۱٫ معرفی
در حال حاضر، اکثر تحقیقات در مورد رفتار شارژ بر روی تقاضای شارژر متمرکز شده است [
۱,
۲]، یک جنبه حیاتی که قبل از نصب زیرساخت شارژ باید در نظر گرفته شود. پیش‌بینی رفتار شارژ برای این نقاط شارژ معمولاً در طول فرآیند انتخاب مکان برای ساخت آنها انجام می‌شود [
۱]. با این حال، تکامل سریع حالت‌های عملکرد وسیله نقلیه الکتریکی (EV). [
3]به ویژه با پذیرش گسترده سیستم بلادرنگ ۵G EV و پلتفرمهای ترافیک (۵gRTS-ET)، نیاز به درک عمیق‌تری از رفتار شارژ با استفاده از داده‌های تجربی ۵gRTS-ET دارد. این مطالعه روشی را پیشنهاد می‌کند که با آن رفتار شارژ در زمان واقعی را بر اساس داده‌های تجربی مشتق‌شده از ۵gRTS-ET استنباط می‌کند، در نتیجه یک مدل پویا برای رفتار شارژ ایجاد می‌کند. از طریق این رویکرد، پلتفرم ۵gRTS-ET می‌تواند به‌طور مداوم بر تغییر حالت‌های عملکرد EV در زمان واقعی نظارت داشته باشد که این امر به دلیل محبوبیت روزافزون پلتفرمهای عملیات EV مانند Uber و Didi است. توانایی شناسایی حالت‌های عملکرد EV و رفتار شارژ در زمان واقعی برای نقاط شارژ برای انطباق سریع استراتژی‌های تجاری خود ضروری است، به‌ویژه زمانی که خودروهای برقی جداگانه به طور فزاینده‌ای به حالت‌های عملیاتی در ساعات کم بار تغییر می‌کنند. این روند بر اهمیت نظارت و انطباق در زمان واقعی در بهینه سازی عملیات نقطه شارژ تاکید می کند.
اکثر تحقیقات در زمینه رفتار شارژ بر برنامه ریزی طرح بندی نقاط شارژ متمرکز شده است [
۱,
۲]گامی مهم قبل از نصب زیرساخت شارژ. پیش‌بینی‌های مربوط به رفتار شارژ در نقاط مختلف شارژ معمولاً در طول فرآیند انتخاب سایت انجام می‌شود [
۱]. با این حال، با پذیرش گسترده فناوری ۵gRTS-ET، چشم انداز عملیاتی خودروهای الکتریکی به سرعت در حال تکامل است. [
۳]. رشد قابل توجه خودروهای برقی بیشتر بر نیاز به مدل های به روز شده تاکید می کند (IEA، ۲۰۲۱). معرفی پلتفرم های مشترک این امکان را برای کاربران EV فراهم کرده است تا نقش های متعددی را بر عهده بگیرند [
۴]. علیرغم این پیشرفت، مطالعات محدودی رفتار شارژ را در رابطه با نقش های متغیر کاربر بررسی کرده اند یا از داده های عملیاتی واقعی از پلت فرم های خودروی متصل استفاده کرده اند.
داده های اتحادیه ارتقاء زیرساخت شارژ خودروهای برقی چین نشان می دهد که تا سپتامبر ۲۰۲۱، ۵٫۵۲ میلیون خودروی برقی در جاده ها در چین وجود داشته است که تقریباً ۰٫۲ درصد از کل جمعیت وسایل نقلیه است (EVCIPA، ۲۰۲۲). این تحقیق نشان می‌دهد که تقریباً ۲۴٫۲ درصد از خودروهای برقی فعلی مدل‌های خصوصی هستند، در حالی که ۳۴٫۹ درصد توسط سرویس‌های سواری مانند اوبر و دیدی استفاده می‌شوند که نقش این خودروها اغلب قابل تعویض است. [
۳]. با این حال، عدم تمرکز بر نقش پویای خودروهای برقی به طور قابل توجهی تجربه کاربر و کارایی استفاده از زیرساخت شارژ را کاهش می‌دهد.
