基于新能源汽車運行數據的城市充電特征研究

楊 杰 李成蹊 姚 雯 管清平 喬 麗

(1.上海市新能源汽車公共數據采集與監測研究中心，上海 201805;2.上海國際汽車城(集團)有限公司，上海 201805)

1 研究背景

新能源汽車的快速發展正在改變城市汽車使用能源的結構，并對城市充電設施的建設和供電系統的發展產生著持續性的影響。對于新能源汽車充電數據的持續分析和研究，將有助于城市相關配套設施的建設。

得益于新能源汽車運行數據采集與分析技術的進步，新能源汽車運行大數據在新能源汽車用戶研究、充電基礎設施建設布局分析等方面已有一定的應用基礎。例如，對電動出租車充電站合理選址方法的研究，以及對新能源汽車充電需求與電網負荷預測的研究等[1]?；凇禛B/T 32960-2016電動汽車遠程服務與管理系統技術規范》所采集的新能源汽車數據，詳細記錄了新能源汽車的出行和充電數據，這些數據給予了從用電側深入進行城市充電特征研究的新途徑，這些數據在進行充電研究時主要有以下三大優勢：①實現了對交流和直流充電行為的全覆蓋；②可以實現不同屬性車輛充電行為的區分；③可以實現每輛車輛充電行為的精準描述，并和車輛出行行為、車輛物理特性進行關聯分析。

本文將基于上海純電動乘用車的運行數據，對當前城市的充電特征進行研究，以期掌握上海充電的發展現狀，并洞悉形成的原因。

2 關于分析樣本

本研究選取在上海地區運行的純電動乘用車作為分析樣本，車輛運行數據的時間從2020年11月2日星期一到2020年11月29日星期日。本次研究側重車輛的出行和充電行為，通過對車輛原始運行數據的清洗、關鍵字段信息的提取，形成了供后續分析使用的結構化車輛次行數據集(表1)，此數據集包含車輛每一次出行和充電行為起訖狀態信息，可以顯著提升后續數據分析的效率。

表1 車輛次行數據集關鍵指標示例說明Tab.1 Key indicators of vehicle operation data set

為提高分析的有效性，從數據集中選起了車輛數據完整度較高的28 828輛汽車進行后續的分析。

3 城市車輛真實出行情況基礎分析

車輛的出行行為直接導致車輛的充電行為，研究城市車輛的整體出行特征，將幫助從需求側了解車輛充電需求。車輛的出行天數、出行里程、出行時長、出行次數、出行OD等指標是主要的表征指標。本次隨機抽選的2.8萬輛純電動汽車，每天實際出行的車輛數平均在2.4萬輛，工作日的出行車輛顯著多于周末。單日實際出行總里程，28天的平均值為290萬公里(圖1)。出行車輛單日平均出行里程在120公里上下波動，單日平均出行次數在4次上下波動，單日平均行駛時長在298分鐘上下波動(圖2)。

圖1 每日車輛出行數據(車輛數、出行里程)Fig.1 Daily vehicle trip data (number of vehicles, trip mileage)

圖2 每日車輛出行數據(出行次數、里程、時長)Fig.2 Daily vehicle trip data (trip times, mileage and duration)

以上數據反映了上海當前結構下純電動車輛單日的出行特征，每日4次的出行次數顯著高于通勤用戶的出行特征，這主要是由于樣本中包含高出行強度的出租車等運營類車輛。

利用車輛日均出行里程和日均出行時長指標，能較為直觀的發現目前上海存在兩類不同出行強度的車輛，一種偏向私人通勤和一種偏向運營。從車輛數分布情況看(圖3)，通勤類車輛日均出行里程主要集中在0公里～100公里區間，日均行駛時長主要集中在1小時～3小時區間；運營類車輛日均出行里程主要集中在200公里～300公里區間，日均行駛時長在9小時～12小時區間。

圖3 不同出行強度的車輛分布Fig.3 Distribution of vehicles with different travel intensity

4 城市車輛真實充電情況基礎分析

車輛的充電行為因用戶出行產生，又受到充電設施建設的影響。通過車輛每次充電數據的分析，可以更直觀的了解其中的規律。由于11月前兩周的充電數據存在一定丟失，實際選取11月16日到11月29日共兩周范圍內的充電數據進行分析，實際涉及充電車輛27 535輛。

通過數據分析，兩周時間內，單日總充電車輛數的平均值為1.44萬輛，周末會有顯著的下降，這與出行車輛數的減少直接相關(圖4)；單日總充電電量的平均值為52.5萬度，第二周充電車輛數和充電電量顯著提升，與上海天氣溫度下降有顯著關聯(圖5)。

圖4 每日車輛充電數據Fig.4 Daily vehicle charging data

圖5 上海溫度數據Fig.5 Temperature data of Shanghai

另一方面，單日車輛平均充電次數在1.6次上下小幅波動，單日車輛平均單次充電時長在131分鐘上下小幅波動，單日車輛單次平均充電單量在23度上下小幅波動(圖6)。從每天數據的變動情況看，上海整體充電保持較高的穩定性。

圖6 每日車輛充電數據(電量、時長、次數)Fig.6 Daily vehicle charging data(electricity,duration and times)

上海和全國其他城市一樣，新能源汽車的充電方式采用交流慢充或直流快充，充電場所包括居住地、工作地和公共充電場站等，居住地以3 kW、7 kW、11 kW的交流慢充為主，公共場站以直流快充為主，交流慢充為輔。為了進一步分析不同場景下的充電現狀，將每次充電行為按車端充電的平均功率劃分為11 kW以下(慢充)和11 kW以上(快充)的充電行為。2.7萬輛樣本車輛共產生320 940次充電行為，其中慢充行為次數占比39.05%，平均單次充電時長273.4分鐘，平均單次充電功率5.1 kW。慢充和快充的主要差異在充電的時間和速度上，單次充入電量的差異相對較小(表2)。

表2 慢充與快充行為基礎數據Tab.2 Basic data of slow charging and fast charging

從充電行為的具體分布來看，慢充行為單次充電時長分布相對分散，在1小時～6小時內都有廣泛分布(圖7)，這與車輛到達居住地或工作地后長時間停留并充電的場景相契合。而快充行為的單次充電時長分布相對集中，主要在30min～60min之間，這與公共充電場站短時補電的充電場景相契合。

圖7 慢充與快充行為的分布特征Fig.7 Distribution of slow charging and fast charging behavior (duration)

分析每次充電行為起訖SOC的分布情況，可以進一步了解用戶在進行快充和慢充行為上的差異。從分析結果看(表3)，車輛開始充電SOC分布區間廣泛，慢充行為略接近低SOC區域；車輛結束充電SOC分布區間顯著集中，其中慢充行為完全充滿電池的比例更高，表現出了用戶對慢充行為的低干預。結合慢充行為較長的充電時長，這間接表明用戶在慢充時對其充電車位擁有較強的停留權，對充電時長并不敏感?？傮w說來，慢充行為與追求高流轉率的盈利性公共充電場站的經營目的相沖突，與私人專用樁的使用場景更為吻合。

表3 充電行為的起訖SOC次數分布Tab.3 Distribution of the beginning and the end charging SOC (times)

5 城市車輛充電行為的時空分析

從時間和空間的維度去分析充電行為，可以幫助更深入的了解城市充電特征。在時間維度上，從充電行為的開始時刻著手，通過分析可以發現(圖8)，慢充行為在工作日具有兩個顯著的充電高峰，在周末則沒有早間的充電高峰。早間8到9點的充電高峰，表明了用戶在工作地的充電行為；而晚間10到11點的充電高峰，表明了大量用戶在居住地采用谷時電價時段進行充電的行為(上海市居民用電在22點之后按谷時電價計費)。將工作日的出行結束時刻分布與慢充行為開始時刻分布相互疊加，也能發現出行結束的行為和充電開始的行為在早間有比較好的銜接性，晚間的充電行為則具有顯著的延后性(圖9)。

圖8 不同時段開始充電行為的次數分布Fig.8 Distribution of the starting time of charging behavior (times)

反觀快充行為(圖9)，可以發現快充行為分布曲線相對平緩，快充開始時間顯著滯后出行結束時候，分析認為，快充行為中運營類車輛的充電行為占據較高的比重，而運營類車輛更偏向于選擇在出行早高峰結束之后和結束一天運營的凌晨時段進行充電行為，運營車輛的出行特征，造成了充電曲線相對出行曲線的滯后。

圖9 工作日，開始充電和結束出行時間分布曲線Fig.9 Distribution of the starting time of charging behavior and the end time of travel behavior(times)

以上從時間維度分析了上?？炻湫袨榈漠愅?，下面結合每次充電的位置信息，從空間的維度進一步研究。通過對32萬次充電行為的空間聚合，得到快慢充行為的次數分布熱力圖，圖中圓圈大小代表此處充電次數的多少(圖10)。從空間分布上看，慢充行為相比快充行為，分布范圍更廣，且無明顯的聚集點，沒有表現出在公共充電場站進行充電的聚集性特征。而快充行為則具有非常顯著的充電聚集性，特別是北部寶山區域、西部虹橋區域和城市中心區域，而且主要聚集點也和公共充電場站位置相互對應。

圖10 充電行為的空間分布Fig.10 Spatial distribution of charging behavior

從行政區劃的角度看，區域間的快慢充車輛數存在顯著的差異(表4)：地理范圍最大的浦東新區充電車輛數最多，且有快充和慢充行為的車輛數相近；閔行區、中心七區和寶山區有快充行為的車輛數顯著大于慢充車輛數；而位于遠郊的奉賢區、崇明區、金山區的快充車輛數則顯著少于慢充車輛數。以上特征，在充電次數的分布數據上也有體現。

表4 不同行政區域的充電數據Tab.4 Charging data of different administrative regions

結合外部市場信息分析認為，慢充行為以工作地和居住地為主，并和城市居住區及工作區布局顯著相關，呈現出分散特征?？斐湫袨橥耆劳屑惺焦渤潆妶稣緦崿F，閔行區擁有熱門目的地虹橋機場和虹橋火車站，寶山區是大量出租車司機的重要居住地，中心七區是人流匯聚的中心。新能源汽車用戶出行目的地的聚集，推動了區域快充需求的集中和公共充電場站的聚集。下圖(圖11)是分析車輛出行目的地所得出的車輛停留次數熱力圖，代表車輛停留次數較多的紅色和黃色區域，在閔行虹橋樞紐區域、寶山區和中心七區存在著顯著分布，與以上分析相印證。

圖11 車輛出行目的地的停留次數熱力圖Fig.11 Thermal diagram of Vehicle destination(times)

同時，基于車輛的空間充電數據，還原了閔行區虹橋樞紐、寶山區外環外和中心七區內的三個熱門公共充電場站的充電次數分布曲線(圖12)，可以看到虹橋樞紐場站夜間幾乎沒有充電行為的發生，這與夜間沒有旅客到訪相關；較為偏遠的寶山區外環外充電場站，其夜間充電(快充)占比較反而很高，體現出場站與用戶夜間停留地接近的特征；而位于中心七區的充電場站，其白天充電頻次穩定，夜間也有充電行為，其表現出持續的用戶達到。以上特征，都驗證了推論的合理性。

圖12 典型充電場站的充電次數時刻分布曲線Fig.12 Distribution of charging behavior in typical charging stations(times)

6 研究總結

本次城市充電特征研究，基于新能源汽車的運行數據開展，共涉及2.8萬輛純電動乘用車連續28天的行為數據。通過車輛出行數據分析可知，上海純電動乘用車主要存在日均出行100公里以下和日均出行200公里以上的兩個群體，兩者顯著的出行強度差異，勢必對充電服務有著不同的需求。從每天的出行數據看，車輛整體出行強度穩定，周末會顯著減少，這也預示著充電需求的潛在變化規律。

進一步分析車輛充電數據，車輛整體的充電次數、充電時間等數據短期看是穩定的，但溫度對充電需求具有潛在顯著影響。從車輛采用的充電方式看，上海純電動乘用車表現出了以快充為主的充電特征，11 kW以上快充行為的占比為61%。從充電行為的時空分布看，慢充行為在城市空間內分散分布，與車輛出行特征有較高的銜接性，工作日有顯著的工作地充電特征，工作日和周末都有顯著的居住地充電特征；而當前的快充行為在城市空間內具有很強的聚集性分布，特別是在閔行區、寶山區、中心七區等區域，這與充電用戶的目的地熱門程度高度關聯。

未來，上海新能源汽車的保有量將顯著提升，上海的城市充電特征也將圍繞用戶出行目的地和城市快慢充結構的變化而動態發展。而研究車輛的充電數據，將有助于城市充電配套建設隨著新能源汽車的發展動態推進。