CN117408498A - 一种基于新能源大数据的公共充电站选址定容定桩方法 - Google Patents

一种基于新能源大数据的公共充电站选址定容定桩方法 Download PDF

Info

Publication number
CN117408498A
CN117408498A CN202311723019.4A CN202311723019A CN117408498A CN 117408498 A CN117408498 A CN 117408498A CN 202311723019 A CN202311723019 A CN 202311723019A CN 117408498 A CN117408498 A CN 117408498A
Authority
CN
China
Prior art keywords
charging
public
final
demand
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.)
Granted
Application number
CN202311723019.4A
Other languages
English (en)
Other versions
CN117408498B (zh
Inventor
王瑞
刘一霏
晋军
任升
张云龙
宋江涛
谷霄月
邓雄
张博渊
王光福
张林杰
闫梦娜
柏然
贾妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Dechuang Digital Industrial Intelligent Technology Co ltd
Original Assignee
Shaanxi Dechuang Digital Industrial Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Dechuang Digital Industrial Intelligent Technology Co ltd filed Critical Shaanxi Dechuang Digital Industrial Intelligent Technology Co ltd
Priority to CN202311723019.4A priority Critical patent/CN117408498B/zh
Publication of CN117408498A publication Critical patent/CN117408498A/zh
Application granted granted Critical
Publication of CN117408498B publication Critical patent/CN117408498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06Q10/06—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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于新能源大数据的公共充电站选址定容定桩方法，该方法包括：获取目标区域内各纯电动车辆历史运行数据、各初选公共充电站和各现有充电站的位置信息；基于各纯电动车辆历史运行数据得到公共充电需求总量；通过各初选公共充电站之间、各初选公共充电站与各现有充电站之间的服务范围交叠率，确定出最终充电建站新址；根据最终充电建站新址、各行驶片段运行数据、公共充电需求总量确定每个最终充电建站新址对应的充电容量及充电桩个数。本发明在公共充电站规划上有明确的数据指标，规划更为科学，资源分配合理，避免了高峰用电时段等候排队的现象，利用现成的公共服务场所作为最终充电建站新址，显著缩减了建设成本。

Description

一种基于新能源大数据的公共充电站选址定容定桩方法
技术领域
本发明属于电动汽车公共充电站规划领域，特别涉及一种基于新能源大数据的公共充电站选址定容定桩方法。
背景技术
随着全球环保意识的加强和能源危机的加剧，新能源汽车已成为世界首要发展方向之一。而新能源汽车的使用需要配套的充电设施，新能源汽车充电站的建设成为全球各国政府的共同任务。
对于新能源汽车充电站的建设应充分考虑新能源汽车增长量、企业使用便利性、城区覆盖率等多方面因素，在新能源充电站的选址上，科学布局，合理规划，才能破解新能源汽车“找桩难”的难题。目前我国公共充电桩布局不均衡，一些地区充电桩较多，而一些地区充电桩供应不足，导致需充电车量多的区域充电桩不足、充电困难，需充电车量少的区域有过多充电桩长时间无人使用、浪费资源。针对现状，在明确用户充电场景、整体高峰充电时间、车主平均充电时长基础上，扩大现有充电桩的布局，加大多种充电站建设的推动力度迫在眉睫。
发明内容
针对上述问题，本发明提供了一种基于新能源大数据的公共充电站选址定容定桩方法，在充分利用新能源车联网大数据，根据目标区域内车辆充电数据，测算车辆公共充电需求,并充分利用区域内可实现充电桩建设规划的现有公共服务场所作为初选建站地址，通过行车轨迹信息挖掘，进一步优化确定可建站的最终建站新址，通过充电信息和引入高峰充电系数概念进一步得到每个最终建站新址容量大小及对应充电桩数量，科学规划公共充电站，合理分配资源，避免高峰用电时段等候排队的现象。
为实现上述目的，本发明采取以下技术方案：
一种基于新能源大数据的公共充电站选址定容定桩方法，具体包括：
S1、获取目标区域内各纯电动车辆历史运行数据、各公共服务场所和各现有充电站的位置信息，并将所述各公共服务场所作为初选公共充电站地址；
S2、从所述各纯电动车辆历史运行数据中，提取各行驶片段运行数据及各停车充电片段运行数据；
S3、根据所述各停车充电片段运行数据建立充电行为画像特征矩阵，根据所述充电行为画像特征矩阵识别各公共停车充电片段，基于所述各公共停车充电片段的运行数据，计算公共充电需求总量；
S4、计算各初选公共充电站之间、各初选公共充电站与各现有充电站之间的服务范围交叠率，设定阈值，从所述初选公共充电站中确定出最终充电建站新址；
S5、根据所述最终充电建站新址、所述各行驶片段运行数据、所述公共充电需求总量，确定每个所述最终充电建站新址的公共充电需求量及充电桩个数。
优选地，所述各纯电动车辆历史运行数据包括：车辆经纬度、电池荷电状态、车速、车辆状态、充电状态、充电电流、充电电压及对应数据采集时间；
所述各公共服务场所包括附带停车位的商场、附带停车位的超市、附带停车位的医院及附带停车位的加油站；
所述位置信息包括：所述各公共服务场所和各现有充电站的分布图及其对应的经纬度，所述位置信息的获取方法为：调用百度地图或高德地图开发的API接口获取。
优选地，所述各行驶片段运行数据包括：车辆状态、车速、车辆经纬度及对应数据采集时间；所述各停车充电片段运行数据包括：电池荷电状态、充电电流、充电电压、充电状态及对应数据采集时间。
优选地，所述车辆状态包括：车辆启动、车辆熄火及其他三种状态；所述充电状态包括：停车充电、行驶充电、未充电及充电完成四种状态。
优选地，S3具体包括：
S31、从所述各停车充电片段运行数据中提取出充电速率特征信息、充电时间特征信息及电量特征信息，建立充电行为画像特征矩阵；
S32、对所述充电行为画像特征矩阵进行特征工程处理，保留有效特征序列矩阵；
S33、根据所述有效特征序列矩阵，完成充电行为类型划分，并根据划分类型识别所述各公共停车充电片段；
S34、从所述各公共停车充电片段的运行数据中提取充电电流、充电电压及对应数据采集时间，计算所述公共充电需求总量。
优选地，S32中，所述特征工程处理为降维处理，所述降维处理采用方差法、相关系数法、卡方检验法其中一种，所述有效特征序列矩阵中的特征值包括：充电速率、充电开始时间、充电结束电池荷电状态值及满电停留时间；
S33中，所述充电行为类型划分采用隐马尔科夫结合K近邻模型完成。
优选地，S4具体包括：
S41、分别以各初选公共充电站经纬度及各现有充电站经纬度为圆心，以r为半径，构建圆形服务范围；
S42、用交并比算法分别计算所述各初选公共充电站之间圆形服务范围、所述各初选公共充电站与所述各现有充电站之间圆形服务范围的交叠率；
S43、设定阈值，用非极大值抑制方法，限制所述交叠率小于所述阈值，在所述初选公共充电站中选出最终充电建站新址，所述阈值的选取采用灵敏度分析法。
优选地，S5具体包括：
S51、对所述各纯电动车辆历史运行数据按趟进行拆分，并对每趟的车辆经纬度点进行抽稀处理，得到抽稀后的车辆经纬度点，将抽稀后的车辆经纬度点作为潜在公共充电需求发生点；
S52、在最终充电建站新址中为每个潜在公共充电需求发生点匹配最近邻充电建站新址；
S53、将匹配到每个所述最近邻充电建站新址的潜在公共充电需求发生点按时间间隔加权，除以所有潜在公共充电需求发生点按时间加权后的算数总和，得到每个所述最终充电建站新址的公共充电需求量在所述公共充电需求总量中的占比，并根据所述公共充电需求总量，确定每个所述最终充电建站新址的公共充电需求量，根据高峰充电系数、每个所述最终充电建站新址的公共充电需求量，确认每个所述最终充电建站新址的充电桩个数。
优选地，S51中所述抽稀处理采用道格拉斯普克算法、垂距限值算法中的一种；
S52中采用邻近搜索算法为每个潜在公共充电需求发生点匹配最近邻充电建站新址，所述邻近搜索算法为KD-Tree算法。
优选地，S53中所述高峰充电系数的获取方法为：统计各公共停车充电片段中开始充电时刻，以24个时刻区间为横坐标，划分等分区间，统计所述开始充电时刻落入到每个区间的次数，并绘制相应的区间-频次分布图，从区间-频次分布图中选取出高峰充电段，用所述高峰充电段的充电频次除以所述24个时刻区间的充电总频次，得到所述高峰充电系数，所述高峰充电段为充电频次累计占比高的连续m（1<m<4）个区间对应的时段，所述连续m个区间的充电频次累计占比达到n（35%<n<50%）；
确认所述充电桩个数的方法具体为：根据所述最终充电建站新址的公共充电需求量、高峰充电系数，确定高峰充电段所需总电量，根据高峰充电段所需总电量、充电桩电力配置参数，确定所述充电桩个数。
与现有技术相比，本发明的有益效果为：
（1）本发明利用真实的车辆历史充电数据、通过隐马尔科夫结合K近邻模型，通过时序充电数据关联各充电行为模式，深度挖掘充电行为，正确识别出公共停车充电片段，并进一步得到公共充电需求总量，在充电站总体的容量规划上有了明确的数据指标；
（2）本发明利用现有的附带停车位的公共服务场所作为初选公共充电站地址，结合现有充电站的布局情况，通过引入服务范围交叠率的概念，在明确各交叠率的情况下，又利用现成公共服务场所作为最终充电建站新址，进一步缩减的建设成本；
（3）本发明通过车辆历史轨迹数据、对轨迹数据中坐标点进行抽稀，然后使用空间索引KD-Tree搜索方法匹配抽稀后坐标点与之最临近的最终充电建站新址，通过该方法得每个最终充电建站新址匹配到车辆经纬度点的频次占比，即为各最终充电建站新址对应的公共充电需求量占比，使公共充电站的规划更为科学，资源分配合理，其中抽稀算法大大减少了距离计算的运算资源开销，其次临近匹配算法充分借鉴轨迹热度概念，同时通过引入高峰充电系数，进一步完成各最终充电建站新址对应充电桩个数的确认，避免了高峰用电时段等候排队的现象。
附图说明
图1为本发明公共充电站选址定容定桩方法的总体流程图；
图2为确定各最终充电建站新址的公共充电需求量及充电桩个数的流程图。
具体实施方式
以下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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
参考图1，本发明提出了一种基于新能源大数据的公共充电站选址定容定桩方法，包括：
S1、获取目标区域内，各纯电动车辆历史运行数据、各公共服务场所和各现有充电站的位置信息，并将所述各公共服务场所作为初选公共充电站地址。
本发明将各公共服务场所作为初选充电站地址，首先这些公共服务场所初期的建设规划已充分考虑了区域行政、商业、文娱、体育、医疗、教育等情况以及人口分布、交通统筹规划，其次考虑这些地方是因为有足够的空间位置进行充电桩布置，再然后选这些现有地方可有效降低充电桩的用地建设成本。
所述各纯电动车辆历史运行数据包括：车辆经纬度、电池荷电状态（SOC）、车速、车辆状态、充电状态、充电电流、充电电压及对应数据采集时间；采集这些数据为充电行为划分、公共充电需求测算以及充电站选址、定容、定桩做数据支持。
所述各公共服务场所包括但不局限于附带停车位的商场、附带停车位的超市、附带停车位的医院以及附带停车位的加油站。
所述位置信息包括：所述各公共服务场所和各现有充电站的分布图及其对应的经纬度，所述位置信息的获取方法为：调用百度地图或高德地图开发的API接口获取。
S2、从所述各纯电动车辆历史运行数据中，提取各行驶片段运行数据及各停车充电片段运行数据。
其中所述各行驶片段运行数据包括：车辆状态、车速、车辆经纬度及对应数据采集时间；所述各停车充电片段数据包括：电池荷电状态、充电电流、充电电压、充电状态及对应数据采集时间。
S3、根据所述各停车充电片段运行数据建立充电行为画像特征矩阵，根据所述充电行为画像特征矩阵识别各公共停车充电片段，基于各公共停车充电片段运行数据，计算公共充电需求总量。
车辆实际充电过程，其充电行为一般分为公桩充电和私桩充电，而公桩充电可进一步分为公桩快充、公桩慢充，私桩充电均为私桩慢充。
一般公桩快充为直流恒流充电，充电功率高、充电速率极快，而选择公桩快充车辆特点是，满充停留时间短，充电结束SOC一般不充满，因为充电站需要收取停车费，即结束充电SOC不一定达到100%；公桩慢充一般为直流恒流充电，额定充电功率较低、充电速率较快，公桩慢充车辆特点是充电时间较长，且满电停留时间短，原因同上，且充电结束SOC一般较满，结束充电SOC不一定达到100%，但充满概率比公桩快充大；私桩慢充采用交流恒压充电，充电速率较慢，私桩慢充车辆一般充满电后停留时间过长，充电时间较长、且充电结束SOC基本达到100%。根据以上三种充电行为特征，进一步通过从数据纬度分类识别三种充电行为，从充电速率特征信息、充电时间特征信息和电量特征信息三个方面进行特征提取，本实施例把跟三个方面相关的特征信息都进行了提取，初步选择充电开始时间、充电结束时间、充电时长、充电功率、充电开始SOC、充电结束SOC、充入SOC、是否满充（SOC达到100%）、充完停车时长以及充电速率10个特征来建立每次充电行为画像特征矩阵。
计算公共充电需求总量具体过程包括：
从每台车辆各停车充电片段运行数据中提取上述10个特征值，按时序进行排列组成充电行为画像特征矩阵。
采用方差选择法对上述充电行为画像特征矩阵进一步做特征筛选，其中方差选择法是通过计算每个特征值的方差，然后选择方差大于某个阈值的特征值，公式如下：
其中，mean x 为第x列特征值的均值，为第x列特征值中第i个特征值，本实施例中 调用python里sklearn库中feature_selection类中的一个函数VarianceThreshold来完成 特征筛选，该10个特征值的方差值加和求的均值被设定为方差阈值，在完成筛选前对充电 行为画像特征矩阵做标准化处理，最终筛选出均满足大于所述方差阈值的充电速率、充电 开始时间、充电结束SOC值及满电停留时间四个特征值。
通过最终筛选出的充电速率、充电开始时间、充电结束SOC值及满电停留时间四种特征值，完成对充电行为类型划分，划分可采用聚类分析方法，本实施例优先选用隐马尔科夫模型结合K近邻模型完成充电行为类型划分，隐马尔科夫模型可通过时序数据考虑各充电行为模式，其中状态转移概率图的引入描述了车辆充电行为在时间纬度上从一个充电状态到另一个充电状态的概率，可深度挖掘典型的充电行为，引入K近邻模型是充分考虑对于数据量较少的车辆以及不显著拥有三种充电行为用户进一步进行分类划分。
在运用隐马尔可夫模型进行充电行为分类时，在本实施例中，先将对隐马尔可夫模型中的一些符号进行事先定义：
其中，：表示第i台车所有可能的充电行为状态集合；
：表示第i台车所有可能观测的集合，其中r m 元素表示第i台车所对应的第m种充电行为，是由最终筛选出的充电速率、充电开始时间、充电结束SOC值及满电停留时间四个特征值组成的一个行向量。
：是长度为j的状态序列，表示第i台车第k个状态序列。
：是/>对应的观测序列，表示第i台车第k个观测序列，长度为j，元素x j 表示第i台车第k个观测序列中的第j个充电行为特征值，本实施例中，每个观测序列由最终筛选出其对应的充电速率、充电开始时间、充电结束SOC值及满电停留时间四个特征值组成的一个行向量表示。
状态转移概率矩阵，/>为第i台车的充电行为类别从/>变到/>的概率，/>表示在j时刻处于状态/>的情况下在j+1时刻转移到状态/>的概率，c=1，2，3……n，d=1，2，3……n。
为观测概率矩阵，其中，为第i台车 充电行为在的条件下，生成观测序列的概率，g=1，2，3……m 1 ；c=1，2，3……n。
，其中/>表示第i台车在时刻t=1处于状态/>的概率。
第i台车辆隐马尔可夫模型由初始状态、状态转移概率矩阵、观测概率矩阵确定，由于本实施例中仅知道观测序列，而没有对应的状态 序列，则隐马尔可夫模型的学习问题的目标是则是学习隐马尔可夫模型 λ=（，，） 的参数。
本实施例先用Baum-Welch算法对隐马尔可夫模型进行参数估计，Baum-Welch算法是EM算法的一种特例。
经Baum-Welch算法求得模型参数，即 λ=（A，B，π），并已知各观测序列，求其对应的状态序列，也就是隐马尔可夫模型的预测问题，在本实施例中，运用维特比算法，维特比算法是一个基于动态规划思想的方法，它把求解状态序列看作寻找一条最优路径。
经隐马尔可夫模型对上述的观测序列的状态序列进行预测后，其中一小部分观测序列未进行充电行为状态分类划分，在本实施例中，先对经隐马尔可夫模型分类后获得的观测序列、对应的状态序列以及未分类成功的观测序列再一次进行合并，接着运用K近邻算法对应做半监督分类，最终完成所有充电行为类型划分。
经分类后，所有充电行为最终被分为公桩快充、公桩慢充、私桩慢充三种类型，提取每台车充电行为中的公桩快充、公桩慢充作为其对应的公共停车充电片段。
根据从公共停车充电片段运行数据中提取的充电电流、充电电压与对应时间的乘积，求得公共充电需求总量。
S4、计算各初选公共充电站之间、各初选公共充电站与各现有充电站之间的服务范围交叠率，设定阈值，从所述初选公共充电站中确定出最终充电建站新址。
S1中，已获取到目标区域内初选公共充电站及现有充电站的位置信息，现以各初选公共充电站经纬度和各现有充电站经纬度为圆心，设定半径，构建圆形服务区域，在本实施例中，选择目标区域内现有的所有的加油站位置作为初选公共充电站，设定半径r为1000m的服务半径，分别构建各现有加油站以及目标区域内现有充电站的服务范围。
由于最终选择的公共充电站建站地址和现有充电站构建的服务范围不能高度重合，否则建设成本增加同时并在利用效率上产生冗余，本发明中借助计算机视觉中目标识别算法中NMS（非极大值抑制）核心思想，依次将初选公共充电站序列中，各初选公共充电站之间的服务范围、所述各初选公共充电站与所述各现有充电站之间的服务范围进行服务范围交叠率计算（IOU，交并比），并设定阈值k1，将超过与之服务范围交叠率阈值k1的其他初选公共充电站从初选公共充电站序列中删除。依此方法类推，遍历完初选公共充电站序列，删除超过阈值的初选公共充电站，即最终剩余的初选公共充电站序列中的公共充电站即为最终充电建站新址。
例如：假设有6个建站备选地址，地址1、地址2、地址3、地址4、地址5、地址6，从地址1开始，分别判断地址2、地址3...地址6与地址1的重叠度IOU是否大于设定的k阈值，假设地址2、地址3与地址1的重叠度超过阈值，那么就删除地址2、地址3；并标记地址1为保留下来的，紧接着从剩下的地址4、地址5、地址6中，选择地址4，然后判断地址4与地址5、地址6的重叠度，重叠度大于阈值的，那么就删除，假设删除的是地址6，那么标记地址4、地址5是保留下来的第二个，第三个地址，按照此方法就一直重复，最终找到所有被保留下来的地址即为最终充电建站新址。其中IOU（交并比）的计算公式为：IOU=A∩B/A∪B，其中A和B表征两个不同的服务范围面积，A∩B为两个重叠的服务范围面积，A∪B为两个并集服务范围面积。
阈值k1的选择，本发明优先采用灵敏度分析法，其原则是找到一个阈值拐点，即在小于k1的阈值下筛选出最终充电建站新址的数量与在阈值为k1下筛选出最终充电建站新址的数量相比并未出现明显递减，则k1为最终阈值，经过测试，本实施例中阈值k1=0.8较为合适。
S5、根据所述最终充电建站新址、所述各行驶片段运行数据、所述公共充电需求总量，确定每个所述最终充电建站新址对应的公共充电需求量及充电桩个数。
在S3、S4中分别确定公共充电需求总量及最终充电建站新址，现首先确定各最终充电建站新址对应的公共充电需求量。
本发明中，各最终充电建站新址对应的公共充电需求量计算方法是：首先将经抽稀后的各车辆经纬度点作为潜在公共充电需求发生点，其抽稀方法本实施例优先选用道格拉斯普克算法，然后在最终充电建站新址中为每个潜在公共充电需求发生点匹配最近邻充电建站新址，将匹配到每个所述最近邻充电建站新址的潜在公共充电需求发生点按时间间隔加权，除以所有潜在公共充电需求发生点按时间加权后的算数总和，即可得到每个所述最终充电建站新址的公共充电需求量在所述公共充电需求总量中的占比，然后根据S3中得到的公共充电需求总量，确定各最终充电建站新址的公共充电需求量。
其中，为每个潜在公共充电需求发生点匹配最近邻充电建站新址，传统的方法是通过K近邻算法进行分类，其核心思想都要遍历完样本空间中每个样本点到这个目标点的距离，依次选择距离较近的M个目标点，假如样本空间有n个样本点，那一个目标点遍历完整个样本空间的时间复杂度为O(n)，倘若有N个目标值，K近邻算法的时间复杂度为O(N*n)，该算法的复杂程度较高及计算开销大。
本发明中，优先选用空间索引KD-Tree方法，该方法在时间复杂度上为O(N*log(n))，KD-Tree是一个空间划分树，是将整个k维的向量空间不断的二分，从而划分为若干局部空间，进一步细化分割,直到每个最小空间只包含一个数据点。
参考图2，本实施例对采用KD-Tree算法为每个潜在公共充电需求发生点匹配最近邻充电建站新址做进一步详细说明，具体包括：
S521、基于最终充电建站新址经纬度坐标，构建KD-Tree；
在本实施例中，构建KD-Tree的具体方法为：
S5211、根据所述最终充电建站新址经纬度坐标，建立二维经纬度数据序列，其中第一维是经度、第二维是纬度；
S5212、在经纬度数据序列上对每个维度的方差进行计算，选择方差最大的维度为划分维度；
S5213、计算S5212中划分维度所对应的数据的中位数，根据中位数将所述划分维度中的数据划分为2个子集，小于等于中位数数据放左子集，大于中位数的数据放右子集，同时将该中位数对应的经纬度坐标作为树根结点；
S5214、对上述左、右子集重复S5212、S5213，直至子集不能再划分为止，其中将不能再划分的子集合中的数据作为叶子结点，并保存各叶子结点上对应的坐标值。保留每个子树所在的分割维度k及对应的分割值m2，记为（k，m2），其中分割值m2为对应分割维度k序列上的中位数，其中k=1或k=2；
S522、依次遍历所有行驶车辆经纬度点，利用KD-Tree最近邻查找算法为每个潜在公共充电需求发生点匹配最近邻充电建站新址；
在本实施例中，利用S521构建的KD-Tree，用一个行驶车辆经纬度点A（x，y），说明其最邻近搜索算法匹配到最近邻充电建站新址的具体步骤：
S5221、在构建的KD-Tree中，从S5213中的根结点出发，按照点A（x，y）与各个结点的比较结果，递归地向下搜索KD-Tree，直到子结点为叶结点为止；
其中点A（x，y）与各个结点的比较方法：从根结点出发，将根结点记录为（k，m2），将点A（x，y）在k维上的值与根结点分割值m2比较，本实施例中，假设一个根结点记录为（2，3.5），即当前分割维度在第二维度k=2，比较第二维度上的点的y值与m2=3.5的大小，若y<m2，即访问左子树，否则访问右子树，按上述方法，向下递归判断，直到找到点A（x，y）所属的叶子结点；
S5222、在点A（x，y）所属的叶子结点上，计算点A（x，y）与所述叶子结点之间的距离，记录与点A（x，y）距离最小的叶子结点x1，及该叶子结点与点A（x，y）之间的距离d1，将点x1定义为最近邻点，将d1定义为最小距离；
S5223、对未访问的父节点以及邻近分支进行回溯，回溯原则为判断未被访问过的分支里是否有离点A（x，y）更近的点，且与点A（x，y）之间的距离小于d1；
其回溯方法为：
在叶子结点x1下，获取其他车辆经纬度点x2与点A（x，y）的距离d2，若d2＜d1，则更新当前最近邻点为x2以及最小距离为d2，反之则不需要更新；
接着判断与点x2同一父节点的另一子节点是否有最近邻点，判断方法是：以点A（x，y）为圆心，以d2为半径进行画圆；
若另一子节点的区域与这个圆有相交，则需要进行对另一个子节点和点A（x，y）进行剧烈计算，并判断是否进行最近邻点及最小距离更新，若不相交，则向上回退；
直至回溯到根结点，搜索截止，最终更新的最近点即为点A（x，y）的最近邻点也即为所匹配到的最邻近充电建站新址；
S523、对各最终充电建站新址所匹配到的各行驶车辆经纬度点做时间间隔加权处理，得到各最终充电建站新址对应的各行驶轨迹点的时间间隔之和；
由S522得到每个最终充电建站新址匹配到车辆经纬度点的频次，各最终充电建站新址公共充电需求量占比不能简单由各最终充电建站新址所匹配到车辆经纬度点频次占比计算得到，本发明中，还将各轨迹点间时间跨度影响考虑在内，加了时间间隔权重影响因子，在本实施例中，分别统计各最终充电建站新址所匹配到车辆经纬度点的时间间隔之和，并根据总的时间间隔之和，确定各最终充电建站新址公共充电需求量占公共充电需求总量的比例；
其计算各最终建站新址公共充电需求量占比公式如下所示：
其中，为第i个最终充电建站新址对应潜在公共充电需求发生点时间间隔； 为第i个最终充电建站新址第j个潜在公共充电需求发生点时间间隔，为第i个最终充电 建站新址对应潜在公共充电需求发生点总数，M为最终充电建站新址个数，为第i个最终 充电建站新址公共充电需求量占公共充电需求总量的比例。
基于最终充电建站新址对应的各行驶车辆经纬度点的时间间隔之和及公共充电需求总量，得到各最终充电建站新址对应的公共充电需求量。
由上述得到的各最终充电建站新址公共充电需求量占比及公共充电需求总量乘积，可得到各最终充电建站新址对应的公共充电需求量。
基于各最终充电建站新址对应的公共充电需求量及高峰充电系数，确定各最终充电建站新址充电桩数。
充电桩数的确认要既要满足充电低谷和平峰的充电需求，也要满足在充电高峰时段，保证充电站不会出现车辆排队溢出等候充电的情况，记录所有前述识别到的公共停车充电片段中的开始充电时刻，以24个时刻区间为横坐标，划分等分区间，统计所述开始充电时刻落入到每个区间的次数，并绘制相应的区间-频次分布图，从区间-频次分布图中找到频次较高的充电时段，将此时段定义为高峰充电段，将高峰充电段的充电频次在所述24个时刻区间的充电总频次中的占比作为高峰充电系数，其中，高峰充电段为充电频次累计占比高的连续m（1<m<4）个区间对应的时段，所述连续m个区间的充电频次累计占比达到n（35%<n<50%）；
由各最终充电建站新址对应的公共充电需求量及求得的高峰充电系数，得到各最终充电建站新址高峰时段充电需求量，并根据事先已知充点桩电力配置参数，即可得到高峰充电段所需充电桩个数，也即为各最终充电建站新址所需充电桩个数。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，具体包括：
S1、获取目标区域内各纯电动车辆历史运行数据、各公共服务场所和各现有充电站的位置信息，并将所述各公共服务场所作为初选公共充电站地址；
S2、从所述各纯电动车辆历史运行数据中，提取各行驶片段运行数据及各停车充电片段运行数据；
S3、根据所述各停车充电片段运行数据建立充电行为画像特征矩阵，根据所述充电行为画像特征矩阵识别各公共停车充电片段，基于所述各公共停车充电片段的运行数据，计算公共充电需求总量；
S4、计算各初选公共充电站之间、各初选公共充电站与各现有充电站之间的服务范围交叠率，设定阈值，从所述初选公共充电站中确定出最终充电建站新址；
S5、根据所述最终充电建站新址、所述各行驶片段运行数据、所述公共充电需求总量，确定每个所述最终充电建站新址的公共充电需求量及充电桩个数。
2.根据权利要求1所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，所述各纯电动车辆历史运行数据包括：车辆经纬度、电池荷电状态、车速、车辆状态、充电状态、充电电流、充电电压及对应数据采集时间；
所述各公共服务场所包括附带停车位的商场、附带停车位的超市、附带停车位的医院及附带停车位的加油站；
所述位置信息包括：所述各公共服务场所和各现有充电站的分布图及其对应的经纬度，所述位置信息的获取方法为：调用百度地图或高德地图开发的API接口获取。
3.根据权利要求2所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，所述各行驶片段运行数据包括：车辆状态、车速、车辆经纬度及对应数据采集时间；所述各停车充电片段运行数据包括：电池荷电状态、充电电流、充电电压、充电状态及对应数据采集时间。
4.根据权利要求2所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，所述车辆状态包括：车辆启动、车辆熄火及其他三种状态；所述充电状态包括：停车充电、行驶充电、未充电及充电完成四种状态。
5.根据权利要求1所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S3具体包括：
S31、从所述各停车充电片段运行数据中提取出充电速率特征信息、充电时间特征信息及电量特征信息，建立充电行为画像特征矩阵；
S32、对所述充电行为画像特征矩阵进行特征工程处理，保留有效特征序列矩阵；
S33、根据所述有效特征序列矩阵，完成充电行为类型划分，并根据划分类型识别所述各公共停车充电片段；
S34、从所述各公共停车充电片段的运行数据中提取充电电流、充电电压及对应数据采集时间，计算所述公共充电需求总量。
6.根据权利要求5所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S32中，所述特征工程处理为降维处理，所述降维处理采用方差法、相关系数法、卡方检验法其中一种，所述有效特征序列矩阵中的特征值包括：充电速率、充电开始时间、充电结束电池荷电状态值及满电停留时间；
S33中，所述充电行为类型划分采用隐马尔科夫结合K近邻模型完成。
7.根据权利要求1所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S4具体包括：
S41、分别以各初选公共充电站经纬度及各现有充电站经纬度为圆心，以r为半径，构建圆形服务范围；
S42、用交并比算法分别计算所述各初选公共充电站之间圆形服务范围、所述各初选公共充电站与所述各现有充电站之间圆形服务范围的交叠率；
S43、设定阈值，用非极大值抑制方法，限制所述交叠率小于所述阈值，在所述初选公共充电站中选出最终充电建站新址，所述阈值的选取采用灵敏度分析法。
8.根据权利要求1所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S5具体包括：
S51、对所述各纯电动车辆历史运行数据按趟进行拆分，并对每趟的车辆经纬度点进行抽稀处理，得到抽稀后的车辆经纬度点，将抽稀后的车辆经纬度点作为潜在公共充电需求发生点；
S52、在最终充电建站新址中为每个潜在公共充电需求发生点匹配最近邻充电建站新址；
S53、将匹配到每个所述最近邻充电建站新址的潜在公共充电需求发生点按时间间隔加权，除以所有潜在公共充电需求发生点按时间加权后的算数总和，得到每个所述最终充电建站新址的公共充电需求量在所述公共充电需求总量中的占比，并根据所述公共充电需求总量，确定每个所述最终充电建站新址的公共充电需求量，根据高峰充电系数、每个所述最终充电建站新址的公共充电需求量，确认每个所述最终充电建站新址的充电桩个数。
9.根据权利要求8所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S51中所述抽稀处理采用道格拉斯普克算法、垂距限值算法中的一种；
S52中采用邻近搜索算法为每个潜在公共充电需求发生点匹配最近邻充电建站新址，所述邻近搜索算法为KD-Tree算法。
10.根据权利要求8所述基于新能源大数据的公共充电站选址定容定桩方法，其特征在于，S53中所述高峰充电系数的获取方法为：统计各公共停车充电片段中开始充电时刻，以24个时刻区间为横坐标，划分等分区间，统计所述开始充电时刻落入到每个区间的次数，并绘制相应的区间-频次分布图，从区间-频次分布图中选取出高峰充电段，用所述高峰充电段的充电频次除以所述24个时刻区间的充电总频次，得到所述高峰充电系数，所述高峰充电段为充电频次累计占比高的连续m（1<m<4）个区间对应的时段，所述连续m个区间的充电频次累计占比达到n（35%<n<50%）；
确认所述充电桩个数的方法具体为：根据所述最终充电建站新址的公共充电需求量、高峰充电系数，确定高峰充电段所需总电量，根据高峰充电段所需总电量、充电桩电力配置参数，确定所述充电桩个数。
CN202311723019.4A 2023-12-15 2023-12-15 一种基于新能源大数据的公共充电站选址定容定桩方法 Active CN117408498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311723019.4A CN117408498B (zh) 2023-12-15 2023-12-15 一种基于新能源大数据的公共充电站选址定容定桩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311723019.4A CN117408498B (zh) 2023-12-15 2023-12-15 一种基于新能源大数据的公共充电站选址定容定桩方法

Publications (2)

Publication Number Publication Date
CN117408498A true CN117408498A (zh) 2024-01-16
CN117408498B CN117408498B (zh) 2024-02-23

Family

ID=89491220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311723019.4A Active CN117408498B (zh) 2023-12-15 2023-12-15 一种基于新能源大数据的公共充电站选址定容定桩方法

Country Status (1)

Country Link
CN (1) CN117408498B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
CN112446609A (zh) * 2020-11-25 2021-03-05 北京理工新源信息科技有限公司 一种基于大数据的充电场站建站方法及系统
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN113222325A (zh) * 2021-03-23 2021-08-06 南斗六星系统集成有限公司 一种基于大数据的新能源车辆充电站选址规划方法和系统
CN115034501A (zh) * 2022-06-29 2022-09-09 国网河南省电力公司许昌供电公司 一种电动汽车充电站选址定容方法
CN115423360A (zh) * 2022-09-30 2022-12-02 中汽信息科技(天津)有限公司 公共充电站规划方法及其装置
CN115470600A (zh) * 2022-07-15 2022-12-13 广东工业大学 一种基于多目标优化的电动汽车充电站规划方法
CN116187492A (zh) * 2022-09-30 2023-05-30 上海电机学院 一种基于改进海洋捕食者算法的充电站选址定容优化方法
CN116596225A (zh) * 2023-05-04 2023-08-15 深圳供电局有限公司 一种城市光储充一体化电站选址定容方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240047A1 (en) * 2015-08-19 2018-08-23 Tianjin University Planning method of electric vehicle fast charging stations on the expressway
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN112446609A (zh) * 2020-11-25 2021-03-05 北京理工新源信息科技有限公司 一种基于大数据的充电场站建站方法及系统
CN113222325A (zh) * 2021-03-23 2021-08-06 南斗六星系统集成有限公司 一种基于大数据的新能源车辆充电站选址规划方法和系统
CN115034501A (zh) * 2022-06-29 2022-09-09 国网河南省电力公司许昌供电公司 一种电动汽车充电站选址定容方法
CN115470600A (zh) * 2022-07-15 2022-12-13 广东工业大学 一种基于多目标优化的电动汽车充电站规划方法
CN115423360A (zh) * 2022-09-30 2022-12-02 中汽信息科技(天津)有限公司 公共充电站规划方法及其装置
CN116187492A (zh) * 2022-09-30 2023-05-30 上海电机学院 一种基于改进海洋捕食者算法的充电站选址定容优化方法
CN116596225A (zh) * 2023-05-04 2023-08-15 深圳供电局有限公司 一种城市光储充一体化电站选址定容方法

Also Published As

Publication number Publication date
CN117408498B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Straka et al. Predicting popularity of electric vehicle charging infrastructure in urban context
Lai et al. Urban traffic Coulomb’s law: A new approach for taxi route recommendation
CN112906948B (zh) 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质
Hu et al. Driving preference analysis and electricity pricing strategy comparison for electric vehicles in smart city
CN111460598B (zh) 一种基于机器学习的公交干线网生成方法
CN112101187B (zh) 道路识别方法、装置及电子设备
Straka et al. Analysis of energy consumption at slow charging infrastructure for electric vehicles
CN118333674A (zh) 一种电动汽车充电站选址规划方法
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
CN112052405B (zh) 一种基于司机经验的寻客区域推荐方法
CN117408498B (zh) 一种基于新能源大数据的公共充电站选址定容定桩方法
CN117350519A (zh) 基于新能源乘用车充电需求预测的充电站规划方法及系统
CN114116926A (zh) 基于公交站点信息匹配的乘客出行方式识别方法
CN117151499A (zh) 一种国土空间规划的监测评估方法及系统
Kong et al. Charging pile siting recommendations via the fusion of points of interest and vehicle trajectories
CN112434857B (zh) 一种基于ga-pso优化的无人机机场网络选址布置方法
CN114140289A (zh) 一种基于卫星遥感技术的智慧城市规划系统
Oluwajana et al. Need for strategic planning of electric vehicle charging locations in Windsor, Ontario
Jiménez-López et al. Artificial neural networks in the application of the growth of the urban sprawl
Muthuvinayagam et al. Design of electric vehicle charging station network on urban communities utilizing RSA-HBA technique
CN111667202A (zh) 一种电动汽车充电站的选址方法及装置
Prakobkaew et al. Optimal locating and sizing of charging stations for large‐scale areas based on GIS data and grid partitioning
Dong et al. A framework for electric vehicle charging-point network optimization
CN115408452B (zh) 一种城市设施关联模式挖掘方法及相关设备
Heo et al. Deep Reinforcement Learning for Optimal Planning of Fast Electric Vehicle Charging Stations at a Large Scale

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
GR01 Patent grant
GR01 Patent grant