以下为演讲实录：
感谢贾总，电力行业的老领导，也是充电建设领域的先行者。
感谢贾总，电力行业的老领导，也是充电建设领域的先行者。
第一个，我们从上海市新能源汽车的车辆数据上看，怎么用这些车辆数据做一些底层分析，给大家用。
第二个，这些数据怎么服务充电设施运营商？这是我们在思考和实践的过程。在这个过程中讲一下社区充电，刚才张杨主任讲的，我说上海的情况和浙江的情况非常接近。
在上海一直监测两个数据：插电时间和充电时间。所谓插电时间是这辆车插在充电桩上的时间，这个时间很长，10个小时，实际充电时间90%以上5个小时。所以我们一直在想一件事，其实对社区充电，一个晚上、一个装置可以充两辆车，后面的技术我不是太懂，不是这方面行家。
如果直流桩没问题，一个桩两把枪，分配一下就行了。交流桩如果能够做到相邻两个车位一个桩就能解决，也就是7个千瓦的负荷解决一个社区相邻两个车位的充电，如果技术上能解决，这是最佳的，你的负荷自然就小了。这是我们一直倡导的事。
第二个是社区充电，现在我们讲了那么多，大家还在个人报装，我一直在呼吁，尽快结束随车送装，这是小众产品的思路，我们在推广过程中，把很多任务压给了车企。但是大家想想，如果是全面普及的话，干嘛要送桩？如果所有停车位都能充电的话，社区充电还难吗？当然这不是一天能解决的，但是我们已经进入了电动汽车普及化时代，需要呼吁了。
最近我们做了一个调查，8个次新小区，每个小区到底有多少地上停车位、地下停车位？有多少辆新能源汽车？到小区物业那里一个调查，调查完以后的结论：小区里的停车位和电动汽车的比是12%左右，蛮高了，也就是2025年可以看到大约20-25%。我们预计到2030年40%左右，电动化不可能100%，能够到百分之六七十是比较高的数。
但是一旦车位到这种程度，现有的充电模式一定要改，绝不能把桩变成私人的，一定是真正的“统建统营”，由一个运营商管理一个小区，所有的布线可能还是交给电网，直接到位。电话机、装光纤都是直接到户，未来充电桩的电线应该是直接到各种车位，只有这样才能真正扭转。当然现在做不到，没那么简单，因为地上停车位是非常复杂的事，但这是绕不开的问题，这是政府的问题，不是运营商的事。
先讲讲整个市场情况，在电动汽车这件事，中国走在全国之上，始终在50%的占比比例。然后看看现在中国的渗透率，刚才很多专家都讲了，我不讲了，今年我自己的预测是40%，绝对数已经不重要了，趋势是越来越明显、越来越宽。
上海的数据是今年1-4月又多了9万辆，今年插电明显少了，因为上海的绿牌没了，所以都是纯电。
这是租赁、出租、公务历年的数据。
总的来说，我们已经突破100万辆，昨天在接待闭门会专家的大屏讲解时我说，接入我们平台的是110万辆车，这包括了租赁、出租，其中大约70%以上是私家车的结构。具体打开来看，我们可以看到74%是私人的，其中公务的占13%，其他的占比就小了。
从能源结构来看，纯电和插电基本接近，过去最早开始的时候，基本上还是以插电式混动为主，但最近30年基本上纯电赶上了。不同的领域里，纯电和插电的变化关系按年度做了统计，可以看到整个上海市场车型能源结构的变化关系，还有上海市场哪些车保有量比较好，这和充电设施企业家们如何进行充电桩建设是有关的。
这是充换电基础设施的统计数据，上海所有的充电设施接近70万个，已经完成了2025年上海的政府目标。原来定的目标太保守了，不是说做得好，是太保守了。私人桩55.2万个，这里是有问题的，因为统计很多是报装，有很多是表后的，这些都没统计进去。上海的换电站相对弱一点，因为它要有土地，比较难，换电站又和租赁、出租车有关系，所以复杂一点。
