《International Transactions on Electrical Energy Systems》：Assessing EV Load Uncertainty in Rental Car Fleets: Statistical Insights for Effective Charging Infrastructure
编辑推荐：
许多国家正积极致力于实现联合国2030年可持续发展目标（UNSDGs），重点关注实施针对环境、经济和社会问题的可持续解决方案。电动汽车（Electric Vehicles， EVs）作为一种有前景且环境友好的解决方案，因其有助于减少排放和对化石燃料的依赖而受到
许多国家正积极致力于实现联合国2030年可持续发展目标（UNSDGs），重点关注实施针对环境、经济和社会问题的可持续解决方案。电动汽车（Electric Vehicles， EVs）作为一种有前景且环境友好的解决方案，因其有助于减少排放和对化石燃料的依赖而受到国际社会的广泛关注。本文提出了一项旨在评估租赁车队中电动汽车负荷不确定性的定性研究。随着租赁机构越来越多地采用电动汽车，它们在预测充电需求方面面临挑战，尤其是在有限空间和基础设施条件下。通过提供有价值的数据和可靠的统计模型，本研究为可能难以高效为多辆车充电的汽车租赁公司估算了电动汽车能耗。准确的电动汽车负荷估计对于设计有效的充电基础设施和开发可减少技术问题与经济成本的优化负荷管理模型至关重要。研究测试了超过十二种统计函数，以捕捉影响电动汽车负荷形成的车队规模、使用模式和充电行为等变量。此外，本文包含案例研究，以支持规划者和开发者改进电动汽车充电基础设施，为租赁行业扩大电动汽车整合提供实用见解，并为更广泛的可持续发展目标做出贡献。
**论文解读：评估租赁车队电动汽车负荷不确定性的统计模型研究**
**研究背景与意义**
在全球积极推动可持续交通转型以实现联合国2030年可持续发展目标（UNSDGs）的背景下，电动汽车（Electric Vehicles， EVs）因其在减少排放和化石燃料依赖方面的潜力而备受关注。各国政府，包括挪威、荷兰、中国、美国、德国、法国以及沙特阿拉伯（KSA）和阿联酋（UAE）等，均已制定雄心勃勃的目标和政策以促进电动汽车的普及。例如，沙特阿拉伯作为人均汽油消费量第三高的国家，正通过“2030愿景”等战略推动包括电动汽车在内的技术革新和能源效率提升。然而，电动汽车的大规模集成，特别是与电网的互动，带来了电网管理、可再生能源整合以及系统稳定性和可靠性方面的挑战。这些问题在租赁汽车车队等特定运营场景中尤为突出，因为其独特的运营模式（如高车辆周转率、可变租赁时长和有限的充电空间）给充电需求预测和基础设施规划带来了显著的不确定性。现有研究多集中于住宅用户、公共充电站或同质化车队，未能充分捕捉租赁车队的运营动态。因此，针对集中式租赁车队开展研究，建立数据驱动的分析框架，对于确保车辆可用性、优化充电基础设施设计和管理具有重要的理论与实践意义。本研究论文发表于《International Transactions on Electrical Energy Systems》。
**关键技术方法概述**
研究人员为评估租赁车队中电动汽车负荷的不确定性，采用了一套系统的数据驱动方法。首先，通过识别影响充电负荷曲线形成的关键决定因素和变量，包括取车/还车时间、取车/还车日期、行驶里程和租赁天数。其次，制定了抽样策略，从四个不同地理区域的汽车租赁办公室随机收集了400份租赁合同样本，以确保样本的多样性和代表性。数据收集过程关联了传统汽车与其对应的电动汽车，以确定电池容量和电动模式下的可行驶里程。核心建模涉及使用多个随机变量（如取还车时间、日期、里程）来计算所需的充电能量，并建立了相应的数学关系式（如文中公式1-3）。最后，研究人员利用直方图进行数据可视化分析，并采用统计建模方法，测试了十二种不同的概率密度函数（Probability Density Functions， PDFs），包括正态分布、对数正态分布、贝塔分布、广义帕累托分布等，以表征各变量的随机特性。模型拟合优度评估采用柯尔莫戈罗夫-斯米尔诺夫（Kolmogorov–Smirnov， K–S）检验，通过比较理论PDF与经验累积分布函数来确定最适合描述各行为变量的统计分布。
**研究结果分析**
**取车时间分析**
对取车时间分布的分析显示，取车活动在全天呈现明显波动。高峰出现在上午9点，占总取车次数的18%，这与办公时间开始相吻合，表明商务旅客倾向于清晨取车。另一个较小的峰值出现在晚上6点至10点之间。凌晨3点至6点期间的取车活动几乎为零。通过对多种概率密度函数进行K–S检验，**广义帕累托分布（Gen. Pareto）** 以最低的检验统计量（0.10274）提供了与观测数据的最佳拟合，其次是贝塔分布（0.11453）。而卡方分布和指数分布的拟合效果较差。这表明取车时间数据可能具有重尾或极端值特征，广义帕累托分布能有效捕捉此类行为。
**还车时间分析**
还车时间数据显示，活动集中在上午7点至晚上11点之间，晚上9点是还车最频繁的时刻。凌晨12点至6点几乎没有还车活动。K–S检验结果表明，**广义极值分布（Gen. extreme value）** 和**广义帕累托分布**与还车时间数据的拟合度最高（统计量分别为0.11453和0.10712），而卡方分布和指数分布的拟合效果相对较差。这反映了还车时间模式的特定统计特性。
**租赁天数分析**
租赁天数的分布显示，单日租赁占比最高，达到17%。租赁时长在2天至1周之间的占比在7%到11%之间波动。为期一个月或更长的租赁约占12%。对于租赁天数变量，**广义帕累托分布**和**广义极值分布**提供了最佳拟合（K–S统计量分别为0.13727和0.13766），而指数分布、贝塔分布和卡方分布则无法有效捕捉其随机行为。
**充满电所需充电能量分析**
对充满电所需能量（以千瓦时kWh计）的分析显示，数据范围从最低约23.97 kWh到最高112 kWh，中位数为68 kWh。四分位距（Interquartile Range， IQR）介于62 kWh到88 kWh之间，表明充电需求存在中等程度的变异性。这些统计量对于确定未来充电站的容量要求至关重要。研究指出，**贝塔分布（Beta distribution）** 在模拟电动汽车能耗方面提供了最佳拟合，优于其他测试的分布（如威布尔分布、指数分布、卡方分布）。
**讨论与结论**
本研究通过分析租赁合同数据集，为影响租赁设施电动汽车充电需求的关键变量（取车时间、还车时间、租赁时长、充电能量需求）建立了经过统计验证的随机模型。每个变量都通过经过拟合优度检验的数学函数进行表征。核心发现包括：广义帕累托分布最适合描述取车时间和租赁天数；广义极值分布和广义帕累托分布对还车时间拟合良好；贝塔分布最能表征充电能量需求。取车时间分析揭示了上午9点为高峰时段（占车辆出发的18%），而傍晚时段活动也有所增加。充电能量需求的中位数为68 kWh，最大值为112 kWh。这些见解对于租赁公司和规划者优化充电器可用性、减少等待时间以及确定充电基础设施的容量要求具有重要价值。
本研究的结论是：所提出的经过统计验证的模型为关键变量提供了数学表征。研究结果表明，贝塔分布为电动汽车能耗建模提供了最佳拟合。统计分析显示充电能量中位数为68 kWh，最大记录值为112 kWh，下限异常值边界约为24 kWh。取车时间分析显示，上午9:00是高峰时段，占所有车辆出发的18%，其次是晚间时段（尤其是晚上10:00左右）活动增加。理解这些时间模式使租赁公司和规划者能够优化充电器可用性并减少等待时间。本文的分析和发现是估算电动汽车负荷以及为汽车租赁办公室的电动汽车充电负荷进行适当设计和优化管理规划的重要第一步。预计本文的研究成果将对关注电动汽车充电基础设施的研究人员、规划者和开发者有所裨益。
