CN111861017A - 一种基于现网数据的充电站网络优化方法 - Google Patents

Abstract

本发明提出一种基于现网数据的充电站网络优化方法，包括：获取电动汽车的充电事件建立充电花费时间的第一张量，基于所述第一张量融合各充电站的特征确定充电花费时间的第二张量；基于所述第二张量各单元的充电花费时间确定各充电站的访问率；基于所述各充电站的访问率选择现网热点充电站，从所述现网热点充电站出发基于各充电站效益分数优化当前充电站点网络布局，删除现网冗余充电站点，提高现网的充电站使用率。

Description

一种基于现网数据的充电站网络优化方法

技术领域

本发明涉及服务网点部署领域，特别是指一种基于现网数据的充电站网络优化方法。

背景技术

现有的电动汽车充电站选址优化方法主要有：基于出行者出行行为的充电站选址方法，主要是根据基于行为的评价方法评估出行群体在现实世界的驾驶环境下，采用电动汽车的可行性，进而确定充电站的位置；基于电动汽车充电需求的充电站选址方法，主要分析不同区域内充电需求，从而建立不同的充电站评价系统，以此来确定充电站的合理性；基于不同目标函数建立相应的模型进行最优求解，主要根据电动汽车充电站运营收益最大化或者充电站服务的电动汽车最大化等目标，建立充电站的选址模型。在现实生活中，充电站利用率低一直是困扰城市规划部门的一大问题。然而，上述的选址优化方法，基本都忽略了现实充电站网络的存在来进行选址优化。其次，电动汽车和充电站数据的稀疏问题，目前仍然没有得到很好的解决。尽我们所知，目前还没有相关的研究工作同时考虑现实充电站网络的存在的影响、充电站之间的关系、电动汽车的充电行为特征以及数据稀疏问题来解决电动汽车充电站网络优化问题，发现并消除冗余站点，提高充电站的利用率。

发明内容

有鉴于此，本发明建立一种基于包括充电站特征、电动汽车充电行为和电动汽车移动行为的现网数据的电动汽车充电站网络优化方法，并提出两种有效的网络扩展算法，解决了不同约束条件下的充电站网络的优化问题，提高了电动汽车充电站的服务水平和使用效率。

本发明第一方面提供一种基于现网数据的充电站网络优化方法，其包括以下步骤：

获取电动汽车的充电事件建立充电花费时间的第一张量，基于所述第一张量融合各充电站的特征得到充电花费时间的第二张量；

基于所述第二张量各单元的充电花费时间确定各充电站的访问率；

基于所述各充电站的访问率选择现网热点充电站，从所述现网热点充电站出发基于各充电站效益分数优化当前充电站点网络。

由上，所述从所述现网热点充电站出发是使用电动汽车的移动数据，本发明的充电站网络优化方法基于充电站特征数据、电动汽车充电行为数据和电动汽车移动数据优化现网的充电站网络布局，提高各充电站的使用效率。

其中，所述获取电动汽车的充电事件建立充电花费时间的第一张量的方法，包括步骤：

从电动汽车充电数据提取所有的充电事件，统计第一张量中各单元充电事件数量；其中，所述第一张量有小时、充电站和天三个维度；

对所述充电事件数量大于等于第一设定阈值的单元，取所述单元内充电事件持续时间平均值表示该单元的充电花费时间，单元内充电事件少于所述第一设定阈值的视为数据缺失单元。

由上，基于电动汽车实际充电事件初步统计充电花费时间的第一张量，所述第一张量的部分单元内可能只有一次充电事件，基于一次充电事件计算该单元的充电花费时间存在较大误差，为了准确估计各单元的充电花费时间，所以单元内充电事件少于所述第一设定阈值的视为数据缺失单元，后续再解决数据缺失单元带来的稀疏问题，从而更精确估计电动汽车的充电行为。

优选地，基于所述第一张量融合各充电站的特征得到充电花费时间的第二张量的方法，包括步骤：

获取充电站的上下文感知特征矩阵，其中，充电站的上下文感知特征矩阵有充电站和特征两个维度；

利用上下文感知张量协同分解方法，把上下文感知特征矩阵和第一张量基于充电站维度协同分解；第一张量分解为核心子张量Z、包含时间维度的子矩阵H、包含充电站维度的子矩阵S和包含天维度的子矩阵D，其中，子矩阵S为上下文感知特征矩阵和第一张量的共享子矩阵；

利用Z、H、S和D乘积反算第二张量，确定第二张量中各单元的充电花费时间，其中，所述第二张量有小时、充电站和天三个维度。

由上，为解决所述第一张量各单元可能存在的稀疏问题，利用所述上下文感知张量协同分解方法把充电站的特征带入到所述充电花费时间的第二张量里，上下文特征相同的充电站的电动汽车的充电花费时间应该是相同的，从而精确估计了第二张量各单元的充电花费时间，为后续充电站点优化提供了准确的数据。

其中，所述充电站的上下文感知特征矩阵每一行包含至少下面三个元素之一：地理特征，交通特征和面积特征。

进一步地，所述地理特征建立步骤包括：

获取在一充电站设定覆盖范围内各类兴趣点(POIs)的出现次数、所述安全距离内出现次数和所述设定覆盖内安全距离之外出现的次数；其中，所述设定覆盖范围是以充电站为中心以第三设定阈值为半径的圆内范围；

一类别兴趣点在该充电站所述安全距离内出现次数除以该类别兴趣点在该充电站所述设定覆盖内安全距离之外出现的次数的商为该类别兴趣点与该充电站的相关性；

基于各类别兴趣点在该充电站的所述安全距离内的出现次数从大到小排序，选择排名在第五设定阈值之内的兴趣点类别，所述排名在第五设定阈值之内的各类别兴趣点的所述设定覆盖范围内的出现次数基于所述排名在第五设定阈值之内的各类别兴趣点与该充电站的相关性的加权求和确定为该充电站的地理特征；

和/或所述交通特征建立步骤包括：

基于电动汽车的轨迹数据确定一充电站所述设定覆盖范围内各路段的交通流量；

基于该充电站到在所述设定覆盖范围内各路段的中点的长度确定该充电站到各路段的距离；

该充电站所述设定覆盖范围内各路段的交通流量基于该充电站到各路段的距离的倒数的加权平均值确定为所述交通站的交通特征；

和/或所述面积特征建立步骤包括：基于人工标记每个充电站的面积作为所述面积特征。

由上，充电站的上下文特征包含了充电站的地理特征、交通特征和面积特征，地理特征度量了充电站周边兴趣点的特征，交通特征度量充电站周边的交通流量特征，面积特征又等同于容量特征，为所述上下文特征感知张量协同分解提供了准确全面的特征数据，从而能够准确估计第二张量各单元的充电花费时间。

优选地，所述基于所述充电花费时间的第二张量确定各充电站点的访问率的步骤包括：

第二张量中各单元的充电花费时间W_s从小到大排序，排名在第二设定阈值之内的所述第二张量中各单元的充电花费时间W_s的平均值确定充电站网络的充电服务时间

利用排队论公式

代入第二张量中各单元的充电花费时间W_s、充电站网络的充电服务时间

和相应单元对应的充电站的充电桩数目c，计算第三张量中各单元内充电站的访问率λ，其中，所述第三张量有小时、充电站和天三个维度；

基于所述第三张量各单元内充电站的访问率λ计算各充电站平均的访问率λ_a。

由上，基于排队论精确计算了各充电站平均的访问率，比基于电动汽车移动轨迹的方法更准确，保证了后续的热点充电站的选择的准确性。

可选地，所述基于所述各充电站点的访问率选择现网热点充电站的步骤，包括下面二者之一：

对各充电站的访问率λa从大到小排序，取前k个充电站为现网热点充电站；

基于各充电站的访问率λa和位置进行空间聚类，得到k个类，每个类中访问率λa最高的充电站点为现网热点充电站；

其中，k为热点充电站数目。

由上，第一种方案是Top-k方法，主要适用于优化后充电站点比较多的网络；第二种方案是空间聚类方法，主要适用于优化后充电站比较少的网络，保证各主要区域都有充电站进行充电，可基于所优化网络的充电站数目选择合适的热点充电站选择方案。

其中，所述从所述现网热点充电站出发基于各充电站的使用效益分数优化当前充电站网络的步骤包括：

优化开始阶段：获取现网热点充电站作为优化起始站点，插入优化结果集中并作为父级充电站，同时将未被选择的充电站作为每个父级充电站的子级充电站插入候选集；可遍历站点集为现网站点集合减去优化结果集；设置优化收敛目标；

迭代优化阶段：判断优化收敛目标是否达到，如果达到，则返回优化结果集；如果未达到，则持续迭代下面流程，包括：

如果在优化结果集存在溢出充电站点，计算各溢出站点的所有子级站点的使用效益分数，其中所述使用效益分数最大的站点为新选择站点；如果在优化结果集中不存在溢出充电站点时，计算候选集中的各子级站点的使用效益分数，并选择所述使用效益分数最大的站点为新选择站点；其中，所述溢出是指充电站高峰期访问率与平均访问率均超过充电站网络总体平均访问率的第四设定阈值；

所述新选择站点作为父级站点并插入优化结果集中，候选集中不在优化结果集中的其他站点作为所述新选择站点的子级站点加入到候选集中，可遍历站点集减去所述新选择站点；

在所述新选站点的安全距离内的充电站的访问率全部分配给所述新选站点，计算所述新选站点的溢出情况；如果所述新选站点不溢出，则所述安全距离内的未被选择的站点从可遍历站点集中减去；返回迭代优化阶段的开始步骤；其中，所述安全距离为最低荷电水平状态下电动汽车可续驶距离。

由上，所述充电站的网络优化方法基于电动汽车移动行为而从热点充电站出发，基于充电站的所述使用效益分数而扩展选择充电站，基于所选择的充电站是否溢出而删除的冗余站点，从整体上提高了充电站的所述使用效益分数。

可选的，所述优化收敛目标包括下面二者之一:

所述优化结果集中站点数达到最大可选站点数目；

所述可遍历站点集合不为空。

由上，根据实际优化场景选择合适的优化收敛目标，当以控制预算提高充电站的效益为目的，可选择所述优化结果集中站点数达到最大可选站点数目为目标；当以提高对充电汽车的充电服务水平为目的时，可选择所述可遍历站点集合不为空为目标。

优选地，所述使用效益分数计算方法如下：

当父级充电站s_i溢出时，

当父级充电站s_i不溢出时，

其中，U(s_ij)代表父级充电站s_i的第j个子级充电站s_ij的使用效益分数，

规范化子级充电站与父级充电站间的距离，min(S·l)表示充电站网络中两两充电站间距离最小值，s_ij·l代表父级充电站s_i到子级充电站s_ij的距离，V(s_ij)表示子级充电站s_ij的访问率，γ为调优参数。

由上，基于父级充电站的溢出状态选择不同公式计算子级充电使用效益分数，当父级充电站的溢出时，距离近的子级充电站的使用效益分数被指数抬升，当父级充电站的不溢出时，距离远的子级充电站的使用效益分数却被指数抬升，为充电站网络扩展提供了准确的依据。

综上，本发明提供了一种基于现网数据的充电站网络优化方法，利用上下文感知张量协同分解方法融合充电站特征精确估计各充电站的充电花费时间，基于排队论确定各充电站的访问率，最后从热点充电站出发基于各充电站点的使用效益分数优化现网充电站点，删除现网冗余站点，提高了充电站的所述使用率。

本发明第二方面提供了一种基于现网数据的充电站网络优化装置，包括：

充电花费时间计算模块、用于①获取电动汽车的充电事件建立充电花费时间的第一张量；②建立充电站上下文特征矩阵，包括地理特征、交通特征和面积特征；③利用上下文特征感知张量协同分解方法计算充电花费时间的第二张量。

充电站访问率计算模块、用于①基于充电花费时间的第二张量，计算整个网络的充电服务时间；②基于排队论公式利用所述第二张量各单元的充电花费时间和网络的充电服务时间计算第三张量的各单元的访问率；③基于第三张量的各单元的访问率，计算各充电站的访问率。

充电站点网络优化模块、其包括热点充电站点选择子模块和充电站点优化扩展子模块。

热点充电站点选择子模块，用于基于所述各充电站的访问率选择现网热点充电站集合K。所述热点充电站有两种选择方案：基于各站点的访问率的Top-k选择方法和基于各充电站位置和访问率的空间聚类的选择方法。

充电站点优化扩展子模块，用于从所述现网热点充电站出发基于各充电站使用效益分数优化当前充电站点网络，选择最佳充电站点集合，删除冗余站点。有两种优化收敛目标：所述优化结果集中站点数达到最大可选站点数目、所述可遍历站点集合不为空。

上述各模块原理在本发明第一方面提供的一种基于现网数据的充电站网络优化的方法中已经详细描述，在此不在赘述。

作为本发明第三方面提供了一种计算设备，包括：总线；通信接口，其与所述总线连接；至少一个处理器，其与所述总线连接；以及至少一个存储器，其与所述总线连接并存储有程序指令，所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行上述技术方案中任一所述的方法。

作为本发明第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令当被计算机执行时使得所述计算机执行上述技术方案中任一所述的方法。

附图说明

图1为基于现网数据的充电站网络优化流程图；

图2A为充电花费时间第二张量W计算流程图；

图2B为充电事件投影到充电花费时间第一张量W示意图；

图3A为充电站访问率计算流程图；

图3B为排队论计算的访问率与原始数据NDCG性能对比图；

图4A为热点充电站选择流程图；

图4B为电动汽车充电热点和星形移动模式示意图；

图4C为电动汽车充电行为空间分布图；

图5A为优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化流程图；

图5B为热点充电站数目k不同的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后用户覆盖率对比图；

图5C为热点充电站数目k不同的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后溢出率对比图；

图5D为最大可选站点数目p不同的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后用户覆盖率对比图；

图5E为最大可选站点数目p不同的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后溢出率对比图；

图5F为γ＝1时的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后站点布局图；

图5G为γ＝1.03时的优化收敛目标为优化结果集中站点数达到最大可选站点数目的充电站网络优化后站点布局图；

图6A为优化收敛目标为所述可遍历站点集合不为空的充电站网络优化的流程图；

图6B为现网充电站布局图；

图6C为优化收敛目标为所述可遍历站点集合不为空的充电站网络优化后充电站布局图；

图6D为现网优化过程中从父级站点出发选择子站点的顺序示意图(图中序号为充电站编号)；

图7为基于现网数据的充电站网络优化的装置图；

图8为计算设备结构性示意性图。

具体实施方式

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三等”或模块A、模块B、模块C等，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

在以下的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。

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。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明具体实施方式进行进一步详细说明之前，对本发明实施例中涉及的名词和术语，以及其在本发明中相应的用途\作用\功能等进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1、ArcMap：一种GIS功能的桌面组件，具有强大的地图制作，空间分析，空间数据建库等功能。是美国环境系统研究所(Environment System Research Institute，ESRI)开发的GIS系统。ArcMap是一个可用于数据输入、编辑、查询、分析等等功能的应用程序，具有基于地图的所有功能，实现如地图制图、地图编辑、地图分析等功能。ArcMap包含一个复杂的专业制图和编辑系统，它既是一个面向对象的编辑器，又是一个数据表生成器。

2、张量和张量分解：一维数组一般称之为向量(vector),二维数组一般称之为矩阵(matrix)，三维数组以及多位数组则称之为张量(tensor)。本发明使用张量Tucker分解方法来做张量分解，张量Tucker分解方法就是把一个张量近似分解为1个核心子张量和原始张量维度数目个子矩阵，其中，每个子矩阵是原始张量一个维度的特征偏好矩阵。当张量存在稀疏问题时可用张量近似分解产生的核心子张量与多个子矩阵相乘来补充张量一些单元的数据缺失。如果其中一个子矩阵与其他张量或矩阵分解时共享，则称之为张量协同分解。

3、MATLAB：MATLAB是美国MathWorks公司出品的商业数学软件，用于数据分析、无线通信、深度学习、图像处理与计算机视觉、信号处理、量化金融与风险管理、机器人，控制系统等领域。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案。

4、排队论：排队论(queuing theory)，是研究系统随机聚散现象和随机服务系统工作过程的数学理论和方法。其模型用X/Y/Z/A/B/C表示，其中，X为顾客相继到达的间隔时间的分布，一般服从泊松分布，Y为服务时间的分布，包含负指数分布等多种分布，Z为服务台个数，A为系统容量限制(默认为∞)，B为顾客源数目(默认为∞)，C为服务规则(默认为先到先服务FCFS)。一般只用X/Y/Z来表示。

5、牛顿迭代法：通常一元高阶多数方程不存在求根公式，一般使用泰勒级数展开的前几项寻找方程的近似根。牛顿迭代法是利用泰勒级数展开的前2项求方程的近似根，其最大优点是在方程的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根，广泛用于计算机编程求解中。

6、聚类：聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。如果从空间分布上将物理或抽象对象的分成由多个类，一般称之为空间聚类。

7、NDCG：Normalized Discounted Cumulative Gain(归一化折损累计增益)，用作排序结果的评价指标，评价排序的准确性。对不同方法的排序结果评价时一般要先归一化，同时排名靠前位置相对重要，所以根据位置做折损考虑，最后对各个位置的评价值累加，得到归一化折损累计增益，即NDCG。

基于现有技术所存在的缺陷，本发明提供了一种基于现网数据的充电站网络优化方法，利用上下文感知张量协同分解方法融合充电站特征精确估计各充电站的充电花费时间，基于排队论确定各充电站的访问率，基于各充电站的访问率选择热点充电站，最后从热点充电站出发，基于各充电站点的使用效益分数优化现网充电站点，删除现网冗余站点，提高充电站网络整体的使用率。

下面将结合附图，对一种基于现网数据的充电站网络优化方法的实施例和有益效果进行描述。

【一种基于现网数据的充电站网络优化方法的实施例】

本实施例和后面各实施例基于武汉中心区域实施，实施区域占地约290平方千米的区域，包括江岸区、武昌区、硚口区、汉江区，数据如表1所示。

表1.数据集描述

参见图1所示的流程图，一种基于现网数据的充电站网络优化方法实施例包括以下步骤：

步骤110、获取电动汽车的充电事件建立充电花费时间的第一张量W’，W’∈R^h×s×d，h为小时时间维度h，s为充电站纬度，d为天数时间维度；融合充电站特征精确估计充电花费时间的第二张量W，W∈R^h×s×d。

具体实现方法参考【基于电动汽车的充电事件利用上下文特征感知张量协同分解方法确定充电花费时间的第二张量的实施例】。

步骤120、基于所述第二张量W各单元的充电花费时间确定各充电站的访问率λ_a。

具体实现方法参考【基于第二张量各单元的充电花费时间确定各充电站的访问率的实施例】。

步骤130、基于所述各充电站的访问率λ_a选择现网热点充电站，从所述现网热点充电站出发基于各充电站的使用效益分数优化当前充电站点网络。

基于所述各充电站的访问率λ_a选择现网热点充电站的具体实现方法参考【基于各充电站的访问率选择现网热点充电站的实施例】。

从所述现网热点充电站出发基于各充电站的使用效益分数优化当前充电站点网络的具体方法参考【从现网热点充电站出发基于各充电站效益分数优化当前充电站网络的实施例】

【基于电动汽车的充电事件利用上下文感知张量协同分解方法确定充电花费时间的第二张量的实施例】

参见图2，本实施例利用上下文感知张量协同分解方法(Context-Aware TensorCollaborative Decomposition)精确估计第二张量的充电花费时间，包括以下步骤：

步骤210、基于充电事件确定充电花费时间的第一张量W’，W’∈R^h×s×d，h为小时时间维度h，s为充电站纬度，d为天数时间维度。其包括以下子步骤：

步骤2110、收集电动汽车的GPS轨迹数据，提取电动汽车的所有充电事件CE。

本步骤采用的电动汽车移动轨迹空间匹配方法，首先收集大量的电动汽车的GPS轨迹数据，通过ArcMap地理系统工具，恢复电动汽车的空间轨迹，提取电动汽车的所有充电事件，充电事件用三元组表示，形式为CE＝(aT,s,dT)，aT表示电动汽车到达充电站的时间，s表示电动汽车所选择的充电站，dT表示电动汽车充电完成离开充电站的时间。

表2是充电事件示意表。

步骤2120、基于充电事件的到达时间和充电站地址把充电事件投影到所述第一张量对应的单元。

按照步骤2110中所述充电事件CE的到达时间aT和选择的充电站s投影到第一张量W’∈R^h×s×d中，h为小时时间维度h，s为充电站纬度，d为天数时间维度，并统计落在第一张量各个单元中的充电事件数量。图2B是充电事件CE投射示意图。

步骤2130、基于第一张量各个单元中的充电事件数量，确定第一张量各个单元的充电花费时间。

如果所述第一张量W’的一单元内充电事件数量大于等于第一设定阈值，该单元的充电花费时间用该单元各充电事件的平均充电花费时间来表示，其余单元视为数据缺失，这样所述第一张量W’可能很多单元数据是缺失的，是一个稀疏的张量。

如果一单元内只用一个充电事件，其确定该单元的充电花费时间是不够精确的，因为这有可能是一个错误的记录。如果设置一个较高的所述第一设定阈值，可以提高单个单元充电花费时间的质量，但是会导致数据稀疏问题变差。表3给出了不同所述第一设定阈值下张量的稀疏性，本实施例设置第一设定阈值为2，即如果记录单元内包含的充电事件数量小于2的单元视为数据缺失，若单元内充电事件数量大于或等于2，该单元内充电花费时间花费用所有充电事件的平均时间花费表示。

表3.不同第一设定阈值条件下第一张量W的稀疏性

步骤220、基于充电站地理特征、交通特征和面积特征确定充电站的上下文特征矩阵F。所述充电站的上下文感知特征矩阵为

其中，S_i表示第i个充电站，f_G为地理特征，f_T为交通特征，f_A为面积特征，n为充电站数目；所述地理特征建立方法，其包括子步骤：

步骤2210、根据充电站覆盖内的兴趣点(POIs)出现频率及与充电站共置关系确定充电站的地理特征f_G。所述地理特征f_G建立方法，包括：

①获取充电站S_i设定覆盖范围的兴趣点(POIs)，其中，所述兴趣点就是一些生活热点，如交通设施、购物、食品和餐饮、居住社区、教育和艺术、服务区等；所述设定覆盖范围是以充电站为中心以设定第三设定阈值为半径的圆内范围，所述第三设定阈值根据充电站的分布情况设定。

②度量每种类别的POIs与充电站S_i的相关性，度量公式为：

其中，#t_location(C,S)表示C类POIs与充电站S_i共置次数，#C代表C类POIs与充电站非共置的次数；所述共置是POIs出现在充电站安全距离内；所述非共置是POIs出现在充电站安全距离之外所述设定覆盖范围之内；

其中，所述安全距离为电动汽车最低荷电水平S_safe状态下电动汽车可续驶距离为

为保证电动汽车电池的使用寿命，电动汽车在使用过程中不能把电量使用到0，要维持一个最低电量，S_safe是电动汽车电池在使用时的最低荷电水平，u为平均电池使用，单位为％/km。

③选择充电站S_i所述设定覆盖范围内所述共置次数#C排名的在第五设定阈值以内的POIs类别，计算充电站S_i的地理特征，计算公式如下：

f_G(s_i)＝∑_Cf(C,s_i)·F_c (1.4)

其中，f(C,S_i)表示类别C在充电站s_i的所述设定覆盖范围内出现的次数。本实施例第五设定阈值取5。

步骤2220、基于充电站所述设定覆盖范围内各路段的交通流量和所述各路段与充电站距离确定充电站的交通特征f_T，包括：

①获取电动汽车的轨迹数据映射到充电站S_i所述设定覆盖范围内内路段来确定充电站S_i所述设定覆盖范围内各路段的交通流量TF_e。

②度量所述交通流量对充电站的影响度，度量公式如下：

其中，dist(e,s_i)表示所述设定覆盖范围内路段中点e与充电站s_i的距离，TF_e表示所述设定覆盖范围内路段e的交通流量，i＝1,2,…,n。

③基于所述设定覆盖范围内各路段交通流量对充电站的影响度，确定充电站s_i的交通特征f_T，计算公式：

f_T＝∑_eTF(e→s_i) (1.6)

步骤2230、基于人工标记每个充电站的面积作为所述面积特征f_A，充电站的面积一般反应了充电站的充电桩的数目和与之匹配的停车位置等。

充电站的地理特征f_G、交通特征f_T和面积特征f_A构成充电站的上下文感知特征，相同的上下文感知特征的充电站在充电花费时间应该具有相似性。

步骤230、基于充电花费时间的第一张量W’，利用上下文感知张量协同分解方法融合充电站的地理特征，确定充电花费时间的第二张量W。

所述充电站的上下文感知特征矩阵F可以分解为两个低阶矩阵相乘，即：

F＝S×U (1.7)

其中，

其中，S为充电站维度，R为特征维度，本实施例为3，d_s为分解过程的中间维度。

第一张量W’分解核心子张量Z、子矩阵H、子矩阵S和子矩阵D相乘，即：

W’＝Z×_HH×_SS×_DD (1.8)

其中，Z为核心子张量、H为小时维度特征矩阵、S为充电站维度特征矩阵、D为天级维度特征矩，S为W’和F的共享分解矩阵，感知了充电站的特征，并把充电站的特征传递到W’的协同分解中。设计如下的目标函数控制分解误差：

其中，||·||表示L2范数,λ₁和λ₂为在协同分解中控制各部分贡献的参数。

利用Z、H、S、D的乘积反算第二张量W，确定第二张量W中各单元的充电花费时间，因为第二张量融合了充电站的特征，更加准确估计了充电花费时间，解决了第一张量的稀疏性问题。

上面介绍了上下文感知张量协同分解的理论方法，本实施例使用的算法伪代码如下：

本实施例通过MATLAB tensor利用上述算法来实现上下文感知张量协同分解，从而推测第一张量中数据缺失单元的充电花费时间，MATLAB tensor协同分解的参数设置方法为：步长η为

误差阈值ε为0.001，参数λ₁＝λ₂＝0.0001。

为了证明上下文感知张量协同分解算法的有效性，本实施例使用了两个评价标准：均方根误差(RMSE)和平均绝对误差(MAE)。表4给出了不同方法性能的比较结果，本发明将所提出的上下文感知张量协同分解(TD+F)方法与五个基线方法进行比较：1)AWD，用同一天时间戳的平均预期充电花费时间填充张量缺失的单元数据。2)AWH，找到相同的小时时间戳，并用它们的平均预期充电花费时间填充缺失的单元数据。3)AWS，与前两种方法相似，均采用同一充电站内的平均值。4)Kriging插值法，用地理空间附近的非零项插值缺失项的充电时间时间。5)张量分解法(TD)，用普通的张量分解方法填补缺失项。

其中，n为第一张量中单元数；y_i为真实值；

为预测值。

表4.上下文感知张量协同分解方法与其他基线方法的结果比较

Methods	RMSE	MAE
			AWD	7.577	4.487
AWH	6.766	4.024
			AWS	5.650	3.366
Kriging	5.347	5.14
			TD	5.221	5.214
TD+F	3.250	3.243

表4的比较结果表明，本实施例的上下文感知张量协同分解(TD+F)方法误差控制最理想，均优于其他基线方法，包括单纯的张量分解方法(TD)。

【基于第二张量各单元的充电花费时间确定各充电站的访问率的实施例】

参见图3A,本实施例利用排队论确定各充电站的电动汽车的访问率，包括以下步骤：

步骤310、获取充电花费时间的第二张量W,确定充电站网络的充电服务时间

在第二张量W的各单元中充电花费时间W_s包括充电服务时间和等待充电的时间，可以认为较短的充电花费时间W_s中主要是充电服务时间

几乎不包含等待充电的时间，为了准确估计充电服务时间

可以对第二张量W的各单元中充电花费时间W_s进行从小到大排序，取充电花费时间W_s最短的m个平均计算充电站网络的充电服务花费

其中，m为第二设定阈值，本实施例中设定为800个。

步骤320、利用排队论公式计算第三张量A各单元的访问率λ，A∈R^h×s×d，h为小时时间维度，s为充电站纬度，d为天数时间维度。

为第三张量A中每个单元内的充电站单独建立一个队列系统，电动汽车进入充电站进行充电过程符合M/M/c排队论模型，第一个M表示电动汽车一定时间内到达充电站充电过程满足泊松分布；第二个M表示各个充电桩的服务时间服从负指数分布；c代表充电站内充电桩的数量。M/M/c排队论公式如下：

其中，W_s为充电花费时间，其含等待时间，

为充电服务时间，其不含等待时间，λ代表队列的平均访问率，在这里为第三张量A中每个单元的访问率，c为充电桩数目。公式中W_s、μ和c为已知，代入公式后可得到一个一元高阶的方程，可计算出第三张量A各单元内的访问率λ。一元高阶方程一般不存在公式解法，可以使用泰勒级数展开法求解近似根，本实施例利用其中的牛顿迭代法求解。

步骤320、基于第三张量A各单元内的访问率λ计算各充电站的平均访问率λ_a，即取第三张量A各单元内的电动汽车的访问率λ，然后按照充电站维度汇聚求各充电站维度访问率的平均值λ_a，其对应矩阵V，矩阵V为一维列矩阵。

为了更好地评价排队系统的性能，本发明收集武汉中心区域的30个充电站的实际访问率。然后，分别根据实际访问率和本实例的推断值对这些充电站进行排序，并使用NDCG(归一化折现累积增益)测量两个位置的接近程度。图3B展示了NDCG评估方法的性能，NDCG越高，排名性能越好，本实施例提出基于队列系统方法优于仅使用电动出租车原始轨迹数据的方法。

【基于所述各充电站的访问率选择现网热点充电站的实施例】

参见图4A,本实施例于所述各充电站的访问率选择现网热点充电站，包括以下步骤：

步骤410、获取各充电站电动汽车的所述访问率λ_a。

步骤420、基于各充电站电动汽车的所述访问率λ_a选择热点充电站。

电动汽车充电行为特征是空间充电热点和星形移动模式，电动汽车充电热点由大量的充电事件聚集而成，访问率越高的充电站越有可能成为充电热点，电动汽车在充电站完成充电后，会从相同的起点出发，到达不同的目的地，呈现出星形移动模式，如图4B所示。所以说在后续的网络优化中热点充电站点作为初始化位置，对优化的结果有很大的影响，热点充电站点选择成为充电站网络优化的关键措施之一。

本实施例给出了两种可用的热点充电站点选择方法：

步骤4210、TOP-k法：对各充电站电动汽车的访问率λ_a从大到小排序，取前TOP-k充电站为热点充电站，对应集合K，一般TOP-k数目为前20％的充电站数量。

该方法的本质是要包含这类热点充电站以覆盖更多的用户，确保算法不会遗漏任何具有高效益的充电站。然而，大多数访问率排名靠前的站点，可能在空间分布上非常接近，这就有可能会导致一些重要区域的充电站被遗漏，尤其是在网络优化时可选充电站数目相对较小的时候。

步骤4220、空间聚类法：基于各充电站的访问率和站址对充电站进行空间聚类，分为k类，取每一类中的访问率最高的站点为热点充电站，组成热点充电站集合K，其中，k为前20％的充电站数量。空间聚类的热点充电站的选择方法来自于对电动汽车充电行为辐射热图的观察，如图4C所示，每个热点区域中心都是电动汽车充电的一个汇聚中心。

与TOP-k方法相比，空间聚类的方法为在后续的网络优化中包含更多空间多样性的起始站点，保证在可选充电站数量较少的情况下各类区域的不会遗漏。主要原因是经过空间聚类步骤后，起始站点已不再只是单纯的高使用效益的充电站了。

以下为两种热点充电站选择方法选择的热点充电站示例。两种方法都选择了25个充电站，其中16个充电站是相同的。

基于TOP-k方法选择的热点充电站为(9，67，138，78，47，35，133，58，103，32，66，121，16，98，10，33，141，6，155，134，65，128，18，110，52)。

基于空间聚类方法选择的热点充电站为(9，67，138，78，47，35，133，58，103，32，16，141，128，18，110，52，12，116，77，84，140，107，104，82，90)。

本实施例利用ArcMap的热图功能形成各充电站的访问率热图，再利用ArcMap的层次聚类功能实现空间聚类方法，根据输入类数，确定输出聚类的类数。

【从现网热点充电站出发基于各充电站效益分数优化当前充电站网络的实施例】

在介绍本实施例以前，先介绍与本实施例用到的几个重要概念。

1、溢出：给定一个电动汽车充电站集合S＝{s1,s2,....,sn}，每个充电站s_i对象由一个三元组(x,y,z)构成，其中，s_i.x表示充电站s_i的经度，s_i.y表示充电站s_i纬度，s_i.z表示充电站的溢出状态。充电站溢出是指充电站高峰期访问量与平均访问量均超过充电站总体平均访问量75％的情况，即本实施例的第四设定阈值取75％。若充电站溢出，溢出状态用1表示，否则用0表示。

2、父级充电站和子级充电站：在本发明中，充电站主要分为两个层次：父级充电站和子级充电站。在网络优化开始阶段，所有的热点充电站都为父级充电站，其他每个充电站都为每个父级充电站的子级充电站；在子级充电站中，通过充电站间两两比较，定义使用效益分数较大的为父级充电站，较小的为子级充电站。一个父级充电站可以有多个子级充电站，同样的，一个子级充电站也可属于多个父级充电站，它们之间的关系是多对多的关系。

3、充电站的使用效益分数：其方法如下：

其中，γ＞1，U(s_ij)代表父级充电站s_i的第j个子级充电站s_ij的使用效益分数，

规范化子级充电站与父级充电站间的距离(min(S·l)表示充电站网络中两两充电站间距离最小值，保证其值不小于1)，s_ij·l代表父级充电站s_i到子级充电站s_ij的距离。V(s_ij)表示子级充电站s_ij的访问率。γ为调优参数，设置父级充电站与子级充电站的距离偏好，本实施例中它的默认值为1.03。

本发明采用规范化距离的指数函数设计分数函数，当γ＞1且父级充电站有溢出现象时，算法优先解决父级充电站的溢出问题，即算法尽量保留溢出的父级充电站附近的子级充电站，将其扩展到优化网络中，缓解溢出充电站本地的充电压力，提高充电站的利用率和充电站服务水平。所以，在溢出的父级充电站的所述安全距离D_rm范围内且距离其越近的子级充电站比该范围外的子级充电站更容易获得更高的分数，此时

式子取负号。当γ＞1且父级充电站中无溢出现象，此时最好网络优化策略是覆盖更多的用户和更长的连续用户旅行路线。因此，在父级充电站所述安全距离D_rm范围外的子级充电站更容易获得更高的分数，此时

式子取正号。因为，此时父级充电站已足以满足本地的电动汽车充电需求，所以应该保留那些离父级充电站较远且较受欢迎的子级充电站扩展网络。

本实施例从所述现网热点充电站出发基于各充电站效益分数优化当前充电站点网络，提出两种优化收敛目标方案：①优化结果集中站点数达到最大可选站点数目；②可遍历站点集合不为空。

【网络优化收敛目标为优化结果集中站点数达到最大可选站点数目的网络优化方案】

网络优化收敛目标为优化结果集中站点数达到最大可选站点数目的网络优化方案的输入为：充电站全集S、热点充电站集合K、充电站访问率矩阵V、最大可选站点数p和调控参数γ，

其输出为：优化结果集S’和冗余站点集I，

参见附图5A，其包括步骤：

步骤5010、将热点充电站集合K站点插入到优化结果集S’中，并作为父级充电站，站点全集S中不在S’中的站点作为热点充电站中每个站点的子级充电站插入到候选集C。

步骤5020、最大可选站点数p减去热点充电站数k，临时集C’置空，冗余集I置空。

步骤5030、判断最大可选站点数p是否为0，即是否达到收敛目标，如果达到收敛目标，则进入步骤5100；如果未达到收敛目标，则进入步骤5040。

步骤5040、判断优化结果集S’中是否有站点溢出，如果有溢出则进入步骤5051；没有溢出则进入步骤5052。

步骤5051、优化结果集S’中每个溢出站点的子级站点放入临时集C’，计算所有溢出站点在临时集C’中每个子级站点的使用效益分数，其中使用效益分数最大的子级站点Snext插入到优化结果集S’中。

步骤5052、计算优化结果集S’中每个父级站点在候选集C中每个子级站点的使用效益分数，其中使用效益分数最大的子级站点Snext插入到优化结果集S’中。

步骤5060、最大可选站点数p减1，临时集C’置空,候选集C中不在优化结果集中的其他站点作为Snext的子级站点插入到集合C中。

步骤5070、Snext在本身的访问率基础上，吸收所述安全距离D_rm内的子级充电站点的访问率，重新计算Snext的溢出情况。

步骤5080、判断Snext是否溢出，如果溢出则回到步骤5030，进入下一次迭代优化；如果不溢出则进入步骤5090。

步骤5090、Snext所述安全距离D_rm内的子级充电站插入冗余集I中，返回步骤5030。

步骤5100、(站点全集S-优化结果集S’)插入冗余集I，输出优化结果集S’和冗余集I。

网络优化收敛目标为优化结果集中站点数达到最大可选站点数目的网络优化方案的算法伪代码为：

为了评价从热点充电站出发的网络优化算法的有效性，本实施例研究了不同的因素对优化结果的影响，包括不同数量的热点充电站数目k，不同的最大可选站点数目p和不同γ值。除非明确说明，以下实验中使用的默认参数为p＝100，k＝25，γ＝1.03。为了比较求解算法的优劣，本发明还采用了遗传算法(GA)来求解最优问题。

不同优化参数对优化系统的影响：

①不同热点充电站数k的影响：本实施例将k值分别设置为{5，10，15，20，25}来观察起始站点个数不同对充电站网络优化的影响。图5B为本发明在武汉市中心区域充电站网络上进行不同k值的优化，采用基于Top-k方法和空间聚类法所得到的用户覆盖率对比图。从图5B可知，两种不同的热点充电站点选择方法在5≤K≤10时，用户覆盖率相同。原因是在这个范围内两种方法的起始站点是相同的。然而，在大多数情况Top-k方法具有更高的用户覆盖率，同时具有最低的充电站溢出率，如图5C所示。有趣的是，当5≤K≤20时，两种初始化方法溢出率基本保持一致，但top-k方法具有更高的用户覆盖率，高达约3％。

②不同的最大可选充电站数目p的影响：图5D和图5E分别展示了Top-k方法、空间聚类法和GA在不同最大可选充电站数p(50-110)条件下用户覆盖率和溢出率的对比图。可以发现在用户覆盖率和降低溢出率方面，本实施例采用的方法(Top-k，聚类法)均优于GA。同时从图中可以观察到：1)Top-k热点充电站点选择方法在p越大时表现出的性能越好。2)当p较小时，聚类法优于Top-k方法。这是因为，当充电站数量较少时，最好的策略是确保中心区域的一些主要区域的用户都有相应的充电站进行充电。3)从图5E中可以看出Top-k方法在

范围内，溢出率保持不变，然而用户覆盖率持续上升。这是因为在溢出率保持不变的情况下，为了继续优化充电站网络，只能通过扩展访问率较高的充电站来提高用户覆盖率和覆盖更多的用户路线。

③不同γ值的影响：图5F和5G为不同γ值条件下的优化结果。其中，圆点表示起始的热点充电站点，五角星为除热点充电站外优化方案选择的站点。当γ＝1时，表示不考虑所有充电站的溢出，优化方案总是向访问比较频繁的充电站扩展。当γ＞1时，若充电站发生溢出，算法则优先扩展溢出站点附近的使用效益分数高的充电站，以缓解本地充电站的充电压力。

【网络优化收敛目标为可遍历站点集合不为空的优化方案】

网络优化收敛目标为可遍历站点集合不为空的优化方案的输入为：充电站全集S、热点充电站集合K、充电站访问率矩阵V和调控参数γ，

其输出为：优化结果集S’和冗余站点集I，

参见附图6A，其包括步骤：

步骤6010、将热点充电站集合K站点插入到优化结果集S’中并作为父级充电站，站点全集S中不在S’中的站点作为每个热点充电站的子级充电站插入到候选集C。

步骤6020、站点全集S-结果S’为待遍历集P,临时集C’置空，冗余集I置空。

步骤6030、判断待遍历集P站点数目是否为0，即是否达到收敛目标，如果达到收敛目标，则进入步骤6100；如果未达到收敛目标，则进入步骤6040。

步骤6040、判断优化结果集S’中是否有站点溢出，如果有溢出则进入步骤6051；没有溢出则进入步骤6052。

步骤6051、优化结果集S’中所有溢出站点的子级站点放入临时集C’，计算每个溢出站点在临时C’中每个子站点的使用效益分数，其中使用效益分数最大的子级站点Snext插入到优化结果集S’中。

步骤6052、计算优化结果集S’中每个父级站点在候选集C中每个子站点的使用效益分数，其中使用效益分数最大的子级站点Snext插入到优化结果集S’中。

步骤6060、待遍历集P删除Snext,临时集C’置空,候选集C中不在优化结果集S’中的其他充电站点作为Snext的子站点插入到候选集C中。

步骤6070、Snext在本身的访问率基础上，吸收安全距离内的子级充电站的访问率，重新计算Snext的溢出情况。

步骤6080、判断Snext是否溢出，如果溢出则回到步骤6030，进入下一次迭代优化；如果不溢出则进入步骤6090。

步骤6090、Snext安全距离内的子级充电站插入冗余集I中，并从待遍历集合P删除这些站点，返回到步骤6030。

步骤6100、输出优化结果集S’和冗余集I。

网络优化收敛目标为可遍历站点集合不为空的优化方案的算法伪代码为：

本实施例最终使用了Top-k方法选择热点充电站点和网络优化收敛目标为可遍历站点集合不为空的优化方案，实施从所述现网热点充电站出发基于各充电站使用效益分数的现网充电站点的优化。充电站的使用效益调控参数γ＝1.03，优化后得到了武汉中心区域的最佳充电站优化结果，优化后站点数目为143，充电站平均利用率约为68.76％，充电站点网络布局如图6C所示。图6B为原始充电站网络共有156个充电站，充电站平均利用率约为61.04％，原网有32个溢出充电站，如图6B中的正方形所示。

充电站的平均利用率是衡量整个充电站网络日使用情况的直观指标。充电站平均利用率计算公式如下：

其中，CT(s_j)表示网络中充电站s_j一天内的总充电时长，Num(S)为网络中充电站的数量。

表5.优化结果

如表5所示，优化后的充电站网络利用率比原始网络高约7.72％，用户覆盖率高达97.63％。与原网络相比，优化网络中溢出站点数量减少了21个。但是，在整体充电桩短缺的情况下，只能通过在该区域内增加新站地来缓解本地的充电压力，如在图6C的C区、D区、E区、G区和F区未来新部署的充电站点的后续地点。

图6C的正方形标记的充电站为冗余充电站，在网络优化过程中将这些充电站从网络中移除，减少资源的浪费，从而提高充电站的利用率。

图6D为优化过程中从父级站点出发选择子站点的顺序图，每个分枝的顶部为热点充电站，从热点充电出发逐渐扩展周边站点。

综上，本发明提供的一种基于现网数据的充电站网络优化实施例，所述现网数据包括电动汽车的充电行为数据、充电站特征数据和电动汽车移动行为数据。本实施例基于电动汽车的充电行为构造充电花费时间的第一张量，融合充电站特征利用上下文感知张量协同分解法精确估计了第二张量各单元的充电花费时间，基于排队论推出各充电站的访问率，基于各充电站的访问率选出热点充电站点，基于电动汽车移动行为从热点充电站点出发利用各充电站的使用效益分数优化扩展当前充电站网络，并运用在武汉主城区的充电站网络优化中，优化后用户覆盖率高达97.63％，充电站网络利用率比原始网络提高7.72％，溢出站点数量减少了21个。本实施例所述现网数据包括电动汽车的充电行为数据、充电站特征数据和电动汽车移动行为数据。

【一种基于现网数据的充电站网络优化装置】

本发明还提供了一种基于现网数据的充电站网络优化装置，下面结合图7详细介绍，其包括：

充电花费时间计算模块710、用于①获取电动汽车的充电事件建立充电花费时间的第一张量W’；②建立充电站上下文特征矩阵F，包括地理特征、交通特征和面积特征；③利用上下文特征感知张量协同分解方法计算充电花费时间的第二张量W。

充电站访问率计算模块720、用于①基于充电花费时间的第二张量W，计算整个网络的充电服务时间；②基于排队论公式利用所述第二张量W各单元的充电花费时间和网络的充电服务时间计算第三张量A的各单元的访问率λ；③基于第三张量A的各单元的访问率λ，计算各充电站的访问率λ_a对应的矩阵V。

充电站点网络优化模块730、其包括热点充电站点选择模块7310和充电站点优化扩展模块7320。

热点充电站点选择模块7310，用于基于所述各充电站的访问率λ_a选择现网热点充电站集合K。所述热点充电站有两种选择方案：基于各站点的访问率λ_a的Top-k选择方法和基于各充电站位置和访问率λ_a的空间聚类的选择方法。

充电站点优化扩展模块7320，用于从所述现网热点充电站出发基于各充电站使用效益分数优化当前充电站点网络，选择最佳充电站点集合，删除冗余站点。有两种优化收敛目标：基于最大可选站点数目收敛方法和基于遍历现网所有充电站点的收敛方法。

【计算设备】

本发明还提供的一种计算设备，下面图8详细介绍。

该计算设备800包括：处理器810、存储器820、通信接口830、总线840。

应理解，该图所示的计算设备800中的通信接口830可以用于与其他设备之间进行通信。

其中，该处理器810可以与存储器820连接。该存储器820可以用于存储该程序代码和数据。因此，该存储器820可以是处理器810内部的存储单元，也可以是与处理器810独立的外部存储单元，还可以是包括处理器810内部的存储单元和与处理器810独立的外部存储单元的部件。

可选的，计算设备00还可以包括总线840。其中，存储器820、通信接口830可以通过总线840与处理器810连接。总线840可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。所述总线840可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。

应理解，在本发明实施例中，该处理器810可以采用中央处理单元(centralprocessing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器810采用一个或多个集成电路，用于执行相关程序，以实现本发明实施例所提供的技术方案。

该存储器820可以包括只读存储器和随机存取存储器，并向处理器810提供指令和数据。处理器810的一部分还可以包括非易失性随机存取存储器。例如，处理器810还可以存储设备类型的信息。

在计算设备800运行时，所述处理器810执行所述存储器820中的计算机执行指令执行上述方法的操作步骤。

应理解，根据本发明实施例的计算设备800可以对应于执行根据本发明各实施例的方法中的相应主体，并且计算设备800中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程，为了简洁，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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，的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行一种多样化问题生成方法，该方法包括上述各个实施例所描述的方案中的至少之一。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中，承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，均属于本发明保护范畴。

Claims (10)

1.一种基于现网数据的充电站网络优化方法，其特征在于，包括步骤：

获取电动汽车的充电事件建立充电花费时间的第一张量，基于所述第一张量融合各充电站的特征得到充电花费时间的第二张量；

基于所述第二张量各单元的充电花费时间确定各充电站的访问率；

基于所述各充电站的访问率选择现网热点充电站，从所述现网热点充电站出发基于各充电站效益分数优化当前充电站点网络。

2.根据权利要求1所述的方法，其特征在于，所述获取电动汽车的充电事件建立充电花费时间的第一张量，包括步骤：

从电动汽车充电数据提取所有的充电事件，统计第一张量中各单元充电事件数量；其中，所述第一张量有小时、充电站和天三个维度；

对所述充电事件数量大于等于第一设定阈值的单元，取所述单元内充电事件持续时间平均值表示该单元的充电花费时间，单元内充电事件少于所述第一设定阈值的视为数据缺失单元。

3.根据权利要求2所述的方法，其特征在于，基于所述第一张量融合各充电站的特征得到充电花费时间的第二张量，包括步骤：

获取充电站的上下文感知特征矩阵，其中，上下文感知特征矩阵有充电站和特征两个维度；

利用上下文感知张量协同分解方法，把上下文感知特征矩阵和第一张量基于充电站维度协同分解；第一张量分解为核心子张量Z、包含时间维度的子矩阵H、包含充电站维度的子矩阵S和包含天维度的子矩阵D，其中，子矩阵S为上下文感知特征矩阵和第一张量的共享子矩阵；

利用Z、H、S和D乘积反算第二张量，确定第二张量中各单元的充电花费时间，其中，所述第二张量有小时、充电站和天三个维度。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第二张量各单元内的充电花费时间确定各充电站点的访问率的步骤，包括：

第二张量中各单元的充电花费时间W_s从小到大排序，排名在第二设定阈值之内的所述第二张量中各单元的充电花费时间W_s的平均值确定充电站网络的充电服务时间

利用排队论公式

代入第二张量中各单元的充电花费时间W_s、充电站网络的充电服务时间

和相应单元对应的充电站的充电桩数目c，计算第三张量中各单元内充电站的访问率λ，其中，所述第三张量有小时、充电站和天三个维度；

基于所述第三张量各单元充电站的访问率λ计算各充电站平均的访问率λa。

5.根据权利要求4所述的方法，其特征在于，所述基于所述各充电站点的访问率选择现网热点充电站的步骤，包括下面二者之一：

对各充电站的访问率λa从大到小排序，取前k个充电站为现网热点充电站；

基于各充电站的访问率λa和位置进行空间聚类，得到k个类，每个类中访问率λa最高的充电站点为现网热点充电站；

其中，k为热点充电站数目。

6.根据权利要求5所述的方法，其特征在于，所述从所述现网热点充电站出发基于各充电站的使用效益分数优化当前充电站网络的步骤包括：

优化开始阶段：获取现网热点充电站作为优化起始站点，插入优化结果集中并作为父级充电站，同时将未被选择的充电站作为每个父级充电站的子级充电站插入候选集；可遍历站点集为现网站点集合减去优化结果集；设置优化收敛目标；

迭代优化阶段：判断优化收敛目标是否达到，如果达到，则返回优化结果集；如果未达到，则迭代下面流程，包括：

如果在优化结果集中存在溢出充电站点，计算各溢出站点的所有子级站点的使用效益分数，其中所述使用效益分数最大的站点为新选择站点；如果在优化结果集中不存在溢出充电站点时，计算候选集中的各子级站点的使用效益分数，其中所述使用效益分数最大的站点为新选择站点；其中，所述溢出是指充电站高峰期访问率与平均访问率均超过充电站网络总体平均访问率的第四设定阈值；

所述新选择站点作为父级站点并插入优化结果集中，候选集中的不在优化结果集中的站点作为所述新选择站点的子级站点加入到候选集中，可遍历站点集减去所述新选择站点；

在所述新选站点的安全距离内的充电站的访问率全部分配给所述新选择站点，计算所述新选择站点的溢出情况；如果所述新选择站点不溢出，则所述安全距离内的未被选择的站点从可遍历站点集中减去；返回迭代优化阶段的开始步骤；其中，所述安全距离为最低荷电水平状态下电动汽车可续驶距离。

7.根据权利要求6所述的方法，其特征在于，所述使用效益分数计算方法包括：

当父级充电站s_i溢出时，

当父级充电站s_i不溢出时，

其中，U(s_ij)代表父级充电站s_i的第j个子级充电站s_ij的使用效益分数，min(S·l)表示充电站网络中两两充电站间距离最小值，s_ij·l代表父级充电站s_i到子级充电站s_ij的距离，V(s_ij)表示子级充电站s_ij的访问率，γ为调优参数。

8.根据权利要求6所述的方法，其特征在于，所述收敛目标包括下面二者之一:

所述优化结果集中的站点数达到最大可选站点数目；

所述可遍历站点集合不为空。

9.根据权利要求6所述的方法，其特征在于，所述充电站的上下文感知特征矩阵每一行包含至少下面三个元素之一：地理特征，交通特征和面积特征。

10.根据权利要求9所述的方法，其特征在于，

所述地理特征建立步骤包括：

获取在一充电站设定覆盖范围内各类兴趣点(POIs)的出现次数、所述安全距离内出现次数和所述设定覆盖内安全距离之外出现的次数；其中，所述设定覆盖范围是以充电站为中心以第三设定阈值为半径的圆内范围；

一类别兴趣点在该充电站所述安全距离内出现次数除以该类别兴趣点在该充电站所述设定覆盖内安全距离之外出现的次数的商为该类别兴趣点与该充电站的相关性；

基于各类别兴趣点在该充电站的所述安全距离内的出现次数从大到小排序，选择排名在第五设定阈值之内的兴趣点类别，所述排名在第五设定阈值之内的各类别兴趣点的所述设定覆盖范围内的出现次数基于所述排名在第五设定阈值之内的各类别兴趣点与该充电站的相关性的加权求和确定为该充电站的地理特征；

和/或所述交通特征建立步骤包括：

基于电动汽车的轨迹数据确定一充电站所述设定覆盖范围内各路段的交通流量；

基于该充电站到在所述设定覆盖范围内各路段的中点的长度确定该充电站到各路段的距离；

该充电站所述设定覆盖范围内各路段的交通流量基于该充电站到各路段的距离的倒数的加权平均值确定为所述交通站的交通特征；

和/或所述面积特征建立步骤包括：基于人工标记每个充电站的面积作为所述面积特征。

Images