CN112308339B - 充电数据的处理方法和装置 - Google Patents

充电数据的处理方法和装置 Download PDF

Info

Publication number
CN112308339B
CN112308339B CN202011323869.1A CN202011323869A CN112308339B CN 112308339 B CN112308339 B CN 112308339B CN 202011323869 A CN202011323869 A CN 202011323869A CN 112308339 B CN112308339 B CN 112308339B
Authority
CN
China
Prior art keywords
charging
area
data
grid
grid area
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
CN202011323869.1A
Other languages
English (en)
Other versions
CN112308339A (zh
Inventor
徐蕙
王培祎
及洪泉
马龙飞
张禄
陆斯悦
张宝群
严嘉慧
盛慧慧
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
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing 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, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011323869.1A priority Critical patent/CN112308339B/zh
Publication of CN112308339A publication Critical patent/CN112308339A/zh
Application granted granted Critical
Publication of CN112308339B publication Critical patent/CN112308339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种充电数据的处理方法和装置。其中，该方法包括：将预设地区划分为多个单位大小的网格区域；根据网格区域的交通流量热度数据对网格区域进行聚类分析，确定k个类别的网格区域；确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域；依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据。本发明解决了工作人员无法精准确定充电设备选址的技术问题。

Description

充电数据的处理方法和装置
技术领域
本发明涉及充电桩数据处理领域，具体而言，涉及一种充电数据的处理方法和装置。
背景技术
伴随世界石油资源的供需紧张和车辆排放法规的日趋严格，以电动汽车为代表的新能源汽车已成为汽车工业发展的趋势所在，并已开始在世界范围内得以推广应用。我国自2001年开始大力推行电动汽车发展，虽然仍未实现普遍商业化，但随着技术的进步和基础设施布局的完善，电动汽车必将实现大规模增长，其带来的电力能源需求也将会对电力系统运行带来挑战。因此，做好电动汽车的电力需求分析和预测工作，对电力系统加固现有电力网络和规划未来电力网络配置，大力推动电动汽车产业发展，减少车辆对环境的污染并缓解对石油资源的消耗具有重要的意义。
现有的充电需求分析往往是针对整个市区的充电需求进行预测，主要从电动汽车保有量、日行驶里程分布、充电方式和充电控制策略、电池充电特性和驾驶者使用习惯等方面因素考虑，由于驾驶者使用习惯和日行驶里程分布等因素存在较大的区别，在一定程度上会影响模型的泛化能力；并且对整个市区充电需求预测，从而使得工作人员无法精准确定充电设备选址。
也即，对于电动汽车用户进行画像，现有技术多是基于模型与电动汽车相关特性结合进行预测，尚未有对网格区域内电动汽车充电需求预测的研究，从而使得工作人员无法精准确定充电设备选址。而针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种充电数据的处理方法和装置，以至少解决工作人员无法精准确定充电设备选址的技术问题。
根据本发明实施例的一个方面，提供了一种充电数据的处理方法，包括：将预设地区划分为多个单位大小的网格区域；获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域；确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据；依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理。
根据本发明实施例的另一方面，还提供了一种充电数据的处理装置，包括：划分单元，用于将预设地区划分为多个单位大小的网格区域；第一确定单元，用于获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域；第二确定单元，用于确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据；第三确定单元，用于依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的充电数据的处理方法。
根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的充电数据的处理方法。
也即，本发明主要解决网格区域充电需求的分析问题，而本发明通过分析已建充电站的网格区域交通流量热度与网格区域充电需求的相关性，得出网格区域交通流量热度与网格区域充电需求存在较高的相关性，因此，基于Kmeans聚类的方法对所有的网格进行分类，并利用相同网格已建充电站充电需求通过回归分析预测其类网格内未建充电站的网格充电需求，进而为网格新建充电设施选址规划及优化布局建议提供数据支撑。
举例说明：根据经纬度将北京市划分为1公里的网格区域，将北京市出租车订单起迄点数据和北京市驾车导航起迄点数据和充电设备资产、充电记录进行关联，分析已有充电站的出行热度和充电电量之间的关系，从而预测出没有充电站的网格区域的充电需求，为充电设备选址做支撑。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的充电数据的处理方法的流程图；
图2是根据本发明实施例的一种可选的kmeans算法的流程图；
图3是根据本发明实施例的一种网格真实值与预测值的柱形示意图；
图4是根据本发明实施例的一种可选的充电数据的处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种充电数据的处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的充电数据的处理方法，如图1所示，该方法包括如下步骤：
步骤S102，将预设地区划分为多个单位大小的网格区域。
需要说明的是：所述网格区域优选为：1公里长宽的格状区域。
步骤S104，获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域。
步骤S106，确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据。
需要说明的是：区域内充电需求数据优选为充电交易记录数据，其中，所述充电交易记录数据至少包括以下任一：充电站ID，充电桩ID，充电开始时间、充电结束时间、充电金额、充电电量。
进一步的，在获取所述第一网格区域的区域内充电需求数据之后，所述方法还包括：步骤S107，剔除所述区域内充电需求数据中的缺失、异常数据，对处理后的区域内充电需求数据进行Z-Scroe归一化预处理，以消除量纲的影响，使得从所有样本提取的特征可以在同一量纲下作比对。
进一步的，步骤S104(根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域)可以通过如下步骤实现：根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，并通过轮廓系数值对聚类结果进行判断处理，以选取最大的s(i)值对应的k为最佳的聚类数，其中，轮廓系数表达式如下：
a(i)表示样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。
需要说明的是：a(i)表示样本i到同簇其他样本的平均距离，越小，说明样本i越应该被聚类到该簇，a(i)称为样本i的簇内不相似度；b(i)表示样本i到其他簇的所有样本的平均距离，b(i)越大，说明样本i越不属于其他簇；以及，s(i)接近1，则说明样本i聚类合理；s(i)接近-1，则说明样本i更应该分类到另外的簇；s(i)接近0，则说明样本i在两个簇的边界上。
进一步的，如图2所示，根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，主要的操作步骤为：所述网格区域的交通流量热度数据集中随机选取k个样本作为簇中心；计算所有样本与所述k个簇中心的距离；将每个样本划分至与其最近的簇中心所在的簇中；重新计算各个簇的簇中心。
步骤S108，依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理。
进一步的，在步骤S108(依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，)之后，所述方法还包括：步骤S110，根据第二网格区域的区域内充电需求数据为所述第二网格区域的充电设备进行选址处理。
也即，本发明主要解决网格区域充电需求的分析问题，而本发明通过分析已建充电站的网格区域交通流量热度与网格区域充电需求的相关性，得出网格区域交通流量热度与网格区域充电需求存在较高的相关性，因此，基于Kmeans聚类的方法对所有的网格进行分类，并利用相同网格已建充电站充电需求通过回归分析预测其类网格内未建充电站的网格充电需求，进而为网格新建充电设施选址规划及优化布局建议提供数据支撑。
举例说明：根据经纬度将北京市划分为1公里的网格区域，将北京市出租车订单起迄点数据和北京市驾车导航起迄点数据和充电设备资产、充电记录进行关联，分析已有充电站的出行热度和充电电量之间的关系，从而预测出没有充电站的网格区域的充电需求，为充电设备选址做支撑。
下面结合另一种实施例对本发明做出说明。
通过对充电需求分析，可以及时准确预测未来一段时间用户电量的需求，减少甚至挽回公司因供电不足而导致的经济损失，保证充电站正常运行，提高服务质量，降低客户投诉率，下面就交通流量数据挖掘网格区域的充电需求，对本发明进行进一步说明。
具体模型实现过程如下：
1)数据收集：选取的数据集来自某地区2017-2018年的充电交易记录数据。其中包含充电站ID，充电桩ID，充电开始时间、充电结束时间、充电金额、充电电量等指标数据，及每个网格交通流量热度数据、时间数据、经纬度数据。
2)数据预处理：剔除数据中的缺失、异常数据，对处理后的数据进行Z-Scroe归一化预处理，以消除量纲的影响，使得从所有样本提取的特征可以在同一量纲下作比对。
3)模型构建：计算网格区域交通流量热度与网格区域充电需求的相关性。将网格区域的交通流量热度数据进行聚类分析，KMeans算法流程为：先从出行数据集中随机选取k个样本作为簇中心，并计算所有样本与这k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。
通过网格区域聚类结果分布图可以看出，数据聚为八类，大部分网格的出行量特征属于第四、六类，两类网格数量占总网格区域数量的87％。通过每个类别的出行量的趋势图，可以看出每个类别中各网格出行量趋势基本保持一致，各类别网格的差异主要体现出行量数量级的差异和波动趋势差异，其中一、二、三、五、七、八类波动趋势相似，但出行量数量级存在差异。
表1-1北京市网格区域Kmeans聚类相关性
分类编号 各分类的网格数 有充电电量的网格数 相关系数
1 31 8 0.62
2 73 14 0.94
3 206 33 0.85
4 1349 96 0.71
5 520 51 0.78
6 7230 177 0.50
7 160 27 0.82
8 298 39 0.85
通过计算不同类别已有充电站网格出行量和充电量的相关性，如上表所示，可以看出各类别网格区域出行量和充电量的相关性均较高，因此可以利用已建充电站的网格区域出行量和充电量构建充电需求预测回归模型，预测同一类别中未建充电站网格的充电需求。
如图3所示的八类中部门网格真实值与预测值的柱形图，通过八类列举的真实值和预测值可以看出，网格的整体预测效果较好。
综上所述，本发明经过试验、模拟、使用证明可行。通过电动汽车数据，计算网格的充电需求，匹配到该网格的停车场，可以为网格新建充电设施选址规划及优化布局建议提供数据支撑。
此外，本发明还实现了如下技术效果，即：1、通过对原始数据进行挖掘分析，发现交通流量热度数据与充电需求存在相关性，创造性的提出网格的概念并利用网格交通流量计算充电需求；2、并针对所有的网格，对交通流量具有相同规律的网格进行聚类分析，运用轮廓系数选取最佳的k值，通过类内相似性大的原则，聚类减少了分类样本的个数，降低了计算量和复杂性。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种充电数据的处理装置，需要说明的是，本申请实施例的充电数据的处理装置可以用于执行本申请实施例所提供的用于充电数据的处理方法。以下对本申请实施例提供的充电数据的处理装置进行介绍。
图4是根据本申请实施例的充电数据的处理装置的示意图。如图4所示，该装置包括：划分单元10、第一确定单元30、第二确定单元50和第三确定单元70
划分单元，用于将预设地区划分为多个单位大小的网格区域。
第一确定单元，用于获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域。
第二确定单元，用于确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据。
第三确定单元，用于依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理。
可选的，网格区域为1公里长宽的格状区域。
可选的，区域内充电需求数据为充电交易记录数据，其中，所述充电交易记录数据至少包括以下任一：充电站ID，充电桩ID，充电开始时间、充电结束时间、充电金额、充电电量。
可选的，所述装置还包括：预处理单元，用于在获取所述第一网格区域的区域内充电需求数据之后，剔除所述区域内充电需求数据中的缺失、异常数据，对处理后的区域内充电需求数据进行Z-Scroe归一化预处理，以消除量纲的影响。
可选的，第一确定单元还包括：分析模块，用于根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析；选取模块，用于通过轮廓系数值对聚类结果进行判断处理，以选取最大的s(i)值对应的k为最佳的聚类数，其中，轮廓系数表达式如下：
a(i)表示样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。
可选的，分析模块还包括：选取子模块，用于所述网格区域的交通流量热度数据集中随机选取k个样本作为簇中心；第一计算子模块，用于计算所有样本与所述k个簇中心的距离；划分子模块，用于将每个样本划分至与其最近的簇中心所在的簇中；第二计算子模块，用于重新计算各个簇的簇中心。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种充电数据的处理方法，其特征在于，包括：
将预设地区划分为多个单位大小的网格区域；
获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域；
确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据；
依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理；
其中，根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域，包括：
根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，并通过轮廓系数值对聚类结果进行判断处理，以选取最大的s(i)值对应的k为最佳的聚类数，其中，轮廓系数表达式如下：
a(i)表示样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。
2.根据权利要求1所述的充电数据的处理方法，其特征在于，网格区域为1公里长宽的格状区域。
3.根据权利要求1所述的充电数据的处理方法，其特征在于，
区域内充电需求数据为充电交易记录数据，其中，所述充电交易记录数据至少包括以下任一：充电站ID，充电桩ID，充电开始时间、充电结束时间、充电金额、充电电量；以及，
在获取所述第一网格区域的区域内充电需求数据之后，所述方法还包括：剔除所述区域内充电需求数据中的缺失、异常数据，对处理后的区域内充电需求数据进行Z-Scroe归一化预处理，以消除量纲的影响。
4.根据权利要求1所述的充电数据的处理方法，其特征在于，根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，包括：
所述网格区域的交通流量热度数据集中随机选取k个样本作为簇中心；
计算所有样本与k个簇中心的距离；
将每个样本划分至与其最近的簇中心所在的簇中；
重新计算各个簇的簇中心。
5.一种充电数据的处理装置，其特征在于，所述装置包括：
划分单元，用于将预设地区划分为多个单位大小的网格区域；
第一确定单元，用于获取所述网格区域的交通流量热度数据，并根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域；
第二确定单元，用于确定区域内已建立充电设备的网格区域为第一网格区域，以及区域内未建立充电设备的网格区域为第二网格区域，并获取所述第一网格区域的区域内充电需求数据；
第三确定单元，用于依次计算k个类别中的每个类别的第一网格区域的交通流量热度数据与区域内充电需求数据的相关系数ρi，并利用回归模型对所述交通流量热度数据与区域内充电需求数据的相关系数ρi进行处理，以依次确定每个类别的第二网格区域的区域内充电需求数据，其中，所述第二网格区域的区域内充电需求数据用于为所述第二网格区域的充电设备进行选址处理；
其中，根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，确定k个类别的网格区域，包括：
根据所述网格区域的交通流量热度数据对所述网格区域进行聚类分析，并通过轮廓系数值对聚类结果进行判断处理，以选取最大的s(i)值对应的k为最佳的聚类数，其中，轮廓系数表达式如下：
a(i)表示样本i到同簇其他样本的平均距离，b(i)表示样本i到其他簇的所有样本的平均距离。
6.根据权利要求5所述的充电数据的处理装置，其特征在于，区域内充电需求数据为充电交易记录数据，其中，所述充电交易记录数据至少包括以下任一：充电站ID，充电桩ID，充电开始时间、充电结束时间、充电金额、充电电量。
7.根据权利要求6所述的充电数据的处理装置，其特征在于，所述装置还包括：
预处理单元，用于在获取所述第一网格区域的区域内充电需求数据之后，剔除所述区域内充电需求数据中的缺失、异常数据，对处理后的区域内充电需求数据进行Z-Scroe归一化预处理，以消除量纲的影响。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述充电数据的处理方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述充电数据的处理方法。
CN202011323869.1A 2020-11-23 2020-11-23 充电数据的处理方法和装置 Active CN112308339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011323869.1A CN112308339B (zh) 2020-11-23 2020-11-23 充电数据的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011323869.1A CN112308339B (zh) 2020-11-23 2020-11-23 充电数据的处理方法和装置

Publications (2)

Publication Number Publication Date
CN112308339A CN112308339A (zh) 2021-02-02
CN112308339B true CN112308339B (zh) 2023-11-14

Family

ID=74335610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011323869.1A Active CN112308339B (zh) 2020-11-23 2020-11-23 充电数据的处理方法和装置

Country Status (1)

Country Link
CN (1) CN112308339B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952285B (zh) * 2024-03-27 2024-06-14 广东工业大学 针对无人机移动充电站的动态调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108791270A (zh) * 2018-06-20 2018-11-13 北京理工大学 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN111429166A (zh) * 2019-12-10 2020-07-17 国网河南省电力公司经济技术研究院 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108791270A (zh) * 2018-06-20 2018-11-13 北京理工大学 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN111429166A (zh) * 2019-12-10 2020-07-17 国网河南省电力公司经济技术研究院 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

Also Published As

Publication number Publication date
CN112308339A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
Zhang et al. A framework for passengers demand prediction and recommendation
CN108537391B (zh) 一种基于出租车轨迹数据的出租车停靠站设置优化方法
CN109087502B (zh) 基于订单分布的车辆调度方法、调度系统、计算机设备
CN110728421B (zh) 一种基于充电需求大数据的路网充电优化方法
CN110189182B (zh) 一种基于车联网的里程焦虑管理方法
CN114021883A (zh) 一种高峰时期地铁接驳共享单车的调度方法
CN112700185B (zh) 基于仿生智能优化的物流路线规划方法及系统
CN112308339B (zh) 充电数据的处理方法和装置
CN116611678B (zh) 数据处理方法、装置、计算机设备和存储介质
CN112052405B (zh) 一种基于司机经验的寻客区域推荐方法
CN110119891B (zh) 一种适于大数据的交通安全影响因素辨识方法
CN111292535A (zh) 车路协同环境下面向乘客出行的路网交通状态评价方法
CN115810271A (zh) 一种基于刷卡数据判断客流走廊位置的方法
CN113569372B (zh) 一种充电桩选址布设方法及系统
CN113723459B (zh) 一种基于时间聚合的公交运营时段划分及单程点推荐方法
CN112347376B (zh) 基于多时空聚类的出租车载客点推荐方法
CN111079008B (zh) 出租车司机在蓄车池去留的方案推荐方法及系统
Shen et al. Strategic Charging Infrastructure Deployment for Electric Vehicles
CN111861040A (zh) 公交线路的优化调整方法及装置、设备、存储介质
CN105448091A (zh) 一种城市信号交叉口机非隔离设施设置方法
CN111785024A (zh) 一种分区域分时域的城市车辆工况构建方法
CN116628525B (zh) 一种新能源汽车产业链供应链的空间特征提取方法及系统
CN109101612A (zh) 一种提供解决方案的方法、装置和系统
CN117634788B (zh) 一种数字城市的电气资源和交通监测管理方法、系统和介质
CN115222136A (zh) 一种统筹考虑全生命周期和流截获模型的加氢站选址规划方法及装置

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