安科瑞 陳聰

摘要：為提高自營充電場站的運營效率，基于新能源汽車大數據，圍繞充電供需研究體系和實際運營問題，開展了充電場站識別、充電樁與車輛的匹配性故障識別、區域充電需求識別、用戶充電偏好識別和集中目標用戶識別等應用。研究結果表明，通過車端充電數據與充電場站邊界關聯，可準確反映區域內充電資源供給，識別充電場站。在充電供給質量方面，通過識別車端充電異常數據，反映車樁匹配潛在問題，可為充電運營決策提供參考。關鍵詞：新能源汽車；大數據；充電站運營；充電供需體系；充電服務質量

0引言 隨著近年來中國新能源汽車產業的不斷發展，上海市新能源汽車保有規模快速提升，截至2021年年底，上海全市累計推廣超過67萬輛新能源汽車，其中2021年全年推廣超過25萬輛，占全市新車銷售量的43%。現在上海是全國新能源汽車保有量*多的城市。上海地區實際運營中的公共充電樁68609個，充電樁39359個，12月公共充電樁的平均利用率為5.22%，充電設備利用依舊偏低。公共充電設施較低的利用率，不僅給充電運營企業帶來了經營壓力，更進一步阻礙了舊站點的升級改造和新站點的規劃建設，影響了充電業務的可持續發展。目前，對于電動汽車充電站的研究主要集中在電動汽車充電站規劃、電動汽車充電站負荷建模、電動汽車充電站自動化管理、電動汽車充電站優化控制等方面，較少從電動汽車充電站運營管理角度分析充電站的相關問題。文獻通過投資效益分析法對充電設施的靜態以及動態指標經濟效益進行分析，優化得到充電站內充電樁的合理、經濟建設數量，在此基礎上針對提高充電樁的經濟效益提出建議。文獻設計了一種基于綜合能源優化調配的充電站運營管理系統，實現了充光儲一體化電站的能量統一調配，大幅消納光伏發電來降低電動汽車充電成本。文獻通過挖掘運營數據分析用戶充電行為規律，再預測運營的充電站設備利用狀況，*終為充電站制定運營策略提供決策依據。文獻提出了一種考慮客戶滿意度的電動汽車充電站運營狀態評估方法，基于D-S證據理論融合多個客戶的評估結果，對多個充電站的運營水平進行比較。文獻從預測負荷、管控負荷、調用負荷三個層面挖掘充電站供需兩側可調度的資源，逐層優化充電站運營的綜合效率，并進一步細化研究了充電站運營決策支持系統，以期為充電站運營帶來經濟效益和社會效益。對于充電站運營，已有研究大多僅從運營水平經濟效益方面進行論述，缺乏真實數據支撐，準確性較低且缺乏完整的電動汽車充電供需研究體系。為了實現公共充電站運營效率的提升，本次研究以洞察市場充電供需特征為突破口，利用新能源汽車大數據，開展了大數據賦能充電運營管理決策的應用實踐，并從供需兩方面提出多維度多要點的充電供需研究體系，為提高充電運營決策的制定作出指導。

1研究方法

公共充電場站依托城市空間為用戶提供新能源汽車的充電補能服務。圍繞充電補能服務的充電運營管理可以理解為實現充電供給和充電需求的匹配過程。本次研究著重通過對充電市場供需現狀的準確洞察，減少運營中的信息不對稱，幫助運營管理者利用有限的運營資源，在所有的自營充電站中，擇優選擇合適的站點進行設備、服務和價格的優化，以實現更有效的供需匹配。

1.1研究區域選定

基于上海新能源汽車夜間停留數據，獲取上海不同區域的車輛保有量情況，上海新能源汽車區域分布如表1所示。

由表1可以看出，對于浦東新區全域內電動汽車的充電供需特征進行分析與研究，對反映上海市的整體特征也有較好的效果。

1.2 原始數據描述

本次研究應用，擬洞察上海市浦東新區全域（約1210km²）的車輛充電供需特征，在投入人員和資金有限的情況下，如果采用傳統線下調研走訪的方式，缺乏實際可行性。在實際工作中，*終選擇用上海市新能源汽車運行數據，采用大數據分析的方式，開展浦東新區充電供需市場的研究工作，車輛數據字段如表2所示。

上海市新能源汽車運行數據，是基于GB/T 32960《電動汽車遠程服務與管理系統技術規范》進行采集的車輛運行數據，數據幀間隔分別1、10、30s，數據項主要采集自以下幾大系統：動力電池系統、電機驅動系統、車輛控制系統以及其他部分。動力電池系統數據主要包括電池系統總電壓和總電流、電池荷電狀態（state of charge，SOC）、電池單體電壓、電池系統特征點溫度等。車輛控制系統數據主要包含車輛速度、擋位信息、加速踏板行程、GPS位置等。這些數據給予了從車輛用電側深入進行城市充電特征研究的新途徑，這些數據在進行充電研究時主要有以下三大優勢：①實現對交流和直流充電行為的全覆蓋；②實現不同屬性車輛充電行為的區分；③實現每輛車輛充電行為的準確描述，并和車輛出行行為、車輛物理特性進行關聯分析。

1.3 數據預處理

為了實現海量車輛時序數據的有效分析，需要進行必要的數據工程化準備。新能源汽車的時序數據在充電研究的應用中，數據過于冗余，實際應用中提取車輛每次出行行為和充電行為的起訖關鍵指標，例如起訖累計里程、起訖SOC、起訖經緯度等。通過構建車輛行為片段數據，可以將1TB大小的時序原始數據提取為GB級別的結構化數據，在不影響數據應用的情況下，大幅提升分析效率。本次研究，實現了對50多萬輛上海地區運行的新能源汽車的數據分析，項目提取車輛在浦東地區的出行和充電行為特征，洞察充電市場的供需情況，指導充電運營決策的準確實施。

1.4 充電供需體系構建

本次研究從實際充電業務出發，結合日常運營經驗，構建了充電供需研究體系，如圖1所示。主要包含充電供給和需求兩大維度的四大要點：①充電場站資源配建情況；②充電服務質量情況；③用戶車輛對充電能量的需求情況；④用戶對充電服務的需求情況。

區域的充電供給，包括區域內充電場站資源的配建數量和充電服務的質量，其中配建數量涉及不同類型充電樁的數量、功率和充電樁在空間上的差異分布，以上供給信息一般通過各種充電服務應用軟件或線下走訪的方式進行收集，相關數據的獲取難度不高，但準確性較難保障。特別是在現實環境中，很多充電站鮮有用戶到訪充電，甚至早已廢棄，調研數據無法真實反映充電資源的供給情況。而通過新能源汽車獲取的時空充電數據，可以準確反映區域內充電資源的有效供給現狀，驗證充電站公開信息的準確性和完整性。充電供給中的充電服務質量主要涉及充電站配套硬件質量（設備維保情況、配套基礎設施、充電站空間可達性等）和軟件質量（充電服務應用軟件、車位管理、增值服務等）兩方面，相關信息較難通過新能源汽車大數據直接體現，但可以通過充電場站的實際運營情況，進行間接的體現。實際應用實踐中，項目利用新能源汽車大數據，開展區域充電站運營研究、充電過程中車輛充電穩定性研究，來間接識別充電站服務質量。區域內公共充電場站的運營潛力，除了受區域內充電資源的供給影響，也受到區域內充電需求的影響。充電需求涉及用戶對充電能量需求和充電服務需求兩部分。現實場景中，用戶主要進行公共和非公共充電兩類充電行為，對于擁有固定充電樁的用戶，實際前往公共充電站進行充電的行為次數占比普遍不高，而出租車、網約車、無固定樁的用戶則對公共充電站的依賴度非常高。傳統調研難以把握區域內充電用戶的規模，更無法識別用戶對公共充電站的真實能量需求。而新能源汽車大數據，可以準確識別不同類型用戶的構成，識別用戶充電行為、識別充電需求的時空差異。充電需求還涉及用戶對充電服務的需求，主要包括用戶對不同充電模式（快充、慢充、換電）的需求偏好、對充電價格的需求偏好、對配套服務的需求偏好等內容。以上相關信息的獲取，無法利用新能源汽車的運行數據進行直接獲取，但通過分析海量用戶的實際充電決策數據，即充電行為數據，可以有效地總結充電站的共性特征，識別用戶對充電服務需求的偏好規律。本次實踐應用中，主要圍繞以上充電供需體系，利用新能源汽車大數據，直接或間接地進行相關供需信息的識別，以幫助運營決策的有效制定。

2 大數據分析及應用2.1供給研究——尋找區域充電站運營

在研究區域充電供給中，需要了解區域內主要充電場站的資源分布情況和實際運營情況，并通過與其他場站對標，了解自營充電場站在區域內的表現。本次研究選用上海市純電動乘用車一周七天的充電數據，結合手機端充電服務應用上的場站靜態數據，去展現區域內各充電場站的真實運行現狀。研究中采用Tableau數據可視化分析軟件，對基于新能源汽車運行數據加工處理后的結構化充電數據集（數據集包含車輛每一次充電行為的開始時間、結束時間、單次充電能量、充電行為的經緯度坐標），圍繞經緯度坐標，進行充電能量指標的聚合及其數據可視化。車輛充電行為的空間分布如圖2所示，展現的是上海浦東新區高橋鎮周邊的所有充電行為所對應充電能量的空間分布情況，圓點位置代表充電行為空間發生地，圓點大小代表充電能量的多少。

充電數據的識別流程如圖3所示，將此充電數據集與場站靜態信息相結合，可以繪制準確的公共充電場站空間邊界數據，進一步實現車輛充電數據與場站靜態數據的關聯聚合，得到兼有充電場站標簽和車輛屬性標簽的充電數據集，包括充電量、充電次數、充電車輛數、充電行為發生時間分布等信息。車輛充電行為的空間分布（已識別）如圖4所示，紅色標注為識別出的4座公共充電場站發生的充電行為，黑色標注為其他類型充電行為。

在實際應用中，通過以上車端充電數據的空間分析，在無需線下調研的情況下，即可實現對區域真實充電供給的有效識別。在后續運營中，圖4中充電量*高的3號充電站，也被作為區域內的充電站，用于各項充電運營服務的參考對標。

2.2 供給研究——評估充電服務質量

現實場景下，由于車輛和充電樁的匹配性差異，充電過程并不總是非常穩定，實際運營中，也經常會出現充電設備跳槍的問題。由于樁端無法識別車輛的具體型號，這導致不同型號車型和不同充電樁的匹配性問題，難以得到準確識別和改善。本次研究，通過采用車端和樁端空間、時間和電量指標多重匹配的方式，構建了車端充電數據與充電樁的關聯路徑，建立了包含具體車型信息的特定充電場站充電行為數據集，通過解析此數據集內的異常充電行為數據，即可準確識別車樁匹配異常。車輛和充電樁數據的匹配流如圖5所示。

一次充電行為的時序數據如圖6所示，通過車端充電數據異常值監測（充電過程中，充電電流出現異常中斷、跳變），所準確識別的一次發生在公共充電場站的異常充電行為：車端數據顯示，某品牌的A車型，12點開始其充電行為，初始電量為32%，到電量89%時完*結束充電，隨后車輛離開公共充電站。車輛充電期間車端電流*高達到200A，充電中出現兩次電流的突變，前一次突變電流異常降低至0A，10min后充電電流恢復正常200A。通過以上車端數據，實現了對目標場站車樁匹配性問題的反映。

2.3 需求研究——評估區域潛在充電需求

在實際充電運營中，需要對目標區域的總體充電需求進行評估，以確定是否設立新的站點，或者是否對舊的站點進行改造升級。新能源汽車運行數據，包含車輛的停留數據、充電數據和出行數據，可以解析特定區域停留車輛的規模和結構；可以測算停留用戶的整體補電需求；可以了解用戶充電與停留匹配特征等，以上信息均可用于評估目標區域的潛在充電需求。車輛的停留與充電位置如圖7所示。利用Tableau數據可視化分析軟件，對新能源公交客車運行數據集（分析周期內，車輛每次夜間停留行為的經緯度坐標、車輛每次充電行為的經緯度坐標）的可視化信息（圓點大小代表停留或充電行為的總次數、圓點位置代表行為的空間位置），可以直觀展現車輛充電和停留位置的匹配情況，比如滴水湖地鐵站公交站無車輛充電行為，此處夜間停留公交客車需要去其他站點進行充電補能，此區域存在建設公交充電站的潛在需求。

某旅游目的地車輛停留特征如圖8所示，利用Tableau分析軟件對新能源乘用車運行數據（浦東某旅游目的地一周時間內到訪車輛的運行數據）進行分析后的內容，其分析結果包括車輛到訪次數的熱力圖（基于到訪地空間坐標的行為次數聚合）、車輛到訪時對應車輛剩余電量區間的次數分布情況（基于到訪時車輛剩余電量的行為次數聚合）、車輛到訪時對應時段的次數分布情況（基于車輛到訪時刻的行為次數聚合），這些分析結果可以反映到訪車輛的行為特征。數據分析顯示，此旅游區一周到訪停留純電動汽車在1000輛的規模，到訪時車輛剩余電量主要分布在60%~80%，到訪時間集中在9:00-11:00。利用新能源汽車大數據，針對特定地區開展分析，可以獲得用戶行為特征，評估潛在充電需求，在實際運營業務中，用于充電樁功率選型和建站規模設計。

2.4 需求研究——用戶對充電服務的需求

傳統的用戶需求調研主要基于用戶訪談的方式開展，能夠涵蓋的用戶樣本往往有限。本次應用實踐，選用新能源汽車運行數據來進行用戶需求的研究，其既可以實現大規模用戶樣本的覆蓋，同時也能實現準確樣本的篩選。比如在用戶充電服務偏好研究中，項目基于50萬多輛新能源汽車一周時間的充電數據進行分析，挑選出整個浦東新區內不同區域充電量*大的充電場站，分析出這些熱門場站共同的服務優勢：2 h內充電免收停車費，充電分時段價格分別為1.0、1.2、1.4元/kWh，充電車位、有廁所配套等。利用大數據選出的場站，作為區域，其特質代表著用戶對良好充電服務的實際需求。在運營實踐中，圍繞區域進行自營場站的服務改善，實際取得了不錯的成效，有效拉動了自營充電站的利用率。例如在集中用戶準確識別研究中，通過分析新能源汽車充電數據，標定不同類型車輛在公共充電站和非公共充電場站上的實際充電能量分布，選取公共充電能量高的用戶作為自營充電場站集中用戶群。車輛對公共充電的電量需求情況如圖9所示，反映了18萬輛純電動乘用車一周時間內，對上海公共充電場站的實際充電量需求情況。47%的車輛產生了80%的公共充電量，而其他53%的車輛僅產生20%的充電量。通過大數據分析，實現用戶群體的分層分類，在實踐中可以幫助充電場站運營更有目的性，指導充電服務的有效供給。

3 安科瑞充電樁收費運營云平臺系統選型方案

3.1概述

AcrelCloud-9000安科瑞充電柱收費運營云平臺系統通過物聯網技術對接入系統的電動電動自行車充電站以及各個充電整法行不間斷地數據采集和監控，實時監控充電樁運行狀態，進行充電服務、支付管理，交易結算，資要管理、電能管理，明細查詢等。同時對充電機過溫保護、漏電、充電機輸入/輸出過壓，欠壓，絕緣低各類故障進行預警；充電樁支持以太網、4G或WIFI等方式接入互聯網，用戶通過微信、支付寶，云閃付掃碼充電。

3.2應用場所

適用于民用建筑、一般工業建筑、居住小區、實業單位、商業綜合體、學校、園區等充電樁模式的充電基礎設施設計。

3.3系統結構

系統分為四層：

1）即數據采集層、網絡傳輸層、數據**層和客戶端層。

2）數據采集層：包括電瓶車智能充電樁通訊協議為標準modbus-rtu。電瓶車智能充電樁用于采集充電回路的電力參數，并進行電能計量和保護。

3）網絡傳輸層：通過4G網絡將數據上傳至搭建好的數據庫服務器。

4）數據**層：包含應用服務器和數據服務器，應用服務器部署數據采集服務、WEB網站，數據服務器部署實時數據庫、歷史數據庫、基礎數據庫。

5）應客戶端層：系統管理員可在瀏覽器中訪問電瓶車充電樁收費平臺。終端充電用戶通過刷卡掃碼的方式啟動充電。

小區充電平臺功能主要涵蓋充電設施智能化大屏、實時監控、交易管理、故障管理、統計分析、基礎數據管理等功能，同時為運維人員提供運維APP，充電用戶提供充電小程序。

3.4 安科瑞充電樁云平臺系統功能

3.4.1智能化大屏

智能化大屏展示站點分布情況，對設備狀態、設備使用率、充電次數、充電時長、充電金額、充電度數、充電樁故障等進行統計顯示，同時可查看每個站點的站點信息、充電樁列表、充電記錄、收益、能耗、故障記錄等。統一管理小區充電樁，查看設備使用率，合理分配資源。

3.4.2實時監控

實時監視充電設施運行狀況，主要包括充電樁運行狀態、回路狀態、充電過程中的充電電量、充電電壓/電流，充電樁告警信息等。

3.4.3交易管理

平臺管理人員可管理充電用戶賬戶，對其進行賬戶進行充值、退款、凍結、注銷等操作，可查看小區用戶每日的充電交易詳細信息。

3.4.4故障管理

設備自動上報故障信息，平臺管理人員可通過平臺查看故障信息并進行派發處理，同時運維人員可通過運維APP收取故障推送，運維人員在運維工作完成后將結果上報。充電用戶也可通過充電小程序反饋現場問題。

3.4.5統計分析

通過系統平臺，從充電站點、充電設施、、充電時間、充電方式等不同角度，查詢充電交易統計信息、能耗統計信息等。

3.4.6基礎數據管理

在系統平臺建立運營商戶，運營商可建立和管理其運營所需站點和充電設施，維護充電設施信息、價格策略、折扣、優惠活動，同時可管理在線卡用戶充值、 凍結和解綁。

3.4.7運維APP

面向運維人員使用，可以對站點和充電樁進行管理、能夠進行故障閉環處理、查詢流量卡使用情況、查詢充電\充值情況，進行遠程參數設置，同時可接收故障推送

3.4.8充電小程序

面向充電用戶使用，可查看附近空閑設備，主要包含掃碼充電、賬戶充值，充電卡綁定、交易查詢、故障申訴等功能。

3.5系統硬件配置

4 結束語

為了更好地開展公共充電場站的日常運營管理工作，本次研究從洞察公共充電市場供需特征出發，通過應用新能源汽車大數據，挖掘充電市場供需信息，指導充電場站運營的決策實施。在實踐中，本文利用新能源汽車的出行和充電數據，開展了識別區域公共充電場站運營情況、識別場站車樁匹配性問題、評估區域充電需求、挑選場站識別用戶偏好、識別集中充電用戶等研究。證明了通過大數據的相關應用可以擴展充電場站實際運營決策的維度，開辟了充電場站供需分析的新方法。充電供給研究中，新能源汽車大數據主要可以在以下2點中發揮優勢：通過車端充電數據與充電場站邊界關聯，準確反映區域內充電資源供給，識別充電場站。在充電供給質量方面，通過識別車端充電異常數據，反映車樁匹配潛在問題。在充電需求研究中，通過車端數據提取目的地周邊車輛到訪特征數據，用于評估區域潛在充電需求。通過車端數據識別用戶到訪熱門充電場站，有效挖掘用戶實際需求偏好，指導場站優化。利用大數據的規模優勢，反映整體市場海量用戶公共充電需求的真實差異，助力服務聚焦集中用戶。本文所有的研究過程，不依賴于傳統的線下調研，且可以實現更全面更準確的空間、時間、場景和用戶的覆蓋，對于公共充電場站的準確供需研究有著啟發的作用。限于篇幅，本文未能對每項應用實踐進行一一詳述，同時也限于項目研究周期，本次僅進行了部分充電維度的研究探索，數據分析結果與實際運營需求的結合度上也存在不足，研究深度有待后續進一步*。

參考文獻[1] 邵佳佳，吳志煒，陳小毅，劉爽，鄧序之，楊杰. 新能源汽車大數據在充電供需研究中的應用[J]. 供用電, 2022，39 (12) : 74-81.[2] 上海發布．疫情防控、新城發力、民生福祉……龔正市長今天在記者招待會上回應了這些熱點問題[EB/OL]. [2022-01-23].[3] 聯聯充電．上海充換電設施公共數據采集與監測市級平臺數據統計12月月報[EB/OL]. [2022-01-24].[4] 馮超，周步祥，林楠，等．Delphi和GAHP集成的綜合評價方法在電動汽車充電站選址*優決策中的應用[J].電力自動化設備，2012，32（9）：25-29．[5] 馬國真．電動汽車充電樁建設現狀及規劃方案[J].能源研究與管理，2021（4）：91-95.[6] 安科瑞企業微電網設計及應用手冊2023.09版.