CN114118482A - 一种基于多维充电数据的充电站运营质量提升方法 - Google Patents
一种基于多维充电数据的充电站运营质量提升方法 Download PDFInfo
- Publication number
- CN114118482A CN114118482A CN202111465077.2A CN202111465077A CN114118482A CN 114118482 A CN114118482 A CN 114118482A CN 202111465077 A CN202111465077 A CN 202111465077A CN 114118482 A CN114118482 A CN 114118482A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- station
- charging station
- stations
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013486 operation strategy Methods 0.000 claims abstract description 8
- 238000011157 data evaluation Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000002860 competitive effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维充电数据的充电站运营质量提升方法，包括步骤1，获取充电站数据并对收集的数据进行清洗和多维度统计；步骤2，构建数据评价指标；步骤3，量化评价各充电站指标得分；步骤4，应用充电站各类型分群结果，总结各类型充电站特征，参考历史充电站运营数据信息，计算不同运营方案下类型充电站带来的运营效益差别，调整运营策略实现最佳运营方案。本发明能够有效提升充电桩站的运维水平。
Description
技术领域
本发明涉及一种用于充电站运维领域的基于多维充电数据的充电站运营质量提升方法。
背景技术
近年来，新能源汽车的使用得到了广泛推广，而充电站充电桩也成与之配套的重要基础设施。目前，有大规模的充电桩完成了建设工作并进入运营阶段，但是各个充电桩站的运营工作良莠不齐，总体上来讲有效运营程度较低，缺乏对公共充电设施缺少精益化运营，运维检修、运营推广等业务的针对性和智能化水平不足，严重制约了充电设施利用率的提升以及运营成本的压降。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种基于多维充电数据的充电站运营质量提升方法，能够有效提升充电桩站的运维水平。
实现上述目的的一种技术方案是：一种基于多维充电数据的充电站运营质量提升方法，包括如下步骤：
步骤1，从车联网平台、社会电动汽车充电设施平台、典型用户现场调研获取充电站数据，并对收集的数据进行清洗和多维度统计；
步骤2，构建数据评价指标，对当前充电站运营情况进行分析评价，采用皮尔逊相关性分析法，研究各指标对运营收益情况的相关程度，量化并划分二级指标，确定指标权重，构建充电站有序充电需求评价指标体系；
步骤3，量化评价各充电站指标得分，并应用聚类算法划分不同充电站特征类别，梳理不同类别差异，总结充电站精益化运营方案；
步骤4，应用充电站各类型分群结果，总结各类型充电站特征，参考历史充电站运营数据信息，计算不同运营方案下类型充电站带来的运营效益差别，调整运营策略实现最佳运营方案。
进一步的，步骤1中，充电站数据包括充电站基础档案数据、用户消费数据、充电记录数据。
进一步的，步骤2中，数据评价指标包括市场需求、硬件设施、同业竞争和场站环境四个维度，市场需求维度下的二级指标为基本信息、单桩充电量、日均站点充电量，硬件设施维度下的二级指标为充电桩数量、停车费数据和设备故障次数，同业竞争维度下的二级指标为，竞品场站数量，竞品场站分布和竞品场站价格，场站环境维度下的二级指标为是否油车占位数据、场站环境数据和周围配套设施数据。
本发明的一种基于多维充电数据的充电站运营质量提升方法能够总结各类型充电站运营优劣势，不断自动优化完善调整运营策略，形成充电站精益化运营策略模型，为各类充电站提供最佳运营方案。
具体实施方式
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
本发明的一种基于多维充电数据的充电站运营质量提升方法，其特征在于，包括如下步骤：
步骤1，从车联网平台、社会电动汽车充电设施平台、典型用户现场调研获取充电站数据，并对收集的数据进行清洗和多维度统计。充电站数据包括充电站基础档案数据、用户消费数据、充电记录数据。利用Python、SQL等专业数据分析工具对收集的数据进行清洗和多维度统计，深入分析总结出区位条件、客户特点、市场竞争、充电价格、设备特点、服务设施六大关键影响维度，从而掌握影响公司充电站运营的关键影响因素。
步骤2，构建数据评价指标，对当前充电站运营情况进行分析评价，采用皮尔逊相关性分析法，研究各指标对运营收益情况的相关程度，量化并划分二级指标，确定指标权重，构建充电站有序充电需求评价指标体系。数据评价指标包括市场需求、硬件设施、同业竞争和场站环境四个维度，市场需求维度下的二级指标为基本信息、单桩充电量、日均站点充电量，硬件设施维度下的二级指标为充电桩数量、停车费数据和设备故障次数，同业竞争维度下的二级指标为，竞品场站数量，竞品场站分布和竞品场站价格，场站环境维度下的二级指标为是否油车占位数据、场站环境数据和周围配套设施数据。
关键影响因素确定则采用“皮尔逊法”对各因素和运营相关性分析，明确指数关系，相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量。相关系数r是用以反映变量之间相关关系密切程度的统计指标。
然后采取CRITIC算法对指标权重进行分析处理，CRITIC法是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性。对比强度是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高；指标之间的冲突性，用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。
步骤3，结合运营影响因素调研分析结果，量化评价各充电站指标得分，并应用聚类算法划分不同充电站特征类别，梳理不同类别差异，总结各类型充电站精益化运营方案，同时为后续差异化充电站建设运营提供支撑。
具体大数据算法原理如下：
(1)聚类算法
k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
(2)DTW相似度算法
DTW用于计算两个时间序列的相似度。DTW在时间轴上进行局部的缩放，使得两个序列的形态尽可能的一致，得到最大可能的相似度。DTW采用了动态规划DP(dynamicprogramming)的方法来进行时间规整的计算。
步骤4，应用充电站各类型分群结果，总结各类型充电站特征，参考历史充电站运营数据信息，计算不同运营方案(站/桩建设数量、服务费用、增值服务、客户管理、配套设施等)下类型充电站带来的运营效益差别，不断完善调整运营策略，形成有效的各充电站精益化运营匹配策略，实现最佳运营方案。
本发明应用数据多维交叉分析技术，开展充电桩运营现状分析，总结充电桩运营关键影响因素，基于大数据挖掘技术，设计指标计算公式，量化评价各充电站指标得分，并应用聚类算法划分不同充电站特征类别。本发明参考历史充电站运营数据信息，计算不同运营方案下类型充电站带来的运营效益差别，然后应用机器学习技术，构建可持续优化的充电站精益化运营策略模型。为各类充电站提供最佳运营方案，促进电动汽车产业发展。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (3)
1.一种基于多维充电数据的充电站运营质量提升方法，其特征在于，包括如下步骤：
步骤1，从车联网平台、社会电动汽车充电设施平台、典型用户现场调研获取充电站数据，并对收集的数据进行清洗和多维度统计；
步骤2，构建数据评价指标，对当前充电站运营情况进行分析评价，采用皮尔逊相关性分析法，研究各指标对运营收益情况的相关程度，量化并划分二级指标，确定指标权重，构建充电站有序充电需求评价指标体系；
步骤3，量化评价各充电站指标得分，并应用聚类算法划分不同充电站特征类别，梳理不同类别差异，总结充电站精益化运营方案；
步骤4，应用充电站各类型分群结果，总结各类型充电站特征，参考历史充电站运营数据信息，计算不同运营方案下类型充电站带来的运营效益差别，调整运营策略实现最佳运营方案。
2.根据权利要求1所述的一种基于多维充电数据的充电站运营质量提升方法，其特征在于，步骤1中，充电站数据包括充电站基础档案数据、用户消费数据、充电记录数据。
3.根据权利要求1所述的一种基于多维充电数据的充电站运营质量提升方法，其特征在于，步骤2中，数据评价指标包括市场需求、硬件设施、同业竞争和场站环境四个维度，市场需求维度下的二级指标为基本信息、单桩充电量、日均站点充电量，硬件设施维度下的二级指标为充电桩数量、停车费数据和设备故障次数，同业竞争维度下的二级指标为，竞品场站数量，竞品场站分布和竞品场站价格，场站环境维度下的二级指标为是否油车占位数据、场站环境数据和周围配套设施数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465077.2A CN114118482A (zh) | 2021-12-03 | 2021-12-03 | 一种基于多维充电数据的充电站运营质量提升方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465077.2A CN114118482A (zh) | 2021-12-03 | 2021-12-03 | 一种基于多维充电数据的充电站运营质量提升方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118482A true CN114118482A (zh) | 2022-03-01 |
Family
ID=80365890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111465077.2A Pending CN114118482A (zh) | 2021-12-03 | 2021-12-03 | 一种基于多维充电数据的充电站运营质量提升方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118482A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965363A (zh) * | 2023-03-16 | 2023-04-14 | 苏州时代华景新能源有限公司 | 一种锂电池储能箱运营数据处理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184420A (zh) * | 2015-09-25 | 2015-12-23 | 东南大学 | 一种基于灰色关联分析的充电站规划方案评估方法 |
| CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
| CN106951978A (zh) * | 2017-02-20 | 2017-07-14 | 国网天津市电力公司 | 一种基于改进K‑means算法的城市集中型充电站规划方法 |
| CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
| CN109685382A (zh) * | 2018-12-29 | 2019-04-26 | 国网浙江电动汽车服务有限公司 | 基于层次分析法的电动汽车充电设施状况评测方法 |
| CN111091309A (zh) * | 2020-01-14 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种电动汽车充电网络运行经济效益评价方法 |
| CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
-
2021
- 2021-12-03 CN CN202111465077.2A patent/CN114118482A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184420A (zh) * | 2015-09-25 | 2015-12-23 | 东南大学 | 一种基于灰色关联分析的充电站规划方案评估方法 |
| CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
| CN106951978A (zh) * | 2017-02-20 | 2017-07-14 | 国网天津市电力公司 | 一种基于改进K‑means算法的城市集中型充电站规划方法 |
| CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
| CN109685382A (zh) * | 2018-12-29 | 2019-04-26 | 国网浙江电动汽车服务有限公司 | 基于层次分析法的电动汽车充电设施状况评测方法 |
| CN111091309A (zh) * | 2020-01-14 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种电动汽车充电网络运行经济效益评价方法 |
| CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陆慧, 等: "广州地区充电站效能评估模型研究", 《中国新通信》, vol. 22, no. 9, 15 May 2020 (2020-05-15), pages 119 - 120 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965363A (zh) * | 2023-03-16 | 2023-04-14 | 苏州时代华景新能源有限公司 | 一种锂电池储能箱运营数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
| CN108241745A (zh) | 样本集的处理方法及装置、样本的查询方法及装置 | |
| CN108230029A (zh) | 客户交易行为分析方法 | |
| CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
| CN108460486A (zh) | 一种基于改进聚类算法和神经网络的电压偏差预测方法 | |
| CN114118482A (zh) | 一种基于多维充电数据的充电站运营质量提升方法 | |
| CN111420898B (zh) | 一种退役电池分选方法及其应用的系统 | |
| CN112667611B (zh) | 一种电动汽车充电行为特征分析方法和系统 | |
| CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
| CN103971133A (zh) | 基于案例推理的钢板表面缺陷的自动识别方法 | |
| CN111291822A (zh) | 基于模糊聚类最优k值选择算法的设备运行状态判断方法 | |
| CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN117113126A (zh) | 一种基于改进聚类算法的行业用电特性分析方法 | |
| CN114022205A (zh) | 基于改进聚类法的电力用户缴费渠道偏好匹配方法及系统 | |
| CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
| CN114970660A (zh) | 一种电力负荷聚类方法 | |
| CN115858534A (zh) | 基于金豺优化算法的服务价值链业务数据特征选择方法 | |
| CN115185247A (zh) | 一种基于产品加工质量的机床运行状态预测与车间调度方法 | |
| CN112164144B (zh) | 一种结合d2算子和法向算子的铸件三维模型分类方法 | |
| CN112270338A (zh) | 一种电力负荷曲线聚类方法 | |
| CN111914930A (zh) | 一种基于自适应微簇融合的密度峰值聚类方法 | |
| CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
| CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
| CN116307381A (zh) | 一种基于多属性决策的绿色产品设计方案评价方法及系统 | |
| CN110750549A (zh) | 一种基于大数据的车辆库存管理系统 |
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 |