一种基于智慧交通体系的充电设施规划系统及方法

1.本发明属于电动汽车充电站规划领域，尤其涉及一种基于智慧交通体系的充电设施规划系统及方法。


背景技术：

2.随着能源危机与全球气候变暖，为了减少化石燃料的使用、减少汽车尾气排放，由电作为驱动的电动汽车受到全球各国的高度重视。电动汽车不仅能节省化石燃料，它在行驶过程中不像燃油汽车一样产生尾气，可以实现“零排放”，减少汽车尾气对环境的污染。因此，电动汽车的发展是未来汽车的发展趋势，全球各国也相继发布了促进电动汽车发展的相关政策。
3.但随着电动汽车的迅速发展，电动汽车大规模发展引起的相关问题也接踵而至。由于电动汽车数量快速增加，亟需建设大量的充电设施支撑电动汽车的充电需求，但由于电动汽车存在移动性，使得电动汽车充电负荷在时间与空间上皆体现随机性，大量的电动汽车充电负荷无序接入电网，难免出现配电网负荷“峰上加峰”，对配电网造成巨大冲击。在此背景下，充电站的规划既要能满足电动汽车用户的充电需求，又要满足配电网的稳定经济运行，因此，如何合理有效进行电动汽车充电站的规划，将是缓解配网“峰上加峰”与促进电动汽车产业发展的有效途径。


技术实现要素：

4.本发明主要解决的技术问题是：旨在解决山地城市电动汽车耗电量模型缺失，对山地城市电动汽车充电负荷无法进行精细化时空间预测的技术问题。
5.本发明采用的技术方案如下：
6.所述基于电动汽车充电需求预测的山地城市充电站规划系统包含云监控平台、车流量监测子系统、充电站管理子系统、车载数据处理子系统和配电网数据采集子系统：
7.所述车流量监测子系统，用于采集一天不同时间点路网中各节点处车流量数据，并对各节点处车流量数据进行处理，预测其中具有快充需求的电动汽车快充预测数据，并将电动汽车快充预测数据上传至云监控平台；
8.所述充电站管理子系统，用于采集充电站内充电桩的充电桩使用信息，所述充电桩使用信息包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，将处理后的充电桩使用信息上传至云监控平台；
9.所述车载数据处理子系统，用于实时监测电动汽车剩余电量数据以及接收充电站位置信息与路网数据，当产生充电需求时以最小耗电量为目标寻找充电站充电并计算过程中需要消耗的电量，将产生充电需求的时间与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据上传至云监控平台；
10.所述配电网数据采集子系统，用于采集配电网负荷变化，结合配电网历史负荷数据，对规划年配电网日负荷曲线进行预测，得到规划年配电网日负荷预测曲线，将所述规划
年配电网日负荷预测曲线上传至云监控平台；
11.所述云监控平台，用于实时接收车载数据处理子系统发送的产生充电需求的时间、与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据；接收所述充电站管理子系统发送的充电桩使用信息；接收车流量监测子系统发送的电动汽车快充预测数据，接收配电网数据采集子系统发送的规划年配电网日负荷预测曲线，并根据山地城市充电站规划方法对电动汽车短期充电负荷进行预测，再结合充电站、配电网相关数据及电动汽车的增长数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划。
12.可选地，所述车载数据处理子系统包括行车数据采集模块、路网数据采集模块、行驶路径控制模块、车载通信模块；
13.所述行车数据采集模块，用于以δt为周期，采集车辆soc信息、空调运行状态、车辆位置、车速信息；
14.所述路网数据采集模块，用于实时采集车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；
15.所述行驶路径控制模块，用于根据行车数据采集模块收集的车辆电池剩余电量信息，判断电动汽车是否具有充电需求；在电动汽车有充电需求的情况下，根据充电站位置信息与路网道路情况信息，计算到各个充电站需要的耗电量与时间，以耗电量最小的充电站与路径为目标充电站与路径；
16.所述车载通信模块，用于将行车数据采集模块、路网数据采集模块、行驶路径控制模块采集与处理得到的数据上传至云监控平台。
17.可选地，所述云监控平台包括电动汽车短期负荷预测模块，充电站长期规划模块、云平台通信模块、云平台数据库；
18.所述电动汽车短期负荷预测模块，用于根据实时采集到的电动汽车行车数据与路网道路数据，对电动汽车充电负荷进行预测，并将预测数据下发到用户终端，达到电动汽车用户错峰充电的目的；
19.所述充电站长期规划模块，用于根据车辆数据与电动汽车增长率得到规划年电动汽车数量；根据车辆行车数据得到各路网节点各时间节点具有充电需求的电动汽车数量，根据车载数据处理子系统得到电动汽车充电决策，从而计算各个充电站的充电负荷；根据配电网历史负荷数据预测规划年配电网基本负荷数据，结合充电负荷数据得到规划年配电网总负荷数据，以充电负荷波动最小与配电网最优潮流为目标，寻优得到充电站最优布局规划；
20.所述云平台通信模块：用于实现云监控平台与车流量监测子系统、车载数据处理子系统、充电站管理子系统、配电网数据采集子系统进行数据交互；
21.所述云平台数据库：用于将车流量监测子系统、车载数据处理子系统、充电站管理子系统、配电网数据采集子系统采集与处理得到的数据进行保留，用于短期充电负荷预测与长期充电站规划。
22.可选地，所述充电站管理子系统包括：充电站通信模块、充电站数据库和充电站数据采集模块；
23.所述充电站数据采集模块，用于采集充电站内充电桩的充电桩使用信息；所述充
电桩使用信息包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，并对所述充电桩使用信息进行处理；
24.所述充电站通信模块，用于将处理后的充电桩使用信息上传至云监控平台；
25.所述充电站数据库，用于存储充电站数据采集模块采集的充电桩使用信息和处理后的充电桩使用信息。
26.可选地，所述配电网数据采集子系统包括：配电网通信模块、配电网数据采集模块、配电网数据库和配电网数据处理及控制模块；
27.所述配电网数据采集模块，用于采集配电网负荷变化；
28.所述配电网数据处理及控制模块，用于根据对配电网负荷变化和配电网历史负荷对规划年配电网日负荷曲线进行预测，得到规划年配电网日负荷预测曲线；
29.所述配电网数据库，用于存储配电网负荷变化和规划年配电网日负荷预测曲线；
30.所述配电网通信模块，用于将规划年配电网日负荷预测曲线发送至云监控平台。
31.可选地，还包括若干个设置于车内的第一摄像头、若干个设置于车内的第二摄像头和若干个设置于道路交叉口的视频监控；所述第一摄像头通过can总线与所述车载数据处理子系统通信连接，所述第二摄像头通过can总线与所述车载数据处理子系统通信连接；所述视频监控通过5g通讯技术与所述车流量监测子系统通信连接；
32.所述第一摄像头用于获取车主表情历史数据，所述第一摄像头设置于汽车的三角柱上；所述第二摄像头用于车主头部角度历史数据，所述第二摄像头设置于汽车的仪表盘总成上；所述视频监控用于采集道路上的所述交通视频数据；
33.所述车载数据处理子系统还用于获取若干个车内的里程表剩余电量数据、若干个第一摄像头发送的车主表情历史数据、若干个第一摄像头发送的车主头部角度历史数据，并将所述车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据发送至所述云监控平台。
34.此外，为实现上述目的，本发明还提供一种基于智慧交通体系的充电设施规划方法，该方法包括如下步骤：
35.步骤s10，从路网中选出若干节点作为充电站建设备选节点，根据电动汽车年均充电总量和规划年电动汽车数量预测需规划的充电站数量，根据路网节点车流量监测和规划年电动汽车数量预测进行规划年电动汽车充电需求预测，选择以耗电量最小的充电站进行充电，以配电网日负荷波动最小为目标，作出电动汽车充电站最优布局规划，缓解电网负荷；
36.步骤s20，根据获取的电动汽车、充电站、配电网相关数据，以最小电网日负荷方差波动为规划目标，构建最优电动汽车充电站规划模型；电动汽车充电站规划包括电动汽车充电站的布局位置和各站规划的充电桩功率及数量；
37.步骤s30，根据规划年电动汽车数量预测和各类型电动汽车年均充电总量预测需规划的充电站数量；根据预先在路网中设置的充电站备选节点，监测各时段各节点的车流量，结合电动汽车数量预测作出规划年各路网节点的日充电需求；根据电动汽车产生充电需求的时间地点预测接入充电站的时间地点，以此作充电站负荷预测；根据配电网历史负荷数据对规划年电网基本负荷进行预测，结合充电站充电负荷预测曲线，对规划年配电网负荷进行预测；
38.步骤s40，根据电动汽车充电站规划模型的约束条件求解电动汽车规划模型的最优解；根据所属条件下的最优解，确定充电站的布局位置与容量。
39.可选地，步骤s10具体为：
40.步骤s101，通过监测现年路网各节点不同时间点的车流量nv(t,i)，根据车辆增长率与电动汽车渗透率，加以修正系数，预测规划年路网各节点各时间点具有充电需求的电动汽车数量ne(t,i)
′
，构建的电动汽车充电需求预测模型为：
[0041][0042][0043]
其中，ne(t,i)
′
为规划年t时刻路网i节点处具有充电需求的电动汽车数量，nv(t,i)为现年t时刻路网i节点处的车流量，p为今年车辆平均增长率，n
evc
为有充电需求电动汽车数量，n
ev
为电动汽车数量；nv为汽车总数量；r为修正系数，l
i-j
为任意两个路网节点之间的距离，δt为监测车流量时间间隔，v为车辆车速；
[0044]
步骤s102，根据步骤s101预测出有充电需求的电动汽车后，电动汽车根据耗电量模型选择行驶过程中耗电量最低的充电站进行充电，考虑山地城市地形特征对电动汽车耗电量的影响，所述耗电量模型为：
[0045][0046]
其中，e
o,d
为从出发地到目的地的耗电量，x为从出发地到目的地的路径，l
i,j
为路径中相邻两节点的距离，h
i,j
为路径中相邻两节点的海拔差，β为电动汽车在平地行驶的平均里程耗电量，α
i,j
为电动汽车行驶在i节点与j节点时的爬坡系数，η为电动汽车能量回收效率；
[0047]
步骤s103，根据步骤s101,102中构建的充电需求预测与耗电量模型，电动汽车产生充电需求并选择最优充电站后，电动汽车充电负荷接入充电站的时间模型为：
[0048][0049]
其中，t0为电动汽车产生充电需求的时间，t1为电动汽车接入充电站的时间，v0为电动汽车行驶平均速度；
[0050]
步骤s104，根据步骤s101，s102，s103中构建的电动汽车充电负荷预测模型。
[0051]
可选地，步骤s104具体为：
[0052]
步骤s1041，电动汽车电池不能过充过放，约束为：
[0053][0054]
其中，为电动汽车产生充电需求的最低电量，为电动汽车当前电量，为电动汽车充电最高电量；
[0055]
步骤s1042，电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，
约束为：
[0056]
0≤l
o,d
(t)≤mi(t)
[0057]
其中，l
o,d
(t)为电动汽车从充电需求点到充电站的距离，mi(t)为产生充电需求时电动汽车的续航里程。
[0058]
可选地，步骤s40确定充电站的布局位置与容量之后，还包括：
[0059]
步骤s50，确定电动汽车充电站建站数量，其确定模型为：
[0060][0061]
其中，n
sta
为需规划的充电站数量，e
ev
为电动汽车年均充电总量，n
ev
为规划年电动汽车的数量，tz为充电桩日均使用小时数，pz为充电桩充电功率，nz为平均每个站需规划的充电桩数量。
[0062]
可选地，步骤s1011，所述电动汽车数量n
ev
的获取方法，具体步骤包括：
[0063]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0064]
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色以及车牌号码长度，确定车辆是否为电动车，进而确定道路上的电动汽车数量；
[0065]
所述汽车总数量nv的获取方法，具体步骤包括：
[0066]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0067]
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别汽车车牌，进而确定道路上的汽车总数量；
[0068]
所述有充电需求电动汽车数量n
evc
的获取方法，具体步骤包括：
[0069]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0070]
对所述交通视频数据进行读取，得到行驶在监控道路上车辆的车主表情数据、车主头部角度数据；
[0071]
将车主表情数据、车主头部角度数据输入车辆剩余电量模型中，得到有充电需求电动汽车数量；
[0072]
所述训练车辆剩余电量模型的具体步骤为：
[0073]
通过车载数据采集控制子系统获取车内的第一摄像头采集的车主表情历史数据、第二摄像头采集的车主头部角度历史数据以及里程表剩余电量数据；
[0074]
将车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据通过时间序列进行处理，再将处理后的车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据输入bp神经网络进行训练，计算出车辆剩余电量模型。
[0075]
本发明的有益效果如下：
[0076]
1.本发明基于数据规律的方法，对区域充电站进行充电负荷预测，并引入山地城市电动汽车耗电量模型，对山地城市电动汽车充电负荷进行精细化时空间预测从而进行充电站规划。
[0077]
2.本发明可以准确地预测区域电动汽车充电设施的负荷，为研究电动汽车充电设施负荷对电网的影响提供基础，也为电动汽车充电设施规划提供了依据。
[0078]
3.本发明对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘，定量分析各个因素对电动汽车充电负荷的影响，使得本发明方法电动汽车充电负荷预测模型预测更准确。
附图说明
[0079]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
[0080]
图1是本发明的电动汽车充电站规划系统架构图；
[0081]
图2是本发明的基于智慧交通体系的充电设施规划流程图。
具体实施方式
[0082]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0083]
实施例1
[0084]
如图1所示，基于电动汽车充电需求预测的山地城市充电站规划系统，所述基于电动汽车充电需求预测的山地城市充电站规划系统包含云监控平台、车流量监测子系统、充电站管理子系统、车载数据处理子系统和配电网数据采集子系统：
[0085]
所述车流量监测子系统，用于采集一天不同时间点路网中各节点处车流量数据，并对各节点处车流量数据进行处理，预测其中具有快充需求的电动汽车快充预测数据，并将电动汽车快充预测数据上传至云监控平台；
[0086]
所述充电站管理子系统，用于采集充电站内充电桩的充电桩使用信息，所述充电桩使用信息包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，将处理后的充电桩使用信息上传至云监控平台；
[0087]
所述车载数据处理子系统，用于实时监测电动汽车剩余电量数据以及接收充电站位置信息与路网数据，当产生充电需求时以最小耗电量为目标寻找充电站充电并计算过程中需要消耗的电量，将产生充电需求的时间与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据上传至云监控平台；
[0088]
所述配电网数据采集子系统，用于采集配电网负荷变化，结合配电网历史负荷数据，对规划年配电网日负荷曲线进行预测，得到规划年配电网日负荷预测曲线，将所述规划年配电网日负荷预测曲线上传至云监控平台；
[0089]
所述云监控平台，用于实时接收车载数据处理子系统发送的产生充电需求的时间、与预计到达充电站的时间数据、寻找到的充电站位置数据、行驶过程中的耗电量数据；接收所述充电站管理子系统发送的充电桩使用信息；接收车流量监测子系统发送的电动汽车快充预测数据，接收配电网数据采集子系统发送的规划年配电网日负荷预测曲线，并根据山地城市充电站规划方法对电动汽车短期充电负荷进行预测，再结合充电站、配电网相关数据及电动汽车的增长数据，对规划年路网各节点处电动汽车充电需求进行预测，进而以充电负荷波动最小与配电网最优潮流为目标，对规划区作出最优充电站布局规划。
[0090]
进一步地，所述云监控平台包括电动汽车短期负荷预测模块，充电站长期规划模块、云平台通信模块、云平台数据库；
[0091]
所述电动汽车短期负荷预测模块，用于根据实时采集到的电动汽车行车数据与路网道路数据，对电动汽车充电负荷进行预测，并将预测数据下发到用户终端，达到电动汽车用户错峰充电的目的；
[0092]
所述充电站长期规划模块，用于根据车辆数据与电动汽车增长率得到规划年电动汽车数量；根据车辆行车数据得到各路网节点各时间节点具有充电需求的电动汽车数量，根据车载数据处理子系统得到电动汽车充电决策，从而计算各个充电站的充电负荷；根据配电网历史负荷数据预测规划年配电网基本负荷数据，结合充电负荷数据得到规划年配电网总负荷数据，以充电负荷波动最小与配电网最优潮流为目标，寻优得到充电站最优布局规划；
[0093]
所述云平台通信模块：用于实现云监控平台与车流量监测子系统、车载数据处理子系统、充电站管理子系统、配电网数据采集子系统进行数据交互；
