摘要：電動汽車充電需求預(yù)測是研究電動汽車與電網(wǎng)和交通網(wǎng)互動的重要前提，由于現(xiàn)有工作大都沒有采用真實的交通數(shù)據(jù)來分析電動汽車充電需求。為此，該文提出一種基于數(shù)據(jù)驅(qū)動方式的電動汽車充電需求預(yù)測模型。首先利用“滴滴“網(wǎng)約車出行原始軌跡數(shù)據(jù)進行數(shù)據(jù)挖掘與融合建模，數(shù)據(jù)分析過程包括區(qū)域范圍選定、空間網(wǎng)格建模、軌跡數(shù)據(jù)映射、POI檢索數(shù)據(jù)識別、城市功能區(qū)聚類以及交通路網(wǎng)建模。通過建模處理得到了功能區(qū)域劃分、出行規(guī)律分布以及實際行駛路徑等再生特征數(shù)據(jù)。

　　其次考慮電動汽車的移動負荷特性，建立包含行駛特征參數(shù)和充電特征參數(shù)的單體電動汽車模型。然后將建模分析得到的再生數(shù)據(jù)以及單體電動汽車模型作為充電需求預(yù)測架構(gòu)的數(shù)據(jù)來源和模型支撐。最后以南京市某區(qū)域為例，設(shè)計路徑規(guī)劃實驗和不同場景充電需求負荷實驗。結(jié)果表明所提模型可以有效預(yù)測不同日期類型和不同功能區(qū)域充電需求負荷的時空分布特性，也為后續(xù)電動汽車充電控制和充電引導(dǎo)的研究奠定理論基礎(chǔ)。

　　關(guān)鍵詞：電動汽車;充電需求預(yù)測;“滴滴”網(wǎng)約車數(shù)據(jù);數(shù)據(jù)挖掘與融合;出行規(guī)律;時空分布特性

　　0引言

　　世界能源產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和人們對環(huán)境問題的不斷重視，促進了新能源汽車的快速發(fā)展與廣泛應(yīng)用[1-2]。而電動汽車(electricvehicle，EV)依據(jù)其高效清潔的特點，可以有效降低人們對化石燃料的依賴和溫室氣體排放，滿足未來能源需求以及電網(wǎng)系統(tǒng)與交通系統(tǒng)的可持續(xù)發(fā)展定位[3-4]。規(guī)模化電動汽車在城市內(nèi)網(wǎng)的行駛行為和充電行為必然和交通網(wǎng)與電網(wǎng)產(chǎn)生融合交互[5]。

　　居民出行規(guī)律、城市路網(wǎng)結(jié)構(gòu)以及充電設(shè)施分布等會影響車輛出行分布和充電決策，而車輛電池特性、行駛路徑選擇以及能量補給方式等則會影響交通路網(wǎng)暢通程度和電網(wǎng)運行狀態(tài)[6-7]。因此，建立準(zhǔn)確的電動汽車充電需求模型來刻畫充電負荷時空分布特征是分析電動汽車和電網(wǎng)與交通網(wǎng)融合交互的關(guān)鍵步驟。文獻[8-9]對美國交通部公布的全美家用車輛出行調(diào)查(nationalhouseholdtravelsurvey，NHTS)數(shù)據(jù)進行分析，假設(shè)電動汽車與燃油汽車具有相同的出行規(guī)律，通過分布擬合建立出行起止時間、日行駛里程以及充電特征等概率模型，并采用蒙特卡洛抽樣估算電動汽車充電負荷分布。

　　進一步，文獻[10-12]在NHTS數(shù)據(jù)庫基礎(chǔ)上，結(jié)合我國不同階段電動汽車保有量、不同功能區(qū)域車輛充電需求特點以及依據(jù)乘用車功能將車輛細化成不同類型，采用相同的抽樣方法分析電動汽車充電負荷時空維度分布特征。雖然上述方法在宏觀上建立了充電需求預(yù)測模型，能夠描述充電負荷時空尺度分布特點，但由于出行需求、充電時長以及充電地點等特性參數(shù)都設(shè)置為固定值，只考慮電動汽車的負荷特性，忽視了行駛過程中易受到交通因素影響的移動隨機性。

　　為此，文獻[13]提出融合電網(wǎng)信息與交通信息的充電導(dǎo)航架構(gòu)，通過分析電動汽車動態(tài)行駛過程預(yù)測各快充站的負荷分布，為需要充電的車輛推薦合適的充電站。文獻[14-16]將交通出行鏈理論引入到電動汽車負荷預(yù)測研究中，為區(qū)域內(nèi)每輛電動汽車分配動態(tài)出行鏈，刻畫車輛全天候出行軌跡和行駛規(guī)律，模擬車輛出行行為和充電行為，依據(jù)不同實際場景建立充電需求預(yù)測模型。

　　文獻[17-18]則運用交通起止矩陣(origindestination，OD)分析方法模擬電動汽車的隨機動態(tài)特性，將電動汽車在交通拓撲中的行駛過程以及電動汽車在配網(wǎng)拓撲的充電過程進行網(wǎng)絡(luò)耦合建模，通過OD矩陣將路網(wǎng)節(jié)點和電網(wǎng)節(jié)點進行網(wǎng)絡(luò)映射，構(gòu)建了“車—路—網(wǎng)”融合系統(tǒng)，預(yù)測融合系統(tǒng)的電網(wǎng)充電負荷分布以及交通網(wǎng)流量狀況。文獻[19-20]在“車—路—網(wǎng)”系統(tǒng)框架下，考慮路網(wǎng)拓撲結(jié)構(gòu)、交通流量模型以及單體電動汽車充電模型對充電負荷分布的影響，評估了不同充電場景配網(wǎng)潮流運行特征。

　　此外，文獻[21]通過Agent-元胞自動機理論建立電動汽車時空分布動態(tài)演化模型，預(yù)測充電需求分布特點和演變趨勢。文獻[22]提出通過獲取交通側(cè)實際運行數(shù)據(jù)跟蹤車輛運行情況，采用大數(shù)據(jù)自底向上分析方法預(yù)測充電負荷運行曲線。但該方法只給出架構(gòu)設(shè)想，未采用實測數(shù)據(jù)進行理論驗證。

　　綜上，協(xié)同考慮交通因素與電網(wǎng)因素對電動汽車的交互影響，建立充電負荷模型更符合電動汽車移動負荷的特征。而隨著實際數(shù)據(jù)互聯(lián)互通性日趨完善，采用實測數(shù)據(jù)建模分析更貼近實際充電負荷運行情況。為此，文獻[23]以深圳市出租車原始行駛數(shù)據(jù)作為浮動車輛，提取居民出行規(guī)律，結(jié)合OD矩陣分析方法預(yù)測城市功能區(qū)充電負荷趨勢。

　　文獻[24]采用韓國交通部門路網(wǎng)視頻監(jiān)控數(shù)據(jù)獲取道路實時流量，分析交通節(jié)點快充站到站充電電動汽車數(shù)量，建立快充需求模型。文獻[25]采用瑞典GIS數(shù)據(jù)，對城市區(qū)域進行功能區(qū)聚類，運用空間馬爾可夫鏈模型描述電動汽車動態(tài)過程，分析不同功能區(qū)規(guī)模化電動汽車充電負荷對電網(wǎng)的沖擊和影響。文獻[26]依托英國PIM項目獲取電動汽車出行和充電原始數(shù)據(jù)，通過數(shù)據(jù)挖掘識別不同區(qū)域充電需求特征以及評估充電負荷對配網(wǎng)的潛在風(fēng)險。文獻[27]基于英國高速公路流量以及車輛出行模式數(shù)據(jù)，通過快充需求熱區(qū)分析對充電站進行選址定容研究。

　　上述研究雖然依據(jù)各自特征化數(shù)據(jù)建立充電負荷預(yù)測架構(gòu)，并取得一定優(yōu)勢，但沒有深入剖析區(qū)域性充電需求分布特點以及負荷轉(zhuǎn)移影響因素。因此，本文從數(shù)據(jù)驅(qū)動層面出發(fā)提出一種電動汽車充電需求預(yù)測模型。首先對“滴滴”出行原始數(shù)據(jù)集進行數(shù)據(jù)建模，采用數(shù)據(jù)挖掘和融合技術(shù)得到再生特征數(shù)據(jù)分析居民出行分布規(guī)律。其次考慮電動汽車移動負荷特性建立單體電動汽車模型。之后將挖掘得到的出行規(guī)律和結(jié)果以及單體電動汽車模型相結(jié)合構(gòu)成電動汽車充電需求預(yù)測模型架構(gòu)。最后通過路徑規(guī)劃實驗和不同場景電動汽車充電需求負荷算例，驗證所建立模型的實施效果。

　　本文主要貢獻總結(jié)如下：1)本文將滴滴行程數(shù)據(jù)引入到電動汽車充電需求建模領(lǐng)域，為電動汽車與電網(wǎng)和交通網(wǎng)互動提供一種數(shù)據(jù)驅(qū)動方式的分析思路。2)通過對滴滴行程開源數(shù)據(jù)的挖掘和融合，可以直接獲取交通出行所需的原始數(shù)據(jù)，解決了實際數(shù)據(jù)不易獲取的難題。3)電動汽車行駛參數(shù)和充電參數(shù)的選擇和設(shè)置更符合實際運行情況。且深入研究了區(qū)域間充電需求的差異性和負荷轉(zhuǎn)移特點，為后續(xù)的充電引導(dǎo)和影響評估等工作做鋪墊。

　　本文章節(jié)安如下：第1節(jié)為原始行程數(shù)據(jù)庫;第2節(jié)為行程數(shù)據(jù)挖掘與融合;第3節(jié)為單體電動汽車模型;第4節(jié)為電動汽車充電需求預(yù)測模型;第5節(jié)為路徑規(guī)劃實驗;第6節(jié)為算例分析;第7節(jié)為結(jié)論。1原始行程數(shù)據(jù)庫電動汽車作為交通工具的載體，出行規(guī)律分布直接影響到車輛的行駛決策和充電需求。因此，利用現(xiàn)有數(shù)據(jù)合理挖掘城市居民出行規(guī)律是建模預(yù)測充電需求的關(guān)鍵所在。

　　1.1數(shù)據(jù)描述

　　本文采用滴滴公司智慧交通大數(shù)據(jù)平臺提供的—“GAIAOpenDataset”開放數(shù)據(jù)進行分析處理。申請得到2016年6月1日—2016年6月31日南京市部分滴滴行程數(shù)據(jù)集，以天為單位共31個數(shù)據(jù)包，數(shù)據(jù)采樣間隔為3s，包含474590條行程數(shù)據(jù)，行程數(shù)據(jù)示例如附錄表A1所示。可直接獲得每份訂單的行程時間、行程軌跡GPS定位數(shù)據(jù)、實時速度以及興趣點(pointofinterest，POI)信息等。由于滴滴網(wǎng)約車大都能提供“點對點”的出行服務(wù)，出行數(shù)據(jù)空間分布與實際出行起訖點分布基本一致。因此采用該數(shù)據(jù)集作為浮動車輛采集技術(shù)，相較于出租車數(shù)據(jù)存在空載率高、冗余數(shù)據(jù)多等缺點[28]，更符合居民出行分布規(guī)律。

　　1.2數(shù)據(jù)預(yù)處理

　　為了消除原始數(shù)據(jù)存在噪聲數(shù)據(jù)干擾，需對原始數(shù)據(jù)進行預(yù)處理：1)數(shù)據(jù)清洗：對數(shù)據(jù)傳輸和記錄過程中產(chǎn)生的壞點數(shù)據(jù)進行清洗。對如下數(shù)據(jù)進行剔除：數(shù)據(jù)集字段為空、訂單出行距離小于500m、行程時長為0h和平均行程速度為0km/h或大于120km/h等數(shù)據(jù)。2)坐標(biāo)轉(zhuǎn)換：滴滴行程數(shù)據(jù)采用GCJ-02坐標(biāo)系進行定位，而本文電子地圖采用WSG-84坐標(biāo)系進行繪圖處理，因此為了地圖準(zhǔn)確匹配和顯示，針對不同坐標(biāo)系需進行坐系轉(zhuǎn)換，具體坐系轉(zhuǎn)換方程可參見文獻[29]。

　　1.3數(shù)據(jù)可視化

　　本文主要圍繞數(shù)據(jù)集的時空分布字段數(shù)據(jù)進行分析，因此在數(shù)據(jù)預(yù)處理之后將所需數(shù)據(jù)進行可視化顯示。給出了6月份每日出行量數(shù)據(jù)導(dǎo)入Matlab的顯示效果。進一步，將坐系轉(zhuǎn)換后的行程出發(fā)點與到達點經(jīng)緯度坐標(biāo)(即OD數(shù)據(jù)點)導(dǎo)入DataMap中進行起訖點分布繪制。總體上原始出行量在時間分布規(guī)律上根據(jù)日期類型(工作日、雙休日和節(jié)假日)的不同呈現(xiàn)一定周期性，出行空間熱區(qū)分布主要集中在城區(qū)范圍，城區(qū)邊緣較少。除此之外，更為細致的再生特征數(shù)據(jù)還需深入研究。

　　2行程數(shù)據(jù)挖掘與融合

　　2.1數(shù)據(jù)挖與掘融合方法

　　數(shù)據(jù)可視化直觀上無法深層次刻畫居民出行規(guī)律，因此需要借助數(shù)據(jù)挖掘與融合技術(shù)進行剖析，基于行程數(shù)據(jù)的挖掘與融合分析步驟如下：

　　2.1.1區(qū)域范圍選定

　　市區(qū)網(wǎng)約車行程以中短途為主，主要集中在城市中心區(qū)域，同時為了降低數(shù)據(jù)處理維度，本文選擇研究區(qū)域范圍為經(jīng)度(東經(jīng))：118.7412—118.8249，緯度(北緯)：32.0234—32.0633，超出該范圍的數(shù)據(jù)不予考慮，所選區(qū)域面積約為48.8km2，周長約為27.9km。

　　2.1.2空間網(wǎng)格建模

　　針對原始出行數(shù)據(jù)離散、非連續(xù)時空分布特點，根據(jù)交通規(guī)劃理論本文采用空間網(wǎng)格建模進行集計化處理[30]。即將所選交通平面按照空間尺度均勻劃分成不同空間網(wǎng)格作為研究區(qū)域。而空間尺度合理選擇對網(wǎng)格建模效果有著直接影響。如果空間尺度選擇過大，會導(dǎo)致大量訂單的OD點分布在同一網(wǎng)格中產(chǎn)生無效訂單數(shù)據(jù);反之尺度選擇過小，則會導(dǎo)致單位網(wǎng)格內(nèi)的數(shù)據(jù)點分布過少，且出現(xiàn)較多無效空段網(wǎng)格。

