。

　　文献[17-18]则运用交通起止矩阵(origindestination，OD)分析方法模拟电动汽车的随机动态特性，将电动汽车在交通拓扑中的行驶过程以及电动汽车在配网拓扑的充电过程进行网络耦合建模，通过OD矩阵将路网节点和电网节点进行网络映射，构建了“车—路—网”融合系统，预测融合系统的电网充电负荷分布以及交通网流量状况。文献[19-20]在“车—路—网”系统框架下，考虑路网拓扑结构、交通流量模型以及单体电动汽车充电模型对充电负荷分布的影响，评估了不同充电场景配网潮流运行特征。

　　此外，文献[21]通过Agent-元胞自动机理论建立电动汽车时空分布动态演化模型，预测充电需求分布特点和演变趋势。文献[22]提出通过获取交通侧实际运行数据跟踪车辆运行情况，采用大数据自底向上分析方法预测充电负荷运行曲线。但该方法只给出架构设想，未采用实测数据进行理论验证。

　　综上，协同考虑交通因素与电网因素对电动汽车的交互影响，建立充电负荷模型更符合电动汽车移动负荷的特征。而随着实际数据互联互通性日趋完善，采用实测数据建模分析更贴近实际充电负荷运行情况。为此，文献[23]以深圳市出租车原始行驶数据作为浮动车辆，提取居民出行规律，结合OD矩阵分析方法预测城市功能区充电负荷趋势。

　　文献[24]采用韩国交通部门路网视频监控数据获取道路实时流量，分析交通节点快充站到站充电电动汽车数量，建立快充需求模型。文献[25]采用瑞典GIS数据，对城市区域进行功能区聚类，运用空间马尔可夫链模型描述电动汽车动态过程，分析不同功能区规模化电动汽车充电负荷对电网的冲击和影响。文献[26]依托英国PIM项目获取电动汽车出行和充电原始数据，通过数据挖掘识别不同区域充电需求特征以及评估充电负荷对配网的潜在风险。文献[27]基于英国高速公路流量以及车辆出行模式数据，通过快充需求热区分析对充电站进行选址定容研究。

　　上述研究虽然依据各自特征化数据建立充电负荷预测架构，并取得一定优势，但没有深入剖析区域性充电需求分布特点以及负荷转移影响因素。因此，本文从数据驱动层面出发提出一种电动汽车充电需求预测模型。首先对“滴滴”出行原始数据集进行数据建模，采用数据挖掘和融合技术得到再生特征数据分析居民出行分布规律。其次考虑电动汽车移动负荷特性建立单体电动汽车模型。之后将挖掘得到的出行规律和结果以及单体电动汽车模型相结合构成电动汽车充电需求预测模型架构。最后通过路径规划实验和不同场景电动汽车充电需求负荷算例，验证所建立模型的实施效果。

　　本文主要贡献总结如下：1)本文将滴滴行程数据引入到电动汽车充电需求建模领域，为电动汽车与电网和交通网互动提供一种数据驱动方式的分析思路。2)通过对滴滴行程开源数据的挖掘和融合，可以直接获取交通出行所需的原始数据，解决了实际数据不易获取的难题。3)电动汽车行驶参数和充电参数的选择和设置更符合实际运行情况。且深入研究了区域间充电需求的差异性和负荷转移特点，为后续的充电引导和影响评估等工作做铺垫。

　　本文章节安如下：第1节为原始行程数据库;第2节为行程数据挖掘与融合;第3节为单体电动汽车模型;第4节为电动汽车充电需求预测模型;第5节为路径规划实验;第6节为算例分析;第7节为结论。1原始行程数据库电动汽车作为交通工具的载体，出行规律分布直接影响到车辆的行驶决策和充电需求。因此，利用现有数据合理挖掘城市居民出行规律是建模预测充电需求的关键所在。

　　1.1数据描述

　　本文采用滴滴公司智慧交通大数据平台提供的—“GAIAOpenDataset”开放数据进行分析处理。申请得到2016年6月1日—2016年6月31日南京市部分滴滴行程数据集，以天为单位共31个数据包，数据采样间隔为3s，包含474590条行程数据，行程数据示例如附录表A1所示。可直接获得每份订单的行程时间、行程轨迹GPS定位数据、实时速度以及兴趣点(pointofinterest，POI)信息等。由于滴滴网约车大都能提供“点对点”的出行服务，出行数据空间分布与实际出行起讫点分布基本一致。因此采用该数据集作为浮动车辆采集技术，相较于出租车数据存在空载率高、冗余数据多等缺点[28]，更符合居民出行分布规律。

　　1.2数据预处理

　　为了消除原始数据存在噪声数据干扰，需对原始数据进行预处理：1)数据清洗：对数据传输和记录过程中产生的坏点数据进行清洗。对如下数据进行剔除：数据集字段为空、订单出行距离小于500m、行程时长为0h和平均行程速度为0km/h或大于120km/h等数据。2)坐标转换：滴滴行程数据采用GCJ-02坐标系进行定位，而本文电子地图采用WSG-84坐标系进行绘图处理，因此为了地图准确匹配和显示，针对不同坐标系需进行坐系转换，具体坐系转换方程可参见文献[29]。

　　1.3数据可视化

　　本文主要围绕数据集的时空分布字段数据进行分析，因此在数据预处理之后将所需数据进行可视化显示。给出了6月份每日出行量数据导入Matlab的显示效果。进一步，将坐系转换后的行程出发点与到达点经纬度坐标(即OD数据点)导入DataMap中进行起讫点分布绘制。总体上原始出行量在时间分布规律上根据日期类型(工作日、双休日和节假日)的不同呈现一定周期性，出行空间热区分布主要集中在城区范围，城区边缘较少。除此之外，更为细致的再生特征数据还需深入研究。

　　2行程数据挖掘与融合

　　2.1数据挖与掘融合方法

　　数据可视化直观上无法深层次刻画居民出行规律，因此需要借助数据挖掘与融合技术进行剖析，基于行程数据的挖掘与融合分析步骤如下：

　　2.1.1区域范围选定

　　市区网约车行程以中短途为主，主要集中在城市中心区域，同时为了降低数据处理维度，本文选择研究区域范围为经度(东经)：118.7412—118.8249，纬度(北纬)：32.0234—32.0633，超出该范围的数据不予考虑，所选区域面积约为48.8km2，周长约为27.9km。

　　2.1.2空间网格建模

　　针对原始出行数据离散、非连续时空分布特点，根据交通规划理论本文采用空间网格建模进行集计化处理[30]。即将所选交通平面按照空间尺度均匀划分成不同空间网格作为研究区域。而空间尺度合理选择对网格建模效果有着直接影响。如果空间尺度选择过大，会导致大量订单的OD点分布在同一网格中产生无效订单数据;反之尺度选择过小，则会导致单位网格内的数据点分布过少，且出现较多无效空段网格。

　　3单体电动汽车模型

　　前文通过对行程数据的分析完成了居民出行规律的挖掘，本节则通过建立单体电动汽车模型研究电动汽车移动负荷特性。

　　3.1电动汽车类型与数量

　　根据目前我国电动汽车发展现状，以及不同功能电动汽车出行特点和充电特性[2]，本文将电动汽车分为以下3种类型：1)私家车：该类型车辆初始位置分布在居民区，工作日主要用于居民工作通勤，出行起讫点主要分布在居民区与工业区，往返时间主要集中在早晚出行高峰。行驶路线相对固定，充电方式一般为目的地慢充。2)出租车：该类型车辆初始位置分布在居民区和商业区，其出行起讫点随机性较大，出行次数较多且行驶路线不固定。充电方式主要为紧急快充。3)其他公用车：该类型车辆主要包括公务车、商务车以及功能车(物流车和环卫车)等。初始位置主要分布在工业区、公共服务区以及商业区。其出行目的地不固定，且出行次数较多。充电方式以目的地慢充和紧急快充相结合。由于公交车具有特定的出行规律和专用充电位置，因此不将电动公交车纳入研究范围。根据《南京市“十三五”新能源汽车推广应用实施方案》，结合功能区面积聚类结果和各类型电动汽车占比[1,19]，总共引入车辆总数为23780辆，私家车11890辆、出租车7134辆和其他公用车4756辆。

　　4电动汽车充电需求预测模型

　　将行程数据挖掘得到的结果与单体电动汽车模型相融合分析电动汽车充电需求负荷分布规律。1)在聚类合并的功能区域引入一定规模的电动汽车，通过蒙特卡洛抽样为各EV生成行驶特性参数与充电特性参数;2)在建立的交通路网上，各EV将OD间使用频率最多路线作为实际行驶路径完成出行;3)实时监测充电特性参数，判断充电需求是否触发，根据生成需求选择快/慢电能补给方式;4)计算区域车辆充电负荷，分析不同场景充电需求的时空分布特征。

　　5路径规划实验

　　实际出行路径是车辆行驶和充电的关键因素，因此，本节设置了路径规划实验。首先，在不考虑车辆充电需求触发情况下，只验证路径规划效果。选择了某一工作日不同时段以交通节点v169为起点、九组不同终点的实际路径。实际路径选择具有实时动态性，不同出行时段的同一OD行驶路径并不完全一致，原因是出行会受到道路交通拥堵因素影响。

　　同时，为了与实际路径进(actualpath，AP)进行对比，采用Dijkstra路径规划算法[17]对路段权值W进行搜索。Dijkstra距离最短(shortestlengthpath，SLP)方法：搜索权重为wijlpq，即以路程距离最短为目标规划行车路径;Dijkstra时间最短(shortesttimepath，STP)方法：搜索权重为wijtpq，即以路程耗时最小为目标规划行车路径，其中tpqlpq/vpq，vpq由式(19)可到。

