CN114692962A - 一种基于大数据的充电基础设施满足度评估方法和系统 - Google Patents
一种基于大数据的充电基础设施满足度评估方法和系统 Download PDFInfo
- Publication number
- CN114692962A CN114692962A CN202210283286.3A CN202210283286A CN114692962A CN 114692962 A CN114692962 A CN 114692962A CN 202210283286 A CN202210283286 A CN 202210283286A CN 114692962 A CN114692962 A CN 114692962A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- areas
- demand
- regional
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000012634 fragment Substances 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种基于大数据的充电基础设施满足度评估方法和系统,包括:采集电动汽车的运行监测数据,结合位置数据,获取区域数据集,基于密度聚类方法得到充电站位置和充电站数量,获取充电站服务能力和区域充电能力,构建充电需求预测模型,并进行训练,获取充电需求数据,输入训练后的充电需求预测模型,获取区域充电需求,对区域进行全覆盖划分,筛选符合预设精度的片区,结合充电站的服务能力、区域充电能力和区域充电需求,判断片区内充电服务能力的满足度,并综合所有片区的判断结果,评估区域充电服务能力是否满足用户需求。本发明能够对充电基础设施满足度进行评估,便于针对性地对不满足充电需求的区域进行充电基础设施建设。
Description
技术领域
本发明涉及电动汽车充电基础设施技术领域,尤其涉及一种基于大数据的充电基础设施满足度评估方法和系统。
背景技术
近年来,随着我国经济社会发展水平的不断提高,能源和环境污染问题日益严重。电动汽车作为一种新能源汽车,对优化能源结构、促进节能减排、防治大气污染等方面具有重要意义,也是我国能源和汽车产业健康发展的重要举措。根据汽车工业协会的调查,电池性能、单次充电行驶里程和充电设施配置是影响客户购买电动车的三大重要因素,但电池性能和单次充电行驶里程在现有的技术水平下不能显著提升,因此,对于未来电动汽车的发展而言,充电设施作为电动汽车的“口粮”,对于发展电动汽车具有直接影响。
但充电基础设施初期发展不合理、不完善,且各运营商之间的数据不互通,造成对全国充电基础设施的整体概况以及运行情况不清楚,不便于后期的建设和运营管理。此外,科学和合理的规划充电设施将直接影响充电设施的建设成本、运营成本、用户满意度、当地电网等,因此,亟需一种能够对电动汽车充电基础设施满足度进行评估的方法。
发明内容
基于此,有必要针对上述技术问题,提供一种基于大数据的充电基础设施满足度评估方法和系统。
一种基于大数据的充电基础设施满足度评估方法,包括以下步骤:采集电动汽车的运行监测数据,所述运行监测数据包括单次行驶数据和单次充电数据;对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集;根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力;获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求;采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,评估片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的评估结果判断区域内的充电服务能力是否满足用户充电需求。
在其中一个实施例中,所述单次行驶数据包括车架号、行驶开始时间、行驶结束时间、行驶持续时长、行驶开始经度、行驶开始纬度、行驶结束经度、行驶结束纬度、行驶开始荷电状态和行驶结束荷电状态;所述单次充电数据包括车辆唯一标识、充电开始时间、充电结束时间、充电时长、充电开始经度、充电开始纬度和充电开始荷电状态。
在其中一个实施例中,所述对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集,具体包括:截取电动汽车单次的行驶开始时间和充电开始时间的日期部分,获取行驶开始日期和充电开始日期;按照月份、星期几和是否节假日对日期进行处理,获取月份、星期信息和节假日信息;根据所述行驶开始经度、行驶开始纬度、充电开始经度和充电开始纬度,获取片段开始的位置信息,并根据所述位置信息获取天气和温度信息;基于时间对单次行驶数据和单次充电数据进行排序,获取上一次动态的片段信息,所述上一次动态的片段信息包括上一次动态片段为行驶或充电、上一次充电结束时间、上一次片段结束时间、上一次片段结束时的荷电状态、上一次充电结束的时间间隔、上一次片段的天气和上一次片段的温度;根据所述行驶开始日期、充电开始日期、月份、星期信息、节假日信息、天气、温度信息和上一次动态的片段信息,构建获取区域数据集。
