一种基于人工智能的物联网充电桩建设规划的方法及系统与流程

1.本发明涉及物联网领域，尤其涉及一种基于人工智能的物联网充电桩建设规划的方法 及系统。


背景技术：

2.近年来，随着环境污染和能源短缺问题的日益严峻，电动汽车作为新型能源汽车备受 人们关注。同时为了保障用户正常出行，充电桩的规模也在不断扩大。尤其国家提出“新 基建”以来，充电桩产业跃入人们的视线成为热门话题。充电桩的建设作为充电网、车联 网、能源网和物联网的连接器，不仅仅连接了充电网络和电动汽车，打通了物理世界和数 字世界，还强力推动着交通变革和能源变革。
3.随着海量资本、前沿技术纷纷涌入，物联网充电桩的建设一方面迎来空前繁荣、焕发 出新的生机；另一方面也面临着很多挑战。尤其用户体验亟需提升，用户在出行时经常找 不到合适的充电桩，这严重影响了用户的出行体验。与此同时，充电桩运营企业存在着大 量的充电桩建好后使用率太低而亏本的情况。因此，构建更优的物联网充电桩建设规划方 案，具有重大的社会意义。其中把充电桩建在人们最需要的地方是社会迫切需要解决的问 题，更好的物联网充电桩选址定容系统能够提升充电桩的使用效率，可以创造重大的社会 价值。
4.目前，充电桩运营企业在进行充电桩选址定容时，大多数从企业的角度出发，主要考 虑充电站的建设成本。为提升充电桩选址定容结果的准确性，本发明将物联网充电桩选址 定容问题分成两步进行，首先第一步利用改进的传统模型进行初步探索，建立了最小化费 用成本和时间成本并限制总预算费用的物联网充电桩选址模型；第二步利用人工智能技术， 采用人工智能算法，对第一步模型的结果进行进一步的评估分析，从而得到最优的建设规 划方案。


技术实现要素：

5.基于以上背景技术中存在的问题，本发明提出了一种基于人工智能的物联网充电桩建 设规划的方法及系统，以提升物联网充电桩选址定容结果的准确性。
6.为解决上述问题，本发明提出一种基于人工智能的物联网充电桩建设规划的方法。
7.s1.首先，在传统充电站选址定容的基础上，把用户的体验感考虑了进来，增加了用 户充电途中电量的使用和时间成本等因素，建立最小化费用成本和时间成本并限制总预算 费用的充电桩选址模型。
8.s2.其次，本发明在萤火虫算法的基础上，引入了模拟退火算法和变步长方法，构建 了基于模拟退火的变步长萤火虫算法。
9.s3.最后，基于以上模型的初步分析结果，利用卷积神经网络算法，结合poi数据， 对结果进行进一步的评估分析，从而得到最优的充电桩选址定容方案。
10.进一步地，在s1中，建立充电桩选址定容模型。主要考虑充电桩的经济成本和用户 的时间成本，经济成本主要包括充电站的建设费用、充电站周围道路建设费用、充电站电 能损耗费用、充电站的运行维护费用，然后对各成本进行加权求和，即为模型的目标函数 (以下各符号的具体含义，请参照表1)
[0011][0012]
除此之外，约束条件主要包括充电站数量约束、充电桩数量约束、充电站之间的距离 约束、交通路口到充电站的距离约束，并加入充电站年费用约束(以下各符号的具体含义， 请参照表1)
[0013][0014]
进一步地，在s2中，构建了基于模拟退火的变步长萤火虫算法。萤火虫算法 (glowworm swarm optimization,gso)是模拟萤火虫在求偶过程中根据闪光的强弱决定自 身往哪个集群飞的启发式算法。
[0015]
萤火虫算法的这一原理与电动汽车聚集到充电站进行充电的现象很相似，萤火虫的位 置可以看作充电站的位置，萤火虫的数量可以看作站内充电桩的数量。
[0016]
但该算法容易陷入局部最优，所以本发明利用模拟退火算法的变步长萤火虫群优化算 法进行求解。即将模拟退火算子引入到个体萤火虫的寻优中，转移概率为
[0017][0018]
其中，温度为t＝t0*θc
‑1，t0是初始温度，θ为衰减因子，c为迭代次数。
[0019]
同时，在每一代寻优的过程中首先通过萤火虫不断移动进行全局寻优，然后对荧光素 浓度最高的个体进行模拟退火，实现局部寻优。
[0020]
除此之外，为防止算法后期最优解在峰值附近出现震荡的现象，即在每一步寻优的过 程中加入变步长机制
[0021][0022]
其中，
[0023][0024]
该算法详细的流程图见图2所示。
[0025]
进一步地，在s3中，基于步骤一充电桩选址定容的初步结果，采用卷积神经网络 (convolutional neural networks,cnn)算法，对步骤一模型得到的充电桩的利用率进行进一步的 评估分析，从而得到充电桩最优的建设方案。
[0026]
主要包括以下步骤：
[0027]
(1)获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公 共/专用)以及充电桩附近5公里范围内poi兴趣点数据、居民小区数据、停车场数据、充 电站数据，并收集运营商公布的站点信息，利用这些物联网数据，将充电桩的使用情况转 换为模型所需的利用率数据；
[0028]
(2)进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数据 中的噪声数据，补充其中缺失数据，并将其进行z
‑
score归一化处理等；
[0029]
(3)将利用率分为5个等级，从而将充电桩的利用率问题转化为一个分类问题；
[0030]
(4)利用已获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型；
[0031]
(5)利用训练好的充电桩选址定容评价模型，对s2中充电桩选址定容的初步结果进 行评估，得到每个充电桩的利用率等级，从而得到充电桩最优的建设方案。
[0032]
除此之外，本发明还提供了一种基于人工智能的物联网充电桩建设规划的系统。
[0033]
该系统包含：物联网充电桩选址定容模块和物联网充电桩利用率评估模块。物联网充 电桩选址定容模块用于对充电桩选址定容方案的初步探索，包括：获取数据子模块、构建 物联网充电桩选址定容模型子模块、求解模型子模块、获取充电桩选址定容初步结果子模 块。物联网充电桩利用率评估模块用于对物联网充电桩选址定容模块中获得的结果做进一 步的评估分析，包括：获取数据子模块、数据预处理子模块、训练卷积神经网络模型子模 块、充电桩利用率预测与评估子模块。最后，将物联网充电桩利用率评估模块得到的结果 反馈给物联网充电桩选址定容模块，从而得到物联网充电桩选址定容的最优建设规划方案。
附图说明
[0034]
图1为本发明基于人工智能的物联网充电桩建设规划的方法及系统流程图；
[0035]
图2为本发明基于模拟退火的变步长萤火虫算法流程图；
[0036]
图3为本发明物联网充电桩选址定容评估模块的流程图(物联网充电桩利用率评估模 块的流程图)；图4为某区的充电站进行选址定容结果图。
具体实施方式
[0037]
下面将结合附图和实例对本发明作进一步的详细说明。
[0038]
本发明是基于人工智能的物联网充电桩建设规划的方法及系统，具体方式如下：
[0039]
步骤一：物联网充电桩选址定容模型的构建
[0040]
充电站的建设作为一个新兴产业，为了能够快速健康的发展，必须保持良好的经济效 益，因此经济成本可以作为首要的影响因素。经济成本主要包括充电站的建设费用、充电 站周围道路建设费用、充电站电能损耗费用、充电站的运行维护费用。除此之外，为提升 用户的体验感和满意度，尽量缩短用户充电途中的时间，减少其电量使用和时间成本，本 发明将充电站成本和用户成本加权后的最终结果作为模型的目标函数。同时，由于充电站 建设一般都有一定的预算限制，所有本发明将建设费用的限制条件加入到了模型的约束中。 1.构建物联网充电桩选址定容模型
[0041]
(1)定义物联网充电桩选址定容模型包含的符号，如表1所示。
[0042]
表1:模型符号定义表
[0043][0044]
[0045][0046]
注：
[0047]
1.铁耗：磁性材料中由于存在交变或脉动磁场而引起的功率损耗，以热的形式表
现；
[0048]
2.铜耗：电流流过变压器绕组时，因为绕组电阻的原因会发热而导致损耗，因为绕组大多数是铜材 料制成的，故称“铜耗”)；
[0049]
3.同时率：电力系统综合最高负荷与电力系统各组成单位的绝对最高负荷之和的比率。
[0050]
(2)构建模型的目标函数
[0051]
首先，设在计划的区域内建设m个充电站，则综合上面五个因素，建设这些充电站的 年费用为
[0052][0053]
所以，充电桩选址问题属于多变量、多约束及高维度的非线性问题，抽象出来就是一 个带约束的非线性优化问题，则该目标函数为
[0054][0055]
其中，各个成本的计算公式为
[0056]
a)充电站i一次建设的年费用为
[0057][0058]
b)充电站i周围道路建设的年费用为
[0059][0060]
c)充电站i电能损耗的年费用为
[0061]
c
3i
＝[(c
fe
c
cu
)*t
v
*e
i
(c
l
c
d
)*k
t
*t
v
*m
i
]*365*p0[0062]
其中，e
i
个变压器一天的耗电量为(c
fe
c
cu
)*t
v
*e
i
，
[0063]
m
i
个充电桩一天的耗电量为(c
l
c
d
)*k
t
*t
v
*m
i
。
[0064]
d)充电站i运行维护的年费用
[0065]
一个充电站运行维护费用包括雇佣成本、设备运行维护费用、设备折旧成本等，一 般很难得到具体数值，在这里用投资建设成本来其费用：
[0066]
c
4i
＝(e
i
a m
i
b c
i
)μ.
[0067]
e)充电站i用户损耗的年费用：
[0068]
用户在充电往返的途中会产生一定的成本，分为电量损耗成本和其他损耗成本：
[0069]
c
5i
＝α1 α2，
[0070]
i.设充电站i服务的区域内有n个路口，d
ij
为第j(j＝1，...，n)个路口到充电站i的 距离，q
j
表示每天由第j(j＝1，...，n)个路口到充电站i的电动车的数量，则电动汽车的总 行驶里程为
[0071]
ii.设g为电动汽车单位电量行驶的里程，p为电动汽车充电单价，则一年所有用户 电量损耗的成本为
[0072]
iii.设v为电动汽车平均速度，k为区域内居民出行的时间价值，则一年所有用户
其 他损耗的成本为
[0073]
(3)构建模型的约束条件
[0074]
约束条件主要包括充电站数量约束、充电桩数量约束、充电站之间的距离约束、交通 路口到充电站的距离约束、充电站年费用约束，即：
[0075][0076]
步骤二：物联网充电桩选址定容算法的构建
[0077]
1.基于模拟退火的变步长萤火虫算法原理
[0078]
一般来说，充电桩选址定容问题主要利用遗传算法、蚁群算法、粒子群算法等方法进 行优化求解，由于这些算法的结果常常会陷入局部最优，并不能真正找到模型的最优解， 所以本发明提出一种基于模拟退火的变步长萤火虫算法。
[0079]
模拟退火算法是模拟高温物体在降温过程中，从无序状态到有序状态的转变过程，由 于模拟退火算法最终求得的优化解和初始值无关，所以该算法具有渐进收敛性，不会陷入 局部最优，是全局最优算法。
[0080]
萤火虫算法(glowworm swarm optimization,gso)是模拟萤火虫在求偶过程中根据闪 光的强弱决定自身往哪个集群飞的启发式算法。每个萤火虫分布在目标函数定义的空间内， 这些萤火虫各自携带荧光素并拥有各自的视野范围(区域决策范围)。荧光素的值和其所 在的位置上的目标函数适应度值有关，荧光素值越大，萤火虫越亮，说明萤火虫的位置越 好，其目标函数的值越接近于最优值。萤火虫会在区域决策范围内寻找邻居集合，越亮的 萤火虫拥有越高的吸引力，吸引周围的萤火虫超它的方向移动。在移动的过程中，每只萤 火虫会以一定的概率向其邻居萤火虫前进，最后大部分的萤火虫会聚集到目标函数较优点 处。
[0081]
萤火虫算法的这一原理与电动汽车聚集到充电站进行充电的现象很相似，萤火虫的位 置可以看作充电站的位置，萤火虫的数量可以看作站内充电桩的数量。但该算法容易陷入 局部最优，所以本发明利用模拟退火算法的变步长萤火虫群优化算法进行求解。即将模拟 退火算子引入到个体萤火虫的寻优中，同时，在每一代寻优的过程中首先通过萤火虫不断 移动进行全局寻优，然后对荧光素浓度最高的个体进行模拟退火，实现局部寻优。由于该 退火操作以一定的概率接受较差的解，所以有助于避免算法陷入局部最优解。除此之外， 为防止算法后期最优解在峰值附近出现震荡的现象，即在每一步寻优的过程中加入变步长 机制。
[0082]
2.基于模拟退火的变步长萤火虫算法步骤
[0083]
设t时刻萤火虫i在m维实空间中的位置为x
i
(t)∈r
m
，对应的荧光素浓度为l
i
(t),动 态决策域半径为其邻居集合为其邻居集合为且l
i
(t)＜l
j
(t)}，向萤火虫j移动的概率为p
ij
(t)，f(x)是适应度函数，结合图2，基 于模拟退火的变步长萤火虫算法步骤如下：
[0084]
a)首先，初始化算法各个参数α，β，γ，s，l
i
(0)，r
s
，t0，θ，c；充电桩规模n,最大迭代次数 l
max
。并初始化各个充电桩的位置，计算f(x
i
(t))，记录f(x
i
(t))最小充电桩的位置x
i
(t)。
[0085]
b)其次，更新萤火虫在移动的过程中的荧光素值
[0086]
l
i
(t)＝(1
‑
α)l
i
(t
‑
1) βf(x
i
(t))
[0087]
其中，α为荧光素挥发系数，β为荧光素增强因子，适应度函数f(x)为
[0088][0089][0090][0091][0092][0093][0094]
c)然后，更新萤火虫移动过程中的的动态决策半径
[0095][0096]
其中，γ为领域变化率；n
i
为邻居阈值，控制萤火虫的邻居数目。
[0097]
d)接下来，计算移动概率p
ij
(t)。若按照轮盘赌法方式移动，导致算法收敛过快，很可能 只收敛到局部最优，这里将模拟退火算子引入到个体萤火虫的寻优中,转移概率为
[0098][0099]
其中，温度为t＝t0*θc
‑1，t0是初始温度，θ为衰减因子，c为迭代次数。
[0100]
e)接下来，计算移动步长s
i
(t)。为了防止在算法后期萤火虫个体在峰值附近出现震荡的 现象，算法加入遍步长机制，即
[0101][0102]
其中，
[0103][0104]
f)接下来，依照概率向某个邻居移动，计算位置x
i
(t 1)
[0105][0106]
g)最后，当算法收敛或者t≥l
max
后，算法结束，保存求解结果。
[0107]
步骤三：物联网充电桩利用率评估模型的构建
[0108]
本模块主要利用人工智能技术，基于步骤一充电桩选址定容的初步结果，采用人工智 能中卷积神经网络算法，对步骤一模型得到的充电桩的利用率进行进一步的评估分析，从 而得到物联网充电桩最优的建设规划方案。
[0109]
1、构建基于卷积神经网络的物联网充电桩选址定容评价模型
[0110]
该评价模型主要使用已有充电桩、其周围的poi数据以及充电桩物联网数据，训练卷 积神经网络模型，然后利用训练好的模型评价步骤一中得到的充电桩在未来可能的利用率， 具体包括以下步骤：
[0111]
s1.获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公 共/专用)以及充电桩附近5公里范围内poi兴趣点数据、居民小区数据、停车场数据、充 电站数据，并收集运营商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率 数据。
[0112]
s2.主要进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数 据中的噪声数据，补充其中缺失数据，并将其进行z
‑
score归一化处理等。
[0113]
s3.主要将利用率分为5个等级，将充电桩的利用率问题转化为一个分类问题。
[0114]
s4.主要利用s2和s3中获得的数据，对卷积神经网络模型进行训练，然后保存训练 好的模型。
[0115]
(1)数据获取
[0116]
进一步地，在s1中，获取一个区域内已有充电桩的位置数据、所属类型(直流/交流)、 使用类型(公共/专用)以及充电桩附近5公里范围内poi兴趣点数据、居民小区数据、充 电站数据。其中，poi数据主要分为美食、酒店、购物、生活服务、丽人、旅游景点、休 闲娱乐、运动健身、教育培训、文化传媒、医疗、汽车服务、交通设施、金融、房地产、 公司企业、政府机构、出入口、自然地物、门址等；居民小区数据包括其位置数据、常住 人口数据、占地面积、经济收入；停车场数据包括其位置数据、停车位数据、占地面积和 经济效益；充电站数据包括其位置数据和充电桩数量数据。通过一段时间内持续收集运营 商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率数据。以一日内站点利 用率值的获取为例，将一日内某个充电桩被使用的时长与24小时做比值，可得到一日内 该充电桩的利用率值。
[0117]
(2)数据预处理
[0118]
进一步地，在s2中，主要进行数据预处理。包括删除原始数据中的噪声数据，补充 其中缺失数据，并将其进行z
‑
score归一化处理。除此之外，还需为后续模型训练做进一步 的数据准备：选取站点附近重要的poi、大型小区、较大停车场，统计其人流量、占地面 积、经济效益、并计算其到充电桩的距离，并获取充电桩所属类型(直流/交流)和使用类 型(公共/专用)。其中，两地点间距离的计算采用haversine距离，即：
[0119][0120]
其中，hs(δθ)＝sin2(δθ/2)＝(1
‑
cos(δθ))/2，表示地点x
i
的经纬度，
表示地点x
j
的经纬度。
[0121]
(3)利用率分级
[0122]
进一步地，在s3中，主要对利用率进行分级。将s1中获取的利用率数据按照0～20％, 21％～40％,41％～60％,61％～80％,81％～100％进行划分，分别标记为1等级，2等级，3 等级，4等级，5等级。从而将充电桩的利用率问题转化为一个分类问题。
[0123]
(4)模型训练
[0124]
进一步地，在s4中，主要利用s2和s3中获得的数据，对卷积神经网络模型进行训 练，然后保存训练好的模型。卷积神经网络主要由输入层、卷积层、池化层、全连接层以 及非线性激活函数组成。
[0125]
输入层数据为s2中获取的数据，通过处理将输入数据集处理成统一的尺寸。卷积层 通过卷积核扫描输入数据自动提取数据中的特征，即：其中为 第l层第j个神经元的输出，为第l
‑
1层第i个神经元的输出，k为卷积核，为第l层第i个 神经元的偏置，f为激活函数。池化层也叫下采样层，其利用池化函数调整卷积层得到的 输出，从而缩短数据维度降低计算量。
[0126]
2、充电桩利用率的预测
[0127]
利用训练好的充电桩选址定容评价模型，对步骤一中充电桩选址定容的初步结果进行 评估，得到每个充电桩的利用率等级。
[0128]
除此之外，本发明还提供了一种基于人工智能的物联网充电桩建设规划的系统。
[0129]
该系统包含：物联网充电桩选址定容模块和物联网充电桩利用率评估模块。
[0130]
物联网充电桩选址定容模块用于对充电桩选址定容方案的初步探索，包括四个子模块： 获取数据、构建物联网充电桩选址定容模型、求解模型、获取充电桩选址定容初步结果。
[0131]
物联网充电桩利用率评估模块主要对充电桩选址定容模块中获得的结果做进行进一 步的评估分析，包括四个子模块b：获取数据、数据预处理、训练卷积神经网络模型、充 电桩利用率预测与评估。
[0132]
最后，将物联网充电桩利用率评估模块得到的结果反馈给物联网充电桩选址定容模块， 从而得到物联网充电桩选址定容的最优建设规划方案。
[0133]
实施例
[0134]
1、首先利用基于模拟退火的变步长萤火虫算法，对某区的充电站进行选址定容。选取的 萤火虫数量为110，随机分布在待规划的范围内，得到的结果如图4所示，计算出9个 充电站，圆的大小表示充电站中充电桩的数量。
[0135][0136]
2、其次，对比传统的萤火虫算法和本发明提出的基于模拟退火的变步长萤火虫算法，其 收敛的平均迭代次数和平均耗时以及目标函数最优值都有所提升。
[0137][0138]
3、然后，训练物联网充电桩利用率评估模型。
[0139]
(1)首先，获取区域内已有充电桩的位置数据、所属类型(直流/交流)、使用类型(公 共/专用)以及充电桩附近5公里范围内poi兴趣点数据、居民小区数据、停车场数 据、充电站数据。下以poi数据为例：
[0140]
名称经度纬度类型占地面积(平方米)经济效益(万)人流量xx食府40.009393116.407307美食12302212028xx酒店40.350461116.627914酒店1200326300
…………………
[0141]
同时，收集运营商公布的站点信息，将充电桩的使用情况转换为模型所需的利用率数 据，数据如下表所示(下表仅作示例)：
[0142][0143]
(2)然后，进行数据预处理，并为后续模型训练做进一步的数据准备。包括删除原始数 据中的噪声数据，补充其中缺失数据，并将其进行z
‑
score归一化处理等。
[0144]
(3)接下来，将利用率分为5个等级，从而将充电桩的利用率问题转化为一个分类问题。
[0145]
(4)最后，利用已获得的数据，对卷积神经网络模型进行训练，然后保存训练好的模型。
[0146]
4、最后，利用训练好的模型进行预测评估。针对本实施例选出的9个充电站，依次预测 其未来的利用率等级，结果如下：
[0147]
充电站经度纬度预测站内充电桩平均利用率等级充电桩：1241.231012116.4112123
充电桩：2840.132451116.5523134充电桩：1040.672413116.4513505充电桩：3440.881231116.3410033充电桩：2940.667100116.7519012充电桩：1340.661356116.8991015充电桩：2240.012003116.9012014充电桩：2139.989001116.9212543充电桩：939.961012116.9100214
[0148]
由上表中的预测结果发现，基于模拟退火的变步长萤火虫算法计算出的9个充电站位 置，在投入使用后可得到的有效利用率等级均较高，进一步验证了本专利所提出方法的有 效性。
[0149]
通过以上实施例的描述，本领域的技术人员易于理解，这里描述的实施例可以通过软 件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施例的技术 方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以 是cd
‑
rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是 个人计算机、服务器、移动终端、或者网络设备等)执行本发明实施例的方法。
[0150]
需要说明的是，上述实施例仅作为较佳的具体实施方式，但本技术的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化 或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保 护范围为准。