　　其中横坐标数字1—9分别对应九组OD对的编号。在路程距离搜索结果中，02:00—03:00为交通出行低谷时段，AP、STP与SLP结果相差最小，AP比SLP结果平均超出21.56%，STP比SLP结果平均超出24.78%;15:00—16:00为交通出行平峰时段，两者相差结果次之，AP平均超出28.15%，STP平均超出31.77%;07:00—08:00为交通出行高峰时段，两者相差结果最大，AP平均超出32.15%，STP平均超出35.66%。

　　在路程耗时搜索结果中，AP、SLP与STP结果在02:00—03:00时段相差最小，AP、SLP分别超出STP25.75%、28.89%;随后是15:00—16:00时段，两者分别超出35.57%、37.55%;在07:00—08:00时段最大，分别超出38.18%、42.89%。而随着OD间距离变大，误差也随之增加，且路程耗时搜索结果误差大于路程距离搜索结果，路程耗时平均超出34.81%，路程距离平均超出29.01%，说明路径搜索过程中路程耗时对结果影响程度大于路程距离。

　　进一步，为了研究实际行驶路径选择偏好，同样，02:00—03:00时段STP、SLP与AP重合率最高，分别为82.31%、77.10%;15:00—16:00时段次之，两者重合率分别为59.44%、52.56%;07:00—08:00时段最小，两者重合率分别为55.00%、48.70%。说明交通流量越少的情况下，AP越能以路程距离或路程耗时为目标规划行驶路线。而总体上SLP与STP没有与AP完全重合的路线，说明实际出行路线既不是追求路径最短也不是耗时最少，而是两者的一个折中选择。STP的平均重合率(65.58%)大于SLP(59.45%)，说明相对路程距离而言，车主更倾向选择路程耗时为路径规划目标。

　　6算例分析

　　为了验证前文出行数据与电动汽车模型的实际效果，本节设计4组不同的充电场景，分析电动汽车充电需求的负荷分布特征。

　　6.1功能区充电需求负荷

　　首先以1h为时间间隔，统计不同日期类型下全天触发充电需求车辆分布情况。

　　7结论

　　本文通过对“滴滴”出行数据的挖掘以及单体电动汽车的建模，提出了一种采用数据驱动方式预测电动汽车充电需求的方法，通过路径规划实验和不同场景电动汽车充电负荷时空分布实验，验证方法的有效性，得到如下结论：

　　1)居民出行分布特征根据日期类型不同和功能区域特点存在明显的差异性。实际行驶路径的选择具有实时动态性，且车主以路程耗时最少和路程距离最短作为综合目标进行路径规划。

　　2)出行规律分布影响电动汽车的行驶特性和充电特性。充电需求负荷在时间分布上表现出不均衡性，而在空间分布上具有区域特征。交通因素影响电动汽车行程路线的选择，路径规划目标中行车距离占比越多，区域充电负荷越高。

　　3)不同功能区充电设施服务率的比例设置可以引起充电负荷的区域转移。快充设施对功能区域充电负荷的影响力度要大于慢充设施。尽管如此，由于数据的隐私问题以及商业原则，本文仅申请到一个月出行数据，更多的数据将有助于更加细致规律的挖掘。

　　由于单月温度差异性并不明显，本文在电动汽车耗电模型中未考虑环境温度的影响。限于篇幅，本文未深入分析充电电价以及车主充电决策等因素对充电负荷的影响，以及充电设施配比对区域间负荷分布转移机理的分析。在今后工作中可以基于充电负荷预测模型继续完善电动汽车有序充电控制策略、充电引导策略以及充电负荷分布对电网和交通网的影响等研究。

　　参考文献

　　[1]JiZhenya，HuangXueliang.Plug-inelectricvehiclecharginginfrastructuredeploymentofChinatowards2020：policies，methodologies，andchallenges[J].RenewableandSustainableEnergyReviews，2018，90：710-727.

　　[2]DuJiuyu，OuyangMinggao，ChenJingfu.ProspectsforChineseelectricvehicletechnologiesin2016-2020：ambitionandrationality[J].Energy，2017，120：584-596.

　　[3]ChengXiang，HuXiaoya，YangLiuqing，etal.Electrifiedvehiclesandthesmartgrid：theITSperspective[J].IEEETransactionsonIntelligentTransportationSystems，2014，15(4)：1388-1404.

　　[4]胡泽春，宋永华，徐智威，等.电动汽车接入电网的影响与利用[J].中国电机工程学报，2012，32(4)：1-10.HuZechun，SongYonghua，XuZhiwei，etal.Impactsandutilizationofelectricvehiclesintegrationintopowersystems[J].ProceedingsoftheCSEE，2012，32(4)：1-10(inChinese).

　　汽车方向论文范文：关于我国新能源汽车技术的探讨

　　摘要：随着汽车销量的增长，给人们的生活带来很多负面问题，如空气污染、能源减少、环境破坏等。介绍我国新能源汽车的类型、特点，以及发展面临的阻力。

　　关键词：汽车;新能源;发展;技术