图1 新能源汽车监测平台系统架构
Fig.1 System architecture diagram of new energy vehicle monitoring platform
摘要 因能源和气候问题，新能源汽车产业得到了广泛的关注。新能源汽车的信息化和智能化积累了大量数据，为合理地利用大数据技术进行信息处理和数据挖掘，推动新能源汽车与能源、交通、通信全面深度融合，建立了上海市新能源汽车公共数据采集与监测平台。首先介绍平台的架构、采集数据类型和平台标签体系，对新能源汽车的使用特征进行分析，着重关注了行驶行为和充电行为的时空分布情况，分别从充电设施、电网、安全等方面提供了新能源汽车监测平台的应用思路。最后，对新能源汽车监测平台现存问题和发展规划进行了总结和展望。
关键词：新能源汽车监测平台 大数据 特征分析 应用
作为能源消耗大国，我国石油总量近一半供给汽车。一方面，相较传统内燃机车型，新能源汽车效率高至2～4倍[1]；另一方面，2021年全国两会通过“十四五”规划纲要，进一步明确制定了2030年前“碳达峰”的行动计划[2]。发展新能源汽车，减少国家石油资源消耗和碳排放，是顺应我国能源结构调整、应对气候变化的关键环节，也是我国从汽车大国迈向汽车强国的必由之路[3]。
截至2020年底，全球新能源汽车存量约有1 000万辆，其中中国540万辆。全球总销量约为333万辆，比上年增长68.7万辆，增幅为26.0%。按照目前各国政府发展规划预测，到2030年，全球上路的新能源汽车数量将达到1.45亿辆，若实施更加严格的减排减碳措施，或可达到2.3亿辆，市场占有率将达到12%[4]。
新能源汽车产业已经进入成长期，政策补贴自2017年开始明显退坡，2019年后加速退出，补贴向高能量密度、低电耗新能源汽车倾斜，向运营端和基础设施建设转移。截至2021年6月，中国电动充电基础设施促进联盟内成员单位总计上报公共类充电桩92.4万台，其中直流充电桩37.4万台、交流充电桩55.0万台、交直流一体充电桩426台[5]。
国务院办公厅2020年10月20日印发《新能源汽车产业发展规划（2021－2035年）》提出“推动产业融合发展”“构建产业协同发展新格局”[2]。为促进新能源汽车产业高质量竞争发展，有必要对新能源汽车进行监测。汽车监测平台的运行能够实时获取新能源汽车的地理位置信息和整车、零部件等运行数据，并通过便捷、直观的人机界面告知监测人员相关信息。
随着新能源汽车的逐渐普及以及新能源汽车车载信息系统的完善，在车辆行驶过程中会积累大量数据[6]，未来还有望接入气象数据、道路建设数据等，形成新能源汽车多源数据库。传统数据分析领域主要是基于表格等结构化数据进行研究，已不能满足新能源汽车行业的数据分析需求，而依托于大数据技术的监测平台在满足上述需求外，还可以提供更加丰富和直观的数据信息。通过建立新能源汽车大数据分析平台，结合交通运行数据、基础设施数据、城市活动数据，进行多维、多层次集成，积极探索与产学研各类机构的多元化合作模式，推动新能源汽车数据在交通、保险、电信等重点领域的融合应用，助力提升其公共服务水平，为推广新能源汽车应用发挥积极的促进作用[7]。
目前国内涉及新能源汽车监测的地方平台主要存在于上海市、成都市、青岛市、武汉市和西安市的平台。其中，“上海市新能源汽车公共数据采集与监测研究中心”是由上海国际汽车城（集团）有限公司、上海机动车检测中心、上海交大教育发展基金会以及上海嘉定区光彩基金促进会四家单位发起，于2014年由上海市经信委发文批复成立并负责业务指导，由上海市社会团体管理局批准成立的非营利组织（独立法人）。
截至2021年6月，数据中心已接入新能源汽车51.8万，远远超过其他平台不足10万的接入量，已获得106家NEV(new energy vehicle)企业、113个NEV品牌，涵盖839款车型，基本覆盖全部车型。数据中心的数据样本容量大，统计估计量的代表性误差小。通过对新能源汽车大数据的分析，揭示出上海新能源汽车用户的使用行为特征，为包括政府、企业、消费者决策等不同类型参与方提供新能源汽车相关的大数据支持。借助新能源汽车监测平台，挖掘和探索海量新能源汽车数据在行驶、充电和安全场景中的应用价值更值得关注。
本文主要介绍了上海市新能源汽车公共数据采集与监测平台的架构，应用大数据技术进行特征分析，并描绘了相关应用场景，最后，讨论了当前监测平台存在的不足和发展方向。
新能源汽车监测平台系统架构如图1所示，整体上基于阿里云HBase X-Pack构建。HBase X-Pack是基于Apache HBase及HBase生态构建的多模数据库，支持数据从处理、存储到分析的全流程。
图1 新能源汽车监测平台系统架构
Fig.1 System architecture diagram of new energy vehicle monitoring platform
数据采集层：车企平台上传的数据报文，首先经过系统平台的物联网网关，然后借助规则引擎对数据报文进行解析，拆分成有意义的数据项，以数据记录的方式放入统一数据管道、分布式消息队列ONS中，实现将车企、桩企相关业务数据实时地同步到大数据平台中。数据采集层在大数据平台中起到数据加工中心的作用。
数据存储层：是综合服务平台建设的核心，其根本目的是有效管理数据中心分析型业务范围内的全量数据，达到统一存储、分布式部署、集中分析、高效访问、统一决策的目的。数据中心企业级的数据仓库也将构建在大数据平台之上。
计算服务层：该层构建在数据存储层之上，主要利用Hadoop、Spark生态系统组件的数据分析能力实现新能源汽车行业分析场景。计算服务层既包含用户的业务应用也包含具体的分析类型，如实时查询、数据挖掘等。
统一接口层：通过计算服务层对车辆等数据进行分析处理后，结果数据存放到关系型数据库MySQL或者回流到HBase中，然后通过统一的接口服务对外暴露数据。该层旨在通过统一的形式对外共享数据。
数据应用层：是图1所示监测平台的最后一层，该层可以通过报表、图表和图形的方式向数据中心人员直观地展现数据。
新能源汽车车载信息系统按国家标准对车辆数据进行采集[8-9]，通过无线网络将信息加密传递至企业平台。企业平台负责新能源汽车安全监管，同时将公共领域车辆运行数据、统计信息以及故障处理信息实时上报给地方和国家平台。新能源汽车数据类型如图2所示，数据分为六类，共计61项。
要建立一套标签体系，主要依赖类目标签体系、用户画像和应用场景[10]。
类目标签体系是以业务核心-新能源汽车为中心建立的，以新能源汽车的分类为基础构建类目树。类目标签体系分为三类：原始数据标签、统计数据标签、算法数据标签。
用户画像本质上也是一套标签体系，只是结构相同但内容相异。在用户画像这套标签体系中，分为静态信息和动态信息两部分。静态信息就是用户的自有属性，如新能源汽车的车辆车型信息；而动态信息主要就是要记录什么人，什么时间，什么地点做了一件什么事情，如新能源汽车车主的行驶和充电情况。
图2 新能源汽车数据类型
Fig.2 Types of new energy vehicle data
最后业务核心之间、业务和用户角色之间、用户角色之间，一旦产生交互，就可以形成应用场景，可以说应用场景囊括了所有游离的标签。
目前数据中心基于现有数据，分为四大类指标，如图3所示，包括行驶行为分析指标、用户充电分析指标、车辆性能分析指标、用户画像分析指标等特征指标。
图3 新能源汽车的标签体系
Fig.3 Label system of new energy vehicles
传统用户特征分析多用于互联网领域，根据用户信息制定用户画像，为其提供精准推送、个性服务[11]。
在人—车—网智能结合的新能源汽车行业，通过对新能源汽车大数据的分析，试图揭示上海新能源汽车用户的使用行为特征，为包括消费者、企业、政府等不同类型参与方提供新能源汽车相关的大数据支持。
根据2019年统计的新能源汽车自燃数据中，与动力电池安全相关的新能源汽车安全事故达40余起，人民的生命安全和新能源汽车行业遭遇威胁[12]。上海市新能源汽车公共数据采集与监测平台能实时获取新能源汽车信息，通过人机界面及时告知监测人员，从而确保行车安全。此外，还能为用户提供诸如查询、计费等基础服务。
对企业而言，平台对新能源汽车各项运行数据进行监测分析，有助于发现生产技术上的问题，从而降低油耗、车辆危险事件、故障发生概率并降低运营成本，为企业制定销售运营策略、产品升级方向提供参考[13]。
平台的运行为政府整体性治理提供了技术支持，避免跨部门可能导致的政策不协调、治理效率低等问题[14]。通过对新能源汽车行驶特征的分析，有助于预测交通堵塞和规划布局充电桩；对充电特性的分析，有助于智能配电网调度、电能质量、汽车安全研究，并为进一步有序充电和V2G（vehicle-to-grid）技术提供支持。
2.1.1 行驶行为时间分布
对上海新能源汽车的行驶行为进行概率统计分析，分析结果显示，车辆的日行驶里程分布规律基本满足：越靠近内环，新能源汽车行驶行为分布越密集，新能源汽车出行高峰出现在7:00和17:00，与人们正常出行的早晚高峰一致，早晚高峰日平均速度分别为23km/h、21km/h。早高峰内环行驶占比近半，主要用于人群上班。而行驶行为发生最少的是在凌晨3:00左右，在一定程度上反映了人群作息规律。此外，新能源汽车次均出行里程19km，日出行里程52km，次均出行时长0.8h。通过上海市新能源汽车公共数据采集与监测平台某典型日检测的新能源汽车行驶行为分布如图4所示。
图4 新能源汽车的行驶行为分布（典型时刻）
Fig.4 Distribution map of driving behavior of new energy vehicles(typical moment)
2.1.2 行驶行为空间分布
上海市新能源汽车公共数据采集与监测平台通过对接入的新能源汽车出行OD(origin-destination)点的分析，得到如图5所示的出行热力图。
图5 新能源汽车出行热力图
Fig.5 Travel heat map of new energy vehicles
图5a中新能源汽车OD点分布与居住区基本重合，环绕在环线间、环线边，其余多关联住宅区和学校，说明居住区是新能源汽车出行链中重要的一类。
图5b中新能源汽车OD点分布中与工作区也基本重合，分布于环线上和内环，环线外的集中区域为虹桥机场和宝钢附近。结合2020年中国用户购车用途中，上下班代步占比73.6%[15]，印证了新能源汽车主要作为通勤工具使用。
图5c中新能源汽车OD点分布中展示了与休闲行为的关系。外环与居住区相近，但稍有不同，通常分布于居住区附近，与广场、交通枢纽等关联。内环则与工作区更相近，内环商业区同时具有工作和休闲两重属性。
新能源汽车快速发展产生的充电行为正产生越来越大的影响，其时空分布深刻影响着充电桩的规划布局和电网平衡。
2.2.1 充电行为时空分布
上海市新能源汽车公共数据采集与监测平台通过对25 000辆新能源汽车共30 000次充电行为进行分析，总结如下：充电行为主要发生在夜间，发生区域贴近居住区分布，白天的充电行为则更贴合工作区分布，而早晚高峰则充电行为较少。某典型日的上海新能源汽车充电行为时空分布如图6所示。图6a为7:30时刻，此时处于早高峰时期，新能源汽车主要用途是通勤工具，故充电行为相对较少；图6b为9:34时刻，此时人群多数处于工作状态，新能源汽车放置于工作地点附近充电，与图5b工作区相近；图6c为23:33时刻，夜间作为新能源汽车充电的主要时间段，此时充电行为明显增多，通常持续到凌晨2:00～3:00时，充电行为逐渐完成，热力逐渐淡去。
图6 新能源汽车充电热力图
Fig.6 Charging heat map of new energy vehicles
2.2.2 充电类型分析
充电桩类型旭日图如图7所示。截至2021年6月，平台接入充换电设施运营商共计142家，充电桩119 089个。其中，公用充电桩71 319个，专用充电桩47 770个。车桩比约为1.1:1，远远超过全国3.14:1的水平。
如图7所示，公用充电桩中有16 564个直流充电桩（占23%）、54775个交流充电桩（占77%）；专用充电桩中有9 112个直流充电桩（占比19%）、38 658个交流充电桩（占比81%）。
图7 充电桩类型旭日图
Fig.7 Sunburst of types of charging pile
充电地点热力如图8所示。图8展示了充电行为与充电地点的关系，在专有充电桩充电的占72%，在公共充电桩充电的占28%。
图8 充电地点热力图
Fig.8 Heat map of charging place
2021年6月，上海新建设充电桩1 697个，环比增长37%，同比增长176%。而推广的新能源汽车达到22 058辆，充电桩的建设速度远远赶不上新能源汽车的推广速度。此外，上海市公共充电桩仍面临不少问题，如运维缺失、燃油车占位、新旧小区分布不均等。这些问题共同反映在较低的利用率上，交流充电桩利用率为1.42%，直流充电桩利用率为4.63%，这在一定程度上制约了充电行业的健康发展[16-17]。
3.1.1 规划布局
制约新能源汽车发展的因素之一是用户的里程焦虑[18]，在电池技术缺乏重大实用性突破的情况下，缓解里程焦虑的有效办法便是规模化建设充电设施[19]。鉴于空间与资源的有限性，应该充分考虑新能源汽车的规模、行驶特征、充电特征和道路交通等因素，为充电设施的规划布局进行科学决策，并为未来留有增长空间[20-21]。
充电设施规划的前提是精确的新能源汽车充电需求，目前研究主要聚焦在构建充电需求模型上，再预测充电需求的时空分布特征，而非真实的充电需求[22-25]。通过新能源汽车监测平台对行驶行为和充电行为的数据分析，一方面验证模型和参数的有效性，可以用于指导其他地区的负荷预测；另一方面，结合道路、天气、社会等因素，在安全、容量等约束条件下对充电设施的规划布局进行成本最优配置[25]。
3.1.2 对企业的指导作用
新能源汽车监测平台提炼数据信息，为企业生产活动提供指引。基于充电设施的运行状态和历史数据，对充电设施的运行状态进行预测，做到提前检修，确保设备安全可靠运行，提高充电桩的使用效率，提升企业运营能力；分析用户出行特征和新能源汽车的行驶特征，指导企业进行用户管理、开展个性化服务，同时指引新能源汽车在生产技术上改进方向，降低油耗、危险事件和故障发生概率，进而降低运营成本，提高企业竞争力；将用户充电信息与地理信息结合，同时考虑负荷特性、电费政策、新能源接入等影响因素，协调电力生产、运输、调度等多个环节，优化电力资源的配置[26]。
新能源汽车充电具有随机性和分散性，并受到人们生活规律的影响。如果不加以控制和引导，可能会加剧负荷峰谷差距，并影响设备与电网的稳定安全[27]，对其进行引导和控制的关键在于对新能源汽车时空行为进行精确建模，进而预测电网潮流与负荷特性，揭示新能源汽车与电网的交互作用。
3.2.1 负荷预测
对新能源汽车充电负荷预测主要有以下几类方法。基于新能源汽车行驶特性建立模型预测、基于出行链理论模拟出行路径预测、采用大数据技术预测[28-30]。新能源汽车充电需求的影响因素众多，上海市新能源汽车公共数据采集与监测平台为负荷预测提供新能源汽车数据、道路交通状态、城市配电网信息，同时考虑多源信息的耦合，尤其是历史数据的影响，得到新能源汽车负荷的时空分布。基于电动汽车充电调度双层优化模型，以电网侧平抑峰谷、消纳新能源，用户侧降低费用为目的，优化电网调度。
3.2.2 新能源汽车与电网交互