在其中一个实施例中,所述根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力,具体包括:根据所述充电开始经度和充电开始纬度获取充电位置,并统计在所述充电位置的充电总次数,在充电位置对应的充电总次数超过预设充电次数时,认定所述充电位置为公共充电点;将公共充电点之间的距离作为聚类依据,采用密度聚类方法对公共充电点进行聚类,获取充电站位置和充电站数量;基于最大时间重叠度计算同时在充电站进行充电的最大车辆数,获取充电站中的充电桩数量;根据所述充电桩数量评估充电站的服务能力,并根据区域内所有充电站对应的充电桩数量评估区域充电能力。
在其中一个实施例中,所述获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求,具体包括:选取截止到T-1时间电动汽车的历史动态数据,所述历史动态数据包括充电开始荷电状态、充电开始时间、充电开始经纬度、行驶开始荷电状态、行驶结束荷电状态和上一次动态的片段信息;根据所述区域数据集判断T-2时间是否发生了充电,并将判断结果添加到历史动态数据中,获取历史数据集;将所述历史数据集通过SMOTE采样按照预设比例划分测试组和实验组;基于机器学习算法构建充电需求预测模型,通过所述测试组和实验组对所述充电需求预测模型进行训练;根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求,所述区域充电需求包括潜在用户数、充电需求时间段分布和充电经纬度。
在其中一个实施例中,所述采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求,具体包括:采用Uber H3算法对区域进行全覆盖划分,获取若干片区,在所述若干片区中筛选出H3精度为7的片区;根据所述充电站的服务能力、区域充电能力和区域充电需求,计算对应的片区充电能力和片区充电需求;根据片区充电需求时间段分布和潜在用户数判断最大同时充电数,比较所述最大同时充电数和片区内充电桩数,根据比较结果判断片区内充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
在其中一个实施例中,所述综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求,具体包括:在区域内所有片区的充电服务能力均满足用户充电需求时,认定区域内的充电服务能力满足用户充电需求;在存在至少一个片区的充电服务能力不满足用户充电需求时,认定区域内的充电服务能力不满足用户充电需求。
一种基于大数据的充电基础设施满足度评估系统,包括:运行监测数据采集模块,用于采集电动汽车的运行监测数据,所述运行监测数据包括单次行驶数据和单次充电数据;区域数据集获取模块,用于对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集;充电能力评估模块,用于根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力;充电需求预测模块,用于获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求;充电需求判断模块,用于采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
相比于现有技术,本发明的优点及有益效果在于:本发明能够通过电动汽车的运行监测数据,结合位置数据,获取区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,获取充电站的服务能力和区域充电能力,基于机器学习算法构建充电需求预测模型,并根据历史动态数据对该模型进行训练,获取区域数据集中的充电需求数据,并输入训练后的充电需求预测模型,获取区域充电需求,采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选符合预设精度的片区,结合充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力,并综合区域内所有片区的判断结果,评估区域内的充电服务能力是否满足用户需求,能够确定区域内充电基础设施满足度,便于针对性地对不满足充电需求区域进行充电基础设施建设,从而缓解用户充电焦虑,提升用户充电需求满足度。
附图说明
图1为一个实施例中一种基于大数据的充电基础设施满足度评估方法的流程示意图;
图2为一个实施例中一种基于大数据的充电基础设施满足度评估系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,提供了一种基于大数据的充电基础设施满足度评估方法,包括以下步骤:
步骤S101,采集电动汽车的运行监测数据,运行监测数据包括单次行驶数据和单次充电数据。
具体地,本申请所述的电动汽车为私人电动乘用汽车。为了实现从电动汽车角度出发,估计区域内当前时刻有充电需求的车辆,并判断该区域内是否满足充电需求的目的,需要使用电动汽车的静态数据和动态更新的运行数据。因此,采集电动汽车在一段时间内的运行监测数据,包括单次行驶数据和单次充电数据。
其中,单次行驶数据包括车架号、行驶开始时间、行驶结束时间、行驶持续时长、行驶开始经度、行驶开始纬度、行驶结束经度、行驶结束纬度、行驶开始荷电状态和行驶结束荷电状态;单次充电数据包括车辆唯一标识、充电开始时间、充电结束时间、充电时长、充电开始经度、充电开始纬度和充电开始荷电状态。
步骤S102,对运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将有效数据与位置数据进行结合,获取区域数据集。
具体地,对运行监测数据进行处理,提取运行监测数据中的有效数据,例如,单次行驶开始时间、片段开始所在经纬度信息、片段结束时的荷电状态、温度和天气等,并根据经纬度信息获取电动汽车运行的位置数据,根据有效数据和位置数据构建区域数据集。
步骤S103,根据区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据充电桩数量评估充电站的服务能力和区域充电能力。
具体地,根据区域数据集,获取电动汽车充电开始时的经纬度信息,充电点的充电次数判断是否为公共充电点,并通过密度聚类方法对公共充电点进行处理,得到充电站位置和充电站数量,并基于最大时间重叠度,判断充电站同时充电的最大数量,作为充电站的充电桩数量,即为充电站的服务能力,统计区域内所有的充电桩数量,作为区域充电能力。
步骤S104,获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据历史动态数据对充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将充电需求数据输入充电需求预测模型,获取区域充电需求。
具体地,通过机器学习算法构建充电需求预测模型,获取电动车的历史动态数据,将历史动态数据划分为历史充电需求数据和历史充电需求,通过历史充电需求数据和历史充电需求对充电需求预测模型进行训练和验证,获取最终的充电需求预测模型;根据区域数据集获取对应的充电需求数据,将充电需求数据输入最终的充电需求预测模型,获取区域充电需求。
步骤S105,采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
具体地,采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出H3精度为符合预设精度的片区,结合充电站的服务能力、区域充电能力和区域充电需求,判断片区内充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。例如,例如一个区域划分为10个片区,则10个片区的充电服务能力均满足用户充电需求时,认定区域充电服务能力满足用户充电需求;若存在至少一个片区不满足用户充电需求,则认定区域充电服务能力不满足用户充电需求,并可以针对性地对不满足需求的片区增设或调整充电基础设施,缓解充电压力,提升用户充电需求的满足度。
其中,H3是一个针对地球的空间划分和空间索引系统。H3地理空间索引系统是一个离散的全局网格系统,该系统由具有层次结构索引的球形多精度六边形拼贴组成。在球形外接二十面体的平面上创建六边形网格系统,然后使用反面为中心的多面体结构投影将网格单元投影到球体的表面。
在本实施例中,通过电动汽车的运行监测数据,结合位置数据,获取区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,获取充电站的服务能力和区域充电能力,基于机器学习算法构建充电需求预测模型,并根据历史动态数据对该模型进行训练,获取区域数据集中的充电需求数据,并输入训练后的充电需求预测模型,获取区域充电需求,采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选符合预设精度的片区,结合充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力,并综合区域内所有片区的判断结果,评估区域内的充电服务能力是否满足用户需求,能够确定区域内充电基础设施满足度,便于针对性地对不满足充电需求区域进行充电基础设施建设,从而缓解用户充电焦虑,提升用户充电需求满足度。
其中,步骤S102具体包括:截取电动汽车单次的行驶开始时间和充电开始时间,获取行驶开始日期和充电开始日期;按照月份、星期几和是否节假日对日期进行处理,获取月份、星期信息和节假日信息;根据行驶开始经度、行驶开始纬度、充电开始经度和充电开始纬度,获取片段开始的位置信息,并根据位置信息获取天气和温度信息;基于时间对单次行驶数据和单次充电数据进行排序,获取上一次动态的片段信息,上一次动态的片段信息包括上一次动态片段为行驶或充电、上一次充电结束时间、上一次片段结束时间、上一次片段结束时的荷电状态、上一次充电结束的时间间隔、上一次片段的天气和上一次片段的温度;根据行驶开始日期、充电开始日期、月份、星期信息、节假日信息、天气、温度信息和上一次动态的片段信息,构建获取区域数据集。
具体地,根据单次行驶数据和单次充电数据,截取电动汽车单次片段的行驶开始时间和充电开始时间的日期部分,按照格式年月日YYYYMMDD的格式取出,获取行驶开始日期和充电开始日期;按照月份、星期几和是否节假日对日期数据进行处理,将月份表示为1至12,获取月份,将星期几表示为1至7,获取星期信息,将节假日记为1,非节假日记为0,获取节假日信息。
根据行驶和充电开始的经纬度信息,获取片段开始时所在的位置信息,通过网络获取对应的天气和温度,选取开始时间日期中的最高温度和最低温度的平均值,作为温度信息。
基于时间对单次行驶数据和单次充电数据进行排序,可以时升序或降序,获取上一次动态的片段信息,包括上一次动态为行驶或充电、上一次充电结束时间、上一次片段结束时间、上一次片段结束时的荷电状态、上一次充电结束的时间间隔、上一次片段的天气和上一次片段的温度。其中,上一次充电结束的时间间隔,通过计算上一次充电结束时间距离数据统计的时间间隔获取。
通过上述获取的所有数据信息,构建获取区域数据集。
其中,步骤S103具体包括:根据充电开始经度和充电开始纬度获取充电位置,并统计在充电位置的充电总次数,在充电总次数超过预设充电次数时,认定充电位置为公共充电点;将公共充电点之间的距离作为聚类依据,采用密度聚类方法对公共充电点进行聚类,获取充电站位置和充电站数量;基于最大时间重叠度计算同时在充电站进行充电的最大车辆数,获取充电站中的充电桩数量;根据充电桩数量评估充电站的服务能力,并根据区域内所有充电站对应的充电桩数量评估区域充电能力。
具体地,根据充电开始的经纬度信息获取充电位置,并统计充电位置对应的充电总次数,在充电总次数超过预设充电次数时,认定充电位置为公共充电点。可以根据充电位置的第一次充电和最后一次充电的时间间隔,即充电位置的充电桩工作天数,对预设充电次数进行设置。例如,例如时间间隔为50天,则可以将预设充电次数设置为200,在该充电位置的充电只能够次数超过200次时,认定该充电位置为公共充电点。
通过DBSCAN(Density-Based Spatial Clustering of Applications withNoise,具有噪声的基于密度的聚类方法)密度聚类方法,将充电位置之间的距离作为聚类依据,得到充电站位置和充电站数量,基于最大时间重叠度,统计同时在充电站进行充电的最大车辆数,获取充电站的充电桩数量,并根据充电桩数量评估充电站的服务能力,并根据区域内所有充电站对应的充电桩数量评估区域充电能力。
其中,步骤S104具体包括:选取截止到T-1时间电动汽车的历史动态数据,历史动态数据包括充电开始荷电状态、充电开始时间、充电开始经纬度、行驶开始荷电状态、行驶结束荷电状态和上一次动态的片段信息;根据区域数据集判断T-2时间是否发生了充电,并将判断结果添加到历史动态数据中,获取历史数据集;将历史数据集通过SMOTE采样按照预设比例划分为测试组和实验组;基于机器学习算法构建充电需求预测模型,通过测试组和实验组对充电需求预测模型进行训练;根据区域数据集获取充电需求数据,将充电需求数据输入充电需求预测模型,获取区域充电需求,区域充电需求包括潜在用户数、充电需求时间段分布和充电经纬度。
具体地,选取运行监测数据中截止到T-1时间电动汽车的历史动态数据,例如截止到T-1时间前一年内的历史动态数据;根据区域数据集判断T-2时间内是否进行了充电,并将判断结果添加到历史动态数据中,获取历史数据集;将历史数据集通过SMOTE采样按照预设比例,例如测试组:实验组=2:8的比例,划分测试组和实验组,以确保数据集平衡;基于机器学习算法,例如随机森林、xgboost等,构建充电需求预测模型,通过测试组和实验组对充电需求预测模型进行训练;根据区域数据集获取充电需求数据,例如用户T-2天是否进行充电、充电时间段、充电位置等,将充电需求数据集输入训练后的充电需求预测模型,获取区域充电需求。
其中,充电需求预测模型在预测过程中是基于T-1天的特征变量,预测T+1天用户是否存在充电需求,筛选出有充电需求的用户,并根据每个历史充电开始时间所处的时间段,计算用户第二天在每个时间段充电的置信度,选取置信度最高的时间段作为用户当前的充电需求时间段,并根据自然周用户充电位置进行聚类,预估有充电需求的用户的充电位置,统计所有用户的充电需求,从而获取区域充电需求。
其中,步骤S105具体包括:采用Uber H3算法对区域进行全覆盖划分,获取若干片区,在若干片区中筛选出H3精度为7的片区;根据充电站的服务能力、区域充电能力和区域充电需求,计算对应的片区充电能力和片区充电需求;根据片区充电需求时间段分布和潜在用户数判断最大同时充电数,比较最大同时充电数和片区内充电桩数,根据比较结果判断片区内充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
具体地,采用Uber H3六边形分层索引网格系统,对区域进行全覆盖划分,获取若干六边形片区,在若干片区中筛选出H3精度=7(单个六边形覆盖5.16平方公面积)的片区;结合充电站的服务能力、区域充电能力和区域充电需求,计算对应的片区充电能力和片区充电需求;根据片区充电需求时间段分布和潜在用户数判断最大同时充电数,比较最大同时充电数和片区内充电桩数,若片区内充电桩数小于最大同时充电数,则认定片区内充电服务能力不满足用户需求;若片区内充电桩数大于或等于最大同时充电数,则认定片区内充电服务能力满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求,从而能够判断该区域内的充电基础设施是否满足用户充电需求,便于在充电基础设施不满足充电需求时,对充电服务能力不足的片区进行对应的基础设施建设。
具体地,在区域内所有片区的充电服务能力均满足用户充电需求时,认定区域内的充电服务能力满足用户充电需求;在存在至少一个片区的充电服务能力不满足用户充电需求时,认定区域内的充电服务能力不满足用户充电需求。
如图2所示,提供了一种基于大数据的充电基础设施满足度评估系统20,包括:运行监测数据采集模块21、区域数据集获取模块22、充电能力评估模块23、充电需求预测模块24和充电服务能力评估模块25,其中:
运行监测数据采集模21,用于采集电动汽车的运行监测数据,运行监测数据包括单次行驶数据和单次充电数据;
区域数据集获取模块22,用于对运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将有效数据与所述位置数据进行结合,获取区域数据集;
充电能力评估模块23,用于根据区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据充电桩数量评估充电站的服务能力和区域充电能力;
充电需求预测模块24,用于获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将充电需求数据输入充电需求预测模型,获取区域充电需求;
充电服务能力评估模块25,用于采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
在一个实施例中,区域数据集获取模块22具体用于:截取电动汽车单次的行驶开始时间和充电开始时间,获取行驶开始日期和充电开始日期;按照月份、星期几和是否节假日对日期进行处理,获取月份、星期信息和节假日信息;根据行驶开始经度、行驶开始纬度、充电开始经度和充电开始纬度,获取片段开始的位置信息,并根据位置信息获取天气和温度信息;基于时间对单次行驶数据和单次充电数据进行排序,获取上一次动态的片段信息,上一次动态的片段信息包括上一次动态片段为行驶或充电、上一次充电结束时间、上一次片段结束时间、上一次片段结束时的荷电状态、上一次充电结束的时间间隔、上一次片段的天气和上一次片段的温度;根据行驶开始日期、充电开始日期、月份、星期信息、节假日信息、天气、温度信息和上一次动态的片段信息,构建获取区域数据集。
在一个实施例中,充电能力评估模块23具体用于:根据充电开始经度和充电开始纬度获取充电位置,并统计在充电位置的充电总次数,在充电总次数超过预设充电次数时,认定充电位置为公共充电点;将公共充电点之间的距离作为聚类依据,采用密度聚类方法对公共充电点进行聚类,获取充电站位置和充电站数量;基于最大时间重叠度计算同时在充电站进行充电的最大车辆数,获取充电站中的充电桩数量;根据充电桩数量评估充电站的服务能力,并根据区域内所有充电站对应的充电桩数量评估区域充电能力。
在一个实施例中,充电需求预测模块24具体用于:选取截止到T-1时间电动汽车的历史动态数据,历史动态数据包括充电开始荷电状态、充电开始时间、充电开始经纬度、行驶开始荷电状态、行驶结束荷电状态和上一次动态的片段信息;根据区域数据集判断T-2时间是否发生了充电,并将判断结果添加到历史动态数据中,获取历史数据集;将历史数据集通过SMOTE采样按照预设比例划分为测试组和实验组;基于机器学习算法构建充电需求预测模型,通过测试组和实验组对充电需求预测模型进行训练;根据区域数据集获取充电需求数据,将充电需求数据输入充电需求预测模型,获取区域充电需求,区域充电需求包括潜在用户数、充电需求时间段分布和充电经纬度。
在一个实施例中,充电服务能力评估模块25具体用于:采用Uber H3算法对区域进行全覆盖划分,获取若干片区,在若干片区中筛选出H3精度为7的片区;根据充电站的服务能力、区域充电能力和区域充电需求,计算对应的片区充电能力和片区充电需求;根据片区充电需求时间段分布和潜在用户数判断最大同时充电数,比较最大同时充电数和片区内充电桩数,根据比较结果判断片区内充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于大数据的充电基础设施满足度评估方法,其特征在于,包括以下步骤:
采集电动汽车的运行监测数据,所述运行监测数据包括单次行驶数据和单次充电数据;
对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集;
根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力;
获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求;
采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
2.根据权利要求1所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述单次行驶数据包括车架号、行驶开始时间、行驶结束时间、行驶持续时长、行驶开始经度、行驶开始纬度、行驶结束经度、行驶结束纬度、行驶开始荷电状态和行驶结束荷电状态;
所述单次充电数据包括车辆唯一标识、充电开始时间、充电结束时间、充电时长、充电开始经度、充电开始纬度和充电开始荷电状态。
3.根据权利要求2所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集,具体包括:
截取电动汽车单次的行驶开始时间和充电开始时间的日期部分,获取行驶开始日期和充电开始日期;
按照月份、星期几和是否节假日对日期进行处理,获取月份、星期信息和节假日信息;
根据所述行驶开始经度、行驶开始纬度、充电开始经度和充电开始纬度,获取片段开始的位置信息,并根据所述位置信息获取天气和温度信息;
基于时间对单次行驶数据和单次充电数据进行排序,获取上一次动态的片段信息,所述上一次动态的片段信息包括上一次动态片段为行驶或充电、上一次充电结束时间、上一次片段结束时间、上一次片段结束时的荷电状态、上一次充电结束的时间间隔、上一次片段的天气和上一次片段的温度;
根据所述行驶开始日期、充电开始日期、月份、星期信息、节假日信息、天气、温度信息和上一次动态的片段信息,构建获取区域数据集。
4.根据权利要求2所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力,具体包括:
根据所述充电开始经度和充电开始纬度获取充电位置,并统计在所述充电位置的充电总次数,在充电位置对应的充电总次数超过预设充电次数时,认定所述充电位置为公共充电点;
将公共充电点之间的距离作为聚类依据,采用密度聚类方法对公共充电点进行聚类,获取充电站位置和充电站数量;
基于最大时间重叠度计算同时在充电站进行充电的最大车辆数,获取充电站中的充电桩数量;
根据所述充电桩数量评估充电站的服务能力,并根据区域内所有充电站对应的充电桩数量评估区域充电能力。
5.根据权利要求3所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求,具体包括:
选取截止到T-1时间电动汽车的历史动态数据,所述历史动态数据包括充电开始荷电状态、充电开始时间、充电开始经纬度、行驶开始荷电状态、行驶结束荷电状态和上一次动态的片段信息;
根据所述区域数据集判断T-2时间是否发生了充电,并将判断结果添加到历史动态数据中,获取历史数据集;
将所述历史数据集通过SMOTE采样按照预设比例划分测试组和实验组;
基于机器学习算法构建充电需求预测模型,通过所述测试组和实验组对所述充电需求预测模型进行训练;
根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求,所述区域充电需求包括潜在用户数、充电需求时间段分布和充电经纬度。
6.根据权利要求5所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求,具体包括:
采用Uber H3算法对区域进行全覆盖划分,获取若干片区,在所述若干片区中筛选出H3精度为7的片区;
根据所述充电站的服务能力、区域充电能力和区域充电需求,计算对应的片区充电能力和片区充电需求;
根据片区充电需求时间段分布和潜在用户数判断最大同时充电数,比较所述最大同时充电数和片区内充电桩数,根据比较结果判断片区内充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
7.根据权利要求6所述的基于大数据的充电基础设施满足度评估方法,其特征在于,所述综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求,具体包括:
在区域内所有片区的充电服务能力均满足用户充电需求时,认定区域内的充电服务能力满足用户充电需求;
在存在至少一个片区的充电服务能力不满足用户充电需求时,认定区域内的充电服务能力不满足用户充电需求。
8.一种基于大数据的充电基础设施满足度评估系统,其特征在于,包括:
运行监测数据采集模块,用于采集电动汽车的运行监测数据,所述运行监测数据包括单次行驶数据和单次充电数据;
区域数据集获取模块,用于对所述运行监测数据进行处理,获取有效数据,并获取电动汽车运行的位置数据,将所述有效数据与所述位置数据进行结合,获取区域数据集;
充电能力评估模块,用于根据所述区域数据集,基于密度聚类方法得到充电站位置和充电站数量,并基于最大时间重叠度计算充电站的充电桩数量,根据所述充电桩数量评估充电站的服务能力和区域充电能力;
充电需求预测模块,用于获取电动车的历史动态数据,基于机器学习算法构建充电需求预测模型,根据所述历史动态数据对所述充电需求预测模型进行训练,根据区域数据集获取充电需求数据,将所述充电需求数据输入所述充电需求预测模型,获取区域充电需求;
充电服务能力评估模块,用于采用Uber H3算法对区域进行全覆盖划分,获取若干片区,筛选出符合预设精度的片区,结合所述充电站的服务能力、区域充电能力和区域充电需求,判断片区内的充电服务能力是否满足用户充电需求,并综合区域内所有片区的判断结果评估区域内的充电服务能力是否满足用户充电需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283286.3A CN114692962A (zh) | 2022-03-22 | 2022-03-22 | 一种基于大数据的充电基础设施满足度评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210283286.3A CN114692962A (zh) | 2022-03-22 | 2022-03-22 | 一种基于大数据的充电基础设施满足度评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692962A true CN114692962A (zh) | 2022-07-01 |
Family
ID=82138427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210283286.3A Pending CN114692962A (zh) | 2022-03-22 | 2022-03-22 | 一种基于大数据的充电基础设施满足度评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692962A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330286A (zh) * | 2022-10-17 | 2022-11-11 | 国网浙江省电力有限公司宁波供电公司 | 充电桩配电调度方法及系统、电子设备及可读存储介质 |
WO2024071200A1 (ja) * | 2022-09-29 | 2024-04-04 | 本田技研工業株式会社 | 管理システム、管理装置及び管理方法 |
-
2022
- 2022-03-22 CN CN202210283286.3A patent/CN114692962A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024071200A1 (ja) * | 2022-09-29 | 2024-04-04 | 本田技研工業株式会社 | 管理システム、管理装置及び管理方法 |
JP7480240B2 (ja) | 2022-09-29 | 2024-05-09 | 本田技研工業株式会社 | 管理システム、管理装置及び管理方法 |
CN115330286A (zh) * | 2022-10-17 | 2022-11-11 | 国网浙江省电力有限公司宁波供电公司 | 充电桩配电调度方法及系统、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107845259B (zh) | 公交运行情况实时反馈系统及公交实时运行数据处理方法 | |
CN114692962A (zh) | 一种基于大数据的充电基础设施满足度评估方法和系统 | |
CN109492950B (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
CN108537391B (zh) | 一种基于出租车轨迹数据的出租车停靠站设置优化方法 | |
CN109508865B (zh) | 基于时空使用模式的地铁站辐射范围内共享单车的部署方法 | |
CN106326992A (zh) | 一种基于电量匹配的app预约租车系统及方法 | |
Desai et al. | A pattern analysis of daily electric vehicle charging profiles: Operational efficiency and environmental impacts | |
Boldrini et al. | Weak signals in the mobility landscape: car sharing in ten European cities | |
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 | |
CN109840640B (zh) | 一种电动汽车充电桩的选址方法和系统 | |
CN112784491B (zh) | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 | |
CN112418556B (zh) | 一种基于互联网共享平台下的网格化服务系统 | |
CN113077085A (zh) | 一种服务于电动汽车的移动充电车驻地规划方法 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN112150045B (zh) | 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统 | |
CN106845727A (zh) | 考虑配网潮流约束的高速公路快速充电站启发式规划方法 | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
CN112885094B (zh) | 一种多类型运营车辆协调发展区域识别方法 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN115049202A (zh) | 一种基于车桩数据融合的充电场站可用状态评估方法 | |
CN114764659A (zh) | 换电站选址方法、系统、电子设备和存储介质 | |
CN111833595B (zh) | 共享汽车辅助车辆配置方法、电子设备及存储介质 | |
CN114169774A (zh) | 一种山地城市充电站规划系统、方法及存储介质 | |
Zhang et al. | Multi-period planning of locations and capacities of public charging stations |
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 |