论文部分内容阅读
摘 要：随着电动汽车的普遍应用，充电站的需求也不断增加。如何能够使充电站得到高效的应用是目前新能源汽车行业的难题。传统的车流统计系统统计车流走向数据不精确，因此无法得出有效的充电站布局。本文结合大数据环境，采用经过数据处理得到的最优拟合函数来得出准确的车流走向，从而对汽车充电站的布局做出优化设计。
一、前言
随着新能源的不断开发以及国家对新能源汽车的大力扶持，我国的新能源汽车得到了前所未有的蓬勃发展。新能源汽车的优点有很多：充电开车、环保不用油、加速快、噪音小。基于以上优点，越来越多的人选择了新能源汽车，我国的新能源汽车的生产量。目前我们所开发的新能源汽车，其主要动力源有两种，分别为铅酸电池和锂电池。但是在当前的大环境下，由于必要条件的限制，充电难、充电桩少而且难找成为限制新能源汽车的主要问题。因此如何有效的为其充电续航成为新能源产业的一大难题。汽车一天的主要位置有3个：出发点、目的地以及路上，其中，出发点和目的地应该是车辆的聚集地，因此在聚集地设置充电桩可以有效的提高充电桩的利用效率，文章利用大数据技术对车流量进行有效分析从而对充电站进行布局优化，使其获得最大的利用效率。
二、基于大数据的电动汽车充电站的布局优化
1、问题描述
在当前飞速发展的新能源汽车领域，合理的充电站的布局既要满足充电用户的需求，同时又要满足国家电网的盈利要求，充电站的选址直接影响着充电站的服务效果。因此如何通过分析真实的车载流而得到有效的充电站布局是解决以上问题的唯一途径。本文所讨论的问题都必须满足以下约束。
充电桩约束：每个充电站内配置的充电桩的数量必须有限。
车流总量约束：进入每个充电站进行充电的车流总量必须有限。
充电站总数约束：在某一区域内的总的充电站总数必须有限。
2、布局优化模型
文章借助大数据背景，对检测到的实际车流数据进行分析，从而实现电动汽车充电站的布局优化研究，主要步骤如下：
1）定义样本集 ，假设样本总数为n，那么样本集元素表示为 ，样本集中的最大值和最小值分别表示为 ， min=min（ ），样本 均值为 ，得出样本的标准差为公式（1）：
（1）
2）借助回归模型对实际的车流数量以及最值进行拟合操作，进而与车流特征的概率分别进行拟合。再以卡方检验实现曲线拟合、分布拟合检验操作。
3）曲线拟合检验设置为：设置样本空间r组相互独立的空间构成用 表示，其中第 组实测数据用 表示，设置理论样本空间由r 组相互独立的空间构成用 表示，其中第 组理论数据用 表示。则曲线拟合的卡方检验描述为：
（2）
4）利用上面得到的 结果，结合自由度 若得出 ，则 说明真实数据近似理论数据，证明曲线拟合准确度高;若得出 ，则 说明真实数据偏离理论数据，证明曲线拟合准确度低，若出现此情况，则应采取措施对拟合曲线进行优化。
5）通过分布拟合由度检验核心内容：假设用 来表示样本空间，其有r组样本数据构成，其中设置 为第 组数据实际出现的次数。设置数据位于第i组的概率为 ， ，设置 ，获取的卡方结果用公式（3）描述：
（3）
其中 为车流量的真实数据，车流量理论出现的次数用 、 来表示，N表示样本总数。
由公式（3）可以得出，影響 排列的唯一元素为自由度R，R表示为公式（4）。
（4）
S为理论数据的估计值，当s=1时说明存在泊松分布，当s=2时说明存在正态分布，r表示样本的分组数量。
最终判断 是否成立，如果满足条件，说明假设成立。
通过以上方法得出实际车流量的最优拟合曲线，车流量的具体聚集特征可以通过拟合分布函数进行获取，通过对实时数据的分析得出实际车载流的特征，从而可以有效的对充电站进行布局设计，使得每一个充电站都能够得到最大的使用效率。
三、实验分析
为验证本文模型在实际应用中的优势性，对成都市的绕城高速锦城湖的交通流数据进行分析，该数据数据量大，内容丰富，可以充分验证系统的可行性。实验主要从精确度和效率两方面进行测试验证。
从表1可以得出，本系统所分析出的车载流信息与实际车载流基本吻合，说明本系统的精确度良好。
通过分析出的车载流数据信息进行充电站的选址并设计不同的充电站布局，对比优化的充电站布局与原始充电站布局效率如图2所示。
由图1可以看出，优化的布局效率明显高于原始布局，因此，通过本系统的数据分析而确定的充电站布局大大提高了其利用效率。
四、结论
文章基于对实际车载流数据进行分析，分析的结果能够准确高效的反映出真实的车载流信息。我们通过该信息的提示设计出优化的电动汽车充电站布局，该优化布局不仅能够更加高效的服务于电动汽车用户，同时也最大程度的降低了安装维护成本。
参考文献
[1] 基于区块链的电动汽车充电站充电权交易：机制、模型和方法[J].王浩然，陈思捷，严正，平健.中国电机工程学报.2020（02）
[2] 未来城市共享电动汽车发展模式[J].杨军，林洋佳，陈杰军，李逸欣，詹祥澎.电力建设.2019（04）
[3] 全球电动汽车发展现状及未来趋势[J].罗艳托，汤湘华.国际石油经济.2018（07）
[4] NIO高性能技术在Java网络通信中的应用研究[J].张健立.山东工业技术.2016（11）
[5] 电动汽车参与电力市场的商业运营模式研究[J].刘敦楠，王梅宝，李根柱，张涛，卢永平，陈永权.全球能源互联网.2019（05）
[6] 充电桩共享服务平台技术架构设计[J].史宏杰，朱永亮.时代汽车.2019（01）
一、前言
随着新能源的不断开发以及国家对新能源汽车的大力扶持，我国的新能源汽车得到了前所未有的蓬勃发展。新能源汽车的优点有很多：充电开车、环保不用油、加速快、噪音小。基于以上优点，越来越多的人选择了新能源汽车，我国的新能源汽车的生产量。目前我们所开发的新能源汽车，其主要动力源有两种，分别为铅酸电池和锂电池。但是在当前的大环境下，由于必要条件的限制，充电难、充电桩少而且难找成为限制新能源汽车的主要问题。因此如何有效的为其充电续航成为新能源产业的一大难题。汽车一天的主要位置有3个：出发点、目的地以及路上，其中，出发点和目的地应该是车辆的聚集地，因此在聚集地设置充电桩可以有效的提高充电桩的利用效率，文章利用大数据技术对车流量进行有效分析从而对充电站进行布局优化，使其获得最大的利用效率。
二、基于大数据的电动汽车充电站的布局优化
1、问题描述
在当前飞速发展的新能源汽车领域，合理的充电站的布局既要满足充电用户的需求，同时又要满足国家电网的盈利要求，充电站的选址直接影响着充电站的服务效果。因此如何通过分析真实的车载流而得到有效的充电站布局是解决以上问题的唯一途径。本文所讨论的问题都必须满足以下约束。
充电桩约束：每个充电站内配置的充电桩的数量必须有限。
车流总量约束：进入每个充电站进行充电的车流总量必须有限。
充电站总数约束：在某一区域内的总的充电站总数必须有限。
2、布局优化模型
文章借助大数据背景，对检测到的实际车流数据进行分析，从而实现电动汽车充电站的布局优化研究，主要步骤如下：
1）定义样本集 ，假设样本总数为n，那么样本集元素表示为 ，样本集中的最大值和最小值分别表示为 ， min=min（ ），样本 均值为 ，得出样本的标准差为公式（1）：
（1）
2）借助回归模型对实际的车流数量以及最值进行拟合操作，进而与车流特征的概率分别进行拟合。再以卡方检验实现曲线拟合、分布拟合检验操作。
3）曲线拟合检验设置为：设置样本空间r组相互独立的空间构成用 表示，其中第 组实测数据用 表示，设置理论样本空间由r 组相互独立的空间构成用 表示，其中第 组理论数据用 表示。则曲线拟合的卡方检验描述为：
（2）
4）利用上面得到的 结果，结合自由度 若得出 ，则 说明真实数据近似理论数据，证明曲线拟合准确度高;若得出 ，则 说明真实数据偏离理论数据，证明曲线拟合准确度低，若出现此情况，则应采取措施对拟合曲线进行优化。
5）通过分布拟合由度检验核心内容：假设用 来表示样本空间，其有r组样本数据构成，其中设置 为第 组数据实际出现的次数。设置数据位于第i组的概率为 ， ，设置 ，获取的卡方结果用公式（3）描述：
（3）
其中 为车流量的真实数据，车流量理论出现的次数用 、 来表示，N表示样本总数。
由公式（3）可以得出，影響 排列的唯一元素为自由度R，R表示为公式（4）。
（4）
S为理论数据的估计值，当s=1时说明存在泊松分布，当s=2时说明存在正态分布，r表示样本的分组数量。
最终判断 是否成立，如果满足条件，说明假设成立。
通过以上方法得出实际车流量的最优拟合曲线，车流量的具体聚集特征可以通过拟合分布函数进行获取，通过对实时数据的分析得出实际车载流的特征，从而可以有效的对充电站进行布局设计，使得每一个充电站都能够得到最大的使用效率。
三、实验分析
为验证本文模型在实际应用中的优势性，对成都市的绕城高速锦城湖的交通流数据进行分析，该数据数据量大，内容丰富，可以充分验证系统的可行性。实验主要从精确度和效率两方面进行测试验证。
从表1可以得出，本系统所分析出的车载流信息与实际车载流基本吻合，说明本系统的精确度良好。
通过分析出的车载流数据信息进行充电站的选址并设计不同的充电站布局，对比优化的充电站布局与原始充电站布局效率如图2所示。
由图1可以看出，优化的布局效率明显高于原始布局，因此，通过本系统的数据分析而确定的充电站布局大大提高了其利用效率。
四、结论
文章基于对实际车载流数据进行分析，分析的结果能够准确高效的反映出真实的车载流信息。我们通过该信息的提示设计出优化的电动汽车充电站布局，该优化布局不仅能够更加高效的服务于电动汽车用户，同时也最大程度的降低了安装维护成本。
参考文献
[1] 基于区块链的电动汽车充电站充电权交易：机制、模型和方法[J].王浩然，陈思捷，严正，平健.中国电机工程学报.2020（02）
[2] 未来城市共享电动汽车发展模式[J].杨军，林洋佳，陈杰军，李逸欣，詹祥澎.电力建设.2019（04）
[3] 全球电动汽车发展现状及未来趋势[J].罗艳托，汤湘华.国际石油经济.2018（07）
[4] NIO高性能技术在Java网络通信中的应用研究[J].张健立.山东工业技术.2016（11）
[5] 电动汽车参与电力市场的商业运营模式研究[J].刘敦楠，王梅宝，李根柱，张涛，卢永平，陈永权.全球能源互联网.2019（05）
[6] 充电桩共享服务平台技术架构设计[J].史宏杰，朱永亮.时代汽车.2019（01）