　　3單體電動汽車模型

　　前文通過對行程數(shù)據(jù)的分析完成了居民出行規(guī)律的挖掘，本節(jié)則通過建立單體電動汽車模型研究電動汽車移動負荷特性。

　　3.1電動汽車類型與數(shù)量

　　根據(jù)目前我國電動汽車發(fā)展現(xiàn)狀，以及不同功能電動汽車出行特點和充電特性[2]，本文將電動汽車分為以下3種類型：1)私家車：該類型車輛初始位置分布在居民區(qū)，工作日主要用于居民工作通勤，出行起訖點主要分布在居民區(qū)與工業(yè)區(qū)，往返時間主要集中在早晚出行高峰。行駛路線相對固定，充電方式一般為目的地慢充。2)出租車：該類型車輛初始位置分布在居民區(qū)和商業(yè)區(qū)，其出行起訖點隨機性較大，出行次數(shù)較多且行駛路線不固定。充電方式主要為緊急快充。3)其他公用車：該類型車輛主要包括公務(wù)車、商務(wù)車以及功能車(物流車和環(huán)衛(wèi)車)等。初始位置主要分布在工業(yè)區(qū)、公共服務(wù)區(qū)以及商業(yè)區(qū)。其出行目的地不固定，且出行次數(shù)較多。充電方式以目的地慢充和緊急快充相結(jié)合。由于公交車具有特定的出行規(guī)律和專用充電位置，因此不將電動公交車納入研究范圍。根據(jù)《南京市“十三五”新能源汽車推廣應(yīng)用實施方案》，結(jié)合功能區(qū)面積聚類結(jié)果和各類型電動汽車占比[1,19]，總共引入車輛總數(shù)為23780輛，私家車11890輛、出租車7134輛和其他公用車4756輛。

　　4電動汽車充電需求預(yù)測模型

　　將行程數(shù)據(jù)挖掘得到的結(jié)果與單體電動汽車模型相融合分析電動汽車充電需求負荷分布規(guī)律。1)在聚類合并的功能區(qū)域引入一定規(guī)模的電動汽車，通過蒙特卡洛抽樣為各EV生成行駛特性參數(shù)與充電特性參數(shù);2)在建立的交通路網(wǎng)上，各EV將OD間使用頻率最多路線作為實際行駛路徑完成出行;3)實時監(jiān)測充電特性參數(shù)，判斷充電需求是否觸發(fā)，根據(jù)生成需求選擇快/慢電能補給方式;4)計算區(qū)域車輛充電負荷，分析不同場景充電需求的時空分布特征。

　　5路徑規(guī)劃實驗

　　實際出行路徑是車輛行駛和充電的關(guān)鍵因素，因此，本節(jié)設(shè)置了路徑規(guī)劃實驗。首先，在不考慮車輛充電需求觸發(fā)情況下，只驗證路徑規(guī)劃效果。選擇了某一工作日不同時段以交通節(jié)點v169為起點、九組不同終點的實際路徑。實際路徑選擇具有實時動態(tài)性，不同出行時段的同一OD行駛路徑并不完全一致，原因是出行會受到道路交通擁堵因素影響。

　　同時，為了與實際路徑進(actualpath，AP)進行對比，采用Dijkstra路徑規(guī)劃算法[17]對路段權(quán)值W進行搜索。Dijkstra距離最短(shortestlengthpath，SLP)方法：搜索權(quán)重為wijlpq，即以路程距離最短為目標(biāo)規(guī)劃行車路徑;Dijkstra時間最短(shortesttimepath，STP)方法：搜索權(quán)重為wijtpq，即以路程耗時最小為目標(biāo)規(guī)劃行車路徑，其中tpqlpq/vpq，vpq由式(19)可到。

　　其中橫坐標(biāo)數(shù)字1—9分別對應(yīng)九組OD對的編號。在路程距離搜索結(jié)果中，02:00—03:00為交通出行低谷時段，AP、STP與SLP結(jié)果相差最小，AP比SLP結(jié)果平均超出21.56%，STP比SLP結(jié)果平均超出24.78%;15:00—16:00為交通出行平峰時段，兩者相差結(jié)果次之，AP平均超出28.15%，STP平均超出31.77%;07:00—08:00為交通出行高峰時段，兩者相差結(jié)果最大，AP平均超出32.15%，STP平均超出35.66%。

　　在路程耗時搜索結(jié)果中，AP、SLP與STP結(jié)果在02:00—03:00時段相差最小，AP、SLP分別超出STP25.75%、28.89%;隨后是15:00—16:00時段，兩者分別超出35.57%、37.55%;在07:00—08:00時段最大，分別超出38.18%、42.89%。而隨著OD間距離變大，誤差也隨之增加，且路程耗時搜索結(jié)果誤差大于路程距離搜索結(jié)果，路程耗時平均超出34.81%，路程距離平均超出29.01%，說明路徑搜索過程中路程耗時對結(jié)果影響程度大于路程距離。

