基于大数据的电动汽车充电桩电力资源分配方法及系统与流程

1.本发明涉及大数据领域，具体涉及一种基于大数据的电动汽车充电桩电力资源分配方法及系统。


背景技术：

2.随着电动汽车的普及，城市中电动汽车充电桩数目也随着增加，但集中的高功率充电对电网的造成的压力较大，尤其是在用电高峰期，因此，现有解决电网压力大的方法为设置储能式充电桩，在用电高峰期利用存储的电能减轻电网的压力，但现有的对充电桩进行储能时，其储能量是固定的，没有考虑实际的充电量，从而导致电力资源的浪费。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于大数据的电动汽车充电桩电力资源分配方法及系统，所采用的技术方案具体如下：
4.第一方面，本发明一个实施例提供了一种基于大数据的电动汽车充电桩电力资源分配方法，该方法包括以下具体步骤：
5.对于每个停车区域，基于停车区域内充电桩的历史充电量数据，预测下一时间周期内各个时间段的充电量数据，得到初始充电量数据序列；
6.基于初始充电量数据序列，对停车区域进行分组；对于每个组内的每个停车区域，根据该停车区域的初始充电量数据序列与组内其他停车区域的初始充电量数据序列的相似度，计算该停车区域的置信度；
7.对于每个停车区域，该停车区域对应初始充电量数据序列中的每个数据依次为目标数据，目标数据对应时间段为目标时间段，根据该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，对目标数据进行修正；得到该停车区域的最终充电量数据序列；
8.基于所述最终充电量数据序列，对停车区域内的充电桩进行电力资源的分配。
9.进一步地，基于初始充电量数据序列，对停车区域进行分组，具体为：
[0010][0011]
a和b分别为两个停车区域的初始充电量数据序列，ppmcc(a，b)表示序列a和b的皮尔逊相关系数，ai和bi分别为序列a和b中的第i个数据，i表示初始充电量数据序列中数据的个数；sim(a，b)表示序列a和b的相似度；
[0012]
根据任意两个停车区域对应初始充电量数据序列的相似度，进行停车区域的分组。
[0013]
进一步地，对于每个组内的每个停车区域，该停车区域的置信度的获取具体为：
[0014][0015]
l为该停车区域与该停车区域所属组内其他停车区域的一致性指标；x为所述该停车区域的初始充电量数据序列，yj为该停车区域所属组内其他第j个停车区域的初始充电量数据序列，j为该停车区域所属组内其他停车区域的个数；根据一致性指标l获取置信度，l值越大，置信度越小。
[0016]
进一步地，c为置信度。
[0017]
进一步地，对于每个停车区域，该停车区域对应初始充电量数据序列中的每个数据依次为目标数据，目标数据对应时间段为目标时间段，根据该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，对目标数据进行修正，具体为：
[0018][0019]
其中，s
′
为对目标数据s进行修正后的数据，s
max
为该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，为所述最大值对应停车区域的置信度。
[0020]
进一步地，基于各个时间段的历史充电量数据，预测下一时间周期内各个时间段的充电量数据；
[0021]
其中，对于每个停车区域，每个时间段的历史充电量数据的获取具体为：该停车区域内每个充电桩在该时间段内充电时长与充电功率乘积的和为该时间段的充电量数据。
[0022]
第二方面，本发明另一个实施例提供了一种基于大数据的电动汽车充电桩电力资源分配系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于大数据的电动汽车充电桩电力资源分配方法的步骤。
[0023]
本发明实施例至少具有如下有益效果：本发明基于历史充电量数据进行未来时段充电量数据的预测，并且基于预测的充电量数据动态的分配充电桩的储能量，在满足车辆充电所需的日常用电量的同时避免电力资源的浪费；此外，本发明进行充电量数据的预测时还考虑了停车区域的置信度，即对停车区域进行分组后，根据同一组内同一时间段的初始充电量数据的最大值和最大值对应的置信度对相应的数据进行修正，基于置信度可减弱异常数据对修正结果的影响，进而保证修正结果的准确性。
具体实施方式
[0024]
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，以下结合较佳实施例，对依据本发明提出的一种基于大数据的电动汽车充电桩电力资源分配方法及系统，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。
[0025]
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。
[0026]
由于城市用电高峰期对供电器压力要求较大，因此，在用电低谷期对储能式充电桩进行储能，在用电平常期，使用充电桩直接对电动汽车进行充电，在用电高峰期优先利用储蓄的电能对电动汽车进行充电。
[0027]
下面具体的说明本发明所提供的一种基于大数据的电动汽车充电桩电力资源分配方法及系统的具体方案。
[0028]
本发明一个实施例提供了一种基于大数据的电动汽车充电桩电力资源分配方法，该方法包括以下步骤：
[0029]
对于每个停车区域，基于停车区域内充电桩的历史充电量数据，预测下一时间周期内各个时间段的充电量数据，得到初始充电量数据序列；
[0030]
基于初始充电量数据序列，对停车区域进行分组；对于每个组内的每个停车区域，根据该停车区域的初始充电量数据序列与组内其他停车区域的初始充电量数据序列的相似度，计算该停车区域的置信度；
[0031]
对于每个停车区域，该停车区域对应初始充电量数据序列中的每个数据依次为目标数据，目标数据对应时间段为目标时间段，根据该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，对目标数据进行修正；得到该停车区域的最终充电量数据序列；
[0032]
基于所述最终充电量数据序列，对停车区域内的充电桩进行电力资源的分配。
[0033]
下面对上述各个步骤进行详细展开：
[0034]
步骤s1，对于每个停车区域，基于停车区域内充电桩的历史充电量数据，预测下一时间周期内各个时间段的充电量数据，得到初始充电量数据序列。
[0035]
其中，对于每个停车区域，每个时间段的历史充电量数据的获取具体为：该停车区域内每个充电桩在该时间段内充电时长与充电功率乘积的和为该时间段的充电量数据；优选地，以一个停车区域为例，对于每个时间段，该时间段的充电量数据tq和pq为该时间段内该停车区域内第q个充电桩给电动汽车充电的充电时长和充电功率，q表示该停车区域内共有q个充电桩，s为一个时间段对应的历史充电量数据。优选地，实施例中一小时为一个时间段；需要说明，本发明中的时间段不仅考虑了时段信息，还包括了日期信息，例如，以8:00～9:00这个时段为例，加入日期之后，一周内该时段对应7个时间段，因此，一天二十四个时间段对应二十四个充电量数据，时间周期为一周，则初始充电量数据序列的长度为24*7，即一周对应24*7个时间段；其中，每个时间周期对应的充电量数据序列记为f。
[0036]
优选地，基于各个时间段的历史充电量数据，预测下一时间周期内各个时间段的充电量数据；具体地，基于若干个历史时间周期内各个时间段的历史充电量数据，预测下一时间周期内各个时间段的充电量数据；
[0037]
一种实施方式中，基于若干个历史时间周期内各个时间段的历史充电量数据，预测下一时间周期内各个时间段的充电量数据，具体为：对于每个时间段，若干个历史时间周期内该时间段历史充电量数据的均值，为下一时间周期内该时间段的充电量数据；例如，以
下一时间周期内周一的8:00～9:00这个时间段为例，则每个历史时间周期中周一8:00～9:00时间段对应的历史充电量数据的均值，为下一时间周期内周一8:00～9:00时间段充电量数据的预测值。
[0038]
另一种实施方式中，基于若干个历史时间周期内各个时间段的历史充电量数据，预测下一时间周期内各个时间段的充电量数据，具体为：对于每个时间段，下一时间周期的前一历史周期内该时间段的历史充电量数据，和若干个历史时间周期内该时间段对应历史充电量数据中的最大值，进行加权求和，得到下一时间周期内该时间段充电量数据的预测值。该实施方式中预测充电量数据的方法可以平滑和消除偶尔充电量过低的情况，其预测结果更精准。优选地，实施例中历史时间周期的个数为3，则对于每个时间段，下一时间周期内该时间段充电量数据的预测值的计算为：
[0039][0040]
为当前第f个时间周期内第i个时间段的充电量数据，也即第f个时间周期对应充电量数据序列中的第i个数据；和分别为第f-1个和第f-2个时间周期内第i个时间段的充电量数据，同理，也分别为第f-1个和第f-2个时间周期对应充电量数据序列中的第i个数据；为要预测的第f 1个时间周期内第i个时间段的充电量数据；max(
·
)表示取最大值；i的取值范围为[1，i]，i表示充电量数据序列中数据的个数，实施例中i的取值为24*7；α为权重系数，优选地，α的值为0.05。
[0041]
步骤s2，基于初始充电量数据序列，对停车区域进行分组；对于每个组内的每个停车区域，根据该停车区域的初始充电量数据序列与组内其他停车区域的初始充电量数据序列的相似度，计算该停车区域的置信度。
[0042]
其中，基于初始充电量数据序列，对停车区域进行分组，具体为：
[0043]
(a)计算任意两个停车区域对应初始充电量数据序列的相似度：
[0044][0045]
a和b分别为两个停车区域的初始充电量数据序列，ppmcc(a，b)表示序列a和b的皮尔逊相关系数，ai和bi分别为序列a和b中的第i个数据，i表示初始充电量数据序列中数据的个数；sim(a，b)表示序列a和b的相似度。当两个初始充电量数据序列中的充电量数据随时间变化的趋势和数值皆相似时，皮尔逊相关系数趋于1，反之，趋于0；若呈相反关系，则趋于-1，因此，上式中分子项的值域为[0，2]；分母计算了a和b两个初始充电量数据序列中对应数据残差的和，意味着两个序列若存在较明显的数据差，即便ppmcc相似，也不能算作同一种相似特征，进而无法将充电量数据差较大的停车区域作为一组；综上，sim(a，b)值越大，两个初始充电量数据序列越相似。
[0046]
按照上述计算相似度的公式可得到任意两个停车区域对应初始充电量数据序列的相似度。
[0047]
(b)根据任意两个停车区域对应初始充电量数据序列的相似度，进行停车区域的分组：
[0048]
上述步骤(a)计算了任意两个停车区域对应初始充电量数据序列的相似度，为了
分组，实施例需要将相似度转化为聚类所需的距离，具体地，d(a，b)为a和b两个初始充电量数据序列间的距离；同理，得到任意两个停车区域对应初始充电量数据序列间的距离，基于所述距离进行聚类分组，优选地，实施例采用dbscan算法进行聚类，聚类完成后得到多个簇，每个簇中的停车区域为一组。
[0049]
基于聚类算法完成分组后，组内会存在一些异常样本即异常停车区域，而异常停车区域的初始充电量数据序列会导致后续获取最终充电量数据序列时出现误差，使预测结果不准确，因此，还需要计算组内每个停车区域的置信度，减弱异常停车区域的初始充电量数据序列对预测结果的影响。
[0050]
其中，对于每个组内的每个停车区域，根据该停车区域的初始充电量数据序列与组内其他停车区域的初始充电量数据序列的相似度，计算该停车区域的置信度，具体为：
[0051][0052]
l为该停车区域与该停车区域所属组内其他停车区域的一致性指标，l值越大，说明该停车区域与其所属组内其他停车区域的差异越大，即该停车区域对应的初始充电量数据序列与其所属组内其他停车区域越不相似；x为所述该停车区域的初始充电量数据序列，yj为该停车区域所属组内其他第j个停车区域的初始充电量数据序列，j为该停车区域所属组内其他停车区域的个数；根据一致性指标l获取置信度，l值越大，置信度越小；具体地，c为置信度。
[0053]
需要说明，得到每个停车区域的置信度后，进行归一化处理，使得停车区域对应置信度的和为1。
[0054]
步骤s3，对于每个停车区域，该停车区域对应初始充电量数据序列中的每个数据依次为目标数据，目标数据对应时间段为目标时间段，根据该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，对目标数据进行修正；得到该停车区域的最终充电量数据序列。
[0055]
其中，对目标数据进行修正，具体为：
[0056][0057]
其中，s
′
为对目标数据s进行修正后的数据，s
max
为该停车区域所属组内每个停车区域的初始充电量数据序列中目标时间段的充电量数据中的最大值，为所述最大值对应停车区域的置信度。基于s
max
对目标数据s进行修正，可提高最终的预测充电量数据s
′
的包容度，在满足汽车充电基本用电需求的同时有效缓解电网压力，同时，获取s
′
时还考虑了置信度可减弱异常数据对修正结果的影响，进而保证修正结果s
′
的准确性；需要注意，步骤s3中所用置信度为经过归一化处理的置信度。
[0058]
按照上述修正方法，对每个停车区域对应初始充电量数据序列中的每个数据依次进行修正后，可得到每个停车区域对应的最终充电量数据序列，最终充电量数据序列中的数据即为最终得到的下一时间周期内各个时间段的充电量数据。
[0059]
步骤s4，基于所述最终充电量数据序列，对停车区域内的充电桩进行电力资源的分配。
[0060]
基于最终充电量数据序列，以天为单位，进行充电桩的储能；由于用电低谷期和用电平常期是直接利用充电桩对电动汽车进行充电，没有使用储蓄的电能，因此，本发明根据用电高峰期的充电量数据确定储能量，基于最终充电量数据序列，统计下一时间周期内每天对应的用电高峰期的充电量数据，当所述用电高峰期的充电量大于等于充电桩的最大储能量时，则充电桩的储能量为其最大储能量，当所述用电高峰期的充电量小于充电桩的最大储能量时，则充电桩的储能量为基于最终充电量数据序列得到的一天内用电高峰期的充电量，进而实现电力资源的分配。
[0061]
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种基于大数据的电动汽车充电桩电力资源分配系统，该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于大数据的电动汽车充电桩电力资源分配方法的步骤。
[0062]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0063]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0064]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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。