基于数据驱动的城市配送电动汽车充电行为分析及模型建立

摘要

在当前全球汽车工业面临能源短缺和环境污染两大问题的双重挑战下，电动汽车凭借其零污染、低噪声等优势成为人们所关注的焦点。物流业作为我国重要的服务产业，成为电动汽车推广的重要领域。在电动汽车及配套的充电设施产业发展的过程中，出现很多新的问题亟待解决。例如，如何在物流配送中心合理地规划建设充电设施？物流企业如何最优地进行车辆充电的时空分配，以避免产生车辆“充电排队拥堵”的现象？如何规划具有充电约束的物流电动汽车最优的配送路径？这些问题背后蕴含的道理都与城市配送物流电动汽车的充电行为紧密相关，因此分析城市配送物流电动汽车的充电行为规律，建立充电行为模型具有十分重要的理论意义和应用价值。
　　目前国内外对充电行为的研究主要是从电力网系统运行的角度来研究电动汽车的充电行为给电网带来的影响，而从电动汽车出行角度分析电动汽车用户的充电行为的研究成果相对较少。此外，上述研究基本上都是建立在模拟数据或者小样本数据的基础上。而本文基于城市配送物流电动汽车实际运行的海量数据，挖掘城市配送物流电动汽车的充电行为规律，并在此基础上建立了充电行为预测模型，更具有实用性和普适性。
　　为研究城市配送中物流电动汽车用户的充电行为规律，本文采集70辆物流电动车在2014年一年的充放电数据，采用数据删除、插值等一系列的数据处理方法对原始数据进行处理，并识别有效充电过程。在此基础上，采用数据挖掘相关分析方法，建立考虑物流电动汽车充电电量状态的充电行为模型。研究结果表明:用户一般在剩余电量为30％-50％之间时为车辆进行充电，车辆开始充电时的剩余电量服从μ=0.48、σ=0.22的正态分布;车辆开始充电时刻主要集中在14:00-16:00之间。通过数据实验表明，该模型具有较高的准确度。
　　为了准确预测充电时长，本文对采集的数据之间的耦合关系进行了详细的分析。分析表明，充电时长与已充电量SOCc之间存在着明显的正线性相关关系。由此，本文建立了关于已充电量SOCc和充电时长的线性方程。但是在对回归方程的误差序列进行分析时发现，误差序列不符合正态分布。针对这一现象，本文引入时间序列的概念对回归模型进行调整，最终建立了基于回归和ARMA模型的组合预测模型。将两个模型的预测结果进行对比表明，采用组合模型进行充电时长预测比单一的回归模型具有更高的精度和准确度，其残差均落在一条水平带之间，服从正态分布。
　　本文所建立的考虑物流电动汽车的充电电量状态的充电行为模型及充电时长预测模型均具有较高的精确性，同时具有较好的实用性，为车辆的充电调度和用户的出行安排提供科学的决策支持。

目录

声明

致谢

摘要

1．1．1 研究背景

1．1．2 研究意义

1．2 数据驱动

1．2．1 数据驱动建模理论

1．2．2 数据驱动建模流程

1．3 充电行为研究现状

1．4 论文研究内容与框架

1．5 本章小结

2．1．1 数据来源

2．1．2 数据选择

2．2 数据预处理

2．2．1 数据存在的问题

2．2．2 数据预处理流程

2．2．3 数据插值方法

2．2．4 误差分析方法

2．3 实验内容

2．4 实验结果分析

2．4．1 删除处理结果分析

2．4．2 插值处理结果分析

2．4．3 SOC删除处理结果分析

2．4．4 充电起止状态选择结果分析

2．5 本章小结

3 城市配送电动汽车充电行为分析

3．1 统计推断

3．1．3 x2拟合优度检验法

3．2 充电行为分析方法

3．3 充电行为分析结果

3．3．1 车辆开始充电SOC分析

3．3．2 充电前后SOC变化量分析

3．3．3 车辆开始充电时刻分析

3．4 模型验证

3．5 本章小结

4 充电行为各因素的关系分析

4．1 偏相关分析

4．1．1 偏相关分析理论

4．1．2 充电行为各因素间的偏相关分析

4．2 充电时长与影响因素分析

4．2．1 充电量SOCc

4．2．2 电压

4．2．3 电流

4．2．4 电池初始SOC值

4．3 本章小结

5 城市配送电动汽车充电时长模型建立

5．1 模型参数辨识

5．1．1 最小二乘法原理

5．1．2 参数辨识过程

5．2．1 基于SOCc的充电时长模型

5．2．2 模型求解

5．2．3 回归方程统计检验

5．2．4 模型验证

5．3 时间序列建模

5．3．1 时间序列建模流程

5．3．2 原始序列平稳化

5．3．3 ARMA模型建立及检验

5．3．4 充电时长预测

5．4 本章小结

6．1 工作总结

6．2 创新点

6．3 研究展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集