CN116862209B - 一种新能源汽车充电设施管理方法及系统 - Google Patents
一种新能源汽车充电设施管理方法及系统 Download PDFInfo
- Publication number
- CN116862209B CN116862209B CN202311133833.0A CN202311133833A CN116862209B CN 116862209 B CN116862209 B CN 116862209B CN 202311133833 A CN202311133833 A CN 202311133833A CN 116862209 B CN116862209 B CN 116862209B
- Authority
- CN
- China
- Prior art keywords
- historical operation
- operation data
- data set
- charging facility
- managed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 239000000203 mixture Substances 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 description 20
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及新能源设备管理技术领域，特别是一种新能源汽车充电设施管理方法及系统；构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；对所述二级历史运行数据集进行密度检测，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备的预估参数，能够对充电设施实现智能调度和优化调整，提高灵活和智能化程度。
Description
技术领域
本发明涉及新能源设备管理技术领域，特别是一种新能源汽车充电设施管理方法及系统。
背景技术
新能源汽车充电设施是为电动车辆提供电能充电的基础设施，它包括充电桩、充电站和相关的配套设备。现有的新能源汽车充电设施通常存在以下问题：其一是充电设施信息不透明，由于在不同充电时间段，各充电设施的使用频率也各不相同，用户无法精准的掌握充电设施在不同时间段中充电设施的状态信息，导致在同一时间段内某些区域充电设施出现拥挤排队，而某些区域充电设施空闲等不良情况，用户难以快速地找到可用的、合适的充电桩，设施管理效果较差，用户体验不佳，限制了用户对新能源汽车的采纳意愿。其二是缺乏智能调度和优化策略，现有的管理方法对充电设施的调度和优化策略不够灵活和智能化，缺乏实时监测、分析和预测，无法根据用户的需求和能源供需情况进行智能调整。
发明内容
本发明克服了现有技术的不足，提供了一种新能源汽车充电设施管理方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种新能源汽车充电设施管理方法，包括以下步骤：
构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
进一步的，本发明的一个较佳实施例中，构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集，具体为：
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中，并获取充电设施的子设备数目，根据所述子设备数目确定出K个分类中心；
通过K-means算法对K个分类中心进行初始化，得到初始化高斯分布参数，并根据所述初始化高斯分布参数获取得到各个分类中心的初始的均值、协方差矩阵和混合系数；根据所述初始的均值、协方差矩阵和混合系数计算出高斯混合模型中各个历史运行数据的后验概率；
根据所述后验概率计算各个分类中心的新的均值、协方差矩阵和混合系数，使得对应的后验概率最大化，从而对各个分类中心的初始化高斯分布参数进行更新，得到更新后的高斯分布参数；重复以上步骤，直至更新后的高斯分布参数变化率小于预设阈值后，停止迭代，并将更新后的高斯分布参数输出；
基于更新后的高斯分布参数，根据各个历史运行数据的后验概率，将各个历史运行数据归类至后验概率最大的分类中心中，分类完毕后，将分类中心对应的数据映射到不同的数据储存空间中，得到充电设施中各子设备在待管理时间段的一级历史运行数据集。
进一步的，本发明的一个较佳实施例中，通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集，具体为：
构建孤立森林模型，并将提前预制好的训练数据导入所述孤立森林模型中进行训练，得到训练好的孤立森林模型；
将各一级历史运行数据集导入所述训练好的孤立森林模型中，以获取一级历史运行数据集中各个历史运行数据的第一噪声得分，并将各个历史运行数据的第一噪声得分与预设得分进行比较；
将第一噪声得分大于预设得分的历史运行数据在对应的一级历史运行数据集中剔出；
将被剔出的历史运行数据导入至其它的一级历史运行数据集中，并通过训练好的孤立森林模型获取该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分均大于预设得分，则将该被剔出的历史运行数据标记为噪声点；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分存在至少一个不大于预设得分，则在各个第二噪声得分提取出最小第二噪声得分，将被剔出的历史运行数据归类到与最小第二噪声得分相对应的一级历史运行数据集中；
通过所述训练好的孤立森林模型对各个一级历史运行数据集进行均检验完毕后，将各个一级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的二级历史运行数据集。
进一步的，本发明的一个较佳实施例中，对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集，具体为：
在各个二级历史运行数据集中随机挑选一个历史运行数据作为样本数据；
在各个二级历史运行数据集中挑选一个二级历史运行数据集，通过欧几里得距离算法获取该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离，并将该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离求和并取平均值，得到聚内平均距离；
通过欧几里得距离算法获取该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离，并将该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离求和并取平均值，得到聚外平均距离；
根据所述聚内平均距离与聚外平均距离计算出二级历史运行数据集的特征相关系数；
重复以上步骤，直至将各个二级历史运行数据集均挑选完毕后，得到各个二级历史运行数据集对应的特征相关系数；
将各个二级历史运行数据集对应的特征相关系数逐一与预设特征相关系数进行比较；将特征相关系数不大于预设特征相关系数的二级历史运行数据集标记为密度异常数据集。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
将所述密度异常数据集转化为可视化图表，根据所述可视化图表确定出数据缺失值及其缺失位置；
根据所述缺失位置确定出数据缺失值的若干个近邻点，获取若干个所述近邻点之间的线性关系，通过若干个所述近邻点之间的线性关系获取得到近邻点的时间差；
根据所述时间差计算得到近邻点之间权重，基于所述近邻点之间权重与各近邻点对应的数值得到差值结果；将所述差值结果填充入对应的缺失位置；
重复以上步骤，直至对所有密度异常数据集处理完毕，将各个二级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的三级历史运行数据集。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
获取充电设施在待管理时间段的充电订单信息，根据所述充电订单信息生成充电设施在基于时间序列的预设用电量，并根所述基于时间序列的预设用电量生成第一曲线图；
获取在待管理时间段的充电设施的预估参数，根据所述预估参数生成充电设施在基于时间序列的预估用电量，并根据所述基于时间序列的预估用电量生成第二曲线图；
构建配对空间，将所述第一曲线图与第二曲线图导入所述配对空间中，并使得所述第一曲线图与第二曲线图的坐标轴在所述配对空间中相重合，以对所述第一曲线图与第二曲线图进行配准处理；
获取第一曲线图与第二曲线图在所述配对空间中的重合线段区域长度与不重合线段区域长度，根据所述重合线段区域长度与不重合线段区域长度计算出第一曲线图与第二曲线图的偏差率；
若所述偏差率大于预设偏差率，则根据所述预估用电量与预设用电量生成用电量差值，根据所述用电量差值生成电力调度信息。
本发明第二方面公开了一种新能源汽车充电设施管理系统，所述充电设施管理系统包括存储器与处理器，所述存储器中存储有充电设施管理方法程序，当所述充电设施管理方法程序被所述处理器执行时，实现如下步骤：
构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：本方法能够根据历史运行数据精准预估出充电设施在不同时间段对应的预估参数，并且使预估参数按照预设方式显示，用户可以随时查阅，使得充电设施信息公开透明，用户可以精准的掌握充电设施在不同时间段中充电设施的状态信息，使得用户快速地找到可用的、合适的充电设施，提高设施管理效果，提高用户体验感。并且能够对充电设施实现智能调度和优化调整，提高灵活和智能化程度，能够根据用户的需求和能源供需情况进行智能调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种新能源汽车充电设施管理方法的第一方法流程图；
图2为一种新能源汽车充电设施管理方法的第二方法流程图；
图3为一种新能源汽车充电设施管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种新能源汽车充电设施管理方法，包括以下步骤：
S102：构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
S104：获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
S106：构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
S108：通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
S110：对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
S112：对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
需要说明的是，通过动态数据库存储充电设施的历史运行参数，如该充电设施的在不同时间点上的电费价格、排队时间、充电速率、电源电压、电源频率以及充电模式等。然后再获取充电设施的待管理时间段，如待管理时间段为上午10时至上午11时，此时便可以根据检索标签在动态数据库中检索得到在上午10时至上午11时之间的时间段充电设施的所有历史运行数据。另外还需要说明的是动态数据库中的数据实时更新。
进一步的，本发明的一个较佳实施例中，构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集，如图2所示，具体为：
S202：构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中，并获取充电设施的子设备数目，根据所述子设备数目确定出K个分类中心；
S204：通过K-means算法对K个分类中心进行初始化，得到初始化高斯分布参数，并根据所述初始化高斯分布参数获取得到各个分类中心的初始的均值、协方差矩阵和混合系数；根据所述初始的均值、协方差矩阵和混合系数计算出高斯混合模型中各个历史运行数据的后验概率；
S206：根据所述后验概率计算各个分类中心的新的均值、协方差矩阵和混合系数，使得对应的后验概率最大化，从而对各个分类中心的初始化高斯分布参数进行更新，得到更新后的高斯分布参数；重复以上步骤，直至更新后的高斯分布参数变化率小于预设阈值后，停止迭代，并将更新后的高斯分布参数输出；
S208：基于更新后的高斯分布参数，根据各个历史运行数据的后验概率，将各个历史运行数据归类至后验概率最大的分类中心中，分类完毕后，将分类中心对应的数据映射到不同的数据储存空间中，得到充电设施中各子设备在待管理时间段的一级历史运行数据集。
需要说明的是，高斯混合模型是一种概率模型，用于描述由多个高斯分布组成的数据分布，它假设观测数据是由多个高斯分布的混合所产生，每个高斯分布对应一种潜在的隐含状态。高斯分布是一种连续概率分布，也称为正态分布，它由两个参数决定：均值和方差。高斯分布的概率密度函数具有钟形曲线的形状。混合系数是指每个高斯分布在整个混合模型中所占的比重或权重。混合系数必须满足非负性和总和为1。
需要说明的是，K-means算法即是K均值算法，当在动态数据库中检索得到充电设施在待管理时间段的历史运行数据后，此时检索得到的历史运行数据中包括各种数据，如电费价格、排队时间、充电速率等历史运行数据，此时的数据是杂乱无序的，此时并哪些是电费价格数据或者是充电速率数据，因此通过高斯混合模型对检索得到充电设施在待管理时间段的历史运行数据进行分类，从而得到充电设施中各子设备在待管理时间段的一级历史运行数据集，如充电设施在上午10时至上午11的历史排队时间、历史充电速率等。通过以上步骤能够将充电设施在待管理时间段内杂乱的历史运行数据进行分类，以获取得到不同类型的历史数据。
进一步的，本发明的一个较佳实施例中，通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集，具体为：
构建孤立森林模型，并将提前预制好的训练数据导入所述孤立森林模型中进行训练，得到训练好的孤立森林模型；
将各一级历史运行数据集导入所述训练好的孤立森林模型中，以获取一级历史运行数据集中各个历史运行数据的第一噪声得分，并将各个历史运行数据的第一噪声得分与预设得分进行比较；
将第一噪声得分大于预设得分的历史运行数据在对应的一级历史运行数据集中剔出；
将被剔出的历史运行数据导入至其它的一级历史运行数据集中，并通过训练好的孤立森林模型获取该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分均大于预设得分，则将该被剔出的历史运行数据标记为噪声点；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分存在至少一个不大于预设得分，则在各个第二噪声得分提取出最小第二噪声得分，将被剔出的历史运行数据归类到与最小第二噪声得分相对应的一级历史运行数据集中；
通过所述训练好的孤立森林模型对各个一级历史运行数据集进行均检验完毕后，将各个一级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的二级历史运行数据集。
