基于新能源汽车运行数据的城市充电特征研究

杨 杰 李成蹊 姚 雯 管清平 乔 丽

(1.上海市新能源汽车公共数据采集与监测研究中心，上海 201805;2.上海国际汽车城(集团)有限公司，上海 201805)

1 研究背景

新能源汽车的快速发展正在改变城市汽车使用能源的结构，并对城市充电设施的建设和供电系统的发展产生着持续性的影响。对于新能源汽车充电数据的持续分析和研究，将有助于城市相关配套设施的建设。

得益于新能源汽车运行数据采集与分析技术的进步，新能源汽车运行大数据在新能源汽车用户研究、充电基础设施建设布局分析等方面已有一定的应用基础。例如，对电动出租车充电站合理选址方法的研究，以及对新能源汽车充电需求与电网负荷预测的研究等[1]。基于《GB/T 32960-2016电动汽车远程服务与管理系统技术规范》所采集的新能源汽车数据，详细记录了新能源汽车的出行和充电数据，这些数据给予了从用电侧深入进行城市充电特征研究的新途径，这些数据在进行充电研究时主要有以下三大优势：①实现了对交流和直流充电行为的全覆盖；②可以实现不同属性车辆充电行为的区分；③可以实现每辆车辆充电行为的精准描述，并和车辆出行行为、车辆物理特性进行关联分析。

本文将基于上海纯电动乘用车的运行数据，对当前城市的充电特征进行研究，以期掌握上海充电的发展现状，并洞悉形成的原因。

2 关于分析样本

本研究选取在上海地区运行的纯电动乘用车作为分析样本，车辆运行数据的时间从2020年11月2日星期一到2020年11月29日星期日。本次研究侧重车辆的出行和充电行为，通过对车辆原始运行数据的清洗、关键字段信息的提取，形成了供后续分析使用的结构化车辆次行数据集(表1)，此数据集包含车辆每一次出行和充电行为起讫状态信息，可以显著提升后续数据分析的效率。

表1 车辆次行数据集关键指标示例说明Tab.1 Key indicators of vehicle operation data set

为提高分析的有效性，从数据集中选起了车辆数据完整度较高的28 828辆汽车进行后续的分析。

3 城市车辆真实出行情况基础分析

车辆的出行行为直接导致车辆的充电行为，研究城市车辆的整体出行特征，将帮助从需求侧了解车辆充电需求。车辆的出行天数、出行里程、出行时长、出行次数、出行OD等指标是主要的表征指标。本次随机抽选的2.8万辆纯电动汽车，每天实际出行的车辆数平均在2.4万辆，工作日的出行车辆显著多于周末。单日实际出行总里程，28天的平均值为290万公里(图1)。出行车辆单日平均出行里程在120公里上下波动，单日平均出行次数在4次上下波动，单日平均行驶时长在298分钟上下波动(图2)。

图1 每日车辆出行数据(车辆数、出行里程)Fig.1 Daily vehicle trip data (number of vehicles, trip mileage)

图2 每日车辆出行数据(出行次数、里程、时长)Fig.2 Daily vehicle trip data (trip times, mileage and duration)

以上数据反映了上海当前结构下纯电动车辆单日的出行特征，每日4次的出行次数显著高于通勤用户的出行特征，这主要是由于样本中包含高出行强度的出租车等运营类车辆。

利用车辆日均出行里程和日均出行时长指标，能较为直观的发现目前上海存在两类不同出行强度的车辆，一种偏向私人通勤和一种偏向运营。从车辆数分布情况看(图3)，通勤类车辆日均出行里程主要集中在0公里～100公里区间，日均行驶时长主要集中在1小时～3小时区间；运营类车辆日均出行里程主要集中在200公里～300公里区间，日均行驶时长在9小时～12小时区间。

图3 不同出行强度的车辆分布Fig.3 Distribution of vehicles with different travel intensity

4 城市车辆真实充电情况基础分析

车辆的充电行为因用户出行产生，又受到充电设施建设的影响。通过车辆每次充电数据的分析，可以更直观的了解其中的规律。由于11月前两周的充电数据存在一定丢失，实际选取11月16日到11月29日共两周范围内的充电数据进行分析，实际涉及充电车辆27 535辆。

通过数据分析，两周时间内，单日总充电车辆数的平均值为1.44万辆，周末会有显著的下降，这与出行车辆数的减少直接相关(图4)；单日总充电电量的平均值为52.5万度，第二周充电车辆数和充电电量显著提升，与上海天气温度下降有显著关联(图5)。

图4 每日车辆充电数据Fig.4 Daily vehicle charging data

图5 上海温度数据Fig.5 Temperature data of Shanghai

另一方面，单日车辆平均充电次数在1.6次上下小幅波动，单日车辆平均单次充电时长在131分钟上下小幅波动，单日车辆单次平均充电单量在23度上下小幅波动(图6)。从每天数据的变动情况看，上海整体充电保持较高的稳定性。

图6 每日车辆充电数据(电量、时长、次数)Fig.6 Daily vehicle charging data(electricity,duration and times)

上海和全国其他城市一样，新能源汽车的充电方式采用交流慢充或直流快充，充电场所包括居住地、工作地和公共充电场站等，居住地以3 kW、7 kW、11 kW的交流慢充为主，公共场站以直流快充为主，交流慢充为辅。为了进一步分析不同场景下的充电现状，将每次充电行为按车端充电的平均功率划分为11 kW以下(慢充)和11 kW以上(快充)的充电行为。2.7万辆样本车辆共产生320 940次充电行为，其中慢充行为次数占比39.05%，平均单次充电时长273.4分钟，平均单次充电功率5.1 kW。慢充和快充的主要差异在充电的时间和速度上，单次充入电量的差异相对较小(表2)。

表2 慢充与快充行为基础数据Tab.2 Basic data of slow charging and fast charging

从充电行为的具体分布来看，慢充行为单次充电时长分布相对分散，在1小时～6小时内都有广泛分布(图7)，这与车辆到达居住地或工作地后长时间停留并充电的场景相契合。而快充行为的单次充电时长分布相对集中，主要在30min～60min之间，这与公共充电场站短时补电的充电场景相契合。

图7 慢充与快充行为的分布特征Fig.7 Distribution of slow charging and fast charging behavior (duration)

分析每次充电行为起讫SOC的分布情况，可以进一步了解用户在进行快充和慢充行为上的差异。从分析结果看(表3)，车辆开始充电SOC分布区间广泛，慢充行为略接近低SOC区域；车辆结束充电SOC分布区间显著集中，其中慢充行为完全充满电池的比例更高，表现出了用户对慢充行为的低干预。结合慢充行为较长的充电时长，这间接表明用户在慢充时对其充电车位拥有较强的停留权，对充电时长并不敏感。总体说来，慢充行为与追求高流转率的盈利性公共充电场站的经营目的相冲突，与私人专用桩的使用场景更为吻合。

表3 充电行为的起讫SOC次数分布Tab.3 Distribution of the beginning and the end charging SOC (times)

5 城市车辆充电行为的时空分析

从时间和空间的维度去分析充电行为，可以帮助更深入的了解城市充电特征。在时间维度上，从充电行为的开始时刻着手，通过分析可以发现(图8)，慢充行为在工作日具有两个显著的充电高峰，在周末则没有早间的充电高峰。早间8到9点的充电高峰，表明了用户在工作地的充电行为；而晚间10到11点的充电高峰，表明了大量用户在居住地采用谷时电价时段进行充电的行为(上海市居民用电在22点之后按谷时电价计费)。将工作日的出行结束时刻分布与慢充行为开始时刻分布相互叠加，也能发现出行结束的行为和充电开始的行为在早间有比较好的衔接性，晚间的充电行为则具有显著的延后性(图9)。

图8 不同时段开始充电行为的次数分布Fig.8 Distribution of the starting time of charging behavior (times)

反观快充行为(图9)，可以发现快充行为分布曲线相对平缓，快充开始时间显著滞后出行结束时候，分析认为，快充行为中运营类车辆的充电行为占据较高的比重，而运营类车辆更偏向于选择在出行早高峰结束之后和结束一天运营的凌晨时段进行充电行为，运营车辆的出行特征，造成了充电曲线相对出行曲线的滞后。

图9 工作日，开始充电和结束出行时间分布曲线Fig.9 Distribution of the starting time of charging behavior and the end time of travel behavior(times)

以上从时间维度分析了上海快慢充行为的异同，下面结合每次充电的位置信息，从空间的维度进一步研究。通过对32万次充电行为的空间聚合，得到快慢充行为的次数分布热力图，图中圆圈大小代表此处充电次数的多少(图10)。从空间分布上看，慢充行为相比快充行为，分布范围更广，且无明显的聚集点，没有表现出在公共充电场站进行充电的聚集性特征。而快充行为则具有非常显著的充电聚集性，特别是北部宝山区域、西部虹桥区域和城市中心区域，而且主要聚集点也和公共充电场站位置相互对应。

图10 充电行为的空间分布Fig.10 Spatial distribution of charging behavior

从行政区划的角度看，区域间的快慢充车辆数存在显著的差异(表4)：地理范围最大的浦东新区充电车辆数最多，且有快充和慢充行为的车辆数相近；闵行区、中心七区和宝山区有快充行为的车辆数显著大于慢充车辆数；而位于远郊的奉贤区、崇明区、金山区的快充车辆数则显著少于慢充车辆数。以上特征，在充电次数的分布数据上也有体现。

表4 不同行政区域的充电数据Tab.4 Charging data of different administrative regions

结合外部市场信息分析认为，慢充行为以工作地和居住地为主，并和城市居住区及工作区布局显著相关，呈现出分散特征。快充行为完全依托集中式公共充电场站实现，闵行区拥有热门目的地虹桥机场和虹桥火车站，宝山区是大量出租车司机的重要居住地，中心七区是人流汇聚的中心。新能源汽车用户出行目的地的聚集，推动了区域快充需求的集中和公共充电场站的聚集。下图(图11)是分析车辆出行目的地所得出的车辆停留次数热力图，代表车辆停留次数较多的红色和黄色区域，在闵行虹桥枢纽区域、宝山区和中心七区存在着显著分布，与以上分析相印证。

图11 车辆出行目的地的停留次数热力图Fig.11 Thermal diagram of Vehicle destination(times)

同时，基于车辆的空间充电数据，还原了闵行区虹桥枢纽、宝山区外环外和中心七区内的三个热门公共充电场站的充电次数分布曲线(图12)，可以看到虹桥枢纽场站夜间几乎没有充电行为的发生，这与夜间没有旅客到访相关；较为偏远的宝山区外环外充电场站，其夜间充电(快充)占比较反而很高，体现出场站与用户夜间停留地接近的特征；而位于中心七区的充电场站，其白天充电频次稳定，夜间也有充电行为，其表现出持续的用户达到。以上特征，都验证了推论的合理性。

图12 典型充电场站的充电次数时刻分布曲线Fig.12 Distribution of charging behavior in typical charging stations(times)

6 研究总结

本次城市充电特征研究，基于新能源汽车的运行数据开展，共涉及2.8万辆纯电动乘用车连续28天的行为数据。通过车辆出行数据分析可知，上海纯电动乘用车主要存在日均出行100公里以下和日均出行200公里以上的两个群体，两者显著的出行强度差异，势必对充电服务有着不同的需求。从每天的出行数据看，车辆整体出行强度稳定，周末会显著减少，这也预示着充电需求的潜在变化规律。

进一步分析车辆充电数据，车辆整体的充电次数、充电时间等数据短期看是稳定的，但温度对充电需求具有潜在显著影响。从车辆采用的充电方式看，上海纯电动乘用车表现出了以快充为主的充电特征，11 kW以上快充行为的占比为61%。从充电行为的时空分布看，慢充行为在城市空间内分散分布，与车辆出行特征有较高的衔接性，工作日有显著的工作地充电特征，工作日和周末都有显著的居住地充电特征；而当前的快充行为在城市空间内具有很强的聚集性分布，特别是在闵行区、宝山区、中心七区等区域，这与充电用户的目的地热门程度高度关联。

未来，上海新能源汽车的保有量将显著提升，上海的城市充电特征也将围绕用户出行目的地和城市快慢充结构的变化而动态发展。而研究车辆的充电数据，将有助于城市充电配套建设随着新能源汽车的发展动态推进。