　　進一步，為了研究實際行駛路徑選擇偏好，同樣，02:00—03:00時段STP、SLP與AP重合率最高，分別為82.31%、77.10%;15:00—16:00時段次之，兩者重合率分別為59.44%、52.56%;07:00—08:00時段最小，兩者重合率分別為55.00%、48.70%。說明交通流量越少的情況下，AP越能以路程距離或路程耗時為目標(biāo)規(guī)劃行駛路線。而總體上SLP與STP沒有與AP完全重合的路線，說明實際出行路線既不是追求路徑最短也不是耗時最少，而是兩者的一個折中選擇。STP的平均重合率(65.58%)大于SLP(59.45%)，說明相對路程距離而言，車主更傾向選擇路程耗時為路徑規(guī)劃目標(biāo)。

　　6算例分析

　　為了驗證前文出行數(shù)據(jù)與電動汽車模型的實際效果，本節(jié)設(shè)計4組不同的充電場景，分析電動汽車充電需求的負荷分布特征。

　　6.1功能區(qū)充電需求負荷

　　首先以1h為時間間隔，統(tǒng)計不同日期類型下全天觸發(fā)充電需求車輛分布情況。

　　7結(jié)論

　　本文通過對“滴滴”出行數(shù)據(jù)的挖掘以及單體電動汽車的建模，提出了一種采用數(shù)據(jù)驅(qū)動方式預(yù)測電動汽車充電需求的方法，通過路徑規(guī)劃實驗和不同場景電動汽車充電負荷時空分布實驗，驗證方法的有效性，得到如下結(jié)論：

　　1)居民出行分布特征根據(jù)日期類型不同和功能區(qū)域特點存在明顯的差異性。實際行駛路徑的選擇具有實時動態(tài)性，且車主以路程耗時最少和路程距離最短作為綜合目標(biāo)進行路徑規(guī)劃。

　　2)出行規(guī)律分布影響電動汽車的行駛特性和充電特性。充電需求負荷在時間分布上表現(xiàn)出不均衡性，而在空間分布上具有區(qū)域特征。交通因素影響電動汽車行程路線的選擇，路徑規(guī)劃目標(biāo)中行車距離占比越多，區(qū)域充電負荷越高。

　　3)不同功能區(qū)充電設(shè)施服務(wù)率的比例設(shè)置可以引起充電負荷的區(qū)域轉(zhuǎn)移。快充設(shè)施對功能區(qū)域充電負荷的影響力度要大于慢充設(shè)施。盡管如此，由于數(shù)據(jù)的隱私問題以及商業(yè)原則，本文僅申請到一個月出行數(shù)據(jù)，更多的數(shù)據(jù)將有助于更加細致規(guī)律的挖掘。

　　由于單月溫度差異性并不明顯，本文在電動汽車耗電模型中未考慮環(huán)境溫度的影響。限于篇幅，本文未深入分析充電電價以及車主充電決策等因素對充電負荷的影響，以及充電設(shè)施配比對區(qū)域間負荷分布轉(zhuǎn)移機理的分析。在今后工作中可以基于充電負荷預(yù)測模型繼續(xù)完善電動汽車有序充電控制策略、充電引導(dǎo)策略以及充電負荷分布對電網(wǎng)和交通網(wǎng)的影響等研究。

　　參考文獻

　　[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]胡澤春，宋永華，徐智威，等.電動汽車接入電網(wǎng)的影響與利用[J].中國電機工程學(xué)報，2012，32(4)：1-10.HuZechun，SongYonghua，XuZhiwei，etal.Impactsandutilizationofelectricvehiclesintegrationintopowersystems[J].ProceedingsoftheCSEE，2012，32(4)：1-10(inChinese).

　　汽車方向論文范文：關(guān)于我國新能源汽車技術(shù)的探討

　　摘要：隨著汽車銷量的增長，給人們的生活帶來很多負面問題，如空氣污染、能源減少、環(huán)境破壞等。介紹我國新能源汽車的類型、特點，以及發(fā)展面臨的阻力。

　　關(guān)鍵詞：汽車;新能源;發(fā)展;技術(shù)