CN113642757A - 一种基于人工智能的物联网充电桩建设规划的方法及系统 - Google Patents
一种基于人工智能的物联网充电桩建设规划的方法及系统 Download PDFInfo
- Publication number
- CN113642757A CN113642757A CN202110610674.3A CN202110610674A CN113642757A CN 113642757 A CN113642757 A CN 113642757A CN 202110610674 A CN202110610674 A CN 202110610674A CN 113642757 A CN113642757 A CN 113642757A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- data
- charging
- internet
- things
- 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 42
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 241000254158 Lampyridae Species 0.000 claims abstract description 57
- 238000002922 simulated annealing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000004807 localization Effects 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 2
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000004513 sizing Methods 0.000 claims 1
- 239000013589 supplement Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 6
- 239000010949 copper Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000001502 supplementing effect Effects 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 241000131894 Lampyris noctiluca Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于人工智能的物联网充电桩建设规划的方法及系统。该系统主要包括：充电桩选址定容模块和充电桩利用率评估模块。充电桩选址定容模块用于对充电桩选址定容方案的初步探索，主要分为四个子模块，包括获取数据、建立最小化费用成本和时间成本的充电桩选址模型、基于模拟退火的变步长萤火虫算法求解、获取充电桩选址定容初步结果。充电桩利用率评估模块用于对充电桩选址定容模块中获得的结果做进一步的评估分析，主要分为四个子模块，包括：获取物联网数据、数据预处理、训练人工智能模型、充电桩利用率预测与评估。最后，将充电桩利用率评估模块得到的结果反馈给充电桩选址定容模块，从而得到充电桩建设规划的最优方案。
Description
技术领域
本发明涉及物联网领域，尤其涉及一种基于人工智能的物联网充电桩建设规划的方法 及系统。
背景技术
近年来，随着环境污染和能源短缺问题的日益严峻，电动汽车作为新型能源汽车备受 人们关注。同时为了保障用户正常出行，充电桩的规模也在不断扩大。尤其国家提出“新 基建”以来，充电桩产业跃入人们的视线成为热门话题。充电桩的建设作为充电网、车联 网、能源网和物联网的连接器，不仅仅连接了充电网络和电动汽车，打通了物理世界和数 字世界，还强力推动着交通变革和能源变革。
随着海量资本、前沿技术纷纷涌入，物联网充电桩的建设一方面迎来空前繁荣、焕发 出新的生机；另一方面也面临着很多挑战。尤其用户体验亟需提升，用户在出行时经常找 不到合适的充电桩，这严重影响了用户的出行体验。与此同时，充电桩运营企业存在着大 量的充电桩建好后使用率太低而亏本的情况。因此，构建更优的物联网充电桩建设规划方 案，具有重大的社会意义。其中把充电桩建在人们最需要的地方是社会迫切需要解决的问 题，更好的物联网充电桩选址定容系统能够提升充电桩的使用效率，可以创造重大的社会 价值。
目前，充电桩运营企业在进行充电桩选址定容时，大多数从企业的角度出发，主要考 虑充电站的建设成本。为提升充电桩选址定容结果的准确性，本发明将物联网充电桩选址 定容问题分成两步进行，首先第一步利用改进的传统模型进行初步探索，建立了最小化费 用成本和时间成本并限制总预算费用的物联网充电桩选址模型；第二步利用人工智能技术， 采用人工智能算法，对第一步模型的结果进行进一步的评估分析，从而得到最优的建设规 划方案。
发明内容
基于以上背景技术中存在的问题，本发明提出了一种基于人工智能的物联网充电桩建 设规划的方法及系统，以提升物联网充电桩选址定容结果的准确性。
为解决上述问题，本发明提出一种基于人工智能的物联网充电桩建设规划的方法。
S1.首先，在传统充电站选址定容的基础上，把用户的体验感考虑了进来，增加了用 户充电途中电量的使用和时间成本等因素，建立最小化费用成本和时间成本并限制总预算 费用的充电桩选址模型。
S2.其次，本发明在萤火虫算法的基础上，引入了模拟退火算法和变步长方法，构建 了基于模拟退火的变步长萤火虫算法。
S3.最后，基于以上模型的初步分析结果，利用卷积神经网络算法，结合POI数据，对结果进行进一步的评估分析，从而得到最优的充电桩选址定容方案。
进一步地，在S1中，建立充电桩选址定容模型。主要考虑充电桩的经济成本和用户的时间成本，经济成本主要包括充电站的建设费用、充电站周围道路建设费用、充电站电能损耗费用、充电站的运行维护费用，然后对各成本进行加权求和，即为模型的目标函数(以下各符号的具体含义，请参照表1)
除此之外，约束条件主要包括充电站数量约束、充电桩数量约束、充电站之间的距离 约束、交通路口到充电站的距离约束，并加入充电站年费用约束(以下各符号的具体含义， 请参照表1)
进一步地，在S2中，构建了基于模拟退火的变步长萤火虫算法。萤火虫算法(Glowworm Swarm Optimization,GSO)是模拟萤火虫在求偶过程中根据闪光的强弱决定自身往哪个集群飞的启发式算法。
萤火虫算法的这一原理与电动汽车聚集到充电站进行充电的现象很相似，萤火虫的位 置可以看作充电站的位置，萤火虫的数量可以看作站内充电桩的数量。
但该算法容易陷入局部最优，所以本发明利用模拟退火算法的变步长萤火虫群优化算 法进行求解。即将模拟退火算子引入到个体萤火虫的寻优中，转移概率为
其中，温度为T＝T0*θC-1，T0是初始温度，θ为衰减因子，C为迭代次数。
同时，在每一代寻优的过程中首先通过萤火虫不断移动进行全局寻优，然后对荧光素 浓度最高的个体进行模拟退火，实现局部寻优。
除此之外，为防止算法后期最优解在峰值附近出现震荡的现象，即在每一步寻优的过 程中加入变步长机制
其中，
该算法详细的流程图见图2所示。
进一步地，在S3中，基于步骤一充电桩选址定容的初步结果，采用卷积神经网络(Convolutional Neural Networks,CNN)算法，对步骤一模型得到的充电桩的利用率进行进一步的 评估分析，从而得到充电桩最优的建设方案。
主要包括以下步骤：
(1)获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公共/专用)以及充电桩附近5公里范围内POI兴趣点数据、居民小区数据、停车场数据、充 电站数据，并收集运营商公布的站点信息，利用这些物联网数据，将充电桩的使用情况转 换为模型所需的利用率数据；
(2)进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数据中的噪声数据，补充其中缺失数据，并将其进行z-score归一化处理等；
(3)将利用率分为5个等级，从而将充电桩的利用率问题转化为一个分类问题；
(4)利用已获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型；
(5)利用训练好的充电桩选址定容评价模型，对S2中充电桩选址定容的初步结果进 行评估，得到每个充电桩的利用率等级，从而得到充电桩最优的建设方案。
除此之外，本发明还提供了一种基于人工智能的物联网充电桩建设规划的系统。
该系统包含：物联网充电桩选址定容模块和物联网充电桩利用率评估模块。物联网充 电桩选址定容模块用于对充电桩选址定容方案的初步探索，包括：获取数据子模块、构建 物联网充电桩选址定容模型子模块、求解模型子模块、获取充电桩选址定容初步结果子模 块。物联网充电桩利用率评估模块用于对物联网充电桩选址定容模块中获得的结果做进一 步的评估分析，包括：获取数据子模块、数据预处理子模块、训练卷积神经网络模型子模 块、充电桩利用率预测与评估子模块。最后，将物联网充电桩利用率评估模块得到的结果 反馈给物联网充电桩选址定容模块，从而得到物联网充电桩选址定容的最优建设规划方案。
附图说明
图1为本发明基于人工智能的物联网充电桩建设规划的方法及系统流程图；
图2为本发明基于模拟退火的变步长萤火虫算法流程图；
图3为本发明物联网充电桩选址定容评估模块的流程图(物联网充电桩利用率评估模 块的流程图)；
图4为某区的充电站进行选址定容结果图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
本发明是基于人工智能的物联网充电桩建设规划的方法及系统，具体方式如下：
步骤一：物联网充电桩选址定容模型的构建
充电站的建设作为一个新兴产业，为了能够快速健康的发展，必须保持良好的经济效 益，因此经济成本可以作为首要的影响因素。经济成本主要包括充电站的建设费用、充电 站周围道路建设费用、充电站电能损耗费用、充电站的运行维护费用。除此之外，为提升 用户的体验感和满意度，尽量缩短用户充电途中的时间，减少其电量使用和时间成本，本 发明将充电站成本和用户成本加权后的最终结果作为模型的目标函数。同时，由于充电站 建设一般都有一定的预算限制，所有本发明将建设费用的限制条件加入到了模型的约束中。 1.构建物联网充电桩选址定容模型
(1)定义物联网充电桩选址定容模型包含的符号，如表1所示。
表1:模型符号定义表
注：
1.铁耗：磁性材料中由于存在交变或脉动磁场而引起的功率损耗，以热的形式表现；
2.铜耗：电流流过变压器绕组时，因为绕组电阻的原因会发热而导致损耗，因为绕组大多数是铜材 料制成的，故称“铜耗”)；
3.同时率：电力系统综合最高负荷与电力系统各组成单位的绝对最高负荷之和的比率。
(2)构建模型的目标函数
首先，设在计划的区域内建设M个充电站，则综合上面五个因素，建设这些充电站的 年费用为
所以，充电桩选址问题属于多变量、多约束及高维度的非线性问题，抽象出来就是一 个带约束的非线性优化问题，则该目标函数为
其中，各个成本的计算公式为
a)充电站i一次建设的年费用为
b)充电站i周围道路建设的年费用为
c)充电站i电能损耗的年费用为
C3i＝[(CFe+CCu)*Tv*ei+(CL+CD)*kt*Tv*mi]*365*p0
其中，ei个变压器一天的耗电量为(CFe+CCu)*Tv*ei，
mi个充电桩一天的耗电量为(CL+CD)*kt*Tv*mi。
d)充电站i运行维护的年费用
一个充电站运行维护费用包括雇佣成本、设备运行维护费用、设备折旧成本等，一般很难得到具体数值，在这里用投资建设成本来其费用：
C4i＝(eia+mib+ci)μ.
e)充电站i用户损耗的年费用：
用户在充电往返的途中会产生一定的成本，分为电量损耗成本和其他损耗成本：
C5i＝α1+α2，
i.设充电站i服务的区域内有N个路口，dij为第j(j＝1，...，N)个路口到充电站i的距离，qj表示每天由第j(j＝1，...，N)个路口到充电站i的电动车的数量，则电动汽车的总行驶里程为
ii.设g为电动汽车单位电量行驶的里程，p为电动汽车充电单价，则一年所有用户电量损耗的成本为
iii.设v为电动汽车平均速度，k为区域内居民出行的时间价值，则一年所有用户其 他损耗的成本为
(3)构建模型的约束条件
约束条件主要包括充电站数量约束、充电桩数量约束、充电站之间的距离约束、交通 路口到充电站的距离约束、充电站年费用约束，即：
步骤二：物联网充电桩选址定容算法的构建
1.基于模拟退火的变步长萤火虫算法原理
一般来说，充电桩选址定容问题主要利用遗传算法、蚁群算法、粒子群算法等方法进 行优化求解，由于这些算法的结果常常会陷入局部最优，并不能真正找到模型的最优解， 所以本发明提出一种基于模拟退火的变步长萤火虫算法。
模拟退火算法是模拟高温物体在降温过程中，从无序状态到有序状态的转变过程，由 于模拟退火算法最终求得的优化解和初始值无关，所以该算法具有渐进收敛性，不会陷入 局部最优，是全局最优算法。
萤火虫算法(Glowworm Swarm Optimization,GSO)是模拟萤火虫在求偶过程中根据闪 光的强弱决定自身往哪个集群飞的启发式算法。每个萤火虫分布在目标函数定义的空间内， 这些萤火虫各自携带荧光素并拥有各自的视野范围(区域决策范围)。荧光素的值和其所 在的位置上的目标函数适应度值有关，荧光素值越大，萤火虫越亮，说明萤火虫的位置越 好，其目标函数的值越接近于最优值。萤火虫会在区域决策范围内寻找邻居集合，越亮的 萤火虫拥有越高的吸引力，吸引周围的萤火虫超它的方向移动。在移动的过程中，每只萤 火虫会以一定的概率向其邻居萤火虫前进，最后大部分的萤火虫会聚集到目标函数较优点 处。
萤火虫算法的这一原理与电动汽车聚集到充电站进行充电的现象很相似，萤火虫的位 置可以看作充电站的位置，萤火虫的数量可以看作站内充电桩的数量。但该算法容易陷入 局部最优，所以本发明利用模拟退火算法的变步长萤火虫群优化算法进行求解。即将模拟 退火算子引入到个体萤火虫的寻优中，同时，在每一代寻优的过程中首先通过萤火虫不断 移动进行全局寻优，然后对荧光素浓度最高的个体进行模拟退火，实现局部寻优。由于该 退火操作以一定的概率接受较差的解，所以有助于避免算法陷入局部最优解。除此之外， 为防止算法后期最优解在峰值附近出现震荡的现象，即在每一步寻优的过程中加入变步长 机制。
2.基于模拟退火的变步长萤火虫算法步骤
设t时刻萤火虫i在m维实空间中的位置为xi(t)∈Rm，对应的荧光素浓度为li(t),动 态决策域半径为
其邻居集合为
且li(t)＜lj(t)}，向萤火虫j移动的概率为Pij(t)，f(x)是适应度函数，结合图2，基于模拟退火的变步长萤火虫算法步骤如下：
a)首先，初始化算法各个参数α，β，γ，s，li(0)，
rs，T0，θ，C；充电桩规模N,最大迭代次数 Lmax。并初始化各个充电桩的位置，计算f(xi(t))，记录f(xi(t))最小充电桩的位置xi(t)。
b)其次，更新萤火虫在移动的过程中的荧光素值
li(t)＝(1-α)li(t-1)+βf(xi(t))
其中，α为荧光素挥发系数，β为荧光素增强因子，适应度函数f(x)为
c)然后，更新萤火虫移动过程中的的动态决策半径
其中，γ为领域变化率；ni为邻居阈值，控制萤火虫的邻居数目。
d)接下来，计算移动概率Pij(t)。若按照轮盘赌法方式移动，导致算法收敛过快，很可能 只收敛到局部最优，这里将模拟退火算子引入到个体萤火虫的寻优中,转移概率为
其中，温度为T＝T0*θC-1，T0是初始温度，θ为衰减因子，C为迭代次数。
e)接下来，计算移动步长si(t)。为了防止在算法后期萤火虫个体在峰值附近出现震荡的 现象，算法加入遍步长机制，即
其中，
f)接下来，依照概率向某个邻居移动，计算位置xi(t+1)
g)最后，当算法收敛或者t≥Lmax后，算法结束，保存求解结果。
步骤三：物联网充电桩利用率评估模型的构建
本模块主要利用人工智能技术，基于步骤一充电桩选址定容的初步结果，采用人工智 能中卷积神经网络算法，对步骤一模型得到的充电桩的利用率进行进一步的评估分析，从 而得到物联网充电桩最优的建设规划方案。
1、构建基于卷积神经网络的物联网充电桩选址定容评价模型
该评价模型主要使用已有充电桩、其周围的POI数据以及充电桩物联网数据，训练卷 积神经网络模型，然后利用训练好的模型评价步骤一中得到的充电桩在未来可能的利用率， 具体包括以下步骤：
S1.获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公共/专用)以及充电桩附近5公里范围内POI兴趣点数据、居民小区数据、停车场数据、充 电站数据，并收集运营商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率 数据。
S2.主要进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数 据中的噪声数据，补充其中缺失数据，并将其进行z-score归一化处理等。
S3.主要将利用率分为5个等级，将充电桩的利用率问题转化为一个分类问题。
S4.主要利用S2和S3中获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型。
(1)数据获取
进一步地，在S1中，获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、 使用类型(公共/专用)以及充电桩附近5公里范围内POI兴趣点数据、居民小区数据、充 电站数据。其中，POI数据主要分为美食、酒店、购物、生活服务、丽人、旅游景点、休 闲娱乐、运动健身、教育培训、文化传媒、医疗、汽车服务、交通设施、金融、房地产、 公司企业、政府机构、出入口、自然地物、门址等；居民小区数据包括其位置数据、常住 人口数据、占地面积、经济收入；停车场数据包括其位置数据、停车位数据、占地面积和 经济效益；充电站数据包括其位置数据和充电桩数量数据。通过一段时间内持续收集运营 商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率数据。以一日内站点利 用率值的获取为例，将一日内某个充电桩被使用的时长与24小时做比值，可得到一日内 该充电桩的利用率值。
(2)数据预处理
进一步地，在S2中，主要进行数据预处理。包括删除原始数据中的噪声数据，补充其中缺失数据，并将其进行z-score归一化处理。除此之外，还需为后续模型训练做进一步的数据准备：选取站点附近重要的POI、大型小区、较大停车场，统计其人流量、占地面 积、经济效益、并计算其到充电桩的距离，并获取充电桩所属类型(直流/交流)和使用类 型(公共/专用)。其中，两地点间距离的计算采用Haversine距离，即：
其中，hs(Δθ)＝sin2(Δθ/2)＝(1-cos(Δθ))/2，
表示地点xi的经纬度，
表示地点xj的经纬度。
(3)利用率分级
进一步地，在S3中，主要对利用率进行分级。将S1中获取的利用率数据按照0～20％, 21％～40％,41％～60％,61％～80％,81％～100％进行划分，分别标记为1等级，2等级，3 等级，4等级，5等级。从而将充电桩的利用率问题转化为一个分类问题。
(4)模型训练
进一步地，在S4中，主要利用S2和S3中获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型。卷积神经网络主要由输入层、卷积层、池化层、全连接层以 及非线性激活函数组成。
输入层数据为S2中获取的数据，通过处理将输入数据集处理成统一的尺寸。卷积层 通过卷积核扫描输入数据自动提取数据中的特征，即：
其中
为 第l层第j个神经元的输出，
为第l-1层第i个神经元的输出，K为卷积核，
为第l层第i个 神经元的偏置，f为激活函数。池化层也叫下采样层，其利用池化函数调整卷积层得到的 输出，从而缩短数据维度降低计算量。
2、充电桩利用率的预测
利用训练好的充电桩选址定容评价模型，对步骤一中充电桩选址定容的初步结果进行 评估，得到每个充电桩的利用率等级。
除此之外，本发明还提供了一种基于人工智能的物联网充电桩建设规划的系统。
该系统包含：物联网充电桩选址定容模块和物联网充电桩利用率评估模块。
物联网充电桩选址定容模块用于对充电桩选址定容方案的初步探索，包括四个子模块： 获取数据、构建物联网充电桩选址定容模型、求解模型、获取充电桩选址定容初步结果。
物联网充电桩利用率评估模块主要对充电桩选址定容模块中获得的结果做进行进一 步的评估分析，包括四个子模块b：获取数据、数据预处理、训练卷积神经网络模型、充电桩利用率预测与评估。
最后，将物联网充电桩利用率评估模块得到的结果反馈给物联网充电桩选址定容模块， 从而得到物联网充电桩选址定容的最优建设规划方案。
实施例
1、首先利用基于模拟退火的变步长萤火虫算法，对某区的充电站进行选址定容。选取的 萤火虫数量为110，随机分布在待规划的范围内，得到的结果如图4所示，计算出9个充电站，圆的大小表示充电站中充电桩的数量。
2、其次，对比传统的萤火虫算法和本发明提出的基于模拟退火的变步长萤火虫算法，其 收敛的平均迭代次数和平均耗时以及目标函数最优值都有所提升。
3、然后，训练物联网充电桩利用率评估模型。
(1)首先，获取区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公 共/专用)以及充电桩附近5公里范围内POI兴趣点数据、居民小区数据、停车场数 据、充电站数据。下以POI数据为例：
| 名称 | 经度 | 纬度 | 类型 | 占地面积(平方米) | 经济效益(万) | 人流量 |
| XX食府 | 40.009393 | 116.407307 | 美食 | 1230 | 221 | 2028 |
| XX酒店 | 40.350461 | 116.627914 | 酒店 | 1200 | 326 | 300 |
| … | … | … | … | … | … | … |
同时，收集运营商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率数 据，数据如下表所示(下表仅作示例)：
(2)然后，进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数 据中的噪声数据，补充其中缺失数据，并将其进行z-score归一化处理等。
(3)接下来，将利用率分为5个等级，从而将充电桩的利用率问题转化为一个分类问题。
(4)最后，利用已获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型。
4、最后，利用训练好的模型进行预测评估。针对本实施例选出的9个充电站，依次预测 其未来的利用率等级，结果如下：
| 充电站 | 经度 | 纬度 | 预测站内充电桩平均利用率等级 |
| 充电桩：12 | 41.231012 | 116.411212 | 3 |
| 充电桩：28 | 40.132451 | 116.552313 | 4 |
| 充电桩：10 | 40.672413 | 116.451350 | 5 |
| 充电桩：34 | 40.881231 | 116.341003 | 3 |
| 充电桩：29 | 40.667100 | 116.751901 | 2 |
| 充电桩：13 | 40.661356 | 116.899101 | 5 |
| 充电桩：22 | 40.012003 | 116.901201 | 4 |
| 充电桩：21 | 39.989001 | 116.921254 | 3 |
| 充电桩：9 | 39.961012 | 116.910021 | 4 |
由上表中的预测结果发现，基于模拟退火的变步长萤火虫算法计算出的9个充电站位 置，在投入使用后可得到的有效利用率等级均较高，进一步验证了本专利所提出方法的有 效性。
通过以上实施例的描述，本领域的技术人员易于理解，这里描述的实施例可以通过软 件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例的技术 方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以 是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是 个人计算机、服务器、移动终端、或者网络设备等)执行本发明实施例的方法。
需要说明的是，上述实施例仅作为较佳的具体实施方式，但本申请的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化 或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保 护范围为准。
Claims (7)
1.一种基于人工智能的物联网充电桩建设规划的系统，其特征在于，包括：
物联网充电桩选址定容模块，用于确定预选区域内充电桩的最佳选址和数量；
物联网充电桩利用率评估模块，用于评估充电桩在投入使用后的有效利用率。
2.如权利要求1所述的物联网充电桩选址定容模块，其特征在于，包括：
数据获取单元，用于获取充电站成本数据和用户成本数据；
模型构建单元，用于构建最小化费用成本和时间成本并限制总预算费用的物联网充电桩选址定容模型；
模型求解单元，利用基于模拟退火的变步长萤火虫算法求解，确定所述预设区域内充电桩的最佳选址和数量。
3.如权利要求1所述的物联网充电桩利用率评估模块，其特征在于，包括：
数据获取单元，用于获取POI数据、居民小区数据、停车场数据及充电站数据；
数据处理单元，用于做建模前的数据准备，包括噪声数据处理、缺失数据处理和归一化处理；
利用率分级单元，利用物联网充电桩数据，即运营商公布的充电桩站点使用数据，将充电桩的利用率进行等级划分；
模型训练单元，利用人工智能算法，训练充电桩利用率评估模型；
模型预测单元，利用已训练好的物联网充电桩利用率评估模型，预测上述权利要求2中选址定容模块得到的充电桩的有效利用率。
4.一种基于人工智能的物联网充电桩建设规划的方法，其特征在于，包括：
建立最小化费用成本和时间成本并限制总预算费用的物联网充电桩选址模型，在传统充电站选址定容的基础上，加之考虑用户体验感，增加了用户充电途中电量使用和时间成本等因素；
构建基于模拟退火的变步长萤火虫算法，在萤火虫算法的基础上，引入模拟退火算法和变步长方法；
利用人工智能中卷积神经网络算法，结合POI数据，构建一种对选址定容结果进行有效利用率评价的方法，对选址定容的结果数据进一步评估分析，得到最优的物联网充电桩选址定容方案。
5.如权利要求4所述建立的最小化费用成本和时间成本并限制总预算费用的物联网充电桩选址模型，其特征在于，包括：
主要考虑充电桩的经济成本和用户的时间成本，经济成本主要包括充电站的建设费用、充电站周围道路建设费用、充电站电能损耗费用、充电站的运行维护费用，然后对各成本进行加权求和，同时加入充电站数量约束、充电桩数量约束、充电站之间的距离约束、交通路口到充电站的距离约束、充电站年费用约束，可得模型的目标函数及约束条件：
6.如权利要求4所述构建的基于模拟退火的变步长萤火虫算法，其特征在于，包括:
萤火虫的位置可以看作充电站的位置，萤火虫的数量可以看作站内充电桩的数量；
每一代寻优的过程中首先通过萤火虫不断移动进行全局寻优，将模拟退火算子引入到个体萤火虫的寻优中，转移概率为
其中，温度为T＝T0*θC-1，T0是初始温度，θ为衰减因子，C为迭代次数。
然后对荧光素浓度最高的个体进行模拟退火，实现局部寻优；
进一步的，为防止算法后期最优解在峰值附近出现震荡的现象，在每一步寻优的过程中加入变步长机制，即
其中，
7.如权利要求4所述的人工智能中的卷积神经网络算法，一种对选址定容结果进行有效利用率评价的方法，其特征在于，包括：
采集一个区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公共/专用)以及充电桩附近5公里范围内POI兴趣点数据、居民小区数据、停车场数据、充电站数据；
收集运营商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率数据；
数据预处理，包含噪声数据删除，缺失数据补充，归一化处理；
将充电桩的利用率问题转化成分类问题，其在于将利用率分为5个等级；
训练卷积神经网络模型，保存训练结果；
根据选址定容模型的结果，用已训练的卷积神经网络模型进行评估，确定最优的物联网充电桩建设方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610674.3A CN113642757B (zh) | 2021-06-01 | 2021-06-01 | 一种基于人工智能的物联网充电桩建设规划的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610674.3A CN113642757B (zh) | 2021-06-01 | 2021-06-01 | 一种基于人工智能的物联网充电桩建设规划的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642757A true CN113642757A (zh) | 2021-11-12 |
| CN113642757B CN113642757B (zh) | 2024-02-27 |
Family
ID=78415892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610674.3A Active CN113642757B (zh) | 2021-06-01 | 2021-06-01 | 一种基于人工智能的物联网充电桩建设规划的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642757B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115544704A (zh) * | 2022-11-28 | 2022-12-30 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
| CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373863A (zh) * | 2015-12-07 | 2016-03-02 | 国网福建省电力有限公司泉州供电公司 | 一种基于萤火虫算法确定电动汽车充电站位置和容量的方法 |
| CN107506844A (zh) * | 2017-07-06 | 2017-12-22 | 南京理工大学 | 一种电动汽车充电站新型优化布局方法 |
| US20180012164A1 (en) * | 2016-07-08 | 2018-01-11 | Conduent Business Services, Llc | Method of planning for deployment of facilities and apparatus associated therewith |
| CN108460487A (zh) * | 2018-03-07 | 2018-08-28 | 国网江苏省电力有限公司无锡供电分公司 | 基于apso算法的电动汽车快速充电站优化选址定容方法 |
| US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
| CN109146135A (zh) * | 2018-07-18 | 2019-01-04 | 华南理工大学 | 一种共享电动自行车站点车桩配备的优化方法 |
| CN110046753A (zh) * | 2019-03-29 | 2019-07-23 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
| CN110544023A (zh) * | 2019-08-16 | 2019-12-06 | 北京慧辰资道资讯股份有限公司 | 一种企业区域性贡献力的数据化评估系统及其评估方法 |
| CN110598927A (zh) * | 2019-09-05 | 2019-12-20 | 国创新能源汽车能源与信息创新中心(江苏)有限公司 | 一种充电场站优化配置选型方法 |
| CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
| CN111311122A (zh) * | 2020-03-23 | 2020-06-19 | 广东工业大学 | 面向智慧城市的充电站建设方法 |
| CN111582670A (zh) * | 2020-04-21 | 2020-08-25 | 上海电力大学 | 一种电动汽车充电站选址定容方法 |
| CN112132608A (zh) * | 2020-09-15 | 2020-12-25 | 北京慧辰资道资讯股份有限公司 | 基于电力物联网大数据的充电服务智能推荐方法及装置 |
-
2021
- 2021-06-01 CN CN202110610674.3A patent/CN113642757B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373863A (zh) * | 2015-12-07 | 2016-03-02 | 国网福建省电力有限公司泉州供电公司 | 一种基于萤火虫算法确定电动汽车充电站位置和容量的方法 |
| US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
| US20180012164A1 (en) * | 2016-07-08 | 2018-01-11 | Conduent Business Services, Llc | Method of planning for deployment of facilities and apparatus associated therewith |
| CN107506844A (zh) * | 2017-07-06 | 2017-12-22 | 南京理工大学 | 一种电动汽车充电站新型优化布局方法 |
| CN108460487A (zh) * | 2018-03-07 | 2018-08-28 | 国网江苏省电力有限公司无锡供电分公司 | 基于apso算法的电动汽车快速充电站优化选址定容方法 |
| CN109146135A (zh) * | 2018-07-18 | 2019-01-04 | 华南理工大学 | 一种共享电动自行车站点车桩配备的优化方法 |
| CN110046753A (zh) * | 2019-03-29 | 2019-07-23 | 江苏大学 | 一种电动汽车充电站最优建设数量和选址方案规划方法 |
| CN110544023A (zh) * | 2019-08-16 | 2019-12-06 | 北京慧辰资道资讯股份有限公司 | 一种企业区域性贡献力的数据化评估系统及其评估方法 |
| CN110598927A (zh) * | 2019-09-05 | 2019-12-20 | 国创新能源汽车能源与信息创新中心(江苏)有限公司 | 一种充电场站优化配置选型方法 |
| CN111311122A (zh) * | 2020-03-23 | 2020-06-19 | 广东工业大学 | 面向智慧城市的充电站建设方法 |
| CN111582670A (zh) * | 2020-04-21 | 2020-08-25 | 上海电力大学 | 一种电动汽车充电站选址定容方法 |
| CN111209708A (zh) * | 2020-04-22 | 2020-05-29 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
| CN112132608A (zh) * | 2020-09-15 | 2020-12-25 | 北京慧辰资道资讯股份有限公司 | 基于电力物联网大数据的充电服务智能推荐方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 邱金鹏;牛东晓;朱国栋;: "基于萤火虫算法的电动汽车充电站优化布局", 华北电力大学学报(自然科学版), no. 05, 30 September 2016 (2016-09-30) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115544704A (zh) * | 2022-11-28 | 2022-12-30 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
| CN115544704B (zh) * | 2022-11-28 | 2023-03-24 | 小米汽车科技有限公司 | 充电桩拓扑确定方法、装置及存储介质 |
| CN116862209A (zh) * | 2023-09-05 | 2023-10-10 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及系统 |
| CN116862209B (zh) * | 2023-09-05 | 2023-12-01 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642757B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China | |
| Haque et al. | Optimizing urban land use allocation for planners and real estate developers | |
| CN110442715B (zh) | 一种基于多元大数据的综合城市地理语义挖掘方法 | |
| Kaviari et al. | Simulation of urban growth using agent-based modeling and game theory with different temporal resolutions | |
| CN113642757A (zh) | 一种基于人工智能的物联网充电桩建设规划的方法及系统 | |
| CN110837973B (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
| CN112488185A (zh) | 包含时空特性的车辆运行参数预测方法，系统，电子设备及可读存储介质 | |
| Motieyan et al. | A novel spatial index using spatial analyses and hierarchical fuzzy expert system for obtaining green TOD: a case study in Tehran city | |
| Spiekermann et al. | Evaluating urban sustainability using land-use transport interaction models | |
| CN114897444A (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
| CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
| Kang et al. | Potential of urban land use by autonomous vehicles: Analyzing land use potential in Seoul capital area of Korea | |
| 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 | |
| CN108182196A (zh) | 一种基于poi的城市交通需求预测方法 | |
| Yu et al. | A map matching-based method for electric vehicle charging station placement at directional road segment level | |
| Farhadi et al. | Data-driven multi-objective optimization for electric vehicle charging infrastructure | |
| Abdullah et al. | Integrated Multi-Criteria Model for Long-Term Placement of Electric Vehicle Chargers | |
| Sun et al. | The relative roles of different land-use types in bike-sharing demand: A machine learning-based multiple interpolation fusion method | |
| CN116720750B (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
| Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
| Ishikawa et al. | A decision support model for traffic congestion in protected areas: A case study of Shiretoko National Park | |
| Niyomubyeyi et al. | An improved non-dominated sorting biogeography-based optimization algorithm for multi-objective land-use allocation: a case study in Kigali-Rwanda | |
| Yang et al. | An adaptive workflow to generate street network and amenity allocation for walkable neighborhood design | |
| Withanage | A GIS-multi-criteria decision analysis to find suitable sites for residential development: A case from Kandy MC, Sri Lanka | |
| Toutakhane et al. | Planning for strengthening the city's economic infrastructure with an emphasis on sustainable tourism (case: Ardebil City) |
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 |