این تحقیق از داده های عملیاتی ۵gRTS-ET برای استنباط رفتارهای شارژ زنده کاربران EV در ایستگاه های شارژ استفاده می کند. با استفاده از تجزیه و تحلیل چگالی فرکانس، یک مدل رفتار شارژ پویا برای نشان دادن دقیق رفتارهای کاربران EV ایجاد شده است. این مدل پلت فرم ۵gRTS-ET را قادر می سازد تا الگوهای عملیاتی در حال تکامل کاربران EV را در زمان واقعی نظارت و تجزیه و تحلیل کند. همانطور که پلتفرمهای عملیات EV محبوبیت پیدا می‌کنند، کاربران خصوصی خودروهای برقی به طور فزاینده‌ای به حالت‌های عملیات در ساعات غیرکاری تغییر می‌کنند. این تغییر نشان دهنده یک روند رو به رشد است که توسط پلتفرم هایی مانند Uber و Didi تسهیل شده است [
۵]. با پرداختن به شکاف‌های موجود در تحقیقات قبلی، این مطالعه بینش‌هایی را در مورد رفتارهای نوسان شارژ بی‌درنگ حالت‌های عملیات EV ارائه می‌کند و یک مدل ریاضی برای تنظیمات بلادرنگ برای استراتژی‌های تجاری در نقاط شارژ ارائه می‌دهد. نتایج نشان می‌دهد که شکاف عملکرد سه حالت تجاری معمولی (خودروهای الکتریکی خصوصی، خودروهای الکتریکی عملیاتی مسافر، EV توزیع لجستیک) بسیار ناهمگن است. [
۳].
ادامه مقاله به شرح زیر است: بخش ۲ تحقیقات قبلی را مرور می کند، بخش ۳ طراحی تحقیق است، بخش ۴ یافته ها را ارائه می دهد، بخش ۵ نتیجه گیری و محدودیت ها را مورد بحث قرار می دهد.
۲٫ بررسی ادبیات
با نگاهی به ادبیات رفتار شارژ، تحقیقات زیادی در مورد عوامل موثر بر رفتار شارژ انجام شده است. [
۶].
لی و همکاران یک مطالعه در مورد انتخاب محل شارژ انجام داد [
۷]، در حالی که بی و همکاران. تجزیه و تحلیل سه رفتار شارژ را انجام داد. این مطالعات نشان داده اند که یک زیرساخت شارژ با توزیع یکنواخت تر با رویکرد مبتنی بر شبکه نسبت به زیرساختی با قرار دادن ایستگاه شارژ در پمپ بنزین های موجود و مکان های پارک خودروی مسکونی موثرتر است. [
۸]. چاکرابورتی و همکاران داده‌های ترجیحی بیش از ۳۰۰۰ راننده PEV را در مورد انتخاب‌های زیرساخت شارژ تجزیه و تحلیل کرد تا بفهمد چگونه عوامل اجتماعی-اقتصادی و جمعیت‌شناختی بر این انتخاب‌ها تأثیر می‌گذارند. [
۹,
۱۰,
۱۱]. نتایج تحقیقات Monios و Bergqvist نیز نشان می دهد که شارژ در راه در خودروهای عملیات لجستیکی در نظر گرفته نمی شود. [
۱۲]. صادقیان پورحمامی و همکاران تجزیه و تحلیل کمی انعطاف پذیری EV را انجام داد که مبتنی بر داده بود [
۱۳]. یک مدل مسیر از فرآیند انتخاب یک نقطه شارژ برای یک مقصد با استفاده از فرآیند ورود پواسون مورد مطالعه قرار گرفت [
۱۴]. کانگ و همکاران نشان داده اند که فضاهای پارکینگ خصوصی نسبت به فضاهای کوچک اجتماعی تقاضای شارژ بیشتری دارند [
۱۵]. نتایج مطالعه همچنین نشان می دهد که نیازهای شارژ سفر باید در نظر گرفته شود. ایستگاه‌های مترو، که ارتباط زیادی با EV دارند، نقاط تقاضای شارژ فشرده هستند [
۱۵]. ژانگ و همکاران پتانسیل توسعه شارژ در محل کار را تجزیه و تحلیل کرد [
۱۶].
با توجه به تاثیر قیمت های شارژ، کیم و همکاران. معاملات شارژ را برای چهار سال تجزیه و تحلیل کرد، ناهمگنی مشاهده نشده و اثرات متغیرهای کمکی متغیر با زمان را پیدا کرد. [
۹]. بایرام و همکاران تحقیقاتی را در مورد رفتار شارژ بر مبنای قیمت از قیمت‌های اوج بالا و پایین انجام داد [
۱۷]، در حالی که روش قیمت گذاری پویا تصادفی دیگری توسط پیشنهاد شده است [
۱۸]. همچنین مقالات تحقیقاتی بر اساس فاکتورهای قیمت، مسافت انحرافی و زمان انتظار وجود دارد [
۱۹,
۲۰].
