CN112734176B - 一种充电站建站方法、装置、终端设备和可读存储介质 - Google Patents
一种充电站建站方法、装置、终端设备和可读存储介质 Download PDFInfo
- Publication number
- CN112734176B CN112734176B CN202011578484.XA CN202011578484A CN112734176B CN 112734176 B CN112734176 B CN 112734176B CN 202011578484 A CN202011578484 A CN 202011578484A CN 112734176 B CN112734176 B CN 112734176B
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- station
- gaussian mixture
- determining
- 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
Links
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/10—Energy trading, including energy flowing from end-user application to grid
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Navigation (AREA)
Abstract
本发明提供一种充电站建站方法、装置、终端设备和可读存储介质,该方法包括:获取充电机动车的充电数据、停车数据和行驶数据;利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;对各个已确定对应参数的高斯混合模型进行融合处理以确定充电需求的分布函数;根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置。本发明的技术方案对充电机动车的充电数据、停车数据和行驶数据分别进行拟合后再融合,实现拟合出更为准确的充电需求分布函数,使得充电站的建站位置的选择更为合理。
Description
技术领域
本发明涉及物联网领域,尤其涉及一种充电站建站方法、装置、终端设备和可读存储介质。
背景技术
随着新能源汽车行业的快速发展,充电站作为新能源汽车的配套基础设施,充电站建站的瓶颈逐渐显现出来,充电站位置设置不合理会导致使用率偏低,浪费公共资源,因此非常有必要研究一种科学合理的充电站建站方法。
发明内容
鉴于上述问题,本发明提出一种充电站建站方法、装置、终端设备和可读存储介质。
本发明提出一种充电站建站方法,该方法包括:
获取充电机动车的充电数据、停车数据和行驶数据;
利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;
计算各个已确定对应参数的高斯混合模型之间的相似度;
根据各个相似度确定各个已确定对应参数的高斯混合模型对应的融合权重;
根据各个融合权重和对应的已确定对应参数的高斯混合模型确定充电需求的分布函数;
根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置;
其中,利用以下公式计算各个已确定对应参数的高斯混合模型之间的相似度:
S(Mw,Mq)表示第w个已确定对应参数的高斯混合模型和第q个已确定对应参数的高斯混合模型之间的相似度,表示第w个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,表示第q个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,J表示预定区域中区域网格的总数。
本发明所述的充电站建站方法,所述利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数,包括:
在确定所述充电数据、所述停车数据和所述行驶数据对应的充电需求的空间分布为高斯混合模型时,分别利用对应类型的数据确定对应的似然函数;
对每一似然函数求导,并令对应的导数等于零以确定对应的高斯混合模型的参数。
本发明所述的充电站建站方法,利用以下公式确定各个已确定对应参数的高斯混合模型对应的融合权重:
本发明所述的充电站建站方法,所述预设的充电站建站条件包括建站预算限制条件、建站空间限制条件、运营商利益最大化条件和充电代价最小化条件中的至少一种,所述根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置,包括:
所述建站预算限制条件为在利用充电需求的分布函数确定预定区域中的预测充电站时,所述预测充电站的预测数目小于等于预计建站数目和已有充电站数目之和;
所述建站空间限制条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时,各个预测充电站之间的距离小于预设的距离阈值;
所述运营商利益最大化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定需求密度函数;
根据各个充电站的服务密度函数与需求密度函数之差确定运营商利益最大化对应的目标函数;
根据所述运营商利益最大化对应的目标函数确定预测充电站;
所述充电代价最小化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定第u个预测充电站的充电需求;
根据第u个预测充电站的充电需求确定充电代价最小化对应的目标函数;
根据所述充电代价最小化对应的目标函数确定预测充电站。
本发明所述的充电站建站方法,还包括:根据各个最佳建站位置对应的充电需求确定对应的最佳建站规模。
本发明提出一种充电站建站装置,该装置包括:
数据获取模块,用于获取充电机动车的充电数据、停车数据和行驶数据;
参数确定模块,用于利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;
函数确定模块,用于计算各个已确定对应参数的高斯混合模型之间的相似度,根据各个相似度确定各个已确定对应参数的高斯混合模型对应的融合权重,根据各个融合权重和对应的已确定对应参数的高斯混合模型确定充电需求的分布函数,其中,利用以下公式计算各个已确定对应参数的高斯混合模型之间的相似度:S(Mw,Mq)表示第w个已确定对应参数的高斯混合模型和第q个已确定对应参数的高斯混合模型之间的相似度,表示第w个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,表示第q个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,J表示预定区域中区域网格的总数;
位置确定模块,用于根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置。
本发明涉及一种终端设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器上运行时本发明所述的充电站建站方法。
本发明涉及一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本发明所述的充电站建站方法。
本发明公开的充电站建站方法包括:获取充电机动车的充电数据、停车数据和行驶数据;利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;对各个已确定对应参数的高斯混合模型进行融合处理以确定充电需求的分布函数;根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置。本发明的技术方案对充电机动车的充电数据、停车数据和行驶数据分别进行拟合后再融合,实现拟合出更为准确的充电需求分布函数,使得充电站的建站位置的选择更为合理,保证充电站可以有效使用。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本发明实施例提出的一种充电站建站方法的流程示意图;
图2示出了本发明实施例提出的一种QGIS使用界面示意图;
图3示出了本发明实施例提出的一种python画出的路网地图示意图;
图4示出了本发明实施例提出的一种地图网格化的示意图;
图5示出了本发明实施例提出的一种LP运算规整示意图;
图6示出了本发明实施例提出的另一种充电站建站方法的流程示意图;
图7示出了本发明实施例提出的一种确定高斯参数的流程示意图;
图8示出了本发明实施例提出的一种行驶数据对应的示意图;
图9示出了本发明实施例提出的一高斯模型融合方法的流程示意图;
图10示出了本发明实施例提出的一种充电需求分布拟合示意图;
图11示出了本发明实施例提出的一种充电站建站装置的结构示意图。
主要元件符号说明:
10-充电站建站装置;11-数据获取模块;12-参数确定模块;13-函数确定模块;14-位置确定模块;15-规模确定模块。
具体实施方式
下面将结合本发明实施例中附图,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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
本发明在充分考虑以下问题的基础上,提出一种充电站建站方法,实现基于充电机动车的充电数据、停车数据和行驶数据科学合理的建设充电站。
第一,考虑到充电设施的建设规划选址模型,主要有两种路径:基于小规模数据模拟规划,以小规模电动汽车充电数据预测大规模充电数据,从而对大范围的充电桩设置进行规划;基于收益成本层面测算,从收益最大化的角度,基于建设成本、运营成本、充电成本以及电动汽车分布等角度,确定出充电站收益最大的建址位置。
第二,考虑到充电基础设施的规划选址与城市规划、区域定位、现有建设情况、使用需求等密切相关,而区域间的差异性大,需要根据实际情况因地制宜,如使用小规模数据进行大范围建桩数据的模拟预测,很可能与区域实际情况相差甚远,从而导致较大的测算误差,甚至会带来误导性结论。
第三,考虑到充电基础设施的建设规划以市场的供需关系测算为基础,最终结果是力求做到供需平衡。而供需关系的确定,仅有充电数据指标是不够的,还需要结合新能源汽车的保有量、车辆的行驶轨迹、存量设施分布、未来发展趋势等多维度因素,才能对充电需求做出科学合理的预判,从而最终测算结果既能满足当下使用需求,又具有一定前瞻性,可以满足市场未来增长需求。
第四,考虑到作为新能源汽车的配套基础设施,充电站除了具备经济功能,以盈利作为目标之外,还需要充分考虑其作为城市基础设施建设的社会性责任,实现其社会效益。因此,对于充电桩的建设规划,只单纯考虑经济效益是远远不够的,必须要考虑群众充电的便利性、城市规划的合理性以及相关政策等约束性条件。
综上,本发明公开的充电站建站方法通过新能源汽车的行驶数据、充电订单记录和充电场站静态数据等多元数据相融合,以服务半径最优化、用户充电便利化、运营商利益最大化为原则,采用高斯混合模型生成充电供需分布匹配图,在一系列限制条件下,使用整数规划算法,制定充电场站最优建设方案。
进一步的,需要采集以及标准化处理车桩数据。
数据互联互通平台是以互联网架构为设计基础的数据支撑和存储平台,对不同来源的数据进行采集、整合、分析、处理,按标准模型进行建模存储,将数据标准化后统一管理,以实现跨运营商的充电设施和各厂商新能源电动汽车数据的接入和采集入口,并作为对外提供数据的统一出口。另外辅以全面、高效的查询分析体系,向其他子系统提供统一数据分析服务,也为相关单位之间提供纵向和横向数据交互支撑。
在本发明中,充电汽车的行驶记录、充电记录和充电基础设施的静态信息、订单数据等,通过标准协议GB/T 32960-2016《电动汽车远程服务与管理系统技术规范》和T/CEC102《电动汽车充换电服务信息交换》将数据转发至互联互通平台。互联互通平台承担整个系统的数据池角色,提供数据通信、数据解析、数据存储、数据计算、数据接口等功能,它通过标准的数据服务接口和数据总线对平台其他系统提供数据服务,同时也通过标准接口对外提供数据服务。
示范性的,充电场站静态信息表单结构如下表所示。
字段名 | 类型 | 注释 |
site_id | int | 站ID编号 |
site_name | Varchar | 站名称 |
pile_num | int | 桩数量 |
quick_pile_num | int | 快充桩数量 |
district | varchar | 所属行政区 |
longtitude | double | 经度 |
latitude | double | 纬度 |
…… |
示范性的,充电设施静态信息表单结构如下表所示。
字段名 | 类型 | 注释 |
pile_code | varchar | 桩编号 |
site_id | int | 站ID编号 |
pile_type | tinyint | 0:慢充1:快充 |
state | tinyint | 0:正常1:异常 |
…… |
示范性的,订单数据表单结构如下表所示。
字段名 | 类型 | 注释 |
start_charge_seq | varchar | 订单号 |
pile_code | varchar | 桩编号 |
start_time | int | 开始时间 |
end_time | int | 结束时间 |
total_elect | double | 总电量 |
…… |
示范性的,车数据表单结构如下表所示。
进一步的,需要处理地理信息。
可以基于OSM地图、PostgreSQL、PostGis和QGIS搭建的综合地图处理系统,并利用Python进行结果可视化,处理地理信息并实现地理信息的可视化是相关运算的基础,可以为接下来的建站规划打下基础。
可以理解,OSM地图是一个开源的数据,全称是OpenStreetMap,直接翻译成中文意思为开放街道地图,这是一个网上协作计划,其成立主要是可以给每个想使用的人提供可以被自由使用的地理资料,这一点和自由软件非常类似,给使用者赋予自由,所以OSM地图的目标就是创造一个能让所有人编辑使用的地图。OSM地图一共包括3类基本元素,分别为node、way和relation,类似于三原色,这3者的组合共同构成了整张地图。node定义了空间中点的位置;way定义了线或区域;relation定义了元素间的关系,其中relation是可选的,在一些区域中这并不是必须的。node表示一个地理坐标点位置,主要属性有点编号、经纬度,同时,也有部分站点会添加;way是由一系列有序的node组成,通常是2-2000个,对于超过2000个点的way则可进行分割处理,通常它可以表示三种图形结构,即非闭合线(Openpolyline)、闭合线(Closed polyline)、区域(Area)。其中,非闭合线可以用来表示现实中的铁路、道路、河流等;而闭合线则可以表示例如环线地铁等;区域则表示一些闭合区域,并且采用landuse标签来标识区域特征;relation是用于定义关系,由一系列的node、way和其他的relation组合而成。它可以用来定义许多东西,例如route,即公路、自行车道、铁路等;或者多个多边形,例如建筑、河堤等;不仅如此,还可用于定义行政区边界。在OSM地图中,relation起的作用非常大,例如,在路网里已经存在了一个由node和way组成的路网,如果此时还想再画一条公交线的路线,那么这个时候就可以通过relation的方式实现。
示范性的,OSM地图信息数据表单结构如下表所示。
除了上述3种基本元素外,OSM地图还有另一个重要标签就是tag,tag不是地图基本元素,但是各元素都需要用tag来记录数据信息,在tag中,采用key和value键值对的方式来进行记录值。例如,通过public_transport=stop_position来定义道路上公交车的停车区,或者shop=alcohol来定义一家可以售卖酒的商店;同时,还可以附加命名空间,这样可用于添加额外信息,例如如果需要表示道路中冬天的最高限速,只需maxspeed:winter=*即可。
进一步的,PostgreSQL和PostGIS是数据处理工具。
PostgreSQL是由加州大学伯克利分校计算机系开发的关系型数据库管理系统,这与我们熟知的MySQL类似,都是属于关系型数据库。PostgreSQL比起MySQL表现稳定许多;在系统极限性能方面,PostgreSQL也明显具有更大的优势。在本发明中,我们之所以选择PostgreSQL不仅是因为其上述优势,更重要的是在地理信息系统(GeographicInformation System或Geo-Information system,GIS)领域,其具有地理信息扩展,多年来在GIS领域处于优势地位。
PostGIS就是postgresql数据库的空间数据扩展模块,同时也是众多GIS数据的默认数据库,其提供的空间信息服务功能有:空间对象、空间索引、空间操作函数和空间操作符等。比起MySQL,它具有丰富的几何类型,以及字典、数组、bitmap等数据类型,正是这些丰富的功能,使得PostgreSQL能将空间几何数据以数据表的形式存储。
正是基于PostgreSQL在处理地理信息数据方面巨大的优势,我们将下载的OSM数据存入PostgreSQL,在存入数据库之后的表结构,其中,planet_osm_roads的作用是用于表示大概的道路轮廓,所以它只是planet_osm_line的一个子集,因为planet_osm_line中包含了太多的元素信息。可以理解,通过调用上述表格中的数据,可以做基于地图方面的计算。
进一步的,QGIS系统是地理信息系统软件,如图2所示。
下载了OSM地图,并且将其存入了PostgreSQL后,需要利用可视化工具,实现直观地编辑和分析。QGIS是一套GIS软件,它提供了地理空间数据的显示、编辑和分析功能。这是一个非常友善的开源地理信息系统,在GNU(General Public License)的授权下,来自开发者可以自由得获得源代码并为其开发做出贡献,并可修复其代码的缺陷等。QGIS简单易用,允许附加C++或Python插件,这样极大方便了用户。不仅如此,QGIS可以在多种操作系统上运行,包括Windows、Mac OS X和Linux等常见操作系统,在保证了多平台性能同时,相较于一些商业化的GIS软件,QGIS的文件体积却小得多,因此对计算机内存和CPU的性能需求也更小,综合这些优点,采用QGIS能给我们的研究项目带来极大方便。
