李雪梅 段晨悅 許鑫 傅軍 孫志杰 周國鵬

[摘 要]通過充電交易數(shù)據(jù)發(fā)現(xiàn)電動(dòng)車用戶的行為特征比較困難，但這些特征對(duì)于充電站運(yùn)營企業(yè)提高運(yùn)維服務(wù)質(zhì)量至關(guān)重要。文章使用K-means聚類模型對(duì)2016年10月至2017年9月冀北地區(qū)充電站交易數(shù)據(jù)進(jìn)行了研究，發(fā)現(xiàn)了3類用戶：高速一級(jí)用戶、高速二級(jí)用戶和城市用戶；在此基礎(chǔ)上，進(jìn)一步鉆取出5類用戶：跨城辦公用戶、游玩用戶、過路用戶、城市居民用戶、北京辦公用戶。根據(jù)這些用戶特征，提出了相應(yīng)的運(yùn)營策略、充電站規(guī)劃建設(shè)建議。

[關(guān)鍵詞]充電站；用戶行為特征；聚類分析

[DOI]10.13939/j.cnki.zgsc.2018.13.125

1 引 言

充電站作為電動(dòng)汽車充電基礎(chǔ)設(shè)施，與電動(dòng)汽車為互補(bǔ)產(chǎn)品。在國家“十三五”規(guī)劃關(guān)于電動(dòng)汽車充電基礎(chǔ)設(shè)施需要建設(shè)適度超前、車樁相隨、智能高效的充電網(wǎng)絡(luò)體系的精神指導(dǎo)下，電動(dòng)汽車充電站覆蓋面積不斷擴(kuò)張、充電站用戶也越來越多。正確識(shí)別充電站用戶或電動(dòng)汽車用戶的行為特征，對(duì)于運(yùn)營企業(yè)提高運(yùn)營效率、提升運(yùn)維服務(wù)質(zhì)量、引導(dǎo)用戶充電行為，都具有重要意義。

目前，國內(nèi)關(guān)于電動(dòng)汽車用戶行為特征的研究較少。李躍（2013）和王飛龍等（2013）在研究充電站的需求預(yù)測中，將電動(dòng)汽車用戶分為規(guī)律性較強(qiáng)的A類用戶、規(guī)律性一般的B類用戶、隨機(jī)性的C類用戶，其依據(jù)主要看電動(dòng)車是否為公交車或私家車。[1-2]邢龍等（2013）研究電動(dòng)汽車參與的微網(wǎng)運(yùn)行優(yōu)化中，將用戶分為及時(shí)充電、低價(jià)充電和雙向充放電三種模式，其依據(jù)是電動(dòng)汽車剩余量的多少。[3]陳麗丹等（2015）在研究電動(dòng)汽車充電負(fù)荷預(yù)測中，將用戶按照出行目的劃分為回家、工作、購物吃飯、社交休閑和其他事務(wù)五大類。[4]陳靜鵬等（2016）研究電動(dòng)汽車充電站優(yōu)化規(guī)劃模型，也使用了類似的分類。[5]這些研究雖然不是專門研究用戶特征，但是，從側(cè)面反映出用戶行為特征在相關(guān)領(lǐng)域研究中所起的重要作用。

國外關(guān)于電動(dòng)車用戶充電行為特征的研究也比較少。Xydas等（2016）研究了英國電動(dòng)車充電需求的特征，集中在充電電量方面。[6]Speidel等（2014）研究了澳大利亞西部電動(dòng)汽車的充電模式，主要考慮充電時(shí)段、電動(dòng)車剩余電量等方面的因素。[7]Bi等（2016、2017）通過考慮電動(dòng)車行程和充電剩余電量門限研究了新加坡電動(dòng)車的充電行為。[8-9]這些研究涉及充電需求，但沒有涉及用戶本身。

國內(nèi)外其他相關(guān)研究基本上集中在充電站布局選址、充電站負(fù)荷、充電站營運(yùn)模式、電動(dòng)車產(chǎn)業(yè)政策等方面。本文將使用冀北公司已運(yùn)行充電樁的相關(guān)數(shù)據(jù)，對(duì)電動(dòng)車充電用戶的行為特征進(jìn)行研究，從用戶標(biāo)簽出發(fā)提出相關(guān)建議，為其他領(lǐng)域的研究奠定基礎(chǔ)。

2 數(shù)據(jù)處理與研究方法

充電用戶行為特征研究主要依賴于從車聯(lián)網(wǎng)管理平臺(tái)提取的數(shù)據(jù)，其中包括充電樁檔案、冀北地區(qū)充電交易數(shù)據(jù)等。這些數(shù)據(jù)一般只涉及用戶的充電卡號(hào)、充電電量、交易金額、交易方式、交易時(shí)間、交易樁號(hào)，欠缺用戶準(zhǔn)確的描述。如何從現(xiàn)有數(shù)據(jù)抓取用戶特征依賴于正確研究方法的選擇。抓取用戶特征本質(zhì)上就是對(duì)用戶進(jìn)行分類，在數(shù)據(jù)分析技術(shù)中聚類分析是最為有效的分類工具。聚類分析是一組模型、工具，使用這組工具可以將數(shù)據(jù)目標(biāo)分成若干類。由于車聯(lián)網(wǎng)平臺(tái)數(shù)據(jù)相對(duì)較大，我們選擇K-means模型進(jìn)行聚類。

K-means模型的使用對(duì)數(shù)據(jù)結(jié)構(gòu)有一定要求，但從車聯(lián)網(wǎng)平臺(tái)提取的數(shù)據(jù)結(jié)構(gòu)性較差。因此，需要結(jié)合業(yè)務(wù)知識(shí)，對(duì)原數(shù)據(jù)進(jìn)行整理和預(yù)處理，得到格式統(tǒng)一的、數(shù)據(jù)完整的和標(biāo)準(zhǔn)化的電動(dòng)汽車用戶相關(guān)的結(jié)構(gòu)數(shù)據(jù)。

2.1 數(shù)據(jù)處理

數(shù)據(jù)處理將原數(shù)據(jù)從業(yè)務(wù)角度轉(zhuǎn)換成K-means模型可以使用的格式。這包括代表性處理、業(yè)務(wù)處理、K-means處理。

代表性處理：電動(dòng)車用戶充電行為主要群體是大眾，公交充電不具有代表性，因此，將2016年10月1日至2017年9月30日冀北交易數(shù)據(jù)中公交充電站交易數(shù)據(jù)剔除。

業(yè)務(wù)處理：按照運(yùn)營企業(yè)業(yè)務(wù)需要，將站點(diǎn)分為北京相關(guān)高速、城際高速、承德市站點(diǎn)、廊坊市站點(diǎn)、唐山市站點(diǎn)、秦皇島市站點(diǎn)、張家口市站點(diǎn)7類；將交易時(shí)段劃分為0—3：59、4—7：59、8—11：59、12—15：59、16—19：59、20—23：59 6個(gè)時(shí)段；將交易日期劃分為工作日、周末、節(jié)日3種。

K-means模型聚類，要求變量為數(shù)值型。因此除了卡號(hào)識(shí)別用戶作為觀測單位之外，充電交易數(shù)據(jù)中，高速、城市站充電次數(shù)；工作日、周末、節(jié)日充電次數(shù)；一天各時(shí)間段充電次數(shù)；各類別充電站的充電次數(shù)等都為數(shù)值型。

通過上述數(shù)據(jù)處理，得到20個(gè)變量反映充電用戶的特征，這些變量的數(shù)據(jù)結(jié)構(gòu)可以用K-means模型聚類計(jì)算。

2.2 K-means模型

K-means聚類模型由MacQueen（1967）提出后，從算法、工具方面得到很大發(fā)展。[10-11]尤其在處理大數(shù)據(jù)方面表現(xiàn)出比系統(tǒng)聚類的優(yōu)勢更受歡迎。聚類模型的兩個(gè)基本步驟是：選擇相似性度量、選擇并類算法。K-means聚類的相似性度量主要依據(jù)歐氏距離，也就是需要不斷計(jì)算觀測單位與每個(gè)類均值的距離。如果觀測單位包含p個(gè)變量，每個(gè)類的均值坐標(biāo)計(jì)算公式如下：

x—i=1n∑nj=1xji （i=1，2，…，p）

其中n為這個(gè)類包含的觀測單位個(gè)數(shù)，xji是觀測單位j的第i個(gè)變量的觀測。因此，這個(gè)類的均值為：

x—=（x—1，x—2，…，x—p）

觀測單位j與這個(gè)類均值之間的距離就是xj=（xj1，xj2，…，xjp）和x—的歐氏距離，這也表示j和這個(gè)類的距離。

K-means聚類模型的并類算法選擇如下：

Step 1：將觀測單位劃分成K個(gè)初始類。

Step 2：遍歷觀測單位列表，將每個(gè)觀測單位分配到其最近的K個(gè)類當(dāng)中的一個(gè)；重新計(jì)算類元素變化的類的均值。

Step 3：重復(fù)Step 2直到目標(biāo)分配達(dá)到穩(wěn)定為止。

其中Step 1可以隨機(jī)劃分K個(gè)類。Step 2計(jì)算每個(gè)觀測單位與每個(gè)類的距離，然后，將其分配到最近的類。這種分配如果發(fā)生，必然導(dǎo)致某個(gè)類元素的減少，另一個(gè)類元素的增加。從而需要對(duì)變化的類重新計(jì)算類均值：

x—i，new=nx—i+xjin+1 （如果觀測單位j分配到這個(gè)類）

x—i，new=nx—i-xjin-1 （如果觀測單位j從這個(gè)類刪除）

其中i=1，2，…，p為第i個(gè)變量，x—i為這個(gè)類原來第i個(gè)變量的均值，x—i，new為新的均值，n為這個(gè)類原來包含的觀測單位數(shù)。Step 3將重復(fù)Step 2，直到形成K個(gè)最終的類。

對(duì)于用戶特征的研究，觀測單位為充電用戶，或用戶ID，共16012個(gè)。每個(gè)用戶j都有共p=20個(gè)變量（見表1）：Dl、Dc、Zg、Zs、Zb、Zc、Zj、Zl、Zq、Zt、Zz、Tg、Tz、Tj、T1、T2、T3、T4、T5、T6對(duì)應(yīng)K-means模型中的xj1，xj2，…，xj20。

K-means聚類模型的并類算法可以通過大部分程序語言或軟件包實(shí)現(xiàn)。

3 用戶行為特征

下面的分析基于2016年10月至2017年9月冀北交易數(shù)據(jù)，經(jīng)過數(shù)據(jù)的標(biāo)準(zhǔn)化處理，使用K-means模型對(duì)在冀北地區(qū)使用過充電樁的16012個(gè)用戶進(jìn)行聚類分析。K的設(shè)定以及最終應(yīng)該產(chǎn)生多少類是任何聚類模型的一個(gè)難題。一個(gè)可行的方法是對(duì)給定的一組K的值進(jìn)行實(shí)驗(yàn)，使得類中的元素個(gè)數(shù)相對(duì)比較平衡，結(jié)合專業(yè)知識(shí)來選擇最終的類數(shù)。

3.1 初步K-means聚類結(jié)果

為了覆蓋潛在的類數(shù)，我們對(duì)K=1至15進(jìn)行K-means聚類分析，最終選擇K=6的聚類結(jié)果，再進(jìn)一步確定最終類數(shù)。K=6的聚類結(jié)果如表2。

從初步聚類結(jié)果來看，類別4、5、6包含的成員數(shù)只有1個(gè)或沒有，對(duì)于這3個(gè)類別可以不去關(guān)注。因此，初步得到3個(gè)比較平衡的類別1、2、3。下面分別從高速使用、充電電量、充電次數(shù)、充電時(shí)間方面比較這3個(gè)類別。

由表3可知，第一、二類用戶高速站充電使用較為頻繁，第三類用戶很少使用高速站充電。因此，初步定義這3個(gè)類別為高速一級(jí)用戶、高速二級(jí)用戶、城市用戶。第一、三類用戶的年人均充電電量遠(yuǎn)高于第二類用戶。但三類用戶的平均充電電量都比較顯著、充電時(shí)間主要就集中在8：00—20：00，需要我們進(jìn)一步關(guān)注。

第一類用戶為高速一級(jí)用戶，共有5497人，約占冀北用戶群的34.33%，大部分用戶高速使用率高且使用次數(shù)高。高速使用比高；充電電量及充電次數(shù)在三類用戶中最高，微高于第三類用戶。

第二類用戶為高速二級(jí)用戶，共有4769人，約占冀北用戶群的29.78%，大部分用戶高速使用率高，但使用次數(shù)低。高速使用比高；充電電量及充電次數(shù)在三類用戶中最低，且遠(yuǎn)低于其他類用戶。

第三類用戶為城市用戶，共有5744人，約占冀北用戶群的35.87%，大部分用戶高速使用率低，但使用次數(shù)高。高速使用比低，接近于0；充電電量及充電次數(shù)與第一類用戶相似，微低于第一類用戶。

從表4可以看出，高速一級(jí)用戶工作日使用次數(shù)：周末使用次數(shù)：節(jié)日使用次數(shù)≈3.3∶2.0∶1；8—19：59時(shí)間段使用次數(shù)高；站點(diǎn)使用情況，北京相關(guān)高速遠(yuǎn)高于其他站類型。

高速二級(jí)用戶工作日使用次數(shù)：周末使用次數(shù)：節(jié)日使用次數(shù)≈3.7∶2.3∶1；8—19：59時(shí)間段使用次數(shù)高；站點(diǎn)使用情況，北京相關(guān)高速遠(yuǎn)高于其他站類型。

城市用戶工作日使用次數(shù)：周末使用次數(shù)：節(jié)日使用次數(shù)≈10.6∶4.9∶1；12—19：59時(shí)間段使用次數(shù)高；站點(diǎn)使用情況，廊坊市站點(diǎn)遠(yuǎn)高于其他站類型。

3.2 用戶特征

通過上述研究，結(jié)合運(yùn)維業(yè)務(wù)經(jīng)驗(yàn)大致可以得到如下結(jié)果：

高速一級(jí)用戶，多數(shù)為跨城辦公用戶。其充電行為的主要特征為在京津冀地區(qū)工作日充電電量較大且充電次數(shù)較多，充電站使用頻繁人群，而且在北京相關(guān)站點(diǎn)、城際高速站點(diǎn)常有充電。

高速二級(jí)用戶，多數(shù)為過路用戶、游玩用戶。其特征是充電量、充電次數(shù)不大，但充電的站點(diǎn)分布相對(duì)均勻、分散。

城市用戶，基本上是城市居民用戶、北京辦公用戶。其特點(diǎn)是工作日充電次數(shù)相對(duì)多，但充電站點(diǎn)不太均勻，且北京辦公多集中于廊坊市燕郊地區(qū)站點(diǎn)充電。

4 建 議

根據(jù)上述研究，我們提出針對(duì)不同用戶類型的運(yùn)營策略建議。

高速一級(jí)用戶：推出分段計(jì)價(jià)、套餐服務(wù)。這種策略可以通過分時(shí)段、分地段，或工作日節(jié)假日等多種形式的組合套餐，給用戶提供一定程度的優(yōu)惠，來更好地吸引用戶，提高服務(wù)質(zhì)量。

高速二級(jí)用戶：推送附近景區(qū)信息、周邊服務(wù)（餐飲等）、附近沿途充電站。這種策略從用戶的興趣點(diǎn)出發(fā)，不僅可以有效地服務(wù)用戶，也可以和周邊景區(qū)、其他服務(wù)業(yè)進(jìn)行合作，發(fā)現(xiàn)新型服務(wù)模式。

城市用戶：推送附近低頻使用站點(diǎn)并給予優(yōu)惠、推送新增站點(diǎn)情況。這種策略可以引導(dǎo)用戶以優(yōu)惠價(jià)格使用低頻站點(diǎn)，尤其推薦一些附近新增站點(diǎn)。這不僅可以減少用戶等候時(shí)間，也充分使用了充電網(wǎng)絡(luò)資源。

增建城市站點(diǎn)：在充電高頻的城市站點(diǎn)周圍，增加充電站點(diǎn)。在整個(gè)充電網(wǎng)絡(luò)系統(tǒng)中，各個(gè)站點(diǎn)的使用頻數(shù)相差很大。比如，廊坊地區(qū)的站點(diǎn)使用次數(shù)遠(yuǎn)高于其他站點(diǎn)。這就需要在該地區(qū)的高頻站點(diǎn)附近增設(shè)新站點(diǎn)，使得站點(diǎn)網(wǎng)絡(luò)布局更加合理。

5 結(jié) 論

通過對(duì)冀北地區(qū)充電交易一手?jǐn)?shù)據(jù)進(jìn)行整理，借助于大數(shù)據(jù)技術(shù)的K-means聚類，我們發(fā)現(xiàn)了冀北地區(qū)充電用戶行為的部分主要特征。根據(jù)不同用戶的特征，為運(yùn)維管理、規(guī)劃建設(shè)提出相應(yīng)建議。這些建議對(duì)于冀北，乃至京津冀電動(dòng)車充電網(wǎng)絡(luò)的發(fā)展具有一定的實(shí)際意義和應(yīng)用價(jià)值。隨著交易數(shù)據(jù)的不斷完善、大數(shù)據(jù)技術(shù)的進(jìn)一步改進(jìn)，還有更珍貴的用戶信息需要我們?nèi)ネ诰颉?/p>

參考文獻(xiàn)：

[1]李躍.基于用戶分類的電動(dòng)汽車充電站需求預(yù)測[J].電氣時(shí)代，2013（12）：98-100.

[2]王飛龍，孫凱航，李燕青.基于用戶分類的電動(dòng)汽車充電站需求預(yù)測[J].黑龍江電力，2013（2）：132-134.

[3]邢龍，張沛超.基于用戶需求分類的電動(dòng)汽車參與的微網(wǎng)運(yùn)行優(yōu)化[J].可再生能源，2013（5）：46-50.

[4]陳麗丹，聶涌泉，鐘慶.基于出行鏈的電動(dòng)汽車充電負(fù)荷預(yù)測模型[J].電工技術(shù)學(xué)報(bào)，2015（4）：216-225.

[5]陳靜鵬，艾芊，肖斐.基于用戶出行需求的電動(dòng)汽車充電站規(guī)劃[J].電力自動(dòng)化設(shè)備，2016（6）：34-39.

[6]Xydas，Erotokritos，Charalampos Marmaras， et al.A data-driven approach for characterising the charging demand of electric vehicles：A UK case study[J].Applied Energy，2016（162）：763-771.

[7]Speidel， Stuart， Thomas Brunl.Driving and charging patterns of electric vehicles for energy usage[J].Renewable and Sustainable Energy Reviews，2014（40）：97-110.

[8]BI， RAN，JIAJIAN Xiao，VAISAGH V，ALOIS K.Influence of charging behaviour given charging station placement at existing petrol stations and residential car park locations in singapore[J].Procedia Computer Science，2016（80）：335-344.

[9]BI， RAN，JIAJIAN Xiao，VAISAGH V，ALOIS K.Influence of charging behaviour given charging infrastructure specification：A case study of Singapore[J].Journal of Computational Science，2017（20）：118-128.

[10]MACQUEEN，JAMES B.Some methods for classification and analysis of multivariate observations[J].Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability，Berkeley，CA：University of California Press，1967：281-297.

[11]JOHNSON，RICHARD A，DEAN W W.Applied multivariate statistical analysis [M].New Jersey： Pearson Prentice Hall，2007.