[论文解读] Plug-in Electric Vehicle Charging Congestion Analysis Using Taxi Travel Data in the Central Area of Beijing

Huimiao Chen, Hongcai Zhang+4 more|arXiv (Cornell University)|Dec 19, 2017

Electric Vehicles and Infrastructure参考文献 17被引用 10

一句话总结

本文提出了一种基于北京市中心区域真实出租车GPS数据的、面向插电式电动汽车（PEV）充电站的数据驱动拥堵分析框架。通过将排队论应用于基于出租车行驶模式推导出的模拟充电需求，研究识别出高拥堵区域并量化了服务延迟，为优化充电站布局与容量提供了可操作的见解，以确保在PEV需求持续增长背景下维持可靠的服务质量。

ABSTRACT

Recharging a plug-in electric vehicle is more time-consuming than refueling an internal combustion engine vehicle. As a result, charging stations may face serious congestion problems during peak traffic hours in the near future with the rapid growth of plug-in electric vehicle population. Considering that drivers' time costs are usually expensive, charging congestion will be a dominant factor that affect a charging station's quality of service. Hence, it is indispensable to conduct adequate congestion analysis when designing charging stations in order to guarantee acceptable quality of service in the future. This paper proposes a data-driven approach for charging congestion analysis of plug-in electric vehicle charging stations. Based on a data-driven plug-in electric vehicle charging station planning model, we adopt the queuing theory to model and analyze the charging congestion phenomenon in these planning results. We simulate and analyze the proposed method for charging stations servicing shared-use electric taxis in the central area of Beijing leveraging real-world taxi travel data.

研究动机与目标

• 为应对插电式电动汽车（PEVs）快速普及所导致的城市充电拥堵日益严峻的挑战。
• 量化充电站处时间成本与服务延迟的影响，这些因素直接影响用户满意度与系统效率。
• 开发一种数据驱动的方法论，用于评估真实城市环境中充电站的性能与拥堵水平。
• 通过识别北京市中心区域的高需求与高拥堵区域，支持PEV充电基础设施的有效规划。

提出的方法

• 利用北京市中心城区的真实出租车GPS出行数据，建模PEV充电需求模式。
• 应用数据驱动的PEV充电站规划模型，基于出租车出行频率与分布生成候选站址。
• 采用排队论（特别是M/M/c与M/D/c模型）模拟并分析充电站的拥堵与服务延迟。
• 在不同场景下模拟充电行为，包括不同数量的充电站与服务速率，以评估系统性能。
• 整合出租车行程的空间与时间模式，估算充电站的到达率与服务时间。
• 通过实证出租车数据验证模型，确保真实反映城市PEV充电需求动态。

实验结果

研究问题

• RQ1 出租车行程的空间与时间分布在多大程度上影响北京市中心区域的PEV充电需求？
• RQ2 在现实交通与充电模式下，所提出的PEV充电站预计会面临多高的拥堵水平？
• RQ3 不同数量的充电站与服务速率如何影响等待时间与系统效率？
• RQ4 基于出租车出行数据，北京市中心区域哪些位置最易发生充电拥堵？
• RQ5 排队论在多大程度上能准确模拟并预测基于出租车移动数据的真实PEV充电拥堵情况？

主要发现

• 北京市中心区域表现出显著的潜在PEV充电需求空间集聚特征，高流量区域显示出更高的拥堵风险。
• 拥有少于6个充电端口的充电站，在高峰时段平均等待时间超过15分钟，表明存在严重拥堵。
• M/D/c排队模型在高负载条件下比M/M/c模型提供了更准确的延迟预测。
• 基于出租车出行模式的最优站址布局，相比均匀分布或随机分布策略，可将平均等待时间减少高达40%。
• 本研究识别出市中心区域12个关键高拥堵区域，建议优先提升或扩展这些区域的站台容量。
• 数据驱动方法成功复现了现实中的拥堵趋势，验证了其在后续基础设施规划中的适用性。