CN115829124A - 充电桩选址方法、装置、设备及存储介质 - Google Patents
充电桩选址方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115829124A CN115829124A CN202211541897.XA CN202211541897A CN115829124A CN 115829124 A CN115829124 A CN 115829124A CN 202211541897 A CN202211541897 A CN 202211541897A CN 115829124 A CN115829124 A CN 115829124A
- Authority
- CN
- China
- Prior art keywords
- charging
- area
- scale
- type
- vehicle
- 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
Images
Abstract
本发明涉及人工智能技术,揭露了一种充电桩选址方法、装置、设备及存储介质。所述方法包括:根据目标区域内充电汽车的充电数据,统计充电需求最大时的车辆集合,并构建最大用电车辆分布地图;根据各个充电站点的充电记录,获取各个充电站点的用户分布范围;根据各地区用户在不同充电站点综合影响下的充电便利度等级,构建用户充电便利度地图,并根据预设阈值,得到充电困难地图,并通过聚类手段获取充电困难地图的中心区域,获取中心区域的人文地理环境类型集合,利用预构建的充电区域规模预测模型进行预测,选择规模最小的环境类型对应地点作为充电桩选址区域。本发明可以提高充电桩选址的有效性,并增加对充电桩的选址与规模之间的协调性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种充电桩选址方法、装置、设备及计算机可读存储介质。
背景技术
随着环保意识的兴起,新能源汽车得到迅速发展,但充电桩的规模及分布区域成为限制新能源汽车发展的重要因素,在如今充电桩的选址的方法受到多维因素的干扰,主观意识较强,通常选择车密度大的地方,选址效果不高,容易造成充电桩规模配置不合理,导致充电桩的利用率不能得到较好的均衡。
发明内容
本发明提供一种充电桩选址方法、装置、设备及存储介质,其主要目的在于提高充电桩选址的有效性,并增加对充电桩的选址与规模之间的协调性。
为实现上述目的,本发明提供的一种充电桩选址方法,包括:
利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数;
根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围;
利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模;
选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
可选的,所述根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,包括:
根据各个充电站点的充电记录及各个车辆的常驻地址信息,筛选出一级用户分布范围;
根据各个车辆的常驻地址信息,计算各个车辆与所述充电站点的距离;
获取预设时间内各个车辆在所述充电站点中的充电次数,并根据预设的充电依赖公式,对所述距离及充电次数进行计算,得到各个车辆对所述充电站点的依赖程度;
根据预设的依赖阈值对所述一级用户分布范围进行范围腐蚀,得到二级用户分布范围,并根据预设的聚类策略,对所述二级用户分布范围内的各个用户进行聚类,得到所述充电站点的忠诚用户分布范围。
可选的,所述,所述利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测之前,所述方法还包括:
根据预构建的各个充电站点的构建规模及平均利用率,得到各个充电站点的有效规模标签,并获取各个充电站点的人文地理环境类型,利用各个充电站点的人文地理环境类型、忠诚用户分布范围及所述有效规模标签构建训练样本集;
利用预构建的充电站点规模预测模型依次提取一个训练样本进行网络正向传播计算,得到预测充电规模,并利用预设的交叉熵算法计算所述预测充电规模与所述训练样本对应的有效规模标签之间的损失值;
计算所述损失值最小化时的模型参数,并将所述模型参数进行网络逆向更新,得到优化充电区域规模预测模型;
判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述利用预构建的充电区域规模预测模型5依次提取一个训练样本进行网络正向传播计算,得到预测充电规模的步骤,
对所述优化充电区域规模预测模型进行迭代更新;
当所述损失值收敛时,将最终更新的优化充电区域规模预测模型作为训练完成的充电区域规模预测模型。
可选的,所述根据预设的交并集策略及每个所述类型的车辆数,得到所0述目标区域内充电需求最大时的车辆集合,包括:
根据所述白天充电类型的车辆数与夜间充电类型的车辆数,获取车辆数数值较大的充电类型作为主需求类型;
计算主需求类型与不定时充电类型的车辆的并集,作为所述目标区域内充电需求最大时的车辆集合。
5可选的,所述利用各个所述充电站点的忠诚用户分布范围及预设的距离
比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图,包括:
根据预设的距离比例-等级配置规则,对各个充电站点的忠诚用户分布范
围进行等级划分;
0获取各个用户在各个充电站点影响下的等级均值,并根据所述等级均值对所述最大用电车辆分布地图进行热力图覆盖,得到用户充电便利度地图。
可选的,所述选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域之前,所述方法还包括:
判断规模最小的充电区域预测规模是否小于预设的构建额度;5当规模最小的充电区域预测规模小于或等于所述构建额度时,判定所述充电困难区域无需进行充电桩构建;
当规模最小的充电区域预测规模大于所述构建额度时,选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
可选的,所述利用预训练的充电区域规模预测模型,对所述充电困难区0域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模,包括:
从所述人文地理环境类型集合中依次选取一个人文地理环境类型,利用预训练的充电区域规模预测模型对所述充电困难区域的范围大小及所述环境类型进行特征提取操作,得到范围量化参数及环境特征序列集合;
对所述范围量化参数及所述环境特征序列集合进行全连接操作,得到所述环境类型对应的充电区域预测规模。
为了解决上述问题,本发明还提供一种充电桩选址装置,所述装置包括:
车辆统计模块,用于利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数,及根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
用户充电便利度获取模块,用于根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,及利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
候选环境类型获取模块,用于根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
规模预测模块,用于利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模,及选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的充电桩选址方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的充电桩选址方法。
本发明实施例通过分析充电规律,将不同时间段充电的用户进行交并集,构建最大用电车辆分布地图,可以了解不同充电站点内的需求规模及风格,避免充电桩构建规模过大,导致的利用率较低问题;然后,本发明实施例通过构建不同充电站点对各个用户的用户充电便利度地图,通过用户充电的难易程度,选择充电困难区域作为待选址区域;此外还通过预训练的充电区域规模预测模型,在忠诚用户分布范围相同情况下,根据各个地点的环境类型,预测最小规模,合理进行规划。因此,本发明实施例提供的一种充电桩选址方法、装置、设备及存储介质,能够提高充电桩选址的有效性,并增加对充电桩的选址与规模之间的协调性。
附图说明
图1为本发明一实施例提供的充电桩选址方法的流程示意图;
图2为本发明一实施例提供的充电桩选址方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的充电桩选址方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的充电桩选址装置的功能模块图;
图5为本发明一实施例提供的实现所述充电桩选址方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种充电桩选址方法。本申请实施例中,所述充电桩选址方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述充电桩选址方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的充电桩选址方法的流程示意图。在本实施例中,所述充电桩选址方法包括:
S1、利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数。
本发明实施例中,可以在充电应用、小程序或网页等对应的服务器中通过数据埋点,获取目标区域内各个电动汽车的充电数据,其中,所述充电数据包括车辆的充电时间、充电时长、充电站点编号、电动汽车用户的个人信息等。其中,所述用户的个人信息可以包括常驻地址信息。所述常驻地址信息可以是用户手动设置的家庭地址或者办公地址,也可以是根据大数据统计的用户常去场所等。
应当知道,不同场所的充电站点在不同时间段的使用率不同,如办公场所、大型商场等场所的充电站点白天使用率较高,而居民区等场所的充电站点夜间使用率较高,考虑到各个充电站点的使用效率与各区域用户充电风格等问题,本发明实施例根据各电动汽车的充电数据,统计各各电动汽车的充电规律,并根据所述充电规律进行分类,将不同用户的电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型。
S2、根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图。
考虑到充电桩构建的规模与使用率,因此,本发明实施例通过统计不同充电类型的车辆数,查看目标区域中用户的充电风格。
详细的,本发明实施例中,所述根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,包括:
根据所述白天充电类型的车辆数与夜间充电类型的车辆数,获取车辆数数值较大的充电类型作为主需求类型;
计算主需求类型与不定时充电类型的车辆的并集,作为所述目标区域内充电需求最大时的车辆集合。
例如,本发明实施例中的目标区域中预设有10万辆车,其中,白天充电的有2万辆、不定时充电的有3万辆,夜间充电的有5万辆,则可以预估所述目标区域中的最大充电需求不会超过8万辆,本发明实施例可以将8万辆车辆通过密度地图的方式标注在所述目标区域的地理图层的各个位置上,得到最大用电车辆分布地图。
S3、根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围。