在本发明中,使用QGIS系统处理在进行实际运算时需要使用的地理空间数据,这些地理空间数据,包括了真实地表或地下的信息,这是将真实世界数值化之后的结果,通过这种方式,空间数据就能表达出真实世界的地理信息。例如,自然生态的信息,包括河道、水系、植物、生物、森林资源、天气、地下水流动、地层、土壤分布等,或者例如道路、建筑、机场等人类活动信息,这些都是属于地理空间数据。QGIS系统在导入空间数据之后,则可进行许多运算和分析:属性数据管理:QGIS中的数据库系统,能很方便地更新、管理地理空间数据,给用户使用提供了巨大的便利;资料展示:一个完整的地图,不仅有地理空间数据,同时还包括属性、以及图表数据等,例如标题、图例、比例设计、指北针等,QGIS系统需要能准确无误地将这些信息传递给用户;数据查询:针对地理空间数据,QGIS系统能很方便地进行数据和属性查询,通过友好的交互界面,让用户可以很直观地了解数据本身的特性,同时这种方式还有助于数据分类和整合,并且能针对不同地图进行比较;资料分析:常见的资料分析有矢量分析和栅格式数据分析,其中矢量分析主要包括距离度量、拓扑、叠加等,而栅格式数据分析则包括邻近、地区、全球性的动能,除此之外,还有空间分析和数值地形分析等;地理模型建立:QGIS系统建立一系列地理空间数据的分析模式,结合地图数据中的属性,可以发现很多新的信息。
基于OSM地图、PostgreSQL、PostGis和QGIS搭建的综合地图处理系统,功能十分丰富,并且可以通过叠加不同的图层,来实现不同的计算。在本发明中,综合地图处理系统可以计算覆盖率,可以去掉不能建站区域等,可以方便地进行与地图相关的分析。
进一步的,利用Python实现结果可视化,如图3所示。
虽然QGIS系统能很好地完成基于地图的运算,但是在呈现结果方面,由于QGIS作为一款第三方开源软件,很多时候还是无法满足个性化定制需求,所以为了让可视化结果更加友好,可以利用Python来实现最终的可视化程序。可以选取OSM地图的道路路网信息,在OSM地图中的道路的基本元素是way,并且tag的key值为“highway”,选取了5种道路作为地图可视化的道路。通过这种方式,可以方便地利用python画出路网地图,并且添加各种各样想要展示的内容,以及调整各个属性,例如,颜色大小等,实现非常方便美观地展示最终结果。
进一步的,大数据挖掘及模型搭建。
大数据挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程,也是一种决策支持过程。其主要基于人工智能、机器学习、模式学习、统计学等,通过对大数据高度自动化地分析,做出归纳性地推理。基于对充电场站建设和运营数据的分析和挖掘,可以选择高斯混合模型(GMM)、整数规划和ARIMA模型等含义多视图的方法,即不同的数据集,或来自不同数据集的功能作为对象或事件的不同视图,不同的特性被输入到不同的模型中,从不同的角度描述一个对象,结果随后被合并在一起相互加强。
进一步的,地理信息网格化。
可以根据上下经纬度界限,从OpenStreetMap中下载预定区域地图。在预定区域地图上进行需求分布时,可以引入的网格划分法,每个网格均为边长为S(km)的正方形,如图4所示,以网格为基础实现对预定区域进行建站规划。
实施例1
本实施例,参见图1,示出了一种充电站建站方法的包括以下步骤:
S100:获取充电机动车的充电数据、停车数据和行驶数据。
充电机动车的状态包括充电、停车和行驶三种状态,可以基于充电、停车、行驶三种状态对应的数据进行充电需求拟合。可以理解,充电机动车的充电数据、停车数据和行驶数据可以通过数据互联互通平台获取,还可以从存储有充电机动车的充电数据、停车数据和行驶数据的存储设备中导入。
S200:利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的应的参数。
充电数据对应的充电需求的空间分布是混合高斯分布,可以用高斯混合模型表示充电数据对应的充电需求;停车数据对应的充电需求的空间分布同样是混合高斯分布,可以用高斯混合模型表示停车数据对应的充电需求;行驶数据对应的充电需求的空间分布同样是混合高斯分布,可以用高斯混合模型表示行驶数据对应的充电需求。
可以理解,对于各个高斯混合模型,可以分别利用各个高斯混合模型对应的数据确定对应的似然函数,利用各个似然函数确定对应的参数。
S300:对各个已确定对应参数的高斯混合模型进行融合处理以确定充电需求的分布函数。
充电数据对应的高斯混合模型、停车数据对应的高斯混合模型和行驶数据对应的高斯混合模型的参数各不相同,需要对充电数据对应的高斯混合模型、停车数据对应的高斯混合模型和行驶数据对应的高斯混合模型进行融合处理,以确定充电需求的分布函数。
融合处理包括:充电数据对应的高斯混合模型、停车数据对应的高斯混合模型和行驶数据对应的高斯混合模型对应的融合权重,将充电数据对应的高斯混合模型、停车数据对应的高斯混合模型和行驶数据对应的高斯混合模型与对应的融合权重相乘,在将各个乘积相加,确定充电需求的分布函数。
S400:根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置。
预设的充电站建站条件包括建站预算限制条件、建站空间限制条件、运营商利益最大化条件和充电代价最小化条件中的至少一种。
其中,建站预算限制条件为在利用充电需求的分布函数确定预定区域中的预测充电站时,所述预测充电站的预测数目小于等于预计建站数目和已有充电站数目之和,示范性的,可用下式所示。
yv表示利用充电需求的分布函数确定的预定区域中第v个网格中是否存在充电站,若存在,yv=1,若不存在,yv=0,G表示预定区域中所有网格的集合,K表示运营商提供的预计的预计建站数量,L表示预定区域中已经存在的已有充电站数量。
其中,建站空间限制条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时,各个预测充电站之间的距离小于预设的距离阈值,示范性的,可用下式所示。
可以表示在以第v个网格为中心,距离阈值r为半径的范围内的各个网格中不存在充电站。其中,δvv’表示预定区域中第v个网格和第v’个网格中是否存在充电站,若存在,δvv’=1,若不存在,δvv’=0,G表示预定区域中网格总数,V表示以第v个网格为中心,距离阈值r为半径的范围内的各个网格的集合,G表示预定区域中所有网格的集合,cvv′<r表示第v个网格和第v’个网格之间的汽车行驶距离小于预设的距离阈值r;gv×g’v>0表示第v个网格和第v’个网格之间不存在充电站。
其中,运营商利益最大化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定需求密度函数;根据各个充电站的服务密度函数与需求密度函数之差确定运营商利益最大化对应的目标函数;根据所述运营商利益最大化对应的目标函数确定预测充电站。
示范性的,可以对充电需求的分布函数求导以确定需求密度函数fd(x,y)。第i个充电站的服务密度函数在空间上为二维正态分布,第i个充电站的服务密度函数如下式所示。
其中,σi 2由规模参数ni决定,一般来说,规模参数ni越大,充电站服务范围更大。具体的σi 2与ni的关系可以通过充电机动车的相关数据得到,例如,通过充电机动车的相关数据得到了n0规模的充电站的服务半径为r0,那么以3σ原则理解服务半径,对应的σ0 2=(r0/3)2,第i个充电站的服务半径为ri=(ni/n0)r0,从而得到相应的σi2=ri/3。
在确定了每个充电站的服务密度函数后,需要确定各个充电站的服务分布叠加后得到的密度函数。示范性的,若有m个充电站,密度函数为fi(x,y),叠加后的服务密度函数为fs(x,y),那么各个充电站的服务分布叠加后对应的服务密度函数fs(x,y)可用下式表示。
通过服务密度函数fs(x,y)与需求分布函数fd(x,y)之差可以确定运营商利益最大化对应的目标函数:max∫∫|fd(x,y)-fs(x,y)|dxdy,进而,可以根据运营商利益最大化对应的目标函数确定预测充电站。
其中,充电代价最小化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定第u个预测充电站的充电需求;根据第u个预测充电站的充电需求确定充电代价最小化对应的目标函数;根据所述充电代价最小化对应的目标函数确定预测充电站。
示范性的,充电代价最小化对应的目标函数如下式所示。
fuv表示表示在第u个网格产生而在第v个网格处得到满足的充电需求,cuv表示从第u个网格到第v个网格行驶距离,并且l(cuv)=max(0,1-t*cuv),第u个网格代表需求网格,第v个网格代表提供服务网格,这是用Hinge-loss损失函数来描述单个充电代价,如果第u个网格在第v个网格的服务范围内,我们认为充电代价为0,否则充电代价随着第u个网格和第v个网格的距离而增大。t是Hinge-loss中的分类标记,在此处表示方向的正向和反向,值为正负1。现有的算法是用MIP,然而一个很大的问题就是该算法容易陷入NP难,不仅运算速度特别慢,如果城市规模变大,问题会变得异常复杂,几乎不可能算出有效解。
因此为了解决该问题,本发明使用一个近似算法,先解LP问题,最后再进行规整。并且为了去掉LP问题的限制条件,我们将网格宽度设置为至少2r,这样就保证了即使相邻网格建站,也满足间条件。
进一步的,求解LP问题。
示范性的,若预设的充电站建站条件包括建站预算限制条件和充电代价最小化条件时,分析MIP算法中,用Xuv表示第u个网格内的需求是否去第v个网格内满足,Xuv值和yv值均为0或1,这就极大增加了时间复杂度,我们将其允许是任何实数,这样LP问题可以表示为:
其中,Vnot表示根据QGIS系统求出的不能建站网格;通过去掉两个限制条件,不再限于整数,将问题转换为线性规划问题,现有算法是可以在多项式时间内求解出来的,通过求解该公式,可顺利得到Xuv,yv值。
进一步的,基于求得的Xuv,对于任何一个网格u,可以求得其充电损失函数为Cu=∑v∈GXuvl(cuv),充电损失Cu表明一辆电动车从当前网格去充电所需要付出的代价。显然,Cu值最小的网格是建设充电站优先级最高的点,这是因为如果其损失函数最小,即通过LP算法求得的推荐建站地点距离它最近,可能就是在这个网格之内,如图5所示。在确定一个建站网格u之后,对于以网格u为中心,2r为半径的范围内的所有网格V′u,设置yv=0,表明这些站点将不再建站。
同时,更新所有网格集合G,去除已经建站以及yv=0的网格,在剩余网格中选出Cu最小的网格建站,并再次进行循环,以确定预定区域内满足充电站建站条件的所有最佳建站位置。
本实施例公开的充电站建站方法包括:获取充电机动车的充电数据、停车数据和行驶数据;利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;对各个已确定对应参数的高斯混合模型进行融合处理以确定充电需求的分布函数;根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置;根据各个最佳建站位置对应的充电需求确定对应的最佳建站规模。本实施例的技术方案对充电机动车的充电数据、停车数据和行驶数据分别进行拟合后再融合,实现拟合出更为准确的充电需求分布函数,使得充电站的建站位置的选择更为合理,保证充电站可以有效使用。
实施例2
本实施例,参见图6,示出了一种充电站建站方法还包括以下步骤:
S500:根据各个最佳建站位置对应的充电需求确定对应的最佳建站规模。
本实施例的技术方案不仅实现充电站的建站位置的选择的合理性,还有效保证建站规模合理性,可以有效提高充电站的使用率,避免浪费公共资源。
实施例3
本实施例,参见图7,示出了确定高斯混合模型的参数的方法包括以下步骤:
S210:在确定所述充电数据、所述停车数据和所述行驶数据对应的充电需求的空间分布为高斯混合模型时,分别利用对应类型的数据确定对应的似然函数。
示范性的,充电数据对应的充电需求的空间分布为高斯混合模型,对应的概率分布如下所示。
P(pile)(ys|θs)=∫xP(cp)(ys|x)P(pile)(x|θs),其中,用于表示充电需求位置xj产生观测值的概率分布,其中,sj表示的第j个充电站;并且这是因为对于任何一个观测值都会处于某一个充电站中;mi和mj表示第i和第j个充电站的规模。
示范性的,对于停车状态,认为如果停车时间超过预设的停车时间,例如,2小时,此时,机动车可能存在充电需求的。根据机动车的相关数据,确定所有的停车点数据记为i表示第i个观测数据,p意为parking点,停车数据对应的充电需求的空间分布为高斯混合模型,对应的概率分布如下所示。
