基于新能源汽車充電數據的全國充電樁研究模型

鄭陳亮，張 亮，程 登，王興月，謝燕芳

（上汽通用五菱汽車股份有限公司廣西汽車新四化重點實驗室，廣西 柳州 545007）

引言

新能源汽車近年來展現出良好的發展事態。充電樁作為新能源汽車必不可少的需求，充電樁的基礎設施建設也備受關注。在充電樁的基礎設施建設無法匹配新能源汽車的增長速度的背景下，許多廠商紛紛投資建設了自家開發的充電樁，用戶只需要下載對應商家開發的App，即可找到該商家投放在附近的充電樁。一定程度上解決了新能源汽車“充電難”問題，但也衍生出了用戶尋找充電樁問題，如需要下載多個商家的App，如何判斷并找出最近的充電樁點等問題。有些商家提供了信息整合服務，通過購買前幾家充電商家的充電樁信息做整合開放給用戶使用，這一做法從一定程度解決了App 數目多的問題，但也存在一些問題，一是整合成本高，二是后期迭代無法把控。因此，新能源汽車用戶和充電基礎設施之間存在的“信息鴻溝”，廠商間沒有開發一個統一的充電應用App，使得“充電難”和充電設施資源浪費的情況依舊存在。

目前國內外關于新能源汽車充電樁樁點的選址已有了不少研究。黃丹慧[1]以重慶市出租車為例，提出了一種多層次的充電樁選址優化模型，孫文靜[2]借助I-DBSCAN 算法和ED-DBSCAN 算法探討挖掘了有規律出行的城市私家車的出行信息。李永攀[3]等人對比分析了深圳各個城區新能源汽車充電次數，并得出新能源用戶更集中分布在經濟發達且教育程度普遍更高的地區。萬眾[4]等人對廣東省的高速公路服務區的新能源汽車充電設施布局進行了深層分析，發現存在充電需求偏低的服務區。Erotokritos Xydas 針對英國的新能源汽車充電需求特征進行了分析[5]，Stuart Speidel 等人對澳大利亞西部新能源汽車的充電模式進行了分析研究[6]。縱觀國內外學者研究，新能源汽車的充電樁分布及合理布局是當前新能源汽車售后研究的熱點問題之一，同時以往學者的研究更局部在某個地區，并未推行至全國，尚未提出一種可用于分析全國新能源汽車充電樁的研究模型。

為了能夠有效改善全國新能源汽車用戶“充電難”問題，本文依據新能源汽車用戶海量的充電數據，應用數據挖掘技術分析挖掘用戶的充電位置，建立相關的聚類模型，研究出充電樁位置及數量，從而完善充電樁數據，為全面完備的充電APP 應用場景開發提供參考依據。

1 研究方法與數據說明

1.1 研究方法

充電樁點的預測分析本質上屬于聚類問題，即根據用戶的充電位置信息進行聚類判別。有較多聚類的方法，大體上可以分為劃分方法、層次方法、基于密度的方法、基于網格的方法和基于模型的聚類方法。

DBSCAN（Density-based Spatial Culstering of Application with Noise）算法是一種由Ester Martin 等人[7]提出的基于密度的空間聚類算法。該算法的中心思想是：對于某一聚類中的每個對象，在給定半徑（Eps）的鄰域內數據對象個數必須大于某個給定值，換言之，領域密度必須超過某一個閾值（MinPts）。DBSCAN 算法因其收斂速度較快，同時能夠處理任意形狀的聚類，被廣泛應用于空間數據聚類中。本文將采用DBSCAN 算法進行分析，DBSCAN 算法詳細介紹可參考文獻[8]和[9]。

1.2 數據說明

本次研究使用某整車企業1 230 臺新能源汽車最近3 個月的車輛充電數據，主要包含充電時間、充電經緯度、充電時長等數據字段。數據由車載傳感器采集，并由T-BOX 終端遵照GB/T 32960-2016《電動汽車遠程服務與管理系統技術規范》，通過移動網絡以一定的周期將數據實時傳輸至企業的大數據平臺。

海量的原始數據中存在著大量不完整的數據，直接使用原始數據將會導致挖掘結果存在偏差，因此數據預處理尤為重要。本次數據預處理包括剔除異常數據、剔除軌跡漂移點及數據經緯度轉換等。由于數據庫下載的經緯度數據參考的是WGS-84 坐標系，是GPS 全球衛星定位系統使用的坐標系，但高德地圖使用的是由WGS-84 加密生成的GCJ-02 坐標系，若要將識別出位置，必須要對經緯度數據進行轉換成高德API 可調用的坐標系。

2 實證分析

2.1 充電樁點判斷

基于DBSCAN 聚類的實現過程，首先需要設定關鍵參數Eps 和MinPts。從聚類數據樣本集X 中任意選取一點p，若該點的條件符合核心對象的判定，那么從該點密度可達的所有數據點成為一個聚類，而不屬于任何簇的數據點則被標記為噪聲點。表1 中展示出不同Eps 和MinPts 組合時，聚成的簇數。當Eps=0.001，MinPts=4 時，簇數為3 335；當Eps=0.002，MinPts=4 時，簇數為3 248；當Eps=0.001，MinPts=5時，簇數為3 770；當Eps=0.002，MinPts=5 時，簇數為3 665。使用“平均變化程度”作為分析指標。在實驗中涉及兩個參數，Eps 和MinPts，根據控制變量法，固定住其中一個參數，用簇數變動率與參數變動率之比的絕對值作為該參數對簇數影響程度的衡量指標，稱之為“平均變化程度”。根據視參數為增加還是減少，在計算時有兩種算法，如在比較表1 中1 號與2 號實驗時，參數MinPts 均為4，關于參數Eps 的平均變化程度為=0.054，分別稱為參數增加時的平均變化程度和參數減小時的平均變化程度。

表1 DBSCAN 算法參數選擇

在Eps 值相同時，MinPts 值大的對應簇數越大，變化幅度可達400 簇左右；在MinPts 值相同時，Eps值大的對應簇數越小，變化幅度可達100 簇左右。結合表2 的計算結果，調整MinPts 參數所帶來的平均變化程度明顯大于調整Eps 參數所帶來的平均變化程度。可以認為最終分類簇數受到MinPts 參數的影響更大，需要根據實際的分類數目需求合理選擇MinPts 參數，然后再調整Eps 參數。根據實際情況，本實驗選擇MinPts=4，Eps=0.001 作為DBSCAB 算法中的關鍵參數。由此可見，通過1 230 臺車三個月的充電數據，可以識別出3 335 的充電樁點。

為了具體了解充電樁點的位置信息，借助高德開放平臺，將其可視化，如圖1 所示，圖中圓圈未標有“P”字樣表示用戶的實際充電數據，圓圈中標有“P”字樣代表該簇充電樁的中心位置。為了驗證算法的準確性，借助高德地圖現有的充電樁分布，見圖2。通過對比分析可以發現，借助DBSCAN 聚類算法識別出的充電樁位置較為準確，且充電樁的分布更為豐富。

圖1 充電樁位置分布圖

圖2 高德地圖充電樁位置分布

2.2 充電樁數判斷

本節將依據上文的算法模型識別出的充電樁位置，判斷各個充電樁的數量。假定每個位置充電樁的數量至少為一個，共收集了N 天的充電數據，將每一天（0∶00—24∶00）劃分為K 個等間距的時間片段，一個充電樁在第n（0＜n＜N+1）天中第k（0＜k＜K+1）個時間段有nk 條充電記錄。第k 個時間段的最高充電記錄為ak=max{nk，0＜n＜N+1}，它是以第k 時間段數據進行推斷的充電樁數量估計值，然后求每個時間段推斷出的估計值中的最大值M=max{ak，0＜k＜K+1}，該值體現了該位置充電樁數目的經驗下限，即該位置的充電樁數目從經驗數據上進行推斷的結果是：不少于M 個。由于M 是通過實際數據算出的，也體現了該位置真實使用的充電樁數目，因此也稱M 為“活躍充電樁數量”，簡稱“充電樁數量”。

充電樁數量的估計值與劃分的片段數目K 有關，根據目前市面上電動車的平均充電時間實際值，本文確定的K=24，即每個片段有1h，得到各個站點的充電樁數量估計值如表2。

表2 各站點充電樁數量 個

由表2 充電樁的數量可知，有10 個充電站點的充電樁數量為2 個，其余站點充電樁數量均為1 個。目前所能夠識別的充電樁的數量較少，可能原因是樣本量較小。

3 結論

本文基于DBSCAN 聚類設計了一種新能源用戶的充電樁位置研究模型。本文根據新能源用戶充電數據，能夠準確的聚類判別出全國充電樁的位置，并判斷出充電樁的數量，在一定程度上有效地改善了識別充電樁位置的難題，完善了充電樁數據，為App 應用場景開發提供了參考價值。