本发明涉及新能源汽车
技术领域：
，涉及一种应用于充电桩电力资源分配的大数据分析方法。
背景技术：
：随着新能源产业不断发展，充电汽车产业日益扩大，国家电网负荷越来越大，国家要求采取有序充电功能，对电力资源进行合理的分配。同时客户对充电需求日益增大，如何合理的分配电力资源，如何指导客户在合适的时间合适的地点进行充电，需要一个优先的解决方案。现有技术的缺陷和不足：现在充电处于无序状态，客户可能集中在某个时间段某个地区进行充电，此时对电网冲击非常大。同时，集中充电造成电力资源不足，让客户充电需求得不到满足，无法让新能源汽车更好的为客户服务。技术实现要素：本发明的目的是克服现有技术的不足，提供一种能对各个充电桩进行合理的电力资源分配，实现有序充电的数据分析方法。为实现本发明目的，本发明具体采用如下技术方案：(1)收集每个充电桩的历史充电信息，对数据进行清洗，并对清洗后的剩余数据进行归一化处理，实现变量与预测对象的一一映射，所述预测对象是指单个充电桩在指定单位时间内被使用的概率；(2)根据相关性分析法检验各个变量与预测对象的相关性，并过滤掉其中相关程度不高的变量；(3)对剩余变量俩俩组合检验变量间的耦合程度和独立性，保证至少2个变量组合对预测对象产生的影响能被检测出来；(4)将具有联系性的至少2个变量作为一个组合变量，进行非线性最小二乘法分析，构建基于上述变量的非线性预测函数，实现对未来指定单位时间内某个特定的经纬度条件下的充电桩被使用的概率进行预测；(5)根据上述预测数据和客户的经纬度，计算得出距离和相关信息，并以此构建预测函数实现对客户感兴趣的充电桩的推荐。优选地，步骤(1)中的预测对象表示如下：f(t,lon,lat,i)＝time wz a*t b*fr c*sf d*lj；其中，f(t,lon,lat,i)表示充电桩在指定单位时间内被使用的概率，a,b,c,d为常数，time表示时间，wz为充电桩经纬度组合变量，lj为充电桩日均使用总电量与周使用累计时长组合变量，fr为充电桩日使用频度与周使用频度组合变量。有益效果：(1)利用云平台实时采集充电大数据，利用非线性最小二乘法进行大数据分析，对电力资源使用在时间和空间上的分布进行预测，根据预测出来的数据，在宏观上对未来某个时间段上所有的充电桩进行合理的分配电力资源，对电网负荷曲线进行削峰填谷，达到有序充电的目的。(2)根据客户的需求，结合预测的数据，给客户充电提供合理的指导建议，引导客户在合适的时间到合适的地方进行充电，给客户提供优质的充电服务，给客户更好的体验感，让客户自然而然的为有序充电政策、平衡电力资源的使用做出自己的贡献。(3)无论是云平台宏观上调控每个充电桩的电力资源，还是引导客户到合适的地方进行充电，均能为国家有序充电政策做出贡献，让电力资源更好的为人们服务。同时为推广新能源应用做出努力。附图说明图1为本发明方法流程图；图2为2个变量与预测对象的关系示意图。具体实施方式下面将结合本发明实施例及附图，对本发明技术方案进行清楚、完整地描述。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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1，本发明的预测电力负荷的大数据分析方法包括如下步骤：1、云平台收集每个充电桩的历史充电信息，主要包括时间、每个充电桩的经纬度信息、充电桩当前时刻电量、使用频率等数据。由于以上的数据没有统一的规范格式(比如时间变量的时间数据为yyyy-mm-ddhh24:mi:ss格式，该格式无法与预测变量形成有效的线性映射)，需要对数据进行清洗，针对异常数据，将其中明显异常的数据条目做删除处理，然后对剩下的数据进行归一化处理，最终实现变量对预测对象f(t，lon，lat，i)的一一映射，f(t，lon，lat，i)表示单个充电桩在指定单位时间之内被使用的概率，例如指定单位时间30分钟，这样才能构建基础的预测函数。其中，t表示充电桩当前时刻电量，lon，lat分别表示充电桩的经、纬度参数，i表示充电桩编号。为保证变量的实际有效性，本文对除时间变量，经纬度变量以外的其他变量xi均采用离差标准化算法进行归一化处理:由此实现数据的值域为0到1，且上述变量为无量纲化的数值。2、对于全部的30多个变量(主要包括时间参数time，充电桩的经纬度参数lon，lat，充电桩当前时刻电量t，充电桩历史使用日周月频度，顾客满意系数sf等)根据相关性分析法检验单个变量与预测对象的相关性并过滤掉其中相关程度不高的变量，减小无关变量对实际预测的影响。以充电桩当前时刻电量t为例，首先对已经归一化的变量t和实际预测对象f(t，lon，lat，i)选取大样本的数据项计算其相关性系数r：其中ti表示充电桩i当前时刻电量；表示所有充电桩在当前时刻的平均电量；n表示充电桩的总数量，表示所有充电桩f(t，lon，lat，i)的平均值。根据该变量的相关性系数的值为0.8953和变量的检验样本总量15382，本文做基于相关系数显著性99.5％的检验的临界值检验表而言，实际的临界检验系数为0.089，最终认为当前电量t与预测对象有99.5％以上的把握认为这两个变量相关(以上检测过程中的临界检验系数请查询相关性系数临界值检验表单边99.5％检验样本数量大于1000)。由于篇幅原因本文不再列举每个变量的计算公式，仅列出如表1所示检验结果。特别注意的是由于变量过多，本文只列出部分通过检验的变量，以上变量均采用单边99.5％检验，由于部分变量经过数据清洗以后删除部分异常，所以数据量有所不同，因此有各自的临界检验系数。表1变量相关性检验结果综上本文最终选取上述基础变量中加粗部分作为待使用变量，进行下一步独立性分析，包括充电桩当前时刻电量，历史日、周使用频度，顾客满意系数、日均使用总电量、周使用累计时长。3、通过上述检验的变量俩俩组合，检验变量间的耦合程度和独立性。对预测对象的检验一般不由单个变量直接影响，有时有些变量会相互组合对实际的预测对象产生大幅改变，此时如果单一的进行上述相关性分析时，会发现2个变量均对预测对象有较大相关性且表现出相同的影响方式，此时需要对多个变量组合分析，实现非独立变量的优化。本文主要进行基于k-means分类算法的独立性检验，实现非独立组合变量对实际预测的检验，保证当2个变量组合对预测对象产生的影响能被检测出来。以日均使用总电量,周使用累计时长为例，本文分析这2个变量与预测对象的关系，结果如图2所示，其中x轴表示日均使用总电量，y轴表示周使用累计时长,z轴表示预测对象f(t，lon，lat，i)。如图所示x,y轴与z轴所构成的函数平面中有3个连续但相对聚合部分，分别为红(中间部分)、绿(中间部分两侧)和蓝色(两端部)。这种明显的非独立变量具有联系性，分析得到的结果是上述2个变量可以作为一个组合变量来分析。本实施例采用的变量组合方式为顺序组合，总变量数为32。当采用2个变量组合时，组合可能结果为种情况；当取3个变量时组合可能性变为明显的运算复杂度大幅上升，由于时间和工作量的原因本文未对3个及以上的组合构建检测模型。4、经过上述变量数据优化以后，本文最终确定如下的变量为最终构建拟合函数的变量,其中时间和经纬度为基础预测变量，无法改变，其他变量为综合考虑的结果。表2最终确定的变量变量简写变量名相关结论time时间基础预测变量wz经纬度基础预测变量，以经纬度组合形式出现t当前时刻电量基础变量fr日使用频度,周使用频度非独立组合变量sf顾客满意系数重要变量lj日均使用总电量,周使用累计时长重要变量本文中上述部分参数为基础参数变量的组合结果，组合方式属于经验结果，经检测与预测对象存在更高的相关性，所以采用组合来代替一些基础参数变量。比如wz参数由lat和lon参数组合而成，而这种组合后的数据与原始的lat和lon有所区别，经检测与预测对象存在更高的相关性，所以本文用变量wz来代替这种组合。具体变量组合方式如下：lj＝t日 time周，fr＝fr日÷fr周；其中，lon、lat表示充电桩的经、纬度参数，t日表示充电桩的日均使用总电量，time周表示充电桩的周使用累计时长，fr日表示充电桩的日使用频度，fr周表示充电桩的周使用频度。对表2中的变量采用非线性最小二乘法分析，构建基于上述变量的非线性预测函数，其中函数的计算公式如下：f(t,lon,lat,i)＝time wz a*t b*fr c*sf d*lj(1)其中a,b,c,d分别为满足下式的对应函数的一次导数：本文采用对已知对象建模并将模型用于实际预测，其中已知的训练集中所需预测对象为已知值，yi表示这些已经被认定为真实的预测对象，即充电桩已知的使用概率。本文采用了表2所示6个变量来做预测，其中前2个变量的系数为1，剩余4个变量的系数分别以a,b,c,d来代替，a,b,c,d的计算公式分别表示如下：其中，ti、fri、sfi、lji分别表示充电桩i对应的变量t、变量fr、变量sf、变量lj，σ表示变量的标准差。在获取了某个充电桩当前已知的基础变量信息：时间，经纬度，当前电量，使用频度，顾客满意系数和使用电量情况的基础上，将上述6个变量带入非线性最小二乘法预测公式(1)，即可得到该充电桩被使用的概率，实现对未来的指定单位时间段内某个特定的经纬度条件下的充电桩被使用的概率进行预测，同时显示出电力使用分布图，并预测出如下信息：某个充电桩在某些时刻使用频率高，某些地区的充电桩使用频率比较低，某个地区在某些时刻电力资源会出现紧缺，某个充电桩在某个时间段分配的电力资源；5、根据上述预测数据和客户的经纬度，计算得出距离和相关信息，并以此构建预测函数实现对客户感兴趣的充电桩的推荐。预测函数如下：其中，d表示客户与某个特定充电桩的距离(单位为km)，f(t，lon，lat，i)表示预测的充电桩在指定单位时间内被使用的概率。本发明应用方法如下：(1)客户通过手机app选择需要在哪个时间段，在哪里进行充电；(2)手机app通过大数据预测的信息进行筛选，选择优质的充电桩推荐给客户；(3)客户从推荐的充电桩中进行选择，进行预约充电；(4)云平台通过预测出来的数据，在宏观上对每一辆充电的车进行电力资源分配，让电力资源使用更加合理。在本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。本发明中描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属
技术领域：
的技术人员所理解。本发明中描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。本
技术领域：
的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。当前第1页1 2 3
技术特征：1.一种预测电力负荷的大数据分析方法，其特征在于包括如下步骤：
(1)收集每个充电桩的历史充电信息，对数据进行清洗，并对清洗后的剩余数据进行归一化处理，实现变量与预测对象的一一映射，所述预测对象是指单个充电桩在指定单位时间内被使用的概率；
(2)根据相关性分析法检验各个变量与预测对象的相关性，并过滤掉其中相关程度不高的变量；
(3)对剩余变量俩俩组合检验变量间的耦合程度和独立性，保证至少2个变量组合对预测对象产生的影响能被检测出来；
(4)将具有联系性的至少2个变量作为一个组合变量，进行非线性最小二乘法分析，构建基于上述变量的非线性预测函数，实现对未来指定单位时间内某个特定的经纬度条件下的充电桩被使用的概率进行预测；
(5)根据上述预测数据和客户的经纬度，计算得出距离和相关信息，并以此构建预测函数实现对客户感兴趣的充电桩的推荐。
2.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(4)预测充电桩被使用概率的同时显示出电力使用分布图，并预测如下信息：
a、某个充电桩在某些时刻使用频率高
b、某些地区的充电桩使用频率比较低
c、某个地区在某些时刻电力资源会出现紧缺
d、某个充电桩在某个时间段分配的电力资源。
3.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(3)采用基于k-means分类算法的独立性检验，实现非独立组合变量对实际预测的检验。
4.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(1)采用离差标准化算法对变量进行归一化处理。
5.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(1)中的预测对象表示如下：
f(t,lon,lat,i)＝time wz a*t b*fr c*sf d*lj；
其中，f(t,lon,lat,i)表示充电桩在指定单位时间内被使用的概率，a,b,c,d为常数，time表示时间，wz为充电桩经纬度组合变量，lj为充电桩日均使用总电量与周使用累计时长组合变量，fr为充电桩日使用频度与周使用频度组合变量。
6.如权利要求5所述的预测电力负荷的大数据分析方法，其特征在于：
lj＝t日 time周，fr＝fr日÷fr周；
其中，lon、lat表示充电桩的经、纬度参数，t日表示充电桩的日均使用总电量，time周表示充电桩的周使用累计时长，fr日表示充电桩的日使用频度，fr周表示充电桩的周使用频度。
7.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(5)构建的预测函数如下：
其中，d表示客户与充电桩的距离，f(t，lon，lat，i)表示预测的充电桩在指定单位时间内被使用的概率。
8.如权利要求1所述的预测电力负荷的大数据分析方法，其特征在于步骤(5)的预测结果发送至充电用户的应用终端。
技术总结本发明公开一种预测电力负荷的大数据分析方法，通过云平台实时采集充电数据，利用非线性最小二乘法进行大数据分析，预测未来某地方某个时间段的电力使用情况。通过分析，能方便云平台在宏观上对各个充电桩进行合理的电力资源分配，对电网负荷曲线进行削峰填谷，达到有序充电的目的，同时给出客户充电指导建议，引导客户到合适的地方合适的时间进行充电，给客户提供优质的充电服务，同时也能让客户对平衡电力资源的使用贡献出自己的力量。
技术研发人员：曹云鹏;董苗苗;吴鹏飞;李德胜;郑隽一;张育铭
受保护的技术使用者：国创新能源汽车智慧能源装备创新中心(江苏)有限公司
技术研发日：2020.12.23
技术公布日：2021.03.12
