电动汽车充电引导策略：动态哈夫模型与双边匹配协同应用

安科瑞鲁一扬15821697760

摘要：在充电站充电桩数量受限且电动汽车充电耗时较长的情形下，众多电动汽车用户的充电需求致使对充电站资源的竞争加剧。这不仅使户排队概率上升，充电站收益与利用率降低，还导致用户在充电站规模、价格、评价等个性化需求难以充分实现。为此，本研究提出一种整合动态哈夫模型与双边匹配方法的电动汽车充电引导策略。首先，深度挖掘充电站客流、充电订单及充电桩详情等真实数据，剖析公共充电站用户的选择偏好与充电行为特征；接着，基于动态哈夫模型并结合用户偏好，量化不同区域用户前往各充电站的概率，进而生成充电站推荐列表；最后，将前景理论与双边匹配策略相融合以达成充电引导。算例分析表明，该策略能大幅削减用户排队概率，在契合用户个性化充电诉求的同时，有力保障了充电站的效益。

关键词：充电引导；电动汽车；哈夫模型；前景理论；双边匹配

一、引言

伴随全球环保理念的深入人心，电动汽车作为绿色交通出行方式，其重要性日益凸显，在中国更是呈现出迅猛的发展态势，充电桩建设亦随之加速推进。然而，当前车主借助在线地图或充电桩应用程序寻觅充电站时，往往存在选择的随机性与盲目性。并且，现有充电站推荐平台缺乏个性化推荐机制，且因推荐过程缺乏用户反馈，难以确保充电桩推荐与供需精准对接，这既降低了用户充电体验，又削弱了充电站的盈利水平。因此，对用户进行科学合理的充电引导成为充电站聚合平台的当务之急。

诸多学者已从不同维度对电动汽车充电引导问题展开深入探究。部分研究致力于实现路网、充电站与电网的协同优化，提出基于第三代前景理论的充电引导策略；亦有学者以充电负荷均衡、交通流量均衡及用户成本降低为目标，构建计及用户出行成本的主从博弈模型以实施充电引导；还有学者创立涵盖车辆、充电站、交通网与电网的多目标优化模型，可在极短时间内响应充电请求并有效缩短充电时长。但遗憾的是，这些引导策略均未充分考量用户的个性化差异，多为无差别式引导。

二、电动汽车用户群体充电行为剖析

2.1 数据来源与处理

本研究通过在线地图精准采集中国四川省成都市二环内及周边区域公共快速充电站的详细信息，并获取 2023 年 2 月各充电站不同时段的平均空闲桩位数，以此计算站点客流，为深入探究电动汽车用户的充电站选择行为提供数据支撑。

为全面洞悉用户的充电需求、行为特性及车辆状况，进一步获取区域内某典型快速充电站在 2022 年 9 月至 2023 年 2 月期间的 3 万余条充电订单数据以及 300 余万条充电桩详情数据，并展开深度挖掘分析。所获取的数据均不涉及用户隐私，且不同用户通过唯一标识予以区分。

2.2 用户充电站选择行为解析

综合充电站基本信息与客流数据，深入剖析充电站规模及充电价格对用户充电选择行为的影响。

依据各充电站的客流占比情况，以百分位数表征各充电站内快速充电桩数量在所有充电站中的排序位置。研究发现，约 60% 的充电行为集中于规模最大的 30% 的站点，这充分表明电动汽车用户群体对大规模充电站存在明显偏好。同时，以百分位数呈现不同时段各充电站的充电价格（涵盖电费与服务费）在所有充电站中的排序，结合相应时段的充电站客流数据，确定用户选择充电站点的价格百分位数。结果显示，约 75% 的充电行为发生在价格处于最低 50% 区间的站点，彰显出用户对充电价格的高度敏感性。此外，约 86% 的充电行为发生在免收停车费的充电站，进一步印证了用户对价格因素的重视程度。

充电站评分（满分 5 分）同样对用户的充电站选择具有显著影响力，约 82% 的充电行为发生在评分达到 4 分及以上的站点。

2.3 用户充电行为详述

为全方位刻画用户充电行为，选取充电起始荷电状态（SOC）、充电结束 SOC、充电起始时间、充电结束时间、充电量、充电费用作为电动汽车用户充电特征的一级标签，这些数据可直接从充电订单数据中获取。

