CN116629413A - 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法 - Google Patents

Abstract

基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，首先该方法承载装置为一种可自主移动巡航的新能源汽车充电装置。在此装置基础上本方法提出一种移动充电装置全局最优自动部署方法。首先在城市各节点随机弥散布置一定数量的移动充电装置，然后收集各节点的车辆流量数据、人口密度、历史充电数据、节点附近商场数目、节假日信息等，将这些数据输入到云端的随机森林算法中预测未来各节点的充电需求指数，当预测到某一节点充电需求指数较高时，则利用Dijkstra算法计算其他需求指数低的节点与该节点的最短路径，挑出最优值，将需求指数低的节点中的移动充电装置平衡到充电需求指数较高的节点当中，从而自动平衡整个城市各地点的充电需求指数。

Description

基于随机森林及Dijkstra的移动充电装置全局最优自动部署 方法

技术领域

本发明涉及大数据领域、路径规划领域及新能源领域，具体为基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法。

背景技术

目前随着新能源车的普及，城市中各定点充电装置的基础建设难以填补日益增长的充电需求。因此有可自主移动充电装置出现。但该种装置经济成本较高，如果在城市中充电需求较低的节点，大量部署该装置，则会造成较大浪费。在城市中充电需求较高的节点部署数量不够，又会导致难以满足该节点的充电需求。因此急需一种全局最优自动部署方法，可自主根据各节点的充电需求调节各节点的移动充电装置数量，增加该装置的利用率即经济效益。

发明内容

为解决上述技术问题，本发明提出了基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，能够最优、智能的实现移动充电装置的全局最优自动部署。

为实现上述目的，本发明采取的技术方案是：

基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，具体步骤如下，其特征在于：

1)各节点初始随机分布装置数量；

2)节点特征信息反馈；

所述步骤2)节点特征信息反馈中历史前3天节点移动充电装置使用频率表示为：

其中各节点车辆流量数据可以从当地交通局获得，人口密度则根据人口密度分布图来确定，节点附近商场数目通过人工记录，节假日信息通过云端获取信息，历史充电数据则为历史前3天节点移动充电装置使用频率，其计算公式为：

其中D_i为第i个节点处移动充电装置使用频率，K_i为第i个节点处移动充电装置前三天使用总次数，P_i为第i个节点处移动充电装置数目；

所述步骤2)节点特征信息反馈中充电需求指数表示为：

最后需要对目标值未来充电需求指数进行隔天提取，其中充电需求指数计算公式为：

其中Y为充电需求指数，M为节点所有移动充电装置一天使用总时长，U为节点所有移动充电装置一天总消耗电量,W为单个移动充电装置工作一小时总消耗电量，P为节点移动充电装置的数目；

3)需求指数算法训练；

所述步骤3)需求指数算法中异常值、缺失值填充项表示为：

先将步骤2)收集到的特征信息进行数据归一化处理，对特征信息的缺失、异常值等基于实际情形均采用当前节点过往特征值均值填充，公式表现为：

其中X_i为第i个节点上传到云端的异常值、缺失值替换项，L则为拥有的总数据数量特征，x_ij则为第i个节点的第j条数据值；

4)需求指数算法求解信息；

5)各节点标签值优化，通过均衡标准值计算公式和具体调节数量公式进行优化；

6)节点最优路径权重引入；

7)可自主移动充电装置全局最优部署。

作为本发明进一步改进，所述步骤1)中各节点初始随机分布装置部署数量表示为：

在进行后续自主优化前，首先需要在城市中各节点当中初始化部署一定数量的移动充电装置，具体部署数量根据下列公式：

P_i＝range(1，N)

其中P_i为节点部署移动充电装置数量，N为城市总移动充电装置数量，range(1，N)表示从1到N中随机抽取一个值，n为城市中拥有的节点数量。

作为本发明进一步改进，所述步骤5)各节点标签值优化中均衡标准值计算公式表示为：

采用全局节点需求指数均衡法则，低于该均衡标准值则表示该节点的充电需求指数较低，移动充电装置需要向外迁移，高于该均衡标准值则表示该节点的充电需求指数较高，需要其他移动充电装置的补充,其中均衡标准值计算公式为：

其中w为均衡标准值，n为总节点数量。Y_i为第i个节点的需求指数；

所述步骤5)各节点标签值优化中具体调节数量公式表示为：

获取各节点的需求指数以及均衡标准值后，需要对节点需求指数进行优化，及移动充电装置数量的调节，其中具体调节数量公式为：

其中G为需要调节的移动装置具体数量，Y为当前节点的需求指数，w为均衡标准值，P则为当前节点的移动充电装置具体数目,如果Y值大于w时则表示向该节点输送G辆移动充电装置，Y值小于w时则表示该节点输出G辆移动充电装置到其余节点处。

采用上述技术方案带来的有益效果：

1)能够自动实现整个城市的移动充电装置全局最优自动部署；

2)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法使用随机森立对未来充电需求指数进行预测，提高了预测的准确性；

3)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法使用Dijkstra算法对各节点之间的路径进行规划计算，提高了城市间路径规划的精准性。

4)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法采用最短路径的节点间输送方法，降低了移动充电装置间输送的经济成本。

附图说明

图1根据本申请实施例提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法流程图；

图2根据本申请实施例提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法节点充电需求指数及路径示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1所示为本申请提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法流程图。

步骤S1：各节点初始随机分布装置数量。

在进行后续自主优化前，首先需要在城市中各节点当中初始化部署一定数量的移动充电装置，具体部署数量可根据下列公式：

P_i＝range(1，N)⑴

其中P_i为节点部署移动充电装置数量，N为城市总移动充电装置数量，range(1，N)表示从1到N中随机抽取一个值。n为城市中拥有的节点数量。

步骤S2：节点特征信息反馈。

在步骤S1中，完成了城市各个节点移动充电装置的初始化部署为新能源车提高充电服务。在提供充电服务时，收集各节点的特征信息。包括车辆流量数据、人口密度、历史充电数据、节点附近商场数目以及节假日信息等。

其中各节点车辆流量数据可以从当地交通局获得，人口密度则可根据人口密度分布图来确定，节点附近商场数目可以通过人工记录，节假日信息可以通过云端获取信息。历史充电数据则为历史前3天节点移动充电装置使用频率，其计算公式为：

其中D_i为第i个节点处移动充电装置使用频率，K_i为第i个节点处移动充电装置前三天使用总次数，P_i为第i个节点处移动充电装置数目。

最后需要对目标值未来充电需求指数进行隔天提取，其中充电需求指数计算公式为：

其中Y为充电需求指数，M为节点所有移动充电装置一天使用总时长，U为节点所有移动充电装置一天总消耗电量。W为单个移动充电装置工作一小时总消耗电量，P为节点移动充电装置的数目。

步骤S3：需求指数算法训练。

本次申请中采用随机森林算法来预测未来充电需求指数。其中特征项分别为车辆流量数据、人口密度、历史前3天节点移动充电装置使用频率、节点附近商场数目以及节假日信息。预测值为未来充电需求指数。

首先将步骤S2收集到的特征信息进行数据归一化处理，来确保数据维度的统一，对特征信息的缺失、异常值等基于本次申请实际情形均采用当前节点过往特征值均值填充，公式表现为：

其中X_i为第i个节点上传到云端的异常值、缺失值替换项，L则为拥有的总数据数量特征，x_ij则为第i个节点的第j条数据值。

数据预处理完成后对数据进行训练集以及测试集的划分，随后进行随机森林建模训练，并对决策树数目、最大深度、叶节点上所需的最小样本数、随机选择的特征数目这样的超参数调节。本次申请中该随机森林回归模型评估标准采用均方误差进行评判，当训练集与测试集误差值均较低时，即完成模型的训练。

步骤S4：需求指数算法求解信息。

如图2所示为本申请提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法节点充电需求指数及路径示意图。

将步骤S3中训练好的模型搭建到云端服务器，各个节点将自己收集来的特征信息上传到算法模型当中，需求指数算法则做回归拟合分析，预测出各个节点未来充电需求指数，需求指数算法模型计算得到A,B,C节点处分别为0.5，0.5，1.5。

步骤S5：各节点标签值优化。

本次申请中，采用全局节点需求指数均衡法则，低于该均衡标准值则表示该节点的充电需求指数较低，移动充电装置需要向外迁移，高于该均衡标准值则表示该节点的充电需求指数较高，需要其他移动充电装置的补充。其中均衡标准值计算公式为：

其中w为均衡标准值，n为总节点数量。Y_i为第i个节点的需求指数。

再获取各节点的需求指数以及均衡标准值后，需要对节点需求指数进行优化，及移动充电装置数量的调节，其中具体调节数量公式为：

其中G为需要调节的移动装置具体数量，Y为当前节点的需求指数，w为均衡标准值，P则为当前节点的移动充电装置具体数目。如果Y值大于w时则表示向该节点输送G辆移动充电装置，Y值小于w时则表示该节点输出G辆移动充电装置到其余节点处。

步骤S6:节点最优路径权重引入。

在步骤S5中计算的到各节点需要输入或输出的移动充电装置数量，具体节点的移动充电装置之间的输送路径则根据Dijkstra算法测得。

在本次申请应用中Dijkstra算法的城市地图数据直接可由市政地图信息获得并将其直接转化为算法所需要的图形结构图。其中边的信息则为每个路段的距离值大小，当两个路段可以通行则设置为权重设置为距离值，但当两个路段无法通行时，则权重为无限大。

获得各个边的信息以及权重值，则进行迭代。迭代起点为需要向外输送移动充电装置的节点，目的地则为需要被输入移动充电装置的节点。然后开始寻找最短路径，其中包括更新当前路段到其相邻路段的距离，对于每个相邻路段，计算通过当前路段到达该路段的距离，并将该距离与之前记录的距离进行比较。如果通过当前路段到达相邻路段的距离更短，则更新距离字典中的距离值。标记当前路段为已访问，并将其添加为已访问。从未访问的节点中选择距离最短的路段作为下一个当前路段，即选择距离字典中具有最小距离值的路段，然后多次重复该步骤一直到所有路段都被标记为已访问或者所有未访问节点的距离为无穷大时，停止Dijkstra算法计算，输出节点间的最短路径并进行比较。

例如图2所示，此次节点共有三处分别为A,B,C，根据计算获得C节点处需要被输入一定数量的移动充电装置，A,B则需要向外及向C点输出移动充电装置。当C点需要的数量单个点无法满足时，则A,B同时向C输出，而当C点需求数目只需要A,B中任意一个进行输送时，则根据上述Dijkstra算法测得最短路径进行比较，由较小值得路径节点进行输送。

步骤S7：可自主移动充电装置全局最优部署。

通过上述实现了可自主移动充电装置全局最优部署，全局平衡移动充电装置的数量，做到经济价值最优化。并且管理者可以随时查看整个地区各个节点的充电需求指数，当公式⑹计算获得均衡指标值处于管理者一个可接受范围的值，则可由本次申请方法自动优化部署调节，但当全局均衡标准值一直处于一个较低的值时，则代表整个区域不需要当前数量的移动充电装置，可将一部分移动充电装置转移走。而当全局均衡标准值一直处于一个较高值时，则代表整个区域需要再次添加额外数量的移动充电装置。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，具体步骤如下，其特征在于：

1)各节点初始随机分布装置数量；

2)节点特征信息反馈；

所述步骤2)节点特征信息反馈中历史前3天节点移动充电装置使用频率表示为：

其中各节点车辆流量数据可以从当地交通局获得，人口密度则根据人口密度分布图来确定，节点附近商场数目通过人工记录，节假日信息通过云端获取信息，历史充电数据则为历史前3天节点移动充电装置使用频率，其计算公式为：

其中D_i为第i个节点处移动充电装置使用频率，K_i为第i个节点处移动充电装置前三天使用总次数，P_i为第i个节点处移动充电装置数目；

所述步骤2)节点特征信息反馈中充电需求指数表示为：

最后需要对目标值未来充电需求指数进行隔天提取，其中充电需求指数计算公式为：

其中Y为充电需求指数，M为节点所有移动充电装置一天使用总时长，U为节点所有移动充电装置一天总消耗电量,W为单个移动充电装置工作一小时总消耗电量，P为节点移动充电装置的数目；

3)需求指数算法训练；

所述步骤3)需求指数算法中异常值、缺失值填充项表示为：

先将步骤2)收集到的特征信息进行数据归一化处理，对特征信息的缺失、异常值等基于实际情形均采用当前节点过往特征值均值填充，公式表现为：

其中X_i为第i个节点上传到云端的异常值、缺失值替换项，L则为拥有的总数据数量特征，x_ij则为第i个节点的第j条数据值；

4)需求指数算法求解信息；

5)各节点标签值优化，通过均衡标准值计算公式和具体调节数量公式进行优化；

6)节点最优路径权重引入；

7)可自主移动充电装置全局最优部署。

2.根据权利要求1所述的基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，其特征在于：

所述步骤1)中各节点初始随机分布装置部署数量表示为：

在进行后续自主优化前，首先需要在城市中各节点当中初始化部署一定数量的移动充电装置，具体部署数量根据下列公式：

P_i＝range(1，N)

其中P_i为节点部署移动充电装置数量，N为城市总移动充电装置数量，range(1，N)表示从1到N中随机抽取一个值，n为城市中拥有的节点数量。

3.根据权利要求1所述的基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，其特征在于：

所述步骤5)各节点标签值优化中均衡标准值计算公式表示为：

采用全局节点需求指数均衡法则，低于该均衡标准值则表示该节点的充电需求指数较低，移动充电装置需要向外迁移，高于该均衡标准值则表示该节点的充电需求指数较高，需要其他移动充电装置的补充,其中均衡标准值计算公式为：

其中w为均衡标准值，n为总节点数量。Y_i为第i个节点的需求指数；

所述步骤5)各节点标签值优化中具体调节数量公式表示为：

获取各节点的需求指数以及均衡标准值后，需要对节点需求指数进行优化，及移动充电装置数量的调节，其中具体调节数量公式为：

其中G为需要调节的移动装置具体数量，Y为当前节点的需求指数，w为均衡标准值，P则为当前节点的移动充电装置具体数目,如果Y值大于w时则表示向该节点输送G辆移动充电装置，Y值小于w时则表示该节点输出G辆移动充电装置到其余节点处。