基于网联数据的电动车快速充电影响因素分析

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (5): 86-92.

所属专题：车路协同与智能化技术

• 智能交通系统与信息技术 • 上一篇下一篇

基于网联数据的电动车快速充电影响因素分析

杨烨¹，谭忠富^*1，焦港欣²

1. 华北电力大学经济与管理学院，北京 102206；2.车路协同与安全控制北京市重点实验室，北京 100191

收稿日期:2019-11-14 修回日期:2020-07-13 出版日期:2020-10-25 发布日期:2020-10-26
作者简介:杨烨(1978-)，男，北京人，博士生.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(51878020).

Analysis of Factors Influencing Fast Charging Behavior Based on Data of Connected Electric Vehicles

YANG Ye¹, TAN Zhong-fu¹, JIAO Gang-xin²

1. School of Economics and Management, North China Electric Power University, Beijing 102206, China; 2. Beijing Key Laboratory of Cooperative Vehicle Infrastructure System and Safety Control, Beijing 100191, China

Received:2019-11-14 Revised:2020-07-13 Online:2020-10-25 Published:2020-10-26

摘要/Abstract

摘要：

基于北京市私家电动汽车网联数据，按照充电行为类型提取车辆行程，并对行程中影响快速充电行为的潜在因素进行细致分析；基于Logistic回归模型进行显著性影响因素识别，结果表明，电动汽车续航里程、出行距离、出行时间等因素显著影响电动汽车的快速充电行为；最后，基于显著影响因素建立模型，对私家电动汽车快速充电行为进行预测，预测结果表明，预测模型具有较好的预测效果和可靠度.本文研究成果将有助于优化私家电动汽车的充电行为，提高充电效率.

关键词: 城市交通, 私家电动汽车, 快速充电行为, Logistic 回归, 影响因素分析, 充电行为预测

Abstract:

The research of this paper is based on the data of connected electric vehicles in Beijing. Firstly, electric vehicle trips are extracted with the type of charging behavior, and potential factors influencing the fast charging behavior are analyzed. Then, a logistic regression model is developed to identify the factors influencing the fast charging behavior, which includes available driving ranges, travel distance, and travel time. Finally, based on the significant influencing factors, a model is established to predict the fast charging behavior of private EVs. The prediction results show that the model has good prediction performance. The research results could help to optimize the charging behavior of private electric vehicles and improve the charging efficiency.

Key words: urban traffic, private electric vehicle, fast charging behavior, Logistic regression, influencing factors analysis, charging behavior prediction

中图分类号:

U491.2

杨烨，谭忠富，焦港欣. 基于网联数据的电动车快速充电影响因素分析[J]. 交通运输系统工程与信息, 2020, 20(5): 86-92.

YANG Ye, TAN Zhong-fu1 JIAO Gang-xin. Analysis of Factors Influencing Fast Charging Behavior Based on Data of Connected Electric Vehicles[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(5): 86-92.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20119.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I5/86

参考文献

[1] LUO S J. Research on hybrid traffic distribution model considering the difference of electric vehicle users[D]. Nanjing: Nanjing University, 2019.

[2] SUN X, YAMAMOTO T, MORIKAWA T. Charge timing choice behavior of battery electric vehicle users[J]. Transportation Research Part D: Transport and Environment, Elsevier Ltd, 2015, 37: 97-107.

[3] DAINA N, POLAK J W. Hazard based modelling of electric vehicles charging patterns[C]//2016 IEEE Transportation Electrification Conference and Expo, Asia-Pacific, ITEC Asia-Pacific 2016, 2016: 479-484.

[4] WEN Y, MACKENZIE D, KEITH D R. Modeling the charging choices of battery electric vehicle drivers by using stated preference data[J]. Transportation Research Record: Journal of the Transportation Research Board, Transportation Research Board, 2016, 2572: 47-55.

[5] KIM S, YANG D, RASOULI S, et al. Heterogeneous hazard model of PEV users charging intervals: Analysis of four years charging transactions data[J]. Transportation Research Part C: Emerging Technologies, 2017, 82: 248-260.

[6] YANG Y, YAO E, YANG Z, et al. Modeling the charging and route choice behavior of BEV drivers[J]. Transportation Research Part C: Emerging Technologies, 2016, 65: 190-204.

[7] WANG Y, CAI S, SHEN Y, et al. The analysis of electrical vehicles charging behavior based on charging big data[C]//2019 IEEE 4th International Conference on Cloud Computing and Big Data Analysis (ICCCBDA), IEEE, 2019: 63-67.

[8] HU L, DONG J, LIN Z. Modeling charging behavior of battery electric vehicle drivers: A cumulative prospect theory based approach[J]. Transportation Research Part C: Emerging Technologies, 2019, 102: 474-489.

[9] ZHOU N C, PU S L, WANG Q G, et al. On- line monitoring and analysis and evaluation system for electric vehicle charging station[J]. Electric Power Automation Equipment, 2014, 34(11): 14-21.

[10] LUO H C, HU Z C, ZHANG H C. Influence and analysis of ambient temperature on electric vehicle charging load[J]. Electric Power Construction, 2015, 36 (7): 69-74.

[11] CHEN L D, NIE Y Q, ZHONG Q. Electric vehicle charging load prediction model based on travel chain [J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.

基于网联数据的电动车快速充电影响因素分析

Analysis of Factors Influencing Fast Charging Behavior Based on Data of Connected Electric Vehicles

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics