电动网约车和出租车充电需求预测

曾文亮　李富成　刘宇航　许瑾

摘 要：电动网约车和出租车的规模化发展，对城市配套充电设施规划提出更高要求。本文依据城市电动网约车和出租车运营特性，综合考虑城市不同区域出行特性、工作日和非工作日时间特征和天气影响等因素，构建了电动网约车和出租车负荷预测模型。基于蒙特卡洛法建立了网约车和出租车充电需求预测流程。基于某城市电动汽车推广数据，进行了网约车和出租车的充电需求预测，分析了空间、时间和天气因素对充电负荷的影响，为充电设施的规划提供了参考和依据。

关键词：电动网约车 电动出租车 蒙特卡洛法 充电需求

1 引言

随着全球环境变暖，电动汽车作为新能源汽车，以其在缓解能源短缺、减少温室气体排放等方面具有传统燃油汽车难以超越的优势，经过国家政策扶持，电动汽车未来定会进入产业化、规模化发展[1]。届时，大规模的充电需求会成为电网负荷的重要组成部分，同时由于电动汽车所具有的随机性、波动性等特点[2]，会影响电力系统的正常运行，因此，研究电动汽车充电特性模型是必要的。

电动网约车和出租车现已成为人们出行的主要方式之一，本文针对电动汽车中的电动网约车和出租车进行研究。将影响电动网约车和出租车充电的主要因素分为物理因素和时空因素。物理因素包括电动汽车规模、充电功率、车辆参数和充电设施等。时空因素有充电时间、起始荷电状态、天气降水状况和运行区域等。文献[3]将电动出租车固定为一天两充，白天快速充电、夜间常规充电。文献[4]通过对具有不同功能性质的电动汽车进行分析，研究整体产生的负荷对电网负荷的影响。文献[5]采用联系数将模糊的微观因素体现在充电负荷中。文献[6]研究不同职能区域充电负荷参数变化趋势。文献[7]将不同类型电动汽车的充电模式以及充电时段设定为固定模式，利用蒙特卡洛法模拟预测电动汽车的充电负荷。文献[8]通过分析多种不同车辆类型的充电模型，研究电动汽车充电产生的总负荷曲线。文献[9]根据电动汽车的充电规律对电动汽车充电模型建模，研究电动汽车充电负荷对配电网的影响。

上述文献主要针对电动汽车充电负荷的单一影响因素进行研究，但电动网约车和出租车出行情况受多方面因素影响。因此本文综合考虑时间、空间以及天气三大因素，将城市居民区划分为核心区、混合区、郊区三个大区域，细化24小时为4个时间段，通过对三大区域居民区的出行规律研究，结合降水量对电动汽车出行状况影响，采用蒙特卡洛法建立电动网约车和出租车的充电负荷模型，以某中型城市为例，进行分析验证。

2 电动网约车和出租车的充电特性分析

2.1 电动网约车和出租车的充电模式

根据对出租车和出租车运营情况的调研，将两种类型车辆的运营模式总结如下：

表1和表2反映出租车和网约车的运行特性上的差异性。出租车司机全部是全职司机，采用两班倒的运营模式，有大班和小班之分，由于出租车的有效充电时间较短，因此均选用快速充电模式充电。

网约车司机中有27%为兼职网约车司机，他们仅在节假日的时候运营，工作日期间相当于私家车。网约车不存在两班倒的运营模式，夜间运行车辆较少，因此网约车在中午休息时间采用快充模式，在夜晚采用常规充电模式。

2.2 影响电动网约车和出租车出行的外部因素

（1）空间因素：网约车和出租车具有相似的出行性质，它们的出行量都与人流量密切相关。在具有不同功能属性的区域内，网约车和出租车出行量差异较大;在具有相同功能属性的区域内，城区与郊区的网约车和出租车出行量略有区别。本文在研究电动网约车和出租车的充电需求时，以居民区为例，将城市的居民区分为市区居民区、市区混合居民区、郊区居民区。一周内出租车人均出行次数调研数据如下：市区居民区为6.67次/百人，混合区为7.52次/百人，郊区为2.79次/百人[10]，由此可以得到三大区域内的网约车和出租车运行比例。

（2）时间因素：电动网约车和出租车的出行具有较强的时间特征，三大居民区在工作日的出行的高峰期均位于早高峰和晚高峰期间，而在休息日的出行规律却有所不同，在休息日时，市区居民区和郊区混合居民区的出行特征类似，出行的高峰期在8：00-11：00和21：00-23：00期间，而市区混合区的出行高峰较宽，没有其他两个区域集中，位于12：00-23：00期间。

（3）天气因素：电动汽车的单位里程数的耗电量与车辆的行驶速度有关，而雨雪天气降低了车辆行驶的可见度，限制了车辆的行驶速度，从而增大了电动汽车的耗电量[11]，另一方面，雨雪天气增大了地面的湿滑程度，增大了出行的危险性，降低网约车和出租车的出行比例，进而对充电负荷产生影响。雨雪天气对车辆出行均有较大影响，但由于降雨在全国更为普遍且发生频率较高，本文重点考虑降水量对网约车充电负荷的影响。

3 电动网约车和出租车的充电负荷预测

3.1 电动网约车和出租车保有量预测

根据国家相关规划，2020年中国新能源汽车产销量达到200万辆，2025年新能源汽车产销将占20%以上[12]，其中出租車、网约车电动化率接近40%。图1为某市汽车保有量历史数据[7]：

本文基于时间变化的Bass模型对电动汽车的保有量进行预测[7]：

其中，为预测年份，依据图1所示汽车保有量历史数据数据，经过线性拟合得到：、和。

考虑到出租车大班和小班的运行规律不同对充电需求预测的影响，设该城市电动出租车的总数为，大班车和小班车的数量和占比分别为、和、。

电动网约车的运行数量在工作日与非工作日会发生变化，设该城市电动网约车总数为，工作日和非工作日的网约车运行数量和比例分别为：、和、。

则一天内出租车的大班车和小班车运行数量以及网约车一天内实际运行数量满足关系：

3.2 电动网约车和出租车的充电负荷预测方法

本文基于蒙特卡洛法完成对电动网约车和出租车充电负荷预测，预测流程如下：

（1）预测电动出租车和网约车保有量。

（2）随机抽取日期、日行公里数、充电起始时间、不同时段充电比例，采用蒙特卡洛法进行计算。

（3）考虑空间因素，以居民区为例，确定核心区、混合区、郊区车辆运行比例。

（4）考虑天气因素，生成随机数与降水概率进行比较，确定为雨天时提高充电比例。

某市的一年内的降水量历史数据如表3所示[13]：

由表3可以看出，不同月份的降水量及降水天数均存在较大差异，为了研究降水量对网约车和出租车充电需求的影响，本文利用蒙特卡洛法对月份进行随机抽取，针对抽取月份，建立以该月平均降水量为均值的正态分布，再次利用蒙特卡洛法抽取降水量，将抽取值代入公式（3），得出电动网约车和出租车的出行降低比例，计算过程如下：

X为月份，t为该月份中所抽取的降水量，为该月降水量的均值，为标准差。

降水量对网约车和出租车的出行降低比例呈指数形式分布[14]，本文采用Logistic回归模型分析降水量对电动网约车和出租车的出行影响。

Logistic回归模型如公式（5）所示：

其中为网约车和出租车的出行降低比例，为最小降低比例，为降低系数，为最大降低比例，为影响出行比例的最小降水量，为降水量，当时，不影响出行。出行比例降低的部分即认为电动汽车在充电。

（5）考虑时间因素，完成对电动网约车和出租车在工作日与非工作日的抽取。

（6）确定电动网约车和出租车车辆类型。

比亚迪电动汽车已作为电动出租车广泛投入使用[10]，本文以比亚迪E6电动汽车作为电动出租车的研究对象。

网约车中93%的车辆均为私家车[15]，私家车的种类繁多，若以单一车辆类型对电动网约车充电负荷模型建模时，将会产生较大误差，因此，本文选取市场上销售量较大的7种车辆类型，根据销售比例，通过加权平均和的形式，得出研究模型中电动网约车的车辆特征。计算方法为：

其中为网约车模型的最大行驶里程数，为第一种电动汽车销售量占所有电动车销售总量的比例，为第种电动汽车的最大行驶里程数。

同理，根据上述方法推算出电动网约车充电模型的常规充电功率、快速充电功率和电池容量。

（7）计算各个时间段内车辆消耗负荷和充电所需时间。已知电动汽车电池的剩余电量与电动汽车的充电所需时间有直接联系，根据公式（7）和（8）完成充电所需时长的计算。

电动网约车和出租车的起始电荷剩余量与汽车的行驶公里数有关，根据网约车和出租车的出行规律，网约车和出租车在不同时间段内的行驶里程数不同，在充电时车辆的行驶里程数满足正态分布，假设电池最大电荷量可使车辆达到行驶的最大里程数，则汽车开始充电时的车辆电池的电荷剩余量比例应满足关系：

其中为电动网约车和出租车开始充电时的电荷剩余量比例，为日行里程数，满足正态分布，是电动汽车可行驶最大里程数。

车辆每次充电时长为：

其中是充电时长，是电池容量，是充电功率，是充电效率。

（8）将一天24小时分为1440分钟，按照正态分布抽取起始充电时间，将起始充电时间与充电所需时间相加，得到一辆电动汽车的充电负荷。

是第n台电动汽车完成充电时间，是充电所需时间，是充电起始时间，满足正态分布。

在不同区域内，通过将某一时间段内，参与充电的电动网约车和出租车的充电负荷累加，即可得到该区域内电动网约车或出租车的充电总负荷，表达式如下：

其中，表示某充电时段参与充电的第辆车，分别表示居民区中的核心区、混合区和郊区，表示在可得到该车型在该充电时段区域内参与充电的车辆总数，表示该充电时段内在区域参与充电的第辆车产生的充电负荷，表示区域的充电总负荷。

（8）完成空间区域充电负荷累加，即可得到电动网约车和出租车在该城市居民区内产生的充电总负荷，即：

4 电动网约车和出租车的充电负荷算例分析

4.1 电动网约车、出租车基本参数选择

根据第一电动网[16]提供的产销数据可知，自2019年7月至2020年7月期间，销售量较高的几款面向大众的纯电动汽车分别是特斯拉Model 3、比亚迪秦、传祺Aion S、蔚来ES6、奇瑞eQ电动、北汽EU系列、威马EX5等。具体参数如表4所示：

根据上表信息和公式（7）推算网约车模型相关参数，出租车车辆参数以比亚迪E6为例，具体参数如表5所示：

根据上述保有量预测模型，代入预测的年份，在电动网约车和出租车渗透率为5%的条件下，得到网约车保有量9300辆，出租车保有量8100辆。

核心区、混合区、郊区车辆比例分为0.39、0.44、0.17。

根据电动汽车充电特性，假设充电效率。

随机抽取降雨量，根据公式（6），计算出电动网约车和出租车的出行降低比例，根据降低比例提高电动网约车和出租車的充电比例，当抽取降雨量大于（最大降雨量）时，认定所有车辆均不出行。

4.2 工作日和非工作日下的电动网约车和出租车充电负荷曲线分析

为充分体现本文所提预测模型中空间、时间和天气因素对负荷预测的影响，按照非工作日和工作日，分别对电动网约车和出租车在居民核心区、混合区、郊区的充电负荷需求，以及在降水和非降水情况下的充电负荷需求进行分析。

（1）由图2至图5均可看出电动网约车和出租车的充电负荷曲线呈“双峰”分布，但是充电负荷在不同区域的充电高峰时段和峰谷值均有所不同，其中郊区的充电需求最小，主要原因是郊区人流量较少;综合来看，充电需求最大的是混合区，混合区位于核心区与郊区之间，人流量虽不如核心区大，但是混合区存在着大量的居民，由于离市区更远，所带来的出行需求更大，因此充电需求更大。

（2）工作日时，电动网约车充电负荷曲线在凌晨1：20左右达到峰值，电动出租车充电负荷曲线在凌晨2：00左右达到峰值;非工作日时，网约车的充电负荷曲线在凌晨1：40左右达到峰值，出租车在凌晨1：50左右达到峰值;网约车和出租车的峰值出现时间不同，主要是车辆的运行模式不同造成的。

（3）比较图3和图5可知，工作日时的凌晨，郊区最先达到充电负荷峰值，其次是核心区，混合区最晚，而非工作日时，混合区最先达到充电负荷区间峰值，其次是核心区，最晚是郊区，这与每个区域居民的出行习惯相关[10]。

（4）比较图2至图5中的降水情况和非降水情况下的充电负荷曲线，均可看出降水对电动网约车和出租车充电负荷有较大影响。原因是降水情况下，司机的能见度降低，地面湿滑程度增大，增大了出行的危险程度，因此网约车和出租车出行量减少，充电比例增大，导致充电负荷增大。对比图2和图4容易发现降水对电动网约车影响更大，主要是因为网约车存在较多的兼职车主，网约车工作对他们来说只是一项兼职工作，当受到降水影响，出行危险增大时，更容易选择不出行，网约车受降水影响更加明显。

（5）比较图2和图4，电动网约车的最大峰值在非工作日略高于工作日，是因为非工作日有兼职网约车的加入使得网约车外出数量变大，由此带来的充電需求更大;而中午的峰值在工作日高于非工作日，因为非工作日，人们的出行更加随意化，在中午的出行需求大于工作日。

（6）比较图3和图5，电动出租车的充电负荷曲线无较大差异，原因是出租车作为具有职业化的特点的出行工具，运行模式较为固定，由此带来的充电规律也较为固定。

4.3 不同渗透率下的电动网约车和出租车充电负荷预测

电动网约车作为电动私家车的一部分，其运行特性与传统电动私家车有较大差异，其充电负荷需求也有不同。本文以该市电动私家车为基数，分别对电动私家车以及在5%、10%和20%三种不同的渗透率下的电动网约车和出租车的充电负荷进行预测，预测结果如图6所示。

预测结果表明，电动网约车和出租车的充电负荷曲线呈“双峰”分布，峰值在凌晨2点和下午13点左右出现，私家车的充电负荷曲线呈“三峰”分布，峰值分别在10点、14点和23点左右出现，其中最大峰值为12.5×105kw。随着电动网约车和出租车数量的增长，当电动网约车和出租车的数量占比达到电动私家车数量的20%时，峰值可达8×105kw，此时已达到了私家车最大充电负荷的64%。由此可知，由于网约车和出租车运行特殊性，随着其规模不断增大，其充电需求增长迅速，会对该城市电动汽车总充电负荷产生较大影响。

5 结语

本文基于电动网约车和出租车运行特性，综合考虑时间、空间、天气三大因素对电动网约车和出租车充电需求的影响，依据某城市电动汽车推广数据，采用蒙特卡洛法完成了对该市电动网约车和出租车充电负荷的预测。结果表明电动网约车和出租车充电需求和私家车有较大差异，对于电动网约车和出租车而言，混合居民区电动网约车充电需求最大，工作日和非工作日对电动网约车充电需求产生较大影响，降水情况下电动网约车和出租车充电需求增加。随着电动网约车和出租车规模化发展，其充电需求增长迅速，在城市充电设计规划时应重点关注。

基金项目：南充市校科技战略合作项目 （No.18SXHZ0011）;西南石油大学开放性重点项目（No.KSZ19715）

四川省省级大学生创新创业训练计划项目（NO. S202010615086）;

参考文献：

[1]吴憩棠.我国“十城千辆”计划的进展[J].汽车与配件，2009（13）：15-19.

[2]陈一凡，刘廷章，金勇，张菲，梁立新.电动汽车充电调度综述[J].电气自动化，2017，39（03）：26-29.

[3]乔文娟. 电动汽车充电负荷预测及调整策略[D].宁夏大学，2014.

[4]蒋林洳，万伟江，丁霄寅，李涛永，张元星，张晶.一种基于直接蒙特卡洛法的电动汽车充电负荷模型[J].供用电，2018，35（04）：20-25+13.

[5]叶郑庚.采用联系数与蒙特卡洛模拟的规模化电动汽车充电负荷预测[J].电器与能效管理技术，2019（20）：70-76.

[6]饶颖卿，张晓东，饶宇飞，杨军，崔惟.考虑分段充电的实用型电动汽车概率负荷模型[J].电测与仪表，1-8.

[7]李冰轩. 基于蒙特卡洛法的规模化电动汽车充电负荷预测研究[D].宁夏大学，2018.

[8]罗卓伟，胡泽春，宋永华，杨霞，占恺峤，吴俊阳.电动汽车充电负荷计算方法[J].电力系统自动化，2011，35（14）：36-42.

[9]韩鹏，汪晋宽，韩英华.电动汽车充电规律对配电网影响的分析与建模[J].东北大学学报（自然科学版），2012，33（12）：1702-1705.

[10]刘依敏.基于出租车GPS数据的大型居民区活动特性研究——以深圳市为例[A]. 中国城市规划学会城市交通规划学术委员会.品质交通与协同共治——2019年中国城市交通规划年会论文集[C].中国城市规划学会城市交通规划学术委员会：中国城市规划设计研究院城市交通专业研究院，2019：12.

[11]杨晓丹，狄靖月.天气现象影响公路低能见度的特征[J].科技导报，2013，31（32）：58-63.

[12]工业和信息化部，国家发展改革委，科技部.汽车产业中长期发展规划[Z].2017-04-06.

[13]http：//www.doc88.com/p-540678094474.html.

[14]刘立坤. 基于GPS数据的降雨情况下出租车运营状态分析[D].北京交通大学，2018.

[15]郑了了.网约车出行：现实困境与实现路径——基于H市的实证研究[J].山西高等学校社会科学学报，2020，32（09）：43-51.

[16]http：//biz.touchev.com/industry_data.