基于大数据的电动汽车分析建模关键技术研究

Abstract： We research on the algorithms of data-mining for electric vehicle charging networks planning， mainly on the solution of mining of the mass amount of heterogeneous data， and provide the  theoretical basis for the construction of the open，intelligent，interactive，efficient electric vehicle charging networks.

Keywords： electric vehicle， charging network， data mining

摘要：该文主要研究面向电动汽车充电网络规划的数据挖掘算法，重点解决电动汽车充电网络海量异构数据的挖掘方案，为构建开放、智能、互动、高效的充电网络提供了理论支撑。

关键词：电动汽车、充电网络、数据挖掘

0引言

国网电动汽车服务有限公司将电动汽车充换电业务作为主营业务，提出构建开放、智能、互动、高效的电动汽车充换电服务网络。随着电动汽车的逐步规模化发展、充电网络的逐步多元化扩大、充换电业务的逐步深化转型，电动汽车充电网络亟需智能化、互动化发展，提升服务效能。

由于充电网络的建设、运行和应用对象分散，其多归属的特征导致了充电网络的复杂性与多样性，充电设施产品质量良莠不齐、规划选址不合理、运行安全、经济效益不佳、充电网络与电动汽车发展不协调等问题日益凸显。目前，国内外尚未对充电设施寻址、充电数据深度分析、充电网和配电网智能互动等关键技术进行充分研究，亟需深入挖掘电动汽车充电网络的潜力，促进电动汽车融入能源互联网，实现交通低碳化发展。

本文通过研究面向电动汽车充电网络大数据的数据挖掘算法，重点解决电动汽车充电网络海量异构数据的挖掘处理问题，为实现对多类型、长周期、分时段的充电网络大数据的深入利用提供底层支撑。

1 研究现状

随着国内电动汽车的大规模使用，不断扩大的充电网络将对电动汽车行业相关的所有业务领域产生显著影响。电动汽车充电需求主要由用户出行需求决定，受到用户使用习惯、电动汽车品牌型号特性、充电桩特性等因素的影响，目前国内外研究尚缺乏对充电网络数据的完整建模，因此对充电网络的需求分析和规划研究往往侧重于特定研究方向，影响了挖掘分析的准确性。

在充电负荷预测方面， Lojowska等在深入调研不同类型电动汽车在充电时间、充电方式、起始荷电状态（State of charge，SOC）等方面的差异的基础上，给出了一种基于Monte Carlo模拟的方式来计算电动汽车的充电负荷。在此基础上，罗卓伟等在计算充电负荷的时候，计及了并非所有的可入网电动汽车均一直处于纯电力驱动状态的影响。随着电动汽车充电负荷预测研究工作的深入，发展能够细致考虑时空分布特征的充电负荷计算方法将成为研究电动汽车充电基础设施建设、与电网的复性互动策略等问题的关键。

寇凌峰、薛飞等根据复杂网络理论及其在电网领域的应用，发展出续航风险距离、续航能量密度以及网络服务能力等指标，用于体现换电站距离、电池分布等因素对于充换电服务网络整体服务能力的影响。Xiaoping J对电动汽车充换电站进行综合规划，运用多个评价指标对规划方案进行的综合评价[1，2，3，4，5，6，7，8]。在电动汽车充电网络规划研究方面，目前研究主要偏重于布局优化规划理论研究，针对充换电网络项目技术经济评价理论与方法研究较为缺乏，缺乏对充电网络大数据的数据挖掘分析技术的充分研究，尚未建立起包含车、桩、网、区域环境等数据模型在内的整体分析解决方案。

2 充电网络数据模型

在充电网络大数据挖掘分析算法方面，本文重点研究了充电网络现状统计分析，以及用户画像、电动车画像和电网画像等相关大数据分析挖掘技术，以形成充电网络大数据挖掘分析解决方案。充电网络现状统计分析数据模型如下图所示：

图中，电动汽车充电量需求、电动汽车区域分布、充电功率需求等分析均涉及到用户画像和电网画像等大数据挖掘技术。例如，用户驾驶行为模型是基于聚类分析的客户细分模型，可利用日出行距离、活动半径、加速/超速、日充电

次数等业务数据进行一次和二次计算，生成客户信息大数据，然后利用聚类分析技术建立客户模型。电动汽车电池模型是对电动汽车电池寿命进行评估，采用数据平台的电池相关变量数据（如温差变化、压差变化、放电深度统计等），提取电池梯次利用的关键参数指标，利用贝叶斯网络建立电池健康状态模型。利用电池模型可建立电动汽车整车模型，从而分析汽车健康状况，为用户长路径规划、残值评估、储能增值应用等提供决策支持。

3 整体解决方案

3.1方案概述

在统一数据模型基础上，辅助居民出行问卷调查数据，将电动汽车出行目的地充电场所进行聚类分析，如回家、工作、购物吃饭、社交休闲和其他事务等。基于统计学理论，采用对数正态概率函数，拟合各段行程行驶结束时间和行驶距离等。其次，针对不同场景的起始点，以马尔科夫理论状态转移概率模型，构建车辆出行简单链和复杂链模型。然后，考虑地区天气温度、交通路况对于电动汽车耗电量的影响，采用模糊算法计算车辆不同状况下每公里的耗电量。根据是否充电的条件结合不同充电场所的充电功率水平计算出充电持续时间，建立时空关联的充电需求自适应预测模型，使用蒙特卡洛方法模拟各类型出行电动汽车的行程结束时间、行驶距离和充电等，最终得到不同場所的电动汽车充电负荷需求的时间和空间分布。

对规划目标年的电动汽车保有量进行预测，基于电动汽车充电需求的时空分布预测方法，计算电动汽车总充电需求，根据电动汽车用户的充电行为和行驶特点，将充电需求划分为不同类型，分别由相应的电动汽车充电设施来满足。结合GIS系统，抽象得到待规划城市道路网的结构，确定道路网中不同空间位置的充电需求分布。基于改进的P-中心定位模型，建立以最优化服务质量为目标，以总投资成本、运维成本、购电成本和充电站用户成本等为约束的线性整数规划模型，根据充电需求分布、充电设施分布和城市道路交通状况在城市范围内对充电设施进行综合规划。

3.2算法模型

电动汽车充电网络数据挖掘整体解决方案包括如下模型和步骤：

在统一数据模型基础上建立分析所需的各个计算模型，如电动汽车保有量模型、不同类型充电桩需求模型等。

通过模型计算形成一系列分析结果，如每一年工作日与节假日不同EV车类型对不同充电桩的充电需求24小时分布、充电网络规划区域虚拟网格属性、区域特征信息、每个网格中不同EV车类型对不同充电桩的充电功率和频次需求等。

利用以上中间结果和充电桩档案信息、交易明细、历史业务数据等业务信息，以及区域特征信息、交通密度信息和经济发展信息等环境数据，建立充电网格属性指数（如图5所示），并将电动汽车充电需求根据属性分解到每个网格，计算出每个网格中不同EV车类型对不同充电桩的充电功率和频次需求。

最终根据城市规划及城市现状，选取一定比例的网格进入候选布点网格集合，根据一定的充电服务半径重新匹配网格，获取的网格内不同的桩类型并形成最终的充电网络整体评价及优化方案，评价算法为：在获得n个系统的评价指标值的基礎上，选用或构造综合评价函数，式中为指标权重向量，为系统的状态向量。由上式可求出各系统的综合评价值为第i个系统的状态向量，并根据值的大小（或由小到大或由大到小）将这n个系统进行排序或分类。

4 结论

本文通过对国内外研究现状的学习比较，在对充电网络业务需求进行了充分调研分析的基础上，给出了比较完整的充电网络数据模型，并提出了电动汽车充电网络数据挖掘的整体解决方案。

[参考文献]

[1]田立亭，史双龙，贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术，2010， 34（11）： 126-130.

[2]A. Lojowska， D. Kurowicka， G. Papaeflhymiou， et al. Stochastic modeling of power demand due to EVs using copula [J]. IEEE Transactions on Power Systems， 2012， 27（4）：1960-1968.

[3]罗卓伟，胡泽春，宋永华，等.电动汽车充电负荷计算方法[J].电力系统自动化，2011，35（14）： 36-42.

[4]张洪财，胡泽春，宋永华，等.考虑时空分布的电动汽车充电负荷预测方法[J].电力系统自动化，2014，38（1）： 13-20。

[5] 王锡凡，邵成成，王秀丽，杜超，电动汽车充电负荷与调度控制策略综述[J].中国电机工程学报，2013，33（1）：5-15.

[6] 寇凌峰，刘自发，周欢.区域电动汽车充电站规划的模型与算法[J].现代电力，2010， 27（4）： 44-48.

[7] 薛飞，雷宪章，张野鹰，等.基于复杂网络的电动汽车智能充换电服务网络评估方法[J].电网技术，2012， 36（9）：20-24

[8]Xiaoping J， Keyi J， Bo W. Electric vehicles and charging networks in China [C].Power Electronics  Systems and Applications （PESA）， 20114th International Conference on. IEEE， 2011：1-6

作者简介：

白洁音，男，1976年10月，硕士，中级职称，辽宁，计算机科学与技术