新能源汽車監測平臺在行駛和充電場景中的應用與思考

毛 玲 鄧思文 趙登輝 唐立穎 孫欣杰

新能源汽車監測平臺在行駛和充電場景中的應用與思考

毛 玲1鄧思文2趙登輝1唐立穎2孫欣杰2

（1. 上海電力大學電氣工程學院 上海 200090 2. 上海市新能源汽車公共數據采集與監測研究中心 上海 201805）

因能源和氣候問題，新能源汽車產業得到了廣泛的關注。新能源汽車的信息化和智能化積累了大量數據，為合理地利用大數據技術進行信息處理和數據挖掘，推動新能源汽車與能源、交通、通信全面深度融合，建立了上海市新能源汽車公共數據采集與監測平臺。首先介紹平臺的架構、采集數據類型和平臺標簽體系，對新能源汽車的使用特征進行分析，著重關注了行駛行為和充電行為的時空分布情況，分別從充電設施、電網、安全等方面提供了新能源汽車監測平臺的應用思路。最后，對新能源汽車監測平臺現存問題和發展規劃進行了總結和展望。

新能源汽車監測平臺 大數據 特征分析 應用

0 引言

作為能源消耗大國，我國石油總量近一半供給汽車。一方面，相較傳統內燃機車型，新能源汽車效率高至2～4倍[1]；另一方面，2021年全國兩會通過“十四五”規劃綱要，進一步明確制定了2030年前“碳達峰”的行動計劃[2]。發展新能源汽車，減少國家石油資源消耗和碳排放，是順應我國能源結構調整、應對氣候變化的關鍵環節，也是我國從汽車大國邁向汽車強國的必由之路[3]。

截至2020年底，全球新能源汽車存量約有1 000萬輛，其中中國540萬輛。全球總銷量約為333萬輛，比上年增長68.7萬輛，增幅為26.0%。按照目前各國政府發展規劃預測，到2030年，全球上路的新能源汽車數量將達到1.45億輛，若實施更加嚴格的減排減碳措施，或可達到2.3億輛，市場占有率將達到12%[4]。

新能源汽車產業已經進入成長期，政策補貼自2017年開始明顯退坡，2019年后加速退出，補貼向高能量密度、低電耗新能源汽車傾斜，向運營端和基礎設施建設轉移。截至2021年6月，中國電動充電基礎設施促進聯盟內成員單位總計上報公共類充電樁92.4萬臺，其中直流充電樁37.4萬臺、交流充電樁55.0萬臺、交直流一體充電樁426臺[5]。

國務院辦公廳2020年10月20日印發《新能源汽車產業發展規劃（2021－2035年）》提出“推動產業融合發展”“構建產業協同發展新格局”[2]。為促進新能源汽車產業高質量競爭發展，有必要對新能源汽車進行監測。汽車監測平臺的運行能夠實時獲取新能源汽車的地理位置信息和整車、零部件等運行數據，并通過便捷、直觀的人機界面告知監測人員相關信息。

隨著新能源汽車的逐漸普及以及新能源汽車車載信息系統的完善，在車輛行駛過程中會積累大量數據[6]，未來還有望接入氣象數據、道路建設數據等，形成新能源汽車多源數據庫。傳統數據分析領域主要是基于表格等結構化數據進行研究，已不能滿足新能源汽車行業的數據分析需求，而依托于大數據技術的監測平臺在滿足上述需求外，還可以提供更加豐富和直觀的數據信息。通過建立新能源汽車大數據分析平臺，結合交通運行數據、基礎設施數據、城市活動數據，進行多維、多層次集成，積極探索與產學研各類機構的多元化合作模式，推動新能源汽車數據在交通、保險、電信等重點領域的融合應用，助力提升其公共服務水平，為推廣新能源汽車應用發揮積極的促進作用[7]。

目前國內涉及新能源汽車監測的地方平臺主要存在于上海市、成都市、青島市、武漢市和西安市的平臺。其中，“上海市新能源汽車公共數據采集與監測研究中心”是由上海國際汽車城（集團）有限公司、上海機動車檢測中心、上海交大教育發展基金會以及上海嘉定區光彩基金促進會四家單位發起，于2014年由上海市經信委發文批復成立并負責業務指導，由上海市社會團體管理局批準成立的非營利組織（獨立法人）。

截至2021年6月，數據中心已接入新能源汽車51.8萬，遠遠超過其他平臺不足10萬的接入量，已獲得106家NEV(new energy vehicle)企業、113個NEV品牌，涵蓋839款車型，基本覆蓋全部車型。數據中心的數據樣本容量大，統計估計量的代表性誤差小。通過對新能源汽車大數據的分析，揭示出上海新能源汽車用戶的使用行為特征，為包括政府、企業、消費者決策等不同類型參與方提供新能源汽車相關的大數據支持。借助新能源汽車監測平臺，挖掘和探索海量新能源汽車數據在行駛、充電和安全場景中的應用價值更值得關注。

本文主要介紹了上海市新能源汽車公共數據采集與監測平臺的架構，應用大數據技術進行特征分析，并描繪了相關應用場景，最后，討論了當前監測平臺存在的不足和發展方向。

1 上海市新能源汽車公共數據采集與監測平臺概述

1.1 平臺架構

新能源汽車監測平臺系統架構如圖1所示，整體上基于阿里云HBase X-Pack構建。HBase X-Pack是基于Apache HBase及HBase生態構建的多模數據庫，支持數據從處理、存儲到分析的全流程。

圖1 新能源汽車監測平臺系統架構

數據采集層：車企平臺上傳的數據報文，首先經過系統平臺的物聯網網關，然后借助規則引擎對數據報文進行解析，拆分成有意義的數據項，以數據記錄的方式放入統一數據管道、分布式消息隊列ONS中，實現將車企、樁企相關業務數據實時地同步到大數據平臺中。數據采集層在大數據平臺中起到數據加工中心的作用。

數據存儲層：是綜合服務平臺建設的核心，其根本目的是有效管理數據中心分析型業務范圍內的全量數據，達到統一存儲、分布式部署、集中分析、高效訪問、統一決策的目的。數據中心企業級的數據倉庫也將構建在大數據平臺之上。

計算服務層：該層構建在數據存儲層之上，主要利用Hadoop、Spark生態系統組件的數據分析能力實現新能源汽車行業分析場景。計算服務層既包含用戶的業務應用也包含具體的分析類型，如實時查詢、數據挖掘等。

統一接口層：通過計算服務層對車輛等數據進行分析處理后，結果數據存放到關系型數據庫MySQL或者回流到HBase中，然后通過統一的接口服務對外暴露數據。該層旨在通過統一的形式對外共享數據。

數據應用層：是圖1所示監測平臺的最后一層，該層可以通過報表、圖表和圖形的方式向數據中心人員直觀地展現數據。

新能源汽車車載信息系統按國家標準對車輛數據進行采集[8-9]，通過無線網絡將信息加密傳遞至企業平臺。企業平臺負責新能源汽車安全監管，同時將公共領域車輛運行數據、統計信息以及故障處理信息實時上報給地方和國家平臺。新能源汽車數據類型如圖2所示，數據分為六類，共計61項。

1.2 平臺標簽體系

要建立一套標簽體系，主要依賴類目標簽體系、用戶畫像和應用場景[10]。

類目標簽體系是以業務核心-新能源汽車為中心建立的，以新能源汽車的分類為基礎構建類目樹。類目標簽體系分為三類：原始數據標簽、統計數據標簽、算法數據標簽。

用戶畫像本質上也是一套標簽體系，只是結構相同但內容相異。在用戶畫像這套標簽體系中，分為靜態信息和動態信息兩部分。靜態信息就是用戶的自有屬性，如新能源汽車的車輛車型信息；而動態信息主要就是要記錄什么人，什么時間，什么地點做了一件什么事情，如新能源汽車車主的行駛和充電情況。

圖2 新能源汽車數據類型

最后業務核心之間、業務和用戶角色之間、用戶角色之間，一旦產生交互，就可以形成應用場景，可以說應用場景囊括了所有游離的標簽。

目前數據中心基于現有數據，分為四大類指標，如圖3所示，包括行駛行為分析指標、用戶充電分析指標、車輛性能分析指標、用戶畫像分析指標等特征指標。

圖3 新能源汽車的標簽體系

2 上海市新能源汽車公共數據采集與監測平臺用戶使用特征分析

傳統用戶特征分析多用于互聯網領域，根據用戶信息制定用戶畫像，為其提供精準推送、個性服務[11]。

在人—車—網智能結合的新能源汽車行業，通過對新能源汽車大數據的分析，試圖揭示上海新能源汽車用戶的使用行為特征，為包括消費者、企業、政府等不同類型參與方提供新能源汽車相關的大數據支持。

根據2019年統計的新能源汽車自燃數據中，與動力電池安全相關的新能源汽車安全事故達40余起，人民的生命安全和新能源汽車行業遭遇威脅[12]。上海市新能源汽車公共數據采集與監測平臺能實時獲取新能源汽車信息，通過人機界面及時告知監測人員，從而確保行車安全。此外，還能為用戶提供諸如查詢、計費等基礎服務。

對企業而言，平臺對新能源汽車各項運行數據進行監測分析，有助于發現生產技術上的問題，從而降低油耗、車輛危險事件、故障發生概率并降低運營成本，為企業制定銷售運營策略、產品升級方向提供參考[13]。

平臺的運行為政府整體性治理提供了技術支持，避免跨部門可能導致的政策不協調、治理效率低等問題[14]。通過對新能源汽車行駛特征的分析，有助于預測交通堵塞和規劃布局充電樁；對充電特性的分析，有助于智能配電網調度、電能質量、汽車安全研究，并為進一步有序充電和V2G（vehicle-to-grid）技術提供支持。

2.1 行駛特征分析

2.1.1 行駛行為時間分布

對上海新能源汽車的行駛行為進行概率統計分析，分析結果顯示，車輛的日行駛里程分布規律基本滿足：越靠近內環，新能源汽車行駛行為分布越密集，新能源汽車出行高峰出現在7:00和17:00，與人們正常出行的早晚高峰一致，早晚高峰日平均速度分別為23km/h、21km/h。早高峰內環行駛占比近半，主要用于人群上班。而行駛行為發生最少的是在凌晨3:00左右，在一定程度上反映了人群作息規律。此外，新能源汽車次均出行里程19km，日出行里程52km，次均出行時長0.8h。通過上海市新能源汽車公共數據采集與監測平臺某典型日檢測的新能源汽車行駛行為分布如圖4所示。

2.1.2 行駛行為空間分布

上海市新能源汽車公共數據采集與監測平臺通過對接入的新能源汽車出行OD(origin-destination)點的分析，得到如圖5所示的出行熱力圖。

圖5a中新能源汽車OD點分布與居住區基本重合，環繞在環線間、環線邊，其余多關聯住宅區和學校，說明居住區是新能源汽車出行鏈中重要的一類。

圖5b中新能源汽車OD點分布中與工作區也基本重合，分布于環線上和內環，環線外的集中區域為虹橋機場和寶鋼附近。結合2020年中國用戶購車用途中，上下班代步占比73.6%[15]，印證了新能源汽車主要作為通勤工具使用。

圖5c中新能源汽車OD點分布中展示了與休閑行為的關系。外環與居住區相近，但稍有不同，通常分布于居住區附近，與廣場、交通樞紐等關聯。內環則與工作區更相近，內環商業區同時具有工作和休閑兩重屬性。

2.2 充電行為分析

新能源汽車快速發展產生的充電行為正產生越來越大的影響，其時空分布深刻影響著充電樁的規劃布局和電網平衡。

2.2.1 充電行為時空分布

上海市新能源汽車公共數據采集與監測平臺通過對25 000輛新能源汽車共30 000次充電行為進行分析，總結如下：充電行為主要發生在夜間，發生區域貼近居住區分布，白天的充電行為則更貼合工作區分布，而早晚高峰則充電行為較少。某典型日的上海新能源汽車充電行為時空分布如圖6所示。圖6a為7:30時刻，此時處于早高峰時期，新能源汽車主要用途是通勤工具，故充電行為相對較少；圖6b為9:34時刻，此時人群多數處于工作狀態，新能源汽車放置于工作地點附近充電，與圖5b工作區相近；圖6c為23:33時刻，夜間作為新能源汽車充電的主要時間段，此時充電行為明顯增多，通常持續到凌晨2:00～3:00時，充電行為逐漸完成，熱力逐漸淡去。

圖6 新能源汽車充電熱力圖

2.2.2 充電類型分析

充電樁類型旭日圖如圖7所示。截至2021年6月，平臺接入充換電設施運營商共計142家，充電樁119 089個。其中，公用充電樁71 319個，專用充電樁47 770個。車樁比約為1.1:1，遠遠超過全國3.14:1的水平。

如圖7所示，公用充電樁中有16 564個直流充電樁（占23%）、54775個交流充電樁（占77%）；專用充電樁中有9 112個直流充電樁（占比19%）、38 658個交流充電樁（占比81%）。

圖7 充電樁類型旭日圖

充電地點熱力如圖8所示。圖8展示了充電行為與充電地點的關系，在專有充電樁充電的占72%，在公共充電樁充電的占28%。

圖8 充電地點熱力圖

2021年6月，上海新建設充電樁1 697個，環比增長37%，同比增長176%。而推廣的新能源汽車達到22 058輛，充電樁的建設速度遠遠趕不上新能源汽車的推廣速度。此外，上海市公共充電樁仍面臨不少問題，如運維缺失、燃油車占位、新舊小區分布不均等。這些問題共同反映在較低的利用率上，交流充電樁利用率為1.42%，直流充電樁利用率為4.63%，這在一定程度上制約了充電行業的健康發展[16-17]。

3 上海市新能源汽車公共數據采集與監測平臺的應用

3.1 充電設施方面

3.1.1 規劃布局

制約新能源汽車發展的因素之一是用戶的里程焦慮[18]，在電池技術缺乏重大實用性突破的情況下，緩解里程焦慮的有效辦法便是規?；ㄔO充電設施[19]。鑒于空間與資源的有限性，應該充分考慮新能源汽車的規模、行駛特征、充電特征和道路交通等因素，為充電設施的規劃布局進行科學決策，并為未來留有增長空間[20-21]。

充電設施規劃的前提是精確的新能源汽車充電需求，目前研究主要聚焦在構建充電需求模型上，再預測充電需求的時空分布特征，而非真實的充電需求[22-25]。通過新能源汽車監測平臺對行駛行為和充電行為的數據分析，一方面驗證模型和參數的有效性，可以用于指導其他地區的負荷預測；另一方面，結合道路、天氣、社會等因素，在安全、容量等約束條件下對充電設施的規劃布局進行成本最優配置[25]。

3.1.2 對企業的指導作用

新能源汽車監測平臺提煉數據信息，為企業生產活動提供指引。基于充電設施的運行狀態和歷史數據，對充電設施的運行狀態進行預測，做到提前檢修，確保設備安全可靠運行，提高充電樁的使用效率，提升企業運營能力；分析用戶出行特征和新能源汽車的行駛特征，指導企業進行用戶管理、開展個性化服務，同時指引新能源汽車在生產技術上改進方向，降低油耗、危險事件和故障發生概率，進而降低運營成本，提高企業競爭力；將用戶充電信息與地理信息結合，同時考慮負荷特性、電費政策、新能源接入等影響因素，協調電力生產、運輸、調度等多個環節，優化電力資源的配置[26]。

3.2 電網方面

新能源汽車充電具有隨機性和分散性，并受到人們生活規律的影響。如果不加以控制和引導，可能會加劇負荷峰谷差距，并影響設備與電網的穩定安全[27]，對其進行引導和控制的關鍵在于對新能源汽車時空行為進行精確建模，進而預測電網潮流與負荷特性，揭示新能源汽車與電網的交互作用。

3.2.1 負荷預測

對新能源汽車充電負荷預測主要有以下幾類方法。基于新能源汽車行駛特性建立模型預測、基于出行鏈理論模擬出行路徑預測、采用大數據技術預測[28-30]。新能源汽車充電需求的影響因素眾多，上海市新能源汽車公共數據采集與監測平臺為負荷預測提供新能源汽車數據、道路交通狀態、城市配電網信息，同時考慮多源信息的耦合，尤其是歷史數據的影響，得到新能源汽車負荷的時空分布。基于電動汽車充電調度雙層優化模型，以電網側平抑峰谷、消納新能源，用戶側降低費用為目的，優化電網調度。

3.2.2 新能源汽車與電網交互

新能源汽車可以看作是連接在電網上的備用儲能和分布式電源，通過一系列調控手段使新能源汽車主動參與電網調節，例如在合適的時段通過V2G向電網回饋能量，起到優化配電網調度、消納新能源發電、維護電能質量等作用。而有序充電，是在滿足新能源汽車自身需求的前提下，通過經濟和技術手段引導和控制充電行為，以實現新能源汽車、充電設施和電網的協調發展[31-33]。

通過新能源汽車監測平臺分析新能源汽車的時空分布和充電規律，結合新能源出力和負荷數據，由管理調度中心根據電網運行情況制定電價，引導用戶充放電的選擇。既可以對電網起到“削峰填谷”作用，對用戶而言，也可以利用電價差賺取一定收益，促進了新能源汽車與電網間的友好互動[33]。

3.3 安全方面

3.3.1 充電安全

近年來，由電池問題引發的電動汽車故障一直占有最大比重[34]。引發電池問題的內因是電池老化，其健康狀態受溫度、電流倍率、截止電壓等多種因素影響，外因則是機械撞擊、短路、溫度過高相關。為了保證新能源汽車安全可靠運行，需要準確估計電池狀態。

基于強化數據的方法，新能源汽車監測平臺將全生命周期的工作狀態數據、基于工作狀態的實驗修正和AI(artificial intelligence)分析的迭代優化三者結合，分析動力電池的健康狀態和不一致性[35-39]。

在充電過程中，除傳統充電倍率、電池荷電狀態（State of Charge, SOC）等電氣參數，并給出與其他因素的相關性分析，如電動汽車和充電樁品牌、充電時空分布、充電功率匹配等。

以上從微觀和宏觀兩個方面，新能源汽車監測平臺建立起電池安全和充電行為模型，為用戶提供安全防護監測，同時持續跟蹤電池數據，并將整個數據反饋到模型，及時修正以保證模型的準確度。

3.3.2 行駛安全

新能源汽車監測平臺對電動汽車大數據進行深度挖掘和分析，研究電動汽車各類故障對應的大數據特征，利用機器學習算法，開發出針對電動汽車動力行駛安全狀況評估的模型，在故障發生前進行提示報警，主動開展維修工作，提高車輛運行的安全性和可靠性。

4 結論

目前新能源汽車監測平臺還存在一些待解決的問題。平臺建設方面，監測項目仍然有限，且隨著新能源汽車的增加，監測平臺的性能、數據處理能力面臨新的挑戰。而在業務方面需要向多元化方向發展，同時把握公共屬性和商業屬性的平衡。

在上海市新能源汽車公共數據采集與監測研究中心的“十四五規劃”中，為滿足政府和市場發展的要求，將采取“1+X”策略構建多源數據中心。其中，新能源汽車大數據平臺將沿著智能化、共享化、市場化、國家化的路線繼續前進，同時推進相關平臺建設，例如在2020年建成的電池溯源管理平臺和“中國新能源汽車和可再生能源綜合應用商業化推廣（GEF6）”能源管理平臺，加氫站監測平臺和智能網絡數據平臺也在逐步建設中。

另外，上海市新能源汽車公共數據采集與監測平臺業務拓展電池健康狀態估計方面，利用采集的電池電壓、電流、溫度等數據，結合行駛行為和充電行為特征，通過AI算法迭代優化，準確地估計電池健康狀態。

商業化的方向主要面向政府和市場。通過對新能源汽車的數據接入、資格核查、情況通報和研究報告，為政府在政策設計與執行、安全監管等方面提供助力。同時，在市場營銷、數據評價、行為分析等方面服務市場，促進新能源汽車技術進步和產業繁榮。

[1] 前瞻產業研究院. 中國電動汽車行業市場需求預測與投資戰略規劃分析報告[R/OL]. (2021-05-23)[2021-8-01]. https: //bg. qianzhan. com/trends/ detail/506/210521-c8f0d1b5. html.

[2] 中華人民共和國國務院新聞辦公室. 中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要[R/OL]. (2021-03-133)[2021-8-01]. http://www.gov.cn/xinwen/2021-03/13/content_5592681. htm.

[3] 陳清泉, 高金燕, 何璇, 等. 新能源汽車發展意義及技術路線研究[J]. 中國工程科學, 2018, 20(1): 68-73.

Chen Qingquan, Gao Jinyan, He Xuan, et al. Research on the significance of developing new energy vehicles industry and its technical routes[J]. Engineering, 2018, 20(1): 68-73.

[4] International Energy Agency. Global EV outlook 2021 technology report[R/OL]. (2021-04)[2021-8-01]. https:// www. iea. org/reports/global-ev-outlook-2021?mode= overview.

[5] 充電聯盟：截至6月全國充電樁保有量194. 7萬臺，同比增加 47. 3%[EB/OL]. (2021-7-12)[2021-08-01]. https: //www. d1ev. com/news/shuju/151202.

[6] Wang Zhen, Hong Jichao, Liu Peng, et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles[J]. Applied Energy, 2017, 196(JUN. 15): 289-302.

[7] 張曉卯. 技術賦能整體性治理: 我國新能源汽車產業政策的優化與整合——以上海市“新能源汽車監測平臺”為例[J]. 江蘇行政學院學報, 2020(5): 111-117.

Zhang Xiaomao. Technology empowerment holistic governance: optimization and integration of industrial policies for Chinese new-energy vehicles—a case study of “monitoring platform for new-energy vehicles” in Shanghai[J]. The Journal of Jiangsu Administration Institute, 2020(5): 111-117.

[8] 中國國家標準化管理委員會. 電動汽車遠程服務與管理系統技術規范第1部分：總則[S/OL]. [2021-08-01].http://c.gb688.cn/bzgk/gb/showGb?type=online &hcno=0C4E83CE82045550C147C782750B221A.

Standardization administration. Technical specifications of remote service and management system for electric vehicles—Part 1: General principle [S/OL]. [2021-08-01]. http://c.gb688.cn/bzgk/gb/showGb?type=online&hcno= 0C4E83CE82045550C147C782750B221A.

[9] 董華彪. 能源互聯網大數據分析技術綜述[J]. 數碼世界, 2017(11): 187.

Dong Huabiao. Survey of big data analysis technology for energy internet[J]. Digital Space, 2017(11): 187.

[10] Con J, Ventura S, Cano A . Distributed selection of continuous features in multilabel classification using mutual information[J]. IEEE Transactions on Neural Networks and Learning Systems, 2010, 31(7): 2280-2293.

[11] Geuens S, Coussement K, De Bock K W. A framework for configuring collaborative filtering-based recommendations derived from purchase data[J]. European Journal of Operational Research, 2018, 265(1): 208-218.

[12] 游煜城, 張潤樾, 黃澤平, 等. 動力電池熱失控對新能源汽車的危害[J]. 科學技術創新, 2020(31): 170-172.

You Yucheng, Zhang Runyue, Huang Zeping, et al. Harm of thermal runaway of power battery to new energy vehicles[J]. Scientific and Technological Innovation, 2020(31): 170-172.

[13] Ji Shoufen, Zhao Dan, Luo Rongjuan. Evolutionary game analysis on local governments and manufacturers' behavioral strategies: Impact of phasing out subsidies for new energy vehicles[J]. Energy, 2019, 189: 116064.

[14] 吉佳玲. 整體性治理視角下的基層政務服務協同供給研究[D]. 杭州: 浙江師范大學, 2020.

[15] 艾瑞網. 中國新能源汽車也白皮書[R/OL]. (2020-12-30)[2021-8-01]. http: //report. iresearch. cn/report_pdf. aspx?id=3713.

[16] 李映煉. 基于電動汽車出行鏈的城市充電站布局研究[D]. 北京: 北京交通大學, 2018.

[17] 周天沛, 孫偉. 基于充電設備利用率的電動汽車充電路徑多目標優化調度[J]. 電力系統保護與控制, 2019, 47(4): 115-123.

Zhou Tianpei, Sun Wei. Multi-objective optimal scheduling of electric vehicles for charging route based on utilization rate of charging device[J]. Power System Protection and Control, 2019, 47(4): 115-123.

[18] Pevec D, Babic J, Carvalho A, et al. Electric vehicle range anxiety: an obstacle for the personal transportation (r)evolution?[C]//2019 4th International Conference on Smart and Sustainable Technologies (SpliTech), 2019, doi: 10. 23919/SpliTech.

[19] 郭磊, 王克文, 文福拴, 等. 電動汽車充電設施規劃研究綜述與展望[J]. 電力科學與技術學報, 2019, 34(3): 56-70.

Guo Lei, Wang Kewen, Wen Fushuan, et al. Review and prospect of charging facility planning of electric vehicles[J]. Journal of Electric Power Science and Technology, 2019, 34(3): 56-70.

[20] 馮鵬洲. 大數據技術在智能充電樁網絡系統中的應用[J]. 電力大數據, 2018, 21(12): 47-52.

Feng Pengzhou. Application of big data technology in intelligent charging pile network system[J]. Power Systems and Big Data, 2018, 21(12): 47-52.

[21] 孟騰. 新能源汽車充電設施選址規劃研究[D]. 濟南: 山東交通學院, 2020.

[22] 田智勇. 基于軌跡數據挖掘的新能源出租車充電特征研究[D]. 武漢: 華中科技大學, 2018.

[23] 孔順飛, 胡志堅, 謝仕煒, 等. 含電動汽車充電站的主動配電網二階段魯棒規劃模型及其求解方法[J]. 電工技術學報, 2020, 35(5): 1093-1105.

Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-110.

[24] 吳賦章, 楊軍, 林洋佳, 等. 考慮用戶有限理性的電動汽車時空行為特性[J]. 電工技術學報, 2020, 35(7): 1563-1574.

Wu Fuzhang, Yang Jun, Lin Yangjia, et al. Research on spatiotemporal behavior of electric vehicles considering the users’ bounded rationality[J]. Transactions of China Electrotechnical Society, 2020, 35(7): 1563-1574.

[25] 李建林, 牛萌, 周喜超, 等. 能源互聯網中微能源系統儲能容量規劃及投資效益分析[J]. 電工技術學報, 2020, 35(4): 874-884.

Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electro-technical Society, 2020, 35(4): 874-884.

[26] 邵尹池, 穆云飛, 余曉丹, 等. “車–路–網”模式下電動汽車充電負荷時空預測及其對配電網潮流的影響[J]. 中國電機工程學報, 2017, 37(18): 5207-5219.

Shao Yinchi, Mu Yunfei, Yu Xiaodan, et al. A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model[J]. Proceedings of the CSEE, 2017, 37(18): 5207-5219.

[27] 鄒磊. 電動汽車大規模接入對電網的影響及對策[D]. 天津: 天津理工大學, 2018.

[28] 張艷娟, 蘇小林, 閆曉霞, 等. 基于電動汽車時空特性的充電負荷預測[J]. 電力建設, 2015, 36(7): 75-82.

Zhang Yanjuan, Su Xiaolin, Yan Xiaoxia, et al. A method of charging load forecast based on electric vehicle time-space characteristic[J]. Electric Power Construction, 2015, 36(7): 75-82.

[29] 陳麗丹, 聶涌泉, 鐘慶. 基于出行鏈的電動汽車充電負荷預測模型[J]. 電工技術學報, 2015, 30(4): 216-225.

Chen Lidan, Nie Yongquan, Zhong Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[31] 陳麗丹, 張堯, Antonio Figueiredo. 電動汽車充放電負荷預測研究綜述[J]. 電力系統自動化, 2019, 43(10): 177-191.

Chen Lidan, Zhang Yao, Antonio Figueiredo. Overview of charging and discharging load for casting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-191.

[32] 孫近文, 萬云飛, 鄭培文, 等. 基于需求側管理的電動汽車有序充放電策略[J]. 電工技術學報, 2014, 29(8): 64-69.

Sun Jinwen, Wan Yunfei, Zheng Peiwen, et al. Coordinated charging and discharging strategy for electric vehicles based on demand side management[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 64-69.

[33] 趙興勇, 王帥, 吳新華, 等. 含分布式電源和電動汽車的微電網協調控制策略[J]. 電網技術, 2016, 40(12): 3732-3740.

Zhao Xingyong, Wang Shuai, Wu Xinhua, et al. Coordinated control strategy research of micro-grid including distributed generations and electric vehicles[J]. Power System Technology, 2016, 40(12): 3732-3740.

[34] 陳澤宇, 熊瑞, 孫逢春. 電動汽車電池安全事故分析與研究現狀[J]. 機械工程學報, 2019, 55(24): 93-104+116.

Chen Zeyu, Xiong Rui, Sun Fengchun. Research status and analysis for battery safety accidents in electric vehicles [J]. Journal of Mechanical Engineering, 2019, 55(24): 93-104, 116.

[35] Xiong Rui, Li Linlin, Tian Jinpeng. Towards a smarter battery management system: a critical review on battery state of health monitoring methods[J]. Journal of Power Sources, 2018, 405: 18-29.

[36] 周頔, 宋顯華, 盧文斌, 等. 基于日常片段充電數據的鋰電池健康狀態實時評估方法研究[J]. 中國電機工程學報, 2019, 39(1): 105-111.

Zhou Di, Song Xianhua, Lu Wenbin, et al. Real-time SOH estimation algorithm for Lithium-ion batteries based on daily segment charging data [J]. Proceedings of the CSEE, 2019, 39(1): 105-111.

[37] Tang Xiaopeng, Zou Changfu, Yao Ke, et al. Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method[J]. Applied Energy, 2019, 254: 113591.

[38] 耿星, 王友仁. 蓄電池SOH估算方法研究綜述[J]. 機械制造與自動化, 2019, 48(1): 204-206.

Geng Xing, Wang Youren. Review of SOH estimation method for battery[J]. Machine Building & Automation, 2019, 48(1): 204-206.

[39] 丁汀. 汽車動力電池組均衡控制研究[D]. 蘭州: 蘭州理工大學, 2019.

Application and Thinking of Big Data Technology of New Energy Vehicle Monitoring Platform in Driving and Charging Scenarios

Mao Ling1Deng Siwen2Zhao Denghui1Tang Liying2Sun Xinjie2

（1. College of Electrical Engineering Shanghai University of Electric Power Shanghai 200090 China 2. Shanghai Electric Vehicle Public Data Collecting Monitoring and Research Center Shanghai 201805 China）

Because of improvement of energy and climate issues, the development of the new energy automobile industry has received extensive attention. The trend of information and integration of new energy vehicles has accumulated a large amount of data. In order to rationally use big data technology for information processing and data mining, and promote the comprehensive and in-depth integration of new energy vehicles with energy, transportation, and communication, the Shanghai New Energy Vehicle Monitoring Platform has been established. First, the architecture, data collection types and platform label system of Shanghai Electric Vehicle Public Data Collecting, Monitoring and Research Center are introduced. It analyzed the characteristics of the use of new energy vehicles, which focuses on the temporal and spatial distribution of driving behavior and charging behavior. The application directions are provided from some aspects of charging facilities, power grid and security. Finally, the existing problems and development plans of the new energy vehicle monitoring platform are summarized and prospected.

New energy vehicle monitoring platform, big data, feature analysis, application

10.19595/j.cnki.1000-6753.tces.211221

G203;TM714

2021-08-07

2021-09-09

毛 玲 女，1981年生，講師，碩士生導師研究方向為電動汽車與電網的互動、鋰離子電池建模及狀態估計等。E-mail：maoling2290@shiep.edu.cn

鄧思文 女，1987年生，高級工程師、中級統計師、中級經濟師，研究方向為新能源汽車用戶行為分析、動力電池健康度分析。E-mail：dengsiwen@shevdc.org（通信作者）

（編輯 郭麗軍）