CN111429166A - 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 - Google Patents

Abstract

本发明公开了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，包括以下步骤：划分交通网格，构建充电需求指标以描述交通网格周围道路中电动汽车的充电需求；以交通网格为聚类样本，以交通网格的充电需求指标和地理坐标为聚类样本属性进行群簇聚类，采用密度峰值聚类方法对聚类样本做聚类运算，得到多组聚类结果；基于轮廓系数计算各聚类结果的总体轮廓系数，选择最大轮廓系数的聚类结果作为最佳结果，得到电动汽车充电需求指标的空间分布；根据充电需求总量和各聚类群簇的总充电需求指标计算各群簇的充电需求，得到电动汽车充电负荷的空间分布，对后续电网规划建设和以及电力需求侧响应提供参考价值，对充电站规划建设有一定的指导意义。

Description

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

技术领域

本发明涉及电力技术领域，尤其是涉及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。

背景技术

随着地球资源和环境的压力越来越大，节能环保促使人类加快新能源汽车的研发，电动汽车因其优越的性能而受到公众的青睐，电动汽车具有良好的节能、减排和环保优势,电动汽车的推广对于减少对外国石油的依赖，实现经济社会的健康发展具有重要意义，在此背景下，电动汽车得到了世界各国政府和企业的积极推广,电动汽车充放电负荷预测是开展电动汽车接入对电网的影响分析、配电网规划与控制运行、电动汽车与电网双向互动及电动汽车与其他能源、交通等系统协调研究的基础。未来，大型电动汽车接入电网将给电网的稳定运行带来巨大挑战，为了应对电动汽车的广泛普及，更好地发挥电动汽车的优势，有必要对电动汽车的充电需求空间分布进行研究，目前现有技术中没有给出对电动汽车的充电需求空间分布进行预测的方法。

发明内容

有鉴于此，本发明的目的是针对现有技术的不足，提供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，了解电动汽车发展态势，及时掌握电动汽车接入时对电网带来的影响，对后续电网规划建设和以及电力需求侧响应提供参考价值，对充电站规划建设提供指导。

为达到上述目的，本发明采用以下技术方案：

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，包括如下步骤：

步骤A：根据用地类型和周围道路划分交通网格，构建充电需求指标用以描述交通网格周围道路中电动汽车的充电需求；

步骤B：以交通网格为聚类样本，以交通网格的充电需求指标和地理坐标为聚类样本属性进行群簇聚类，采用密度峰值聚类方法对聚类样本进行聚类运算，得到多组聚类结果；

步骤C：定义轮廓系数用以表征聚类结果的质量，基于轮廓系数，计算各聚类结果的总体轮廓系数，选择最大轮廓系数的聚类结果作为最佳结果，得到电动汽车充电需求指标的空间分布；

步骤D：根据充电需求总量和各聚类群簇的总充电需求指标，计算各群簇的充电需求，得到电动汽车充电负荷的空间分布。

进一步的，所述步骤A包括：

A1.对交通网格内的动态交通数据进行分析，计算每个交通网格内的平均交通流量指数，计算方式如下：

式中，f_ij为第i个交通网格周围第j个路口的典型日出行高峰交通流量，n_i为第i个交通网格周围的路口数，f_ave,i交通网格平均交通流量指数，q_i表示第i个交通网格的平均交通流量指数，N为交通网格总数，f_ave,i为第i个交通网格的平均交通流量；

A2.对交通网格内的静态交通数据进行分析，根据交通网格内停车场对外开放程度定义对外开放指数h_i；

A3.构建充电需求指标C_bi，其表达式为：

c_bi＝h_iq_i

A4.以交通网格的充电需求为聚类样本w_i(i∈[1,N])，其属性包括：充电需求指标C_bi和地理坐标，i为交通网格编号，N为交通网格总个数。

进一步的，所述步骤B包括：

B1.合理取值选择聚类群簇个数区间[n_min,n_max]，

B2.在区间内根据局部密度ρ_i和距离δ_i进行群簇聚类，计算方式如下：

式中，ρ_i为局部密度，δ_i为样本之间的距离，I_S为交通网格的序号集，c_bj为第j个交通网格的充电需求指标，d_ij为第i个和第j个交通网格中心的空间距离，d_c为截断距离，用于限定交通网格的充电容量服务范围，

为局部密度大于第i个交通网格的网格序号集，针对每个聚类个数n∈[n_min,n_max]，选取n个样本点作为聚类中心，得到多组群簇聚类结果。

进一步的，所述步骤C包括：

计算步骤B中各聚类结果的轮廓系数，计算方法为：

式中，群簇的内聚度a_i为样本w_i到所有它所属的簇中其他样本的距离，群簇的分离度b_i为样本w_i与最近簇中所有点的平均距离；

聚类结果总体的平均轮廓系数s表达式如下：

进一步的，所述步骤D包括:

各群簇的充电需求计算公式如下：

式中，表示各P_i类型电动汽车的充电功率，n为规划区域内电动汽车保有量预测值；η表示电动汽车充电的同时率，P_ci为群簇i充电需求负荷，q_ti表示群簇i的交通密集指数，M为群簇个数。

本发明的有益效果是：

1、通过预测电动汽车充电需求指标的空间分布，了解电动汽车发展态势，能够及时估算公共充电桩的数量空间分布，确定地区规划年所需建设的电动汽车充电站数量。

2、通过预测电动汽车充电负荷的空间分布，能够及时掌握电动汽车接入电网带来的不利影响，充分挖掘利用电动汽车充电需求的灵活性和向电网放电的潜力，使其接入电网后与电网产生友好互动。

综上，通过对电动汽车充电需求指标和充电负荷的空间分布预测，对后续电网规划建设和以及电力需求侧响应提供参考价值，同时对充电站规划建设有一定的指导意义。

附图说明

图1为本发明的结构示意图。

图2为最大轮廓系数的充电需求密度峰值聚类流程图。

具体实施方式

下面将结合本发明的附图，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。

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，包括如下步骤：

步骤A：根据用地类型和周围道路划分交通网格，构建充电需求指标用以描述交通网格周围道路中电动汽车的充电需求；

A1.根据用地类型和周围道路划分交通网格，交通网格的电动汽车充电需求受到动态交通数据和静态交通数据的影响，动态交通充电需求与行驶路线和充电地点的选择有关，从规划角度看，充电负荷的分布与交通流量密切相关。静态交通电动汽车充电必须通过在规划区的停车场内停车来完成，因此，停车场对外开放的程度和规模是制约电动汽车充电可能性的重要因素。综上所述，考虑动态和静态交通充电需求的影响因素，提出充电需求指标的概念来描述交通网格周围道路中电动汽车的充电需求。

首先对规划区域的动态交通数据进行分析，将路网中的交通流量用每个路口节点的交通流量来表示，则各交通网格的平均交通流量等于该网格周围所有路口的典型日出行高峰交通流量的平均值，表达式如下：

式中，f_ij为第i个交通网格周围第j个路口的典型日出行高峰交通流量，n_i为第i个交通网格周围的路口数。进一步地，将交通网格平均交通流量归一化得到平均交通流量指数，表达式如下:

式中，q_i表示第i个交通网格的平均交通流量指数，N为交通网格总数，f_ave,i为第i个交通网格的平均交通流量。

A2.基于交通网格内停车场对外开放指数分析静态交通数据对充电需求的影响，停车场的对外开放程度越高，认为电动汽车在该交通网格内部充电的可能性越大。交通枢纽、驻车换乘等社会公共停车场的对外开放程度最高，对外开放指数取为1。大型商场、文体场馆等公共建筑物配建停车场次之，其他类型区域较低，对外开放指数的取值如表1所示。

表1.不同建筑类型停车场的对外开放指数

A3.综合考虑以上动态与静态两种交通数据指数，提出了充电需求指标，用C_bi表示，其表达式为：

c_bi＝h_iq_i (3)

A4.综上，以交通网格的充电需求为聚类样本w_i(i∈[1,N])，其属性包括：充电需求指标C_bi和地理坐标。i为交通网格编号，N为交通网格总个数。

步骤B：以交通网格为聚类样本，以交通网格的充电需求指标和地理坐标为聚类样本属性进行群簇聚类，对聚类样本进行密度峰值聚类运算，得到多组聚类结果。

B1.根据规划区域电动汽车充电站的配建标准及国家相关规定，结合城市电动汽车的发展情况及保有量，选取合适的车桩比估算公共充电桩的数量，确定规划年所需建设的电动汽车充电站数量，合理取值选择聚类群簇的取值区间[n_min,n_max]；

B2.以交通网格为聚类样本，以充电需求指标作为聚类样本的分布密度，以交通网格的地理坐标作为聚类样本的分布坐标，按照局部密度和距离进行群簇聚类。

局部密度ρ_i表达式如下。

式中，I_S为交通网格的序号集，C_bj为第j个交通网格的充电需求指标，d_ij为第i个和第j个交通网格中心的空间距离，d_c为截断距离，用于限定交通网格的充电容量服务范围。

ρ_i计算完成后，样本之间的距离δ_i表达式如下：

式中，

为局部密度大于第i个交通网格的网格序号集。

考虑充电站服务半径及电动汽车的规模，选取多个聚类个数n∈[n_min,n_max]进行聚类分析，选取同时具有相对较高局部密度ρ_i和距离δ_i的前40％的聚类样本作为聚类中心，遍历其它各样本点与各聚类中心的距离完成非聚类中心样本点的归类，得到多组聚类结果。

步骤C：定义轮廓系数用以表征聚类结果的质量，基于轮廓系数，计算各聚类结果的总体轮廓系数，得到电动汽车充电需求指标的空间分布。

C1.定义轮廓系数，用以反映步聚类群簇的内聚度和分离度，聚类样本w_i的轮廓系数s_i表达式如下：

式中，群簇的内聚度a_i为样本w_i到所有它所属的簇中其他样本的距离，群簇的分离度b_i为样本w_i与最近簇中所有点的平均距离；轮廓系数的取值范围在-1到1之间，轮廓系数s_i越接近1，说明对样本w_i的归类越合理；若s_i近似为0，则说明样本w_i在两个群簇的边界上。按照上述计算方法，计算步骤B中各聚类结果的轮廓系数，选取聚类个数在合理范围内且轮廓系数最大的聚类结果。

步骤B和步骤C1的流程图如图2所示。

C2.计算聚类结果的平均轮廓系数s，表达式如下：

s表示聚类效果，在合理选取聚类个数后，选取轮廓系数最大的聚类结果作为最终结果，结合地理坐标，即可得到电动汽车充电需求指标的空间分布。s越接近1，说明聚类效果越好。

步骤D：根据充电需求总量和各聚类群簇的总充电需求指标，计算各群簇的充电需求，得到电动汽车充电负荷的空间分布。

根据交通网格内电动汽车的渗透率预测其保有量，再考虑各类型电动汽车占比及电动汽车充电的同时率，交通网格内电动汽车充电需求总量P_ta计算公式如下：

式中，表示各P_i类型电动汽车的充电功率，n为规划区域内电动汽车保有量预测值；η表示电动汽车充电的同时率。

根据充电需求指标的聚类结果，预测规划区域内电动汽车充电需求分布情况，计算交通密集指数总和，据此将电动汽车的充电需求总量按比例分配给各群簇。

群簇i的充电负荷P_ci表达式如下：

式中，q_ti表示群簇i的交通密集指数，M为群簇个数。

根据式(9)最终得到各群簇的充电需求指标，以及式(8)得到的电动汽车充电需求总量P_ta，即可预测规划区域内的充电负荷空间分布。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.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，其特征在于，包括如下步骤：

步骤A：根据用地类型和周围道路划分交通网格，构建充电需求指标用以描述交通网格周围道路中电动汽车的充电需求；

步骤B：以交通网格为聚类样本，以交通网格的充电需求指标和地理坐标为聚类样本属性进行群簇聚类，采用密度峰值聚类方法对聚类样本进行聚类运算，得到多组聚类结果；

步骤C：定义轮廓系数用以表征聚类结果的质量，基于轮廓系数，计算各聚类结果的总体轮廓系数，选择最大轮廓系数的聚类结果作为最佳结果，得到电动汽车充电需求指标的空间分布；

步骤D：根据充电需求总量和各聚类群簇的总充电需求指标，计算各群簇的充电需求，得到电动汽车充电负荷的空间分布。

2.根据权利要求1所述的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，其特征在于，所述步骤A包括：

A1.对交通网格内的动态交通数据进行分析，计算每个交通网格内的平均交通流量指数，计算方式如下：

式中，f_ij为第i个交通网格周围第j个路口的典型日出行高峰交通流量，n_i为第i个交通网格周围的路口数，f_ave,i交通网格平均交通流量指数，q_i表示第i个交通网格的平均交通流量指数，N为交通网格总数，f_ave,i为第i个交通网格的平均交通流量；

A2.对交通网格内的静态交通数据进行分析，根据交通网格内停车场对外开放程度定义对外开放指数h_i；

A3.构建充电需求指标C_bi，其表达式为：

c_bi＝h_iq_i

A4.以交通网格的充电需求为聚类样本w_i(i∈[1,N])，其属性包括：充电需求指标C_bi和地理坐标，i为交通网格编号，N为交通网格总个数。

3.根据权利要求1所述的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，其特征在于，所述步骤B包括：

B1.合理取值选择聚类群簇个数区间[n_min,n_max]；

B2.在区间内根据局部密度ρ_i和距离δ_i进行群簇聚类，计算方式如下：

式中，ρ_i为局部密度，δ_i为样本之间的距离，I_S为交通网格的序号集，c_bj为第j个交通网格的充电需求指标，d_ij为第i个和第j个交通网格中心的空间距离，d_c为截断距离，用于限定交通网格的充电容量服务范围，

为局部密度大于第i个交通网格的网格序号集，针对每个聚类个数n∈[n_min,n_max]，选取n个样本点作为聚类中心，得到多组群簇聚类结果。

4.根据权利要求1或2或3所述的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，其特征在于，所述步骤C包括：

计算步骤B中各聚类结果的轮廓系数，计算方法为：

式中，群簇的内聚度a_i为样本w_i到所有它所属的簇中其他样本的距离，群簇的分离度b_i为样本w_i与最近簇中所有点的平均距离；

聚类结果总体的平均轮廓系数s表达式如下：

5.根据权利要求1或2所述的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，其特征在于，所述步骤D包括:

各群簇的充电需求计算公式如下：

式中，表示各P_i类型电动汽车的充电功率，n为规划区域内电动汽车保有量预测值；η表示电动汽车充电的同时率，P_ci为群簇i充电需求负荷，q_ti表示群簇i的交通密集指数，M为群簇个数。

Images