李 浩,陳 鈺,俞 璐,涂輝招
(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室,上海 201804;2.上海市英特爾亞太研發(fā)有限公司,上海 200241;3.廈門市國土空間和交通研究中心,福建廈門 361000)
上海充換電設(shè)施公共數(shù)據(jù)采集與監(jiān)測市級(jí)平臺(tái)統(tǒng)計(jì)數(shù)據(jù)顯示,截止2020年12月底,上海市新能源汽車已經(jīng)超過42萬輛,全市充換電設(shè)施共計(jì)376 908個(gè),車樁比約1.1:1。然而,公共充電樁的使用率僅為1.95%。巨大的充電需求與較低的公共充電樁使用率共存,表明新能源汽車用戶充電需求的時(shí)空分布不均衡,也在一定程度上反映了公共充電樁布局與用戶充電需求不匹配。充電樁是充電行為的載體。對(duì)新能源汽車用戶充電行為進(jìn)行科學(xué)解析,是完善充電樁布局配置的基礎(chǔ)。電動(dòng)汽車用戶群體存在個(gè)體偏好差異,呈現(xiàn)不同的充電行為特征。甄別充電用戶群體,對(duì)不同群體用戶途中充電行為進(jìn)行解析,可以更真實(shí)地理解用戶充電行為,為充電設(shè)施布局提供更科學(xué)的技術(shù)支撐。
根據(jù)充電位置的偏好,充電行為可以分為兩類:固定充電行為和靈活充電行為[1-2]。靈活的充電行為是指發(fā)生于公共充電樁的途中充電行為,與公共充電樁的配置密切相關(guān)。分析途中充電行為的常用的方法是離散選擇模型[3-7]。而針對(duì)電動(dòng)汽車潛在類別用戶充電行為的研究大多使用潛在類別Logit模型(latent class logit,LCL)。如Yu和Mackenzie[4]利用LCL模型發(fā)現(xiàn)某些類別的用戶,在家中或一天的最后一次旅行之后更有可能進(jìn)行充電。Wang等[8]則應(yīng)用LCL模型識(shí)別服務(wù)敏感型和注重務(wù)實(shí)型兩類用戶。純電動(dòng)汽車(battery electric vehicle,BEV)由于電池容量的限制,續(xù)航里程仍小于燃油車[1]。電池在行駛途中動(dòng)力耗盡的擔(dān)憂通常被稱為里程焦慮[9],影響了BEV用戶的充電選擇。不同風(fēng)險(xiǎn)態(tài)度的用戶群體呈現(xiàn)不同程度的里程焦慮。Pan等[10]基于160份中國EV用戶問卷,利用LCL模型將EV用戶人群分為風(fēng)險(xiǎn)規(guī)避型和風(fēng)險(xiǎn)追求型兩類用戶。但Pan等[10]使用的是用戶陳述偏好數(shù)據(jù)。近年來,部分學(xué)者利用充電樁交易數(shù)據(jù)[11-13]甄別BEV用戶充電行為的類型,但由于缺乏電池電量、行駛時(shí)間等BEV用戶行為真實(shí)數(shù)據(jù),因此無法全面了解BEV用戶充電行為機(jī)理。
本文開展數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分析?;贐EV實(shí)際運(yùn)行數(shù)據(jù),采用K-means聚類方法對(duì)充電用戶進(jìn)行聚類分析,對(duì)不同類別的BEV用戶途中充電行為進(jìn)行解析,揭示電動(dòng)汽車用戶途中充電行為特征,探究途中充電行為規(guī)律,為充電設(shè)施科學(xué)合理規(guī)劃布局提供技術(shù)支撐。
數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分類分析模型主要包括三部分:數(shù)據(jù)預(yù)處理、途中充電行為識(shí)別和潛在偏好聚類分析??傮w流程圖如圖1所示。
圖1 數(shù)據(jù)驅(qū)動(dòng)下BEV途中充電潛在偏好行為分類分析流程Fig.1 Data-driven classification process for BEV enroute charging behaviors considering latent preferences
受設(shè)備故障、信號(hào)干擾等因素影響,原始采集到的BEV數(shù)據(jù)存在錯(cuò)誤的車輛狀態(tài)、異常的累積行駛里程和SOC(電池電量)、超出邊界的GPS(全球定位系統(tǒng))坐標(biāo)、重復(fù)記錄等問題。首先開展數(shù)據(jù)清洗和篩選有效數(shù)據(jù)等數(shù)據(jù)預(yù)處理工作。數(shù)據(jù)清洗的工作主要包含數(shù)據(jù)去重和異常數(shù)據(jù)處理兩方面的內(nèi)容。異常數(shù)據(jù)包括SOC為負(fù)、速度為負(fù)、累積行駛里程變小、車輛運(yùn)行狀態(tài)錯(cuò)誤等。異常數(shù)據(jù)處理主要根據(jù)字段間存在的邏輯約束,對(duì)相關(guān)字段進(jìn)行分析,補(bǔ)全空值、零值、缺失值,修正錯(cuò)誤的數(shù)值[14]。
為研究BEV用戶途中充電行為,需要對(duì)BEV用戶的充電事件進(jìn)行劃分與識(shí)別,并根據(jù)充電位置對(duì)充電地點(diǎn)進(jìn)行分類。
1.2.1事件識(shí)別與劃分
出行識(shí)別是從時(shí)空信息提取出行信息的過程.基本思路是根據(jù)GPS軌跡中的停留和移動(dòng)狀態(tài),將GPS軌跡分段,確定每一次出行的開始和結(jié)束時(shí)刻。國內(nèi)外已有相對(duì)成熟的GPS出行識(shí)別研究,主要通過尋找符合車輛“停留”時(shí)特征的連續(xù)記錄點(diǎn)判為“停留”狀態(tài)。本文中BEV的電池電量狀態(tài)變化為出行識(shí)別增加了新的維度,即充電狀態(tài)。為保證數(shù)據(jù)的連續(xù)性和有效性,對(duì)數(shù)據(jù)集進(jìn)行充電事件和出行事件的劃分處理。事件的識(shí)別基于以下三個(gè)規(guī)則:
(1)識(shí)別修正停留段:識(shí)別車輛行駛里程長時(shí)間保持不變且車輛速度持續(xù)為0的事件段,更改為停留狀態(tài)。長時(shí)間停留狀態(tài)的閾值設(shè)10 min,即10 min以上為停留段,10 min以下可能為行駛過程中暫時(shí)停留,如擁堵或停車?yán)U費(fèi)等行為。
(2)識(shí)別修正充電段:以SOC開始上升時(shí)刻作為充電開始時(shí)刻,以SOC停止上升時(shí)刻作為充電結(jié)束時(shí)刻。若SOC達(dá)到100%,將SOC達(dá)到100%的時(shí)刻作為充電結(jié)束時(shí)刻,而非拔掉插頭時(shí)刻。此外,識(shí)別長時(shí)間處于充電狀態(tài)的數(shù)據(jù)段,對(duì)記錄時(shí)間出現(xiàn)大幅跳躍的相鄰數(shù)據(jù)進(jìn)行分割。
(3)識(shí)別修正行程段:累積行駛里程發(fā)生變化且速度不為0的記錄段為行程段。此外,識(shí)別長時(shí)間處于行駛狀態(tài)的數(shù)據(jù)段,對(duì)記錄時(shí)間出現(xiàn)大幅跳躍的相鄰數(shù)據(jù)進(jìn)行分割。
最后,將行程段與充電段按時(shí)間順序整合,形成能夠反映用戶出行行為與充電行為關(guān)聯(lián)的事件集。對(duì)間隔時(shí)間較短的同類事件段進(jìn)行拼接處理,以獲得更加接近實(shí)際的事件集合。事件集的字段包含:事件開始與結(jié)束的時(shí)間、SOC、位置等。事件間未被記錄的時(shí)間段為停留段或數(shù)據(jù)缺失段。
完成事件集的創(chuàng)建后,依據(jù)以下條件判定事件的合理性及有效性:①充電段前后存在累積行駛里程變化;②充電段首尾有電池電量狀態(tài)的上升;③充電時(shí)長或行駛時(shí)長短于10 h,大于2 min;④單個(gè)行程段距離不超過180 km。
1.2.2途中充電行為識(shí)別
根據(jù)電動(dòng)汽車用戶的充電位置對(duì)途中充電行為進(jìn)行識(shí)別,若能判斷充電位置是住址或工作地,則該充電行為是固定地點(diǎn)充電行為,否則為途中充電行為。
首先對(duì)BEV用戶的家和工作地進(jìn)行識(shí)別,刪除節(jié)假日出行記錄。Wu等[15]指出識(shí)別用戶的工作地點(diǎn)需關(guān)注兩個(gè)指標(biāo):長時(shí)間在非家地點(diǎn)的停留、到達(dá)這個(gè)非家地點(diǎn)的頻率。假設(shè)用戶在一天的最后一次行程結(jié)束至第二天的第一次行程開始處在相同位置,通過分析多日數(shù)據(jù)記錄中白天與夜晚的長時(shí)間停留(超過2 h)的地點(diǎn),統(tǒng)計(jì)提取家與工作地位置。由于住址或工作地周邊存在多個(gè)充電樁停車位,經(jīng)緯度略有差別,實(shí)際上應(yīng)識(shí)別為同一位置,因此本文提出一個(gè)位置識(shí)別算法,提取家和工作地點(diǎn)。識(shí)別流程如圖2所示。首先篩選出大于2 h的整合停留段,通過停留段的時(shí)間分布(白天或夜晚)確定是否為家或工作單位的候選點(diǎn)。其次,根據(jù)圖2右側(cè)的位置篩選算法,識(shí)別記錄次數(shù)大于一半出行日(出行天數(shù)的記錄數(shù),用T表示)的位置,從而篩選出經(jīng)常性、高頻率、長時(shí)間的地點(diǎn)作為家(夜間時(shí)段)或工作地點(diǎn)(白天時(shí)段)。
研究前期針對(duì)25輛車的小樣本數(shù)據(jù),對(duì)篩選出的家和工作地進(jìn)行了驗(yàn)證。通過對(duì)照地圖,確認(rèn)家和工作地位置的POI(住宅區(qū)、工作區(qū))是否正確,不斷調(diào)整圖2參數(shù)使得篩選的位置與實(shí)際用地性質(zhì)一致。然后,使用驗(yàn)證后的篩選方法對(duì)大樣本數(shù)據(jù)進(jìn)行處理。未對(duì)300輛BEV車輛的數(shù)據(jù)逐一驗(yàn)證,采用了隨機(jī)抽樣的方法進(jìn)行部分驗(yàn)證以保證停留點(diǎn)識(shí)別結(jié)果的準(zhǔn)確性。
圖2 家和工作地位置識(shí)別流程Fig.2 Home and work location identification process
獲取各BEV用戶家和工作地位置后,對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)。若家和工作地的位置同時(shí)存在,認(rèn)為該BEV用戶為通勤用戶;如果工作地位置不存在,或家和工作地位置距離過近,認(rèn)為該BEV用戶為非通勤用戶;若住址位置不存在,則標(biāo)記該BEV數(shù)據(jù)無效,作刪除處理。通過剔除各BEV用戶在家或工作地的充電事件,可得到所有用戶非家和非工作地的充電事件,即完成了途中充電事件集的創(chuàng)建。
BEV用戶在公共充電樁的途中充電行為具有時(shí)空不確定性,但BEV用戶對(duì)充電的偏好可能具有一定的規(guī)律性或相似性。對(duì)BEV用戶途中充電行為潛在偏好模式進(jìn)行細(xì)分,可以獲取BEV途中充電行為的異質(zhì)性和規(guī)律性等特征。聚類分析可以在沒有給定明確界限劃分的情況下,根據(jù)數(shù)據(jù)相似程度對(duì)樣本進(jìn)行分組,有效實(shí)現(xiàn)對(duì)用戶途中充電潛在偏好行為的劃分。K-means聚類[16]是基于距離的無監(jiān)督式非層次聚類算法,在大數(shù)據(jù)處理方面表現(xiàn)出比系統(tǒng)聚類更強(qiáng)的優(yōu)勢。本文從計(jì)算復(fù)雜性低、高維數(shù)據(jù)等方面考慮,選用K-means聚類方法,其原理是在最小化誤差函數(shù)的基礎(chǔ)上將數(shù)據(jù)劃分為預(yù)定的K類別,采用距離作為相似性的評(píng)級(jí)指標(biāo),相似性度量主要依據(jù)歐氏距離。K-means聚類算法需要人為輸入分類數(shù)目,一般應(yīng)用“肘部法則”計(jì)算最佳分類數(shù)。肘部法則的計(jì)算原理是以成本函數(shù)最小化為目標(biāo).在選擇類別數(shù)量上,肘部法則會(huì)把不同K值的成本函數(shù)值作圖。隨著值的增大,平均畸變程度會(huì)減小;每個(gè)類包含的樣本數(shù)會(huì)減少,樣本離其類質(zhì)心會(huì)更近。但是,隨著K值繼續(xù)增大,平均畸變程度的改善效果會(huì)不斷減低。K值增大過程中,畸變程度的改善效果下降幅度最大的位置對(duì)應(yīng)的K值就是肘部,即最佳分類數(shù)。
BEV數(shù)據(jù)來自上海新能源汽車公共數(shù)據(jù)采集與 監(jiān) 測 研 究 中 心(SHEVDC)[17],包 含2016.9~2017.9期間,300輛BEV一年的實(shí)際運(yùn)行數(shù)據(jù)。安裝在BEV汽車內(nèi)的車載信息采集傳輸終端,通過GPRS無線傳輸技術(shù),以一定的時(shí)間周期(通常30 s)定時(shí)向SHEVDC發(fā)送車輛充放電、移動(dòng)、停止等狀態(tài)的運(yùn)行數(shù)據(jù)。數(shù)據(jù)字段主要包括:采集時(shí)間、GPS位置、方向、累計(jì)行駛里程、速度、SOC等。表1給出了BEV的原始數(shù)據(jù)(由于隱私,緯度信息未在表格中顯示)。車輛當(dāng)前狀態(tài)字段一欄中,1表示移動(dòng);2表示充電;0表示停止。
表1 BEV原始數(shù)據(jù)Tab.1 Raw data of a particular BEV
剔除樣本BEV中7輛年總出行里程不足200 km,總充電次數(shù)不足5次的BEV,剩余293輛BEV中共提取36 932個(gè)有效充電事件,其中途中充電樣本為3 508個(gè)。通勤(89名)與非通勤用戶(204名)不同位置充電事件占比如圖3所示。通勤用戶94%的充電事件發(fā)生在固定充電地點(diǎn),非通勤用戶為87%。兩類用戶在家充電事件占所有充電記錄分別為65%和87%,占比最大。通勤用戶途中充電的占比僅6%,非通勤用戶為13%,途中充電行為占較低,主要發(fā)揮應(yīng)急補(bǔ)充或順路充電(如購物等)的作用。
圖3 通勤與非通勤用戶充電事件占比Fig.3 Proportion of charging events for commuters and non-commuters
對(duì)通勤用戶和非通勤用戶不同充電地點(diǎn)的充電開始SOC(圖4)、充電時(shí)長(圖5)作交叉分布箱形圖,圖中自上而下分別是最大值、上4分位數(shù)、中位數(shù)、下4分位數(shù)及最小值,其余散點(diǎn)是異常值。