示范性的,行驶数据是指如果一段行驶路程在到达目的地之后就开始充电,满足时间条件的路程具有很强的目的性,所以我们认为这段路程的起点是一个充电需求点。可以选取行驶时间小于预设行驶时间阈值,例如,行驶时间阈值为30分钟,停车之后等待时间小于预设等待时间阈值,例如,等待时间阈值为5分钟的数据,作为一个可能的充电需求点,如图8所示。
S220:对每一似然函数求导,并令对应的导数等于零以确定对应的高斯混合模型的参数。
可以分别对充电数据、停车数据和行驶数据对应的似然函数求导,并另对应的导数等于零,确定充电数据、停车数据和行驶数据对应的高斯混合模型的参数。还可以利用GMM算法,确定充电数据、停车数据和行驶数据对应的充电需求的分布函数。
实施例4
本实施例,参见图9,示出了各个高斯混合模型的融合处理包括以下步骤:
S310:计算各个已确定对应参数的高斯混合模型之间的相似度。
利用以下公式计算各个已确定对应参数的高斯混合模型之间的相似度:
S(Mw,Mq)表示第w个已确定对应参数的高斯混合模型和第q个已确定对应参数的高斯混合模型之间的相似度,表示第w个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,表示第q个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,J表示预定区域中区域网格的总数。
S320:根据各个相似度确定各个已确定对应参数的高斯混合模型对应的融合权重。
利用以下公式确定各个已确定对应参数的高斯混合模型对应的融合权重:
S330:根据各个融合权重和对应的已确定对应参数的高斯混合模型确定充电需求的分布函数。
充电需求的分布函数可以表示为P(y)=α1P(pille)(y|θ1)+α2P(navi)(y|θ2)+α3P(parking)(y|θ3)。对应的充电需求的分布的拟合示意图如图10所示。
实施例5
本实施例,参见图11,示出了一种充电站建站装置10包括数据获取模块11、参数确定模块12、函数确定模块13、位置确定模块14和规模确定模块15。
数据获取模块11,用于获取充电机动车的充电数据、停车数据和行驶数据;参数确定模块12,用于利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;函数确定模块13,用于对各个已确定对应参数的高斯混合模型进行融合处理以确定充电需求的分布函数;位置确定模块14,用于根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置;规模确定模块15,根据各个最佳建站位置对应的充电需求确定对应的最佳建站规模。
本实施例提供的充电站建站装置10通过数据获取模块11、参数确定模块12、函数确定模块13、位置确定模块14和规模确定模块15的配合使用,用于执行上述实施例所述的充电站建站方法,上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
可以理解,本发明涉及一种终端设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器上运行时执行本发明所述的充电站建站方法。
可以理解,本发明涉及一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本发明所述的充电站建站方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是智能手机、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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种充电站建站方法,其特征在于,该方法包括:
获取充电机动车的充电数据、停车数据和行驶数据;
利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;
计算各个已确定对应参数的高斯混合模型之间的相似度;
根据各个相似度确定各个已确定对应参数的高斯混合模型对应的融合权重;
根据各个融合权重和对应的已确定对应参数的高斯混合模型确定充电需求的分布函数;
根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置;
其中,利用以下公式计算各个已确定对应参数的高斯混合模型之间的相似度:
2.根据权利要求1所述的充电站建站方法,其特征在于,所述利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数,包括:
在确定所述充电数据、所述停车数据和所述行驶数据对应的充电需求的空间分布为高斯混合模型时,分别利用对应类型的数据确定对应的似然函数;
对每一似然函数求导,并令对应的导数等于零以确定对应的高斯混合模型的参数。
4.根据权利要求1所述的充电站建站方法,其特征在于,所述预设的充电站建站条件包括建站预算限制条件、建站空间限制条件、运营商利益最大化条件和充电代价最小化条件中的至少一种,所述根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置,包括:
所述建站预算限制条件为在利用充电需求的分布函数确定预定区域中的预测充电站时,所述预测充电站的预测数目小于等于预计建站数目和已有充电站数目之和;
所述建站空间限制条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时,各个预测充电站之间的距离小于预设的距离阈值;
所述运营商利益最大化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定需求密度函数;
根据各个充电站的服务密度函数与需求密度函数之差确定运营商利益最大化对应的目标函数;
根据所述运营商利益最大化对应的目标函数确定预测充电站;
所述充电代价最小化条件为在利用充电需求的分布函数确定所述预定区域中的预测充电站时:
利用充电需求的分布函数确定第u个预测充电站的充电需求;
根据第u个预测充电站的充电需求确定充电代价最小化对应的目标函数;
根据所述充电代价最小化对应的目标函数确定预测充电站。
5.根据权利要求1所述的充电站建站方法,其特征在于,还包括:根据各个最佳建站位置对应的充电需求确定对应的最佳建站规模。
6.一种充电站建站装置,其特征在于,该装置包括:
数据获取模块,用于获取充电机动车的充电数据、停车数据和行驶数据;
参数确定模块,用于利用所述充电数据、所述停车数据和所述行驶数据分别确定对应的充电需求的高斯混合模型的参数;
函数确定模块,用于计算各个已确定对应参数的高斯混合模型之间的相似度,根据各个相似度确定各个已确定对应参数的高斯混合模型对应的融合权重,根据各个融合权重和对应的已确定对应参数的高斯混合模型确定充电需求的分布函数,其中,利用以下公式计算各个已确定对应参数的高斯混合模型之间的相似度:S(Mw,Mq)表示第w个已确定对应参数的高斯混合模型和第q个已确定对应参数的高斯混合模型之间的相似度,表示第w个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,表示第q个已确定对应参数的高斯混合模型在预定区域的第j个区域网格对应的需求估计值,J表示预定区域中区域网格的总数;
位置确定模块,用于根据所述充电需求的分布函数以及预设的充电站建站条件确定充电站建站的最佳建站位置。
7.一种终端设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至5任一项所述的充电站建站方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至5任一项所述的充电站建站方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578484.XA CN112734176B (zh) | 2020-12-28 | 2020-12-28 | 一种充电站建站方法、装置、终端设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578484.XA CN112734176B (zh) | 2020-12-28 | 2020-12-28 | 一种充电站建站方法、装置、终端设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734176A CN112734176A (zh) | 2021-04-30 |
CN112734176B true CN112734176B (zh) | 2022-04-08 |
Family
ID=75607317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578484.XA Active CN112734176B (zh) | 2020-12-28 | 2020-12-28 | 一种充电站建站方法、装置、终端设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734176B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113240216A (zh) * | 2021-07-12 | 2021-08-10 | 长沙理工大学 | 充电站服务范围计算方法、系统、设备及计算机存储介质 |
CN113609209B (zh) * | 2021-08-12 | 2024-02-20 | 上海氢枫能源技术有限公司 | 一种加氢站建站区域和规模的判断系统及方法 |
CN114862018B (zh) * | 2022-05-05 | 2023-08-04 | 南京理工大学 | 考虑充电行驶距离的电动汽车充电站选址和定容规划方法 |
CN115388900B (zh) * | 2022-09-23 | 2023-05-23 | 西华大学 | 一种无人机充电桩选址方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632610A (zh) * | 2018-06-21 | 2019-12-31 | 福特全球技术公司 | 使用高斯混合模型进行自主车辆定位 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011247758A (ja) * | 2010-05-27 | 2011-12-08 | Seiko Epson Corp | 位置算出方法及び位置算出装置 |
CN105044662B (zh) * | 2015-05-27 | 2019-03-01 | 南京邮电大学 | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN109447410A (zh) * | 2018-09-25 | 2019-03-08 | 华南理工大学 | 一种考虑城市路网交通运行状态的充电站选址方法 |
WO2020163873A1 (en) * | 2019-02-08 | 2020-08-13 | California Institute Of Technology | Systems and methods for adaptive ev charging |
CN111178619B (zh) * | 2019-12-25 | 2023-11-07 | 东南大学 | 一种考虑分布式电源和充电站联合规划的多目标优化方法 |
CN112001521A (zh) * | 2020-06-05 | 2020-11-27 | 浙江图盛输变电工程有限公司温州科技分公司 | 一种基于多峰高斯分布拟合的电动汽车充电需求预测方法 |
-
2020
- 2020-12-28 CN CN202011578484.XA patent/CN112734176B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632610A (zh) * | 2018-06-21 | 2019-12-31 | 福特全球技术公司 | 使用高斯混合模型进行自主车辆定位 |
Also Published As
Publication number | Publication date |
---|---|
CN112734176A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734176B (zh) | 一种充电站建站方法、装置、终端设备和可读存储介质 | |
Jong et al. | An evolutionary model for simultaneously optimizing three-dimensional highway alignments | |
CN108021686B (zh) | 一种快速匹配电子地图中公交线路与道路网络的方法 | |
CN106780739A (zh) | 一种变电站智能巡检三维gis系统建立方法 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
Kazak et al. | Decision support system in public transport planning for promoting urban adaptation to climate change | |
CN112184282A (zh) | 影院选址模型建立方法、影院选址方法及影院选址平台 | |
CN113222271A (zh) | 综合交通运输体系下的中小机场选址布局方法 | |
Wei et al. | A knowledge-based problem solving method in GIS application | |
Sabri et al. | A multi-dimensional analytics platform to support planning and design for liveable and sustainable urban environment | |
Huang | Data integration for urban transport planning | |
CN109800903A (zh) | 一种基于出租车轨迹数据的盈利路线规划方法 | |
Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
CN115293585B (zh) | 一种基于gis-t搭建路网机动车动态排放清单的方法 | |
Guler et al. | GIS and fuzzy AHP based area selection for electric vehicle charging stations | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
Albalawneh et al. | Evaluation of Using Genetic Algorithm and ArcGIS for Determining the Optimal-Time Path in the Optimization of Vehicle Routing Applications | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Jin | Modelling the influence of neighbourhood design on daily trip patterns in urban neighbourhoods | |
Tecim | Geographical information system based decision support system for tourism planning and development | |
Tang et al. | A data-driven framework for natural feature profile of public transport ridership: Insights from Suzhou and Lianyungang, China | |
Arsanov et al. | The use of GIS technologies in the management of the urban transportation system | |
Brown et al. | A mixed integer program for optimizing the expansion of electrical vehicle charging infrastructure | |
Mohamed | Evaluation of Using Genetic Algorithm and ArcGIS for Determining the Optimal-Time Path in the Optimization of Vehicle Routing Applications | |
CN117668500B (zh) | 基于gis的城市地下空间资源评估方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A charging station construction method, device, terminal device, and readable storage medium Effective date of registration: 20230728 Granted publication date: 20220408 Pledgee: China Construction Bank Corporation Beijing Railway Professional Branch Pledgor: ZHONGCHUAN SANYOU (BEIJING) TECHNOLOGY CO.,LTD. Registration number: Y2023980050281 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |