CN110728421A - 一种基于充电需求大数据的路网充电优化方法 - Google Patents

一种基于充电需求大数据的路网充电优化方法 Download PDF

Info

Publication number
CN110728421A
CN110728421A CN201910813990.3A CN201910813990A CN110728421A CN 110728421 A CN110728421 A CN 110728421A CN 201910813990 A CN201910813990 A CN 201910813990A CN 110728421 A CN110728421 A CN 110728421A
Authority
CN
China
Prior art keywords
charging
early warning
clustering
point
charging demand
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
Application number
CN201910813990.3A
Other languages
English (en)
Other versions
CN110728421B (zh
Inventor
郭栋
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN201910813990.3A priority Critical patent/CN110728421B/zh
Publication of CN110728421A publication Critical patent/CN110728421A/zh
Application granted granted Critical
Publication of CN110728421B publication Critical patent/CN110728421B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)

Abstract

本发明公开了一种基于充电需求大数据的路网充电优化方法及计算机可读存储介质，该基于充电需求大数据的路网充电优化策略分析方法包括以下步骤：获取预警点数据；基于预警点数据，确定预警点权值；基于预警点权值，并利用改进K‑means算法对出行风险区域进行风险等级划分；以及至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K‑means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。本发明的方法可以降低充电站选址的复杂性，同时也能够覆盖用户的充电需求，以改善电动汽车用户出行的品质。

Description

一种基于充电需求大数据的路网充电优化方法
技术领域
本发明是关于电动汽车充电站布局规划技术领域，特别是关于一种基于充电需求大数据的路网充电优化策略分析方法及计算机可读存储介质。
背景技术
电动汽车以高效、节能的优点在国家低碳交通建设中备受瞩目，在国家政策支持以及企业的大力布局下，近几年电动汽车进入了高速发展期，而与之配套的充电设施的建设也将迎来快速的发展。不过，由于我国电动汽车的发展正处于初级阶段，对应的充电设施建设还没有很完善，据统计，约有1/3的电动汽车驾驶员遇到过由于未能及时充电导致电池过放电而造成性能严重下降的情况，因此，对充电站的合理布局规划是解决此类问题的关键。
当前充电站选址考虑的因素主要是充电站服务半径、充电站最大充电容量、充电站运营成本以及电网电能质量等约束条件，并未基于实际电动汽车充电预警点及出行风险区域等级程度为基础，充电需求为导向的充电站优化布局。通过对出行风险区域的提取，可以获得用户在实际出行过程中的充电需求位置，进而进行充电站布局规划，可以降低充电站选址的复杂性，同时也能够覆盖用户的充电需求。如何基于充电需求的大数据进行充电站的优化选址布局，是推动电动汽车更快发展亟需解决的问题。现有技术CN109858676A公开了一种基于聚类算法的电动汽车充换电服务需求模型预测方法，现有技术CN109447410A公开了一种考虑城市路网交通运行状态的充电站选址方法，上述方法各自存在一些问题，本发明也将针对上述现有技术的问题进行改进。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于充电需求大数据的路网充电优化策略分析方法及计算机可读存储介质，其能够克服现有技术的缺点。
为实现上述目的，本发明提供了一种基于充电需求大数据的路网充电优化策略分析方法，该基于充电需求大数据的路网充电优化策略分析方法包括以下步骤：获取预警点数据；基于预警点数据，确定预警点权值；基于预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
在一优选的实施方式中，当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，电动汽车的位置被定义为预警点。
在一优选的实施方式中，确定预警点权值包括如下步骤：确定预警点的多个指标，多个指标至少包括预警类型、预警位置以及预警时间；计算多个指标的权重；基于多个指标的权重得到预警点权值。
在一优选的实施方式中，预警类型至少包括轻度预警以及重度预警；预警时间至少包括高峰期、平峰期以及低谷期；预警位置至少包括城市中心区以及城市边缘区。
在一优选的实施方式中，计算多个指标的权重包括如下步骤：对多个指标进行无量纲化处理；计算经过无量纲化处理的多个指标的平均值和标准差；基于平均值和标准差确定变异系数Zi；计算各指标权重Wi。
在一优选的实施方式中，利用改进K-means算法对出行风险区域进行风险等级划分包括如下步骤：
(a)、选择初始聚类中心，选择初始聚类中心具体为：选择预定区域范围内的预警点，计算预警点之间的距离d(xi,xj)，其中，
d(xi,xj)＝[(xi1-xj1)2+(xi2-xj2)2+...+(xin-xjn)2]
其中，M＝{x1,x2,...,xn}，xt＝{xi1,xi2,...,xit}为对象集合，
计算所有对象集合M各对样本的平均距离MeanDis(M)，其中，
样本xi密度为：
Figure BDA0002185810050000032
其中，所有样本xi的密度集合为D＝{Den(x1),Den(x2),....,Den(xi)}，选择密度最大的为第一个样本中心点，密度第二大的为第二个样本中心点，以此类推直到取到第K个点；
(b)、依次计算该范围内其他预警点与每一类的初始聚类中心距离，根据距离远近，把所有预警点重新分成K类，再重新计算每一类的聚类中心；
(c)、重复迭代过程步骤(b)，直至聚类中心不在发生变化为止；
计算获得出行风险区域的不同风险程度。
在一优选的实施方式中，在对出行风险区域进行风险等级划分之后，基于充电需求大数据的路网充电优化策略分析方法还包括：将风险等级与地图进行匹配以实现出行风险区域等级的可视化分布和数据提取。
在一优选的实施方式中，其中，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置包括如下步骤：获取初始充电需求点，其中，充电需求点集中的充电需求点个数为m，迭代次数为R，确定需要增加的电动汽车充电个数K；将已获得的充电需求点集随机分成K个簇，随机选取K个充电需求点分别作为这K个簇的聚类中心，第r次迭代的第f个簇的中心为Mf(r)，其中f＝1,2,…,k，r＝1,2,…R；计算充电需求点集中充电需求点Ne(e＝1,2,…,m)与每个聚类中心的最小距离D(Ne,Mf(r))，如果充电需求点Ne到簇zf的距离最小，则充电需求点属于簇zf，随后重新计算聚类中心；计算聚类目标函数，如果聚类目标函数值小于预先确定的阈值或它相对于上次聚类目标函数值的改变量小于第二预先确定的阈值，则算法停止，随后获得充电站具体位置。
本发明还提供了一种非暂时性计算机可读存储介质，非暂时性计算机可读存储介质中存储有计算机可执行指令，指令能够被执行以进行以下操作：获取预警点数据；基于预警点数据，确定预警点权值；基于预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
在一优选的实施方式中，当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，电动汽车的位置被定义为预警点。
与现有技术相比，本发明具有如下优点：通过电动汽车预约与预警APP获得电动汽车实际出行的预警点，根据预警点预警程度的不同，进行出行风险区域的等级划分，进而结合已有的充电站点，完成对充电站的优化布局规划。本发明以用户的充电需求为基础，对出行风险区域进行提取，本发明的方法可以降低充电站选址的复杂性，同时也能够覆盖用户的充电需求，以改善电动汽车用户出行的品质。
附图说明
图1是根据本发明一实施方式的基于充电需求大数据的路网充电优化策略分析方法流程图。
图2是充电站优化布局的总规划流程；
图3是预警点分级指标体系图；
图4是运用K-means算法进行充电站选址图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1是根据本发明一实施方式的基于充电需求大数据的路网充电优化策略分析方法流程图。如图所示，本发明的基于充电需求大数据的路网充电优化策略分析方法包括如下步骤：步骤101：获取预警点数据；步骤102：基于预警点数据，确定预警点权值；步:103：基于预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及步骤104：至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
在一优选的实施方式中，当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，电动汽车的位置被定义为预警点。
在一优选的实施方式中，确定预警点权值包括如下步骤：确定预警点的多个指标，多个指标至少包括预警类型、预警位置以及预警时间；计算多个指标的权重；基于多个指标的权重得到预警点权值。
在一优选的实施方式中，预警类型至少包括轻度预警以及重度预警；预警时间至少包括高峰期、平峰期以及低谷期；预警位置至少包括城市中心区以及城市边缘区。
在一优选的实施方式中，计算多个指标的权重包括如下步骤：对多个指标进行无量纲化处理；计算经过无量纲化处理的多个指标的平均值和标准差；基于平均值和标准差确定变异系数Zi；计算各指标权重Wi。
在一优选的实施方式中，利用改进K-means算法对出行风险区域进行风险等级划分包括如下步骤：
(a)、选择初始聚类中心，选择初始聚类中心具体为：选择预定区域范围内的预警点，计算预警点之间的距离d(xi,xj)，其中，
d(xi,xj)＝[(xi1-xj1)2+(xi2-xj2)2+...+(xin-xjn)2]
其中，M＝{x1,x2,...,xn}，xt＝{xi1,xi2,...,xit}为对象集合，
计算所有对象集合M各对样本的平均距离MeanDis(M)，其中，
Figure BDA0002185810050000061
样本xi密度为：
Figure BDA0002185810050000062
其中，所有样本xi的密度集合为D＝{Den(x1),Den(x2),....,Den(xi)}，选择密度最大的为第一个样本中心点，密度第二大的为第二个样本中心点，以此类推直到取到第K个点；
(b)：依次计算该范围内其他预警点与每一类的初始聚类中心距离，根据距离远近，把所有预警点重新分成K类，再重新计算每一类的聚类中心；
(C)：重复迭代过程步骤(b)，直至聚类中心不在发生变化为止；
计算获得出行风险区域的不同风险程度。
在一优选的实施方式中，在对出行风险区域进行风险等级划分之后，基于充电需求大数据的路网充电优化策略分析方法还包括：将风险等级与地图进行匹配以实现出行风险区域等级的可视化分布和数据提取。
在一优选的实施方式中，其中，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置包括如下步骤：获取初始充电需求点，其中，充电需求点集中的充电需求点个数为m，迭代次数为R，确定需要增加的电动汽车充电个数K；将已获得的充电需求点集随机分成K个簇，随机选取K个充电需求点分别作为这K个簇的聚类中心，第r次迭代的第f个簇的中心为Mf(r)，其中f＝1,2,…,k，r＝1,2,…R；
计算充电需求点集中充电需求点Ne(e＝1,2,…,m)与每个聚类中心的最小距离D(Ne,Mf(r))，如果充电需求点Ne到簇zf的距离最小，则充电需求点属于簇zf，随后重新计算聚类中心；计算聚类目标函数，如果聚类目标函数值小于预先确定的阈值或它相对于上次聚类目标函数值的改变量小于第二预先确定的阈值，则算法停止，随后获得充电站具体位置。
本发明还提供了一种非暂时性计算机可读存储介质，非暂时性计算机可读存储介质中存储有计算机可执行指令，指令能够被执行以进行以下操作：获取预警点数据；基于预警点数据，确定预警点权值；基于预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
在一优选的实施方式中，当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，电动汽车的位置被定义为预警点。
在一优选的实施方式中，确定预警点权值包括如下步骤：确定预警点的多个指标，多个指标至少包括预警类型、预警位置以及预警时间；计算多个指标的权重；基于多个指标的权重得到预警点权值。
在一优选的实施方式中，预警类型至少包括轻度预警以及重度预警；预警时间至少包括高峰期、平峰期以及低谷期；预警位置至少包括城市中心区以及城市边缘区。
在一优选的实施方式中，计算多个指标的权重包括如下步骤：对多个指标进行无量纲化处理；计算经过无量纲化处理的多个指标的平均值和标准差；基于平均值和标准差确定变异系数Zi；计算各指标权重Wi。
在一优选的实施方式中，利用改进K-means算法对出行风险区域进行风险等级划分包括如下步骤：
(a)、选择初始聚类中心，选择初始聚类中心具体为：选择预定区域范围内的预警点，计算预警点之间的距离d(xi,xj)，其中，
d(xi,xj)＝[(xi1-xj1)2+(xi2-xj2)2+...+(xin-xjn)2]
其中，M＝{x1,x2,...,xn}，xt＝{xi1,xi2,...,xit}为对象集合，
计算所有对象集合M各对样本的平均距离MeanDis(M)，其中，
Figure BDA0002185810050000081
样本xi密度为：
Figure BDA0002185810050000082
其中，所有样本xi的密度集合为D＝{Den(x1),Den(x2),....,Den(xi)}，选择密度最大的为第一个样本中心点，密度第二大的为第二个样本中心点，以此类推直到取到第K个点；
(b)：依次计算该范围内其他预警点与每一类的初始聚类中心距离，根据距离远近，把所有预警点重新分成K类，再重新计算每一类的聚类中心；
(c)：重复迭代过程步骤(b)，直至聚类中心不在发生变化为止。
在一优选的实施方式中，在对出行风险区域进行风险等级划分之后，指令还包括：将风险等级与地图进行匹配以实现出行风险区域等级的可视化分布和数据提取。
在一优选的实施方式中，其中，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置包括如下步骤：
获取初始充电需求点，其中，充电需求点集中的充电需求点个数为m，迭代次数为R，确定需要增加的电动汽车充电个数K；
将已获得的充电需求点集随机分成K个簇，随机选取K个充电需求点分别作为这K个簇的聚类中心，第r次迭代的第f个簇的中心为Mf(r)，其中f＝1,2,…,k，r＝1,2,…R；
计算充电需求点集中充电需求点Ne(e＝1,2,…,m)与每个聚类中心的最小距离D(Ne,Mf(r))，如果充电需求点Ne到簇zf的距离最小，则充电需求点属于簇zf，随后重新计算聚类中心；
计算聚类目标函数，如果聚类目标函数值小于预先确定的阈值或它相对于上次聚类目标函数值的改变量小于第二预先确定的阈值，则算法停止，随后获得充电站具体位置。
