CN112446609A - 一种基于大数据的充电场站建站方法及系统 - Google Patents
一种基于大数据的充电场站建站方法及系统 Download PDFInfo
- Publication number
- CN112446609A CN112446609A CN202011334004.5A CN202011334004A CN112446609A CN 112446609 A CN112446609 A CN 112446609A CN 202011334004 A CN202011334004 A CN 202011334004A CN 112446609 A CN112446609 A CN 112446609A
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- district
- determining
- monthly
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005192 partition Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于大数据的充电场站建站方法及系统。所述方法包括获取待规划城市的每一辆电动乘用车的实际运行数据,根据实际运行数据确定车辆行程记录表;根据所述车辆行程记录表确定月度充电特征记录表;根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;根据充电客户及充电桩信息表以及当前片区的公共充电桩数量确定待规划城市的片区时段月度平均公共充电桩信息记录表;根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。本发明提高了充电场站建站的合理性,以及提高充电桩的利用率。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种基于大数据的充电场站建站方法及系统。
背景技术
近年来,交通电气化被认为是实现节能减排,提高能量效率的有效措施。一方面,得益于政策和市场的双重刺激,截至2019年底中国新能源汽车数量已达381万辆,电动汽车的广泛应用带来了巨大的充电需求,截至2019年底,中国私人充电桩达到70.3万台,公共充电站达到51.6万台,成为了全球充电基础设施发展最快的国家;另外一方面,受限于当前的动力电池技术的发展,电动汽车续航里程较短,充电过程长,充电不方便等缺陷成为限制电动汽车推广应用和消费者购买电动汽车的主要因素之一。
截至2019年底,中国车桩比达到3.5:1,仍远低于《电动汽车充电基础设施发展指南(2015-2020)》所规划的1:1的比例。此外,充电桩发展初期布局不合理,不完善,造成多数地区一桩难求,而偏远地区充电桩闲置,快充桩与慢充桩的布局不合理,充电桩利用率不足。这些问题造成了目前消费者充电难、充电体验差和运营商投资效益不佳、盈利难的困境,已经成为中国新能源汽车市场健康、快速发展的关键障碍。因此,新能源汽车产业亟需推动基础设施快速、合理发展,为新能源汽车的推广应用赋予新动力。同时,车联网和大数据的快速发展打通了“人-车-桩”之间的信息交互通道,海量的运行数据和机器学习算法的出现为产业发展困境带来了新的解决方法。在新发展机遇下,充分利用车辆和充电桩数据进行城市电动汽车用户实际充电需求的准确判断进而支撑基础设施合理选址和部署规划,是优化电动汽车使用体验、降低用户“里程焦虑”和提高充电桩利用率的关键技术,是当前急需解决的问题。
发明内容
本发明的目的是提供一种基于大数据的充电场站建站方法及系统,提高充电场站建站的合理性,以及提高充电桩的利用率。
为实现上述目的,本发明提供了如下方案:
一种基于大数据的充电场站建站方法,包括:
利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识;
利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流;
根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态;
根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好;
根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量;
根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述片区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数;
根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
可选的,所述根据所述实际运行数据确定车辆行程记录表,具体包括:
根据每一辆电动乘用车的速度和电流确定车辆状态;
根据所述车辆状态,在时间和空间维度上提取车辆行程链;
根据所述车辆行程链确定所述车辆行程记录表。
可选的,所述根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表,具体包括:
根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区;
根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户;
根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求。
可选的,所述根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站,具体包括:
根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区;
对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
一种基于大数据的充电场站建站系统,包括:
片区划分及标识模块,用于利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识;
实际运行数据获取模块,用于利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流;
车辆行程记录表确定模块,用于根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态;
月度充电特征记录表确定模块,用于根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好;
充电客户及充电桩信息表确定模块,用于根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量;
片区时段月度平均公共充电桩信息记录表确定模块,用于根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数;
充电场站建站模块,用于根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
可选的,所述车辆行程记录表确定模块具体包括:
车辆状态确定单元,用于根据每一辆电动乘用车的速度和电流确定车辆状态;
车辆行程链提取单元,用于根据所述车辆状态,在时间和空间维度上提取车辆行程链;
车辆行程记录表确定单元,用于根据所述车辆行程链确定所述车辆行程记录表。
可选的,所述充电客户及充电桩信息表确定模块具体包括:
片区进行等级划分单元,用于根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区;
每一潜在充电客户的类型的数量确定单元,用于根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户;
充电桩需求和充电量需求确定单元,用于根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求。
可选的,所述充电场站建站模块具体包括:
特定片区确定模块,用于根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区;
充电场站建站单元,用于对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种基于大数据的充电场站建站方法及系统,基于车联网平台收集的城市全量电动乘用车的实际运行数据以及H3六边形网络的地理空间索引系统对待规划城市的全覆盖划分,结合车辆行程链和充电相关使用特征挖掘实现全样本、高精度的充电需求统计,能够真实反映待规划城市各区域的充电特征及需求;并构建了基于大数据的公共充电桩选址指标体系,全面、精细化评估城市区域充电桩缺口,对比以往所采用的基于抽样、模拟或传统燃油车数据代替进行的充电需求预测和充电桩选址准确性更高。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于大数据的充电场站建站方法流程示意图;
图2为划分片区网络结构示意图;
图3为北京市区域H3六边形网络划分示意图;
图4为车辆行程链示意图;
图5为充电桩需求和充电量需求确定流程示意图;
图6为北京市不同类型的电动乘用车潜客分布示意图;
图7为本发明所提供的一种基于大数据的充电场站建站系统结构示意图。
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。
本发明的目的是提供一种基于大数据的充电场站建站方法及系统,提高充电场站建站的合理性,以及提高充电桩的利用率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于大数据的充电场站建站方法流程示意图,如图1所示,本发明所提供的一种基于大数据的充电场站建站方法,包括:
S101,利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识。
如图2所示,六边形划分方式产生的片区网络能够完全覆盖目标城市区域,且六边形中心点和邻接六边形中心点的距离相等,而三角形、正方形和圆形组合都存在两种或以上的距离,此外,圆形分割会产生无法完全覆盖的空隙。
作为一个具体的实施例,图3为北京市区域H3六边形网络划分示意图,如图3所示,使用不同等级的H3划分能够产生不同六边形片区大小的城市区域覆盖网络,H3划分等级越高,六边形的边长越小,区域划分就越精细。以对北京市区域采用8级划分,单位六边形片区最远端点距离约为1km,按照北京市高峰时期平均车速15.65km/h(2019年北京交通发展年报-小汽车高峰时段平均行程速度)估计,单位片区最长通行时间不超过3.6分钟。这样划分能够保障每个片区的充电站可以充分覆盖片区内的充电需求。
S102,利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流。
S103,根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态。
S103具体包括:
根据每一辆电动乘用车的速度和电流确定车辆状态。具体的车辆状态划分标准如表1所示,表1如下:
表1
根据所述车辆状态,在时间和空间维度上提取车辆行程链,并如图4所示。
根据所述车辆行程链确定所述车辆行程记录表。
针对城市每一辆电动汽车(使用vin唯一标识)记录车辆行驶状态Dvin(起始时间结束时间行驶时长起始位置结束位置熄火停车状态Svin(起始时间结束时间停车时长停车位置);停车充电状态Cvin(起始时间结束时间充电时长充电位置起始SOC结束SOC平均充电功率充电量基于车辆各状态的时间、位置确定车辆行程记录表trip_chainvin。
trip_chainvin=[Dvin,Svin,Cvin]。
S104,根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好。
使用特征的计算方法如下:
1、停驻片区Shex
车辆熄火状态所处的片区(包括停驻频率及驻时间)
Shex={Hid:{Stimes:Stimes,Stime:Stime}}。
2、停驻充电片区Chex
车辆停车充电状态所处的片区(包括充电频率及充电时间)
Chex={Hid:{Ctimes:Ctimes,Ctime:Ctime}}。
其中,Stime为车辆在Hid片区的停驻时间,Stimes为车辆在Hid片区的停驻次数,Ctime为车辆在Hid片区的充电时间,Ctimes为车辆在Hid片区的充电次数,为车辆第i次停车时长,为车辆第i次充电的充电量,为车辆第i次充电的起始SOC,为统计月内的快充频率,Nmonth为统计月内累积充电次数,为统计月内累积快充次数。
在获取城市每一辆电动乘用车的车辆行程链记录表trip_chainvin和月度充电特征记录表charge_featurevin后,形成城市所有的电动乘用车的行程链记录表trip_chainall和月度特征记录表charge_featureall。
S105,根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量。
S105具体包括:
根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区。
即将车辆夜间(0点-7点)最常停驻的片区标记为该车的最常驻片区;除最常驻片区以外,车辆停驻4次/月,0.5小时/次以上片区标记为该车的常驻片区;除最常驻片区和常驻片区以外的片区标记为该车的非常驻片区。
根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量,并如图6所示;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户。
将车辆停驻在最常驻片区,且在该片区无自有充电桩,则标记该车辆为该片区的高概率潜客。车辆停驻在常驻片区,且在该片区无自有充电桩,则标记该车辆为该片区的中概率潜客。车辆在停驻片区有自有充电桩,或停驻在非常驻片区,则标记该车辆为非潜客。
每一潜在充电客户的类型的数量确定过程为:
根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求,并如图5所示。
对于一城市片区,对其片区时段中高概率潜客检索城市全量电动乘用车月度特征记录表charge_featureall中的对应的充电特征数据,如果停驻时的SOC值位于其当历史平均充电起始SOC或以下时,则将该车计入片区时段充电需求车辆(记在车辆停驻开始对应时段中)。
1、片区时段乐观估算需求充电车辆数
2、片区时段保守估算需求充电车辆数
3、片区时段乐观估算需求充电量
4、片区时段保守估算需求充电量
S106,根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数。
具体的过程为:
以1:1的车桩比标准,计算片区时段公共充电桩缺口数量。
1、片区时段乐观估算公共充电桩缺口数(快慢充桩)
片区时段乐观估算需求充电车辆数与片区当前公共充电桩数量之差,计算方法如下:
2、片区时段保守估算公共充电桩缺口数(快慢充桩)
片区时段保守估算需求充电车辆数与片区当前公共充电桩数量之差,计算方法如下:
3、片区时段乐观估算公共充电桩缺口数(快充桩)
片区时段乐观估算需求充电车辆快充比例之和与片区当前公共快充充电桩数量之差,计算方法如下:
4、片区时段保守估算公共充电桩缺口数(快充桩)
片区时段保守估算需求充电车辆快充比例之和与片区当前公共快充充电桩数量之差,计算方法如下:
5、片区时段乐观估算公共充电桩缺口数(慢充桩)
片区时段乐观估算需求充电车辆慢充比例之和与片区当前公共慢充充电桩数量之差,计算方法如下:
6、片区时段保守估算公共充电桩缺口数(慢充桩)
片区时段保守估算需求充电车辆慢充比例之和与片区当前公共慢充充电桩数量之差,计算方法如下:
7、片区时段月度平均乐观估算公共充电桩缺口数(快慢充桩)
8、片区时段月度平均保守估算公共充电桩缺口数(快慢充桩)
9、片区时段月度平均乐观估算公共充电桩缺口数(快充桩)
10、片区时段月度平均保守估算公共充电桩缺口数(快充桩)
11、片区时段月度平均乐观估算公共充电桩缺口数(慢充桩)
12、片区时段月度平均保守估算公共充电桩缺口数(慢充桩)
S107,根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
S107具体包括:
根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区。
对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
图7为本发明所提供的一种基于大数据的充电场站建站系统结构示意图一种基于大数据的充电场站建站系统,包括:
片区划分及标识模块701,用于利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识。
实际运行数据获取模块702,用于利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流。
车辆行程记录表确定模块703,用于根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态。
月度充电特征记录表确定模块704,用于根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好。
充电客户及充电桩信息表确定模块705,用于根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量。
片区时段月度平均公共充电桩信息记录表确定模块706,用于根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数。
充电场站建站模块707,用于根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
所述车辆行程记录表确定模块703具体包括:
车辆状态确定单元,用于根据每一辆电动乘用车的速度和电流确定车辆状态。
车辆行程链提取单元,用于根据所述车辆状态,在时间和空间维度上提取车辆行程链。
车辆行程记录表确定单元,用于根据所述车辆行程链确定所述车辆行程记录表。
所述充电客户及充电桩信息表确定模块705具体包括:
片区进行等级划分单元,用于根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区。
每一潜在充电客户的类型的数量确定单元,用于根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户。
充电桩需求和充电量需求确定单元,用于根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求。
所述充电场站建站模块707具体包括:
特定片区确定模块,用于根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区。
充电场站建站单元,用于对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个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)
1.一种基于大数据的充电场站建站方法,其特征在于,包括:
利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识;
利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流;
根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态;
根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好;
根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量;
根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数;
根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
2.根据权利要求1所述的一种基于大数据的充电场站建站方法,其特征在于,所述根据所述实际运行数据确定车辆行程记录表,具体包括:
根据每一辆电动乘用车的速度和电流确定车辆状态;
根据所述车辆状态,在时间和空间维度上提取车辆行程链;
根据所述车辆行程链确定所述车辆行程记录表。
3.根据权利要求1所述的一种基于大数据的充电场站建站方法,其特征在于,所述根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表,具体包括:
根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区;
根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户;
根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求。
4.根据权利要求1所述的一种基于大数据的充电场站建站方法,其特征在于,所述根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站,具体包括:
根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区;
对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
5.一种基于大数据的充电场站建站系统,其特征在于,包括:
片区划分及标识模块,用于利用H3六边形网络的地理空间索引系统对待规划城市进行划分片区,并对划分片区后的待规划城市中的所有的片区均进行ID标识;
实际运行数据获取模块,用于利用符合GB/T 32960标准的车联网平台获取划分片区后的待规划城市的每一辆电动乘用车的实际运行数据;所述实际运行数据包括:时间、速度、累积里程、经纬度、电压以及电流;
车辆行程记录表确定模块,用于根据所述实际运行数据确定车辆行程记录表;所述车辆行程记录表包括每一车辆状态的时间以及位置;所述车辆状态为车辆行驶状态、熄火停车状态和停车充电状态;
月度充电特征记录表确定模块,用于根据所述车辆行程记录表提取车辆月度使用特征,并根据所述车辆月度使用特征确定月度充电特征记录表;所述车辆月度使用特征包括:停驻片区、停驻充电片区,次均停车时长,次均充电量、平均充电起始SOC以及快慢充偏好;
充电客户及充电桩信息表确定模块,用于根据所有电动乘用车的月度充电特征记录表确定充电客户及充电桩信息表;所述充电客户及充电桩信息表包括:片区ID、片区时段停驻车辆数、片区时段高概率潜客数、片区时段中概率潜客数、片区时段非潜客数、片区时段乐观估算需求充电车辆数、片区时段保守估算需求充电车辆数、片区时段乐观估算需求充电量以及片区时段保守估算需求充电量;
片区时段月度平均公共充电桩信息记录表确定模块,用于根据所述充电客户及充电桩信息表以及当前片区的公共充电桩数量确定所述待规划城市的片区时段月度平均公共充电桩信息记录表;所述区时段月度平均公共充电桩信息记录表包括:片区ID、片区快充桩个数、片区慢充桩个数、片区电动汽车充电客户平均到达间隔时间、片区电动汽车充电客户平均到达率、片区充电桩平均服务时间、片区充电桩平均服务率、片区时段公共快充充电桩缺口数以及片区时段公共慢充充电桩缺口数;
充电场站建站模块,用于根据所述片区时段月度平均公共充电桩信息记录表进行充电场站建站。
6.根据权利要求5所述的一种基于大数据的充电场站建站系统,其特征在于,所述车辆行程记录表确定模块具体包括:
车辆状态确定单元,用于根据每一辆电动乘用车的速度和电流确定车辆状态;
车辆行程链提取单元,用于根据所述车辆状态,在时间和空间维度上提取车辆行程链;
车辆行程记录表确定单元,用于根据所述车辆行程链确定所述车辆行程记录表。
7.根据权利要求5所述的一种基于大数据的充电场站建站系统,其特征在于,所述充电客户及充电桩信息表确定模块具体包括:
片区进行等级划分单元,用于根据所述月度充电特征记录表对划分片区后的待规划城市中的所有的片区进行等级划分;等级划分后的片区为:车辆最常驻片区、常驻片区和非常驻片区;
每一潜在充电客户的类型的数量确定单元,用于根据所述等级划分后的片区以及相应片区的充电桩信息确定每个片区时段每一潜在充电客户的类型的数量;所述潜在充电客户的类型包括高概率潜在充电客户、中概率潜在充电客户以及非潜在充电客户;
充电桩需求和充电量需求确定单元,用于根据所述潜在充电客户的类型以及所有电动乘用车的月度充电特征记录表确定充电桩需求和充电量需求。
8.根据权利要求5所述的一种基于大数据的充电场站建站系统,其特征在于,所述充电场站建站模块具体包括:
特定片区确定模块,用于根据所述片区时段月度平均公共充电桩信息记录表进行挖掘,确定所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区;
充电场站建站单元,用于对所述规划城市充电需求大于需求阈值的片区以及公共充电桩缺口数大于缺口阈值的片区采用充电排队论和优化理论,进行充电场站建站。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011334004.5A CN112446609B (zh) | 2020-11-25 | 2020-11-25 | 一种基于大数据的充电场站建站方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011334004.5A CN112446609B (zh) | 2020-11-25 | 2020-11-25 | 一种基于大数据的充电场站建站方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446609A true CN112446609A (zh) | 2021-03-05 |
CN112446609B CN112446609B (zh) | 2024-04-26 |
Family
ID=74738918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011334004.5A Active CN112446609B (zh) | 2020-11-25 | 2020-11-25 | 一种基于大数据的充电场站建站方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446609B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222325A (zh) * | 2021-03-23 | 2021-08-06 | 南斗六星系统集成有限公司 | 一种基于大数据的新能源车辆充电站选址规划方法和系统 |
CN114139763A (zh) * | 2021-10-18 | 2022-03-04 | 港华能源投资有限公司 | 预测电动汽车数量的方法及装置 |
US11775872B1 (en) | 2022-12-01 | 2023-10-03 | Recentive Analytics, Inc. | Techniques for identifying optimal EV charging station locations |
CN117408498A (zh) * | 2023-12-15 | 2024-01-16 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778263A (zh) * | 2015-04-23 | 2015-07-15 | 储盈新能源科技(上海)有限公司 | 一种电动车充电站系统仿真数据挖掘方法 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
CN109353244A (zh) * | 2018-10-08 | 2019-02-19 | 山东积成智通新能源有限公司 | 一种电动汽车智能有序充电的控制方法及系统 |
CN109840640A (zh) * | 2019-03-06 | 2019-06-04 | 清华大学 | 一种电动汽车充电桩的选址方法和系统 |
US20190386505A1 (en) * | 2018-06-13 | 2019-12-19 | Gold Carbon Co.,Ltd. | Electricity management system of wireless charging and method thereof |
CN111680930A (zh) * | 2020-06-17 | 2020-09-18 | 云南省设计院集团有限公司 | 一种基于特征可达圈的电动汽车充电站选址评估方法 |
CN111709663A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站选址方法 |
CN111861145A (zh) * | 2020-06-29 | 2020-10-30 | 东南大学 | 考虑高速公路路网的服务区电动汽车充电站配置方法 |
CN111967773A (zh) * | 2020-08-18 | 2020-11-20 | 湖南汽车工程职业学院 | 一种基于大数据的充电汽车的充电设施选址系统 |
-
2020
- 2020-11-25 CN CN202011334004.5A patent/CN112446609B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778263A (zh) * | 2015-04-23 | 2015-07-15 | 储盈新能源科技(上海)有限公司 | 一种电动车充电站系统仿真数据挖掘方法 |
CN106875075A (zh) * | 2015-12-14 | 2017-06-20 | 贵州电网有限责任公司电力科学研究院 | 一种基于出行行为学的电动汽车充电站布点方法 |
CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
US20190386505A1 (en) * | 2018-06-13 | 2019-12-19 | Gold Carbon Co.,Ltd. | Electricity management system of wireless charging and method thereof |
CN109353244A (zh) * | 2018-10-08 | 2019-02-19 | 山东积成智通新能源有限公司 | 一种电动汽车智能有序充电的控制方法及系统 |
CN109840640A (zh) * | 2019-03-06 | 2019-06-04 | 清华大学 | 一种电动汽车充电桩的选址方法和系统 |
CN111680930A (zh) * | 2020-06-17 | 2020-09-18 | 云南省设计院集团有限公司 | 一种基于特征可达圈的电动汽车充电站选址评估方法 |
CN111709663A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站选址方法 |
CN111861145A (zh) * | 2020-06-29 | 2020-10-30 | 东南大学 | 考虑高速公路路网的服务区电动汽车充电站配置方法 |
CN111967773A (zh) * | 2020-08-18 | 2020-11-20 | 湖南汽车工程职业学院 | 一种基于大数据的充电汽车的充电设施选址系统 |
Non-Patent Citations (2)
Title |
---|
HUA CAI等: "Siting public electric vehicle charging stations in Beijing using big-data informed travel patterns of the taxi fleet", 《TRANSPORTATION RESEARCH PART D》, vol. 33, pages 39 - 46, XP055663368, DOI: 10.1016/j.trd.2014.09.003 * |
曹建平;袁瑛;徐春华;: "基于运行轨迹数据的电动汽车充电设施选址规划研究", 电工技术, no. 13, pages 13 - 16 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222325A (zh) * | 2021-03-23 | 2021-08-06 | 南斗六星系统集成有限公司 | 一种基于大数据的新能源车辆充电站选址规划方法和系统 |
CN114139763A (zh) * | 2021-10-18 | 2022-03-04 | 港华能源投资有限公司 | 预测电动汽车数量的方法及装置 |
US11775872B1 (en) | 2022-12-01 | 2023-10-03 | Recentive Analytics, Inc. | Techniques for identifying optimal EV charging station locations |
CN117408498A (zh) * | 2023-12-15 | 2024-01-16 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
CN117408498B (zh) * | 2023-12-15 | 2024-02-23 | 陕西德创数字工业智能科技有限公司 | 一种基于新能源大数据的公共充电站选址定容定桩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112446609B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446609A (zh) | 一种基于大数据的充电场站建站方法及系统 | |
CN107767659B (zh) | 基于arima模型的共享单车吸引量和发生量预测方法 | |
Cai et al. | Siting public electric vehicle charging stations in Beijing using big-data informed travel patterns of the taxi fleet | |
Shahidinejad et al. | Statistical development of a duty cycle for plug-in vehicles in a North American urban setting using fleet information | |
Zhang et al. | High-resolution simulation of link-level vehicle emissions and concentrations for air pollutants in a traffic-populated eastern Asian city | |
CN111861022B (zh) | 一种基于大数据分析优化电动汽车充电站选址的方法 | |
CN109934403A (zh) | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 | |
CN107153893A (zh) | 一种基于城市停车数据的电动汽车充电站选址规划方法 | |
CN114021795A (zh) | 一种考虑电动汽车充电需求的充电站规划方法及系统 | |
CN109840640B (zh) | 一种电动汽车充电桩的选址方法和系统 | |
CN108062591A (zh) | 电动汽车充电负荷时空分布预测方法 | |
CN113077085A (zh) | 一种服务于电动汽车的移动充电车驻地规划方法 | |
CN117035185A (zh) | 基于动态充电需求的电动汽车充电站布局优化方法及系统 | |
CN108876075A (zh) | 城市轨道交通站点地区宜步行性评价方法 | |
CN109435757B (zh) | 基于校内电动汽车出行数据的充电桩数目预测方法 | |
CN115345351A (zh) | 一种基于用户行为的电动汽车充电负荷预测方法 | |
Xu et al. | Research on electric vehicle load forecasting based on travel data | |
CN110674988A (zh) | 一种基于电动汽车出行大数据的城区充电站规划方法 | |
Zuo | Prediction and distribution of Ev charging stations | |
He et al. | Multi-time simulation of electric taxicabs' charging demand based on residents' travel characteristics | |
CN113343358B (zh) | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 | |
Zhang et al. | Electric vehicle charging demand forecasting based on city grid attribute classification | |
Shuanglong et al. | Charging demand forecasting method based on historical data | |
CN112785070A (zh) | 一种电动汽车停车充电的负荷预测方法及装置 | |
CN112700117B (zh) | 一种基于数据的电动汽车充电基础设施使用情况估算方法 |
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 |