一种基于POI信息的电动汽车充电站负荷特性聚类建模方法

摘要

本发明公开一种基于POI信息的电动汽车充电站负荷特性聚类建模方法，包括如下步骤：遍历POI数据，统计出POI数据的所有类型，再对POI数据进行二次分类；计及POI信息点所对应实体建筑的占地面积及单个实体建筑内存在的多类别POI信息点混合重叠问题，对原始数据进行预处理；考虑不同电动汽车充电站的充电桩功率差异以及其周围一定范围内的POI信息点分布差异，对多个电动汽车充电站进行聚类；针对工作日、节假日在内的不同典型日类型，结合电动汽车到站时间、充电功率、停留时长及充电电量等历史数据，拟合出聚类完成后各类型电动汽车充电站的日负荷曲线、到站时间分布曲线、电量差额分布曲线及V2G参与潜力分布曲线等负荷特性模型。

说明书

技术领域

本发明属于电力系统稳态分析领域，具体涉及一种基于POI信息的电动汽车充电站负荷特性聚类建模方法。

背景技术

近年来随着能源危机以及低碳经济的迅速发展，电动汽车作为新能源战略和智能电网的重要组成部分，已经成为汽车产业和能源产业发展的重点。而电动汽车充电站作为电动汽车产业重要的一环，其数量和规模自然得到了迅速的增加与扩大。然而，由于当前接入电网的电动汽车充电负荷具有一定的随机性和波动性，大规模电动汽车接入配电网势必会影响配电网的安全可靠运行，带来一定的安全隐患。对电动汽车充电站的负荷特性进行建模分析，可以有效挖掘出电动汽车充电负荷的变化规律，是解决大规模电动汽车接入配电网造成的安全隐患问题的有效方法。

POI(“Point of Interest”的缩写，中文可以翻译为“兴趣点”，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等)信息数据可以准确有效反映出其对应实体建筑的地域特性，基于一片区域的POI信息数据可以深度挖掘出其地域特性与空间特征。而电动汽车充电站周围空间特征的不同直接影响了其主要充电车辆类型、日负荷峰谷时间等负荷特性，计及这一影响因素已经成为电动汽车充电站负荷建模及电动汽车充放电行为分析过程中不可缺少的一环。

针对上述提出的问题，现设计一种基于POI信息的电动汽车充电站负荷特性聚类建模方法。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于POI信息的电动汽车充电站负荷特性聚类建模方法，计及电动汽车充电站周围POI信息数据差异，先对多个电动汽车充电站进行聚类处理，再基于聚类结果对各典型电动汽车充电站进行负荷特性建模，从而得到更加符合实际情况、更准确有效的电动汽车充电站负荷特性。

本发明的目的可以通过以下技术方案实现：

一种基于POI信息的电动汽车充电站负荷特性聚类建模方法，包括如下步骤：

S1、遍历POI数据，统计出POI数据的所有小类类型，再根据各小类类型之间的相关性，对POI数据进行二次分类，得到至少一个POI数据大类类型，大类类型下包含至少一种小类类型；

S2、针对单个实体建筑内存在的多类别POI信息点混合重叠问题，遍历该实体建筑内的POI信息点数据，分类出隶属于S1中POI数据各大类类型的POI信息点，并计算得到该实体建筑的POI数据各大类类型权重占比；

S3、计及电动汽车充电站周围所有包含POI信息点的实体建筑及其占地面积，再基于S2中得到的实体建筑POI数据各大类类型权重占比，统计计算出电动汽车充电站周围POI数据大类类型的面积权重分布；

S4、根据不同电动汽车充电站的充电桩功率差异，将电动汽车充电站分类为快充站、慢充站及混合站三种类型，并依据S3所得到的各电动汽车充电站周围POI数据大类类型的面积权重分布，对三种类型下的电动汽车充电站进行聚类计算，得到聚类结果；

S5、基于电动汽车到站时间、充电功率、停留时长及充电电量等历史数据，并针对工作日、节假日在内的不同典型日类型，拟合出由S4得到的三种类型电动汽车充电站聚类结果所对应的日负荷曲线、到站时间分布曲线、电量差额分布曲线及V2G参与潜力分布曲线等负荷特性模型。

进一步的，所述S2中权重占比计算公式为：

公式①中，N为POI数据大类类型个数；l

进一步的，所述S3中，电动汽车充电站周围取以电动汽车充电站为中心且半径为W米的圆，POI数据大类类型的面积权重分布数据计算公式如下：

公式②中，N为POI数据大类类型个数；M为电动汽车充电站周围所有包含POI信息点的实体建筑个数；A为电动汽车充电站周围一定范围的总面积；A

进一步的，所述S4中聚类处理流程，包括如下步骤：

S4.1、针对快充站、慢充站及混合站中任一类型的电动汽车充电站，该类型下的电动汽车充电站数目记为U，基于S3得到的该U个电动汽车充电站周围POI数据大类类型的面积权重分布数据，从中任取k个电动汽车充电站周围POI数据大类类型的面积权重分布数据作为初始聚类中心，每个聚类中心作为一种典型类别的电动汽车充电站，k的值依次取1，2，3…C，C不超过2/3*U；

S4.2、计算U个电动汽车充电站周围POI数据大类类型的面积权重分布数据到k个初始聚类中心的欧式距离，并将U个电动汽车充电站分别划分到距离它最近的那个聚类中心类别下；

其中欧式距离的计算公式如下：

公式③中，U为快充站、慢充站及混合站任一类型下电动汽车充电站数目；k为聚类中心个数；N为POI数据大类类型个数，即输入数据维度；x

S4.3、重新计算k个类别的聚类中心作为下一次迭代的聚类中心，不断重复这个过程，直到各聚类中心不再变化时或者迭代达到规定的最大迭代次数时终止；

其中聚类中心的计算公式如下：

公式④中，μ

S4.4、计算不同k值作为聚类中心个数的电动汽车充电站聚类误差，取最小聚类误差所对应的聚类中心个数k作为最优聚类中心个数，并由此迭代计算出聚类结果，聚类误差选用最小平方误差：

公式⑤中，k为聚类中心个数，C

进一步的，所述S5中日负荷曲线-详细准确反映出电动汽车充电站一天内的负荷变化，根据实际时间间隔获得电动汽车充电站负荷数据，负荷计算公式如下：

公式⑥中，E为电动汽车的充电电量，P为电动汽车的充电功率，t为电动汽车的充电时间，L为单个电动汽车日负荷数据，C为电力负荷，T为电动汽车到站时间，M为一天内到达电动汽车充电站的电动汽车总数目，Z为所取连续三个月内典型日总数目，L'为电动汽车充电站一天内的负荷数据；

基于所得到电动汽车充电站一天内的负荷数据，拟合出电动汽车充电站的日负荷曲线。

进一步的，所述S5中到站时间分布曲线-遍历连续三个月内电动汽车充电站的电动汽车到站时间数据，以1小时为间隔，统计计算出0～24小时各时段电动汽车到站的概率，拟合出电动汽车充电站的到站时间分布曲线。

进一步的，所述S5中电量差额分布曲线-遍历连续三个月内电动汽车充电站的电动汽车充电电量数据，统计计算出到站电动汽车的电量差额分布于各功率区间的概率，拟合出电动汽车充电站的电量差额分布曲线。

进一步的，所述S5中V2G参与潜力分布曲线-遍历连续三个月内电动汽车充电站的电动汽车停留时长、充电电量及充电功率数据，根据公式⑥计算出各电动汽车充电时长数据，再统计计算出连续三个月内到站电动汽车停留时长与充电时长差额分布于各时间段区间的概率，拟合出电动汽车充电站的V2G参与潜力分布曲线。

本发明的有益效果：

1、本发明提出的基于POI信息的电动汽车充电站负荷特性聚类建模方法，充分考虑了地域位置信息对电动汽车充电站负荷特性的影响，创新性的引入了POI信息数据作为电动汽车充电站聚类的依据。聚类处理过程中采用了一种迭代更新的思想，大幅减少了聚类误差，再针对工作日、节假日在内的不同典型日类型，结合电动汽车到站时间、充电功率、停留时长及充电电量等历史数据，深度挖掘出聚类完成后各类型电动汽车充电站的日负荷曲线、到站时间分布曲线、电量差额分布曲线及V2G参与潜力分布曲线等负荷特性，更加贴合实际情况，为配电网的安全可靠运行提供了准确有效的依据。

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，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的附图。

图1是本发明实施例的整体整体方法流程图；

图2是本发明实施例的聚类方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种基于POI信息的电动汽车充电站负荷特性聚类建模方法，包括如下步骤：

S1、遍历POI数据，统计出POI数据的所有小类类型，再根据各小类类型之间的相关性，对POI数据进行二次分类，得到至少一个POI数据大类类型，大类类型下包含至少一种小类类型；

本实施例中依据A地的POI数据，最终分类得到19个大类，二次分类结果如表1所示：

表1-POI数据分类

S2、针对单个实体建筑内存在的多类别POI信息点混合重叠问题，遍历该实体建筑内的POI信息点数据，分类出隶属于S1中POI数据各大类类型的POI信息点，并计算得到该实体建筑的POI数据各大类类型权重占比；

本实施例中首先统计以电动汽车充电站为中心且半径为500m的圆内所有包含POI信息点的实体建筑及其占地面积，对每一个实体建筑统计计算出其POI数据19个大类类型权重占比(不存在的大类类型的权重占比记为0)，权重占比计算公式为：

公式①中，N为POI数据大类类型个数；l

S3、计及电动汽车充电站周围所有包含POI信息点的实体建筑及其占地面积，再基于S2中得到的实体建筑POI数据各大类类型权重占比，统计计算出电动汽车充电站周围POI数据大类类型的面积权重分布；

本实施例中基于S2中统计得到的电动汽车充电站周围方圆500m内所有包含POI信息点的实体建筑及其占地面积，并结合各实体建筑的POI数据19个大类类型权重占比，计算得出电动汽车充电站方圆500m内POI数据19个大类类型的面积权重分布数据，面积权重分布数据计算公式如下：

公式②中，N为POI数据大类类型个数；M为电动汽车充电站周围所有包含POI信息点的实体建筑个数；A为电动汽车充电站周围一定范围的总面积；A

S4、根据不同电动汽车充电站的充电桩功率差异，将电动汽车充电站分类为快充站、慢充站及混合站三种类型，并依据S3所得到的各电动汽车充电站周围POI数据大类类型的面积权重分布，对三种类型下的电动汽车充电站进行聚类计算，得到聚类结果；

本实施例中快充站的充电功率包括：42kw、60kw和120kw，慢充站的充电功率包括：3.5kw和7kw，混合站的充电功率包括：3.5kw、7kw、42kw、60kw和120kw。依据S3中所得到各充电站19个大类类型的面积权重分布数据，基于K-Means(一种迭代求解的聚类分析算法)聚类算法对三种类型下的电动汽车充电站进行聚类处理，聚类流程如附图2所示，具体包括如下步骤：

S4.1、针对快充站、慢充站及混合站中任一类型的电动汽车充电站，该类型下的电动汽车充电站数目记为U，基于S3得到的该U个电动汽车充电站周围POI数据大类类型的面积权重分布数据，从中任取k(k为正整数)个电动汽车充电站周围POI数据大类类型的面积权重分布数据作为初始聚类中心，每个聚类中心作为一种典型类别的电动汽车充电站，其中，k的值依次取1，2，3…C进行计算，C的值不超过2/3*U；

S4.2、计算U个电动汽车充电站周围POI数据大类类型的面积权重分布数据到k个初始聚类中心的欧式距离，并将U个电动汽车充电站分别划分到距离它最近的那个聚类中心类别下；

其中欧式距离的计算公式如下：

公式③中，U为快充站、慢充站及混合站任一类型下电动汽车充电站数目；k为聚类中心个数；N为POI数据大类类型个数，即输入数据维度(且排列顺序随机)；x

S4.3、重新计算k个类别的聚类中心作为下一次迭代的聚类中心，不断重复这个过程，直到各聚类中心不再变化时或者迭代达到规定的最大迭代次数时终止；

其中聚类中心的计算公式如下：

公式④中，μ

S4.4、计算不同k值作为聚类中心个数的电动汽车充电站聚类误差，取最小聚类误差所对应的聚类中心个数k作为最优聚类中心个数，并由此迭代计算出聚类结果，聚类误差选用最小平方误差：

公式⑤中，k为聚类中心个数，C

本实施例中最终得到的聚类结果及聚类中心详细数据如表2、表3所示。

表2-聚类结果

表3-聚类中心详细数据

S5、基于电动汽车到站时间、充电功率、停留时长及充电电量等历史数据，并针对工作日、节假日在内的不同典型日类型，拟合出由S4得到的三种类型电动汽车充电站聚类结果所对应的日负荷曲线、到站时间分布曲线、电量差额分布曲线及V2G(Vehicle-to-grid(车辆到电网)的缩写，V2G描述了电动汽车与电网的关系，当电动汽车不使用时，车载电池的电能销售给电网的系统，如果车载电池需要充电，电流则由电网流向车辆)参与潜力分布曲线等负荷特性模型。

本实施例中基于S4得到的聚类结果，拟合出11个类型电动汽车充电站的日负荷曲线、到站时间分布曲线、电量差额分布曲线及V2G参与潜力分布曲线等负荷特性模型。

日负荷曲线-为了详细准确反映出电动汽车充电站一天内的负荷变化，本实施例采取了以1分钟为间隔(24小时)共1440个点的电动汽车充电站负荷数据，负荷计算公式如下：

公式⑥中，E为电动汽车的充电电量，P为电动汽车的充电功率，t为电动汽车的充电时间(分钟，取整)，L为单个电动汽车日负荷数据(取连续24小时，以1分钟为间隔共1440个点)，C为电力负荷(初始值取0)，T为电动汽车到站时间(转换为一天内1440点中相对应点)，M为一天内到达电动汽车充电站的电动汽车总数目，Z为所取连续三个月内典型日总数目，L'为电动汽车充电站一天内(共1440个点)的负荷数据。

最后，基于所得到电动汽车充电站一天内1440个点的负荷数据，拟合出电动汽车充电站的日负荷曲线；

到站时间分布曲线-遍历连续三个月内电动汽车充电站的电动汽车到站时间数据，统计计算出0～24小时各时段(1小时为间隔)电动汽车到站的概率，拟合出电动汽车充电站的到站时间分布曲线；

电量差额分布曲线-遍历连续三个月内电动汽车充电站的电动汽车充电电量数据，统计计算出到站电动汽车的电量差额分布于0～20KW、21～40KW、41～60KW、61～80KW及81～100KW等区间的概率，拟合出电动汽车充电站的电量差额分布曲线；

V2G参与潜力分布曲线-遍历连续三个月内电动汽车充电站的电动汽车停留时长、充电电量及充电功率数据，根据公式⑥计算出各电动汽车充电时长数据，再统计计算出连续三个月内到站电动汽车停留时长与充电时长差额分布于15～60分钟、61～360分钟、361～720分钟、721～1080分钟、1080～1440分钟、1440分钟以上等区间的概率，拟合出电动汽车充电站的V2G参与潜力分布曲线。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。