以下介绍本发明的一个具体实施方式。图2是基于充电需求大数据的充电站优化布局流程图，其流程可分为四部分：预警点数据的获取；预警点权值的确定；出行风险区域的等级划分与提取；动态路网的充电站优化布局。
图3为预警点的分级指标体系。在对路网中不同预警点权值进行计算时，需要综合考虑预警类型、预警位置和预警时间。其中，预警类型包括轻度预警、重度预警，预警时间包括高峰期、平峰期、低谷期，预警位置包括城市中心区、城市边缘区。通过对各个因素的分析，在确定各个指标的权重时利用变异系数法，通过计算得到各个指标的权重。由于各个指标据具有不同的量纲，直接比较会对最终结果造成一定影响，因此需要对不同的指标进行无量纲化处理，以消除量纲不同带来的影响。利用变异系数法计算权重步骤如下：
步骤1：对不同指标进行无量纲化处理。处理方法如下：
Figure BDA0002185810050000101
式中xi,j表示第j个指标的原始值；ri,j表示第j个指标的无量纲化的值；xmin表示第j个指标的最小值；xmax表示第j个指标的最大值。
步骤2：计算各指标的平均值和标准差。
Figure BDA0002185810050000103
式中：i表示指标数，i＝1,2,...,m；j表示每个指标的分类指标数，j＝1,2,...,n.
步骤3：确定变异系数Zi。
步骤4：计算各指标权重Wi。
Figure BDA0002185810050000105
步骤5：目标层的总权重。
Figure BDA0002185810050000106
式中U表示预警点总权重计算，U∈[0,1]；Pi表示各分指标无量纲化的值；
Wi表示各分指标的权重值，且
Figure BDA0002185810050000107
进行预警点出行风险区域的等级划分和提取。根据预警点权重的计算结果，运用改进K-means算法对结果进行聚类分析。通过区域密度法确定K值个数从而避免K-means初期聚类选择时的随机性使算法陷入局部最优的局面。根据改进的K-means算法，将出行风险区域划分为K个类别，通过计算获得出行风险区域的不同风险等级，同时与地图进行匹配，实现出行风险区域等级的可视化分布和数据提取。
进行动态路网的充电站优化布局。基于出行风险区域不同的风险等级，结合已有的充电需求点，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
图4是运用K-means算法进行充电站选址图。具体分析过程为：
步骤1：根据所获取的初始充电需求点，令充电需求点集中的充电需求点个数为m，令迭代次数为R，确定需要增加的电动汽车充电个数K；
步骤2：根据已获得的充电需求点集，随机分成K个簇，随机选取K个充电需求点分别作为这K个簇的聚类中心，第r次迭代的第f个簇的中心为Mf(r)，其中f＝1,2,…,k，r＝1,2,…R；
步骤3：计算充电需求点集中充电需求点Ne(e＝1,2,…,m)与每个聚类中心的最小距离D(Ne,Mf(r))，如果充电需求点Ne到簇zf的距离最小，则充电需求点属于簇zf，重新计算聚类中心；
步骤4：计算聚类目标函数，如果聚类目标函数值小于某个确定的阈值或它相对于上次聚类目标函数值的改变量小于某个阈值，则算法停止，最终获得充电站具体位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种基于充电需求大数据的路网充电优化方法，其特征在于：所述基于充电需求大数据的路网充电优化策略分析方法包括以下步骤：
获取预警点数据；
基于所述预警点数据，确定预警点权值；
基于所述预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及
至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
2.根据权利要求1所述的基于充电需求大数据的路网充电优化方法，其特征在于：当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，所述电动汽车的位置被定义为预警点。
3.根据权利要求1所述的基于充电需求大数据的路网充电优化方法，其特征在于：确定预警点权值包括如下步骤：
确定所述预警点的多个指标，所述多个指标至少包括预警类型、预警位置以及预警时间；
计算所述多个指标的权重；
基于所述多个指标的权重得到所述预警点权值。
4.根据权利要求3所述的基于充电需求大数据的路网充电优化方法，其特征在于：所述预警类型至少包括轻度预警以及重度预警；所述预警时间至少包括高峰期、平峰期以及低谷期；所述预警位置至少包括城市中心区以及城市边缘区。
5.根据权利要求3所述的基于充电需求大数据的路网充电优化方法，其特征在于：计算所述多个指标的权重包括如下步骤：
对所述多个指标进行无量纲化处理；
计算经过无量纲化处理的多个指标的平均值和标准差；
基于所述平均值和标准差确定变异系数Zi；
计算各指标权重Wi。
6.根据权利要求1所述的基于充电需求大数据的路网充电优化方法，其特征在于：利用改进K-means算法对出行风险区域进行风险等级划分包括如下步骤：
(a)、选择初始聚类中心，所述选择初始聚类中心具体为：选择预定区域范围内的预警点，计算预警点之间的距离d(xi,xj)，其中，
d(xi,xj)＝[(xi1-xj1)2+(xi2-xj2)2+...+(xin-xjn)2]
其中，M＝{x1,x2,...,xn}，xt＝{xi1,xi2,...,xit}为对象集合，
计算所有对象集合M各对样本的平均距离MeanDis(M)，其中，
Figure FDA0002185810040000021
样本xi密度为：
其中，所有样本xi的密度集合为D＝{Den(x1),Den(x2),....,Den(xi)}，选择密度最大的为第一个样本中心点，密度第二大的为第二个样本中心点，以此类推直到取到第K个点；
(b)、依次计算该范围内其他预警点与每一类的初始聚类中心距离，根据距离远近，把所有预警点重新分成K类，再重新计算每一类的聚类中心；
(c)、重复迭代过程步骤(b)，直至聚类中心不在发生变化为止；
计算获得出行风险区域的不同风险程度。
7.根据权利要求1所述的基于充电需求大数据的路网充电优化策略分析方法，其特征在于：在对出行风险区域进行风险等级划分之后，所述基于充电需求大数据的路网充电优化策略分析方法还包括：将所述风险等级与地图进行匹配以实现出行风险区域等级的可视化分布和数据提取。
8.根据权利要求1所述的基于充电需求大数据的路网充电优化方法，其特征在于：其中，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置包括如下步骤：
获取初始充电需求点，其中，充电需求点集中的充电需求点个数为m，迭代次数为R，确定需要增加的电动汽车充电个数K；
将已获得的充电需求点集随机分成K个簇，随机选取K个充电需求点分别作为这K个簇的聚类中心，第r次迭代的第f个簇的中心为Mf(r)，其中f＝1,2,…,k，r＝1,2,…R；
计算充电需求点集中充电需求点Ne(e＝1,2,…,m)与每个聚类中心的最小距离D(Ne,Mf(r))，如果充电需求点Ne到簇zf的距离最小，则充电需求点属于簇zf，随后重新计算聚类中心；
计算聚类目标函数，如果聚类目标函数值小于预先确定的阈值或它相对于上次聚类目标函数值的改变量小于第二预先确定的阈值，则算法停止，随后获得充电站具体位置。
9.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质中存储有计算机可执行指令，其特征在于：所述指令能够被执行以进行以下操作：
获取预警点数据；
基于所述预警点数据，确定预警点权值；
基于所述预警点权值，并利用改进K-means算法对出行风险区域进行风险等级划分；以及
至少部分地基于出行风险区域的风险等级，建立以充电服务半径和充电站最大服务数量为约束的充电站成本和电动汽车用户等待时间总成本最小的非线性目标函数，利用改进的K-means聚类方法将充电需求点进行聚类处理，确定充电站具体位置。
10.根据权利要求9所述的非暂时性计算机可读存储介质，其特征在于：当电动汽车的剩余续驶里程与电动汽车距最优充电站的相对距离之差小于或等于电动汽车剩余续驶里程的10％～20％时，所述电动汽车的位置被定义为预警点。
CN201910813990.3A 2019-08-30 2019-08-30 一种基于充电需求大数据的路网充电优化方法 Active CN110728421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910813990.3A CN110728421B (zh) 2019-08-30 2019-08-30 一种基于充电需求大数据的路网充电优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910813990.3A CN110728421B (zh) 2019-08-30 2019-08-30 一种基于充电需求大数据的路网充电优化方法

Publications (2)

Publication Number Publication Date
CN110728421A true CN110728421A (zh) 2020-01-24
CN110728421B CN110728421B (zh) 2024-04-19

Family

ID=69218846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910813990.3A Active CN110728421B (zh) 2019-08-30 2019-08-30 一种基于充电需求大数据的路网充电优化方法

Country Status (1)

Country Link
CN (1) CN110728421B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476563A (zh) * 2020-04-03 2020-07-31 山东理工大学 电动汽车应急电源共享方法
CN111523714A (zh) * 2020-04-15 2020-08-11 广东电网有限责任公司 一种电力充电站选址布局方法及装置
CN111861017A (zh) * 2020-07-24 2020-10-30 辽宁工程技术大学 一种基于现网数据的充电站网络优化方法
CN112785029A (zh) * 2020-11-05 2021-05-11 江苏方天电力技术有限公司 一种基于深度聚类模型的充电站用电量预测方法
CN113592275A (zh) * 2021-07-23 2021-11-02 深圳依时货拉拉科技有限公司 一种货运调度方法、计算机可读存储介质及计算机设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130222158A1 (en) * 2012-02-23 2013-08-29 Jing D. Dai Electric vehicle (ev) charging infrastructure with charging stations optimumally sited
US20160300170A1 (en) * 2015-04-08 2016-10-13 Gufei Sun Optimized placement of electric vehicle charging stations
US20170036560A1 (en) * 2014-04-22 2017-02-09 Nec Europe Ltd. Method for load balancing of charging stations for mobile loads within a charging stations network and a charging stations network
CN107871184A (zh) * 2017-11-16 2018-04-03 南京邮电大学 一种面向区域充电设施的电动汽车充电站的选址方法
CN108162771A (zh) * 2017-11-09 2018-06-15 贵州电网有限责任公司电力科学研究院 一种电动汽车智能充电导航方法
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
CN108562300A (zh) * 2018-05-10 2018-09-21 西南交通大学 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法
CN109754168A (zh) * 2018-12-20 2019-05-14 国网北京市电力公司 充电站选址方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130222158A1 (en) * 2012-02-23 2013-08-29 Jing D. Dai Electric vehicle (ev) charging infrastructure with charging stations optimumally sited
US20170036560A1 (en) * 2014-04-22 2017-02-09 Nec Europe Ltd. Method for load balancing of charging stations for mobile loads within a charging stations network and a charging stations network
US20160300170A1 (en) * 2015-04-08 2016-10-13 Gufei Sun Optimized placement of electric vehicle charging stations
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
CN108162771A (zh) * 2017-11-09 2018-06-15 贵州电网有限责任公司电力科学研究院 一种电动汽车智能充电导航方法
CN107871184A (zh) * 2017-11-16 2018-04-03 南京邮电大学 一种面向区域充电设施的电动汽车充电站的选址方法
CN108562300A (zh) * 2018-05-10 2018-09-21 西南交通大学 考虑目的地导向及下一行程用电需求的电动汽车充电引导方法
CN109754168A (zh) * 2018-12-20 2019-05-14 国网北京市电力公司 充电站选址方法和装置
CN109711630A (zh) * 2018-12-28 2019-05-03 郑州大学 一种基于出行概率矩阵的电动汽车快充站选址定容方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476563A (zh) * 2020-04-03 2020-07-31 山东理工大学 电动汽车应急电源共享方法
CN111476563B (zh) * 2020-04-03 2023-08-25 山东理工大学 电动汽车应急电源共享方法
CN111523714A (zh) * 2020-04-15 2020-08-11 广东电网有限责任公司 一种电力充电站选址布局方法及装置
CN111523714B (zh) * 2020-04-15 2022-05-03 广东电网有限责任公司 一种电力充电站选址布局方法及装置
CN111861017A (zh) * 2020-07-24 2020-10-30 辽宁工程技术大学 一种基于现网数据的充电站网络优化方法
CN112785029A (zh) * 2020-11-05 2021-05-11 江苏方天电力技术有限公司 一种基于深度聚类模型的充电站用电量预测方法
CN113592275A (zh) * 2021-07-23 2021-11-02 深圳依时货拉拉科技有限公司 一种货运调度方法、计算机可读存储介质及计算机设备
CN113592275B (zh) * 2021-07-23 2024-03-05 深圳依时货拉拉科技有限公司 一种货运调度方法、计算机可读存储介质及计算机设备

Also Published As

Publication number Publication date
CN110728421B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN110728421B (zh) 一种基于充电需求大数据的路网充电优化方法
Nandi et al. Design of a comfortable optimal driving strategy for electric vehicles using multi-objective optimization
CN110288212B (zh) 基于改进的mopso的电动出租车新建充电站选址方法
CN103745111B (zh) 纯电动乘用车续驶里程预测方法
CN112791997B (zh) 一种退役电池梯次利用筛选的方法
CN112381313B (zh) 充电桩地址的确定方法和装置
CN107730049B (zh) 电动汽车快速充电最优位置选择方法
CN110189182B (zh) 一种基于车联网的里程焦虑管理方法
CN107180274A (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN111062648A (zh) 一种沥青路面综合性能的评价方法
CN103745110A (zh) 纯电动公交车营运续驶里程估算方法
CN111652520A (zh) 一种基于大数据的路面养护智能决策系统及方法
CN107067130B (zh) 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法
CN115759462A (zh) 一种电动汽车用户的充电行为预测方法、装置及电子设备
CN112766800A (zh) 一种基于模糊层次分析法的城市绿色交通系统评价方法
CN116187161A (zh) 一种智能网联环境下混合动力客车智能能量管理方法及系统
CN114329921A (zh) 一种整车可靠性性能的评估方法、装置、设备和介质
CN110659774B (zh) 大数据方法驱动的停车需求预测方法
CN114487835B (zh) 一种粒子群优化birch算法的退役动力电池等级划分方法
CN111626582A (zh) 一种城市交通出行问题热点分级方法及装置
Wang et al. Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN111985782B (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法
CN111429166B (zh) 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法
CN114707239B (zh) 电能资源分配规划方法、装置和电子设备

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