车端的数据有什么？第一个，车辆端的整车数据，包括车辆状态、车速、充电状态、总电压、总电流、运行模式、累积里程、SOC，还有车辆的位置数据、动力电池的数据，全部的单体电压和全部的探针温度，一个包里如果有15个探针就是15个探针温度，你也就知道充电过程中电池电压的温升等等。
我们的数据不是来自桩端，而是来自车端。而车只有两种状态会给我们数据：开或者充，所以我们能知道你什么时候充、什么时候结束，你充的时候SOC是多少？充的时候电流电压慢慢变为多少，这个过程都有。它的整个采样产量频率是30秒，现在基本上到10秒，个别企业是5秒。
刚才讲了有两种数据：充电数据、换电数据。车辆数据包括了出行和充电过程，这些数据先进我们的库以后，要按规则进行数据筛选和数据质量检查，所以我们经常对企业说：“你的数据质量出问题了，我们要求你们整改。”每个新车型进入上海的时候，有个数据质量检测，只有合格了，市里才会给你准入，所以我们通过这两个不断的质量监测，保证了数据质量，否则后面分析全部要出乱子的。
只要出行一次或者充电一次，我们都要做充电和出行的统计指标抽取，每一次都抽。抽完以后，充电时长、充电时刻、充电起始、结束的SOC、充入多少电量、频次（天）、日均开的里程，这次开的起始时刻，每一次都有一组数据，每一辆车每一次，不管是什么车都有数据。统计完了以后，我们还抽取一些标签，这个充电是在社区吗？有车辆居家充电标签和车辆工作地充电，因为我们有空间坐标，而空间有POI信息层，我们就能把它对起来，然后这次是在公共充电场站上充吗？都要打上标签。你是直流充，还是飞线充？因为功率能看到电流不一样。你是私人网约，还是私人通勤？这些都是统计以后的分析。
每一辆车不断地贴标签，贴完之后，更因为有这么多大量每一天、每一年的数据，后面就比较好办。你要做分析的时候，我们就可以按照情景进行分析，日、周、月的分析，时间、空间的分析，你是有桩用户还是无桩用户的分析，甚至可以做每个公共充电场站里今天是什么类型用户在充电。
换个概念讲，公共充电厂站对乘用车不是强需求。为什么？因为私家车只要解决了社区充电，公共场站就是补电用的，这和加油站不一样，所以公共充电场站不能太盲目地建。虽然会有越来越多的电动车，但是它不是强需求。
这些分析完了以后，我们可以不断地切，你要切纯电车也好、插电车也好，直流、交流也好，按品牌切也好，按标签私人通勤和私人网约、出租切也好，要切某个行政区或者某个时间段，都可以。因为基础数据都有了，所以我们给充电设施服务商的服务就是基于这个底层数据来做。在这上面，大家的需求就可以叠加，所以我们做的是最底层。
我们是怎么服务充电场景的？我们和同济大学的一项共同研究，主要研究是同济大学，我们按要求做数据。他们把所有的问题组成右边“现状解析、行为演变、影响机理、潜力分析”，要回答司机怎么充？充电行为怎么养成的？充电基础设施够吗？疫情怎么影响的？能不能可持续？这是学院化的完整思路。我想说的是方法论对我们的启发。
我们把数据组成这么分散的网状篇，行为分析怎么剥开？行为诱导怎么剥？每一个都要分解到指标上，我们把指标组织好了，后面就是数学工具的问题。
在这个过程中，恰好结合浦东运营商、浦东电网的需求来做了这个事情，充电设施的供需平衡。这个结论不能简单拿去用，因为它的样本量是1.5万私家车加5千出租车，它只是一个方法论，不能把后面那些场站分析当做结论。
它的整个研究过程是这样的，最后根据这些样本数据把所有充电事件和公桩匹配的事件准备好，准备好以后，把用户又按照我们的标签（出租车、有私桩的私家车、无私桩的私家车等），也就是常规用的模型。
