CN112614007A - 充电潜力小区的识别方法和装置 - Google Patents
充电潜力小区的识别方法和装置 Download PDFInfo
- Publication number
- CN112614007A CN112614007A CN202011377036.3A CN202011377036A CN112614007A CN 112614007 A CN112614007 A CN 112614007A CN 202011377036 A CN202011377036 A CN 202011377036A CN 112614007 A CN112614007 A CN 112614007A
- Authority
- CN
- China
- Prior art keywords
- charging
- cell
- data
- charging potential
- piles
- 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 34
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 230000002093 peripheral effect Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 238000010606 normalization Methods 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
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种充电潜力小区的识别方法和装置。其中,该方法包括:获取目标小区的特征数据,其中,目标小区为多个充电潜力小区;将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值,其中,识别模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:充电潜力小区的特征数据和充电潜力小区的特征数据对应的分值;依据分值对多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。本发明解决了相关技术中小区电动汽车用户充电需求不平衡的技术问题。
Description
技术领域
本发明涉及电力数据处理领域,具体而言,涉及一种充电潜力小区的识别方法和装置。
背景技术
我国正处于工业化、城镇化加速发展阶段,社会经济持续高速发展,伴随着电动汽车数量的快速增长,电力需求将长期保持快速增长,电动汽车不同用户充电情况参差不齐,为了满足用户需求,亟需结合大数据分析技术手段深入挖掘充电潜力小区。通过潜力客户识别的分析研究以及模型构建用以辅助电动汽车充电站、充电桩的规划选址与运营决策,推进电动汽车充电市场的良性发展,提升用户充电便捷度,定位充电需求高敏度、高价值区域,锁定充电高潜力小区,为构建充电资源投资、服务、电能供给、配套服务支撑为一体电动汽车服务产业新生态提供辅助决策支撑。
常用的多目标决策方法是分层序列法将所有目标按其重要性程度依次排序,先求出第一个最重要的目标的最优解,然后在保证前一目标最优解的前提下依次求下一目标的最优解,一直求到最后一个目标为止。
另外,在现有技术中仍存在电动汽车与充电桩之间的供需矛盾,例如,小区电动汽车用户充电需求不平衡,有的小区电动汽车多,充电桩少等。
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潜力小区的识别方法和装置,以至少解决相关技术中小区电动汽车用户充电需求不平衡的技术问题。
根据本发明实施例的一个方面,提供了一种充电潜力小区的识别方法,包括:获取目标小区的特征数据,其中,所述目标小区为多个充电潜力小区,所述特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值,其中,所述识别模型为使用多组训练数据,通过机器学习训练得出的,所述多组训练数据中的每组数据均包括:充电潜力小区的特征数据和所述充电潜力小区的特征数据对应的分值;依据所述分值对所述多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
可选地,在获取目标小区的特征数据之前,还包括:确定充电潜力小区,其中,所述充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
可选地,获取目标小区的特征数据包括:采集目标区域内的小区信息和充电关联数据;对所述小区信息和所述充电关联数据进行预处理,得到预处理后的所述小区信息和所述充电关联数据;对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据。
可选地,所述小区信息至少包括小区地址、小区名称,对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据包括:依据所述小区地址,确定小区经纬度;将所述小区经纬度和电动汽车起讫点经纬度之间的距离小于第一预设距离的电动汽车标记为小区周边汽车,得到所述电动汽车数量;将所述小区经纬度和充电站经纬度之间的距离小于第二预设距离的公共充电桩标记为小区周边公共充电桩,得到所述公共充电桩数量;依据所述充电关联数据中的车联网交易记录数据与所述小区周边公共充电桩相关联,得到所述公共充电站尖峰时刻利用率;依据所述小区名称将小区数据与所述充电关联数据中的私人桩数据相关联,得到所述私人充电桩数量;依据所述小区名称将小区数据与所述充电关联数据中的配变数据相关联,得到所述配变负载率和所述配变剩余容量。
可选地,将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值包括:使用所述识别模型对每一个充电潜力小区的特征数据进行归一化处理,确定所述每一个充电潜力小区的最优方案和最劣方案;依据所述每一个充电潜力小区的最优方案和最劣方案,确定所述每一个充电潜力小区的分值,其中,所述分值用于表示所述每一个充电潜力小区与最优方案的贴近程度。
根据本发明实施例的另一方面,还提供了一种充电潜力小区的识别装置,包括:获取模块,用于获取目标小区的特征数据,其中,所述目标小区为多个充电潜力小区,所述特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;识别模块,用于将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值,其中,所述识别模型为使用多组训练数据,通过机器学习训练得出的,所述多组训练数据中的每组数据均包括:充电潜力小区的特征数据和所述充电潜力小区的特征数据对应的分值;第一确定模块,用于依据所述分值对所述多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
可选地,所述装置还包括:第二确定模块,用于在获取目标小区的特征数据之前,确定充电潜力小区,其中,所述充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
可选地,所述获取模块包括:采集单元,用于采集目标区域内的小区信息和充电关联数据;预处理单元,用于对所述小区信息和所述充电关联数据进行预处理,得到预处理后的所述小区信息和所述充电关联数据;提取单元,用于对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读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计算机可读存储介质所在设备执行上述中任意一项所述的充电潜力小区的识别方法。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的充电潜力小区的识别方法。
在本发明实施例中,采用获取目标小区的特征数据,其中,所述目标小区为多个充电潜力小区,所述特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值,其中,所述识别模型为使用多组训练数据,通过机器学习训练得出的,所述多组训练数据中的每组数据均包括:充电潜力小区的特征数据和所述充电潜力小区的特征数据对应的分值;依据所述分值对所述多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区,通过识别模型识别出目标小区中每一个充电潜力小区的分值,并进行排序,达到确定需要布局充电桩的充电潜力小区的目的,从而实现了快速、准确地寻找充电需求较大的潜力小区,优化公共充电桩的布局的技术效果,进而解决了相关技术中小区电动汽车用户充电需求不平衡的技术问题。
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充电潜力小区的识别方法的流程图;
图2是根据本发明实施例的充电潜力小区的识别装置的示意图。
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。
实施例1
根据本发明实施例,提供了一种充电潜力小区的识别方法的实施例,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潜力小区的识别方法的流程图,如图1所示,该充电潜力小区的识别方法包括如下步骤:
步骤S102,获取目标小区的特征数据,其中,目标小区为多个充电潜力小区,特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;
步骤S104,将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值,其中,识别模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:充电潜力小区的特征数据和充电潜力小区的特征数据对应的分值;
步骤S106,依据分值对多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
通过上述步骤,可以实现采用获取目标小区的特征数据,其中,目标小区为多个充电潜力小区,特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值,其中,识别模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:充电潜力小区的特征数据和充电潜力小区的特征数据对应的分值;依据分值对多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区,通过识别模型识别出目标小区中每一个充电潜力小区的分值,并进行排序,达到确定需要布局充电桩的充电潜力小区的目的,从而实现了快速、准确地寻找充电需求较大的潜力小区,优化公共充电桩的布局的技术效果,进而解决了相关技术中小区电动汽车用户充电需求不平衡的技术问题。
可选地,在获取目标小区的特征数据之前,还包括:确定充电潜力小区,其中,充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
上述预设电动汽车数量、预设共享充电桩数量、预设尖峰时刻利用率、预设容量均可以根据应用场景需要而设定。小区周边的范围可以根据实际需要而设定,例如,将小区方圆500米划定为周边区域等。
作为一种可选的实施例,可以将同时满足以下条件的小区定义为充电潜力小区:小区及周边电动汽车较多、但是小区内没有或者有较少量的共享充电桩,无法满足充电需求;周边充电站尖峰时刻利用率高;小区配变负载可开放容量多。
可选地,获取目标小区的特征数据包括:采集目标区域内的小区信息和充电关联数据;对小区信息和充电关联数据进行预处理,得到预处理后的小区信息和充电关联数据;对预处理后的小区信息和充电关联数据进行特征提取,得到特征数据。
上述小区信息包括但不限于小区名称、小区地址等,上述充电关联数据包括但不限于电动汽车充电桩、充电站、充电记录、行驶记录数据。例如,采集北京某地区3000多个小区名称、地址等数据,收集电动汽车充电桩、充电站、充电记录、行驶记录数据。
上述预处理可以包括剔除数据中的缺失、异常数据,以及对处理后的数据进行归一化预处理,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,得到适合模型的数据。
作为一种可选的实施例,以小区为主体,以小区经纬度为基准计算小区周边电动汽车数量、公共桩数量、公共充电站尖峰时刻利用率、小区私人桩数量、小区配变负载率、小区配变剩余容量。
可选地,小区信息至少包括小区地址、小区名称,对预处理后的小区信息和充电关联数据进行特征提取,得到特征数据包括:依据小区地址,确定小区经纬度;将小区经纬度和电动汽车起讫点经纬度之间的距离小于第一预设距离的电动汽车标记为小区周边汽车,得到电动汽车数量;将小区经纬度和充电站经纬度之间的距离小于第二预设距离的公共充电桩标记为小区周边公共充电桩,得到公共充电桩数量;依据充电关联数据中的车联网交易记录数据与小区周边公共充电桩相关联,得到公共充电站尖峰时刻利用率;依据小区名称将小区数据与充电关联数据中的私人桩数据相关联,得到私人充电桩数量;依据小区名称将小区数据与充电关联数据中的配变数据相关联,得到配变负载率和配变剩余容量。
作为一种可选的实施例,可以使用小区地址,利用高德应用程序接口进行地址编码,获取小区经纬度。
作为一种可选的实施例,可以使用小区经纬度和电动汽车起讫点经纬度计算两者之间的距离,将距离小于200米的记为小区周边汽车,通过每天小区周边汽车数量,计算一个月内小区周边电动汽车数量的均值作为最终模型统计量。
作为一种可选的实施例,通过车联网交易记录数据计算充电桩尖峰时刻月平均利用率,然后与充电站相关联,计算充电站充电桩数量、公共站尖峰时刻月平均利用率。利用小区和充电站经纬度计算小区周边500米内的公共桩数量、公共站尖峰时刻月平均利用率。
作为一种可选的实施例,经查询爬取的北京市小区数据中仅有一个小区名称存在重复现象,因此可以使用模糊匹配算法,通过小区名称将小区数据与私人桩数据相关联,计算小区私人桩数量,同理可以计算小区配变负载率和剩余容量。
可选地,将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值包括:使用识别模型对每一个充电潜力小区的特征数据进行归一化处理,确定每一个充电潜力小区的最优方案和最劣方案;依据每一个充电潜力小区的最优方案和最劣方案,确定每一个充电潜力小区的分值,其中,分值用于表示每一个充电潜力小区与最优方案的贴近程度。
上述识别模型是基于Topsis算法构建的,其中,Topsis算法是基于归一化后的原始数据矩阵,找出有限方案中的最优方案和最劣方案(分别用最优向量和最劣向量表示),然后分别计算诸评价对象与最优方案和最劣方案的距离,获得各评价对象与最优方案的相对接近程度,以此作为评价优劣的依据。
Topsis算法使用距离尺度来度量样本差距,使用距离尺度就需要对指标属性进行同向化处理(若一个维度的数据越大越好,另一个维度的数据越小越好,会造成尺度混乱)。通常采用成本型指标向效益型指标转化(即数值越大评价越高,事实上几乎所有的评价方法都需要进行转化)。
极小型指标:期望指标值越小越好,具体为:
或者,
x′=M-x
中间型指标:期望指标值既不要太大也不要太小,适当取中间值最好,具体为:
其中,M为指标x的可能取值的最大值,m为指标x的可能取值的最小值。
区间型指标:期望指标的取值最好落在某一个确定的区间最好,具体为:
其中,[a,b]为指标x的最佳稳定区间,[a*,b*]为最大容忍区间。
特征归一化:
使用以下公式将所有特征进行归一化:
确定最优方案和最劣方案:
最优方案Z+由Z中每列元素的最大值构成。
最优方案Z-由Z中每列元素的最小值构成。
计算各评价对象与最优方案、最劣方案的接近程度:
计算各评价对象与最优方案的贴近程度Ci:
最后根据Ci大小进行排序,给出充电潜力小区的评价结果。
需要说明的是,在具体实施过程中,首先通过特征选择,筛选出小区周围电动汽车数量、小区周围充电站尖峰时刻利用率、小区周围公共、私人充电桩数量、小区对应变压器负载率和剩余容量等特征,然后采用Topsis算法构建识别模型,最后输出小区对应得分以及在所有小区中的排名,依此排名锁定充电高潜力小区,对充电潜力小区的分析准确率较高,为相关决策提供依据。
实施例2
根据本发明实施例的另一方面,还提供了一种充电潜力小区的识别装置,图2是根据本发明实施例的充电潜力小区的识别装置的示意图,如图2所示,该充电潜力小区的识别装置包括:获取模块22、识别模块24和第一确定模块26。下面对该充电潜力小区的识别装置进行详细说明。
获取模块22,用于获取目标小区的特征数据,其中,目标小区为多个充电潜力小区,特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;识别模块24,连接上述获取模块22,用于将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值,其中,识别模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:充电潜力小区的特征数据和充电潜力小区的特征数据对应的分值;第一确定模块26,连接上述识别模块24,用于依据分值对多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
在本发明的上述实施例中,该充电潜力小区的识别装置可以通过识别模型识别出目标小区中每一个充电潜力小区的分值,并进行排序,达到确定需要布局充电桩的充电潜力小区的目的,从而实现了快速、准确地寻找充电需求较大的潜力小区,优化公共充电桩的布局的技术效果,进而解决了相关技术中小区电动汽车用户充电需求不平衡的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述获取模块22、识别模块24和第一确定模块26对应于实施例1中的步骤S102至S106,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
可选地,上述装置还包括:第二确定模块,用于在获取目标小区的特征数据之前,确定充电潜力小区,其中,充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
可选地,获取模块包括:采集单元,用于采集目标区域内的小区信息和充电关联数据;预处理单元,用于对小区信息和充电关联数据进行预处理,得到预处理后的小区信息和充电关联数据;提取单元,用于对预处理后的小区信息和充电关联数据进行特征提取,得到特征数据。
可选地,小区信息至少包括小区地址、小区名称,上述提取单元包括:确定子单元,用于依据小区地址,确定小区经纬度;第一处理子单元,用于将小区经纬度和电动汽车起讫点经纬度之间的距离小于第一预设距离的电动汽车标记为小区周边汽车,得到电动汽车数量;第二处理子单元,用于将小区经纬度和充电站经纬度之间的距离小于第二预设距离的公共充电桩标记为小区周边公共充电桩,得到公共充电桩数量;第三处理子单元,用于依据充电关联数据中的车联网交易记录数据与小区周边公共充电桩相关联,得到公共充电站尖峰时刻利用率;第四处理子单元,用于依据小区名称将小区数据与充电关联数据中的私人桩数据相关联,得到私人充电桩数量;第五处理子单元,用于依据小区名称将小区数据与充电关联数据中的配变数据相关联,得到配变负载率和配变剩余容量。
可选地,上述识别模块包括:第一确定单元,用于使用识别模型对每一个充电潜力小区的特征数据进行归一化处理,确定每一个充电潜力小区的最优方案和最劣方案;第二确定单元,用于依据每一个充电潜力小区的最优方案和最劣方案,确定每一个充电潜力小区的分值,其中,分值用于表示每一个充电潜力小区与最优方案的贴近程度。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的充电潜力小区的识别方法。
可选地,在本实施例中,上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述计算机可读存储介质包括存储的程序。
可选地,在程序运行时控制计算机可读存储介质所在设备执行以下功能:获取目标小区的特征数据,其中,目标小区为多个充电潜力小区,特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;将特征数据输入识别模型,由识别模型识别出每一个充电潜力小区的分值,其中,识别模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:充电潜力小区的特征数据和充电潜力小区的特征数据对应的分值;依据分值对多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行上述中任意一项的充电潜力小区的识别方法。
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 (10)
1.一种充电潜力小区的识别方法,其特征在于,包括:
获取目标小区的特征数据,其中,所述目标小区为多个充电潜力小区,所述特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;
将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值,其中,所述识别模型为使用多组训练数据,通过机器学习训练得出的,所述多组训练数据中的每组数据均包括:充电潜力小区的特征数据和所述充电潜力小区的特征数据对应的分值;
依据所述分值对所述多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
2.根据权利要求1所述的方法,其特征在于,在获取目标小区的特征数据之前,还包括:
确定充电潜力小区,其中,所述充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
3.根据权利要求1所述的方法,其特征在于,获取目标小区的特征数据包括:
采集目标区域内的小区信息和充电关联数据;
对所述小区信息和所述充电关联数据进行预处理,得到预处理后的所述小区信息和所述充电关联数据;
对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据。
4.根据权利要求1所述的方法,其特征在于,所述小区信息至少包括小区地址、小区名称,对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据包括:
依据所述小区地址,确定小区经纬度;
将所述小区经纬度和电动汽车起讫点经纬度之间的距离小于第一预设距离的电动汽车标记为小区周边汽车,得到所述电动汽车数量;
将所述小区经纬度和充电站经纬度之间的距离小于第二预设距离的公共充电桩标记为小区周边公共充电桩,得到所述公共充电桩数量;
依据所述充电关联数据中的车联网交易记录数据与所述小区周边公共充电桩相关联,得到所述公共充电站尖峰时刻利用率;
依据所述小区名称将小区数据与所述充电关联数据中的私人桩数据相关联,得到所述私人充电桩数量;
依据所述小区名称将小区数据与所述充电关联数据中的配变数据相关联,得到所述配变负载率和所述配变剩余容量。
5.根据权利要求1至4中任一项所述的方法,其特征在于,将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值包括:
使用所述识别模型对每一个充电潜力小区的特征数据进行归一化处理,确定所述每一个充电潜力小区的最优方案和最劣方案;
依据所述每一个充电潜力小区的最优方案和最劣方案,确定所述每一个充电潜力小区的分值,其中,所述分值用于表示所述每一个充电潜力小区与最优方案的贴近程度。
6.一种充电潜力小区的识别装置,其特征在于,包括:
获取模块,用于获取目标小区的特征数据,其中,所述目标小区为多个充电潜力小区,所述特征数据至少包括:电动汽车数量、公共充电站尖峰时刻利用率、公共充电桩数量、私人充电桩数量、配变负载率、配变剩余容量;
识别模块,用于将所述特征数据输入识别模型,由所述识别模型识别出每一个充电潜力小区的分值,其中,所述识别模型为使用多组训练数据,通过机器学习训练得出的,所述多组训练数据中的每组数据均包括:充电潜力小区的特征数据和所述充电潜力小区的特征数据对应的分值;
第一确定模块,用于依据所述分值对所述多个充电潜力小区进行排序,确定需要布局充电桩的充电潜力小区。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:第二确定模块,用于在获取目标小区的特征数据之前,确定充电潜力小区,其中,所述充电潜力小区至少满足以下条件:小区以及周边电动汽车数量大于预设电动汽车数量且小区以及周边的共享充电桩数量小于预设共享充电桩数量;小区以及周边充电站尖峰时刻利用率大于预设尖峰时刻利用率;小区以及周边变压器可开放容量大于预设容量。
8.根据权利要求6所述的装置,其特征在于,所述获取模块包括:
采集单元,用于采集目标区域内的小区信息和充电关联数据;
预处理单元,用于对所述小区信息和所述充电关联数据进行预处理,得到预处理后的所述小区信息和所述充电关联数据;
提取单元,用于对预处理后的所述小区信息和所述充电关联数据进行特征提取,得到所述特征数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读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计算机可读存储介质所在设备执行权利要求1至5中任意一项所述的充电潜力小区的识别方法。
10.一种处理器,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中任意一项所述的充电潜力小区的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377036.3A CN112614007B (zh) | 2020-11-30 | 2020-11-30 | 充电潜力小区的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011377036.3A CN112614007B (zh) | 2020-11-30 | 2020-11-30 | 充电潜力小区的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614007A true CN112614007A (zh) | 2021-04-06 |
CN112614007B CN112614007B (zh) | 2024-01-30 |
Family
ID=75228255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011377036.3A Active CN112614007B (zh) | 2020-11-30 | 2020-11-30 | 充电潜力小区的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614007B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880424A (zh) * | 2022-07-11 | 2022-08-09 | 广东电网有限责任公司佛山供电局 | 一种居民楼盘新能源汽车充电桩占比分析方法和系统 |
CN117764277A (zh) * | 2023-12-13 | 2024-03-26 | 中国城市规划设计研究院 | 电动汽车居住小区充电便利性评估方法、系统及设备 |
CN117876041A (zh) * | 2023-12-20 | 2024-04-12 | 北京理工大学重庆创新中心 | 一种基于车联网数据的居住地汽车广告选址推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292154A (zh) * | 2017-06-09 | 2017-10-24 | 北京奇安信科技有限公司 | 一种终端特征识别方法及系统 |
CN109740879A (zh) * | 2018-12-20 | 2019-05-10 | 国网北京市电力公司 | 处理充电桩数据的方法和装置 |
-
2020
- 2020-11-30 CN CN202011377036.3A patent/CN112614007B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292154A (zh) * | 2017-06-09 | 2017-10-24 | 北京奇安信科技有限公司 | 一种终端特征识别方法及系统 |
CN109740879A (zh) * | 2018-12-20 | 2019-05-10 | 国网北京市电力公司 | 处理充电桩数据的方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880424A (zh) * | 2022-07-11 | 2022-08-09 | 广东电网有限责任公司佛山供电局 | 一种居民楼盘新能源汽车充电桩占比分析方法和系统 |
CN117764277A (zh) * | 2023-12-13 | 2024-03-26 | 中国城市规划设计研究院 | 电动汽车居住小区充电便利性评估方法、系统及设备 |
CN117876041A (zh) * | 2023-12-20 | 2024-04-12 | 北京理工大学重庆创新中心 | 一种基于车联网数据的居住地汽车广告选址推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112614007B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614007A (zh) | 充电潜力小区的识别方法和装置 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
CN112381313A (zh) | 充电桩地址的确定方法和装置 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN113543117B (zh) | 携号转网用户的预测方法、装置及计算设备 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN110851577A (zh) | 一种电力领域的知识图谱扩充方法及装置 | |
CN114418009A (zh) | 基于图注意力网络的分类方法、装置、设备和存储介质 | |
EP2518668A1 (en) | Apparatus and method for visualizing technology transition | |
CN117236022A (zh) | 互感器剩余寿命预测模型训练方法、应用方法及电子设备 | |
CN104794636B (zh) | 基于用户显示评分的机型推荐方法 | |
CN114817518B (zh) | 基于大数据档案识别的证照办理方法、系统及介质 | |
CN114219245B (zh) | 基于大数据的乡村电力指数评价方法、装置及存储介质 | |
CN111861257B (zh) | 基于电力数据热力图的空心村识别方法及装置 | |
CN115907280A (zh) | 基于用电特征的用户用电异常识别方法 | |
KR102271234B1 (ko) | Pnu를 활용한 부동산 유사사례 db 생성 방법 | |
CN109391738B (zh) | 一种根据移动终端信息进行预警的方法 | |
CN112612934A (zh) | 用户充电行为画像处理方法和装置 | |
CN112348094A (zh) | 数据处理方法及装置 | |
CN113822511B (zh) | 一种基于模糊聚类分析的多级电能质量评估方法及装置 | |
CN110111131A (zh) | 虚假客资信息的确定方法及装置 | |
CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 |
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 |