CN108549955A - 一种充电桩异常率确定方法及装置 - Google Patents
一种充电桩异常率确定方法及装置 Download PDFInfo
- Publication number
- CN108549955A CN108549955A CN201810252033.3A CN201810252033A CN108549955A CN 108549955 A CN108549955 A CN 108549955A CN 201810252033 A CN201810252033 A CN 201810252033A CN 108549955 A CN108549955 A CN 108549955A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- abnormal
- data
- duration
- rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002131 composite material Substances 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- WLJVNTCWHIRURA-UHFFFAOYSA-N pimelic acid Chemical compound OC(=O)CCCCCC(O)=O WLJVNTCWHIRURA-UHFFFAOYSA-N 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种充电桩异常率确定方法和装置,方法包括:获取待测区域内的各充电桩的异常时长的历史数据;判断根据异常时长的历史数据是否可以确定各充电桩的异常时长数列,异常时长数列为{Git‑1,Git‑2,......Git‑q};其中,Git‑1为第i个充电桩第t天前第1次发生异常当天的异常时长,Git‑2为第i个充电桩第t天前第2次发生异常当天的异常时长,Git‑q为第i个充电桩第t天前第q次发生异常当天的异常时长;确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。本发明考虑了运维管理、天气、以及充电桩历史等因素,使用广义AR(q)组合回归方法实现对充电桩异常率的预测。
Description
技术领域
本发明涉及电力技术,具体的讲是一种充电桩异常率确定方法及装置。
背景技术
国家要求电动汽车充电基础设施需要建设适度超前、车桩相随、智能高效的充电网络体系。按照这一要求,我国电动汽车充电桩覆盖面积不断扩张、充电桩用户越来 越多,迅速发展的电动汽车行业需要稳定运行的充电网络。一个不可避免的问题是, 在充电网络系统中,任何一个充电桩由于故障、离线或停运等原因都有可能出现异常, 从而影响充电网络的稳定运行。因此,动态地预测、确定充电桩异常率的大小,对于 运维部门提前做好保障措施具有重要意义。
然而,现有技术还缺少对于充电网络系统异常率的预测方法。用于其它领域的预测方法,比较有效的多数是以时间序列方法为基础。但是,时间序列的缺陷是需要一 定长度的滞后项,而且时间间隔相同,这对于充电桩异常数据并不现实。
发明内容
为了对充电桩可能发生的异常率进行逐天预测,本发明提供了一种充电桩异常率确定方法,包括:
获取待测区域内的各充电桩的异常时长的历史数据;
判断根据所述异常时长的历史数据是否可以确定各充电桩的异常时长数列,所述的异常时长数列为{Git-1,Git-2,......Git-q};其中,Git-1为第i个充电桩第t天前第1次 发生异常当天的异常时长,Git-2为第i个充电桩第t天前第2次发生异常当天的异常 时长,Git-q为第i个充电桩第t天前第q次发生异常当天的异常时长;
确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;
根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。
本发明实施例中,所述的建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程包括:
建立最大可能阶为q的最小二程估计模型;所述最小二程估计模型为:
Git=c0+c1Git-1+c2Git-2+…cqGit-q+εit
其中,c0、c1、c2、cq为模型系数、εit为误差项、Git第i个充电桩在第t天发生 异常的时长。
根据各充电桩的异常时长数列,用预设的检验水平对所述最小二程估计模型进行调整,确定各充电桩系数都显著的估计方程AR(tm)it作为预测方程。
本发明实施例中,所述的根据各充电桩的估计方程确定待测区域内第t天的异常率包括:
根据各充电桩的估计方程和下式确定确定待测区域内充电桩第t天的异常率;
gt=∑iAR(tm)it/24N
其中,gt为待测区域充电桩第t天的异常率,N为待测区域内的充电桩个数。
本发明实施例中,所述的方法还包括:
根据所述异常时长的历史数据不能确定各充电桩的异常时长数列时,获取待测区域的运维变量数据、天气变量数据;所述运维变量数据包括:运维部门到场处理及时 率、厂商设备硬件质量评分数据、厂商到场维修及时率、节假日数据、重大保电日数 据、停电时长数据;所述的天气变量数据包括:气温数据、PM2.5水平值数据;
分别建立运维变量回归模型、天气变量回归模型;
根据运维变量数据、天气变量数据和分别建立的运维变量回归模型、天气变量回归模型确定运维影响指数、天气影响指数;
建立关于运维影响指数和天气影响指数的综合指数回归模型;
根据所述综合指数回归模型和确定的运维影响指数、天气影响指数确定区域内各充电桩的综合影响指数;
根据各充电桩的综合影响指数确定待测区域内充电桩第t天的异常率。
本发明实施例中,所述的建立的运维变量回归模型模型为:
Git=a0+a1Dit+a2CZit+a3CWit+a4SJit+a5SZit+a6WCit+εit
其中,Dit为第i个充电桩的运维部门到场处理及时率、CZit为第i个充电桩的厂 商设备硬件质量评分数据、CWit为第i个充电桩的厂商到场维修及时率、SJit为第i 个充电桩的节假日数据、SZit为第i个充电桩的重大保电日数据、WCit为第i个充电 桩的停电时长数据;
所述的天气变量回归模型为:
Git=b0+b1TDit+a2PMit+εit
其中,TDit为第i个充电桩的气温数据、PMit为第i个充电桩的PM2.5水平值 数据;
所述的综合指数回归模型为:
Git=d0+d1Yindexit+d2Tindexit+εit
其中,Yindexit为确定的运维影响指数,Tindexit为确定的天气影响指数。
本发明实施例中,所述的根据各充电桩的综合影响指数确定待测区域内充电桩第t天的异常率包括:
根据各充电桩的综合影响指数和下式确定待测区域内充电桩第t天的异常率;
gt=∑iFindexit/24N
其中,Findexit为确定的综合影响指数,gt为待测区域充电桩第t天的异常率,N 为待测区域内的充电桩个数。
同时,本发明还公开一种充电桩异常率确定装置,包括:
数据获取模块,用于获取待测区域内的各充电桩的异常时长的历史数据;
判断模块,用于判断根据所述异常时长的历史数据是否可以确定各充电桩的异常时长数列,所述的异常时长数列为{Git-1,Git-2,......Git-q};其中,Git-1为第i个充电桩 第t天前第1次发生异常当天的异常时长,Git-2为第i个充电桩第t天前第2次发生异 常当天的异常时长,Git-q为第i个充电桩第t天前第q次发生异常当天的异常时长;
估计方程确定模块,用于确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;
异常数据异常率确定模块,用于根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。
本发明实施例中,所述的估计方程确定模块包括:
估计模型建立单元,用于建立最大可能阶为q的最小二程估计模型;所述最小二程估计模型为:
Git=c0+c1Git-1+c2Git-2+…cqGit-q+εit
其中,c0、c1、c2、cq为模型系数、εit为误差项、Git第i个充电桩在第t天发生 异常的时长。
检验单元,用于根据各充电桩的异常时长数列,用预设的检验水平对所述最小二程估计模型进行调整,确定各充电桩系数都显著的估计方程AR(tm)it作为预测方程。
本发明实施例中,所述的异常率确定模块根据各充电桩的估计方程和下式确定确定待测区域内充电桩第t天的异常率;
gt=∑iAR(tm)it/24N
其中,gt为待测区域第t天的异常率,N为待测区域内的充电桩个数。
本发明实施例中,所述的装置还包括:运维天气数据异常率确定模块;
根据所述异常时长的历史数据不能确定各充电桩的异常时长数列时,所述数据获取模块,获取待测区域的运维变量数据、天气变量数据;所述运维变量数据包括:运 维部门到场处理及时率、厂商设备硬件质量评分数据、厂商到场维修及时率、节假日 数据、重大保电日数据、停电时长数据;所述的天气变量数据包括:气温数据、PM2.5 水平值数据;
其中,异常率确定模块包括:
回归模型建立单元,用于分别建立运维变量回归模型、天气变量回归模型;
运维天气影响指数确定单元,用于根据运维变量数据、天气变量数据和分别建立的运维变量回归模型、天气变量回归模型确定运维影响指数、天气影响指数;
综合指数回归模型,建立关于运维影响指数和天气影响指数的综合指数回归模型;
综合影响指数确定单元,用于根据所述综合指数回归模型和确定的运维影响指数、天气影响指数确定区域内各充电桩的综合影响指数;
运维天气数据异常率确定单元,用于根据各充电装置的综合影响指数确定待测区域内充电桩第t天的异常率。
本发明实施例中,所述的运维天气数据异常率确定单元根据各充电装置的综合影响指数和下式确定待测区域内充电桩第t天的异常率;
gt=∑iFindexit/24N
其中,Findexit为确定的综合影响指数,gt为待测区域充电桩第t天的异常率,N 为待测区域内的充电桩个数。
本发明考虑了运维管理、天气、以及充电桩历史等因素,使用广义AR(q)组合回 归方法可以实现对充电桩异常率的预测、进而实现对充电网络系统异常率的预测,并 且,对充电桩可能发生的异常率进行逐天预测。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅 是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提 下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种充电桩异常率确定方法的流程图;
图2为本发明实施方式中的方法流程图;
图3为本发明实施例中实际异常率和预测异常率的对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。 基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的 所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明提供的一种充电桩异常率确定方法,包括:
步骤S101,获取待测区域内的各充电桩的异常时长的历史数据;
步骤S102,判断根据所述异常时长的历史数据是否可以确定各充电桩的异常时长数列,判断是,则执行步骤S103;其中,异常时长数列为{Git-1,Git-2,......Git-q}, Git-1为第i个充电桩第t天前第1次发生异常当天的异常时长,Git-2为第i个充电桩第 t天前第2次发生异常当天的异常时长,Git-q为第i个充电桩第t天前第q次发生异常 当天的异常时长;
步骤S103,确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计 模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;
步骤S104,根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。
根据异常时长的历史数据不能确定各充电桩的异常时长数列时,执行步骤S105;
步骤S105,获取待测区域的运维变量数据、天气变量数据;所述运维变量数据 包括:运维部门到场处理及时率、厂商设备硬件质量评分数据、厂商到场维修及时率、 节假日数据、重大保电日数据、停电时长数据;所述的天气变量数据包括:气温数据、 PM2.5水平值数据;
步骤S106,分别建立运维变量回归模型、天气变量回归模型;
步骤S107,根据运维变量数据、天气变量数据和分别建立的运维变量回归模型、天气变量回归模型确定运维影响指数、天气影响指数;
步骤S108,建立关于运维影响指数和天气影响指数的综合指数回归模型;
步骤S109,根据所述综合指数回归模型和确定的运维影响指数、天气影响指数 确定区域内各充电桩的综合影响指数;
步骤S110,根据各充电装置的综合影响指数确定待测区域内充电桩第t天的异常率。
本发明实施例提供一种充电桩异常率的广义AR(q)组合回归预测方法,综合了管理因素、自然因素、以及充电桩历史,对充电桩可能发生的异常率进行逐天预测。如 图2所示,为本发明实施方式中的方法流程图。
本发明实施例中其具体的预测步骤如下:
步骤1-1:获取待预测区域的充电桩异常时长的历史数据,形成按桩按日异常时长数列;
步骤1-2:获取待预测区域的充电桩运维能力数据,形成按桩按日对应的运维部门的管理水平数列、生产厂商维修和产品质量水平序列、以及节假日数据;
步骤1-3:获取待预测区域的天气数据,形成按天按桩所在地的PM2.5、气温、 风力、风向等数值序列;
步骤1-4:在桩异常时长日数列中各项均可观测或获得的情况下,根据桩异常时长日数列确定广义AR(q)公式,根据广义AR(q)公式,构造预测公式,对充电桩异常 率进行按天预测;
步骤1-1通过充电桩每天的运维数据,抽取出每天发生异常的桩(桩i)的异常 时长Git(第t天)。
步骤1-2从运维部门获取运维相关的变量数据,包括运维部门到场处理及时率Dit、厂商设备硬件质量CZit、厂商到场维修及时率CWit、节假日SJit、重大保电日SZit、 停电时长WCit等。
步骤1-3获取每天每个桩所处地区的天气因素数据,包括气温TDit、PM2.5水平PMit。
步骤1-4使用q阶自回归模型的思路,考虑实际需要的最大可能的阶q=30,用 最小二乘法估计模型:
Git=c0+c1Git-1+c2Git-2+…c30Git-30+εit
其中Git-1,Git-2,…是第i个充电桩第t天前第1次,第2次,…发生异常时那 天的时长。在检验水平为0.01的t-检验下,得到系数都显著的估计方程:
作为广义AR(q)公式,其中tM小于等于30为使得系数显著的阶数。
步骤1-5:在桩异常时长日数列中存在无法观测或获得的项的情况下,计算综合影响指数,构造综合影响指数预测公式,对充电桩异常率进行按天预测;具体包括:
步骤1-5-1,根据异常时长数据和运维能力数据,计算运维影响指数;
步骤1-5-2:根据异常时长数据和天气数据,计算天气影响指数;
步骤1-5-3:根据异常时长、运维影响指数、天气影响指数,计算综合影响指数;
本发明实施例步骤1-5中,用k=6个运维变量Yit,1,...Yit,k(分别为Dit、CZit、CWit、SJit、SZit、WCit)做关于Git的回归模型;
Git=a0+a1Dit+a2CZit+a3CWit+a4SJit+a5SZit+a6WCit+εit
估计出方程:
其中Yindexit表示运维影响指数,反映了运维因素对充电桩异常时长的影响。
步骤1-5-1中,用最小二乘法估计p=2个天气变量Tit,1,...Tit,k(分别为TDit、PMit)关于Git的回归模型:
Git=b0+b1TDit+a2PMit+εit
估计出方程:
其中Tindexit表示天气影响指数,反映了自然因素对充电桩异常时长的影响。
步骤1-5-2用最小二乘法估计指数(2)Yindexit和指数(3)Tindexit关于Git的回 归模型:
Git=d0+d1Yindexit+d2Tindexit+εit
得到方程:
其中Findexit表示综合影响指数,反映了运维管理和自然因素对充电桩异常时长的综合影响。
步骤1-6将历史影响广义AR(q)公式(1)和综合影响指数(4)相结合,构造出 本实施例如下的广义AR(q)组合回归预测公式:
其中N为充电网络系统的充电桩个数,gt为系统第t天的异常率。
本发明使用广义AR(q)组合回归方法对充电网络系统进行异常率预测,下面结合某地区非公交充电站充电桩2016年1月到2017年8月的运维数据、天气数据来获得 对异常率进行预测,以进一步说明本发明的技术方案。
(一)广义AR(q)组合回归预测公式的计算:
步骤1-1、步骤1-2、步骤1-3是数据准备阶段。冀北地区充电桩2016年1月到 2017年8月的运维数据、天气数据,包括异常时长的数据。每天发生异常的充电桩 的异常时长等于这个桩的故障时长、离线时长、停运时长之和,用Git表示第t天第i 个桩的异常时长。
运维数据中的运维部门到场处理及时率Dit、厂商设备硬件质量数据CZit、厂商 到场维修及时率CWit,由运维管理部门通过日常管理经验进行专家评分,5分制、10 分制或百分制都可以。冀北地区运维管理部门采用的是10分制。节假日SJit、重大 保电日SZit是定性变量,也就是第t天是节假日(或重大保电日)运维管理部门都可 以事先确定,这两个变量对所有充电桩都是一样的。停电时长WCit也是运维管理部门 可以事先知道的,运维管理部门会计划安排何时何地停电多长时间进行必要的检修维 护等作业。天气数据,包括气温TDit、PM2.5水平PMit,是公开数据,运维管理部门 可以获得。
本实施例的步骤1-4考虑实际需要的最大可能的阶q=30,用最小二乘法估计模型:
Git=c0+c1Git-1+c2Git-2+…c30Git-30+εit
本实施例利用冀北地区充电桩的历史异常时长的数据,进行广义AR(q)估计结果如表1所示:
表1
Term | Estimate | Std Error | t Ratio | Prob>|t| |
Intercept | 0.9671 | 0.2602 | 3.7171 | 0.0002 |
Git-1 | 0.3818 | 0.0152 | 25.0431 | 0.0000 |
Git-2 | 0.1317 | 0.0164 | 8.0289 | 0.0000 |
Git-3 | 0.1184 | 0.0166 | 7.1461 | 0.0000 |
Git-4 | 0.0797 | 0.0158 | 5.0417 | 0.0000 |
Git-7 | 0.0889 | 0.0147 | 6.0294 | 0.0000 |
Git-10 | 0.0511 | 0.0142 | 3.6028 | 0.0003 |
Git-28 | 0.0364 | 0.0132 | 2.7501 | 0.0060 |
得到tM=28,相应的广义AR(q)公式如下:
AR(28)it=0.96+0.38Git-1+0.13Git-2+0.11Git-3+0.07Git-4+0.08Git-7+0.05Git-10+0.03Git-28 (6)
针对前述的步骤1-5,用k=6个运维变量Dit、CZit、CWit、SJit、SZit、WCit做 关于Git的回归模型:
Git=a0+a1Dit+a2CZit+a3CWit+a4SJit+a5SZit+a6WCit+εit
用上述的回归模型来估计运维影响指数,运维影响指数估计结果如表2所示:
表2
Term | Estimate | Std Error | t Ratio | Prob>|t| |
Intercept | 16.5615 | 0.4424 | 37.4369 | 0.0000 |
Dit | -0.2340 | 0.0286 | -8.1904 | 0.0000 |
SZit*SJit | -0.2343 | 0.0557 | -4.2078 | 0.0000 |
CZit | -2.4181 | 0.4638 | -5.2132 | 0.0000 |
WCit | 0.4174 | 0.0091 | 45.9097 | 0.0000 |
对应的运维影响指数估计方程为:
Yindexit=15.56-0.23Dit-0.23SJit*SZit-2.41CZit+0.41WCit
其中SJit*SZit表示节假日和重大保电日的交互效应项。
用最小二乘法估计天气变量TDit、PMit关于Git的回归模型:
Git=b0+b1TDit+a2PMit+εit
气影响指数估计结果如表3所示:
表3
Term | Estimate | Std Error | t Ratio | Prob>|t| |
Intercept | 13.6346 | 0.0744 | 183.2001 | 0.0000 |
PMit | 0.0100 | 0.0008 | 12.1189 | 0.0000 |
TDit | -0.2012 | 0.0042 | -47.8228 | 0.0000 |
对应的天气影响指数估计方程为:
Tindexit=13.6346+0.0099PMit-0.2012TDit
用最小二乘法估计指数(2)和指数(3)关于Git的回归模型: Git=d0+d1Yindexit+d2Tindexit+εit
综合影响指数估计结果如表4所示:
表4
Term | Estimate | Std Error | t Ratio | Prob>|t| |
Intercept | -14.9623 | 0.3735 | -40.0602 | 0.0000 |
Yindexit | 1.0599 | 0.0199 | 53.1409 | 0.0000 |
Tindexit | 1.0500 | 0.0179 | 58.7176 | 0.0000 |
对应的综合影响指数方程为:
Findexit=-14.96+1.05Yindexit+1.04Tindexit (7)
AR(q)公式和综合影响指数相结合,构造出如下广义AR(q)组合回归预测公式:
其中AR(tM)it由步骤4得到,tM=28,
AR(28)it=0.96+0.38Git-1+0.13Git-2+0.11Git-3+0.07Git-4+0.08Git-7+0.05Git-10+0.03Git-28 (6)
Findexit=-14.96+1.05Yindexit+1.04Tindexit (7)
N=1401为冀北地区充电网络系统的非公交充电站充电桩个数,gt为系统第t天的异常率。
用冀北地区非公交充电站充电桩2017年9、10月的运维、天气数据对广义AR(q) 组合回归预测公式(6)的预测效果进行检验,其预测的绝对误差平均值为0.0044、 绝对误差的中位数为0.0025,可以满足运维管理部门的实际需要。2017年9、10月 的实际异常率和预测异常率比较见图3所示。
同时,本发明还公开一种充电桩异常率确定装置,根据前述实施例的描述,对本领域技术人员而言,完全可以实现本发明的装置,在此,对装置的实施过程不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件 方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序 代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流 程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的 每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些 计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设 备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执 行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包 括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算 机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或 方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术 人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述, 本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种充电桩异常率确定方法,其特征在于,所述的方法包括:
获取待测区域内的各充电桩的异常时长的历史数据;
判断根据所述异常时长的历史数据是否可以确定各充电桩的异常时长数列,所述的异常时长数列为{Git-1,Git-2,......Git-q};其中,Git-1为第i个充电桩第t天前第1次发生异常当天的异常时长,Git-2为第i个充电桩第t天前第2次发生异常当天的异常时长,Git-q为第i个充电桩第t天前第q次发生异常当天的异常时长;
确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;
根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。
2.如权利要求1所述的充电桩异常率确定方法,其特征在于,所述的建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程包括:
建立最大可能阶为q的最小二程估计模型;所述最小二程估计模型为:
Git=c0+c1Git-1+c2Git-2+···cqGit-q+εit
其中,c0、c1、c2、cq为模型系数、εit为误差项、Git第i个充电桩在第t天发生异常的时长;
根据各充电桩的异常时长数列,用预设的检验水平对所述最小二程估计模型进行调整,确定各充电桩系数都显著的估计方程AR(tm)it作为预测方程。
3.如权利要求2所述的充电桩异常率确定方法,其特征在于,所述的根据各充电桩的估计方程确定待测区域内第t天的异常率包括:
根据各充电桩的估计方程和下式确定待测区域内充电桩第t天的异常率;
gt=∑iAR(tm)it/24N
其中,gt为待测区域充电桩第t天的异常率,N为待测区域内的充电桩个数。
4.如权利要求1所述的充电桩异常率确定方法,其特征在于,所述的方法还包括:
根据所述异常时长的历史数据不能确定各充电桩的异常时长数列时,获取待测区域的运维变量数据、天气变量数据;所述运维变量数据包括:运维部门到场处理及时率、厂商设备硬件质量评分数据、厂商到场维修及时率、节假日数据、重大保电日数据、停电时长数据;所述的天气变量数据包括:气温数据、PM2.5水平值数据;
分别建立运维变量回归模型、天气变量回归模型;
根据运维变量数据、天气变量数据和分别建立的运维变量回归模型、天气变量回归模型确定运维影响指数、天气影响指数;
建立关于运维影响指数和天气影响指数的综合指数回归模型;
根据所述综合指数回归模型和确定的运维影响指数、天气影响指数确定区域内各充电桩的综合影响指数;
根据各充电桩的综合影响指数确定待测区域内充电桩第t天的异常率。
5.如权利要求4所述的充电桩异常率确定方法,其特征在于,所述的建立的运维变量回归模型模型为:
Git=a0+a1Dit+a2CZit+a3CWit+a4SJit+a5SZit+a6WCit+εit
其中,Dit为第i个充电桩的运维部门到场处理及时率、CZit为第i个充电桩的厂商设备硬件质量评分数据、CWit为第i个充电桩的厂商到场维修及时率、SJit为第i个充电桩的节假日数据、SZit为第i个充电桩的重大保电日数据、WCit为第i个充电桩的停电时长数据;
所述的天气变量回归模型为:
Git=b0+b1TDit+a2PMit+εit
其中,TDit为第i个充电桩的气温数据、PMit为第i个充电桩的PM2.5水平值数据;
所述的综合指数回归模型为:
Git=d0+d1Yindexit+d2Tindexit+εit
其中,Yindexit为确定的运维影响指数,Tindexit为确定的天气影响指数。
6.如权利要求5所述的充电桩异常率确定方法,其特征在于,所述的根据各充电桩的综合影响指数确定待测区域内充电桩第t天的异常率包括:
根据各充电桩的综合影响指数和下式确定待测区域内充电桩第t天的异常率;
gt=∑iFindexit/24N
其中,Findexit为确定的综合影响指数,gt为待测区域充电桩第t天的异常率,N为待测区域内的充电桩个数。
7.一种充电桩异常率确定装置,其特征在于,所述的装置包括:
数据获取模块,用于获取待测区域内的各充电桩的异常时长的历史数据;
判断模块,用于判断根据所述异常时长的历史数据是否可以确定各充电桩的异常时长数列,所述的异常时长数列为{Git-1,Git-2,......Git-q};其中,Git-1为第i个充电桩第t天前第1次发生异常当天的异常时长,Git-2为第i个充电桩第t天前第2次发生异常当天的异常时长,Git-q为第i个充电桩第t天前第q次发生异常当天的异常时长;
估计方程确定模块,用于确定各充电桩的异常时长数列后,建立各充电桩的最小二乘法估计模型并根据各充电桩的异常时长数列确定系数都显著的估计方程;
异常数据异常率确定模块,用于根据各充电桩的估计方程确定待测区域内充电桩第t天的异常率。
8.如权利要求7所述的充电桩异常率确定装置,其特征在于,所述的估计方程确定模块包括:
估计模型建立单元,用于建立最大可能阶为q的最小二程估计模型;所述最小二程估计模型为:
Git=c0+c1Git-1+c2Git-2+···cqGit-q+εit
其中,c0、c1、c2、cq为模型系数、εit为误差项、Git第i个充电桩在第t天发生异常的时长;
检验单元,用于根据各充电桩的异常时长数列,用预设的检验水平对所述最小二程估计模型进行调整,确定各充电桩系数都显著的估计方程AR(tm)it作为预测方程。
9.如权利要求8所述的充电桩异常率确定装置,其特征在于,所述的异常率确定模块根据各充电桩的估计方程和下式确定待测区域内充电桩第t天的异常率;
gt=∑iAR(tm)it/24N
其中,gt为待测区域第t天的异常率,N为待测区域内的充电桩个数。
10.如权利要求7所述的充电桩异常率确定装置,其特征在于,所述的装置还包括:运维天气数据异常率确定模块;
根据所述异常时长的历史数据不能确定各充电桩的异常时长数列时,所述数据获取模块,获取待测区域的运维变量数据、天气变量数据;所述运维变量数据包括:运维部门到场处理及时率、厂商设备硬件质量评分数据、厂商到场维修及时率、节假日数据、重大保电日数据、停电时长数据;所述的天气变量数据包括:气温数据、PM2.5水平值数据;
其中,异常率确定模块包括:
回归模型建立单元,用于分别建立运维变量回归模型、天气变量回归模型;
运维天气影响指数确定单元,用于根据运维变量数据、天气变量数据和分别建立的运维变量回归模型、天气变量回归模型确定运维影响指数、天气影响指数;
综合指数回归模型,建立关于运维影响指数和天气影响指数的综合指数回归模型;
综合影响指数确定单元,用于根据所述综合指数回归模型和确定的运维影响指数、天气影响指数确定区域内各充电桩的综合影响指数;
运维天气数据异常率确定单元,用于根据各充电装置的综合影响指数确定待测区域内充电桩第t天的异常率。
11.如权利要求10所述的充电桩异常率确定装置,其特征在于,所述的建立的运维变量回归模型模型为:
Git=a0+a1Dit+a2CZit+a3CWit+a4SJit+a5SZit+a6WCit+εit
其中,Dit为第i个充电桩的运维部门到场处理及时率、CZit为第i个充电桩的厂商设备硬件质量评分数据、CWit为第i个充电桩的厂商到场维修及时率、SJit为第i个充电桩的节假日数据、SZit为第i个充电桩的重大保电日数据、WCit为第i个充电桩的停电时长数据;
所述的天气变量回归模型为:
Git=b0+b1TDit+a2PMit+εit
其中,TDit为第i个充电桩的气温数据、PMit为第i个充电桩的PM2.5水平值数据;
所述的综合指数回归模型为:
Git=d0+d1Yindexit+d2Tindexit+εit
其中,Yindexit为确定的运维影响指数,Tindexit为确定的天气影响指数。
12.如权利要求10所述的充电桩异常率确定装置,其特征在于,所述的运维天气数据异常率确定单元根据各充电装置的综合影响指数和下式确定待测区域内充电桩第t天的异常率;
gt=∑iFindexit/24N
其中,Findexit为确定的综合影响指数,gt为待测区域充电桩第t天的异常率,N为待测区域内的充电桩个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252033.3A CN108549955B (zh) | 2018-03-26 | 2018-03-26 | 一种充电桩异常率确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252033.3A CN108549955B (zh) | 2018-03-26 | 2018-03-26 | 一种充电桩异常率确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549955A true CN108549955A (zh) | 2018-09-18 |
CN108549955B CN108549955B (zh) | 2022-01-18 |
Family
ID=63517110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810252033.3A Active CN108549955B (zh) | 2018-03-26 | 2018-03-26 | 一种充电桩异常率确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549955B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109353246A (zh) * | 2018-10-29 | 2019-02-19 | 国网浙江电动汽车服务有限公司 | 一种充电站智能运维系统以及方法 |
CN109447290A (zh) * | 2018-11-21 | 2019-03-08 | 国网浙江电动汽车服务有限公司 | 一种充电站故障智能运维方法 |
CN110133395A (zh) * | 2019-04-04 | 2019-08-16 | 国网电动汽车服务有限公司 | 一种充电桩健康状态诊断方法及装置 |
CN114475895A (zh) * | 2021-12-16 | 2022-05-13 | 北京骑胜科技有限公司 | 共享车辆及充电故障确定方法、介质和程序产品 |
CN116228205A (zh) * | 2023-03-29 | 2023-06-06 | 东莞先知大数据有限公司 | 一种充电桩断电风险诊断方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494566A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 预测对等网络中对等体的继续在线时长的方法及装置 |
JP2010066244A (ja) * | 2008-09-13 | 2010-03-25 | Chugoku Electric Power Co Inc:The | 設備異常診断方法およびシステム |
CN103268524A (zh) * | 2013-06-03 | 2013-08-28 | 国家电网公司 | 一种提高电网短期负荷预测准确度的方法 |
CN106774062A (zh) * | 2016-12-09 | 2017-05-31 | 国网北京市电力公司 | 充电桩的采集与监控系统和充电桩 |
-
2018
- 2018-03-26 CN CN201810252033.3A patent/CN108549955B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101494566A (zh) * | 2008-01-23 | 2009-07-29 | 华为技术有限公司 | 预测对等网络中对等体的继续在线时长的方法及装置 |
JP2010066244A (ja) * | 2008-09-13 | 2010-03-25 | Chugoku Electric Power Co Inc:The | 設備異常診断方法およびシステム |
CN103268524A (zh) * | 2013-06-03 | 2013-08-28 | 国家电网公司 | 一种提高电网短期负荷预测准确度的方法 |
CN106774062A (zh) * | 2016-12-09 | 2017-05-31 | 国网北京市电力公司 | 充电桩的采集与监控系统和充电桩 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109353246A (zh) * | 2018-10-29 | 2019-02-19 | 国网浙江电动汽车服务有限公司 | 一种充电站智能运维系统以及方法 |
CN109447290A (zh) * | 2018-11-21 | 2019-03-08 | 国网浙江电动汽车服务有限公司 | 一种充电站故障智能运维方法 |
CN110133395A (zh) * | 2019-04-04 | 2019-08-16 | 国网电动汽车服务有限公司 | 一种充电桩健康状态诊断方法及装置 |
CN114475895A (zh) * | 2021-12-16 | 2022-05-13 | 北京骑胜科技有限公司 | 共享车辆及充电故障确定方法、介质和程序产品 |
CN116228205A (zh) * | 2023-03-29 | 2023-06-06 | 东莞先知大数据有限公司 | 一种充电桩断电风险诊断方法、装置及存储介质 |
CN116228205B (zh) * | 2023-03-29 | 2023-11-21 | 东莞先知大数据有限公司 | 一种充电桩断电风险诊断方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108549955B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549955A (zh) | 一种充电桩异常率确定方法及装置 | |
Belaid et al. | Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN108416690A (zh) | 基于深度lstm神经网络的电网负荷预测方法 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN108280540B (zh) | 轨道交通站点短时客流状态预测方法及装置 | |
CN104376383A (zh) | 一种基于地理信息系统的电网电压监视与预测系统及方法 | |
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
WO2020044127A1 (zh) | 一种大气污染预测的方法 | |
Ye | Air pollutants prediction in shenzhen based on arima and prophet method | |
CN109858681B (zh) | 一种基于ic卡的交通短时客流预测方法和相关装置 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
US20190063938A1 (en) | Route estimation apparatus, route estimation method and computer program | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
CN106759546B (zh) | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
Xing et al. | Operation Energy Consumption Estimation Method of Electric Bus Based on CNN Time Series Prediction | |
Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
CN105117773A (zh) | 基于模糊评价算法的电力通信光传输网络综合评估方法 | |
Yu et al. | Unscented trainable Kalman filter based on deep learning method considering incomplete information | |
CN114613135A (zh) | 考虑建筑场所影响的城市路网交通流预测方法及系统 | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
Porfyri et al. | Calibration of a second-order traffic flow model using a metamodel-assisted Differential Evolution algorithm | |
Saunier et al. | Comparing data from mobile and static traffic sensors for travel time assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |