充电桩基础设施的时空大数据分析：以深圳市为例（二）

本篇文章我们将继续从整个深圳市的角度，深入探讨充电桩的使用率、供需关系及其对价格的影响。通过对2022年9月1日至2023年8月31日的充电桩累计充电量分布数据进行分析，结合充电桩的小时颗粒度使用量和春节期间的使用量变化，探究充电桩使用模式的变化和用户的充电行为，它们不仅影响着用户的充电体验，还直接影响到充电桩运营商的经济效益和城市的可持续发展。

供需关系决定价格

供需关系是经济学中的基本概念，它描述了市场上供给与需求之间的平衡状态。在充电桩市场中，供需关系主要体现在以下几个方面：

供给端：充电桩的数量、类型（快充/慢充）、位置分布等都是供给端的重要因素。深圳作为一个快速发展的城市，充电桩的建设速度需要跟上电动汽车的增长速度，确保足够的充电桩供应。
需求端：电动汽车的保有量、用户的充电习惯、充电高峰期等都是需求端的关键因素。随着电动汽车的普及，用户对充电桩的需求也在不断增加。特别是在工作日的早晚高峰时段，充电桩的需求尤为集中。

供需关系对价格的影响

电价的高低直接影响用户的充电行为。一般来说，电价越高，用户的充电需求越低；电价越低，用户的充电需求越高，深圳实施峰谷电价政策，即在用电高峰时段（如白天和傍晚）实行较高的电价，而在用电低谷时段（如夜间）实行较低的电价；

我们通过计算电价来解释充电需求与电价的关系，从图表中可以看出，充电单价在一天中呈现出明显的波动。早晨和上午时段的电价相对较高，尤其是在上午9点至12点之间，电价达到峰值。这可能与电网负荷高峰时段相关联，此时用电需求大增，电价自然会上涨。相反，凌晨时段的电价较低，表明这一时段电网负荷较小，电价更为经济实惠。

基于此结论，我们再对充电站内的充电桩的利用率进行深入探究，分析其在不同时间段的变化规律，以便更好地理解用户的充电行为和需求；

完整代码#运行环境Python 3.11

python">import pandas as pd
import matplotlib.pyplot as plt# 定义文件路径
file_path = 'D:\data\ST-EVCDP-V2\occupancy.csv'# 读取CSV文件
data = pd.read_csv(file_path, index_col=0, parse_dates=True)  # 将第一列设为索引，并解析为日期时间# 计算每小时的全网充电桩使用总量
hourly_total = data.sum(axis=1)# 计算每小时的平均充电桩使用数量
hourly_average = hourly_total.groupby(hourly_total.index.hour).mean()# 绘制图表
plt.figure(figsize=(14, 7))# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号plt.plot(hourly_average, marker='o', linestyle='-')
plt.title('全网小时尺度的充电桩使用情况')
plt.xlabel('小时')
plt.ylabel('平均小时充电桩使用数量')
plt.xticks(range(24))  # 设置横坐标刻度为0到23
plt.grid(True)# 显示图表
plt.show()# 保存图表
output_image_path = 'D:\data\ST-EVCDP-V2\hourly_occupancy.png'
plt.savefig(output_image_path)print(f"图表已保存到 {output_image_path}")

我们从图表中可以看出，充电桩的利用率在一天中呈现出明显的波峰和波谷，早上9点至12点和下午15点至19点是充电桩使用低谷的两个时段，这段时间内充电桩的使用量相对较低，可能是因为大多数上班族已经到达工作地点或仍在工作中，充电需求不高；而从晚上20点以后，充电桩的使用率开始直线上升，尤其在深夜时段，使用量显著增加，尤其是在午夜1点，充电桩的使用量达到了全天的最高点，这可能是因为夜间低谷电价的优惠政策吸引了大量用户在夜间充电，同时固定夜间充电习惯的用户也增加了充电桩的使用需求。

接下来，我们从全深圳的视角来看看充电桩的小时颗粒度使用量。通过细化到小时的数据，我们可以更深入地了解充电桩使用模式的变化和用户的充电行为；

完整代码#运行环境Python 3.11

python">import pandas as pd
import matplotlib.pyplot as plt# 定义文件路径
file_path = 'D:\data\ST-EVCDP-V2\occupancy.csv'# 读取CSV文件
data = pd.read_csv(file_path, index_col=0, parse_dates=True)  # 将第一列设为索引，并解析为日期时间# 计算每小时的全网充电桩使用总量
hourly_total = data.sum(axis=1)# 绘制图表
plt.figure(figsize=(14, 7))# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号plt.plot(hourly_total, label='全网小时尺度充电桩使用情况')
plt.title('全网小时尺度的充电桩使用情况')
plt.xlabel('时间')
plt.ylabel('充电桩使用数量')
plt.legend()
plt.grid(True)# 显示图表
plt.show()# 保存图表
output_image_path = 'D:\data\ST-EVCDP-V2\occupancy.png'
plt.savefig(output_image_path)print(f"图表已保存到 {output_image_path}")

我们从图中可以看出，充电桩的使用数量在春节期间这段时间内波动较大，但总体呈现出一定的范围内在5500~8500左右日均充电桩使用数量这个相对平稳的范围内波动。春节期间，充电桩的使用数量出现了明显的波谷，反映出这一时期的充电需求较低。这一波动的主要原因在于春节期间，大量的外来人口返回户籍所在地，导致城市内的电动汽车充电需求量减少；

我们再来看看2022年9月1日至2023年8月31日的充电桩累计充电量分布情况，这有助于我们更全面地了解充电需求较高的充电桩分布。通过分析这一时间段内的数据，我们可以识别出哪些区域和充电桩的使用频率最高；

完整代码#运行环境Python 3.11

python">import pandas as pd# 读取CSV文件
file_path = r'D:\data\ST-EVCDP-V2\volume.csv'
df = pd.read_csv(file_path, index_col=0)  # 第一列作为索引# 计算每个网格的总充电量
grid_totals = df.sum(axis=0)# 保留两位小数
grid_totals = grid_totals.round(2)# 导出为CSV文件
output_file_path = r'D:\data\ST-EVCDP-V2\volume.csv'
grid_totals.to_csv(output_file_path, header=['Total Charge'], index_label='Grid ID')# 打印结果
print("导出成功，文件路径:", output_file_path)

图上同样使用了自然间断点分级法(Jenks)，结合上篇文章提到的充电站热力分布图，我们可以更深入地理解充电需求与充电桩分布之间的关系。从图中可以看出，充电需求较高的地区往往存在较密集的充电桩，这有效降低了周边充电站的压力。然而，那些仍然标红的区域则表明这些地区的充电需求依然很高，但周边的充电站数量不足，导致多个小区共用一个充电站，从而使得该地区的充电用电量居高不下。

总结

充电桩使用率的时空分布特征：
- 深圳市充电桩的使用率在一天中呈现明显的波峰和波谷。高峰时段主要集中在晚上20点以后，尤其是午夜1点，这与夜间低谷电价政策密切相关。低谷时段则出现在早上9点至12点和下午15点至19点，这与大多数上班族的工作时间相符。
供需关系对价格的影响：
- 深圳实施峰谷电价政策，即在用电高峰时段（如白天和傍晚）实行较高的电价，而在用电低谷时段（如夜间）实行较低的电价。电价的高低直接影响用户的充电行为，低电价时段吸引了大量用户充电，从而提高了充电桩的夜间使用率。
春节期间的充电桩使用量变化：
- 春节期间，充电桩的使用量出现了明显的下降，主要原因是大量外来人口返乡，导致城市内的电动汽车充电需求减少。其余时间充电桩的使用量在5500至8500之间波动，整体较为平稳。
充电需求与充电桩分布的关系：
- 从2022年9月1日至2023年8月31日的充电桩累计充电量分布来看，充电需求高的地区往往存在较密集的充电桩，有效分散了充电压力。然而，仍有一些标红区域因充电桩数量不足，导致充电需求得不到充分满足，这些区域需要更多的充电桩来缓解压力。