با توجه به تأثیر نوع شارژ زمانی که بازه زمانی داده به اندازه کافی طولانی است و مقدار داده به اندازه کافی بزرگ است، JR Helmus و همکاران. از ۴٫۹ میلیون تراکنش شارژ استفاده کرد و یک نتیجه شگفت‌انگیز پیدا کرد، که در آن هیچ یک از انواع کاربر رفتار کلیشه‌ای نشان ندادند و دامنه رفتارها متنوع‌تر و ظریف‌تر بود. [
۲۱]. در حالی که در دسترس بودن شارژ خانگی مهم‌ترین عامل در تصمیم‌گیری برای اتخاذ یک خودروی الکتریکی است، مناطق مسکونی آن‌هایی هستند که بدون در نظر گرفتن نوع تقاضای شارژ یا دوره زمانی، بیشترین تقاضا برای شارژ را دارند. [
۵,
۲۲,
۲۳]. با این حال، اکثر دارندگان خودروهای برقی شرایط نصب شمع های شارژ خانه را ندارند. جی آر هلموس و همکاران انتظار می رود که تغییر به سبدهای شارژ در آینده مشاهده شود [
۲۱]، در حالی که انواع شارژ ثابت باقی می مانند.
با توجه به تأثیر وضعیت شارژ EV (SOC)، یک مقاله رفتار شارژ را بر اساس توزیع حالت اولیه EV SOC مورد مطالعه قرار داد. [
۱۹]با داده‌هایی که عمدتاً از اپراتورهای شمع شارژ یا تولیدکنندگان EV در دوره توسعه EV از سال ۲۰۱۸ تا ۲۰۲۰ به‌دست آمده‌اند. با این حال، برچسب‌های داده به اندازه کافی برای مطالعه رفتار شارژ کامل نیستند. برچسب‌های داده کامل معمولاً شامل زمان شروع و پایان شارژ، مدت زمان شارژ، SOC باتری، سرعت شارژ، اطلاعات مکان و هزینه شارژ می‌شوند (فقط در داده‌های شمع شارژ موجود است) [
۱۹,
۲۴,
۲۵].
با توجه به تحقیق در مورد مدلسازی رفتار شارژ، رفتار شارژ به عنوان یک مدل تصمیم گیری با ترکیب مکمل انرژی الکتریکی و رفتار پارکینگ مفهوم‌سازی می‌شود. [
۲۶,
۲۷,
۲۸,
۲۹]. D. Sun et al. فرآیند شارژ را به عنوان “شارژ فضا-زمان” در نظر گرفتند و از آخرین شبیه سازی برای پیش بینی رفتار شارژ EV استفاده کردند. [
۳۰]. مدلسازی رفتار شارژ تاکسی‌های برقی با استفاده از مجموعه داده‌ای از ۳۹۳۷۲ رویداد شارژ نشان داد که پویایی شارژ را می‌توان با توزیع‌های فرکانس شارژ روزانه، زمان شروع و مدت زمان نمایش داد. [
۳۱]. شناسایی رفتار شارژ خودروهای الکتریکی از طریق جدول زمانی داده های دنیای واقعی مهم است [
۱۳]و مدل پذیرش فناوری (TMA) تئوری محرک شناختی برای استفاده در امکان سنجی تصمیم گیری رفتار مورد مطالعه قرار گرفته است. [
۳۲]. با توجه به پیش‌بینی رفتار شارژ، نویسندگان آخرین و مؤثرترین طرح پیش‌بینی را ارائه کردند. [
۳۰,
۳۳,
۳۴]. ی. یانگ و همکاران. از شاخص فاصله منهتن برای شبیه سازی فاصله انحرافی استفاده کرد [
۲۳] و یک شبکه جاده واقعی را برای اندازه‌گیری فاصله انحرافی به منظور بهبود عملی چارچوب مدلسازی پیشنهادی اعمال کرد. نویسندگان علاوه بر این پیشنهاد کردند که انواع مختلف کاربران ترجیحات متفاوتی برای زمان دارند [
۷,
۱۴,
۲۲,
۲۵]، مقدار شارژ و مکان که نشان دهنده ناهمگونی در رفتار شارژ است. لو و همکاران، ۲۰۱۸ مدلسازی را بر اساس نتایج رفتار کاربر انجام دادند [
۲۰]. مدل منطق مختلط زمانی مناسب است که ناهمگونی مشاهده نشده، تفاوت ترجیحات بین کاربران یا زمانی که از داده‌های تابلویی استفاده می‌شود، مناسب است. [
۱۹].
به طور خلاصه، تحقیقات قبلی به طور گسترده رفتار شارژ را با ملاحظات مربوط به انتخاب مکان شارژ، قیمت، انواع شارژ، و وضعیت اولیه SOC یک وسیله نقلیه الکتریکی بررسی کرده است. [
۳۵,
۳۶]. مدل های پیش بینی نیز برای درک الگوهای شارژ توسعه داده شده اند. پیچیدگی رفتار شارژ نشان می دهد که پیش بینی دقیق صرفاً بر اساس عوامل تأثیرگذار چالش برانگیز است. علاوه بر این، مطالعات موجود اغلب بر نقش کاربران EV تاکید می کند [
۳۵]، که ممکن است با تغییر چشم‌انداز تقاضاها و رفتارهای شارژ به دلیل نقش‌های کاربر در حال تحول، مانند انتقال از مالکیت فردی به تحرک مشترک از طریق پلتفرمهای در حال ظهور، مطابقت نداشته باشد. [
۴].
۵٫ نتیجه گیری و محدودیت ها
هدف از این مطالعه ایجاد یک مدل رفتار شارژ پویا برای تطبیق نقش‌های مختلف کاربران EV است. داده های عملیاتی واقعی از پلت فرم ۵gRTS-ET در چین مورد استفاده قرار گرفت. برای انجام مطالعه از روش های مختلف زیر استفاده شد. یافته‌ها نشان می‌دهد که نقش‌های مختلف کاربران EV ترجیحات منحصر به فردی را از نظر رفتار شارژ نشان می‌دهند.
- (۱)
-
رفتار شارژ یک EV خصوصی با استفاده از روش چگالی فرکانس، با استفاده از داده‌های ۵gRTS-ET تجزیه و تحلیل شد. این رویکرد زمان شارژ را به عنوان یک عامل اولیه در نظر گرفت.
- (۲)
-
مدل ریاضی با استفاده از رگرسیون غیرخطی، تئوری انتخاب گسسته و تحلیل محدودیت توسعه داده شد. اعتبار داده ها با استفاده از K-S مورد آزمون قرار گرفت. متعاقباً، رفتار شارژ حالت EV مسافری با اولویت برای سرعت شارژ مورد تجزیه و تحلیل و بررسی قرار گرفت.
- (۳)
-
این مطالعه از مدلسازی عددی، روش‌های تحلیل عددی و تحلیل محدودیت‌ها برای ساخت مدلی برای تجزیه و تحلیل و پرداختن به رفتار شارژ در حالت توزیع لجستیک EV با در نظر گرفتن اولویت‌های قیمت شارژ استفاده می‌کند.
برخلاف تحقیقات مرسوم، این مطالعه رفتارهای شارژ EV را از طریق دریچه نقش‌های مختلف کاربر بررسی می‌کند و فراتر از پیش‌بینی‌های ساده بر اساس عواملی مانند قیمت شارژ، مکان ایستگاه و سرعت حرکت می‌کند. بینش‌هایی که از داده‌های عملیاتی واقعی EV جمع‌آوری شده‌اند، تصویر واقعی‌تر و دقیق‌تری از رفتارهای کاربر ارائه می‌دهند. ترجیحات شارژ متنوع تحت مدل‌های عملیاتی مختلف، سازگاری خودروهای برقی را با نقش‌های پویایی که ایفا می‌کنند، افزایش می‌دهد، به‌ویژه از آنجایی که پلتفرمهای اشتراک‌گذاری فعلی خودروهای برقی و کاربران آنها را در سطح جهانی در بر می‌گیرند.
شارژ EV یک مشکل پیچیده مرغ و تخم مرغ است. در حالی که این مطالعه به اهداف تحقیقاتی خود دست یافته است، یافته های روشنگر می تواند راهنمایی های ارزشمندی برای کاربردهای عملی ارائه دهد. با این وجود، مهم است که اذعان کنیم که هر دو روش و مدل‌های مورد استفاده در این مطالعه مشمول محدودیت‌های خاصی هستند که مستلزم بررسی بیشتر است.
- (۱)
-
مدل فرموله شده در این مطالعه برای رفتار شارژ یک EV در حین کار با استفاده از پارامترها و متغیرهای مهم از پلت فرم ۵gRTS-ET ایجاد شده است. فرصت‌های تحقیقاتی آینده شامل انجام تحلیل خوشه‌ای با ادغام ترجیحات رفتاری ذهنی و انجام تحلیل تعدیل مدل رفتار شارژ با ترکیب متغیرهای اطلاعات ترافیک شهری است.
- (۲)
-
با پیشرفت و افزایش توان اقتصادی فناوری وسیله نقلیه به شبکه (V2G)، انتظار می رود پذیرش آن رشد کند. [
۴۳]. در نتیجه، تمرکز برای تحقیقات آتی بر ایجاد سیستم‌های تعامل بی‌درنگ در راستای اتصال ۵G بین وسایل نقلیه، ایستگاه‌های شارژ، شبکه برق، و شبکه‌های حمل‌ونقل، در کنار بررسی انتخاب سایت و مدل‌های تجاری برای ایستگاه‌های شارژ جدید با ترکیب فناوری‌های به‌روزرسانی شده خواهد بود. V2G.