[0094]
所述云平台数据库：用于将车流量监测子系统、车载数据处理子系统、充电站管理子系统、配电网数据采集子系统采集与处理得到的数据进行保留，用于短期充电负荷预测与长期充电站规划。
[0095]
进一步地，所述车载数据处理子系统包括行车数据采集模块、路网数据采集模块、行驶路径控制模块、车载通信模块；
[0096]
所述行车数据采集模块，用于以δt为周期，采集车辆soc信息、空调运行状态、车辆位置、车速信息；
[0097]
所述路网数据采集模块，用于实时采集车辆在路网中的位置信息，充电站在路网中的位置信息、路网中各道路的拥堵情况及道路坡度信息；
[0098]
所述行驶路径控制模块，用于根据行车数据采集模块收集的车辆电池剩余电量信息，判断电动汽车是否具有充电需求；在电动汽车有充电需求的情况下，根据充电站位置信息与路网道路情况信息，计算到各个充电站需要的耗电量与时间，以耗电量最小的充电站与路径为目标充电站与路径；
[0099]
所述车载通信模块，用于采用5g网络，将行车数据采集模块、路网数据采集模块、行驶路径控制模块采集与处理得到的数据上传至云监控平台。
[0100]
进一步地，所述充电站管理子系统包括：充电站通信模块、充电站数据库和充电站数据采集模块；
[0101]
所述充电站数据采集模块，用于采集充电站内充电桩的充电桩使用信息；所述充电桩使用信息包括：各类车型的年均充电总量、电动汽车接入充电桩的时间、电动汽车离开充电桩的时间、充电桩的充电效率，并对所述充电桩使用信息进行处理；
[0102]
所述充电站通信模块，用于将处理后的充电桩使用信息上传至云监控平台；
[0103]
所述充电站数据库，用于存储充电站数据采集模块采集的充电桩使用信息和处理后的充电桩使用信息。
[0104]
进一步地，所述配电网数据采集子系统包括：配电网通信模块、配电网数据采集模块、配电网数据库和配电网数据处理及控制模块；
[0105]
所述配电网数据采集模块，用于采集配电网负荷变化；
[0106]
所述配电网数据处理及控制模块，用于根据对配电网负荷变化和配电网历史负荷对规划年配电网日负荷曲线进行预测，得到规划年配电网日负荷预测曲线；
[0107]
所述配电网数据库，用于存储配电网负荷变化和规划年配电网日负荷预测曲线；
[0108]
所述配电网通信模块，用于将规划年配电网日负荷预测曲线发送至云监控平台。
[0109]
基于智慧交通体系的充电设施规划系统，还包括若干个设置于车内的第一摄像头、若干个设置于车内的第二摄像头和若干个设置于道路交叉口的视频监控；所述第一摄像头通过can总线与所述车载数据处理子系统通信连接，所述第二摄像头通过can总线与所述车载数据处理子系统通信连接；所述视频监控通过5g通讯技术与所述车流量监测子系统通信连接；
[0110]
所述第一摄像头用于获取车主表情历史数据，所述第一摄像头设置于汽车的三角柱上；所述第二摄像头用于车主头部角度历史数据，所述第二摄像头设置于汽车的仪表盘总成上；所述视频监控用于采集道路上的所述交通视频数据；
[0111]
所述车载数据处理子系统还用于获取若干个车内的里程表剩余电量数据、若干个第一摄像头发送的车主表情历史数据、若干个第一摄像头发送的车主头部角度历史数据，并将所述车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据发送至所述云监控平台。
[0112]
结合图2，所述基于智慧交通体系的充电设施规划方法包括如下步骤：
[0113]
步骤s10，从路网中选出若干节点作为充电站建设备选节点，根据电动汽车年均充电总量和规划年电动汽车数量预测需规划的充电站数量，根据路网节点车流量监测和规划年电动汽车数量预测进行规划年电动汽车充电需求预测，选择以耗电量最小的充电站进行充电，以配电网日负荷波动最小为目标，作出电动汽车充电站最优布局规划，缓解电网负荷；
[0114]
步骤s20，根据获取的电动汽车、充电站、配电网相关数据，以最小电网日负荷方差波动为规划目标，构建最优电动汽车充电站规划模型；电动汽车充电站规划包括电动汽车充电站的布局位置和各站规划的充电桩功率及数量；
[0115]
步骤s30，根据规划年电动汽车数量预测和各类型电动汽车年均充电总量预测需规划的充电站数量；根据预先在路网中设置的充电站备选节点，监测各时段各节点的车流量，结合电动汽车数量预测作出规划年各路网节点的日充电需求；根据电动汽车产生充电需求的时间地点预测接入充电站的时间地点，以此作充电站负荷预测；根据配电网历史负荷数据对规划年电网基本负荷进行预测，结合充电站充电负荷预测曲线，对规划年配电网负荷进行预测；
[0116]
步骤s40，根据电动汽车充电站规划模型的约束条件求解电动汽车规划模型的最优解；根据所属条件下的最优解，确定充电站的布局位置与容量。
[0117]
本发明基于智慧交通体系的充电设施规划方法，步骤如下：步骤s101，首先根据往年汽车增长率、电动汽车渗透率计算在规划年规划区的电动汽车总量，根据电动汽车年平均充电总量，预测需要规划的电动汽车充电站数量；
[0118]
[0119]
其中，n
sta
为需规划的充电站数量，e
ev
为电动汽车年均充电总量，n
ev
为规划年电动汽车的数量，tz为充电桩日均使用小时数，pz为充电桩充电功率，nz为平均每个站需规划的充电桩数量。
[0120]
步骤s102，判断规划区现有充电站数量能否满足规划年电动汽车充电需求，若能，则转到步骤s109，若否，则转到步骤s103；
[0121]
步骤s103，现在进行电动汽车充电站的选址规划工作，在路网中每隔距离选取一个节点作为充电站选址的备选节点，所有备选的路网节点均属于集合x；
[0122]
步骤s104，基于车流量监测的电动汽车充电站规划方法，根据电动汽车增长率预测出规划年规划区内电动汽车数量，结合采集到的各类型电动汽车年充电总量与充电桩功率设置情况，预测出规划年需要新建的充电站数量；根据车流量监测子系统得到的车流量数据，结合电动汽车增长率，预测规划年各路网节点在不同时间点有充电需求的电动汽车数量，再结合车载数据处理子系统得到的充电路径数据，对不同规划方案的各充电站充电负荷进行预测；根据配电网数据采集子系统预测的规划年各区域配电网基本负荷数据，结合电动汽车充电负荷数据，得到不同规划方案下规划年配网负荷预测数据，使用智能算法，以充电负荷波动最小与配电网最优潮流为目标，得到最优规划布局；
[0123]
步骤s1041，在现年每隔时间监测一次各路网节点处的车流量，得到各节点一天车流量曲线，连续监测多日，将车流量数据聚类，得到各路网节点常规日车流量数据曲线，用于预测规划年各路网节点车流量数据；
[0124]
步骤s1042，通过监测现年路网各节点不同时间点的车流量nv(t,i)，根据车辆增长率与电动汽车渗透率，加以修正系数，预测规划年路网各节点各时间点具有充电需求的电动汽车数量ne(t,i)
′
，构建的电动汽车充电需求预测模型为：
[0125][0126][0127]
其中，ne(t,i)
′
为规划年t时刻路网i节点处具有充电需求的电动汽车数量，nv(t,i)为现年t时刻路网i节点处的车流量，p为今年车辆平均增长率，n
evc
为有充电需求电动汽车数量，n
ev
为电动汽车数量；nv为汽车总数量；r为修正系数，l
i-j
为任意两个路网节点之间的距离，δt为监测车流量时间间隔，v为车辆车速；
[0128]
为避免在监测车流量数据多次检测到相同车辆，导致在充电需求预测时重复计算某些车辆以致误差，引入修正系数，结合电动汽车行驶车速，计算在车流量监测时间间隔δt内车辆会行驶经过的路网节点数量即车辆会被充电需求预测模块重复计算的次数，将该修正系数带入计算使得充电需求预测更加准确；
[0129]
所述电动汽车数量n
ev
的获取方法，具体步骤包括：
[0130]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0131]
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别电动车车牌的颜色以及车牌号码长度，确定车辆是否为电动车，进而确定道路上的电动汽车数量；
[0132]
所述汽车总数量nv的获取方法，具体步骤包括：
[0133]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0134]
采用yolo v4算法对所述交通视频数据进行实时监测，根据图像识别算法识别汽车车牌，进而确定道路上的汽车总数量；
[0135]
所述有充电需求电动汽车数量n
evc
的获取方法，具体步骤包括：
[0136]
根据道路交叉口的视频监控采集道路上的所述交通视频数据；
[0137]
对所述交通视频数据进行读取，得到行驶在监控道路上车辆的车主表情数据、车主头部角度数据；
[0138]
将车主表情数据、车主头部角度数据输入车辆剩余电量模型中，得到有充电需求电动汽车数量；
[0139]
所述训练车辆剩余电量模型的具体步骤为：
[0140]
通过车载数据采集控制子系统获取车内的第一摄像头采集的车主表情历史数据、第二摄像头采集的车主头部角度历史数据以及里程表剩余电量数据；
[0141]
将车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据通过时间序列进行处理，再将处理后的车主表情历史数据、车主头部角度历史数据和里程表剩余电量数据输入bp神经网络进行训练，计算出车辆剩余电量模型。
[0142]
步骤s105，在选取的若干路网节点中，按照预测需规划的电动汽车充电站数量，在备选节点中随机选同等数量的节点处作为充电站规划初始值；
[0143]
步骤s106，在选定充电站初始位置的情况下，对电动汽车充电负荷进行集群预测，并结合配电网数据采集子系统预测的配电网基本负荷，对配电网整体负荷进行预测，看负荷波动是否过大，若负荷波动大则说明选址不合理，需重新选址，再次对配电网负荷进行预测，多次规划选出负荷波动最小的最优充电站选址；
[0144]
步骤s1061，车流量监测子系统与车载数据处理子系统检测到电动汽车产生充电需求并记录下其时间地点与电动汽车剩余电量后，车载数据处理子系统选择从充电需求产生点到充电站耗电量最低的充电站进行充电，车载数据处理子系统预测到达该充电站的时间、剩余电量、预计离站时间并将该数据传输给云监控平台，所述的耗电量模型为：
[0145][0146]
其中，e
o,d
为从出发地到目的地的耗电量，x为从出发地到目的地的路径，l
i,j
为路径中相邻两节点的距离，h
i,j
为路径中相邻两节点的海拔差，β为电动汽车在平地行驶的平均里程耗电量，α
i,j
为电动汽车行驶在i节点与j节点时的爬坡系数，η为电动汽车能量回收效率；
[0147]
步骤s1062，根据步骤s1061建立的山地城市电动汽车耗电量模型，所述的电动汽车到站时间预测模型为：
[0148][0149]
其中，t0为电动汽车产生充电需求的时间，t1为电动汽车接入充电站的时间，v0为电动汽车行驶平均速度；
[0150]
所述的电动汽车预计离站时间预测模型为：
[0151][0152]
其中，t2为电动汽车预计离站的时间，t1为电动汽车接入充电站的时间，q为电动汽车的容量，pz为充电桩的功率，ηz为充电桩的充电效率；
[0153]
步骤s1063，在负荷预测过程中，所述电动汽车约束条件为：
[0154]
电动汽车电池不能过充过放，约束为：
[0155][0156]
其中，为电动汽车产生充电需求的最低电量，为电动汽车当前电量，为电动汽车充电最高电量；
[0157]
电动汽车充电站与产生充电需求点距离不能超过电动汽车续航里程，约束为：
[0158]
0≤l
o,d
(t)≤mi(t)
[0159]
其中，l
o,d
(t)为电动汽车从充电需求点到充电站的距离，mi(t)为产生充电需求时电动汽车的续航里程；
[0160]
步骤s107，根据步骤s106建立的电动汽车耗电量模型与时间预测模型可以预测出电动汽车产生充电需求后会何时在何地进行充电，将一天中所有备选节点的充电负荷累积起来即可得到规划区内所有充电站节点的充电负荷曲线；
[0161]
步骤s108，根据步骤s107得到的充电负荷预测曲线，结合配电网数据采集子系统得到的配电网基本负荷，进行配电网网格负荷预测，同时考虑规划成本，计算得到负荷波动最小与成本最小的充电站规划方案；
[0162]
步骤s1081，所述的最小配电网网格负荷波动模型为：
[0163][0164]
其中，p
base
(t)为电网中的基础负荷，p
ev
(t)为电动汽车充电负荷，为电网的平均负荷；
[0165]
步骤s1082，所述的充电站建设最小成本模型为：
[0166]
minz＝c
con
c
main
c
exp
[0167]
其中，z为充电站规划总成本，c
con
为充电设施年建设成本，c
main
为充电设施年运行维护成本，c
exp
为配电网扩建成本；
[0168]
步骤s109，云监控平台按照步骤s101与步骤s102计算出需规划的充电站数量并在路网节点中选定初始位置后，按照步骤s103-步骤s107对电动汽车充电负荷进行预测，结合配电网基本负荷预测数据，对配电网网格负荷进行预测，以步骤s108为目标函数，寻优得到最优充电站布局规划；根据最优充电站布局方案中各个充电站的日平均充电负荷，确定各充电站的容量，完成充电站的选址定容。
[0169]
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。