新能源汽车可以看作是连接在电网上的备用储能和分布式电源，通过一系列调控手段使新能源汽车主动参与电网调节，例如在合适的时段通过V2G向电网回馈能量，起到优化配电网调度、消纳新能源发电、维护电能质量等作用。而有序充电，是在满足新能源汽车自身需求的前提下，通过经济和技术手段引导和控制充电行为，以实现新能源汽车、充电设施和电网的协调发展[31-33]。
通过新能源汽车监测平台分析新能源汽车的时空分布和充电规律，结合新能源出力和负荷数据，由管理调度中心根据电网运行情况制定电价，引导用户充放电的选择。既可以对电网起到“削峰填谷”作用，对用户而言，也可以利用电价差赚取一定收益，促进了新能源汽车与电网间的友好互动[33]。
3.3.1 充电安全
近年来，由电池问题引发的电动汽车故障一直占有最大比重[34]。引发电池问题的内因是电池老化，其健康状态受温度、电流倍率、截止电压等多种因素影响，外因则是机械撞击、短路、温度过高相关。为了保证新能源汽车安全可靠运行，需要准确估计电池状态。
基于强化数据的方法，新能源汽车监测平台将全生命周期的工作状态数据、基于工作状态的实验修正和AI(artificial intelligence)分析的迭代优化三者结合，分析动力电池的健康状态和不一致性[35-39]。
在充电过程中，除传统充电倍率、电池荷电状态（State of Charge, SOC）等电气参数，并给出与其他因素的相关性分析，如电动汽车和充电桩品牌、充电时空分布、充电功率匹配等。
以上从微观和宏观两个方面，新能源汽车监测平台建立起电池安全和充电行为模型，为用户提供安全防护监测，同时持续跟踪电池数据，并将整个数据反馈到模型，及时修正以保证模型的准确度。
3.3.2 行驶安全
新能源汽车监测平台对电动汽车大数据进行深度挖掘和分析，研究电动汽车各类故障对应的大数据特征，利用机器学习算法，开发出针对电动汽车动力行驶安全状况评估的模型，在故障发生前进行提示报警，主动开展维修工作，提高车辆运行的安全性和可靠性。
目前新能源汽车监测平台还存在一些待解决的问题。平台建设方面，监测项目仍然有限，且随着新能源汽车的增加，监测平台的性能、数据处理能力面临新的挑战。而在业务方面需要向多元化方向发展，同时把握公共属性和商业属性的平衡。
在上海市新能源汽车公共数据采集与监测研究中心的“十四五规划”中，为满足政府和市场发展的要求，将采取“1+X”策略构建多源数据中心。其中，新能源汽车大数据平台将沿着智能化、共享化、市场化、国家化的路线继续前进，同时推进相关平台建设，例如在2020年建成的电池溯源管理平台和“中国新能源汽车和可再生能源综合应用商业化推广（GEF6）”能源管理平台，加氢站监测平台和智能网络数据平台也在逐步建设中。
另外，上海市新能源汽车公共数据采集与监测平台业务拓展电池健康状态估计方面，利用采集的电池电压、电流、温度等数据，结合行驶行为和充电行为特征，通过AI算法迭代优化，准确地估计电池健康状态。
商业化的方向主要面向政府和市场。通过对新能源汽车的数据接入、资格核查、情况通报和研究报告，为政府在政策设计与执行、安全监管等方面提供助力。同时，在市场营销、数据评价、行为分析等方面服务市场，促进新能源汽车技术进步和产业繁荣。
参考文献
[1] 前瞻产业研究院. 中国电动汽车行业市场需求预测与投资战略规划分析报告[R/OL]. (2021-05-23)[2021-8-01]. https: //bg. qianzhan. com/trends/ detail/506/210521-c8f0d1b5. html.
[2] 中华人民共和国国务院新闻办公室. 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[R/OL]. (2021-03-133)[2021-8-01]. http://www.gov.cn/xinwen/2021-03/13/content_5592681. htm.
[3] 陈清泉, 高金燕, 何璇, 等. 新能源汽车发展意义及技术路线研究[J]. 中国工程科学, 2018, 20(1): 68-73.
Chen Qingquan, Gao Jinyan, He Xuan, et al. Research on the significance of developing new energy vehicles industry and its technical routes[J]. Engineering, 2018, 20(1): 68-73.
[4] International Energy Agency. Global EV outlook 2021 technology report[R/OL]. (2021-04)[2021-8-01]. https:// www. iea. org/reports/global-ev-outlook-2021?mode= overview.
[5] 充电联盟：截至6月全国充电桩保有量194. 7万台，同比增加 47. 3%[EB/OL]. (2021-7-12)[2021-08-01]. https: //www. d1ev. com/news/shuju/151202.
[6] Wang Zhen, Hong Jichao, Liu Peng, et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles[J]. Applied Energy, 2017, 196(JUN. 15): 289-302.
[7] 张晓卯. 技术赋能整体性治理: 我国新能源汽车产业政策的优化与整合——以上海市“新能源汽车监测平台”为例[J]. 江苏行政学院学报, 2020(5): 111-117.
Zhang Xiaomao. Technology empowerment holistic governance: optimization and integration of industrial policies for Chinese new-energy vehicles—a case study of “monitoring platform for new-energy vehicles” in Shanghai[J]. The Journal of Jiangsu Administration Institute, 2020(5): 111-117.
[8] 中国国家标准化管理委员会. 电动汽车远程服务与管理系统技术规范第1部分：总则[S/OL]. [2021-08-01].http://c.gb688.cn/bzgk/gb/showGb?type=online &hcno=0C4E83CE82045550C147C782750B221A.
Standardization administration. Technical specifications of remote service and management system for electric vehicles—Part 1: General principle [S/OL]. [2021-08-01]. http://c.gb688.cn/bzgk/gb/showGb?type=online&hcno= 0C4E83CE82045550C147C782750B221A.
[9] 董华彪. 能源互联网大数据分析技术综述[J]. 数码世界, 2017(11): 187.
Dong Huabiao. Survey of big data analysis technology for energy internet[J]. Digital Space, 2017(11): 187.
[10] Con J, Ventura S, Cano A . Distributed selection of continuous features in multilabel classification using mutual information[J]. IEEE Transactions on Neural Networks and Learning Systems, 2010, 31(7): 2280-2293.
[11] Geuens S, Coussement K, De Bock K W. A framework for configuring collaborative filtering-based recommendations derived from purchase data[J]. European Journal of Operational Research, 2018, 265(1): 208-218.
[12] 游煜城, 张润樾, 黄泽平, 等. 动力电池热失控对新能源汽车的危害[J]. 科学技术创新, 2020(31): 170-172.
You Yucheng, Zhang Runyue, Huang Zeping, et al. Harm of thermal runaway of power battery to new energy vehicles[J]. Scientific and Technological Innovation, 2020(31): 170-172.
[13] Ji Shoufen, Zhao Dan, Luo Rongjuan. Evolutionary game analysis on local governments and manufacturers' behavioral strategies: Impact of phasing out subsidies for new energy vehicles[J]. Energy, 2019, 189: 116064.
[14] 吉佳玲. 整体性治理视角下的基层政务服务协同供给研究[D]. 杭州: 浙江师范大学, 2020.
[15] 艾瑞网. 中国新能源汽车也白皮书[R/OL]. (2020-12-30)[2021-8-01]. http: //report. iresearch. cn/report_pdf. aspx?id=3713.
[16] 李映炼. 基于电动汽车出行链的城市充电站布局研究[D]. 北京: 北京交通大学, 2018.
[17] 周天沛, 孙伟. 基于充电设备利用率的电动汽车充电路径多目标优化调度[J]. 电力系统保护与控制, 2019, 47(4): 115-123.
Zhou Tianpei, Sun Wei. Multi-objective optimal scheduling of electric vehicles for charging route based on utilization rate of charging device[J]. Power System Protection and Control, 2019, 47(4): 115-123.
[18] Pevec D, Babic J, Carvalho A, et al. Electric vehicle range anxiety: an obstacle for the personal transportation (r)evolution?[C]//2019 4th International Conference on Smart and Sustainable Technologies (SpliTech), 2019, doi: 10. 23919/SpliTech.
[19] 郭磊, 王克文, 文福拴, 等. 电动汽车充电设施规划研究综述与展望[J]. 电力科学与技术学报, 2019, 34(3): 56-70.
Guo Lei, Wang Kewen, Wen Fushuan, et al. Review and prospect of charging facility planning of electric vehicles[J]. Journal of Electric Power Science and Technology, 2019, 34(3): 56-70.
[20] 冯鹏洲. 大数据技术在智能充电桩网络系统中的应用[J]. 电力大数据, 2018, 21(12): 47-52.
Feng Pengzhou. Application of big data technology in intelligent charging pile network system[J]. Power Systems and Big Data, 2018, 21(12): 47-52.
[21] 孟腾. 新能源汽车充电设施选址规划研究[D]. 济南: 山东交通学院, 2020.
[22] 田智勇. 基于轨迹数据挖掘的新能源出租车充电特征研究[D]. 武汉: 华中科技大学, 2018.
[23] 孔顺飞, 胡志坚, 谢仕炜, 等. 含电动汽车充电站的主动配电网二阶段鲁棒规划模型及其求解方法[J]. 电工技术学报, 2020, 35(5): 1093-1105.
Kong Shunfei, Hu Zhijian, Xie Shiwei, et al. Two-stage robust planning model and its solution algorithm of active distribution network containing electric vehicle charging stations[J]. Transactions of China Electrotechnical Society, 2020, 35(5): 1093-110.
[24] 吴赋章, 杨军, 林洋佳, 等. 考虑用户有限理性的电动汽车时空行为特性[J]. 电工技术学报, 2020, 35(7): 1563-1574.
Wu Fuzhang, Yang Jun, Lin Yangjia, et al. Research on spatiotemporal behavior of electric vehicles considering the users’ bounded rationality[J]. Transactions of China Electrotechnical Society, 2020, 35(7): 1563-1574.
[25] 李建林, 牛萌, 周喜超, 等. 能源互联网中微能源系统储能容量规划及投资效益分析[J]. 电工技术学报, 2020, 35(4): 874-884.
Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electro-technical Society, 2020, 35(4): 874-884.
[26] 邵尹池, 穆云飞, 余晓丹, 等. “车–路–网”模式下电动汽车充电负荷时空预测及其对配电网潮流的影响[J]. 中国电机工程学报, 2017, 37(18): 5207-5219.
Shao Yinchi, Mu Yunfei, Yu Xiaodan, et al. A spatial-temporal charging load forecast and impact analysis method for distribution network using EVs-traffic-distribution model[J]. Proceedings of the CSEE, 2017, 37(18): 5207-5219.
[27] 邹磊. 电动汽车大规模接入对电网的影响及对策[D]. 天津: 天津理工大学, 2018.
[28] 张艳娟, 苏小林, 闫晓霞, 等. 基于电动汽车时空特性的充电负荷预测[J]. 电力建设, 2015, 36(7): 75-82.
Zhang Yanjuan, Su Xiaolin, Yan Xiaoxia, et al. A method of charging load forecast based on electric vehicle time-space characteristic[J]. Electric Power Construction, 2015, 36(7): 75-82.
[29] 陈丽丹, 聂涌泉, 钟庆. 基于出行链的电动汽车充电负荷预测模型[J]. 电工技术学报, 2015, 30(4): 216-225.
Chen Lidan, Nie Yongquan, Zhong Qing. A model for electric vehicle charging load forecasting based on trip chains[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 216-225.
[31] 陈丽丹, 张尧, Antonio Figueiredo. 电动汽车充放电负荷预测研究综述[J]. 电力系统自动化, 2019, 43(10): 177-191.
Chen Lidan, Zhang Yao, Antonio Figueiredo. Overview of charging and discharging load for casting for electric vehicles[J]. Automation of Electric Power Systems, 2019, 43(10): 177-191.
