CN108549955B - 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 PDF

Info

Publication number
CN108549955B
CN108549955B CN201810252033.3A CN201810252033A CN108549955B CN 108549955 B CN108549955 B CN 108549955B CN 201810252033 A CN201810252033 A CN 201810252033A CN 108549955 B CN108549955 B CN 108549955B
Authority
CN
China
Prior art keywords
charging pile
abnormal
data
day
maintenance
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.)
Active
Application number
CN201810252033.3A
Other languages
English (en)
Other versions
CN108549955A (zh
Inventor
李雪梅
许鑫
傅军
孙志杰
谢枫
王莉
张艳丽
刘晓伟
程杰
介志毅
孟尚雄
王新
段晨悦
李萌
李石磊
陈新
张欣鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810252033.3A priority Critical patent/CN108549955B/zh
Publication of CN108549955A publication Critical patent/CN108549955A/zh
Application granted granted Critical
Publication of CN108549955B publication Critical patent/CN108549955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (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

一种充电桩异常率确定方法及装置
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：
Figure GDA0001740261200000071
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：
Figure GDA0001740261200000081
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：
Figure GDA0001740261200000084
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：
Figure GDA0001740261200000082
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：
Figure GDA0001740261200000083
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
G<sub>it-1</sub> 0.3818 0.0152 25.0431 0.0000
G<sub>it-2</sub> 0.1317 0.0164 8.0289 0.0000
G<sub>it-3</sub> 0.1184 0.0166 7.1461 0.0000
G<sub>it-4</sub> 0.0797 0.0158 5.0417 0.0000
G<sub>it-7</sub> 0.0889 0.0147 6.0294 0.0000
G<sub>it-10</sub> 0.0511 0.0142 3.6028 0.0003
G<sub>it-28</sub> 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
D<sub>it</sub> -0.2340 0.0286 -8.1904 0.0000
SZ<sub>it</sub>*SJ<sub>it</sub> -0.2343 0.0557 -4.2078 0.0000
CZ<sub>it</sub> -2.4181 0.4638 -5.2132 0.0000
WC<sub>it</sub> 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
PM<sub>it</sub> 0.0100 0.0008 12.1189 0.0000
TD<sub>it</sub> -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
Yindex<sub>it</sub> 1.0599 0.0199 53.1409 0.0000
Tindex<sub>it</sub> 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：
Figure GDA0001740261200000111
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 (8)

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；其中，
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的最小二乘估计模型；所述最小二乘估计模型为：
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乘估计模型进行调整，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；
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；
Figure FDA0003290699750000011
其中，tM小于等于30，为使得系数显著的阶数。
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。
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，所述的建立的运维变量回归模型为：
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。
4.如权利要求3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，
Figure FDA0003290699750000031
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。
5.一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；其中，
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的最小二乘估计模型；所述最小二乘估计模型为：
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乘估计模型进行调整，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；其中，
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；
Figure FDA0003290699750000032
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。
6.如权利要求5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。
7.如权利要求6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。
8.如权利要求6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，
Figure FDA0003290699750000051
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。
CN201810252033.3A 2018-03-26 2018-03-26 一种充电桩异常率确定方法及装置 Active CN108549955B (zh)

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 CN108549955A (zh) 2018-09-18
CN108549955B true 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)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109353246B (zh) * 2018-10-29 2022-03-15 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
CN110133395B (zh) * 2019-04-04 2023-05-23 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
CN114475895B (zh) * 2021-12-16 2024-06-28 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
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

Citations (4)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN108549955A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108549955B (zh) 一种充电桩异常率确定方法及装置
US20220268827A1 (en) Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes
CN107844848B (zh) 一种区域人流量预测方法及系统
US8880962B2 (en) Maintenance planning and failure prediction from data observed within a time window
US20150302313A1 (en) Method of predicating ultra-short-term wind power based on self-learning composite data source
CN109299551A (zh) 一种电力变压器状态评估方法
CN113239132B (zh) 一种电压互感器的超差在线辨识方法
CN104200288A (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
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
CN108549769A (zh) 一种维修设备剩余寿命预测方法及系统
CN111999692B (zh) 一种多表误差的校准方法和装置
EP4131042A1 (en) Systems and methods for malicious attack detection in phasor measurement unit data
CN104376202A (zh) 基于离散灰色模型的电力变压器特征状态量预测方法
CN115640915A (zh) 一种智慧燃气管网压缩机安全管理方法和物联网系统
CN105243449A (zh) 售电量预测结果修正方法及装置
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
CN110633194A (zh) 一种硬件资源在特定环境下的性能评估方法
CN104581749A (zh) 一种移动网络数据业务业务量的预测方法和装置
CN109598052A (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
JP2006092058A (ja) 流量予測装置
CN116680635A (zh) 电力网故障位置推断法方法及系统
CN111999691A (zh) 一种计量传感器装置的误差校准方法和误差校准装置
CN111756031B (zh) 一种电网运行趋势估算方法和系统
CN108664696B (zh) 一种冷水机组运行状态的测评方法及装置
CN114266370B (zh) 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质

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