图片简介:
本技术介绍了一种基于大数据的电动汽车充电场站定容方法，获取周边场站充电使用车次、场站需求预测数据、场站土地信息，根据场站土地信息计算场站最大充电容量max_count；根据周边场站充电使用车次计算充电平均使用次数，并结合场站需求预测数据计算满足需求所需的充电数量need_count，然后结合场站最大充电容量得到场站定容min(max_count,need_count)。本技术基于精确的场站需求预测数据进行计算场站最大充电容量，使城市需求估计更加准确，在此基础上城市充电站规划更加合理。 技术要求
1.一种基于大数据的电动汽车充电场站定容方法，其特征在于，获取周边场站充电使用车次、场站需求预测数据、场站土地信息，根据场站土地信息计算场站最大充电容量max_count；根据周边场站充电
使用车次计算充电平均使用次数，并结合场站需求预测数据计算满足需求所需的充电数量
need_count，然后结合场站最大充电容量得到场站定容min(max_count,need_count)。
2.为了更好地实现本技术，进一步的，场站最大充电容量max_count等于（场站停车场面积-场站过道面积）/平均车位面积；所述满足需求所需的充电数量need_count等于场站需求车次/充电平均使用车次。
3.根据权利要求1或2所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，
通过充电场站分布模型计算所要建设场站数量及其区域分布，形成备选场站库；若周边充电站满足充电需求，则否放弃选址，否则通过场站需求预测模型估算充电站需求，若估算的充电站需求大于等于建
站阈值，则确定选址，进而通过场站需求预测模型估算场站需求预测数据。
4.根据权利要求3所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，所述充电场站分布模型是依据充电预测需求、城市POI分布和城市路网数据，建立约束函数，将场站到路网主干道的总距离作为目标函数，并基于MOPSO算法得到。
5.根据权利要求4所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，通过充电需求预测模型得到充电预测需求，所述充电需求预测模型用于对单个城市的总体充电需求进行预测，引入城市新能源汽车保有量影响因子，并通过建立BP网络模型，对城市充电需求进行预测。
6.根据权利要求5所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，所述城市新能源汽车保有量影响因子包括城市新能源汽车保有量、城市新能源汽车政策、城市客/货运指数城市公共交通数据。
7.根据权利要求3所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，所述场站需求预测模型对单个拟建场站的充电需求进行预测，引入场站周边POI数据、场站周边场站日均车次影响因子，并通过建立BP网络模型，对拟建场站充电需求进行预测。
8.根据权利要求7所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，所述场站周边场站日均车次影响因子包括场站周边POI数据、场站周边场站车次数据、场站周边交通态势数据、场站基本信息。
9.根据权利要求3-8任一项所述的一种基于大数据的电动汽车充电场站定容方法，其特征在于，通过分布式实时数据爬虫技术抓取城市充电场站分布及其运营大数据、城市路网结构及其交通态势、城市POI分布、城市燃油客货车及新能源客货车保有量、城市新能源汽车政策、城市交通政策、城市公共交通数据和城市土地租售信息。
技术说明书
一种基于大数据的电动汽车充电场站定容方法
技术领域
本技术属于充电场站定容的技术领域，具体涉及一种基于大数据的电动汽车充电场站定容方法。
背景技术
目前城市充电站选址以及定容方法都是基于城市路网结构、交通流量、居民聚集点来做的，暂无将已有充电场站的运营大数据(如价格、订单量等)、客货车保有量、新能源汽车政策等数据纳入选址方法。选址的不但，会直接影响充电场站定容不当，进而有可能影响城市交通网络的规划布局、电动汽车用户的出行便利，进而影响电动汽车的广泛应用，也可能导致电能损耗显著增加，使某些节点电压明显下降。目前城市充电站选址的方法如下：
选址方法
1)根据市政规划的需求来确定选址和场站规模：根据规划区域内电动汽车的总电力需求确定规划区域内电动汽车充电站的数量。然而，根据市政规划的需求来确定选址和场站规模：该选址思路以市政规划为导向没有考虑实际的用户充电需求，会造成充电场站资源的浪费。
2)以路网为基础，以最优路径来规划充电场站的选址。然而，该方法的改选址仅考虑了车辆充电的便利程度，没有以实际充电需求对场站规划和充电数量，会造成充电场站不足的情况。
技术内容
本技术的目的在于提供一种基于大数据的电动汽车充电场站定容方法，基于精确的场站需求预测数据进行计算场站最大充电容量，使城市需求估计更加准确，在此基础上城市充电站规划更加合理。
本技术主要通过以下技术方案实现：一种基于大数据的电动汽车充电场站定容方法，获取周边场站充电使用车次、场站需求预测数据、场站土地信息，根据场站土地信息计算场站最大充电容量max_count；根据周边场站充电使用车次计算充电平均使用次数，并结合场站需求预测数据计算满足需求所需的充电数量need_count，然后结合场站最大充电容量得到场站定容min(max_count,need_count)。
为了更好地实现本技术，进一步的，场站最大充电容量max_count等于(场站停车场面积-场站过道面积)/平均车位面积；所述满足需求所需的充电数量need_count等于场站需求车次/充电平均使用车次。
为了更好地实现本技术，进一步的，通过充电场站分布模型计算所要建设场站数量及其区域分布，形成备选场站库；若周边充电站满足充电需求，则否放弃选址，否则通过场站需求预测模型估算充电站需求，若估算的充电站需求大于等于建站阈值，则确定选址，进而通过场站需求预测模型估算场站需求预测数据。
为了更好地实现本技术，进一步的，所述充电场站分布模型是依据充电预测需求、城市POI分布和城市路网数据，建立约束函数，将场站到路网主干道的总距离作为目标函数，并基于MOPSO算法得到。
为了更好地实现本技术，进一步的，通过充电需求预测模型得到充电预测需求，所述充电需求预测模型用于对单个城市的总体充电需求进行预测，引入城市新能源汽车保有量影响因子，并通过建立BP网络模型，对城市充电需求进行预测。
为了更好地实现本技术，进一步的，所述城市新能源汽车保有量影响因子包括城市新能源汽车保有量、城市新能源汽车政策、城市客/货运指数城市公共交通数据。
为了更好地实现本技术，进一步的，所述场站需求预测模型对单个拟建场站的充电需求进行预测，引入场站周边POI数据、场站周边场站日均车次影响因子，并通过建立BP网络模型，对拟建场站充电需求进行预测。
为了更好地实现本技术，进一步的，所述场站周边场站日均车次影响因子包括场站周边POI数据、场站周边场站车次数据、场站周边交通态势数据、场站基本信息。
为了更好地实现本技术，进一步的，通过分布式实时数据爬虫技术抓取城市充电场站分布及其运营大数据、城市路网结构及其交通态势、城市POI分布、城市燃油客货车及新能源客货车保有量、城市新能源汽车政策、城市交通政策、城市公共交通数据和城市土地租售信息。
数据采集，通过分布式实时数据爬虫技术，抓取获取各城市充电场站分布及其运营大数据、城市路网
结构及其交通态势、城市POI(关键兴趣场所)分布、城市燃油客货车及新能源客货车保有量、城市新能源汽车政策、城市交通政策、城市公共交通数据和城市土地租售信息，利用分布式大数据存储系统进行存储；通过大数据技术对数据进行数据融合、清洗、处理和存储。本技术可以利用python、tensorflow建立和训练大数据算法模型：城市充电需求模型、城市充电站大数据网络规划模型、充电场站选址模型、建立充电场站充电运行模型。
数据爬取后，需要处理。例如：将每一个场站作为一个样本，计算场站周边1/3/5/10公里范围的POI分类归总形成样本。
本技术的有益效果：
(1)本技术基于精确的场站需求预测数据进行计算场站最大充电容量，使城市需求估计更加准确，在此基础上城市充电站规划更加合理。
(2)本技术充分考虑了城市燃油客货车及新能源客货车保有量、城市新能源汽车政策、城市交通政策、城市公共交通数据等数据，使城市需求估计更加准确，在此基础上城市充电站规划更加合理。
(3)本技术充分考虑了充电场站分布及其运营大数据、城市路网结构及其交通态势、城市POI(关键兴趣场所)分布，使场站需求估计更加准确。
(4)本技术充分考虑了已有充电站的分布式实际使用，能有效避免充电场站的过度建设和建设覆盖不足，提升充电站投资回报收益。
附图说明
图1为本技术的流程图；
图2为充电场站分布模型的原理框图；
图3为场站需求预测模型的原理框图；
图4为充电需求预测模型的原理框图。
图5为MOPSO优化算法的原理框图；
图6为建立场站定容的流程图；
图7为分布式数据采集系统的原理框图。
具体实施方式
实施例1：
一种基于大数据的电动汽车充电场站定容方法，如图6所示，获取周边场站充电使用车次、场站需求预测数据、场站土地信息，根据场站土地信息计算场站最大充电容量max_count；根据周边场站充电使用车次计算充电平均使用次数，并结合场站需求预测数据计算满足需求所需的充电数量
need_count，然后结合场站最大充电容量得到场站定容min(max_count,need_count)。场站最大充电容量max_count等于(场站停车场面积-场站过道面积)/平均车位面积；所述满足需求所需的充电数量
need_count等于场站需求车次/充电平均使用车次。
实施例2：
本实施例是在实施1的基础上进行优化，如图1所示，通过充电场站分布模型计算所要建设场站数量及其区域分布，形成备选场站库；若周边充电站满足充电需求，则否放弃选址，否则通过场站需求预测模型估算充电站需求，若估算的充电站需求大于等于建站阈值，则确定选址，进而通过场站需求预测模型估算场站需求预测数据。建站阈值是为达到场站在规划运营期内盈亏平衡，所需要的最小订单量。低于阈值的需求量，总收入覆盖满足建设成本和运营成本，因此不考虑建站。本技术充分考虑了已有充电站的分布式实际使用，能有效避免充电场站的过度建设和建设覆盖不足。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例2的基础上进行优化，所述充电场站分布模型是依据充电预测需求、城市POI分布和城市路网数据，建立约束函数，将场站到路网主干道的总距离作为目标函数，并基于MOPSO算法得到。
本技术采用的MOPSO(多目标粒子优化算法)，是PSO(粒子优化算法)的变体。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议