同时，选取充电时长、电池容量、平均功率、充电结束后占用时长作为二级标签，以更深入地描述用户充电行为特征。

三、充电站推荐列表生成

3.1 动态哈夫模型构建

哈夫模型作为一种经典的地理空间模型，主要用于预测与解析消费者行为，其核心原理在于消费者前往各购物中心的概率取决于购物中心的规模吸引力以及消费者前往的旅行时间。本研究针对充电站选择场景对哈夫模型进行创新性改进，提出动态哈夫模型。在该模型中，充电站的吸引力具有动态变化特性，且不同区域的电动汽车用户前往各充电站的概率存在显著差异。

3.2 充电站吸引力评估

用户在选择充电站时，主要考量因素包括充电站规模、充电价格，同时也在一定程度上受到充电站品牌、配套设施及周边环境等多种因素的综合影响。本研究引入充电桩数量、充电价格、停车费用以及充电站评分等关键因素，用以全面衡量各充电站的吸引力。

尽管不同用户对各因素的偏好存在个体差异，但从用户群体整体来看，对各因素的偏好具有一定的规律性与一致性。结合 2.2 节中对充电选择行为的深入分析，并充分考虑各因素之间的内在相关性。

根据充电站特定指标的排序情况，将充电站划分为两类。理论上，通过各指标的组合可将充电站分为 16 类，但鉴于各指标间存在相互关联，实际仅形成 11 类充电站。其中，数量占比最高的 5 类充电站详情如表 1 所示。

表1 各类充电站数目占比与客流占比

由表 1 可知，数量占比最高的 5 类充电站约占总充电站数量的 85%，其客流量约占总客流量的 78%，极具代表性。由于存在两类充电站仅在某一特定指标类别上有所不同，可依据各类别充电站客流均值占比的比例确定 η 的取值。通过对比类别 1 和类别 5 可得出，充电桩数量多的吸引力权重为 2.83，同理，充电价格低、停车费用无、充电站评分高的吸引力权重分别为 1.66、1.23、1.63。

3.3 电动汽车用户前往充电站的通行时间测算

考虑到电动汽车用户多在行驶过程中产生充电需求，且充电站通常布局于主路周边，本研究在构建交通网与充电站网耦合模型的基础上，创新性地提出 “主路 - 小路 - 充电站” 的充电行驶模式，以此精准确定用户从所在路段末端节点前往充电站的行驶时间，并将其作为动态哈夫模型中的关键参数 —— 通行时间。

3.4 充电站推荐列表生成流程

综合考量充电站密度、充电请求频率以及道路通行速度变化等多方面因素，共同确定充电站推荐列表的生成时间间隔。每当经过一个时间间隔，或者充电站推荐列表中出现所有充电桩均被占用的情况时，针对各路网节点启动一次充电站推荐列表生成流程。具体步骤如下：

全面获取路网和充电站网络数据；

依据 3.2 节所确定的方法，精确计算各充电站的吸引力；

按照 3.3 节的测算方式，计算各路网节点到各充电站的通行时间；

基于 3.1 节的动态哈夫模型，计算各路网节点被各充电站服务的概率；

针对每一个路网节点，筛选出服务概率排名靠前且当前有可用充电桩的充电站，进而生成充电站推荐列表。

四、电动汽车 - 充电站双边匹配策略

4.1 基于前景理论的偏好量化方法

当电动汽车用户在行驶途中产生充电需求时，首先需明确自身所在道路及行进方向，随后获取相应区域的充电站推荐列表，并从中筛选出最为适宜的充电站进行推荐。根据电动汽车用户群体的历史充电记录数据，精准计算出充电前总时间、充电价格、充电站评分等三个核心方面的期望均值，构建期望均值矩阵。同时，依据用户、道路、充电站三方的实时状态，获取用户前往推荐列表中各充电站的期望值矩阵。

五、应用方案

充电运营管理平台作为基于物联网和大数据技术的充电设施管理核心系统，能够全方位实现对充电桩的实时监控、智能调度与精细化管理，显著提升充电桩的利用率和充电效率，有效改善用户的充电体验与服务质量。用户可借助 APP 或小程序提前预约充电服务，有效避免在充电站长时间排队等待的困扰，同时为充电站提供更为精确的充电需求数据，为后续的智能调度与科学管理奠定坚实基础。通过该平台，可对充电桩的功率、电压、电流等关键参数进行实时动态监控，及时、精准地发现并高效处理充电桩的各类故障与异常情况，对充电桩的功率进行合理调控，确保其在安全、稳定的功率范围内运行，有效防止对电网造成过大的负荷冲击。

图1 有序充电管理系统示意图

图2平台结构图

六、安科瑞充电桩云平台功能详解

本平台除对充电桩进行精准监控外，还对充电站的光伏发电系统、储能系统以及供电系统实施集中化监控与统一协调管理，极大地增强了充电站的运行可靠性，有效降低了运营成本。平台系统架构如图 3 所示。

图3 充电桩运营管理平台系统架构

大屏显示：展示充电站设备统计、使用率排行、运营统计图表、节碳量统计等数据。

图4 大屏展示界面

站点监控：显示设备实时状态、设备列表、设备日志、设备状态统计等功能。

图5 站点监控界面

设备监控：显示设备实时信息、配套设备状态、设备实时曲线、关联订单信息、充电功率曲线等。

图6 设备监控界面

运营趋势统计：显示运营信息查询、站点对比曲线、日月年报表、站点对比列表等功能

图7 运营趋势界面

收益查询：提供收益汇总、实际收益报表、收益变化曲线、支付方式占比等功能。

图8 收益查询界面

故障分析：提供故障汇总、故障状态饼图、故障趋势分析、故障类型饼图等功能。

图9 故障分析界面

订单记录：提供实时/历史订单查询、订单终止、订单详情、订单导出、运营商应收信息、充电明细、交易流水查询、充值余额明细等功能。

图10 订单查询界面

七、产品选型

安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、高效、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和技术参数。

产品图	名称	技术参数

	AEV200-AC007D	额定功率：7kW 输出电压：AV220V 充电枪：单枪 充电操作：扫码/刷卡 防护等级：IP65 通讯方式：4G、Wifi 安装方式：立柱式/壁挂式

	AEV210-AC007D	额定功率：7kW 输出电压：AV220V 充电枪：单枪 人机交互：3.5寸显示屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：4G、Wifi 安装方式：立柱式/壁挂式

	AEV300-AC021D	额定功率：21kW 输出电压：AV220V 充电枪：单枪 人机交互：3.5寸显示屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：4G、Wifi 安装方式：立柱式/壁挂式

	AEV200-DC030D	额定功率：30kW 输出电压：DC200V-750V 充电枪：单枪 人机交互：7寸触摸屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：以太网、4G（二选一）

	AEV200-DC060D/ AEV200-DC080D	额定功率：60kW/80kW 输出电压：DC200V-1000V 充电枪：单枪 人机交互：7寸触摸屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：以太网、4G（二选一）

	AEV200-DC060S/ AEV200-DC080S	额定功率：60kW/80kW 输出电压：DC200V-1000V 充电枪：双枪 人机交互：7寸触摸屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：以太网、4G（二选一）

	AEV200-DC120S/ AEV200-DC180S	额定功率：120kW/180kW 输出电压：DC200V-1000V 充电枪：双枪 人机交互：7寸触摸屏 充电操作：扫码/刷卡 防护等级：IP54 通讯方式：以太网、4G（二选一）

	AEV200-DC240M4/ AEV200-DC480M8/ AEV200-DC720M12	额定功率：240kW/480kW/720kw 输出电压：DC150V-1000V 充电终端支持:常规单双枪终端 防护等级:IP54

	AEV200-DC250AD	最大输出：250A 1个充电接口； 支持扫码、刷卡支付； 4G、以太网通讯（二选一）

AEV200-DC250AS

最大输出：250A 2个充电接口； 支持扫码、刷卡支付； 4G、以太网通讯（二选一）

八、现场图片

九、结论

本研究提出的动态哈夫模型与双边匹配相结合的电动汽车充电引导策略，能够为具有沿途充电需求的电动汽车用户提供科学、精准的充电引导服务。以中国成都市部分区域为例，结合对实测数据的深度挖掘与算例分析，得出如下重要结论：

所提策略可显著降低用户排队概率、缩短前往充电站的耗时并减少充电费用，有效满足用户个性化充电需求。同时，该策略能够显著提升充电站的利用率，并增加充电站的收益。

所提策略响应一次充电引导的耗时小于 0.5ms，完全满足实时性要求；并且策略中的充电站推荐列表生成机制极大地提升了其拓展性，使其能够适用于更大规模的充电站网络布局。

在确定充电站搜索范围时，综合考虑充电站吸引力和用户前往充电站的耗时，可有效缩小充电站搜索范围，使充电引导效果更接近全局最优解。

所提策略能够全面兼顾用户和充电站双方的利益，且可灵活调整对双方的倾向权重，具有高度的灵活性。

本研究提出的充电引导策略对于显著改善用户充电体验、全面提升充电站服务水平具有极为重要的意义。然而，该策略将充电引导分为两个相对独立的阶段，这种分阶段的优化方式可能在一定程度上影响最终结果的最优性。在后续研究中，可在深入剖析不同用户个体充电站选择偏好及交互影响机制的基础上，进一步探索充电站选择与用户引导的协同优化决策模式，以实现更优的充电引导效果。

审核编辑 黄宇