本发明实施例中,首先从所述最大用电车辆分布地图中获取已经构建的各个充电站点,其中,本发明实施例中各个充电站点为公共停车充电场等公共设施,不考虑私人充电区域。
然后,获取各个充电站点的充电记录,通过查看所述充电记录,可以从所述最大用电车辆分布地图中看到各个充电站点的忠诚用户分布范围。其中,所述忠诚用户分布范围可以代表所述充电站点的真实影响力范围。
详细的,参考图2所示,本发明实施例中,所述根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,包括:
S31、根据各个充电站点的充电记录及各个车辆的常驻地址信息,筛选出一级用户分布范围;
S32、根据各个车辆的常驻地址信息,计算各个车辆与所述充电站点的距离;
S33、获取预设时间内各个车辆在所述充电站点中的充电次数,并根据预设的充电依赖公式,对所述距离及充电次数进行计算,得到各个车辆对所述充电站点的依赖程度;
S34、根据预设的依赖阈值对所述一级用户分布范围进行范围腐蚀,得到二级用户分布范围,并根据预设的聚类策略,对所述二级用户分布范围内的各个用户进行聚类,得到所述充电站点的忠诚用户分布范围。
本发明实施例中获取到的一级用户分布范围是所述充电站点的所有历史充电用户,具有较大的偶然性,不能代表一个充电站点的影响力覆盖范围,只有通过查看用户对充电站点的依赖关系,才能进行准确判断,其中,本发明实施例通过距离与预设时间段,如一个月内的使用次数两方面来评估依赖程度,其中,距离为反比例参数、使用次数为正比例参数。
本发明实施例通过范围腐蚀,将依赖程度小于预设的依赖阈值的部分进行删除,得到二级用户分布范围,可以表明用户依赖于所述充电站点。最后,本发明实施例通过聚类策略,将所述二级用户分布范围进行聚类,将所述二级用户分布范围边缘的特殊点进行删除,留下所述二级用户分布范围的主体,最终得到所述充电站点的忠诚用户分布范围。
S4、利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图。
详细的,本发明实施例中,所述利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图,包括:
根据预设的距离比例-等级配置规则,对各个充电站点的忠诚用户分布范围进行等级划分;
获取各个用户在各个充电站点影响下的等级均值,并根据所述等级均值对所述最大用电车辆分布地图进行热力图覆盖,得到用户充电便利度地图。
本发明实施例中,所述距离比例-等级配置规则为将所述忠诚用户分布范围由内向外依次分为5、4……1级,其中,距离比例可以为所述忠诚用户分布范围的中心点到最外侧距离的每20%作为一层分界线。因此,若一个用户在两个充电站点的范围内,分别为1级与2级,则用户的充电质量可以为1.5。
最后,将所述等级均值对所述最大用电车辆分布地图进行热力图覆盖,得到用户充电便利度地图。
S5、根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合。
本发明实施例中,为保证用户的充电质量可以将等级均值为N以上的区域进行消除,得到充电困难区域,然后在所述充电困难区域内构建新的充电站点。本发明实施例中,所述N可以为2,可由具体情况进行更改。
本发明实施例中,为保证充电桩选址的覆盖效果,选取所述充电困难区域的中心点的预设范围内,如2公里内的地方进行选址。
其中,本发明实施例利用均值聚类算法,对所述充电困难区域寻找中心点。然后查找中心点中的各个环境类型,如居民区、商务区、待开发区等,得到人文地理环境类型集合。
S6、利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模。
详细的,本发明实施例中,所述步骤S6,包括:
从所述人文地理环境类型集合中依次选取一个人文地理环境类型,利用预训练的充电区域规模预测模型对所述充电困难区域的范围大小及所述环境类型进行特征提取操作,得到范围量化参数及环境特征序列集合;
对所述范围量化参数及所述环境特征序列集合进行全连接操作,得到所述环境类型对应的充电区域预测规模。
本发明实施例利用所述充电区域规模预测模型的特征提取网络对所述充电困难区域的范围及所述环境类型进行量化操作与卷积池化操作,得到范围量化参数及环境特征序列集合,然后通过所述充电区域规模预测模型的全连接层,将各个环境特征序列与所述范围量化参数进行特征组合,并通过模型中训练出的函数参数,对各个组合特征进行规模预测,得到所述环境类型的充电区域预测规模。
进一步的,参考图3所示,本发明实施例中,所述利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型5集合进行充电区域规模预测之前,所述方法包括:
S601、根据预构建的各个充电站点的构建规模及平均利用率,得到各个充电站点的有效规模标签,并获取各个充电站点的人文地理环境类型,利用各个充电站点的人文地理环境类型、忠诚用户分布范围及所述有效规模标签构建训练样本集;
0S602、利用预构建的充电站点规模预测模型依次提取其中一个训练样本进行网络正向传播计算,得到预测充电规模,并利用预设的交叉熵算法计算所述预测充电规模与所述训练样本对应的有效规模标签之间的损失值;
S603、计算所述损失值最小化时的模型参数,并将所述模型参数进行网络逆向更新,得到优化充电区域规模预测模型;
5S604、判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述步骤S602,对所述优化充电区域规模预测模型进行迭代更新;
当所述损失值收敛时,S605、将最终更新的优化充电区域规模预测模型作为训练完成的充电区域规模预测模型。
0本发明实施例中,当得到各个充电站点的忠诚用户分布范围后,可以获取各个充电站点的构建规模、平均利用率及人文地理环境类型,其中,所述人文地理环境类型中包括一个类型名称及类型中的各个数据参数,例如【商务区类型:开发价格**、交通便利程度**、人流量**、地势因素**】等。
因此,本发明实施例通过构建规模及平均利用率计算各个充电区域的有5效规模,并将有效规模设置为有效规模标签,将各个充电区域的人文地理环境类型、覆盖范围作为样本主体,来构建训练样本集。然后,利用预构建的基于神经网络的充电区域规模预测模型,通过损失逆传播的方式对所述训练样本集进行训练,得到优化充电区域规模预测模型,并在训练过程中通过损
失值监督的方式判断模型的训练过程,当所述损失值收敛时,得到训练完成0的充电区域规模预测模型。其中,所述充电区域规模预测模型,可以根据忠诚用户分布范围及环境类型预测充电桩的有效规模。
S7、选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
本发明实施例通过对比,选择规模最小的充电区域预测规模对应的环境类型的地点作为充电桩选址区域,可以有效提高充电桩构建后的利用率,其中,本发明实施例可以将充电桩选址区域与所述充电区域预测规模进行同时输出,增加对充电桩的选址与规模之间的协调性。
此外,本发明另一实施例中,所述步骤S7之前,所述方法还包括:
判断规模最小的充电区域预测规模是否小于预设的构建额度;
当规模最小的充电区域预测规模小于或等于所述构建额度时,判定所述充电困难区域无需进行充电桩构建;
当规模最小的充电区域预测规模大于所述构建额度时,选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
本发明实施例中,所述构建额度为充电区域的充电桩最小构建数,比如5,若所述充电区域预测规模小于5,表明所述充电困难区域的面积极小、或包含的用户极少,考虑到公共施工成本,基本可以忽略。
本发明实施例通过分析充电规律,将不同时间段充电的用户进行交并集,构建最大用电车辆分布地图,可以了解不同充电站点内的需求规模及风格,避免充电桩构建规模过大,导致的利用率较低问题;然后,本发明实施例通过构建不同充电站点对各个用户的用户充电便利度地图,通过用户充电的难易程度,选择待选址区域;此外还通过预训练的充电区域规模预测模型,在忠诚用户分布范围相同情况下,根据各个地点的环境类型,预测最小规模,合理进行规划。因此,本发明实施例提供的一种充电桩选址方法,能够提高充电桩选址的有效性,并增加对充电桩的选址与规模之间的协调性。
如图4所示,是本发明一实施例提供的充电桩选址装置的功能模块图。
本发明所述充电桩选址装置100可以安装于电子设备中。根据实现的功能,所述充电桩选址装置100可以包括车辆统计模块101、用户充电便利度获取模块102、候选环境类型获取模块103及规模预测模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述车辆统计模块101,用于利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数,及根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
所述用户充电便利度获取模块102,用于根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,及利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
所述候选环境类型获取模块103,用于根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
所述规模预测模块104,用于利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模,及选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
详细地,本申请实施例中所述充电桩选址装置100中所述的各模块在使用时采用与上述图1至图3中所述的充电桩选址方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现充电桩选址方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如充电桩选址程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行充电桩选址程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如充电桩选址程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的充电桩选址程序是多个指令的组合,在所述处理器10中运行时,可以实现:
利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数;
根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围;
利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模;
选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数;
根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围;
利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模;
选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种充电桩选址方法,其特征在于,所述方法包括:
利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数;
根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围;
利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模;
选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
2.如权利要求1所述的充电桩选址方法,其特征在于,所述根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,包括:
根据各个充电站点的充电记录及各个车辆的常驻地址信息,筛选出一级用户分布范围;
根据各个车辆的常驻地址信息,计算各个车辆与所述充电站点的距离;
获取预设时间内各个车辆在所述充电站点中的充电次数,并根据预设的充电依赖公式,对所述距离及充电次数进行计算,得到各个车辆对所述充电站点的依赖程度;
根据预设的依赖阈值对所述一级用户分布范围进行范围腐蚀,得到二级用户分布范围,并根据预设的聚类策略,对所述二级用户分布范围内的各个用户进行聚类,得到所述充电站点的忠诚用户分布范围。
3.如权利要求1所述的充电桩选址方法,其特征在于,所述利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测之前,所述方法还包括:
根据预构建的各个充电站点的构建规模及平均利用率,得到各个充电站点的有效规模标签,并获取各个充电站点的人文地理环境类型,利用各个充电站点的人文地理环境类型、忠诚用户分布范围及所述有效规模标签构建训练样本集;
利用预构建的充电站点规模预测模型依次提取一个训练样本进行网络正向传播计算,得到预测充电规模,并利用预设的交叉熵算法计算所述预测充电规模与所述训练样本对应的有效规模标签之间的损失值;
计算所述损失值最小化时的模型参数,并将所述模型参数进行网络逆向更新,得到优化充电区域规模预测模型;
判断所述损失值的收敛性;
当所述损失值未收敛时,返回上述利用预构建的充电区域规模预测模型依次提取一个训练样本进行网络正向传播计算,得到预测充电规模的步骤,对所述优化充电区域规模预测模型进行迭代更新;
当所述损失值收敛时,将最终更新的优化充电区域规模预测模型作为训练完成的充电区域规模预测模型。
4.如权利要求1所述的充电桩选址方法,其特征在于,所述根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,包括:
根据所述白天充电类型的车辆数与夜间充电类型的车辆数,获取车辆数数值较大的充电类型作为主需求类型;
计算主需求类型与不定时充电类型的车辆的并集,作为所述目标区域内充电需求最大时的车辆集合。
5.如权利要求1所述的充电桩选址方法,其特征在于,所述利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图,包括:
根据预设的距离比例-等级配置规则,对各个充电站点的忠诚用户分布范围进行等级划分;
获取各个用户在各个充电站点影响下的等级均值,并根据所述等级均值对所述最大用电车辆分布地图进行热力图覆盖,得到用户充电便利度地图。
6.如权利要求1所述的充电桩选址方法,其特征在于,所述选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域之前,所述方法还包括:
判断规模最小的充电区域预测规模是否小于预设的构建额度;
当规模最小的充电区域预测规模小于或等于所述构建额度时,判定所述充电困难区域无需进行充电桩构建;
当规模最小的充电区域预测规模大于所述构建额度时,选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
7.如权利要求1所述的充电桩选址方法,其特征在于,所述利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模,包括:
从所述人文地理环境类型集合中依次选取一个人文地理环境类型,利用预训练的充电区域规模预测模型对所述充电困难区域的范围大小及所述环境类型进行特征提取操作,得到范围量化参数及环境特征序列集合;
对所述范围量化参数及所述环境特征序列集合进行全连接操作,得到所述环境类型对应的充电区域预测规模。
8.一种充电桩选址装置,其特征在于,所述装置包括:
车辆统计模块,用于利用预设的充电应用的数据埋点,获取目标区域内电动汽车的充电数据,并根据所述充电数据,将所述电动汽车划分为白天充电类型、夜间充电类型及不定时充电类型,并统计每个所述类型的车辆数,及根据预设的交并集策略及每个所述类型的车辆数,得到所述目标区域内充电需求最大时的车辆集合,并根据所述车辆集合中各个车辆在所述充电应用中的常驻地址信息及所述目标区域的行政区域图层,构建最大用电车辆分布地图;
用户充电便利度获取模块,用于根据所述最大用电车辆分布地图,获取各个现存的充电站点的充电记录,并根据预设的聚类策略及所述充电记录中各个车辆的常驻地址信息,得到各个所述充电站点的忠诚用户分布范围,及利用各个所述充电站点的忠诚用户分布范围及预设的距离比例-等级配置规则,对所述最大用电车辆分布地图进行图层配置,得到用户充电便利度地图;
候选环境类型获取模块,用于根据预设阈值对所述用户充电便利度地图进行腐蚀,得到充电困难区域,并根据所述充电困难区域中的车辆分布密度,得到所述充电困难区域的聚类中心,并获取所述聚类中心在预设范围内的人文地理环境类型集合;
规模预测模块,用于利用预训练的充电区域规模预测模型,对所述充电困难区域的范围大小及所述人文地理环境类型集合进行充电区域规模预测,得到所述人文地理环境类型集合中各个人文地理环境类型下的充电区域预测规模,及选择充电区域预测规模最小的人文地理环境类型对应的地点作为充电桩选址区域。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的充电桩选址方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的充电桩选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211541897.XA CN115829124A (zh) | 2022-12-02 | 2022-12-02 | 充电桩选址方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211541897.XA CN115829124A (zh) | 2022-12-02 | 2022-12-02 | 充电桩选址方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829124A true CN115829124A (zh) | 2023-03-21 |
Family
ID=85543885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211541897.XA Pending CN115829124A (zh) | 2022-12-02 | 2022-12-02 | 充电桩选址方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829124A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
-
2022
- 2022-12-02 CN CN202211541897.XA patent/CN115829124A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN116523272B (zh) * | 2023-07-03 | 2023-09-29 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
CN117557069A (zh) * | 2024-01-10 | 2024-02-13 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统 |
CN117557069B (zh) * | 2024-01-10 | 2024-03-26 | 长峡数字能源科技(湖北)有限公司 | 一种充电桩选址方法及系统、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | Mapping block-level urban areas for all Chinese cities | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
Wu et al. | Performance evaluation of the SLEUTH model in the Shenyang metropolitan area of northeastern China | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
CN112347214A (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
CN112487622B (zh) | 电动汽车充电桩的选址定容方法、装置及终端设备 | |
CN114781768B (zh) | 基于城市资源数据的停车场设施规划方法、装置及设备 | |
CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
CN112508332A (zh) | 一种顾及多维特征的渐进式乡村聚落整治分区方法 | |
CN105389647A (zh) | 一种基于nsga-ii的电费缴纳点选址方法 | |
CN114418360A (zh) | 一种智慧城市运行体征大数据分析方法及装置 | |
CN113901166A (zh) | 电子地图构建方法、装置、设备及存储介质 | |
CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
CN110956305A (zh) | 城市空间预测模型的建立方法及城市空间预测系统 | |
Zhong et al. | Multi-objective optimization approach of shelter location with maximum equity: an empirical study in Xin Jiekou district of Nanjing, China | |
CN113723782A (zh) | 一种基于能源消耗碳排放的精细尺度确定方法及装置 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN112541047A (zh) | 一种适用于多级网格化管理系统的海量数据聚合方法 | |
CN112463760A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN115374236B (zh) | 智能公共充电服务网络的生成方法和装置、设备及介质 | |
CN112101576B (zh) | 分布式设备使用机器学习模型聚合系统 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113052486A (zh) | 监控点位布局评价方法、装置、电子设备及可读存储介质 | |
CN112612934A (zh) | 用户充电行为画像处理方法和装置 | |
Longley | Computer simulation and modelling of urban structure and development |
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 |