如圖4所示,通過獨(dú)立樣本T檢驗(yàn)分析表明,兩類用戶公共充電樁充電初始SOC無顯著性差異。比較在家充電的初始SOC差異,可以發(fā)現(xiàn)通勤用戶在家充電的起始電量較低,這是因?yàn)橥ㄇ谟脩粜谐桃?guī)律,在家充電的情況一般為晚上下班,因此電量較低;而非通勤用戶在家充電情況多樣且頻繁,更容易在電量較高時(shí)到家并開始充電。通勤用戶工作地點(diǎn)初始SOC水平較家和途中高,因?yàn)榇蟛糠滞ㄇ谟脩魧⒃诩页潆娮鳛橹饕潆娔J剑ぷ鞯爻潆娮鳛檠a(bǔ)充,在家滿電出發(fā),到工作地再繼續(xù)補(bǔ)充。兩類用戶在家充電的初始SOC水平較途中充電更高,原因是用戶午夜即使在電量較高時(shí),仍會(huì)出于習(xí)慣在家充電,但途中充電是由于電量即將耗盡或低于安全電量,用戶因里程焦慮而選擇附近充電樁充電,因此初始電量較低。
圖4 通勤與非通勤用戶在不同充電地點(diǎn)初始SOC箱型圖Fig.4 Initial SOC box diagram for BEV commuters and non-commuters at different charging locations
圖5給出了通勤和非通勤用戶在不同充電位置的充電時(shí)長。通勤用戶充電時(shí)長分別為家>工作地>公共充電樁,這符合固定地點(diǎn)充電時(shí)間較長,途中充電時(shí)間較短的預(yù)期。通勤用戶在家的充電時(shí)長大于非通勤用戶。由于本文充電時(shí)長的判定標(biāo)準(zhǔn)是充電開始到拔掉插頭或電量到達(dá)100%的充電時(shí)長,因此結(jié)論與通勤用戶在家充電初始SOC較低相吻合。通勤用戶與非通勤用戶的途中充電時(shí)間中位數(shù)、下4分位數(shù)大致相似,但通勤用戶上4分位數(shù)較長,這說明通勤用戶途中充電的異質(zhì)性較強(qiáng),一部分用戶偏好長時(shí)、慢充,但更大一部分用戶偏好短時(shí)、快充;非通勤用戶途中充電大多偏好快充。
圖5 通勤與非通勤用戶不同充電地點(diǎn)下充電時(shí)長箱型圖Fig.5 Charging duration box diagram for BEV commuters and non-commuters at different charging locations
BEV用戶途中充電行為異質(zhì)性較強(qiáng),但通勤與非通勤用戶在途中起始SOC方面沒有顯著差異。為研究可能被掩蓋的“特殊”途中充電模式,對(duì)途中充電行為進(jìn)行細(xì)分,探究用戶途中充電行為的潛在分類與偏好差異,對(duì)不同類別用戶的途中充電行為進(jìn)行群體差異分析。
K-means聚類分析需確定參與聚類的特征指標(biāo),避免使用相關(guān)性較強(qiáng)的變量進(jìn)行聚類,通過皮爾遜相關(guān)性檢驗(yàn),選取初始SOC[3]、距離上次充電的行程距離[3]、充電時(shí)長[18-19]、充電速度[20]4個(gè)變量作為聚類指標(biāo):①充電開始SOC能夠在一定程度上反映用戶的里程焦慮;②距離上次充電行駛距離能夠反映用戶對(duì)電池的利用策略;③充電時(shí)長能夠反映用戶的停留時(shí)間偏好;④充電速度由充電段穩(wěn)定電流來表示,電流絕對(duì)值越大,代表充電速度越快,用以反映用戶對(duì)快慢充的偏好。
根據(jù)肘部法則和成本曲線(圖6),選取最佳聚類數(shù)為4。通過K-means聚類算法,將途中充電事件樣本聚為4類,聚類結(jié)果如表2所示,包括各類樣本比例和聚類中心。
圖6 成本函數(shù)曲線Fig.6 Curve of cost function
表2所示,聚類得到樣本規(guī)模不同的4類組群,其中組群1包含了44.3%的樣本,組群2包含了30.2%,前兩類途中充電模式占據(jù)74.5%的樣本數(shù)量,代表了BEV用戶途中充電行為偏好模式。組群4占比最少,為9.9%。
具體分析每一類途中充電行為模式的特征,對(duì)比組群間屬性特征分布,得到不同組群的特征規(guī)律,如圖7所示。表3歸納總結(jié)圖7中不同組群的潛在偏好差異性。
表3 途中充電行為組群特征總結(jié)Tab.3 Summary of cluster characteristics of enroute charging behavior
圖7 途中充電行為組群特征分析Fig.7 Cluster characteristics of en-route charging behavior
(1)組群1:低焦慮快充模式
組群1包含了44.3%的途中充電樣本,表現(xiàn)出較低的充電起始SOC,較高的上次充電行駛里程,歸為低焦慮用戶。偏好快充和較短的充電時(shí)長(以150 km純電里程計(jì)算,-50 A的電流能夠在2 h內(nèi)為樣本車型加至滿電)。這種模式反映了用戶有經(jīng)驗(yàn)和良好的電池使用策略,在接近耗盡電池里程或達(dá)到最低可接受SOC的時(shí)候選擇較為快速的充電模式,充電時(shí)間短。因此組群1可歸納為低焦慮快充模式。
在硅晶圓上用磁控濺射、紫外光刻、離子束刻蝕工藝制備的鎳鉻薄膜電阻線寬精度≤±5%,阻值均一穩(wěn)定,電阻精度≤±0.5%,電學(xué)性能優(yōu)異,在高精度硅基無源集成電阻器方向有廣泛的應(yīng)用價(jià)值。
(2)組群2:高焦慮快充模式
組群2包含了30.2%的途中充電樣本,表現(xiàn)出較強(qiáng)的快充偏好,與組群1相似;不同之處在于組群2表現(xiàn)出較高的充電起始SOC和較短的上次充電行駛里程,在使用電池方面表現(xiàn)出高焦慮狀態(tài)。組群1、2共同構(gòu)成了74.5%的樣本數(shù)量,意味著大部分樣本BEV用戶在途中充電時(shí)更加傾向于使用快充模式。因此組群2可歸納為高焦慮快充模式。
(3)組群3:高焦慮隨時(shí)充電模式
組群3包含15.6%的途中充電樣本,充電起始SOC與上次充電行程距離的分布較為分散,可以認(rèn)為這類用戶在途中充電時(shí),電池電量狀態(tài)對(duì)充電行為的影響不大,一旦有充電機(jī)會(huì)就進(jìn)行充電。但總體而言,組群3在電池使用方面屬于高焦慮用戶,其聚類中心充電起始SOC均值很高(49.5%),超過其他三個(gè)組群。因此組群3可歸納為高焦慮隨時(shí)充電模式。
(4)組群4:目的地充電模式
組群4是4個(gè)組群中占比最小的。與組群1類似,表現(xiàn)出較低的充電起始SOC,較高的上次充電行駛里程,但充電時(shí)長較為分散,偏好慢充,電池使用焦慮較低。這類用戶可歸納為目的地充電類型,將活動(dòng)與充電相結(jié)合,充分利用活動(dòng)時(shí)間進(jìn)行充電。此類充電行為與通勤用戶的工作地充電模式相似,但在前期數(shù)據(jù)處理中已將工作地充電事件記錄從樣本中刪除,因此推測此類組群充電時(shí)應(yīng)包含除工作以外的出行活動(dòng),例如購物、娛樂等。但此類充電模式占比較小,推測用戶將長時(shí)間活動(dòng)與充電事件相結(jié)合的行為在現(xiàn)實(shí)中除固定地點(diǎn)以外的應(yīng)用場景較少。
通過分析途中充電行為其他特征與組群類型、通勤特征的關(guān)聯(lián)性,進(jìn)一步刻畫BEV用戶途中充電行為的差異性,揭示充電行為規(guī)律。
(1)途中充電開始與結(jié)束時(shí)刻關(guān)聯(lián)特征
充電開始時(shí)刻表示用戶開始途中充電的時(shí)間,充電結(jié)束時(shí)刻表示用戶結(jié)束充電或者充電達(dá)到100%的時(shí)間。由圖8可知,低焦慮快充、高焦慮快充和隨時(shí)充電三類用戶充電時(shí)刻分布相似,集中于中午、下午和晚上,少見于凌晨和上午。同時(shí),這三類用戶結(jié)束充電時(shí)刻的分布與開始充電時(shí)刻相吻合,集中于中午、下午和晚上。由于這三類用戶占據(jù)超過90%的樣本,三個(gè)組群的開始充電時(shí)刻分布能夠代表上海市BEV用戶途中充電開始時(shí)刻分布,可為未來研究提供數(shù)據(jù)基礎(chǔ)。目的地充電用戶表現(xiàn)出夜晚和凌晨的充電高峰,上午時(shí)段的充電結(jié)束高峰,與另三個(gè)組群有顯著差異,可見目的地充電常與夜間休息時(shí)間相結(jié)合。
圖8 四類途中充電行為組群充電開始與結(jié)束時(shí)刻分布圖Fig.8 Distribution of charging starting and ending time of the four types of en-route charging behaviors
(2)組群比例關(guān)聯(lián)特征
圖9統(tǒng)計(jì)了通勤與非通勤用戶組群比例分布,可以看出在非通勤用戶中,低焦慮快充模式占據(jù)最高比例(46.05%),高焦慮快充模式占31.67%,快充模式共占77.72%。上海非通勤用戶中存在一部分網(wǎng)約車司機(jī),在一次訂單結(jié)束時(shí)或想要休息、用餐時(shí),將車輛??扛浇潆姌犊斐洌斐浣Y(jié)束后繼續(xù)接單。目的地充電用戶占據(jù)最低比例(8.7%),與總樣本中組群分布的情況相似。在通勤用戶中4種組群占比差距較小,該結(jié)果可能受樣本量的影響,因?yàn)楸疚淖R(shí)別的89位通勤用戶途中充電事件數(shù)量較少,大多在家或在工作地充電。樣本BEV通勤用戶途中充電事件的數(shù)量僅占非通勤用戶的15.5%。
圖9 通勤與非通勤用戶組群比例分布圖Fig.9 Proportion of BEV commuters and non-commuters
基于位置識(shí)別算法甄別途中充電段,以初始剩余電池電量、上次充電后行駛里程、充電時(shí)長和充電速度為核心指標(biāo),利用K-means聚類方法進(jìn)行BEV用戶途中充電行為潛在偏好分類,并基于上海市300輛150 km續(xù)航里程BEV車載實(shí)際運(yùn)行數(shù)據(jù)開展了模型驗(yàn)證,主要結(jié)論:
(1)提出了BEV實(shí)際運(yùn)行數(shù)據(jù)驅(qū)動(dòng)、結(jié)合電池電量狀態(tài)變化和GPS位置信息的BEV出行車輛停留段、出行段和充電段的識(shí)別方法;
(2)提出了BEV實(shí)際運(yùn)行數(shù)據(jù)驅(qū)動(dòng)的家和工作地位置的識(shí)別算法,區(qū)分通勤與非通勤用戶,甄別非家和非工作地的途中充電事件;
(3)利用K-means,BEV用戶的途中充電潛在偏好行為可聚類為低焦慮快充(44.3%):表現(xiàn)出較低的充電起始SOC,較高的上次充電后行駛里程,偏好快充和較短的充電時(shí)長,具有良好的電池使用策略;高焦慮快充模式(30.2%):偏好快充模式,但充電起始SOC較高;高焦慮隨時(shí)充電模式(15.6%):充電起始SOC高且分散,偏好慢充;目的地充電模式(9.9%):活動(dòng)與充電相結(jié)合的充電模式;
(4)高焦慮快充、低焦慮快充和隨時(shí)充電模式的途中充電行為具有相似的充電開始與充電結(jié)束時(shí)刻分布,集中于中午、下午和晚上,少見于凌晨和上午。目的地充電模式的充電開始與結(jié)束時(shí)刻的分布與前三種類別具有顯著差異。
本文雖然使用同一車型BEV運(yùn)行數(shù)據(jù),但提出的BEV途中充電段甄別方法和潛在偏好分類算法均可推廣至其他車型。后續(xù)研究可擴(kuò)大研究的樣本量及車型,進(jìn)一步驗(yàn)證結(jié)論的可靠性和有效性。
作者貢獻(xiàn)聲明:
李浩:論文主要構(gòu)思者,指導(dǎo)數(shù)據(jù)分析,模型構(gòu)建及論文寫作。
陳鈺:數(shù)據(jù)分析,模型構(gòu)建,論文撰寫。
俞璐:數(shù)據(jù)分析,論文撰寫。
涂輝招:數(shù)據(jù)分析指導(dǎo),論文撰寫指導(dǎo)及修改。