跨邻里原型的电动汽车公共充电行为实证分析：一种可迁移的建模方法

《Journal of Urban Mobility》：An empirical analysis of electric vehicles’ charging patterns at public charging infrastructure across neighbourhood archetypes

　　

本研究通过对真实世界公共充电数据的分析，开发了一种可迁移的方法，用于推导特定邻里原型（NAT）的电动汽车（EV）充电曲线。该方法被应用于德国[匿名化城市]248个公共充电站中73,000次充电会话的案例研究。通过详细的邻里原型（NAT）分类（评估了七种NAT），该方法捕捉了充电行为中的空间异质性。总体而言，住宅区域在傍晚呈现充电高峰，而商业区域在早晨呈现充电高峰。该方法为配电系统运营商和充电基础设施提供商提供了一种可迁移的NAT特定扩展规划方法。

本研究针对交通运输部门温室气体排放削减滞后（1990—2024年德国运输部门仅下降12.4%，而整体下降48.2%）以及电动汽车（EV）普及对低压配电网（LVDG）带来的挑战展开。城市中缺乏私人停车位的居民日益依赖公共充电基础设施（PCI），而无序同步充电可能导致配电网过载。已有研究多基于早期采用者或忽略空间异质性，尚缺乏按邻里原型（NAT）细分的充电行为分析。为此，研究人员开发并验证了一种从真实公共充电数据中推导NAT特定充电曲线的可迁移方法，并以德国斯图加特为案例。

数据来源于斯图加特市政公用事业公司（Stadtwerke Stuttgart，SWS）运营的248个公共充电站（PCS），时间跨度为2023年10月8日至2024年10月8日，原始数据含199,544次充电过程；经清洗后保留73,190次纯电动汽车（BEV）充电事件。研究人员基于Google街景将PCS人工分配至七种NAT（独户住宅区、多层住宅区、市中心居住区、大型住宅区、居住/商业/办公中心、城市商业区、工业与商业园区），并由两名成员独立分类以减少误差。主要方法包括：方差分析（ANOVA）与Games-Howell事后检验比较NAT间差异；直方图与核密度估计（KDE）、周箱线图刻画分布；时间区间×电量/时长交叉表揭示日内结构；日-小时热图展示周动态；k-means聚类（以轮廓系数确定k值）识别充电站层面的用户群；并生成工作日/周末的通用充电曲线。关键参数为充电时长（t_charging）、平均充电功率（P_charging）与充电电量（E_charging）。

研究结果如下：

3.1 数据：清洗后充电事件在NAT间分布不均，NAT 2（多层住宅建筑）占45.9%，NAT 7（工业与商业园区）仅0.4%，反映实际基础设施布局而非抽样选择。

3.2 充电模式——“多层住宅建筑”（NAT 2）：
3.2.1 NAT 2的充电模式分析：充电时长多小于4小时，众数59分钟、均值1小时57分；功率呈双峰分布，11 kW主导（占81.5%），22 kW为次峰；电量右偏，多数低于40 kWh。工作日充电起始时间呈三峰（09:00、12:00、17:00–18:00），周末形成10:00–15:00的平台。
3.2.2 电量与时长等级：凌晨（00:00–04:00）低电量（<10 kWh）和高电量（>40 kWh）事件比例均高于日均水平，且充电时长随电量增加而延长。
3.2.3 充电参数的时空动态：平均电量与时长在凌晨最高，白天低而稳定；平均功率在白天保持稳定，19:00后上升。众数显示白天以低电量短时事件为主，但偶尔出现高值事件。

3.3 NAT间的比较：
3.3.1 关键指标与充电模式比较：ANOVA确认多数NAT间在充电时长和电量上存在显著差异；NAT 1（独户住宅区）和NAT 6（城市商业区）最具特征，与所有其他NAT显著不同，NAT 7仅与两个NAT有差异。住宅NAT（1–5）傍晚出现充电高峰，商业/工业NAT（6–7）早晨出现高峰；NAT 6在08:00–09:00有最高小时份额（12.6%），NAT 4（大型住宅建筑）傍晚峰值为所有NAT中最高（10.6%）。
3.3.2 聚类分析：时间电量聚类（k=2，轮廓系数0.42）区分晚间返程者（cluster 1）与早间通勤者（cluster 0）；时间功率聚类（k=3，轮廓系数0.49）进一步识别出高功率异质簇（cluster 2），该簇仅出现在住宅NAT中。住宅NAT的充电站多属于cluster 1，商业NAT多属于cluster 0，支持了细致NAT分类的有效性。

讨论部分指出，NAT 2的短时高频充电模式与“机会充电