CN117236601A - 电动汽车充电数据的处理方法、装置及电子设备 - Google Patents
电动汽车充电数据的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117236601A CN117236601A CN202311170641.7A CN202311170641A CN117236601A CN 117236601 A CN117236601 A CN 117236601A CN 202311170641 A CN202311170641 A CN 202311170641A CN 117236601 A CN117236601 A CN 117236601A
- Authority
- CN
- China
- Prior art keywords
- charging
- preset
- data
- node
- virtual
- 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
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 abstract description 13
- 238000004220 aggregation Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 15
- 230000005611 electricity Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013486 operation strategy Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车充电数据的处理方法、装置及电子设备。该方法包括:获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。本发明解决了在虚拟电站聚合方面存在充电资源利用率低的技术问题。
Description
技术领域
本发明涉及数据分析领域,具体而言,涉及一种电动汽车充电数据的处理方法、装置及电子设备。
背景技术
电动汽车作为一种新的交通工具,同时也是一种具备储能功能的分布式电力负载,不仅能够响应节能减排的政策要求,还可以降低对传统化石能源依赖,是能源互联网中的重要组成部分。电动汽车充电站是服务于电动汽车开展车网互动的关键设备,通过开展电动汽车充电站的定价研究,可以有效提高运营商对于电动汽车充电站的运行效率,提升能源系统的经济性。
但是,现有电动汽车充电站的定价研究过程,对影响电价的因素考虑不足,所以在虚拟电站聚合方面存在充电资源利用率低的问题。
针对上述在虚拟电站聚合方面存在充电资源利用率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电动汽车充电数据的处理方法、装置及电子设备,以至少解决在虚拟电站聚合方面存在充电资源利用率低的技术问题。
根据本发明实施例的一个方面,提供了一种电动汽车充电数据的处理方法,包括:获取预设充电集合,其中,所述预设充电集合包括:多个虚拟充电站的预设充电节点,每个所述预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,所述充电时间数据表示所述虚拟充电站的充电时段,所述充电空间数据表示所述虚拟充电站的地理位置,所述预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据,其中,所述充电需求概率分布模型用于基于所述充电时间数据和所述充电空间数据,确定所述预设资源数据对预设充电量数据的影响,所述预测充电数据表示每个所述预设充电节点中多个所述预设资源数据分别对应的所述预设充电量数据,和每个所述预设充电量数据的分布概率,所述预设充电量数据表示所述预设充电节点预期消耗的最大充电量;利用粒子群算法对所述预测充电数据进行分析,在每个所述预设充电节点的多个所述预设资源数据中确定目标资源数据,和所述目标资源数据对应的目标充电量数据。
可选地,获取预设充电集合包括:获取多个预设充电站的地理位置数据;依据所述地理位置数据对多个所述预设充电站进行聚类,得到多个聚类簇;为每个所述聚类簇分配对应的所述虚拟充电站;建立每个所述虚拟充电站对应的所述预设充电节点。
可选地,建立每个所述虚拟充电站对应的所述预设充电节点包括:获取所述虚拟充电站的多个预设充电时段,其中,所述预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;为每个所述预设充电时段设置对应的所述预设充电节点;根据所述预设充电时段,确定所述预设充电节点的充电时间数据。
可选地,建立每个所述虚拟充电站对应的所述预设充电节点包括:确定所述虚拟充电站对应的所述聚类簇,其中,所述聚类簇包括至少一个所述预设充电站;依据所述聚类簇中至少一个所述预设充电站的地理位置数据,确定所述虚拟充电站的虚拟位置数据;根据所述虚拟位置数据,确定所述预设充电节点的充电空间数据。
可选地,建立每个所述虚拟充电站对应的所述预设充电节点包括:获取所述虚拟充电站的获取资源约束条件,其中,所述资源约束条件包括以下至少之一:每个所述预设充电节点中所述预设资源数据的上下界约束、多个所述预设充电节点中所述预设资源数据的平均值约束、同一所述预设充电节点中所述预设资源数据的变化量约束、以及所述充电时间数据相同且所述充电空间数据不同的所述预设充电节点之间所述预设资源数据的差异约束;依据所述资源约束条件,确定所述预设充电节点的多个预设资源数据。
可选地,在使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据之前,所述方法还包括:获取用于表示所述预设充电量数据和所述预设资源数据之间依赖关系的第一依赖模型;获取用于表示所述预设充电量数据和所述充电空间数据之间依赖关系的第二依赖模型;获取用于表示所述预设充电量数据和所述充电时间数据之间依赖关系的第三依赖模型;依据所述第一依赖模型、所述第二依赖模型和所述第三依赖模型确定所述充电需求概率分布模型的初始模型,其中,所述初始模型包括:所述第一依赖模型、所述第二依赖模型和所述第三依赖模型,以及所述第一依赖模型、所述第二依赖模型和所述第三依赖模型的初始权重参数。
可选地,在依据所述第一依赖模型、所述第二依赖模型和所述第三依赖模型确定所述充电需求概率分布模型的初始模型之后,所述方法还包括:利用最大似然估计的方式对所述初始模型进行分析,确定所述第一依赖模型的初始权重参数为第一权重参数,确定所述第二依赖模型的初始权重参数为第二权重参数,确定所述第三依赖模型的初始权重参数为第三权重参数;
依据所述第一依赖模型和所述第一权重参数、所述第二依赖模型和所述第二权重参数,以及所述第三依赖模型和所述第三权重参数,确定所述充电需求概率分布模型。
根据本发明实施例的另一方面,还提供了一种电动汽车充电数据的处理装置,包括:获取模块,用于获取预设充电集合,其中,所述预设充电集合包括:多个虚拟充电站的预设充电节点,每个所述预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,所述充电时间数据表示所述虚拟充电站的充电时段,所述充电空间数据表示所述虚拟充电站的地理位置,所述预设资源数据表示单位充电量对应的资源消耗量;第一确定模块,用于使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据,其中,所述充电需求概率分布模型用于基于所述充电时间数据和所述充电空间数据,确定所述预设资源数据对预设充电量数据的影响,所述预测充电数据表示每个所述预设充电节点中多个所述预设资源数据分别对应的所述预设充电量数据,和每个所述预设充电量数据的分布概率,所述预设充电量数据表示所述预设充电节点预期消耗的最大充电量;第二确定模块,用于利用粒子群算法对所述预测充电数据进行分析,在每个所述预设充电节点的多个所述预设资源数据中确定目标资源数据,和所述目标资源数据对应的目标充电量数据。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,其特征在于,所述非易失性存储介质用于存储程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行上述所述电动汽车充电数据的处理方法。
根据本发明实施例的另一方面,还提供了一种电子设备,其特征在于,包括:存储器和处理器,所述处理器用于运行存储在所述处理器中的程序,其中,所述程序运行时执行上述所述电动汽车充电数据的处理方法。
在本发明实施例中,获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据,达到了基于时间和空间因素确定资源对充电量的影响,从而实现了在虚拟电站聚合方面基于时间和空间因素提高充电资源利用率的技术效果,进而解决了在虚拟电站聚合方面存在充电资源利用率低技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种电动汽车充电数据的处理方法的流程图;
图2是根据本发明实施例的一种仅考虑需求的空间依赖关系的条件随机场模型的示意图;
图3是根据本发明实施例的一种时空弹性统一框架的示意图;
图4是根据本发明实施例的一种电价优化前后价格变化情况的示意图;
图5是根据本发明实施例的一种电价优化后充电需求量变化的示意图;
图6是根据本发明实施例的一种各地区价格调整的示意图;
图7是根据本发明实施例的一种价格调整后各地区充电量变化的示意图;
图8是根据本发明实施例的一种电动汽车充电数据的处理装置的示意图;
图9是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种电动汽车充电数据的处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种电动汽车充电数据的处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;
步骤S104,使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;
步骤S106,利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。
在本发明实施例中,获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据,达到了基于时间和空间因素确定资源对充电量的影响,从而实现了在虚拟电站聚合方面基于时间和空间因素提高充电资源利用率的技术效果,进而解决了在虚拟电站聚合方面存在充电资源利用率低技术问题。
在上述步骤S102中,预设资源数据,可以表示电价。
在上述步骤S102中,预设充电节点中的充电时间数据、充电空间数据和多个预设资源数据,以及预设充电量数据为对电动汽车进行充电的充电数据。
作为一种可选的实施例,获取预设充电集合包括:获取多个预设充电站的地理位置数据;依据地理位置数据对多个预设充电站进行聚类,得到多个聚类簇;为每个聚类簇分配对应的虚拟充电站;建立每个虚拟充电站对应的预设充电节点。
本发明上述实施例,针对地理位置数据可以对多个预设充电站进行聚类,为多个地理位置数据相近的预设充电站设置对应的虚拟充电站,将虚拟充电站的分析结果作为该预设充电站的分析结果,进而可以为虚拟充电站设置预设充电节点进行分析。
作为一种可选的实施例,建立每个虚拟充电站对应的预设充电节点包括:获取虚拟充电站的多个预设充电时段,其中,预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;为每个预设充电时段设置对应的预设充电节点;根据预设充电时段,确定预设充电节点的充电时间数据。
可选地,每个虚拟充电站可以具有多个预设充电节点,且每个虚拟充电站的预设充电节点可以与预设充电时段的数量相同。
本发明上述实施例,按照预设充电时段为虚拟充电站设置预设充电节点,并根据预设充电时段确定充电时间数据,可以确定每个预设充电节点具有充电时间数据。
作为一种可选的实施例,建立每个虚拟充电站对应的预设充电节点包括:确定虚拟充电站对应的聚类簇,其中,聚类簇包括至少一个预设充电站;依据聚类簇中至少一个预设充电站的地理位置数据,确定虚拟充电站的虚拟位置数据;根据虚拟位置数据,确定预设充电节点的充电空间数据。
本发明上述实施例,由于每个虚拟充电站表示地理位置数据相近的多个预设充电站,因此,根据聚类簇中预设充电站的地理位置数据可以确定每个虚拟充电站的虚拟位置数据,进而根据该虚拟位置数据确定充电空间数据,可以确定每个预设充电节点的充电时间数据。
可选地,在聚类簇包括一个预设充电站的情况下,该预设充电站的地理位置数据即为虚拟充电站的虚拟位置数据、
可选地,在聚类簇包括多个预设充电站的情况下,根据多个预设充电站可以确定聚类中心,以及聚类中心的中心位置数据,进而将中心位置数据确定为虚拟充电站的虚拟位置数据。
可选地,根据多个预设充电站确定中心位置数据包括:根据多个预设充电站的地理位置数据的平均值,确定中心位置数据。
作为一种可选的实施例,建立每个虚拟充电站对应的预设充电节点包括:获取虚拟充电站的获取资源约束条件,其中,资源约束条件包括以下至少之一:每个预设充电节点中预设资源数据的上下界约束、多个预设充电节点中预设资源数据的平均值约束、同一预设充电节点中预设资源数据的变化量约束、以及充电时间数据相同且充电空间数据不同的预设充电节点之间预设资源数据的差异约束;依据资源约束条件,确定预设充电节点的多个预设资源数据。
本发明上述实施例,每个预设充电节点的多个预设资源数据可以通过至少一个资源约束条件确定,进而通过对预设充电节点的多个预设资源数据进行分析,可以在多个预设资源数据中选择最优的目标资源数据,实现对目标资源数据的选择。
可选地,为了充电服务商的价格制定做出引导,所以需要以充电服务商的利润最大化为目标,预设资源数据除了受到预设充电量数据的约束外,还可以通过设置资源约束条件对预设资源数据进行约束。
可选地,每个预设充电节点中预设资源数据的上下界约束包括:价格的上下界约束[ρmin,ρmax]。
可选地,多个预设充电节点中预设资源数据的平均值约束包括:用户的平均用电成本不上升
可选地,同一预设充电节点中预设资源数据的变化量约束包括:某地区某时段变化价格不超过原平均价格的λ倍,
可选地,充电时间数据相同且充电空间数据不同的预设充电节点之间预设资源数据的差异约束包括:同一时段不同地点价格差异
在上述步骤S104中,由于每个预设充电节点具有多个预设资源数据,因此每个预设充电节点的预测充电数据可以包括多个预设充电量数据,每个预设充电量数据表示该预设充电节点以对应的预设资源数据作为预测条件所得到的预测结果。
在上述步骤S104中,充电需求概率分布模型可以是条件随机场模型,分析充电时间数据和充电空间数据对预设充电量数据的影响,以及预设资源数据对预设充电量数据的影响。
图2是根据本发明实施例的一种仅考虑需求的空间依赖关系的条件随机场模型的示意图,如图2所示,虚线表示本地的价格(如预设资源数据)与需求(如预设充电量数据)的相关关系,而实线表示需求(如预设充电量数据)与空间(如充电空间数据)依赖关系。
作为一种可选的实施例,在使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据之前,方法还包括:获取用于表示预设充电量数据和预设资源数据之间依赖关系的第一依赖模型;获取用于表示预设充电量数据和充电空间数据之间依赖关系的第二依赖模型;获取用于表示预设充电量数据和充电时间数据之间依赖关系的第三依赖模型;依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型,其中,初始模型包括:第一依赖模型、第二依赖模型和第三依赖模型,以及第一依赖模型、第二依赖模型和第三依赖模型的初始权重参数。
本发明上述实施例,依据第一依赖模型、第二依赖模型和第三依赖模型,可以构建用于表示基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据影响的充电需求概率分布模型,进而基于该充电需求概率分布模型可以根据需求,在多个预设资源数据和预设充电量数据的组合中,选出最优的目标资源数据对应的目标充电量数据。
作为一种可选的示例,考虑K个区域聚合出的“虚拟充电站”,采用条件随机场的框架来为充电需求的时间、空间转移弹性进行建模,让/>表示第i个区域中的峰时段(如用电高峰时段)、平时段(如用电平稳时段)、谷时段(如用电低谷时段)的充电总需求量(如预设充电量数据),记时段的集合/>同理/>表示第i个区域峰平谷时段的充电价格(如预设资源数据)。在考虑/>的时间、空间依赖关系的条件下,基于给定的价格(如预设资源数据)/>估计充电需求(如预设充电量数据)/>的概率分布情况。
可选地,采用条件随机场的框架来为充电需求的时间、空间转移弹性进行建模。引入条件随机场G=(V,E),顶点集合/>表示K个区域聚合出的峰谷平三层“虚拟充电站”,边集合分别为与空间连接Ep,和与时间上的连接Et,也即是E=Ep+Et。空间上的边/>表示了充电需求空间上的相关关系(如第二依赖模型),时间上的边/>表示同一区域中不同时段总需求在时间上的相关关系(如第三依赖模型)。
在统一的时空弹性条件随机场模型中,各个区域充电的总需求量是作为隐式随机变量,价格/>是作为显式变量随机变量。记/>为向量ρ,同理,记/>为向量d,条件随机场能够求出P(d|ρ)的条件概率分布情况,条件随机场中的条件独立性质可以表述为:在价格ρ已知的情况下,不相连接的节点是条件独立的。
图3是根据本发明实施例的一种时空弹性统一框架的示意图,如图3所示,其中,实线表示需求的空间相关关系,虚线表示需求的时间相关关系。此处有三个特征函数,分别为本地需求价格关系(如第一依赖模型)ψi(di,ρi),i∈V,需求的空间依赖关系(如第二依赖模型)需求的时间依赖关系(如第二依赖模型)对三个依赖模型引入三个参数分别为ωi,/>分别表示第一依赖模型和第一权重参数、第二依赖模型和第二权重参数,以及第三依赖模型和第三权重参数,将其统一写入参数的向量ω中。
作为一种可选地示例,在价格(也即预设资源数据)已知的情况下,充电需求概率分布模型:
其中,Z(ρ)是配分函数,用于概率的归一化。
作为一种可选的实施例,在依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型之后,方法还包括:利用最大似然估计的方式对初始模型进行分析,确定第一依赖模型的初始权重参数为第一权重参数,确定第二依赖模型的初始权重参数为第二权重参数,确定第三依赖模型的初始权重参数为第三权重参数;依据第一依赖模型和第一权重参数、第二依赖模型和第二权重参数,以及第三依赖模型和第三权重参数,确定充电需求概率分布模型。
本发明上述实施例,利用最大似然估计的方式,可以得到初始模型中第一权重参数、第二依赖模型和第二权重参数,进而根据确定的第一权重参数、第二依赖模型和第二权重参数,结合第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型,实现对充电需求概率分布模型的确定。
在上述步骤S106中,利用粒子群算法,依托充电需求概率分布模型可以求解充电价格(如预设资源数据)和需求(如预设充电量数据)的对应关系。
需要说明的是,粒子群算法(Particle Swarm Optimization)是Kennedy,James2002年提出的一种随机搜索算法。算法原理是仿照鸟群的觅食行为,对群体和个体行为分别进行刻画。每个粒子有一个初始的速度和位置,在迭代中,位置由速度进行更新,速度会随着全局极大值点和个体极值点变化而变化。
可选地,粒子群算法可以表示为:
vi=w·vi+c1·rand()·(pbesti-presenti)+c2·rand()·(gbest-presenti)
presenti=presenti+vi
其中,vi表示第i个粒子的速度,w表示惯性系数,c1,c2分别是个体和群体的学习率,pbesti是个体最好的位置,gbest是群体最好的位置,presenti是粒子i的当前位置。
可选地,基于充电需求概率分布模型,可以以充电服务商的利润最大化为目标,通过粒子群算法进行求解,以充电服务商的利润最大化为目标可以通过如下公式表示:
其中,是第i个区域t时段的价格,ct表示t时段购电成本,/>表示第i个区域t时段的归一化需求的因子,/>表示在参数ω价格ρ情况下第i个区域t时段的期望需求。[ρmin,ρmax]表示设定价格的上下限,/>表示数据集中的平均充电价格,/>表示数据集中的第i个区域t时段的平均充电价格。ρMax_diff是同一时段不同地点价格差异的上限。
可选地,求解的目标是由建立的条件随机场模型在参数ω价格ρ情况下求出的充电需求的期望。
需要说明的是,因为充电占用率本身较低,所以不使用设备额定功率乘以小时数作为归一化因子进行归一化,而使用最大的充电电量作为归一化因子,峰平谷三个时段可以用表示。
图4是根据本发明实施例的一种电价优化前后价格变化情况的示意图,如图4所示,可以表示各虚拟充电站在电价优化前后价格(也即预设资源数据)的变化情况。
图5是根据本发明实施例的一种电价优化后充电需求量变化的示意图,如图5所示,可以表示各虚拟充电站在电价优化前后充电需求量(也即预设充电量数据)的变化情况。
图6是根据本发明实施例的一种各地区价格调整的示意图,如图6所示,可以表示各虚拟充电站所在地区在电价优化前后价格(也即预设资源数据)的变化情况。
图7是根据本发明实施例的一种价格调整后各地区充电量变化的示意图,如图7所示,可以表示各虚拟充电站所在地区在电价优化前后充电需求量(也即预设充电量数据)的变化情况。
可选地,将基于时空转移弹性的动态分时定价方法得到的充电价格变化模型与服务商现有策略进行对比,为服务商运营策略优化提供参考。
本申请上述实施例,通过虚拟电站的时空分布,生成考虑时空弹性的条件随机场,得到充电需求的充电需求概率分布模型,由此开展动态分时定价方法,得到服务商利润最大化的目标,为服务商运营策略提供有效参考。
本申请通过采用时空转移弹性算法,有效的将虚拟电站的相关参数带入到动态分时定价方法中,有效提高了服务商运营策略的精细度。
本申请采用了粒子群算法对动态分时定价进行优化,可得到充电价格和需求变化对应关系,有效提升了方法的可行性。
根据本发明实施例,还提供了一种电动汽车充电数据的处理装置实施例,需要说明的是,该电动汽车充电数据的处理装置可以用于执行本发明实施例中的电动汽车充电数据的处理方法,本发明实施例中的电动汽车充电数据的处理方法可以在该电动汽车充电数据的处理装置中执行。
图8是根据本发明实施例的一种电动汽车充电数据的处理装置的示意图,如图8所示,该装置可以包括:获取模块82,用于获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;第一确定模块84,用于使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;第二确定模块86,用于利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。
需要说明的是,该实施例中的获取模块82可以用于执行本申请实施例中的步骤S102,该实施例中的第一确定模块84可以用于执行本申请实施例中的步骤S104,该实施例中的第二确定模块86可以用于执行本申请实施例中的步骤S106。上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
在本发明实施例中,获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据,达到了基于时间和空间因素确定资源对充电量的影响,从而实现了在虚拟电站聚合方面基于时间和空间因素提高充电资源利用率的技术效果,进而解决了在虚拟电站聚合方面存在充电资源利用率低技术问题。
作为一种可选的实施例,获取模块包括:获取单元,用于获取多个预设充电站的地理位置数据;聚类单元,用于依据地理位置数据对多个预设充电站进行聚类,得到多个聚类簇;分配单元,用于为每个聚类簇分配对应的虚拟充电站;建立单元,用于建立每个虚拟充电站对应的预设充电节点。
作为一种可选的实施例,建立单元包括:第一获取子单元,用于获取虚拟充电站的多个预设充电时段,其中,预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;设置子单元,用于为每个预设充电时段设置对应的预设充电节点;第一确定子单元,用于根据预设充电时段,确定预设充电节点的充电时间数据。
作为一种可选的实施例,建立单元包括:第二确定子单元,用于确定虚拟充电站对应的聚类簇,其中,聚类簇包括至少一个预设充电站;第三确定子单元,用于依据聚类簇中至少一个预设充电站的地理位置数据,确定虚拟充电站的虚拟位置数据;第四确定子单元,用于根据虚拟位置数据,确定预设充电节点的充电空间数据。
作为一种可选的实施例,建立单元包括:第二确定子单元,用于获取虚拟充电站的获取资源约束条件,其中,资源约束条件包括以下至少之一:每个预设充电节点中预设资源数据的上下界约束、多个预设充电节点中预设资源数据的平均值约束、同一预设充电节点中预设资源数据的变化量约束、以及充电时间数据相同且充电空间数据不同的预设充电节点之间预设资源数据的差异约束;第五确定子单元,用于依据资源约束条件,确定预设充电节点的多个预设资源数据。
作为一种可选的实施例,装置还包括:第一获取子模块,用于在使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据之前,获取用于表示预设充电量数据和预设资源数据之间依赖关系的第一依赖模型;第二获取子模块,用于获取用于表示预设充电量数据和充电空间数据之间依赖关系的第二依赖模型;第三获取子模块,用于获取用于表示预设充电量数据和充电时间数据之间依赖关系的第三依赖模型;第一确定子模块,用于依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型,其中,初始模型包括:第一依赖模型、第二依赖模型和第三依赖模型,以及第一依赖模型、第二依赖模型和第三依赖模型的初始权重参数。
作为一种可选的实施例,装置还包括:第二确定子模块,用于在依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型之后,利用最大似然估计的方式对初始模型进行分析,确定第一依赖模型的初始权重参数为第一权重参数,确定第二依赖模型的初始权重参数为第二权重参数,确定第三依赖模型的初始权重参数为第三权重参数;第三确定子模块,用于依据第一依赖模型和第一权重参数、第二依赖模型和第二权重参数,以及第三依赖模型和第三权重参数,确定充电需求概率分布模型。
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行电动汽车充电数据的处理方法中以下步骤的程序代码:获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。可选的,上述处理器还可以执行如下步骤的程序代码:获取多个预设充电站的地理位置数据;依据地理位置数据对多个预设充电站进行聚类,得到多个聚类簇;为每个聚类簇分配对应的虚拟充电站;建立每个虚拟充电站对应的预设充电节点。
可选地,图9是根据本发明实施例的一种计算机终端的结构框图。如图9所示,该计算机终端90可以包括:一个或多个(图中仅示出一个)处理器92、和存储器94。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的电动汽车充电数据的处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及电动汽车充电数据的处理,即实现上述的电动汽车充电数据的处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。可选的,上述处理器还可以执行如下步骤的程序代码:获取多个预设充电站的地理位置数据;依据地理位置数据对多个预设充电站进行聚类,得到多个聚类簇;为每个聚类簇分配对应的虚拟充电站;建立每个虚拟充电站对应的预设充电节点。
可选的,上述处理器还可以执行如下步骤的程序代码:获取虚拟充电站的多个预设充电时段,其中,预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;为每个预设充电时段设置对应的预设充电节点;根据预设充电时段,确定预设充电节点的充电时间数据。
可选的,上述处理器还可以执行如下步骤的程序代码:确定虚拟充电站对应的聚类簇,其中,聚类簇包括至少一个预设充电站;依据聚类簇中至少一个预设充电站的地理位置数据,确定虚拟充电站的虚拟位置数据;根据虚拟位置数据,确定预设充电节点的充电空间数据。
可选的,上述处理器还可以执行如下步骤的程序代码:获取虚拟充电站的获取资源约束条件,其中,资源约束条件包括以下至少之一:每个预设充电节点中预设资源数据的上下界约束、多个预设充电节点中预设资源数据的平均值约束、同一预设充电节点中预设资源数据的变化量约束、以及充电时间数据相同且充电空间数据不同的预设充电节点之间预设资源数据的差异约束;依据资源约束条件,确定预设充电节点的多个预设资源数据。
可选的,上述处理器还可以执行如下步骤的程序代码:在使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据之前,获取用于表示预设充电量数据和预设资源数据之间依赖关系的第一依赖模型;获取用于表示预设充电量数据和充电空间数据之间依赖关系的第二依赖模型;获取用于表示预设充电量数据和充电时间数据之间依赖关系的第三依赖模型;依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型,其中,初始模型包括:第一依赖模型、第二依赖模型和第三依赖模型,以及第一依赖模型、第二依赖模型和第三依赖模型的初始权重参数。
可选的,上述处理器还可以执行如下步骤的程序代码:在依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型之后,利用最大似然估计的方式对初始模型进行分析,确定第一依赖模型的初始权重参数为第一权重参数,确定第二依赖模型的初始权重参数为第二权重参数,确定第三依赖模型的初始权重参数为第三权重参数;依据第一依赖模型和第一权重参数、第二依赖模型和第二权重参数,以及第三依赖模型和第三权重参数,确定充电需求概率分布模型。
采用本发明实施例,提供了一种电动汽车充电数据的处理的方案。通过获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据,达到了基于时间和空间因素确定资源对充电量的影响,从而实现了在虚拟电站聚合方面基于时间和空间因素提高充电资源利用率的技术效果,进而解决了在虚拟电站聚合方面存在充电资源利用率低技术问题。
本领域普通技术人员可以理解,图9所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图9其并不对上述电子装置的结构造成限定。例如,计算机终端90还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图9所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一非易失性介质中,非易失性存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地,在本实施例中,上述非易失性存储介质可以用于保存上述实施例所提供的电动汽车充电数据的处理方法所执行的程序代码。
可选地,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:获取预设充电集合,其中,预设充电集合包括:多个虚拟充电站的预设充电节点,每个预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,充电时间数据表示虚拟充电站的充电时段,充电空间数据表示虚拟充电站的地理位置,预设资源数据表示单位充电量对应的资源消耗量;使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据,其中,充电需求概率分布模型用于基于充电时间数据和充电空间数据,确定预设资源数据对预设充电量数据的影响,预测充电数据表示每个预设充电节点中多个预设资源数据分别对应的预设充电量数据,和每个预设充电量数据的分布概率,预设充电量数据表示预设充电节点预期消耗的最大充电量;利用粒子群算法对预测充电数据进行分析,在每个预设充电节点的多个预设资源数据中确定目标资源数据,和目标资源数据对应的目标充电量数据。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:获取多个预设充电站的地理位置数据;依据地理位置数据对多个预设充电站进行聚类,得到多个聚类簇;为每个聚类簇分配对应的虚拟充电站;建立每个虚拟充电站对应的预设充电节点。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:获取虚拟充电站的多个预设充电时段,其中,预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;为每个预设充电时段设置对应的预设充电节点;根据预设充电时段,确定预设充电节点的充电时间数据。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:确定虚拟充电站对应的聚类簇,其中,聚类簇包括至少一个预设充电站;依据聚类簇中至少一个预设充电站的地理位置数据,确定虚拟充电站的虚拟位置数据;根据虚拟位置数据,确定预设充电节点的充电空间数据。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:获取虚拟充电站的获取资源约束条件,其中,资源约束条件包括以下至少之一:每个预设充电节点中预设资源数据的上下界约束、多个预设充电节点中预设资源数据的平均值约束、同一预设充电节点中预设资源数据的变化量约束、以及充电时间数据相同且充电空间数据不同的预设充电节点之间预设资源数据的差异约束;依据资源约束条件,确定预设充电节点的多个预设资源数据。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:在使用充电需求概率分布模型对多个预设充电节点进行分析,确定每个预设充电节点的预测充电数据之前,获取用于表示预设充电量数据和预设资源数据之间依赖关系的第一依赖模型;获取用于表示预设充电量数据和充电空间数据之间依赖关系的第二依赖模型;获取用于表示预设充电量数据和充电时间数据之间依赖关系的第三依赖模型;依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型,其中,初始模型包括:第一依赖模型、第二依赖模型和第三依赖模型,以及第一依赖模型、第二依赖模型和第三依赖模型的初始权重参数。
可选地,在本实施例中,非易失性存储介质被设置为存储用于执行以下步骤的程序代码:在依据第一依赖模型、第二依赖模型和第三依赖模型确定充电需求概率分布模型的初始模型之后,利用最大似然估计的方式对初始模型进行分析,确定第一依赖模型的初始权重参数为第一权重参数,确定第二依赖模型的初始权重参数为第二权重参数,确定第三依赖模型的初始权重参数为第三权重参数;依据第一依赖模型和第一权重参数、第二依赖模型和第二权重参数,以及第三依赖模型和第三权重参数,确定充电需求概率分布模型。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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,也可以采用软件功能单元的形式实现。
所述集成的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,可以存储在一个非易失性存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电动汽车充电数据的处理方法,其特征在于,包括:
获取预设充电集合,其中,所述预设充电集合包括:多个虚拟充电站的预设充电节点,每个所述预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,所述充电时间数据表示所述虚拟充电站的充电时段,所述充电空间数据表示所述虚拟充电站的地理位置,所述预设资源数据表示单位充电量对应的资源消耗量;
使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据,其中,所述充电需求概率分布模型用于基于所述充电时间数据和所述充电空间数据,确定所述预设资源数据对预设充电量数据的影响,所述预测充电数据表示每个所述预设充电节点中多个所述预设资源数据分别对应的所述预设充电量数据,和每个所述预设充电量数据的分布概率,所述预设充电量数据表示所述预设充电节点预期消耗的最大充电量;
利用粒子群算法对所述预测充电数据进行分析,在每个所述预设充电节点的多个所述预设资源数据中确定目标资源数据,和所述目标资源数据对应的目标充电量数据。
2.根据权利要求1所述的方法,其特征在于,获取预设充电集合包括:
获取多个预设充电站的地理位置数据;
依据所述地理位置数据对多个所述预设充电站进行聚类,得到多个聚类簇;
为每个所述聚类簇分配对应的所述虚拟充电站;
建立每个所述虚拟充电站对应的所述预设充电节点。
3.根据权利要求2所述的方法,其特征在于,建立每个所述虚拟充电站对应的所述预设充电节点包括:
获取所述虚拟充电站的多个预设充电时段,其中,所述预设充电时段包括:用电高峰时段、用电低谷时段和用电平稳时段;
为每个所述预设充电时段设置对应的所述预设充电节点;
根据所述预设充电时段,确定所述预设充电节点的充电时间数据。
4.根据权利要求2所述的方法,其特征在于,建立每个所述虚拟充电站对应的所述预设充电节点包括:
确定所述虚拟充电站对应的所述聚类簇,其中,所述聚类簇包括至少一个所述预设充电站;
依据所述聚类簇中至少一个所述预设充电站的地理位置数据,确定所述虚拟充电站的虚拟位置数据;
根据所述虚拟位置数据,确定所述预设充电节点的充电空间数据。
5.根据权利要求2所述的方法,其特征在于,建立每个所述虚拟充电站对应的所述预设充电节点包括:
获取所述虚拟充电站的获取资源约束条件,其中,所述资源约束条件包括以下至少之一:每个所述预设充电节点中所述预设资源数据的上下界约束、多个所述预设充电节点中所述预设资源数据的平均值约束、同一所述预设充电节点中所述预设资源数据的变化量约束、以及所述充电时间数据相同且所述充电空间数据不同的所述预设充电节点之间所述预设资源数据的差异约束;
依据所述资源约束条件,确定所述预设充电节点的多个预设资源数据。
6.根据权利要求1所述的方法,其特征在于,在使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据之前,所述方法还包括:
获取用于表示所述预设充电量数据和所述预设资源数据之间依赖关系的第一依赖模型;
获取用于表示所述预设充电量数据和所述充电空间数据之间依赖关系的第二依赖模型;
获取用于表示所述预设充电量数据和所述充电时间数据之间依赖关系的第三依赖模型;
依据所述第一依赖模型、所述第二依赖模型和所述第三依赖模型确定所述充电需求概率分布模型的初始模型,其中,所述初始模型包括:所述第一依赖模型、所述第二依赖模型和所述第三依赖模型,以及所述第一依赖模型、所述第二依赖模型和所述第三依赖模型的初始权重参数。
7.根据权利要求6所述的方法,其特征在于,在依据所述第一依赖模型、所述第二依赖模型和所述第三依赖模型确定所述充电需求概率分布模型的初始模型之后,所述方法还包括:
利用最大似然估计的方式对所述初始模型进行分析,确定所述第一依赖模型的初始权重参数为第一权重参数,确定所述第二依赖模型的初始权重参数为第二权重参数,确定所述第三依赖模型的初始权重参数为第三权重参数;
依据所述第一依赖模型和所述第一权重参数、所述第二依赖模型和所述第二权重参数,以及所述第三依赖模型和所述第三权重参数,确定所述充电需求概率分布模型。
8.一种电动汽车充电数据的处理装置,其特征在于,包括:
获取模块,用于获取预设充电集合,其中,所述预设充电集合包括:多个虚拟充电站的预设充电节点,每个所述预设充电节点包括:充电时间数据、充电空间数据和多个预设资源数据,所述充电时间数据表示所述虚拟充电站的充电时段,所述充电空间数据表示所述虚拟充电站的地理位置,所述预设资源数据表示单位充电量对应的资源消耗量;
第一确定模块,用于使用充电需求概率分布模型对多个所述预设充电节点进行分析,确定每个所述预设充电节点的预测充电数据,其中,所述充电需求概率分布模型用于基于所述充电时间数据和所述充电空间数据,确定所述预设资源数据对预设充电量数据的影响,所述预测充电数据表示每个所述预设充电节点中多个所述预设资源数据分别对应的所述预设充电量数据,和每个所述预设充电量数据的分布概率,所述预设充电量数据表示所述预设充电节点预期消耗的最大充电量;
第二确定模块,用于利用粒子群算法对所述预测充电数据进行分析,在每个所述预设充电节点的多个所述预设资源数据中确定目标资源数据,和所述目标资源数据对应的目标充电量数据。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质用于存储程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述电动汽车充电数据的处理方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述处理器用于运行存储在所述处理器中的程序,其中,所述程序运行时执行权利要求1至7中任意一项所述电动汽车充电数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170641.7A CN117236601A (zh) | 2023-09-11 | 2023-09-11 | 电动汽车充电数据的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170641.7A CN117236601A (zh) | 2023-09-11 | 2023-09-11 | 电动汽车充电数据的处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236601A true CN117236601A (zh) | 2023-12-15 |
Family
ID=89094053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311170641.7A Pending CN117236601A (zh) | 2023-09-11 | 2023-09-11 | 电动汽车充电数据的处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236601A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745321A (zh) * | 2023-12-20 | 2024-03-22 | 浙江极氪智能科技有限公司 | 充电场站服务费定价方法、装置、设备及存储介质 |
-
2023
- 2023-09-11 CN CN202311170641.7A patent/CN117236601A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745321A (zh) * | 2023-12-20 | 2024-03-22 | 浙江极氪智能科技有限公司 | 充电场站服务费定价方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10664931B2 (en) | Data analyzing system and method | |
Tushar et al. | Economics of electric vehicle charging: A game theoretic approach | |
CN106415642B (zh) | 使用查询群的赞助在线内容管理 | |
CN104756444A (zh) | 云中的cdn负载平衡 | |
CN103401938A (zh) | 分布式云架构下基于业务特性的资源分配系统及其方法 | |
CN117236601A (zh) | 电动汽车充电数据的处理方法、装置及电子设备 | |
CN110766438B (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
CN111949409A (zh) | 一种电力无线异构网中计算任务卸载方法及系统 | |
Feng et al. | Optimizing computation offloading strategy in mobile edge computing based on swarm intelligence algorithms | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
CN112297934A (zh) | 充电站处理方法、装置、存储介质及处理器 | |
Lyu et al. | Dynamic pricing scheme for edge computing services: A two-layer reinforcement learning approach | |
Zhang et al. | Enhanced adaptive cloudlet placement approach for mobile application on spark | |
Németh et al. | A snapshot of the frontiers of client selection in federated learning | |
Liu et al. | An lstm enabled dynamic stackelberg game theoretic method for resource allocation in the cloud | |
Zhang et al. | Service pricing and selection for IoT applications offloading in the multi-mobile edge computing systems | |
Lovén et al. | A dark and stormy night: Reallocation storms in edge computing | |
Mondal et al. | Dynamic price-enabled strategic energy management scheme in cloud-enabled smart grid | |
Ruan et al. | On the economic value of mobile caching | |
CN115840649A (zh) | 划分容量块式虚拟资源分配方法及装置、存储介质和终端 | |
CN116207815A (zh) | 充电机的功率控制方法、装置、存储介质及电子设备 | |
CN110570136B (zh) | 配送范围确定方法、装置、电子设备以及存储介质 | |
CN112612934A (zh) | 用户充电行为画像处理方法和装置 | |
CN105472592A (zh) | 应用软件的收费系统及收费方法 | |
CN114683908A (zh) | 换电站的换电能力评估方法、系统、电子设备和介质 |
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 |