1、司机怎么充电的？
刚才讲了三类用户，三类用户的充电时间偏好存在显著差异的，私桩、公桩、出租车这三种情况，时间分成五类，越亮表示充电时间数越多。偏好时间不多讲了。如果一个私家车是无桩的，他的充电时间就非常熟悉了，大家都有这个经验。
第一个，用户分类和时间模式进行研究，怎么充电。
第二个是空间维度来看，有私桩的私家车公桩是补电作用，这种补电占比是非常少的。随后空间的分布是非常离散，只有机场附近是比较集聚的，它的空间有各种各样的画法。这个研究只研究浦东地区。私家车怎么用公桩？也有不同的分析。
出租车的空间维度是什么？从时间和空间两个维度来讲司机是怎么充电的。
2、公共充电基础设施够用吗？
蓝色的图是现在的公共设施，下面的红色图是期望的充电需求。这里有个转变，期望需求，因为我们能知道这辆车有桩还是无桩，这是实际，不等于期望，他们有个模型分析分析了期望。这两个一对比以后，就出现了问题，实际的桩和期望想去的地方出现了差异，这个思路就能慢慢找到公共充电桩应该往哪儿去，转变就在这块。所谓创新是创新在这块。
随后根据这块找了几个热点区域看充电需求热点的情况，做了实际调研。比如世博园区的浦东游泳馆附近，结论是供给不足，但是这个区域又有三家公共充电站，一家站很好，排队，而另一站不好，不好的原因是什么？被附近办公的电动车停在那儿充电，不动了，所以它的经营状况开始出问题了，停车费收到了，它永远停在那儿，所以像这种一对一的分析就是后面的问题，数学工具解决不了为什么这个问题？所以公共充电场站、需求的分析不能简单地通过数据分析就下结论说这里需要建站就要分析，可能会出错。
迪士尼乐园度假区，它是平峰期和高峰期变化非常厉害，看着好像有需求，但是它也就是高峰期有需求，平时空得一塌糊涂，所以不能盲目往前进展。
这是我们自己做的营运车辆和私人车辆充电及换电的情况，营运车辆换电很热，营运车辆都是换电的吗？这根线的右边是换电为主，左边是充电为主，换电车辆为主的营运者也只占14%，运营车辆不是不想换电，是换电场站不够，总共上海就120家，所以问题暴露在这个问题，并不一定是大家不希望，实际情况是这样。
换电和充电有什么好处比较？如果换电的话，行驶里程能多开，运营车辆肯定是愿意的。充电为主的车和换电为主的车平均一天开多少公里？明显换电为主的车辆开得多，所以换电的运营车为一定是欢迎的。
总之，现在除了新能源汽车数据以外，还有500辆L4级智能网联汽车，还有嘉定100多个路口摄像头的数据、激光雷达的数据，我们都在整合。
这些数据做完之后，再做两个事：
第一，怎么评价L4级的车是安全的？从车端数据和路侧数据来评价安全性，因为舒适性不是我们管的，那是车企的事，但是安不安全不能由车企一家说了算，一定要由独立第三方做评估，你在路上跑，我们来评估。
第二个，这两个数据怎么打通？这些新能源汽车的数据怎么服务于L3级或者接近L3级？现在越来越多 了，在高速公路或者高架路上的脱手越来越多了，怎么打通这些数据？也正在进行一些探索。
总之，希望把这些数据服务智慧汽车、智能交通、智慧能源、智慧城市。
这是整个数据处理过程，从接入、质量、存储、标定、分层、分析、远程开放，我们开始进入了一些远程开放，大家可以到我们这里来申请，远程做了一些研究。更多是在开放实验室，到我们这里看得见数据、带不走数据，小量可以做远程性研究。
我们把数据处理成各种数据层，出行、充电、保险、残值、配电网等，我们做成5分钟的充电负荷网格曲线。我们想要在三横六纵上产生各种各样的应用场景，如果大家有利用数据做研究或者实际服务的需求，我们可以更多的交流，我的发言就到这里，谢谢大家！
