数据驱动的电动汽车充电站选址方法

杨珍珍，高自友

(1.北京交通大学交通运输学院交通系统科学与工程研究院,北京100044;2.北京掌行通信息技术有限公司,北京100085)

0 引言

在能源制约、环境污染的大背景下，大力发展新能源汽车成为解决众多问题的突破口，也成为我国汽车产业结构转型升级的必然选择，发展新能源汽车已经升级为国家战略.为了引导消费者选择新能源汽车，国家也颁布了一系列鼓励政策.电动汽车是最常见的新能源汽车，但由于电动汽车充电不方便，很多人不愿意购买电动汽车.如何在资源有限的情况下，通过合理布局充电站，满足更多人的需求，让更多的人愿意购买和使用电动汽车，促进电动汽车行业的良性发展，具有重要的意义.

近年来，国内外学者对充电站选址相关问题进行了研究，例如，Zhu等建立了充电站选址总费用最小化的目标函数，并提出一种基于遗传算法的求解算法[1].Dong等应用遗传算法寻找公共充电桩选址的最优选址方案[2].He等建立了用来分析插电式混合动力车在公共充电站、电价、目的地和路径选择之间相互作用的平衡建模框架，并确定公共充电站的最佳分配方案[3].王露建立了考虑用户需求、投资成本、土地区位、紧急充电里程限制，提出了基于改进遗传算法的模型求解步骤[4].陈静鹏等提出基于用户需求的电动汽车充电桩规划模型，考虑充电需求空间分布的影响，以电动汽车群体空驶成本最小化为目标，以充电站的周最大充电负荷确定建设容量，并选取建设成本最小和充电桩利用率最大的规划方法，兼顾运营商和电动车用户的利益[5].黄振森等提出考虑服务容量的充电站选址方案，并将服务容量延伸为充电桩的数量和用电配额两方面，建立了充电站选址整数规划模型，使充电站建设总成本最小化[6].董洁霜等考虑充电站建站费用与充电桩数量的非线性关系，建立建站费用与充电桩数量的关系模型，以总建站费用最小为目标，建立充电站选址模型[7].杨俊等提出一种基于分区充电需求系数的电动汽车充电设施选址定容方法，提出电动汽车负荷预测模型，根据各类电动汽车日能量需求及日最大接入数量，计算各类电动汽车充电设施的需求数量，对规划区域进行区块划分，确定各区块的充电系数，选出充电需求较高的区块，再根据候选布点区块及充电桩总数确定每个区块的充电桩数量[8].刘洪等构建了以电站投资运营者与汽车用户双方综合效益最大为目标的数学模型，提出高速公路中汽车行驶与充电选择的动态模拟方法，利用混度粒子群优化实现了求解流程与方法[9].邵赛等综合考虑充电桩排队时间和电动汽车里程约束，以最大化用户总效用为目标，建立竞争环境中的充电站选址模型[10].王辉等以交通流量大、配电系统网络损耗最小及节点电压偏移最小为目标，建立充电站最优规划的一个多目标决策模型[11].You等基于最大化往返行程数建立充电站选址模型[12].Aboolian等考虑电价、吸引力和行驶费用优化充电站位置[13].

在现有的电动汽车充电站选址研究中，考虑的因素主要包括用户需求、交通影响、场地因素、经济因素、电网影响、服务网络可靠度等多种因素，对于潜在用户需求定位的研究目前还比较少，特别是在传统数据采集手段很难获取覆盖全面的交通需求数据情况下，如何有效定位交通需求量大的位置，降低充电站选址的盲目性，避免充电站建立在需求量小的位置，仍然是需要解决的难点问题.随着移动互联网技术的飞速发展，位置数据获取变得越来越容易，通过海量的位置数据能够更加方便地挖掘潜在用户的位置分布.此外，海量数据的出现引发了一种新的科研模式，即从数据中直接查找或挖掘所需要的信息，通过对数据的分析来获得被研究对象的特征、模式和规律，进而实现对系统的管理和控制.因此，本文提出一种数据驱动的电动汽车充电站选址方法.

1 选址方法

数据驱动的电动汽车充电站选址方法是通过分析海量移动位置数据的分布规律，挖掘潜在的交通需求分布位置，为电动汽车充电站选址提供数据支撑.为了提高数据处理的效率，本文提出一种网格化的交通需求量统计方法“.网格化”又可称为单元化，是一种系统划分和组织的形式，目的是通过将系统“网格化”来降低系统的复杂性，从而实现管理水平的提升、控制效果的改善等[14].数据驱动的电动汽车充电站选址方法流程如图1所示，具体步骤如下：

Step1 利用海量的移动位置数据，提取潜在的交通需求位置，包括出发点和目的地.

Step2 将分析区域划分为等间隔大小的网格.

Step3 将交通需求位置与网格关联，统计每个网格中的交通需求量.

Step4 选择需求量大的网格作为电动汽车充电站选址的候选位置.

2 交通需求位置点提取方法

移动位置数据包括经度、纬度、时间等信息，每条轨迹数据由若干个经纬度点组成.(xi,yi,ti)表示轨迹Ω的第i个点，xi表示第i个点的经度，yi表示第i个点的纬度，ti表示第i个点的时间，i=1,2,…,n，其中，n表示轨迹Ω的经纬度点个数.则轨迹Ω可以表示为

图1 数据驱动的电动汽车充电站选址方法流程图Fig.1Diagram of location method of electric vehicle charging station based on data driven

如果同一条轨迹在同一个位置停留时间超过设定阈值δ，例如30 min或60 min，则将轨迹从长时间停留的位置断开变成2条轨迹.图2(a)表示每个经纬度点之间的时间间隔都小于设定阈值δ，轨迹不需要断开，L表示原始轨迹的长度；图2(b)表示经纬度点(xi,yi,ti)和经纬度点(xi+1,yi+1,ti+1)之间的时间间隔大于等于设定阈值δ，这种情况下，轨迹需要从第i个点断开，其中L1和L2分别表示断开后两条轨迹的长度.

为了防止异常轨迹的干扰，将长度和时长小于设定阈值的轨迹剔除.用表示分段后轨迹的长度，用表示分段后轨迹的时长，用m表示分段后每段轨迹包含的经纬度点总数，则轨迹保留的条件为

式中：Φ(·)表示利用经纬度点计算轨迹长度的函数，i=1,2,…,m.通常情况下，可设定α=2km，β=5min.

经过轨迹分段和异常轨迹过滤，每条轨迹的第1个经纬度点表示出发点，最后1个经纬度点表示目的地.

图2 轨迹分段规则Fig.2 Rules of the trajectory segment

3 网格内交通需求量统计方法

为了快速统计网格内交通需求量，将交通需求位置点(出发点和目的地)的经纬度转换为网格编号，通过统计网格编号出现的次数，间接统计网格内的交通需求量.

网格划分方法是按照一定间隔将分析区域划分为大小相等的网格，用W表示网格划分的间隔.当W=0.01°时表示分析区域按照0.01°的间隔划分为若干等间隔的网格，经度方向的0.01°约为900 m，纬度方向的0.01°约为1 100 m，每个网格为900 m×1 100 m的长方形网格，如图3所示.

图3 网格划分示意图Fig.3 Grid partition schematic diagram

定义(Xmin,Ymin)为分析区域的左下角经纬度坐标，(Xmax,Ymax)为右上角经纬度坐标.(Xi,Yi)是任意一条交通需求点位置的经纬度坐标，则(Xi,Yi)所在网格的编号(gridCx,gridCy)的计算公式为

根据上述公式计算所有交通需求点所在网格，统计每个网格内的交通需求量.网格内交通需求量统计的C++程序代码如表1所示.

表1 网格内交通需求量统计程序代码Table 1 Code for traffic demand statistics in Grid

4 实证研究

4.1 数据说明

移动位置数据通过浮动车车载设备和手机客户端采集，包含日期、时间、车辆ID、经度、纬度、速度信息，如表2所示，其中，车辆ID经过了数据脱敏处理.采集的数据为2015年9月北京的GPS数据，97.2%的GPS数据上传间隔为1 s，表2是移动位置数据的部分样例.

移动位置数据的轨迹特征分布如图4所示.经过轨迹分段处理，平均每天包含430 863条轨迹.其中，95%的轨迹长度在40 km以内(图4(a))，95%的轨迹时长在90 min以内(图4(b)).1天内有1条、2条和3条轨迹的车辆数分别占46%，26%和13%，有3条及以内轨迹条数的车辆数累计占了85%(图4(c)).轨迹的到达时间整体比出发时间滞后(图4(d))，符合实际先出发后到达的规律.此外，6:00-24:00的出行轨迹明显多于凌晨(0:00-6:00).按照α=2km，β=5min的条件过滤异常轨迹，1天内有效轨迹为302 132条.

表2 移动位置数据样例Table 2 The samples of location data

图4 轨迹特征分布Fig.4 The characteristic distribution of trips

验证所用的已有充电站数据来源于国家电网，包括充电站名称、所属区域、充电站地址、充电站位置经度、充电站位置纬度、充电桩数量、用电量、使用次数等.

4.2 网格交通需求量统计结果

以北京市的平谷区、延庆县、怀柔区和通州区为例进行实证研究.将4个区县按照0.01°(约为900 m×1 100 m)的间隔划分为若干网格，统计每个区县的交通需求量.从交通需求量的分布热力图(图5)可以看出，平谷区、延庆县、怀柔区和通州区的交通需求均集中在区县中心位置；周边零散分布一些交通需求集中的网格，主要是乡镇聚集的位置.统计结果表明，网格交通流量能够清晰的定位交通需求量大的位置，且通过网格内交通需求量的大小，能够确定需求量大的位置.交通需求量大的位置作为潜在的充电桩选址位置，有效减少充电站选址的盲目性，避免充电站建立在需求量小的位置.

已有研究中，电动汽车充电站选址所需要的交通需求量多是假设[1,10]、模型计算[11]或模拟仿真[5]，还没有研究利用实际的交通数据计算充电站选址所需的实际交通需求量，本文的研究基于海量移动位置数据提取潜在需求量大的位置，弥补了这块空白.

4.3 交通需求量与已有充电桩关联分析

为了验证数据驱动的电动汽车充电站选址方法的有效性，将已有的充电站数据与交通需求量进行关联分析.由于已有充电站只覆盖了部分网格，因此，只提取有充电站数据的网格作为关联分析对象.整体来看，随着交通需求量的增加，直流桩使用次数(图6(a))和直流桩用电量(图6(b))整体呈上升趋势.实际充电次数和用电量多的位置，交通需求量也大，说明本文提出的数据驱动的电动汽车充电站选址方法能够有效定位充电需求量大的位置.

此外，部分网格的交通需求量高但直流桩使用次数和用电量低.通过实地调查发现，导致这种现象的主要原因是充电桩设置在收费高的停车场或充电桩位置隐蔽寻找困难.对于这些情况，需要根据本文提出的方法对已有充电桩的选址进行重新布局，提高充电桩的使用率.

图5 网格交通需求量热力图Fig.5 Diagram of traffic demand in grid

分析表明：

(1)本文提出的数据驱动的电动汽车充电站选址方法能够精确定位潜在交通需求量大的位置，为充电站的选址提供数据支持和决策依据；

(2)该方法还能够为已有充电桩的选址优化提供科学依据.

图6 交通需求量与已有充电桩关联分析Fig.6 The relationship between traffic demand and existing charging piles

5 结论

本文提出了一种数据驱动的电动汽车充电站选址方法，该方法利用海量的移动位置数据提取潜在的交通需求位置点，并将交通需求位置点与网格化地图进行关联，计算每个网格中的交通需求量，需求量大的网格作为电动汽车充电站选址的候选位置.实证研究表明：①数据驱动的电动汽车充电站选址方法能够精准定位潜在需求量大的位置，为充电站的选址提供数据支持和决策依据；②该方法还能够为已有充电桩的位置优化提供科学依据.研究旨在为普及电动汽车，缓解能源压力和环境污染做出贡献.