CN112381313A - 充电桩地址的确定方法和装置 - Google Patents
充电桩地址的确定方法和装置 Download PDFInfo
- Publication number
- CN112381313A CN112381313A CN202011333183.0A CN202011333183A CN112381313A CN 112381313 A CN112381313 A CN 112381313A CN 202011333183 A CN202011333183 A CN 202011333183A CN 112381313 A CN112381313 A CN 112381313A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- area
- determining
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种充电桩地址的确定方法和装置。其中,该方法包括:获取预设地区的充电数据;将预设地区划分为单位大小的网格区域,并基于预设地区的充电数据确定目标网格区域的特征数据;使用XGBoost算法对目标网格区域的特征数据进行训练处理,获取第一模型,并采用第一模型判断目标网格区域内的停车场是否需要新增充电桩。本发明解决了现有技术中电动汽车充电设施选址的考虑因素较为单一,无法为相关企业提供更多维度的选址建议的技术问题。
Description
技术领域
本发明涉及电动汽车领域,具体而言,涉及一种充电桩地址的确定方法和装置。
背景技术
随着能源危机的不断加深,石油资源的日益枯竭,各国政府都在致力寻找能够代替传统不可再生能源的新能源,以实现社会的可持续发展。在此背景下,新能源和可再生能源发电取得到了快速的发展。随着风能、太阳能等新能源和可再生能源的发展,电动汽车电池可采用新能源所发电能对其充电,这从根本上解决了汽车对传统化石燃料的依赖。近年来,随着车用电池技术的不断突破以及政府政策的大力支持,电动汽车已在世界各国得到推广应用,对应的充电设施增长数量却远远小于充电汽车的增长数量。
而现有技术中,电动汽车充电设施选址的考虑因素较为单一,无法为相关企业提供更多维度的选址建议。
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桩地址的确定方法和装置,以至少解决现有技术中电动汽车充电设施选址的考虑因素较为单一,无法为相关企业提供更多维度的选址建议的技术问题。
根据本发明实施例的一个方面,提供了一种充电桩地址的确定方法,包括:获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据;将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量;使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
根据本发明实施例的另一方面,还提供了一种充电桩地址的确定装置,包括:获取单元,用于获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据;确定单元,用于将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量;判断单元,用于使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
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桩地址的确定方法。
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桩地址的确定方法。
本发明主要解决网格区域电动汽车充电站选址规划问题,主要是以电动汽车充电设施选址的影响因素为基础,在此基础上,使用XGBoost分类算法判断网格区域是否需要新建充电桩,对需要建充电桩的网格再基于回归算法判断需新建桩数量。进而实现充分考虑到了充电设施的重要影响因素,保证了模型分析的准确性的技术效果。
也即,针对新建充电设施选址规划方法主要分为两步:第一步,将网格区域充电需求预测结果及周边业态(医院、学校、住宅区、娱乐场所、酒店、商场)、停车场位置数据作为特征输入,以XGBoost算法构建新建充电站选址模型,预测网格区域是否需要新建充电站。第二步,选取运营情况良好的充电站的网格区域热度、周边业态、停车场收费、私人桩数量数据作为特征输入,以梯度提升树算法构建网格区域新建充电桩数量预测模型,预测新建充电桩数量。
此外,本发明技术方案对参数设定的要求不高,数据也具有可获得性、可解释性等优点,模型算法也具有很高的泛化和分类能力;以及,通过数据挖掘对网格区域充电需求进行预测,达到了能精准对网格是否需新建充电站做出判断的技术效果。
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桩地址的确定方法的流程图;
图2是根据本发明实施例的一种可选的充电桩地址的确定装置的示意图。
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,提供了一种充电桩地址的确定的方法实施例,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桩地址的确定方法,如图1所示,该方法包括如下步骤:
步骤S102,获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据.
需要说明的是:所述预设地区内充电桩的充电交易数据优选包括:所述预设地区各个充电桩充的ID信息,每次充电交易的充电开始时间、充电结束时间、充电金额和充电电量。
需要说明的是:所述各个充电桩所属充电站的充电电量数据优选包括:各个所述充电桩所属充电站的ID信息、所述充电站与充电桩之间的对应关系、各个充电站的充电电量信息、各个充电站向其对应的多个充电桩的供电信息。
需要说明的是:各个所述充电站预设距离内的业态数据优选包括:所述充电站预设距离内的学校、住宅、商场、医院、交通场所和娱乐场所数据。
优选的,在获取预设地区的充电数据之后,所述方法还包括:填充所述充电数据中的缺失值,并剔除所述充电数据中的异常值;对处理后的充电数据进行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。
步骤S104,将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量;
优选的,在基于所述预设地区的充电数据确定目标网格区域的特征数据之后,所述方法还包括:使用梯度提升树算法对所述目标网格区域的特征数据进行训练处理,获取第二模型,并采用所述第二模型确定所述目标网格区域内的停车场待增加的充电桩数量。
需要说明的是:梯度提升树算法是一种迭代的决策树算法,每轮迭代产生一个弱分类器,它基于集成学习中的boosting思想,每次迭代都在减少残差的梯度方向新建立一颗决策树,迭代多少次就会生成多少颗决策树,当采用平方误差损失函数时,每一棵回归树学习的是之前所有树的结论和残差,拟合得到一个当前的残差回归树,其主要利用残差梯度来优化回归树的集成过程。
梯度提升树算法弱分类器一般会选择为CART TREE(也就是分类回归树)。由于上述高偏差和简单的要求每个分类回归树的深度不会很深。最终的总分类器是将每轮训练得到的弱分类器加权求和得到的(也就是加法模型)。
树可以表示为:
求解数据的分割点:
R1={x|x≤s},R2={x|x>s}
步骤S106,使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
优选的,使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,以得到第一模型可以通过如下步骤得以实现:将所述目标网格区域的特征数据划分为训练数据和测试数据;采用所述XGBoost算法对所述训练数据进行训练处理,得到基础模型;使用测试数据不断调整所述基础模型的参数信息,以最大程度拟合训练集,得到第一模型。
需要说明的是:XGBoost(Extreme Gradient Boosting)全名叫极端梯度提升,XGBoost是boosting算法的其中一种。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。因为XGBoost是一种提升树模型,所以它是将许多树模型集成在一起,形成一个很强的分类器。而所用到的树模型则是CART回归树模型。
该算法思想就是不断地添加树,不断地进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数,去拟合上次预测的残差。当我们训练完成得到k棵树,我们要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数,最后只需要将每棵树对应的分数加起来就是该样本的预测值。
其中,ωq(x)为叶子节点q的分数,f(x)为其中一棵回归树。
目标函数由两部分构成,第一部分用来衡量预测分数和真实分数的差距,另一部分则是正则化项。正则化项同样包含两部分,T表示叶子结点的个数,w表示叶子节点的分数。γ可以控制叶子结点的个数,λ可以控制叶子节点的分数不会过大,防止过拟合。
本发明主要解决网格区域电动汽车充电站选址规划问题,主要是以电动汽车充电设施选址的影响因素为基础,在此基础上,使用XGBoost分类算法判断网格区域是否需要新建充电桩,对需要建充电桩的网格再基于回归算法判断需新建桩数量。进而实现充分考虑到了充电设施的重要影响因素,保证了模型分析的准确性的技术效果。
也即,针对新建充电设施选址规划方法主要分为两步:第一步,将网格区域充电需求预测结果及周边业态(医院、学校、住宅区、娱乐场所、酒店、商场)、停车场位置数据作为特征输入,以XGBoost算法构建新建充电站选址模型,预测网格区域是否需要新建充电站。第二步,选取运营情况良好的充电站的网格区域热度、周边业态、停车场收费、私人桩数量数据作为特征输入,以梯度提升树算法构建网格区域新建充电桩数量预测模型,预测新建充电桩数量。
此外,本发明技术方案对参数设定的要求不高,数据也具有可获得性、可解释性等优点,模型算法也具有很高的泛化和分类能力;以及,通过数据挖掘对网格区域充电需求进行预测,达到了能精准对网格是否需新建充电站做出判断的技术效果。
下面结合另一种实施例对本发明做出说明。
(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,及充电站充电电量与周边业态(学校、住宅区、娱乐场所、商场、交通场所、医院)数据。
(2)数据预处理:对数据中的缺失值、异常值进行适当填充与剔除,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)特征选取:通过前期的数据探索,筛选出网格交通流量、网格充电量、网格周边业态(学校、住宅区、娱乐场所、商场、交通场所、医院)等特征数据进行构建模型。
(4)模型构建:输入特征数据,针对有停车场的网格区域以XGBoost算法预测是否需新建充电站,利用80%的输入数据作为训练数据,其余作为测试数据,通过不断调整模型参数,最大程度的“拟合”训练集,结合网格区域充电需求预测结果,利用训练好的模型预测没有充电站的网格区域2018年是否需要新建充电站,预测结果如下表所示。
表1-1 2018年新建充电站预测结果
选取运营情况良好的184个充电站数据作为训练数据,将其网格区域热度、周边业态数量属性作为特征输入,网格区域需建充电桩数量作为预测变量,采用梯度提升树算法构建网格区域新建充电桩数量预测模型。利用80%的数据作为训练数据,其余作为测试集数据,通过不断调整模型参数,最大程度的“拟合”训练集,模型测试结果如下表所示。
表1-2网格区域充电桩数量预测结果
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桩地址的确定装置,需要说明的是,本申请实施例的充电桩地址的确定装置可以用于执行本申请实施例所提供的用于充电桩地址的确定方法。以下对本申请实施例提供的充电桩地址的确定装置进行介绍。
图2是根据本申请实施例的充电桩地址的确定装置的示意图。如图2所示,该装置包括:获取单元10、确定单元20和判断单元30。
获取单元,用于获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据。
确定单元,用于将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量。
判断单元,用于使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
优选的,所述预设地区内充电桩的充电交易数据,包括:所述预设地区各个充电桩充的ID信息,每次充电交易的充电开始时间、充电结束时间、充电金额和充电电量。
优选的,所述各个充电桩所属充电站的充电电量数据,包括:各个所述充电桩所属充电站的ID信息、所述充电站与充电桩之间的对应关系、各个充电站的充电电量信息、各个充电站向其对应的多个充电桩的供电信息。
优选的,各个所述充电站预设距离内的业态数据,包括:所述充电站预设距离内的学校、住宅、商场、医院、交通场所和娱乐场所数据。
优选的,所述装置还包括:剔除子单元,用于填在获取预设地区的充电数据之后,充所述充电数据中的缺失值,并剔除所述充电数据中的异常值;预处理子单元,用于对处理后的充电数据进行Z-Scroe归一化预处理,以消除量纲的影响。
优选的,判断单元还包括:划分模块,用于将所述目标网格区域的特征数据划分为训练数据和测试数据;训练模块,用于采用所述XGBoost算法对所述训练数据进行训练处理,得到基础模型;获取模块,用于使用测试数据不断调整所述基础模型的参数信息,以最大程度拟合训练集,得到第一模型。
优选的,所述装置还包括:确定子单元,用于在基于所述预设地区的充电数据确定目标网格区域的特征数据之后,使用梯度提升树算法对所述目标网格区域的特征数据进行训练处理,获取第二模型,并采用所述第二模型确定所述目标网格区域内的停车场待增加的充电桩数量。
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 (12)
1.一种充电桩地址的确定方法,其特征在于,包括:
获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据;
将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量;
使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
2.根据权利要求1所述的充电桩地址的确定方法,其特征在于,
所述预设地区内充电桩的充电交易数据,包括:所述预设地区各个充电桩充的ID信息,每次充电交易的充电开始时间、充电结束时间、充电金额和充电电量;
所述各个充电桩所属充电站的充电电量数据,包括:各个所述充电桩所属充电站的ID信息、所述充电站与充电桩之间的对应关系、各个充电站的充电电量信息、各个充电站向其对应的多个充电桩的供电信息;
各个所述充电站预设距离内的业态数据,包括:所述充电站预设距离内的学校、住宅、商场、医院、交通场所和娱乐场所数据。
3.根据权利要求1所述的充电桩地址的确定方法,其特征在于,在获取预设地区的充电数据之后,所述方法还包括:
填充所述充电数据中的缺失值,并剔除所述充电数据中的异常值;
对处理后的充电数据进行Z-Scroe归一化预处理,以消除量纲的影响。
4.根据权利要求1所述的充电桩地址的确定方法,其特征在于,使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,以得到第一模型,包括:
将所述目标网格区域的特征数据划分为训练数据和测试数据;
采用所述XGBoost算法对所述训练数据进行训练处理,得到基础模型;
使用测试数据不断调整所述基础模型的参数信息,以最大程度拟合训练集,得到第一模型。
5.根据权利要求1所述的充电桩地址的确定方法,其特征在于,在基于所述预设地区的充电数据确定目标网格区域的特征数据之后,所述方法还包括:
使用梯度提升树算法对所述目标网格区域的特征数据进行训练处理,获取第二模型,并采用所述第二模型确定所述目标网格区域内的停车场待增加的充电桩数量。
6.一种充电桩地址的确定装置,其特征在于,确定装置包括:
获取单元,用于获取预设地区的充电数据,其中,所述目标充电数据至少包含:预设地区内充电桩的充电交易数据、各个所述充电桩所属充电站的充电电量数据、以及各个所述充电站预设距离内的业态数据;
确定单元,用于将所述预设地区划分为单位大小的网格区域,并基于所述预设地区的充电数据确定目标网格区域的特征数据,其中,所述目标网格区域为包含有停车场的网格区域,且所述特征数据至少包括:每个所述网格区域的网格交通流量、网格业态数据、网格充电量;
判断单元,用于使用XGBoost算法对所述目标网格区域的特征数据进行训练处理,获取第一模型,并采用所述第一模型判断所述目标网格区域内的停车场是否需要新增充电桩。
7.根据权利要求6所述的充电桩地址的确定装置,其特征在于,
所述预设地区内充电桩的充电交易数据,包括:所述预设地区各个充电桩充的ID信息,每次充电交易的充电开始时间、充电结束时间、充电金额和充电电量;
所述各个充电桩所属充电站的充电电量数据,包括:各个所述充电桩所属充电站的ID信息、所述充电站与充电桩之间的对应关系、各个充电站的充电电量信息、各个充电站向其对应的多个充电桩的供电信息;
各个所述充电站预设距离内的业态数据,包括:所述充电站预设距离内的学校、住宅、商场、医院、交通场所和娱乐场所数据。
8.根据权利要求6所述的充电桩地址的确定装置,其特征在于,所述装置还包括:
剔除子单元,用于填在获取预设地区的充电数据之后,充所述充电数据中的缺失值,并剔除所述充电数据中的异常值;
预处理子单元,用于对处理后的充电数据进行Z-Scroe归一化预处理,以消除量纲的影响。
9.根据权利要求6所述的充电桩地址的确定装置,其特征在于,判断单元还包括:
划分模块,用于将所述目标网格区域的特征数据划分为训练数据和测试数据;
训练模块,用于采用所述XGBoost算法对所述训练数据进行训练处理,得到基础模型;
获取模块,用于使用测试数据不断调整所述基础模型的参数信息,以最大程度拟合训练集,得到第一模型。
10.根据权利要求6所述的充电桩地址的确定装置,其特征在于,所述装置还包括:
确定子单元,用于在基于所述预设地区的充电数据确定目标网格区域的特征数据之后,使用梯度提升树算法对所述目标网格区域的特征数据进行训练处理,获取第二模型,并采用所述第二模型确定所述目标网格区域内的停车场待增加的充电桩数量。
11.一种存储介质,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5中任意一项所述充电桩地址的确定方法。
12.一种处理器,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5中任意一项所述充电桩地址的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333183.0A CN112381313A (zh) | 2020-11-23 | 2020-11-23 | 充电桩地址的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333183.0A CN112381313A (zh) | 2020-11-23 | 2020-11-23 | 充电桩地址的确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381313A true CN112381313A (zh) | 2021-02-19 |
Family
ID=74588079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011333183.0A Pending CN112381313A (zh) | 2020-11-23 | 2020-11-23 | 充电桩地址的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381313A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN113505149A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦(北京)科技有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
CN113673883A (zh) * | 2021-08-24 | 2021-11-19 | 广东电网有限责任公司 | 基于可视化电网地图的充电桩选址方法 |
CN113887811A (zh) * | 2021-10-13 | 2022-01-04 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及系统 |
CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
CN113505149B (zh) * | 2021-07-21 | 2024-05-31 | 浙江安吉智电控股有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120203726A1 (en) * | 2011-02-09 | 2012-08-09 | Diego Klabjan | Information systems and methods for deployment of charging infrastructure in support of electric vehicles |
KR20130089909A (ko) * | 2012-01-11 | 2013-08-13 | 한국항공대학교산학협력단 | 전기버스 충전시설 위치선정방법 |
KR101920058B1 (ko) * | 2017-08-31 | 2018-11-19 | 서강대학교 산학협력단 | 전기차 충전소 전력량 모니터링 시스템 및 방법 |
CN109146129A (zh) * | 2018-07-03 | 2019-01-04 | 蔚来汽车有限公司 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
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 |
CN109800940A (zh) * | 2018-12-03 | 2019-05-24 | 北京掌行通信息技术有限公司 | 一种充电桩选址方法及装置 |
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN114048920A (zh) * | 2021-11-24 | 2022-02-15 | 国家电网有限公司大数据中心 | 充电设施建设的选址布局方法、装置、设备及存储介质 |
-
2020
- 2020-11-23 CN CN202011333183.0A patent/CN112381313A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120203726A1 (en) * | 2011-02-09 | 2012-08-09 | Diego Klabjan | Information systems and methods for deployment of charging infrastructure in support of electric vehicles |
KR20130089909A (ko) * | 2012-01-11 | 2013-08-13 | 한국항공대학교산학협력단 | 전기버스 충전시설 위치선정방법 |
KR101920058B1 (ko) * | 2017-08-31 | 2018-11-19 | 서강대학교 산학협력단 | 전기차 충전소 전력량 모니터링 시스템 및 방법 |
CN109146129A (zh) * | 2018-07-03 | 2019-01-04 | 蔚来汽车有限公司 | 充电桩群推荐方法、可用桩预测、结果获取方法及控制器 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109800940A (zh) * | 2018-12-03 | 2019-05-24 | 北京掌行通信息技术有限公司 | 一种充电桩选址方法及装置 |
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 |
CN109727066A (zh) * | 2018-12-27 | 2019-05-07 | 浙江华云信息科技有限公司 | 一种基于XGBoost算法的大工业用电用户负荷预测方法 |
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN114048920A (zh) * | 2021-11-24 | 2022-02-15 | 国家电网有限公司大数据中心 | 充电设施建设的选址布局方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
ALMAGHREBI,A ET AL: "Data-Driven Charging Demand Prediction at Public Charging Stations Using Supervised Machine Learing Regression Methods", 《ENERGIES》, vol. 13, no. 16, 14 September 2020 (2020-09-14), pages 4231 * |
PEVEC,D ET AL: "A data-driven statistical approach for extending electric vehicle charging infrastructure", 《INTERNATIONAL JOURNAL OF ENERGY RESEARCH》, vol. 42, no. 9, 13 July 2018 (2018-07-13), pages 3102 - 3120 * |
吴倩红等: ""人工智能+"时代下的智能电网预测分析", 《上海交通大学学报》, no. 10, 28 October 2018 (2018-10-28), pages 80 - 93 * |
张娟等: "电动汽车充电桩设施网合理规划研究", 《计算机仿真》, no. 10, 15 October 2017 (2017-10-15), pages 142 - 145 * |
蔡萧遥: "基于需求分析的充电桩分布规划选址方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 2, 15 February 2020 (2020-02-15), pages 034 - 458 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN113326883B (zh) * | 2021-06-03 | 2022-08-30 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN113505149A (zh) * | 2021-07-21 | 2021-10-15 | 车主邦(北京)科技有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
CN113505149B (zh) * | 2021-07-21 | 2024-05-31 | 浙江安吉智电控股有限公司 | 一种推荐充电站的方法、服务器、介质及计算机设备 |
CN113673883A (zh) * | 2021-08-24 | 2021-11-19 | 广东电网有限责任公司 | 基于可视化电网地图的充电桩选址方法 |
CN113887811A (zh) * | 2021-10-13 | 2022-01-04 | 江苏明茂新能源科技有限公司 | 一种充电桩数据管理方法及系统 |
CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
CN117557069B (zh) * | 2024-01-10 | 2024-03-26 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381313A (zh) | 充电桩地址的确定方法和装置 | |
Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
CN110068774A (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN109033170B (zh) | 停车场的数据修补方法、装置、设备及存储介质 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN110728295A (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN112487622A (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
CN109583588A (zh) | 一种短期风速预测方法及系统 | |
CN111967696A (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
CN115508711B (zh) | 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
CN115879619A (zh) | 一种变电站日前碳排放因子预测方法及系统 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN110084522A (zh) | 基于随机粒子群算法的ev充电站位置生成方法及装置 | |
CN113328466B (zh) | 一种电动汽车充电场景生成方法 | |
CN112614007B (zh) | 充电潜力小区的识别方法和装置 | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
Eissa et al. | An Efficient Hybrid Deep Learning Approach for Accurate Remaining EV Range Prediction |
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 |