電動網約車和出租車充電需求預測

曾文亮　李富成　劉宇航　許瑾

摘 要：電動網約車和出租車的規模化發展，對城市配套充電設施規劃提出更高要求。本文依據城市電動網約車和出租車運營特性，綜合考慮城市不同區域出行特性、工作日和非工作日時間特征和天氣影響等因素，構建了電動網約車和出租車負荷預測模型?；诿商乜宸ń⒘司W約車和出租車充電需求預測流程。基于某城市電動汽車推廣數據，進行了網約車和出租車的充電需求預測，分析了空間、時間和天氣因素對充電負荷的影響，為充電設施的規劃提供了參考和依據。

關鍵詞：電動網約車 電動出租車 蒙特卡洛法 充電需求

1 引言

隨著全球環境變暖，電動汽車作為新能源汽車，以其在緩解能源短缺、減少溫室氣體排放等方面具有傳統燃油汽車難以超越的優勢，經過國家政策扶持，電動汽車未來定會進入產業化、規?；l展[1]。屆時，大規模的充電需求會成為電網負荷的重要組成部分，同時由于電動汽車所具有的隨機性、波動性等特點[2]，會影響電力系統的正常運行，因此，研究電動汽車充電特性模型是必要的。

電動網約車和出租車現已成為人們出行的主要方式之一，本文針對電動汽車中的電動網約車和出租車進行研究。將影響電動網約車和出租車充電的主要因素分為物理因素和時空因素。物理因素包括電動汽車規模、充電功率、車輛參數和充電設施等。時空因素有充電時間、起始荷電狀態、天氣降水狀況和運行區域等。文獻[3]將電動出租車固定為一天兩充，白天快速充電、夜間常規充電。文獻[4]通過對具有不同功能性質的電動汽車進行分析，研究整體產生的負荷對電網負荷的影響。文獻[5]采用聯系數將模糊的微觀因素體現在充電負荷中。文獻[6]研究不同職能區域充電負荷參數變化趨勢。文獻[7]將不同類型電動汽車的充電模式以及充電時段設定為固定模式，利用蒙特卡洛法模擬預測電動汽車的充電負荷。文獻[8]通過分析多種不同車輛類型的充電模型，研究電動汽車充電產生的總負荷曲線。文獻[9]根據電動汽車的充電規律對電動汽車充電模型建模，研究電動汽車充電負荷對配電網的影響。

上述文獻主要針對電動汽車充電負荷的單一影響因素進行研究，但電動網約車和出租車出行情況受多方面因素影響。因此本文綜合考慮時間、空間以及天氣三大因素，將城市居民區劃分為核心區、混合區、郊區三個大區域，細化24小時為4個時間段，通過對三大區域居民區的出行規律研究，結合降水量對電動汽車出行狀況影響，采用蒙特卡洛法建立電動網約車和出租車的充電負荷模型，以某中型城市為例，進行分析驗證。

2 電動網約車和出租車的充電特性分析

2.1 電動網約車和出租車的充電模式

根據對出租車和出租車運營情況的調研，將兩種類型車輛的運營模式總結如下：

表1和表2反映出租車和網約車的運行特性上的差異性。出租車司機全部是全職司機，采用兩班倒的運營模式，有大班和小班之分，由于出租車的有效充電時間較短，因此均選用快速充電模式充電。

網約車司機中有27%為兼職網約車司機，他們僅在節假日的時候運營，工作日期間相當于私家車。網約車不存在兩班倒的運營模式，夜間運行車輛較少，因此網約車在中午休息時間采用快充模式，在夜晚采用常規充電模式。

2.2 影響電動網約車和出租車出行的外部因素

（1）空間因素：網約車和出租車具有相似的出行性質，它們的出行量都與人流量密切相關。在具有不同功能屬性的區域內，網約車和出租車出行量差異較大;在具有相同功能屬性的區域內，城區與郊區的網約車和出租車出行量略有區別。本文在研究電動網約車和出租車的充電需求時，以居民區為例，將城市的居民區分為市區居民區、市區混合居民區、郊區居民區。一周內出租車人均出行次數調研數據如下：市區居民區為6.67次/百人，混合區為7.52次/百人，郊區為2.79次/百人[10]，由此可以得到三大區域內的網約車和出租車運行比例。

（2）時間因素：電動網約車和出租車的出行具有較強的時間特征，三大居民區在工作日的出行的高峰期均位于早高峰和晚高峰期間，而在休息日的出行規律卻有所不同，在休息日時，市區居民區和郊區混合居民區的出行特征類似，出行的高峰期在8：00-11：00和21：00-23：00期間，而市區混合區的出行高峰較寬，沒有其他兩個區域集中，位于12：00-23：00期間。

（3）天氣因素：電動汽車的單位里程數的耗電量與車輛的行駛速度有關，而雨雪天氣降低了車輛行駛的可見度，限制了車輛的行駛速度，從而增大了電動汽車的耗電量[11]，另一方面，雨雪天氣增大了地面的濕滑程度，增大了出行的危險性，降低網約車和出租車的出行比例，進而對充電負荷產生影響。雨雪天氣對車輛出行均有較大影響，但由于降雨在全國更為普遍且發生頻率較高，本文重點考慮降水量對網約車充電負荷的影響。

3 電動網約車和出租車的充電負荷預測

3.1 電動網約車和出租車保有量預測

根據國家相關規劃，2020年中國新能源汽車產銷量達到200萬輛，2025年新能源汽車產銷將占20%以上[12]，其中出租車、網約車電動化率接近40%。圖1為某市汽車保有量歷史數據[7]：

本文基于時間變化的Bass模型對電動汽車的保有量進行預測[7]：

其中，為預測年份，依據圖1所示汽車保有量歷史數據數據，經過線性擬合得到：、和。

考慮到出租車大班和小班的運行規律不同對充電需求預測的影響，設該城市電動出租車的總數為，大班車和小班車的數量和占比分別為、和、。

電動網約車的運行數量在工作日與非工作日會發生變化，設該城市電動網約車總數為，工作日和非工作日的網約車運行數量和比例分別為：、和、。

則一天內出租車的大班車和小班車運行數量以及網約車一天內實際運行數量滿足關系：

3.2 電動網約車和出租車的充電負荷預測方法

本文基于蒙特卡洛法完成對電動網約車和出租車充電負荷預測，預測流程如下：

（1）預測電動出租車和網約車保有量。

（2）隨機抽取日期、日行公里數、充電起始時間、不同時段充電比例，采用蒙特卡洛法進行計算。

（3）考慮空間因素，以居民區為例，確定核心區、混合區、郊區車輛運行比例。

（4）考慮天氣因素，生成隨機數與降水概率進行比較，確定為雨天時提高充電比例。

某市的一年內的降水量歷史數據如表3所示[13]：

由表3可以看出，不同月份的降水量及降水天數均存在較大差異，為了研究降水量對網約車和出租車充電需求的影響，本文利用蒙特卡洛法對月份進行隨機抽取，針對抽取月份，建立以該月平均降水量為均值的正態分布，再次利用蒙特卡洛法抽取降水量，將抽取值代入公式（3），得出電動網約車和出租車的出行降低比例，計算過程如下：

X為月份，t為該月份中所抽取的降水量，為該月降水量的均值，為標準差。

降水量對網約車和出租車的出行降低比例呈指數形式分布[14]，本文采用Logistic回歸模型分析降水量對電動網約車和出租車的出行影響。

Logistic回歸模型如公式（5）所示：

其中為網約車和出租車的出行降低比例，為最小降低比例，為降低系數，為最大降低比例，為影響出行比例的最小降水量，為降水量，當時，不影響出行。出行比例降低的部分即認為電動汽車在充電。

（5）考慮時間因素，完成對電動網約車和出租車在工作日與非工作日的抽取。

（6）確定電動網約車和出租車車輛類型。

比亞迪電動汽車已作為電動出租車廣泛投入使用[10]，本文以比亞迪E6電動汽車作為電動出租車的研究對象。

網約車中93%的車輛均為私家車[15]，私家車的種類繁多，若以單一車輛類型對電動網約車充電負荷模型建模時，將會產生較大誤差，因此，本文選取市場上銷售量較大的7種車輛類型，根據銷售比例，通過加權平均和的形式，得出研究模型中電動網約車的車輛特征。計算方法為：

其中為網約車模型的最大行駛里程數，為第一種電動汽車銷售量占所有電動車銷售總量的比例，為第種電動汽車的最大行駛里程數。

同理，根據上述方法推算出電動網約車充電模型的常規充電功率、快速充電功率和電池容量。

（7）計算各個時間段內車輛消耗負荷和充電所需時間。已知電動汽車電池的剩余電量與電動汽車的充電所需時間有直接聯系，根據公式（7）和（8）完成充電所需時長的計算。

電動網約車和出租車的起始電荷剩余量與汽車的行駛公里數有關，根據網約車和出租車的出行規律，網約車和出租車在不同時間段內的行駛里程數不同，在充電時車輛的行駛里程數滿足正態分布，假設電池最大電荷量可使車輛達到行駛的最大里程數，則汽車開始充電時的車輛電池的電荷剩余量比例應滿足關系：

其中為電動網約車和出租車開始充電時的電荷剩余量比例，為日行里程數，滿足正態分布，是電動汽車可行駛最大里程數。

車輛每次充電時長為：

其中是充電時長，是電池容量，是充電功率，是充電效率。

（8）將一天24小時分為1440分鐘，按照正態分布抽取起始充電時間，將起始充電時間與充電所需時間相加，得到一輛電動汽車的充電負荷。

是第n臺電動汽車完成充電時間，是充電所需時間，是充電起始時間，滿足正態分布。

在不同區域內，通過將某一時間段內，參與充電的電動網約車和出租車的充電負荷累加，即可得到該區域內電動網約車或出租車的充電總負荷，表達式如下：

其中，表示某充電時段參與充電的第輛車，分別表示居民區中的核心區、混合區和郊區，表示在可得到該車型在該充電時段區域內參與充電的車輛總數，表示該充電時段內在區域參與充電的第輛車產生的充電負荷，表示區域的充電總負荷。

（8）完成空間區域充電負荷累加，即可得到電動網約車和出租車在該城市居民區內產生的充電總負荷，即：

4 電動網約車和出租車的充電負荷算例分析

4.1 電動網約車、出租車基本參數選擇

根據第一電動網[16]提供的產銷數據可知，自2019年7月至2020年7月期間，銷售量較高的幾款面向大眾的純電動汽車分別是特斯拉Model 3、比亞迪秦、傳祺Aion S、蔚來ES6、奇瑞eQ電動、北汽EU系列、威馬EX5等。具體參數如表4所示：

根據上表信息和公式（7）推算網約車模型相關參數，出租車車輛參數以比亞迪E6為例，具體參數如表5所示：

根據上述保有量預測模型，代入預測的年份，在電動網約車和出租車滲透率為5%的條件下，得到網約車保有量9300輛，出租車保有量8100輛。

核心區、混合區、郊區車輛比例分為0.39、0.44、0.17。

根據電動汽車充電特性，假設充電效率。

隨機抽取降雨量，根據公式（6），計算出電動網約車和出租車的出行降低比例，根據降低比例提高電動網約車和出租車的充電比例，當抽取降雨量大于（最大降雨量）時，認定所有車輛均不出行。

4.2 工作日和非工作日下的電動網約車和出租車充電負荷曲線分析

為充分體現本文所提預測模型中空間、時間和天氣因素對負荷預測的影響，按照非工作日和工作日，分別對電動網約車和出租車在居民核心區、混合區、郊區的充電負荷需求，以及在降水和非降水情況下的充電負荷需求進行分析。

（1）由圖2至圖5均可看出電動網約車和出租車的充電負荷曲線呈“雙峰”分布，但是充電負荷在不同區域的充電高峰時段和峰谷值均有所不同，其中郊區的充電需求最小，主要原因是郊區人流量較少;綜合來看，充電需求最大的是混合區，混合區位于核心區與郊區之間，人流量雖不如核心區大，但是混合區存在著大量的居民，由于離市區更遠，所帶來的出行需求更大，因此充電需求更大。

（2）工作日時，電動網約車充電負荷曲線在凌晨1：20左右達到峰值，電動出租車充電負荷曲線在凌晨2：00左右達到峰值;非工作日時，網約車的充電負荷曲線在凌晨1：40左右達到峰值，出租車在凌晨1：50左右達到峰值;網約車和出租車的峰值出現時間不同，主要是車輛的運行模式不同造成的。

（3）比較圖3和圖5可知，工作日時的凌晨，郊區最先達到充電負荷峰值，其次是核心區，混合區最晚，而非工作日時，混合區最先達到充電負荷區間峰值，其次是核心區，最晚是郊區，這與每個區域居民的出行習慣相關[10]。

（4）比較圖2至圖5中的降水情況和非降水情況下的充電負荷曲線，均可看出降水對電動網約車和出租車充電負荷有較大影響。原因是降水情況下，司機的能見度降低，地面濕滑程度增大，增大了出行的危險程度，因此網約車和出租車出行量減少，充電比例增大，導致充電負荷增大。對比圖2和圖4容易發現降水對電動網約車影響更大，主要是因為網約車存在較多的兼職車主，網約車工作對他們來說只是一項兼職工作，當受到降水影響，出行危險增大時，更容易選擇不出行，網約車受降水影響更加明顯。

（5）比較圖2和圖4，電動網約車的最大峰值在非工作日略高于工作日，是因為非工作日有兼職網約車的加入使得網約車外出數量變大，由此帶來的充電需求更大;而中午的峰值在工作日高于非工作日，因為非工作日，人們的出行更加隨意化，在中午的出行需求大于工作日。

（6）比較圖3和圖5，電動出租車的充電負荷曲線無較大差異，原因是出租車作為具有職業化的特點的出行工具，運行模式較為固定，由此帶來的充電規律也較為固定。

4.3 不同滲透率下的電動網約車和出租車充電負荷預測

電動網約車作為電動私家車的一部分，其運行特性與傳統電動私家車有較大差異，其充電負荷需求也有不同。本文以該市電動私家車為基數，分別對電動私家車以及在5%、10%和20%三種不同的滲透率下的電動網約車和出租車的充電負荷進行預測，預測結果如圖6所示。

預測結果表明，電動網約車和出租車的充電負荷曲線呈“雙峰”分布，峰值在凌晨2點和下午13點左右出現，私家車的充電負荷曲線呈“三峰”分布，峰值分別在10點、14點和23點左右出現，其中最大峰值為12.5×105kw。隨著電動網約車和出租車數量的增長，當電動網約車和出租車的數量占比達到電動私家車數量的20%時，峰值可達8×105kw，此時已達到了私家車最大充電負荷的64%。由此可知，由于網約車和出租車運行特殊性，隨著其規模不斷增大，其充電需求增長迅速，會對該城市電動汽車總充電負荷產生較大影響。

5 結語

本文基于電動網約車和出租車運行特性，綜合考慮時間、空間、天氣三大因素對電動網約車和出租車充電需求的影響，依據某城市電動汽車推廣數據，采用蒙特卡洛法完成了對該市電動網約車和出租車充電負荷的預測。結果表明電動網約車和出租車充電需求和私家車有較大差異，對于電動網約車和出租車而言，混合居民區電動網約車充電需求最大，工作日和非工作日對電動網約車充電需求產生較大影響，降水情況下電動網約車和出租車充電需求增加。隨著電動網約車和出租車規?；l展，其充電需求增長迅速，在城市充電設計規劃時應重點關注。

基金項目：南充市校科技戰略合作項目 （No.18SXHZ0011）;西南石油大學開放性重點項目（No.KSZ19715）

四川省省級大學生創新創業訓練計劃項目（NO. S202010615086）;

參考文獻：

[1]吳憩棠.我國“十城千輛”計劃的進展[J].汽車與配件，2009（13）：15-19.

[2]陳一凡，劉廷章，金勇，張菲，梁立新.電動汽車充電調度綜述[J].電氣自動化，2017，39（03）：26-29.

[3]喬文娟. 電動汽車充電負荷預測及調整策略[D].寧夏大學，2014.

[4]蔣林洳，萬偉江，丁霄寅，李濤永，張元星，張晶.一種基于直接蒙特卡洛法的電動汽車充電負荷模型[J].供用電，2018，35（04）：20-25+13.

[5]葉鄭庚.采用聯系數與蒙特卡洛模擬的規?；妱悠嚦潆娯摵深A測[J].電器與能效管理技術，2019（20）：70-76.

[6]饒穎卿，張曉東，饒宇飛，楊軍，崔惟.考慮分段充電的實用型電動汽車概率負荷模型[J].電測與儀表，1-8.

[7]李冰軒. 基于蒙特卡洛法的規模化電動汽車充電負荷預測研究[D].寧夏大學，2018.

[8]羅卓偉，胡澤春，宋永華，楊霞，占愷嶠，吳俊陽.電動汽車充電負荷計算方法[J].電力系統自動化，2011，35（14）：36-42.

[9]韓鵬，汪晉寬，韓英華.電動汽車充電規律對配電網影響的分析與建模[J].東北大學學報（自然科學版），2012，33（12）：1702-1705.

[10]劉依敏.基于出租車GPS數據的大型居民區活動特性研究——以深圳市為例[A]. 中國城市規劃學會城市交通規劃學術委員會.品質交通與協同共治——2019年中國城市交通規劃年會論文集[C].中國城市規劃學會城市交通規劃學術委員會：中國城市規劃設計研究院城市交通專業研究院，2019：12.

[11]楊曉丹，狄靖月.天氣現象影響公路低能見度的特征[J].科技導報，2013，31（32）：58-63.

[12]工業和信息化部，國家發展改革委，科技部.汽車產業中長期發展規劃[Z].2017-04-06.

[13]http：//www.doc88.com/p-540678094474.html.

[14]劉立坤. 基于GPS數據的降雨情況下出租車運營狀態分析[D].北京交通大學，2018.

[15]鄭了了.網約車出行：現實困境與實現路徑——基于H市的實證研究[J].山西高等學校社會科學學報，2020，32（09）：43-51.

[16]http：//biz.touchev.com/industry_data.