电动汽车充电用户行为特征研究.docVIP

电动汽车充电用户行为特征研究 　　[摘 要]通过充电交易数据发现电动车用户的行为特征比较困难，但这些特征对于充电站运营企业提高运维服务质量至关重要。文章使用K-means聚类模型对2016年10月至2017年9月冀北地区充电站交易数据进行了研究，发现了3类用户：高速一级用户、高速二级用户和城市用户；在此基础上，进一步钻取出5类用户：跨城办公用户、游玩用户、过路用户、城市居民用户、北京办公用户。根据这些用户特征，提出了相应的运营策略、充电站规划建设建议。 　　[关键词]充电站；用户行为特征；聚类分析 　　[DOI]10.13939/j.cnki.zgsc.2018.13.125 　　1 引 言 　　充电站作为电动汽车充电基础设施，与电动汽车为互补产品。在国家“十三五”规划关于电动汽车充电基础设施需要建设适度超前、车桩相随、智能高效的充电网络体系的精神指导下，电动汽车充电站覆盖面积不断扩张、充电站用户也越来越多。正确识别充电站用户或电动汽车用户的行为特征，对于运营企业提高运营效率、提升运维服务质量、引导用户充电行为，都具有重要意义。 　　目前，国内关于电动汽车用户行为特征的研究较少。李跃（2013）和王飞龙等（2013）在研究充电站的需求预测中，将电动汽车用户分为规律性较强的A类用户、规律性一般的B类用户、随机性的C类用户，其依据主要看电动车是否为公交车或私家车。[1-2]邢龙等（2013）研究电动汽车参与的微网运行优化中，将用户分为及时充电、低价充电和双向充放电三种模式，其依据是电动汽车剩余量的多少。[3]陈丽丹等（2015）在研究电动汽车充电负荷预测中，将用户按照出行目的划分为回家、工作、购物吃饭、社交休闲和其他事务五大类。[4]陈静鹏等（2016）研究电动汽车充电站优化规划模型，也使用了类似的分类。[5]这些研究虽然不是专门研究用户特征，但是，从侧面反映出用户行为特征在相关领域研究中所起的重要作用。 　　国外关于电动车用户充电行为特征的研究也比较少。Xydas等（2016）研究了英国电动车充电需求的特征，集中在充电电量方面。[6]Speidel等（2014）研究了澳大利亚西部电动汽车的充电模式，主要考虑充电时段、电动车剩余电量等方面的因素。[7]Bi等（2016、2017）通过考虑电动车行程和充电剩余电量门限研究了新加坡电动车的充电行为。[8-9]这些研究涉及充电需求，但没有涉及用户本身。 　　国内外其他相关研究基本上集中在充电站布局选址、充电站负荷、充电站营运模式、电动车产业政策等方面。本文将使用冀北公司已运行充电桩的相关数据，对电动车充电用户的行为特征进行研究，从用户标签出发提出相关建议，为其他领域的研究奠定基础。 　　2 数据处理与研究方法 　　充电用户行为特征研究主要依赖于从车联网管理平台提取的数据，其中包括充电桩档案、冀北地区充电交易数据等。这些数据一般只涉及用户的充电卡号、充电电量、交易金额、交易方式、交易时间、交易桩号，欠缺用户准确的描述。如何从现有数据抓取用户特征依赖于正确研究方法的选择。抓取用户特征本质上就是对用户进行分类，在数据分析技术中聚类分析是最为有效的分类工具。聚类分析是一组模型、工具，使用这组工具可以将数据目标分成若干类。由于车联网平台数据相对较大，我们选择K-means模型进行聚类。 　　K-means模型的使用对数据结构有一定要求，但从车联网平台提取的数据结构性较差。因此，需要结合业务知识，对原数据进行整理和预处理，得到格式统一的、数据完整的和标准化的电动汽车用户相关的结构数据。 　　2.1 数据处理 　　数据处理将原数据从业务角度转换成K-means模型可以使用的格式。这包括代表性处理、业务处理、K-means处理。 　　代表性处理：电动车用户充电行为主要群体是大众，公交充电不具有代表性，因此，??2016年10月1日至2017年9月30日冀北交易数据中公交充电站交易数据剔除。 　　业务处理：按照运营企业业务需要，将站点分为北京相关高速、城际高速、承德市站点、廊坊市站点、唐山市站点、秦皇岛市站点、张家口市站点7类；将交易时段划分为0―3：59、4―7：59、8―11：59、12―15：59、16―19：59、20―23：59 6个时段；将交易日期划分为工作日、周末、节日3种。 　　K-means模型聚类，要求变量为数值型。因此除了卡号识别用户作为观测单位之外，充电交易数据中，高速、城市站充电次数；工作日、周末、节日充电次数；一天各时间段充电次数；各类别充电站的充电次数等都为数值型。 　　通过上述数据处理，得到20个变量反映充电用户的特征，这些变量的数据结构可以用K-means模型聚类计算。 　　2.2 K-means模型 　　K-means聚类模型由M