CN118082580A - 一种新能源汽车充电桩智慧运营管理方法与系统 - Google Patents
一种新能源汽车充电桩智慧运营管理方法与系统 Download PDFInfo
- Publication number
- CN118082580A CN118082580A CN202410164041.8A CN202410164041A CN118082580A CN 118082580 A CN118082580 A CN 118082580A CN 202410164041 A CN202410164041 A CN 202410164041A CN 118082580 A CN118082580 A CN 118082580A
- Authority
- CN
- China
- Prior art keywords
- temperature
- sampling time
- time range
- charging
- data sequence
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 184
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 17
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 4
- 238000000034 method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及故障预测数据处理技术领域,具体涉及一种新能源汽车充电桩智慧运营管理方法与系统,包括:获取充电桩的温度维度数据序列和充电维度数据序列;根据温度维度数据序列和充电维度数据序列的稳定性,获取稳定后的温度‑充电数据序列;根据稳定后的温度‑充电数据序列中每个采样时间范围的温度‑充电优化相关系数,获取ARIMA预测模型,进而预测充电桩的最新充电数据。本发明提高了预测充电桩的最新充电数据的准确性。
Description
技术领域
本发明涉及故障预测数据处理技术领域,具体涉及一种新能源汽车充电桩智慧运营管理方法与系统。
背景技术
故障预测技术是确保充电桩稳定运行的关键技术之一,通过收集和分析充电桩的运行数据来预测潜在的故障,这种预测不仅有助于减少充电桩意外停机时间,还可以降低维护成本,与故障预测相结合,健康管理对充电桩的长期稳定性至关重要,通过持续监测和评估充电桩的健康状况,可以实现更加精细化的维护策略;通过充电桩的充电数据与环境数据相结合进行数据预测,可以为用户提供更加智能和高效的充电体验,同时也有助于提高充电桩设备的可靠性和效率以及降低运营成本和环境影响。
使用差分自回归滑动平均模型(ARIMA)算法对充电桩的最新充电数据进行预测时,由于在使用ARIMA算法进行预测处理时,需要保证数据为稳定数据,并且预测结果往往受到环境因素的影响,那么仅对单一维度的充电数据构建ARIMA预测模型进行分析时,会因为环境因素的影响使得预测结果产生误差,导致预测充电桩的最新充电数据的准确性低,影响依据预测结果与用户进行交互时的交互体验。
发明内容
为了解决上述问题,本发明提供一种新能源汽车充电桩智慧运营管理方法与系统。
本发明一个实施例提供了一种新能源汽车充电桩智慧运营管理方法,该方法包括以下步骤:
获取充电桩的温度维度数据序列和充电维度数据序列;所述温度维度数据序列包括若干个采样时间范围的温度数据段,所述充电维度数据序列包括若干个采样时间范围的充电数据段;所述温度数据段包括若干个温度数据,所述充电数据段包括若干个充电数据;在同一个采样时间范围内一个温度数据段对应一个充电数据段;
根据温度维度数据序列中每个采样时间范围的温度数据段内温度数据的分布情况,获取温度维度数据序列的稳定性;根据充电维度数据序列中每个采样时间范围的充电数据段内充电数据的分布情况,获取充电维度数据序列的稳定性;根据稳定性对温度维度数据序列和充电维度数据序列进行差分处理,获取稳定后的温度-充电数据序列,所述稳定后的温度-充电数据序列包括若干个采样时间范围的温度数据段和充电数据段;
根据稳定后的温度-充电数据序列中每个采样时间范围的温度数据段和充电数据段,获取每个采样时间范围的温度-充电优化相关系数;根据温度-充电优化相关系数获取ARIMA预测模型,根据ARIMA预测模型预测充电桩的最新充电数据。
优选的,所述根据温度维度数据序列中每个采样时间范围的温度数据段内温度数据的分布情况,获取温度维度数据序列的稳定性,包括的具体方法为:
根据每个采样时间范围的温度数据段内每个温度数据与相邻温度数据的差异,获取每个采样时间范围的温度数据段内每个温度数据的差异因子;根据每个采样时间范围的温度数据段内所有温度数据的离散情况,获取每个采样时间范围的温度数据段的稳定权重;
根据每个采样时间范围的温度数据段内每个温度数据的差异因子和每个采样时间范围的温度数据段的稳定权重,获取温度维度数据序列的稳定性的计算方法为:
式中,Staw表示温度维度数据序列的稳定性;U表示温度维度数据序列中所有采样时间范围的温度数据段的总数量;I表示每个采样时间范围的温度数据段内所有温度数据的总数量;CDu,i表示温度维度数据序列中第u个采样时间范围的温度数据段内第u个温度数据的差异因子;varu表示温度维度数据序列中第u个采样时间范围的温度数据段的稳定权重;exp()表示以自然常数为底数的指数函数;||表示取绝对值。
优选的,所述根据每个采样时间范围的温度数据段内每个温度数据与相邻温度数据的差异,获取每个采样时间范围的温度数据段内每个温度数据的差异因子,包括的具体方法为:
预设一个超参数ε,将温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据与温度维度数据序列中第u个采样时间范围的温度数据段内第i-1个温度数据的差值,记为第一差值;将温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据与温度维度数据序列中第u个采样时间范围的温度数据段内第i+1个温度数据的差值,记为第二差值,将第二差值与超参数ε的和,记为第一和值;将第一差值与第一和值的比值,记为第一比值,将1与第一比值的差值作为温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据的差异因子。
优选的,所述根据每个采样时间范围的温度数据段内所有温度数据的离散情况,获取每个采样时间范围的温度数据段的稳定权重,包括的具体方法为:
将温度维度数据序列中第u个采样时间范围的温度数据段内所有温度数据的方差,作为第u个采样时间范围的温度数据段的稳定权重。
优选的,所述根据稳定性对温度维度数据序列和充电维度数据序列进行差分处理,获取稳定后的温度-充电数据序列,包括的具体方法为:
预设一个稳定参数W,若温度维度数据序列的稳定性小于稳定参数W,对温度维度数据序列进行差分处理,直至温度维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的温度维度数据序列;若充电维度数据序列的稳定性小于稳定参数W,对充电维度数据序列进行差分处理,直至充电维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的充电维度数据序列;将稳定后的充电维度数据序列和稳定后的温度维度数据序列共同组成稳定后的温度-充电数据序列。
优选的,所述根据稳定后的温度-充电数据序列中每个采样时间范围的温度数据段和充电数据段,获取每个采样时间范围的温度-充电优化相关系数,包括的具体方法为:
对于第k个采样时间范围,通过ARIMA算法获取第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数、第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数和第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数;
根据第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数,获取第k个采样时间范围的优化权重;根据第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数和第k个采样时间范围的优化权重,获取第k个采样时间范围的优化因子;根据第k个采样时间范围的优化因子获取第k个采样时间范围的优化程度;
将第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数与第k个采样时间范围的优化程度的乘积,作为第k个采样时间范围的温度-充电优化相关系数。
优选的,所述根据第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数,获取第k个采样时间范围的优化权重,包括的具体方法为:
将第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数的绝对值,作为第k个采样时间范围的优化权重。
优选的,所述根据第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数和第k个采样时间范围的优化权重,获取第k个采样时间范围的优化因子的具体公式为:
式中,YHk表示第k个采样时间范围的优化因子;I'表示稳定后的温度-充电数据序列中所有采样时间范围的总数量;Qk表示第k个采样时间范围的优化权重;Zfgj表示第j个采样时间范围的温度数据段与第j个采样时间范围的充电数据段的偏自相关系数;||表示取绝对值。
优选的,所述根据第k个采样时间范围的优化因子获取第k个采样时间范围的优化程度,包括的具体方法为:
将所有优化因子进行线性归一化后的每个优化因子记为优选程度。
本发明还提出一种新能源汽车充电桩智慧运营管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种新能源汽车充电桩智慧运营管理方法的步骤。
本发明的技术方案的有益效果是:本发现根据稳定性对温度维度数据序列和充电维度数据序列进行差分处理,获取稳定后的温度-充电数据序列,以此使得数据分布适用于ARIMA算法,保证数据为稳定数据;根据稳定后的温度-充电数据序列中每个采样时间范围的温度数据段和充电数据段,获取每个采样时间范围的温度-充电优化相关系数;根据温度-充电优化相关系数获取ARIMA预测模型,根据ARIMA预测模型预测充电桩的最新充电数据,以此依据温度数据和充电数据构建ARIMA预测模型,得到伴随温度数据下的预测结果,解决了环境数据变化导致预测结果不精准的问题,进而提高了预测充电桩的最新充电数据的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种新能源汽车充电桩智慧运营管理方法的步骤流程图;
图2为获取ARIMA预测模型的流程。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种新能源汽车充电桩智慧运营管理方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种新能源汽车充电桩智慧运营管理方法与系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种新能源汽车充电桩智慧运营管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取充电桩的温度维度数据序列和充电维度数据序列。
需要说明的是,使用ARIMA算法对用户充电桩的充电数据进行预测处理的过程中,由于充电桩的环境温度存在不同程度波动,使得充电电流或电压不稳定,导致算法不能够得到最精确的ARIMA预测数据,使得预测结果与真实值相比存在偏差,不能有效起到预测效果;进而导致故障预测结果准确性低,不能对充电桩进行有效的健康管理。
具体的,首先需要采集充电桩的温度维度数据序列和充电维度数据序列,具体过程为:
每隔10分钟为一个采样时刻,每次采集充电桩的温度数据和充电数据,采集4小时,并将4小时作为一个采样时间范围,将一个采样时间范围内的所有温度数据和充电数据分别形成的数据序列记为温度数据段和充电数据段;共采集24小时,获得充电桩的若干个采样时间范围的温度数据段和充电数据段;将充电桩的所有采样时间范围的温度数据段组成数据序列,作为充电桩的温度维度数据序列;将充电桩的所有采样时间范围的充电数据段组成数据序列,作为充电桩的充电维度数据序列。
其中,在同一个采样时间范围内一个温度数据段对应一个充电数据段;在本实施例中可将电流数据或电压数据作为充电数据,本实施例不作具体限定;电流数据可通过充电桩的电流传感器进行采集,电压数据可通过充电桩的电压传感器进行采集,温度数据可通过充电桩的温度传感器进行采集。
至此,通过上述方法得到充电桩的温度维度数据序列和充电维度数据序列。
步骤S002:根据温度维度数据序列和充电维度数据序列的稳定性,获取稳定后的温度-充电数据序列。
需要说明的是,环境对于充电数据段也具有一定影响;如白天时,环境温度较高,更有利于提高充电桩的效率,反之,晚上时,环境温度较低,充电桩效率低于白天,相应的需要更大的充电数据段;为了起到较高的用户交互效果,需要对充电桩的充电数据进行预测,并将预测结果反馈用户,提高交互体验;在使用ARIMA算法进行预测处理时,为了使得采集的数据分布适用于该模型,需要保证每个数据段为稳定数据。
进一步需要说明的是,数据稳定性越高,越有利于ARIMA算法的预测分析,差分必要性越小;对应到场景中,数据稳定性越高,即不同用户的充电数据越接近,其越有利于后续充电数据的预测,进而差分必要性越小,因为差分是为不满足稳定性的数据服务;不同时间段下数据值越接近,其稳定性越高;数据值之间的差值越接近,其稳定性越高;差值较高的情况下,需要对其进行差分处理。
具体的,对于温度维度数据序列,根据温度维度数据序列中每个采样时间范围的温度数据段内温度数据的分布情况,获取温度维度数据序列的稳定性。
作为一种示例,将温度维度数据序列中第u个采样时间范围的温度数据段内所有温度数据的方差,作为第u个采样时间范围的温度数据段的稳定权重,获取温度维度数据序列的稳定性的计算方法为:
式中,Staw表示温度维度数据序列的稳定性;U表示温度维度数据序列中所有采样时间范围的温度数据段的总数量;I表示每个采样时间范围的温度数据段内所有温度数据的总数量;gu,i表示温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据;gu,i-1表示温度维度数据序列中第u个采样时间范围的温度数据段内第i-1个温度数据;gu,i+1表示温度维度数据序列中第u个采样时间范围的温度数据段内第i+1个温度数据;varu表示温度维度数据序列中第u个采样时间范围的温度数据段的稳定权重;ε表示预设的超参数,本实施预设ε=1,用于防止分母为0;exp()表示以自然常数为底数的指数函数,实施例采用exp(-x)模型来呈现反比例关系,x为模型的输入,实施者可根据实际情况选择反比例函数;||表示取绝对值。
需要说明的是,varu表示温度维度数据序列中第u个采样时间范围的温度数据段的稳定权重,用以量化第u个采样时间范围的温度数据段内所有温度数据之间的差异情况; 表示第u个采样时间范围的温度数据段内第i个温度数据的差异因子,该值越小,温度数据段越稳定;在计算温度维度数据序列的稳定性的过程中,当i=1时,通过补0操作使得gu,0为0,当i=I时,通过补0操作使得gu,i+1为0。
进一步的,参考温度维度数据序列的稳定性的获取方法,将温度维度数据序列替换为充电维度数据序列,获取充电维度数据序列的稳定性。
预设一个稳定参数W,其中本实施例以W=0.8为例进行叙述,本实施例不进行具体限定,其中W根据具体实施情况而定。
具体的,若温度维度数据序列的稳定性小于稳定参数W,对温度维度数据序列进行差分处理,直至温度维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的温度维度数据序列;若充电维度数据序列的稳定性小于稳定参数W,对充电维度数据序列进行差分处理,直至充电维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的充电维度数据序列;将稳定后的充电维度数据序列和稳定后的温度维度数据序列共同组成稳定后的温度-充电数据序列;稳定后的温度-充电数据序列包括若干个采样时间范围的温度数据段和充电数据段。
其中,差分处理为ARIMA算法的公知内容,本实施例此处不作过多赘述。
至此,通过上述方法得到稳定后的温度-充电数据序列。
步骤S003:根据稳定后的温度-充电数据序列中每个采样时间范围的温度-充电优化相关系数,获取ARIMA预测模型,进而预测充电桩的最新充电数据。
需要说明的是,温度数据对于充电数据的影响是最直接并且占比最大的,温度越低,需要的充电数据就越大;进而预测结果准确性也受到温度的限制,进一步的,由于预测结果按照自相关系数与偏相关系数间接决定,而自相关系数只与数据自身有关系,即只与充电数据有关,导致得到的预测结果不会包含温度数据的影响;为了消除此影响,选择在生成自相关系数图时将温度数据添加到该自相关系数图中,进而改变ARIMA模型的阶数,模型阶数发生变化,预测结果也会相应产生变化,进而起到优化预测结果的作用。
具体的,对于第k个采样时间范围,通过ARIMA算法获取第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数,通过ARIMA算法获取第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数,通过ARIMA算法获取第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数。
作为一种示例,获取第k个采样时间范围的优化因子的计算方法为:
式中,YHk表示第k个采样时间范围的优化因子;I'表示稳定后的温度-充电数据序列中所有采样时间范围的总数量;Zg1,k表示第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数;Zfgj表示第j个采样时间范围的温度数据段与第j个采样时间范围的充电数据段的偏自相关系数;||表示取绝对值。
获取所有采样时间范围的优化因子,将所有优化因子进行线性归一化后的每个优化因子记为优选程度。
其中,|Zg1,k|表示第k个采样时间范围的优化权重,该值越大,整体权重越大,进而得到的第k个采样时间范围的温度-充电优化相关系数越大,其在建立相关系数图时的值越大,那么计算得到的阶数就越多,预测结果的拟合程度就越好。
作为一种示例,获取第k个采样时间范围的温度-充电优化相关系数的计算方法为:
Simk=Zf1,k×YHk′
式中,Simk表示第k个采样时间范围的温度-充电优化相关系数;Zf1,k表示第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数;YHk'表示第k个采样时间范围的优化程度。
根据所有采样时间范围的温度-充电优化相关系数构建自相关图和偏自相关图,将自相关图和偏自相关图输入ARIMA算法中,获得最佳阶数。
具体的,将最佳阶数输入ARIMA算法,获取ARIMA预测模型,通过ARIMA预测模型获取充电桩的最新充电数据,用户根据最新充电数据设置充电时长,进而起到充电桩智慧运营管理效果。
其中,获取自相关系数、偏自相关系数和最佳阶数、构建自相关图和偏自相关图和获取ARIMA预测模型为现有技术,本实施例此处不作过多赘述;具体的获取ARIMA预测模型的流程如图2。
通过以上步骤,完成一种新能源汽车充电桩智慧运营管理方法。
本发明还提出一种新能源汽车充电桩智慧运营管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S001到步骤S003中所述一种新能源汽车充电桩智慧运营管理方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种新能源汽车充电桩智慧运营管理方法,其特征在于,该方法包括以下步骤:
获取充电桩的温度维度数据序列和充电维度数据序列;所述温度维度数据序列包括若干个采样时间范围的温度数据段,所述充电维度数据序列包括若干个采样时间范围的充电数据段;所述温度数据段包括若干个温度数据,所述充电数据段包括若干个充电数据;在同一个采样时间范围内一个温度数据段对应一个充电数据段;
根据温度维度数据序列中每个采样时间范围的温度数据段内温度数据的分布情况,获取温度维度数据序列的稳定性;根据充电维度数据序列中每个采样时间范围的充电数据段内充电数据的分布情况,获取充电维度数据序列的稳定性;根据稳定性对温度维度数据序列和充电维度数据序列进行差分处理,获取稳定后的温度-充电数据序列,所述稳定后的温度-充电数据序列包括若干个采样时间范围的温度数据段和充电数据段;
根据稳定后的温度-充电数据序列中每个采样时间范围的温度数据段和充电数据段,获取每个采样时间范围的温度-充电优化相关系数;根据温度-充电优化相关系数获取ARIMA预测模型,根据ARIMA预测模型预测充电桩的最新充电数据。
2.根据权利要求1所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据温度维度数据序列中每个采样时间范围的温度数据段内温度数据的分布情况,获取温度维度数据序列的稳定性,包括的具体方法为:
根据每个采样时间范围的温度数据段内每个温度数据与相邻温度数据的差异,获取每个采样时间范围的温度数据段内每个温度数据的差异因子;根据每个采样时间范围的温度数据段内所有温度数据的离散情况,获取每个采样时间范围的温度数据段的稳定权重;
根据每个采样时间范围的温度数据段内每个温度数据的差异因子和每个采样时间范围的温度数据段的稳定权重,获取温度维度数据序列的稳定性的计算方法为:
式中,Staw表示温度维度数据序列的稳定性;U表示温度维度数据序列中所有采样时间范围的温度数据段的总数量;I表示每个采样时间范围的温度数据段内所有温度数据的总数量;CDu,i表示温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据的差异因子;varu表示温度维度数据序列中第u个采样时间范围的温度数据段的稳定权重;exp()表示以自然常数为底数的指数函数;||表示取绝对值。
3.根据权利要求2所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据每个采样时间范围的温度数据段内每个温度数据与相邻温度数据的差异,获取每个采样时间范围的温度数据段内每个温度数据的差异因子,包括的具体方法为:
预设一个超参数ε,将温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据与温度维度数据序列中第u个采样时间范围的温度数据段内第i-1个温度数据的差值,记为第一差值;将温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据与温度维度数据序列中第u个采样时间范围的温度数据段内第i+1个温度数据的差值,记为第二差值,将第二差值与超参数ε的和,记为第一和值;将第一差值与第一和值的比值,记为第一比值,将1与第一比值的差值作为温度维度数据序列中第u个采样时间范围的温度数据段内第i个温度数据的差异因子。
4.根据权利要求2所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据每个采样时间范围的温度数据段内所有温度数据的离散情况,获取每个采样时间范围的温度数据段的稳定权重,包括的具体方法为:
将温度维度数据序列中第u个采样时间范围的温度数据段内所有温度数据的方差,作为第u个采样时间范围的温度数据段的稳定权重。
5.根据权利要求1所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据稳定性对温度维度数据序列和充电维度数据序列进行差分处理,获取稳定后的温度-充电数据序列,包括的具体方法为:
预设一个稳定参数W,若温度维度数据序列的稳定性小于稳定参数W,对温度维度数据序列进行差分处理,直至温度维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的温度维度数据序列;若充电维度数据序列的稳定性小于稳定参数W,对充电维度数据序列进行差分处理,直至充电维度数据序列的稳定性大于或等于稳定参数W,得到稳定后的充电维度数据序列;将稳定后的充电维度数据序列和稳定后的温度维度数据序列共同组成稳定后的温度-充电数据序列。
6.根据权利要求1所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据稳定后的温度-充电数据序列中每个采样时间范围的温度数据段和充电数据段,获取每个采样时间范围的温度-充电优化相关系数,包括的具体方法为:
对于第k个采样时间范围,通过ARIMA算法获取第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数、第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数和第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数;
根据第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数,获取第k个采样时间范围的优化权重;根据第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数和第k个采样时间范围的优化权重,获取第k个采样时间范围的优化因子;根据第k个采样时间范围的优化因子获取第k个采样时间范围的优化程度;
将第k个采样时间范围的充电数据段与第1个采样时间范围的充电数据段的自相关系数与第k个采样时间范围的优化程度的乘积,作为第k个采样时间范围的温度-充电优化相关系数。
7.根据权利要求6所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数,获取第k个采样时间范围的优化权重,包括的具体方法为:
将第k个采样时间范围的温度数据段与第1个采样时间范围的温度数据段的自相关系数的绝对值,作为第k个采样时间范围的优化权重。
8.根据权利要求6所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据第k个采样时间范围的温度数据段与第k个采样时间范围的充电数据段的偏自相关系数和第k个采样时间范围的优化权重,获取第k个采样时间范围的优化因子的具体公式为:
式中,YHk表示第k个采样时间范围的优化因子;I′表示稳定后的温度-充电数据序列中所有采样时间范围的总数量;Qk表示第k个采样时间范围的优化权重;Zfgj表示第j个采样时间范围的温度数据段与第j个采样时间范围的充电数据段的偏自相关系数;||表示取绝对值。
9.根据权利要求6所述一种新能源汽车充电桩智慧运营管理方法,其特征在于,所述根据第k个采样时间范围的优化因子获取第k个采样时间范围的优化程度,包括的具体方法为:
将所有优化因子进行线性归一化后的每个优化因子记为优选程度。
10.一种新能源汽车充电桩智慧运营管理系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种新能源汽车充电桩智慧运营管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164041.8A CN118082580A (zh) | 2024-02-05 | 2024-02-05 | 一种新能源汽车充电桩智慧运营管理方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410164041.8A CN118082580A (zh) | 2024-02-05 | 2024-02-05 | 一种新能源汽车充电桩智慧运营管理方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118082580A true CN118082580A (zh) | 2024-05-28 |
Family
ID=91141520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410164041.8A Pending CN118082580A (zh) | 2024-02-05 | 2024-02-05 | 一种新能源汽车充电桩智慧运营管理方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118082580A (zh) |
-
2024
- 2024-02-05 CN CN202410164041.8A patent/CN118082580A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN112946484B (zh) | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 | |
CN105760213B (zh) | 云环境下虚拟机资源利用率的预警系统及方法 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN115358461A (zh) | 天然气负荷预测方法、装置、设备、介质 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
CN117407681B (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
CN117394436A (zh) | 基于随机场景分析的光伏承载能力评估方法及系统 | |
CN118082580A (zh) | 一种新能源汽车充电桩智慧运营管理方法与系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN114091782B (zh) | 中长期电力负荷预测方法 | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN115329487A (zh) | 一种光伏发电系统参数整定方法和终端设备 | |
CN111612289B (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
KR20220061709A (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN112952808A (zh) | 一种基于分类概率建模和igdt的有源配电网优化运行方法 | |
CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
CN117937474B (zh) | 一种新能源场站储能管理方法及系统 | |
CN117808325B (zh) | 基于用户供需大数据的电力负荷预测方法 | |
CN109026525B (zh) | 一种风力发电机组的运维方法、装置及系统 | |
CN117911059A (zh) | 一种基于电网披露数据和气象数据的电价预测方法及系统 | |
CN116701869A (zh) | 一种电力系统调峰需求预测方法及终端 | |
Seppänen et al. | On the Relationship between Inter-Area Modes and Power System Inertia |
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 |