英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
电动汽车能量消耗和行驶里程的季节性影响：以个人、出租车和共乘汽车为例
摘要：在不同的天气和驾驶条件下，BEV的能耗和行驶里程的变化会影响这些车辆的实用性和消费者的接受度。因此，有必要更好地了解和量化影响实际驾驶条件下的消费和里程的季节性因素。本文分析了一个代表197辆同一车型的纯电动汽车在12个月内以0.1hz的调查频率记录的真实驾驶活动的数据集，以评估不同驾驶应用（个人驾驶、出租车运营和共享乘车）和季节（春秋、夏、冬）的纯电动汽车性能。结果表明，电动汽车的耗电量、行驶模式和充电模式随车辆使用和季节的不同而有显著差异。例如，行驶里程160公里的BEV车型，平均每1.6天充电一次，可以满足大部分个人车辆的出行需求。然而，同样的BEV模型，当用于乘坐共享或出租车的目的，是驾驶更多和充电更频繁。结果还表明，实际的BEV电耗（EC）与新欧洲行驶循环（NEDC）试验预测的电耗有显著差异，实际的EC比NEDC试验预测的高7%到10%。此外，冬季个人使用的BEV的实际范围仅为NEDC估计范围的64%。研究发现，当环境温度低于10℃、 温度每下降5℃用电量增加2.4千瓦时/km。当它高于28℃、温度每上升5℃用电量增加2.3千瓦时/km。这些发现意味着制造商应该设计具有适用范围的bev，并进行研发投资，以改善寒冷环境下的电池性能
关键词：BEV、能耗、出行模式、充电模式、季节性变化、车辆应用
- 简介
全球电动汽车市场发展迅速，2017年年销量突破120万辆，库存突破300万辆（国际能源署，2018年）。尤其是在中国，电池电动汽车（BEV）的年产量激增，主要是由于政策激励，从2014年的3.9万辆增至2018年的79万辆。在中国，2016年乘用车主要用作个人、车队（包括共享乘车）和出租车，分别占30.2万名新乘客的47%、41%和12%。
由于较高的个人收入和强有力的地方政策激励，中国电池电动汽车需求主要集中在大城市。例如，在北京，过去三年中，北京的纯电动汽车年销量大幅增长，从2016年的4.9万辆增至2018年的7.3万辆，使北京成为中国城市中最大的纯电动汽车市场。由于对纯电动汽车的需求不断增长，北京制定了年度纯电动汽车销售最高限额。
BEV的增长开始表现出粗对电池安全性、车辆质量和行驶里程（里程焦虑）的担忧。减少的和不确定的范围从根本上与BEV的增加和变化的道路能源消耗有关。本研究旨在加深对BEV实际能耗和驾驶适用范围及原因的了解。
BEV能耗和行驶里程的变化可能是由与不同驾驶强度和模式相关的不同驾驶应用（如个人使用、共享移动和出租车）引起。一些BEV车主加入了滴滴，滴滴是一家在中国的运输网络公司（跨国公司），类似于美国的Uber和Lyft。截至2017年，滴滴在中国20多个城市的平台上注册了20多万辆BEV和插电式混合动力汽车。
通勤是个人车辆最常见的出行方式。在中国，单程通勤行程通常不到30公里，平日有规律和固定模式。然而，出租车和共用车辆的年行驶距离可达到8万至10万公里（约每天200到300公里），这在很大程度上取决于天气和出行需求等因素（北京交通学院，2019年）。在美国也有类似的现象。20%的出租车和共乘车辆日与每天200英里以上的行驶距离相关，而个人司机达到这一距离的车辆日不到1%。不同车辆应用的行驶模式差异可能导致不同的燃油消耗量和不同的BEV范围需求。
天气和驾驶条件也可能影响BEV的能耗，这对用户接受度、电池尺寸和BEV的环境影响有影响。Dong等人,量化了可靠距离估计对BEV可行性的影响，进一步说明了估计天气对BEV能耗影响的重要性（Dong等人，2019）。与传统车辆一样，标准测试循环（如欧洲和中国采用的新欧洲驾驶循环（NEDC））仍在用于估算能耗和行驶里程。虽然这些试验循环有助于比较车辆，但人们普遍认为它们并不反映实际驾驶情况（De Cauwer等人，2015年；He等人，2018年）。内燃机车（ICEV）的实际能耗比NEDC测试结果高29.3%到37.5%（Ma等人，2019年）。
这项研究的目的是为了更好地估计BEVs实际的能源消耗和行驶里程。对现实世界的能源消耗和范围进行更准确的估计，有可能减少消费者的焦虑，促进消费者的接受。它们还可以帮助制造商为个人消费者和出租车公司优化BEV范围，并可以导致更好地评估采用BEV的环境效益。
现有的关于BEV能源消耗和范围的文献没有考虑车辆应用和季节导致的出行模式和电力消耗的变化。详细的文献综述见第2节。
本研究使用大规模的真实驾驶数据来检验温度对不同车辆应用的真实BEV耗电量和行驶里程的影响。它使用了197辆在北京运营的中国最畅销的BEV车型的运营数据。使用k-均值聚类方法，车辆被分类为（1）个人车辆，（2）出租车，或（3）共享车辆。然后推导了不同季节不同车辆应用的行驶和充电模式。然后分析并比较了车辆应用、季节和环境温度下的耗电量和行驶里程。
在对相关文献进行全面回顾的基础上，我们认为这是第一篇使用实际BEV驾驶数据来说明我们所知的中国个人车辆、出租车和共享单车之间的运营和耗电差异的论文。结果表明，不同应用和季节的用电量、出行方式和充电方式存在显著差异。研究结果表明，制造商和政府应（1）推广适用于其旨在最大限度降低总体拥有成本的应用程序，以及（2）增加对寒冷环境下电池性能改进的投资。
本文的剩余部分结构如下：第二节是关于bev的行驶模式和能量消耗的文献综述。第三节介绍了数据处理的数据和方法。第4节描述了出行和充电模式的结果，并讨论了车辆应用和季节对用电量和里程的影响。最后一节讨论了局限性、未来研究和结论，包括启示。
- 文献综述
自2013年以来，使用真实世界驾驶数据检查BEV旅行模式的研究数量逐渐增加，特别是针对个人车辆和出租车的研究。个人车辆的旅行模式已经在世界各地进行了详细的研究，如美国（Nicholas and Tal，2016）、瑞典大斯德哥尔摩（Jakobson et al.，2016）、澳大利亚（Speidel and Br Euraunl，2014）和英国。
De Cauwer等人（2015）用佛兰德斯生活实验室电动汽车项目的二手车数据，根据车辆平均行驶距离将车辆分为共用车辆和个人车辆，并研究了每种车辆的里程分布。爱达荷州国家实验室（INL）的研究人员研究了一个更大的汽车样本。他们收集了21600辆个人车辆的道路车辆运行数据，以研究BEV的实际行驶距离分布（Shawn等人，2014）。对于出租车，Zou等人（2016）利用北京市电动汽车监测服务中心（BEVMSC）的电池电动出租车数据，分析了电动汽车的行驶距离分布和充电特性的季节变化。为了优化BEV的可行性，对纽约市出租车的出行模式进行了分析（Hu等人，2018）。莫尼奥特等人（2019）比较了个人车辆、俄亥俄州哥伦布的出租车和德克萨斯州奥斯汀的代驾车辆的出行模式，以确定收费基础设施的重要性。这项研究比较了三种车辆的应用，但重点放在传统车辆而不是bev上。文献中的数据来源和主要发现见表1。因此，至少在中国，还没有研究基于大型BEV驾驶数据集来比较不同的BEV应用（个人使用、出租车运营和乘车共享）。
一些研究已经分析了实际用电量与行驶里程及相关因素之间的关系。道路等级（Hu等人，2012年；Wang等人，2008年）、交通拥堵（Brundell Freij和Ericsson，2005年）、在高速公路或地方道路上驾驶（Fetene等人，2017年；Heide和Mohazzabi，2013年）以及天气对实际用电量的影响进行了分析。在这些研究中，研究人员通常使用车载BEV运行数据，这些数据的投票频率很高，但采集自少量车辆。Reyes等人（2016）在加拿大用丰田Leaf和三菱i-MiEV进行了一项实验，以确定耗电量对环境温度的敏感性。然而，这项研究仅基于三辆车。大数据，如车辆轨迹数据，使得全面分析影响能源消耗的因素成为可能。在丹麦，根据费滕等人的研究，冬季的燃料消耗量比夏季高出30%（2017年）。加拿大魁北克也开展了类似的研究，以确定极冷温度的影响（Zahabi等人，2014年）。电动汽车的变化对温和的温度不明显（13℃到16℃） （Birrell等人，2014年）。然而，大多数的研究都集中在单一的应用上，比如个人车辆。
综上所述，很少有研究旨在确定不同车辆应用（如个人使用和乘车共享）之间的不同出行模式，特别是使用来自中国的大数据。虽然在不同的环境温度下，不同的应用程序的旅行模式和能源消耗可能会有很大的不同，但是还没有足够的研究来量化或验证它。
-
数据和方法
- 数据概述
本研究使用通过远程车辆监控过程获得的数据，该过程遵循2016年出版的《电动汽车远程服务和管理系统技术规范》（工业和信息化部，2016年）。数据字段包括预期的车辆用途、GPS信息、速度、行驶距离和电池的充电状态（SOC），如表2所示。数据以0.1赫兹的轮询频率收集。
数据样本涵盖197辆BEV其中119辆登记为个人车辆，78辆登记为出租车。数据中注册的预期用途类别不包括共享乘车。数据涵盖2015年1月至2016年2月共41660个车日，总里程4401000公里。登记为出租车的车辆的数据分布在北京南部的大兴区，如图1所示。充电位置定义为每辆车行驶后的停车位置。注意，这些位置可能不是实际的充电位置，它们在地图上被描绘以显示旅行的空间分布区域。用作出租车的车型电池容量为30.4 kWh，标称行驶里程为200 km（NEDC测试），如表3第二栏所示。北京周边都有私人电池电动车充电场所（图1）。这些车辆是同一型号（也是EC系列车身），电池容量较小，为25.6千瓦时，标称行驶里程为160公里（NEDC测试）。本研究中个人使用和出租车模式的属性也如表3所示。
3.2 数据处理
将监控平台输出的数据进行处理，分割成每辆车的日行驶里程（DVKT）分布。然后用Matlab完成分析。数据处理包括一下这些步骤：
一、规范化数据格式。数据格式是统一的，并根据时间序列进行调整，以纠正数据传输过程中可能发生的数据序列的任何变化。
二、清除数据。可能由于数据传输过程中的丢失或数据溢出而缺少点。丢失的点被平滑。
三、分段旅行。对数据进行分段，任何两个相邻的数据点（停车时间超过30分钟）被分成两次行程。
四、删除异常行程。由于我国高速公路限速为120公里/小时，法律规定连续行车时间限制为4小时（国务院，2004年），因此不允许单次行驶超过480公里。为了尽可能包括完整的数据，删除了960公里以上的行程（标准的两倍）。同时，为了避免数据偏差，省去了持续时间小于5分钟或1公里的行程。
五、导出DVKT。出发日期相同的行程定义为当天的行程。同一天同一车辆行驶的距离累积为DVKT。
六、定义充电事件。充电事件不直接记录，因此根据SOC的变化进行定义。当新行程的起始SOC比前一行程的到达SOC高10个百分点且这两次行程之间的时间间隔在24小时内时，定义充电事件。该时间限制旨在避免数据丢失。
七、识别共用车辆。个人车辆数据记录包括共享乘车和个人专用，需要分开。这将在第3.3节中讨论。
八、拟合伽马分布。步骤5的DVKT结果用于拟合伽马分布，以便于数学推导和讨论行程模式。第3.4节提供了更详细的解释。
九、计算用电量和范围。SOC用于计算行程期间的累积能耗和行程（在第3.5节中进一步说明）。
3.3用k-means方法分离车辆应用
在数据集中，登记的个人车辆不分为共享乘车和专用个人车辆。因此，采用k-means聚类方法将二者分离开来。对于k-means聚类，平方欧氏距离是最常用的方法（Fotouhi和Montazeri Gh，2013），并被用于驾驶模式识别（Li等人，2019）。本文还采用了二维欧氏向量，它由DVKT的均值和标准差组成。平均DVKT表示驾驶员的平均行驶距离，DVKT的标准差表示每天行程的变化。共享乘车和个人车辆运营之间最显著的区别在于共享乘车车辆的更高利用率或更高的DVKT（Moniot等人，2019年）。此外，出租车和共乘车辆的DVKT标准偏差可达到50公里以上（Chaudhari等人，2016年），而北京个人车辆的平均DVKT标准偏差仅为38公里（Hou等人，2013年）。聚类结果如图2（a）所示。通过三维k-means聚类，将每周出行次数作为另一个聚类参数，验证了聚类的有效性。其结果与图2（b）所示的二维聚类结果完全相同。
在（a）和（b）中，平均值较小、标准差较小、每周出行次数较少的黄色正方形表示出行距离较短且较规则，这通常是个人通勤出行的标志。平均值越大、标准差越大和每周出行次数越大的绿色广场表示共享车辆。蓝色点表示出租车。每个正方形/圆圈代表一辆汽车的平均行驶模式。在（c）中，实线是指图（a）所示边界上4辆车的DVKT分布，虚线是指个人车辆和共用车辆的典型DVKT分布。
请注意，分类不能确定第2组中的车辆肯定用于共享乘车，但旅行模式更像是共享乘车车辆，而不是个人车辆。第2组平均每日旅行时间为459分钟，第1组为166分钟。这进一步验证了将第2组车辆归类为共享乘车车辆的有效性，因为大多数个人车辆驾驶员在道路上的时间不会超过7小时。
此外，图2（a）中的集群边界上的点的旅行模式（车辆1到4）可能被用作两用车辆（也称为非全日制共用车辆）或可能有多个频繁访问目的地的单用途车辆。由于这些车辆的DVKT分布如图2（c）所示，与典型的个人车辆和共享乘车车辆相比，边界上四辆车辆的DVKT分布至少有两个
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238540]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
