北京市通州區電動汽車充電電量需求分析

段晨悅

(北京物資學院 經濟學院,北京 101149)

1 引 言

電動汽車的發展離不開其充電基礎設施,只有不斷完善充電基礎設施的建設,才能加快汽車用戶選擇電動汽車作為代步工具的步伐。英法德等多國已宣布未來將全面停售傳統燃油汽車,電動汽車必將逐步替代傳統燃油汽車,成為主流代步工具。我國現階段充電基礎設施尚未完全覆蓋,而區域單日充電電量可以在一定程度上反映充電基礎設施的建設情況,通州區作為北京市“城市副中心”,其單日電動汽車充電電量具有一定的代表性,對其進行研究分析對推動我國電動汽車的發展有著至關重要的意義。

目前,國內關于電動汽車充電電量需求分析的研究較少。許文超等(2011)研究了江蘇省充電站的需求,并構建了充電站需求預測模型,主要考慮區域內電動汽車保有量、單次充電平均續駛里程、每公里耗電量、平均充電時間、充電次數等因素。[1]劉文霞等(2012)研究了一地區快速充電站的需求,考慮了快速充電的日需求總量、電動汽車類型、各類電動汽車保有量、各類電動汽車平均百公里耗電量、各類電動汽車日平均行駛里程等因素。[2]武中(2017)研究了不同種類電動汽車對充電設施規劃的影響,將電動汽車分為電動私家車、電動出租車、電動公交車、電動公務車,根據其行車特性構建設施規劃模型,考慮了續航里程、平均日行駛里程、各區域(居住區、工作區、商業區、公共服務區)停車充電比例及次數等因素。[3]這些研究對我國不同地區充電設施的需求及部分充電電量進行了一定的研究,對未來充電規劃具有指導意義,但未考慮充電電量自身增長情況。

國外關于電動汽車充電電量需求有部分研究,N.Andrenacci等(2016)研究了羅馬的充電基礎設施優化配置的策略,以電動汽車代替傳統燃油汽車來構建區域的能源需求,優化設施分配建設問題。[4]Mariz B.Arias等(2017)研究了韓國首爾市區內公共快速充電站的電動汽車充電需求,構建馬爾科夫鏈交通模型,利用遠程傳輸方法確定電動汽車到達率,并構建早晨、下午、晚上三個時間段的時間空間充電需求模型。[5]HyungBin Moon等(2018)基于電動汽車用戶偏好、充電時間、電動汽車供電設備的種類,研究了消費者充電需求的變化,發現消費者進行充電行為時會在完全充電時間和充電價格之間進行權衡。[6]Guus Berkelmans等(2018)研究了阿姆斯特丹的充電需求,并構建了交叉嵌套的回歸模型進行預測。[7]這些研究涉及國外部分地區的充電電量需求研究,偏向于規模化研究,缺少對單日需求的影響因素的研究。

國內外關于電動汽車充電需求的研究主要集中在電動汽車充電基礎設施建設的產業政策、充電基礎設施的布局選址、充電基礎設施的營運模式等方面,區域單日充電電量需求分析的研究尚不完全,例如：僅將充電電量作為基礎設施研究的影響變量。文章與其他研究不同的是考慮了天氣因素、出行日類別,以及電動汽車充電電量自身的Gompertz增長,構建通州區電動汽車單日充電電量的預測模型。

2 充電電量需求模型

截至2017年10月31日,北京市通州區已建成53座電動汽車充電站,交、直流充電樁939臺。

電動汽車充電電量局部存在波動,但整體呈現上升趨勢。電動汽車充電電量的需求處于上升階段。

圖1 2016年11月至2017年10月北京市通州區電動汽車充電電量

2.1 充電電量增長趨勢

電動汽車作為新興產品,考慮產品生命周期,已進入成長期,其需求呈現增長。而電動汽車充電電量依附于電動汽車的增長,結合圖1,將充電電量的增長趨勢看作符合Gompertz增長的趨勢。

Gompertz增長率公式為：

(1)

Gompertz增長模型公式為：

logω=logα+(-βe-kt)

(2)

ω=αexp{-βe-kt}

(3)

其中ω為總充電電量(每日、周、月),t為日、周、月。

令e-kt為GMt變量,即充電電量增長影響因素。

2.2 總需求模型

2.2.1 單日充電電量影響因素

影響單日充電電量的因素是多方面的,其中出行日的類別、天氣狀況、電動汽車保有量、充電電量增長情況是最為重要的影響因素,具體包括：工作日、周末、節假日、最高氣溫、最低氣溫、風力分級、天氣情況、保有量等。這些因素對單日充電電量的影響強度在后續模型中會得到驗證。

將日期分為工作日、周末、節假日；風力分級,5～6級或大于6級的風為強風,3～4級或4～5級的風為中風,小于等于3級的風為弱風；天氣情況,小雪、中雪、大雪、小雨、中雨、大雨、雷陣雨等為雨雪天氣,晴、多云、陰為溫和天氣,霾為污染天氣。具體影響因素見表1。

表1 影響因素

2.2.2 總需求模型

單日充電電量需求,不僅依賴于其自身的增長趨勢,還依賴于其他影響因素。將充電電量自身的Gompertz增長嵌入需求模型中,構建總需求模型,即：

logωt=α+β0×e-kt+β1×Dgt+β2×Dzt+…+β12×Dbt

(4)

3 模型估計

3.1 增長趨勢中參數K估計

Smith等介紹了Gompertz增長模型及其估算過程[8],模型形式如下

(5)

其中ωt為在時間t的充電電量。式描述了充電電量隨時間的增長模式。通過構造日、周、月,三個時間的充電總電量,利用式,估算k值。

由表2可知,當k=0.4時,模型擬合程度最優。綜上所述,在總需求模型中,取k=0.4。

由k1,k2,k3的取值,估算k的取值范圍,可能是0～0.5。通過擬合總需求模型,確定最終的k值。

表2 k值與R^2

3.2 總需求模型估計

電動汽車單日充電電量主要受充電交易相關數據、天氣數據、電動汽車保有量數據等的影響,以上數據只能通過日期進行關聯從而構建模型,同時保有量數據無法精確到單日,如何進行較為準確的估計依賴于調整的方法選擇。其中對電動汽車充電電量的預測,選擇構建成熟的回歸模型；并對通過調查收集的數據進行整理,得到具有完整性、統一性、真實性、標準化的結構數據。

在總需求模型中,提到13個影響因素,其中電動汽車保有量數據,以全國年末保有量數據以及全國每月電動汽車銷售數據為基礎,以上一年底保有量加前n個月銷售量得n+1月的電動汽車保有量。舉例說明,2017年1月電動汽車保有量以2016年12月底電動汽車保有量替代,2017年2月電動汽車保有量以2016年底電動汽車保有量加2017年1月電動汽車銷售額替代。北京市電動汽車約占全國電動汽車的百分比為P,則對得到的全國電動汽車月度保有量乘以P,作為北京市電動汽車月度保有量數據。以上處理存在部分偏差,但具有一定的代表性。

對總需求模型中各影響因素進行估計。

表3 變量t-檢驗

續表

通過t-檢驗剔除節假日、最高溫度、強風、中風、弱風、雨雪天氣、溫和天氣、污染天氣8個影響因素，見表3。

對挑選出的影響因素進行深度分析,構建對數多元回歸預測模型,得出各影響因素的影響強度,具體情況見表4。

表4 參數估計值

綜上所述,對數回歸模型為：

logωt=4.910+0.110Dgt+0.216Dzt+0.02Wdt+0.365Dbt-1.730GMt

(5)

通過表5可知,模型擬合程度較好。根據上述模型,可以發現工作日、周末、最低氣溫以及北京市電動汽車保有量、充電電量增長這些因素對于單日充電電量的影響最為顯著。相對于節假日來說,工作日、周末電動汽車充電均較多,而周末充電多于工作日；最低溫度越高,電動汽車充電電量越多；北京市電動汽車保有量越多,電動汽車單日充電電量越多；充電電量隨著時間推移,呈現增長趨勢。

4 電動汽車充電電量預測

以下分析基于2016年11月1日至2017年10月31日的北京市通州區電動汽車充電交易數據、天氣數據以及電動汽車保有量數據等,經過對數據的初步處理,構建多元對數回歸模型,即式(5)。

為了更清晰地觀測預測結果,以2017年11月1日至2017年11月15日數據作為檢驗數據,獲得預測值和實際值的曲線圖。

圖2 北京市通州區充電電量預測結果

由圖2可知,預測結果與實際結果波動幾乎一致,但部分存在偏差,預測的log充電電量與實際的log充電電量的誤差絕對值最大為0.31,誤差均值為0.19。解釋說明,因本月保有量以上一月度月末保有量替代,而本月中后期的實際保有量與上一月度月末保有量的差距是隨時間遞進逐漸變

大的,導致每月中后期預測的充電電量與實際的充電電量的偏差。綜上所述,預測整體效果較好。

5 結 論

通過對北京市通州區充電交易數據、天氣數據、電動汽車保有量數據的整理,借助對數多元回歸模型等方法,充分了解了通州區的充電電量需求。文章的研究對于通州區未來電動汽車充電基礎設施的管理、建設具有一定的實際意義和應用價值,隨著充電網絡系統的不斷完善及統計方法的不斷改進,還有更多的問題值得我們去探討。