[32] 孙近文, 万云飞, 郑培文, 等. 基于需求侧管理的电动汽车有序充放电策略[J]. 电工技术学报, 2014, 29(8): 64-69.
Sun Jinwen, Wan Yunfei, Zheng Peiwen, et al. Coordinated charging and discharging strategy for electric vehicles based on demand side management[J]. Transactions of China Electrotechnical Society, 2014, 29(8): 64-69.
[33] 赵兴勇, 王帅, 吴新华, 等. 含分布式电源和电动汽车的微电网协调控制策略[J]. 电网技术, 2016, 40(12): 3732-3740.
Zhao Xingyong, Wang Shuai, Wu Xinhua, et al. Coordinated control strategy research of micro-grid including distributed generations and electric vehicles[J]. Power System Technology, 2016, 40(12): 3732-3740.
[34] 陈泽宇, 熊瑞, 孙逢春. 电动汽车电池安全事故分析与研究现状[J]. 机械工程学报, 2019, 55(24): 93-104+116.
Chen Zeyu, Xiong Rui, Sun Fengchun. Research status and analysis for battery safety accidents in electric vehicles [J]. Journal of Mechanical Engineering, 2019, 55(24): 93-104, 116.
[35] Xiong Rui, Li Linlin, Tian Jinpeng. Towards a smarter battery management system: a critical review on battery state of health monitoring methods[J]. Journal of Power Sources, 2018, 405: 18-29.
[36] 周頔, 宋显华, 卢文斌, 等. 基于日常片段充电数据的锂电池健康状态实时评估方法研究[J]. 中国电机工程学报, 2019, 39(1): 105-111.
Zhou Di, Song Xianhua, Lu Wenbin, et al. Real-time SOH estimation algorithm for Lithium-ion batteries based on daily segment charging data [J]. Proceedings of the CSEE, 2019, 39(1): 105-111.
[37] Tang Xiaopeng, Zou Changfu, Yao Ke, et al. Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method[J]. Applied Energy, 2019, 254: 113591.
[38] 耿星, 王友仁. 蓄电池SOH估算方法研究综述[J]. 机械制造与自动化, 2019, 48(1): 204-206.
Geng Xing, Wang Youren. Review of SOH estimation method for battery[J]. Machine Building & Automation, 2019, 48(1): 204-206.
[39] 丁汀. 汽车动力电池组均衡控制研究[D]. 兰州: 兰州理工大学, 2019.
Application and Thinking of Big Data Technology of New Energy Vehicle Monitoring Platform in Driving and Charging Scenarios
Abstract Because of improvement of energy and climate issues, the development of the new energy automobile industry has received extensive attention. The trend of information and integration of new energy vehicles has accumulated a large amount of data. In order to rationally use big data technology for information processing and data mining, and promote the comprehensive and in-depth integration of new energy vehicles with energy, transportation, and communication, the Shanghai New Energy Vehicle Monitoring Platform has been established. First, the architecture, data collection types and platform label system of Shanghai Electric Vehicle Public Data Collecting, Monitoring and Research Center are introduced. It analyzed the characteristics of the use of new energy vehicles, which focuses on the temporal and spatial distribution of driving behavior and charging behavior. The application directions are provided from some aspects of charging facilities, power grid and security. Finally, the existing problems and development plans of the new energy vehicle monitoring platform are summarized and prospected.
keywords：New energy vehicle monitoring platform, big data, feature analysis, application
DOI:10.19595/j.cnki.1000-6753.tces.211221
中图分类号：G203;TM714
收稿日期 2021-08-07
改稿日期 2021-09-09
毛 玲 女，1981年生，讲师，硕士生导师研究方向为电动汽车与电网的互动、锂离子电池建模及状态估计等。E-mail：maoling2290@shiep.edu.cn
邓思文 女，1987年生，高级工程师、中级统计师、中级经济师，研究方向为新能源汽车用户行为分析、动力电池健康度分析。E-mail：dengsiwen@shevdc.org（通信作者）
（编辑 郭丽军）