基于實車數(shù)據(jù)的插電式混合動力客車使用特征研究

張宇 侯巖凱

摘 要：文章選取了我國北京、重慶等6個城市共計169輛插電式混合動力公交客車為研究對象，通過新能源汽車國家監(jiān)測與管理平臺對其實際道路運行數(shù)據(jù)進行采集。基于2018年全年運行數(shù)據(jù)，構建了插電式混合動力客車使用特征數(shù)據(jù)庫，并從出行和充電兩方面對插電式混合動力客車的使用特征進行了分析。相關研究內(nèi)容可為插電式混合動力客車能耗與排放測試方法研究奠定基礎，為插電式混合動力客車能耗和排放測試方法與標準制定提供技術建議。

關鍵詞：插電式混合動力 公交客車 數(shù)據(jù)驅動 使用特征

1 前言

插電式混合動力汽車（plug-in hybrid electric vehicle，PHEV）由于其特殊的優(yōu)越性，正越來越受到市場的認可與企業(yè)的重視。PHEV的特殊之處表現(xiàn)在它綜合了油、電兩種能源，同時具備純電動汽車（electric vehicle，EV）和混合動力汽車（hybrid electric vehicle，HEV）的優(yōu)點。大量研究表明，PHEV相對傳統(tǒng)內(nèi)燃機汽車在能耗與排放方面存在一定的優(yōu)勢，且強烈依賴于車輛出行、充電特征[1-5]。

能耗和排放是PHEV兩個最為重要的性能指標[6]，相對于傳統(tǒng)燃油汽車、傳統(tǒng)混合動力汽車及純電動汽車，PHEV這兩項指標的測試評價更為復雜，需要以我國PHEV實際使用情況為基礎指定更為合理的測試評價方法。然而，目前對于PHEV公交客車使用特征的研究相對較少。本文基于新能源汽車國家監(jiān)測與管理平臺采集的插電式混合動力客車實際道路運行數(shù)據(jù)，構建了插電式混合動力客車用戶使用特征數(shù)據(jù)庫，并進行用戶使用特征分析。相關研究內(nèi)容可為插電式混合動力電動汽車能耗與排放測試方法研究奠定基礎，為插電式混合動力汽車能耗和排放測試方法與標準制定提供技術建議。

2 插電式混合動力客車使用特征數(shù)據(jù)庫構建

2.1 數(shù)據(jù)來源

本文所使用的研究數(shù)據(jù)主要來自于新能源汽車國家監(jiān)測與管理平臺（以下簡稱平臺）。平臺的數(shù)據(jù)來源為全國各省市的新能源汽車，包括私人乘用車、公務乘用車、租賃乘用車、出租乘用車、公交客車、公路客車、旅游客車、通勤客車、物流特種車、郵政特種車和環(huán)衛(wèi)特種車等12種類型的新能源汽車。截至2019年12月底，平臺共監(jiān)控全國新能源汽車290余萬輛，其中乘用車（私人乘用車、公務乘用車、租賃乘用車、出租乘用車）共計233.92萬輛，商用車（公交客車、公路客車、旅游客車、通勤客車、物流特種車、郵政特種車和環(huán)衛(wèi)特種車）共計63.53萬輛。平臺技術體系架構如圖1所示。

根據(jù)國標GB/T 32960要求，平臺數(shù)據(jù)采集項涵蓋車輛狀態(tài)、充電狀態(tài)、車速、里程、總電壓、總電流、SOC等平臺實時信息上報數(shù)據(jù)61項以及單體電池電壓、可充電儲能子系統(tǒng)個數(shù)等故障情況下的單體數(shù)據(jù)傳輸12項，共計73項數(shù)據(jù)項，數(shù)據(jù)采集時間間隔要求不超過30s。

2.2 構建流程

為了對PHEV公交客車使用特征進行研究，本文選取了北京、重慶、昆明、上海、沈陽和蘇州6個研究城市，每個城市車輛數(shù)量≥15輛，共計169輛，時間跨度為2018年全年的實際道路運行數(shù)據(jù)，數(shù)據(jù)項包括數(shù)據(jù)采集時間、車輛狀態(tài)、充電狀態(tài)、運行模式、車速、累計里程、總電壓、總電流、SOC、驅動電機列表、發(fā)動機狀態(tài)和發(fā)動機燃料消耗率，共計12項，其中驅動電機全部數(shù)據(jù)項/原始報文又可根據(jù)車型實際情況解析為驅動電機序號、驅動電機狀態(tài)等8項或16項數(shù)據(jù)項（分別對應單電機和雙電機情形）。插電式混合動力客車用戶特征數(shù)據(jù)庫構建流程如圖2所示，可分為數(shù)據(jù)準備和數(shù)據(jù)導出及處理兩個階段。

2.2.1 數(shù)據(jù)準備

數(shù)據(jù)準備為第一階段，該階段確定了本文研究的具體數(shù)據(jù)，包括確定研究城市、確定研究車型、確定研究數(shù)據(jù)項和篩選研究車輛4部分。

確定研究城市時，綜合考慮了城市PHEV公交客車數(shù)量與城市地理特征，便于不同區(qū)域對比分析;確定研究車型時，綜合考慮了不同城市車型銷量/入庫數(shù)量、廠商、車輛類型、車輛構型（串/并/混聯(lián)）、動力類型（柴油/NG）等，覆蓋面廣，便于后續(xù)開展廠商、車輛類型等方面的橫向對比分析;確定研究數(shù)據(jù)項時，根據(jù)研究基礎與研究目標對73項數(shù)據(jù)項進行篩選;篩選研究車輛時，在盡可能保證數(shù)據(jù)質量的前提下滿足隨機性要求，盡可能減少主觀因素的影響。最后，考慮到季節(jié)維度的分析，確定時間跨度為2018年全年。

2.2.2 數(shù)據(jù)導出及處理

數(shù)據(jù)準備階段完成后，需要對數(shù)據(jù)進行導出與處理，從而完成使用特征數(shù)據(jù)庫的構建。

新能源車輛國家監(jiān)管平臺數(shù)據(jù)庫分布式存儲，且隨著新能源車輛國家監(jiān)管平臺接入車輛數(shù)目的增加，整個數(shù)據(jù)庫的規(guī)模越來越大，直接搜索聚合并對一年數(shù)據(jù)進行統(tǒng)計挖掘占用資源較大，較為困難。因此本文采取了按月分批導出數(shù)據(jù)的方法。在數(shù)據(jù)導出后，利用python編程，完成“從國家平臺分批次導出數(shù)據(jù)→解碼與格式轉換→聚合為特定數(shù)據(jù)庫結構”的過程，從而完成明細數(shù)據(jù)庫的構建。

由于車輛運行工況復雜，數(shù)據(jù)傳輸過程存在著各種干擾和不確定性因素，因此平臺采集的數(shù)據(jù)包含一些錯誤和缺失。針對數(shù)據(jù)缺失問題，采取了刪除和插值填充結合的方法進行處理;針對數(shù)據(jù)錯誤問題，采取設定閾值的方法進行檢測與處理。

實際車輛運行時既有行駛狀態(tài)的數(shù)據(jù)，又有停車充電狀態(tài)的數(shù)據(jù)，此外還有停車未充電等狀態(tài)。本文在文獻[1]狀態(tài)劃分方法的基礎上，增加了行駛片段與充電片段的有效性檢驗部分，對本文研究數(shù)據(jù)進行了狀態(tài)劃分，并提取出各樣本車輛行駛片段和充電片段的特征值重構完成PHEV公交客車特征數(shù)據(jù)庫，特征值如表1所示，最終片段情況如表2所示。

3 插電式混合動力客車出行特征分析

圖3為不同城市PHEV公交客車單次出行里程累計分布圖。從圖中可以看出，對于除北京外的五個城市，其單次出行里程分布大致相同，單次出行里程約有90%的情況在100公里以內(nèi)，99%的情況在200公里以內(nèi)。昆明、上海、沈陽三座城市所有車輛單次出行里程都在300公里以內(nèi)，蘇州、重慶兩城則有極少情況單次出行里程在300公里以上。北京市客車單次出行的里程明顯大于另外五座城市。北京市單次出行在100公里以內(nèi)的情況只占到了70%左右，其有大約92%的情況單次出行里程在200公里以內(nèi)，并且有少量樣本單次出行里程達到400公里以上。

圖4為不同城市PHEV公交客車單日出行里程累積分布圖。從圖中可以看出，上海、沈陽、昆明三座城市單日出行里程大多分布在100—230公里區(qū)間內(nèi)，其中沈陽、昆明二城100—200公里區(qū)間占比在60%左右，并且有80%的車輛單日運行里程在200公里以內(nèi)，上海有80%的車輛單日運行里程大約在230公里以內(nèi)，100—200公里區(qū)間占比也在60%左右，沈陽所有樣本出行里程都在250公里以內(nèi)，昆明所有樣本出行里程都在300公里以內(nèi)，上海所有樣本出行里程都在390公里以內(nèi)。蘇州、重慶單日出行里程小于150公里占比明顯小于其他城市，二城所有樣本單日出行里程大多分布在160—220公里區(qū)間內(nèi)。蘇州單日出行里程在240公里以內(nèi)的車輛占比達到92%左右。重慶單日出行里程在220以內(nèi)的車輛占比達到80%，蘇州所有樣本出行里程都在350公里以內(nèi)，重慶所有樣本出行里程都在350公里以內(nèi)。而北京市單日行駛里程明顯大于其他城市，大約只有50%的車輛單日出行里程在200公里內(nèi)，有80%的樣本單日出行里程達到360公里，有90%的樣本單日出行里程達到400公里，有少部分車輛出行里程在400公里以上。

圖5為各城市PHEV公交客車不同季節(jié)單日出行里程。從圖中可以看出，重慶與昆明兩城受季節(jié)情況影響的變化較小，兩座城市單日出行里程均值最小值都出現(xiàn)在冬季，且夏秋兩季單日出行里程均值差別很小。其他四座城市單日出行里程均值受季節(jié)有一定影響。北京在冬季單日出行里程均值最大，在夏季單日出行里程最小。蘇州在冬季單日出行里程均值最小，在春季單日出行里程最大。上海在秋季單日出行里程均值最大，在春季單日出行里程最小。沈陽在夏季單日出行里程均值最小，在冬季單日出行里程最大。整體而言，各城市PHEV客車在不同季節(jié)的單日出行里程沒有呈現(xiàn)出明顯的規(guī)律，這可能與每個城市選取不少于15輛車的樣本數(shù)量較少有關，且部分型號車輛冬春兩季上傳數(shù)據(jù)數(shù)量較少，這些車輛單日出行里程對結果有較大的影響。

圖6為各城市PHEV公交客車不同季節(jié)平均每日出行頻次。從圖6可知，重慶、蘇州和上海三座城市的客車平均每天出行頻次，在各個季節(jié)均大于昆明、沈陽和北京三座城市的客車。除昆明外，其余5座城市客車的出行頻次隨季節(jié)有一定變化，但變化均不太大。重慶、蘇州和上海三座城市的客車，平均每天出行頻次在一年內(nèi)均達到2.75次以上。其中重慶市在夏季出行頻次最大，為3.9次。在冬季最小，為3.3次。蘇州和上海兩座城市在春季出行頻次最小，為3.2次和2.8次。在秋季出行頻次最大，為3.6次。昆明、沈陽和北京三座城市的客車，平均每天出行頻次在各個季節(jié)均在2.75次以下。其中昆明平均每天出行頻次隨季節(jié)變化波動最小，四季平均每天出行頻次都在2.5次左右，北京市在春季出行頻次最小，為2次，沈陽市在夏季出行頻次最小，為2.3次。兩座城市的客車出行頻次在冬季最大，為2.7次和2.6次。

劃分兩次出行的條件是計算車速為零的間隔時間，當間隔時間大于等于30分鐘時視作兩次出行，由于PHEV公交車在正常運營時，其停車時間超過30分鐘的情況很少出現(xiàn)，因此PHEV公交車正常運營時單次出行里程較大，單次出行里程甚至接近于單日出行里程。

與乘用車不同，PHEV公交客車受車主個人行為影響較小，主要反映了該城市該線路的交通情況。可以看到北京市單日出行里程明顯大于其他城市，經(jīng)查詢分析，這是因為北京市選取的車輛中有數(shù)輛汽車在郊區(qū)運營，并且北京市公交車運營時間比其他城市更長，因此北京市單日出行里程明顯大于其他城市。

4 插電式混合動力客車充電特征分析

6個城市有效充電片段與有效運行天數(shù)如表3所示，由于充電頻次數(shù)值太小，本文將其放大1000倍。從表中可以看出，各個城市的PHEV公交客車充電頻次均很小，遠遠達不到一天一充/兩天一充的充電頻次。這說明目前PHEV公交客車基本具有不充電出行的行為特征，運行消耗能量主要來源于發(fā)動機。這對于實際節(jié)能減排是極為不利的，同時也意味著可分析的充電數(shù)據(jù)少，為后續(xù)充電行為及能耗分析帶來了一定的困難，分析數(shù)據(jù)少，結論代表性弱。6個城市相互比較而言，重慶與上海充電頻次明顯高于其它四個城市，但仍然達不到一天一充/兩天一充的理想充電頻次。

針對所有城市的PHEV公交客車，對每座城市平均每輛車的有效出行天數(shù)和充電頻次進行了分析，如圖7所示。從圖7可以看到，各個城市的有效出行天數(shù)隨季節(jié)變化趨勢基本一致，在冬季均出現(xiàn)了明顯的大幅下降，在春夏秋季的有效出行天數(shù)約為60-90天，而在冬季的有效出行天數(shù)約為40-60天。除上海以外，其余城市從春季至夏季的有效出行天數(shù)均出現(xiàn)上升;除北京以外，其余城市從夏季至秋季的有效出行天數(shù)均出現(xiàn)上升。對于充電頻次來說，除了北京和昆明兩座城市，其余城市在夏秋兩季的充電頻次占全年充電頻次的絕大部分。對于重慶和上海兩座城市，上海市的充電頻次全年都為最高值，重慶市的充電頻次全年都為次高值，這兩座城市的充電頻次達到30-60次，遠高于其余城市的30次以下的充電頻次。

針對所有城市的PHEV公交客車，對各城市充電起始時間和充電持續(xù)時間進行了分析，如圖8和圖9所示。從圖8可以看出，北京市的客車的充電起始時間主要分布于11時-23時，且在此期間分布較為均勻。上海市充電開始時刻在所有城市中最為集中，絕大部分集中于11時左右，另一個充電小高峰出現(xiàn)在21時左右。重慶市和沈陽市的客車在所有時刻充電起始時間分布十分相近，分布均較為均勻，在24個小時內(nèi)均出現(xiàn)過充電行為。昆明市和蘇州市的客車起始充電時間主要分布于7時-16時，8時-15時占絕大部分時間，昆明市客車的充電開始高峰集中于7時和14時，蘇州市客車的充電高峰集中于13時。

從圖9可以看出，沈陽市充電持續(xù)時間分布最為集中，基本全部分布在25分鐘以內(nèi)，充電持續(xù)時間在10分鐘上出現(xiàn)一個高峰，表明沈陽市的客車充電行為均屬于迅速充少量電量就結束充電的模式。北京市的客車充電持續(xù)時間在0-150分鐘分布較為均勻，概率密度曲線呈線性下降趨勢。其余城市客車的充電持續(xù)時間大多數(shù)分布在50分鐘以內(nèi)，有少部分分布在50到150分鐘這個區(qū)間內(nèi)，而重慶市較為特殊，甚至有少部分充電持續(xù)時間超過150分鐘。

PHEV客車不同城市充電電量（以充電過程SOC增長量擬合）如圖10所示，從圖中可以看出，PHEV客車即便有充電行為，在一次充電行為中，其充電電量在大多數(shù)情況下也很少。

5 結論

（1）提出了一種基于實際道路運行數(shù)據(jù)對PHEV公交客車使用特征進行分析的方法，該方法可對PHEV其它類型車輛的使用特征進行分析;

（2）對PHEV公交客車出行特征進行分析，發(fā)現(xiàn)6個城市的PHEV公交客車單次出行里程均較大，單日出行里程、平均每日出行頻次隨季節(jié)變化較小，且不同城市間關系不一致;

（3）由于北京市有數(shù)輛樣本車輛在郊區(qū)運營，且北京市公交客車運營時間比其他城市更長，因此北京市單日出行里程明顯大于其他城市;

（4）對PHEV公交客車充電特征進行分析，發(fā)現(xiàn)6個城市的PHEV公交客車充電頻次均很小，充電電量少，PHEV公交客車基本具有不充電出行的行為特征。

本文系2018年國家重點研發(fā)計劃課題“我國汽車用戶出行規(guī)律和實際交通大數(shù)據(jù)統(tǒng)計分析研究和驗證”（項目編號：2018YFB0106404）階段性成果。

致謝：感謝北京理工大學電動車輛國家工程實驗室及新能源汽車國家監(jiān)測與管理平臺的支持

參考文獻：

[1]郝旭，王賀武，李偉峰，等.基于中國電網(wǎng)結構及一線典型城市車輛出行特征的 PHEV 二氧化碳排放分析[J]. 環(huán)境科學，2019，40（4）：1705-1714.

[2]Requia W J，Adams M D， Arain A，et al. Carbon dioxide emissions of plug-in hybrid electric vehicles： A life-cycle analysis in eight Canadian cities[J]. Renewable and Sustainable Energy Reviews，2017，78：1390-1396.

[3]Wu X，Aviquzzaman M，Lin Z. Analysis of plug-in hybrid electric vehicles utility factors using GPS-based longitudinal travel data[J]. Transportation Research Part C： Emerging Technologies，2015，57：1-12.

[4]Faria R，Marques P，Moura P，et al. Impact of the electricity mix and use profile in the life-cycle assessment of electric vehicles[J]. Renewable and Sustainable Energy Reviews，2013，24：271-287.

[5]Zhang X，Wang H. Utility factors derived from Beijing passenger car travel survey[C]//The FISITA 2014 World Automotive Congress. Maastricht，Netherlands. 2014.

[6]梁爐，符鋼戰(zhàn).不同動力系統(tǒng)的插電式混合動力汽車全生命周期能耗和排放的對比分析[J].上海汽車，2016，000（003）：45-50.