需要说明的是，在通过高斯混合模型对历史运行数据进行分类时，由于数据量庞大并且某些数据相似度较高，如电压数据与电流数据，因此在通过高斯混合模型分类后，难免会出现数据分类错误的现象。因此当分类完成后，需要通过孤立森林模型对各一级历史运行数据集中的历史运行数据进行噪声检测（也称离群检测），孤立森林是一种用于异常检测的机器学习算法。它基于构建随机树的思想，通过将正常数据隔离在树的较短分支上，而噪声数据通常需要更多的分支才能被隔离，由于噪声数据的相对罕见，孤立森林可以通过观察样本在树结构中的分裂程度来判断其是否异常。通过求其在多棵随机树中被隔离的路径长度（即从根节点到该样本的路径长度）的平均值来判断其异常程度。噪声数据通常具有较短的路径长度，而正常数据则需要更多的分支才能被隔离。通过以上步骤能够检测出分类后的各一级历史运行数据集中的噪声数据，从而并且能够将分类错误的噪声数据重新分类至正确的数据集中，从而得到二级历史运行数据集，能够准确获取充电设施各子设备对应的历史运行数据，提高数据的可靠性。
进一步的，本发明的一个较佳实施例中，对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集，具体为：
在各个二级历史运行数据集中随机挑选一个历史运行数据作为样本数据；
在各个二级历史运行数据集中挑选一个二级历史运行数据集，通过欧几里得距离算法获取该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离，并将该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离求和并取平均值，得到聚内平均距离；
通过欧几里得距离算法获取该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离，并将该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离求和并取平均值，得到聚外平均距离；
根据所述聚内平均距离与聚外平均距离计算出二级历史运行数据集的特征相关系数；
重复以上步骤，直至将各个二级历史运行数据集均挑选完毕后，得到各个二级历史运行数据集对应的特征相关系数；
将各个二级历史运行数据集对应的特征相关系数逐一与预设特征相关系数进行比较；将特征相关系数不大于预设特征相关系数的二级历史运行数据集标记为密度异常数据集。
需要说明的是，特征相关系数是用于评估分类结果质量的指标，它结合了聚类的内聚度和分离度，特征相关系数的取值范围为[-1, 1]，其中值越接近1表示数据集的密度越高，分类结果越好，说明数据集中完整度较高；值越接近-1表示数据集的密度越低，分类结果越差，说明数据集中完整度较低，此时可能数集可能存在数据缺失的情况。特征相关系数是一种衡量两个特征之间相关性强弱程度的统计指标，它可以用来衡量两个特征的线性关系或者其他类型的关联关系，通过计算特征之间的相关性，可以探索特征之间的依赖关系，从而发现某个特征的缺失可能导致其他特征的缺失。将所述聚内平均距离与聚外平均距离进行比值处理从而得到特征相关系数。
需要说明的是，在对各子设备的数据进行采集过程中，由于采集环境、采集设备故障或者传输路径等原因，可能会导致某些时间节点的参数数据丢失，因此在对待管理时间段的中某些子设备的历史运行参数分离后，可能会出现数据丢失的情况，因此需要通过以上方法检测各二级历史运行数据集中是否存在数据丢失情况，若某一个二级历史运行数据集特征相关系数不大于预设特征相关系数，说明该数据集的内聚度较低，即密度较低，此时数据集在某些时间节点存在数据丢失情况，此时将该二级历史运行数据集标记为密度异常数据集，即该二级历史运行数据集的数据并不完整。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
将所述密度异常数据集转化为可视化图表，根据所述可视化图表确定出数据缺失值及其缺失位置；
根据所述缺失位置确定出数据缺失值的若干个近邻点，获取若干个所述近邻点之间的线性关系，通过若干个所述近邻点之间的线性关系获取得到近邻点的时间差；
根据所述时间差计算得到近邻点之间权重，基于所述近邻点之间权重与各近邻点对应的数值得到差值结果；将所述差值结果填充入对应的缺失位置；
重复以上步骤，直至对所有密度异常数据集处理完毕，将各个二级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的三级历史运行数据集。
需要说明的是，通过绘制热图、柱状图、矩阵图等数据可视化图表，可以更直观地展示数据集中缺失值的分布情况，从而找到缺失值所在的位置。对于时间序列数据或有序数据，可以使用时间加权线性插值或有序加权线性插值。例如，使用已知数据点的时间差或有序差来计算权重，将权重乘以对应数据点的值进行插值计算。通过以上步骤能够将二级历史运行数据集在某些时间节点丢失的数据进行补充，从而得到充电设施中各子设备在待管理时间段的三级历史运行数据集，使得历史运行数据集更加完整，进而提高后续预估数据的精度与可靠度。
综上所述，当获取得到充电设施中各子设备在待管理时间段的三级历史运行数据集后，对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示。举例来说，当获取得到在待管理时间段中历史充电价格后，可以将待管理时间段不同日期的历史充电价格求平均值处理，从而得到在充电设施在该待管理时间段的预估充电价格，然后将该预估充电价格传送至预设图形界面上显示，然后用户可以通过移动应用程序或网站进行访问，通过该图形界面用户便能够快速获取得到在该时间段内该充电设施的预估充电价格信息。同理，用户还能够访问得到预估排队时间、预估充电时间以及预估充电设施使用频率等信息。这样一来，通过本方法能够根据历史运行数据精准预估出充电设施在不同时间段对应的预估参数，并且使预估参数按照预设方式显示，用户可以随时查阅，使得充电设施信息公开透明，用户可以精准的掌握充电设施在不同时间段中充电设施的状态信息，使得用户快速地找到可用的、合适的充电设施，提高设施管理效果，提高用户体验感。
进一步的，本发明的一个较佳实施例中，还包括以下步骤：
获取充电设施在待管理时间段的充电订单信息，根据所述充电订单信息生成充电设施在基于时间序列的预设用电量，并根所述基于时间序列的预设用电量生成第一曲线图；
获取在待管理时间段的充电设施的预估参数，根据所述预估参数生成充电设施在基于时间序列的预估用电量，并根据所述基于时间序列的预估用电量生成第二曲线图；
构建配对空间，将所述第一曲线图与第二曲线图导入所述配对空间中，并使得所述第一曲线图与第二曲线图的坐标轴在所述配对空间中相重合，以对所述第一曲线图与第二曲线图进行配准处理；
获取第一曲线图与第二曲线图在所述配对空间中的重合线段区域长度与不重合线段区域长度，根据所述重合线段区域长度与不重合线段区域长度计算出第一曲线图与第二曲线图的偏差率；
若所述偏差率大于预设偏差率，则根据所述预估用电量与预设用电量生成用电量差值，根据所述用电量差值生成电力调度信息。
需要说明的是，当第一曲线图与第二曲线图的偏差率大于预设偏差率时，说明预估用电量与预设用电量偏差较大，在用户进行充电时有可能会因充电设施的用电量不足而延长用户的充电时间，从而影响用户体验，此时需要在该管理时间段需要对该充电设施的电量进行调控，使得充电设施的电量满足充电要求，通过以上方法能够对充电设施实现智能调度和优化调整，提高灵活和智能化程度，能够根据用户的需求和能源供需情况进行智能调整。
此外，所述一种新能源汽车充电设施管理方法还包括以下步骤：
获取充电设施中各子设备在待管理时间段内各个时间节点对应的实时运行数据，并将所述实时运行数据进行汇集，得到各子设备在待管理时间段基于时间序列的实时运行参数集；
通过灰色关联分析法计算各子设备的实时运行参数集与三级历史运行数据集之间的相似度，并将所述相似度与预设相似度进行比较；
将相似度大于预设相似度对应的子设备标记为异常子设备，并获取异常子设备在工作时的环境参数，以及获取异常子设备的实时运行参数集；
构建马尔可夫随机场，将异常子设备在工作时的环境参数与异常子设备的实时运行参数集导入所述马尔可夫随机场中进行故障推演，以获取异常子设备状态和状态转移关系，根据异常子设备状态和状态转移关系得到异常子设备的故障概率；
若异常子设备的故障概率大于预设故障概率，则将该异常子设备标记为故障充电设施，并生成故障报告，将所述故障报告传送至预设图形界面上显示。
需要说明的是，通过以上方法能够根据子设备的历史运行数据判断出该子设备的实时运行参数是否正常，然后进一步判断出该子设备是否为故障充电设施，若为故障充电设施，则将该故障充电设施的信息传送至预设图形界面上显示，如该故障充电设施的位置等，这样一来，用户便可以及时查阅到充电设施是否为故障充电设施，使得用户能够精准的掌握充电设施的状态信息，使得用户能够准确选择出健康的充电设施。并且维护人员也能够在图形界面快速查看充电设施是否发生了故障，以及时进行检修。
此外，所述一种新能源汽车充电设施管理方法还包括以下步骤：
通过大数据网络在各个时段内充电设施在各种历史所对应的能耗信息；
构建能耗预测模型，并将充电设施在各种历史气候状况所对应的能耗信息导入所述能耗预测模型中进行训练，得到训练好的能耗预测模型；
获取在待管理时间段充电设施的实时气候状况，将在待管理时间段充电设施的实时气候状况导入所述训练好的能耗预测模型中进行预测，得到充电设施在待管理时间段的预测能耗信息；
若充电设施在待管理时间段的预测能耗信息大于预设能耗信息，则根据所述预测能耗信息生成电力调度信息。
需要说明的是，在不同天气状况之下，用户对充电设施的使用频率也不相同，如雷雨暴风天气较少用户选择充电，因此通过获取各时段内充电设施在各种历史所对应的能耗信息，从而构建能耗预测模型，从而预测得到用户在待管理时间段内不同气候条件下的用户行为，以推测出预测能耗信息，以根据预测能耗信息对充电设施能源进行动态调整，提高能源调度合理性。
此外，所述一种新能源汽车充电设施管理方法还包括以下步骤：
获取目标区域内的故障充电设施，通过大数据网络获取维护故障充电设施所需的维护时间段；以及获取目标区域内预测能耗信息大于预设能耗信息的充电设施的时间段；
判断目标区域内维护故障充电设施所需的维护时间段是否与预测能耗信息大于预设能耗信息的充电设施的时间段是否相重合；
若相重合，则将故障充电设施的能源调度至预测能耗信息大于预设能耗信息的充电设施中。
需要说明的是，对故障充电设施进行维护时，需要一定的时间，因此在对故障充电设施进行维护时，故障充电设施处于非工作状态，此时可以该时间段内需要补充至故障充电设施的计划能源调度至其他需要能源的充电设施中，从而使得能源调度更加合理。
如图3所示，本发明第二方面公开了一种新能源汽车充电设施管理系统，所述充电设施管理系统包括存储器17与处理器18，所述存储器17中存储有充电设施管理方法程序，当所述充电设施管理方法程序被所述处理器18执行时，实现如下步骤：
构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种新能源汽车充电设施管理方法，其特征在于，包括以下步骤：
构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
2.根据权利要求1所述的一种新能源汽车充电设施管理方法，其特征在于，构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集，具体为：
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中，并获取充电设施的子设备数目，根据所述子设备数目确定出K个分类中心；
通过K-means算法对K个分类中心进行初始化，得到初始化高斯分布参数，并根据所述初始化高斯分布参数获取得到各个分类中心的初始的均值、协方差矩阵和混合系数；根据所述初始的均值、协方差矩阵和混合系数计算出高斯混合模型中各个历史运行数据的后验概率；
根据所述后验概率计算各个分类中心的新的均值、协方差矩阵和混合系数，使得对应的后验概率最大化，从而对各个分类中心的初始化高斯分布参数进行更新，得到更新后的高斯分布参数；重复以上步骤，直至更新后的高斯分布参数变化率小于预设阈值后，停止迭代，并将更新后的高斯分布参数输出；
基于更新后的高斯分布参数，根据各个历史运行数据的后验概率，将各个历史运行数据归类至后验概率最大的分类中心中，分类完毕后，将分类中心对应的数据映射到不同的数据储存空间中，得到充电设施中各子设备在待管理时间段的一级历史运行数据集。
3.根据权利要求1所述的一种新能源汽车充电设施管理方法，其特征在于，通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集，具体为：
构建孤立森林模型，并将提前预制好的训练数据导入所述孤立森林模型中进行训练，得到训练好的孤立森林模型；
将各一级历史运行数据集导入所述训练好的孤立森林模型中，以获取一级历史运行数据集中各个历史运行数据的第一噪声得分，并将各个历史运行数据的第一噪声得分与预设得分进行比较；
将第一噪声得分大于预设得分的历史运行数据在对应的一级历史运行数据集中剔出；
将被剔出的历史运行数据导入至其它的一级历史运行数据集中，并通过训练好的孤立森林模型获取该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分均大于预设得分，则将该被剔出的历史运行数据标记为噪声点；
若该被剔出的历史运行数据在其它的一级历史运行数据集中的第二噪声得分存在至少一个不大于预设得分，则在各个第二噪声得分提取出最小第二噪声得分，将被剔出的历史运行数据归类到与最小第二噪声得分相对应的一级历史运行数据集中；
通过所述训练好的孤立森林模型对各个一级历史运行数据集进行检验完毕后，将各个一级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的二级历史运行数据集。
4.根据权利要求1所述的一种新能源汽车充电设施管理方法，其特征在于，对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集，具体为：
在各个二级历史运行数据集中随机挑选一个历史运行数据作为样本数据；
在各个二级历史运行数据集中挑选一个二级历史运行数据集，通过欧几里得距离算法获取该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离，并将该二级历史运行数据集中样本数据与该二级历史运行数据集中其余历史运行数据之间的欧几里得距离求和并取平均值，得到聚内平均距离；
通过欧几里得距离算法获取该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离，并将该二级历史运行数据集中的样本数据与其余二级历史运行数据集中的样本数据之间的欧几里得距离求和并取平均值，得到聚外平均距离；
根据所述聚内平均距离与聚外平均距离计算出二级历史运行数据集的特征相关系数；
重复以上步骤，直至将各个二级历史运行数据集均挑选完毕后，得到各个二级历史运行数据集对应的特征相关系数；
将各个二级历史运行数据集对应的特征相关系数逐一与预设特征相关系数进行比较；将特征相关系数不大于预设特征相关系数的二级历史运行数据集标记为密度异常数据集。
5.根据权利要求4所述的一种新能源汽车充电设施管理方法，其特征在于，还包括以下步骤：
将所述密度异常数据集转化为可视化图表，根据所述可视化图表确定出数据缺失值及其缺失位置；
根据所述缺失位置确定出数据缺失值的若干个近邻点，获取若干个所述近邻点之间的线性关系，通过若干个所述近邻点之间的线性关系获取得到近邻点的时间差；
根据所述时间差计算得到近邻点之间权重，基于所述近邻点之间权重与各近邻点对应的数值得到差值结果；将所述差值结果填充入对应的缺失位置；
重复以上步骤，直至对所有密度异常数据集处理完毕，将各个二级历史运行数据集进行更新，得到充电设施中各子设备在待管理时间段的三级历史运行数据集。
6.根据权利要求1所述的一种新能源汽车充电设施管理方法，其特征在于，还包括以下步骤：
获取充电设施在待管理时间段的充电订单信息，根据所述充电订单信息生成充电设施在基于时间序列的预设用电量，并根据所述基于时间序列的预设用电量生成第一曲线图；
获取在待管理时间段的充电设施的预估参数，根据所述预估参数生成充电设施在基于时间序列的预估用电量，并根据所述基于时间序列的预估用电量生成第二曲线图；
构建配对空间，将所述第一曲线图与第二曲线图导入所述配对空间中，并使得所述第一曲线图与第二曲线图的坐标轴在所述配对空间中相重合，以对所述第一曲线图与第二曲线图进行配准处理；
获取第一曲线图与第二曲线图在所述配对空间中的重合线段区域长度与不重合线段区域长度，根据所述重合线段区域长度与不重合线段区域长度计算出第一曲线图与第二曲线图的偏差率；
若所述偏差率大于预设偏差率，则根据所述预估用电量与预设用电量生成用电量差值，根据所述用电量差值生成电力调度信息。
7.一种新能源汽车充电设施管理系统，其特征在于，所述充电设施管理系统包括存储器与处理器，所述存储器中存储有充电设施管理方法程序，当所述充电设施管理方法程序被所述处理器执行时，实现如下步骤：
构建动态数据库，获取充电设施的历史运行数据，并将历史运行数据汇入至所述动态数据库中；
获取充电设施的待管理时间段，基于所述待管理时间段生成检索标签，根据所述检索标签对所述动态数据库进行检索，得到充电设施在待管理时间段的历史运行数据；
构建高斯混合模型，将充电设施在待管理时间段的历史运行数据导入所述高斯混合模型中进行数据分类处理，得到充电设施中各子设备在待管理时间段的一级历史运行数据集；
通过孤立森林模型对各个一级历史运行数据集进行噪声点检验，得到充电设施中各子设备在待管理时间段的二级历史运行数据集；
对所述二级历史运行数据集进行密度检测，得到密度异常数据集，基于线性差值法对所述密度异常数据集进行处理，得到充电设施中各子设备在待管理时间段的三级历史运行数据集；
对各三级历史运行数据集中的历史运行参数进行统计，生成各子设备在待管理时间段的预估参数，并将所述预估参数传送至预设图形界面上显示；其中，所述预估参数包括预估充电价格、预估排队时间、预估充电时间以及预估充电设施使用频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133833.0A CN116862209B (zh) | 2023-09-05 | 2023-09-05 | 一种新能源汽车充电设施管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133833.0A CN116862209B (zh) | 2023-09-05 | 2023-09-05 | 一种新能源汽车充电设施管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116862209A CN116862209A (zh) | 2023-10-10 |
| CN116862209B true CN116862209B (zh) | 2023-12-01 |
Family
ID=88219506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311133833.0A Active CN116862209B (zh) | 2023-09-05 | 2023-09-05 | 一种新能源汽车充电设施管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862209B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070082B (zh) * | 2024-04-22 | 2024-06-25 | 深圳市美格信测控技术有限公司 | 一种新能源汽车电机噪音测试方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949931A (zh) * | 2021-03-19 | 2021-06-11 | 北京交通大学 | 数据驱动和模型混合的充电站数据的预测方法和装置 |
| CN113515577A (zh) * | 2021-07-13 | 2021-10-19 | 中国工商银行股份有限公司 | 数据预处理方法及装置 |
| CN113642757A (zh) * | 2021-06-01 | 2021-11-12 | 北京慧辰资道资讯股份有限公司 | 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 |
| CN114118547A (zh) * | 2021-11-15 | 2022-03-01 | 北京联行网络科技有限公司 | 电动车公共充电站排队等待时间估算方法及系统 |
| CN115042654A (zh) * | 2022-05-13 | 2022-09-13 | 浙江安吉智电控股有限公司 | 充电站的排位充电方法及装置、存储介质、终端 |
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11385631B2 (en) * | 2020-11-11 | 2022-07-12 | Honda Research Institute Europe Gmbh | Method and system for detecting faults in a charging infrastructure system for electric vehicles |
-
2023
- 2023-09-05 CN CN202311133833.0A patent/CN116862209B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949931A (zh) * | 2021-03-19 | 2021-06-11 | 北京交通大学 | 数据驱动和模型混合的充电站数据的预测方法和装置 |
| CN113642757A (zh) * | 2021-06-01 | 2021-11-12 | 北京慧辰资道资讯股份有限公司 | 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 |
| CN113515577A (zh) * | 2021-07-13 | 2021-10-19 | 中国工商银行股份有限公司 | 数据预处理方法及装置 |
| CN114118547A (zh) * | 2021-11-15 | 2022-03-01 | 北京联行网络科技有限公司 | 电动车公共充电站排队等待时间估算方法及系统 |
| CN115042654A (zh) * | 2022-05-13 | 2022-09-13 | 浙江安吉智电控股有限公司 | 充电站的排位充电方法及装置、存储介质、终端 |
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN116523272A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市金威源科技股份有限公司 | 基于大数据分析的充电桩智能管理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Gaussian mixture model clustering based optimal location of ev charging stations;qingSheng Shi etal;《applied mechanics and materials》;第380-384页 * |
| 基于大数据的充电桩健康状态分析系统的研究;张晗;《中国优秀硕士学位论文全文数据库工程科技II辑》(第8期);第C034-274页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116862209A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN104200288B (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
| CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN117494072B (zh) | 一种基于数据融合的换电柜运行状态监测方法及系统 | |
| CN116993227B (zh) | 一种基于人工智能的供热分析评估方法、系统及存储介质 | |
| CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
| CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN116862209B (zh) | 一种新能源汽车充电设施管理方法及系统 | |
| CN112651534B (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN116340586B (zh) | 基于云平台的汽车故障管理方法、系统及存储介质 | |
| CN106845728B (zh) | 一种电力变压器缺陷的预测方法及装置 | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 | |
| CN117522147A (zh) | 一种电网复杂环境下输电安全风险评估方法及系统 | |
| CN114114056B (zh) | 一种换电柜的电池检测回收方法、系统及存储介质 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |