电动汽车充电站选址定容方法、装置、设备、介质及产品与流程

1.本技术涉及充电站规划技术领域，特别是涉及一种电动汽车充电站选址定容方法、装置、设备、介质及产品。


背景技术：

2.随着我国双碳目标的提出，电动汽车凭借其充电成本费用低、污染物排放量低及年综合维护成本低，越来越受到人们的倾赖，而且对于电力系统而言，众多的电动汽车相当于一个可调节式的有功电源，可以在系统负荷高峰时刻作为有功负载，在电动汽车充电站集中吸收系统内多余的有功功率，也可以在系统处在低谷时刻作为可移动式有功电源，在电动汽车充电桩集中释放有功功率，为系统提供更多的有功功率。
3.随着近年来随着电动汽车数量的大量投入发展，电动汽车充电站成为了配电网的重要组成部分。目前，关于电容汽车充电站选址定容的方法，多采用当前的交通流量数据，较不符合未来的实际情况且适用范围窄。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够承接未来交通流量且适应范围广的电动汽车充电站选址定容方法、装置、设备、介质及产品。
5.第一方面，本技术提供了一种电动汽车充电站选址定容方法。该方法包括：
6.获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息；
7.根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量；
8.将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
9.在其中一个实施例中，结合多组交通时序数据，预测目标时刻的交通空间分布，包括：
10.针对每组交通时序数据，根据预设的交通流量预测模型，预测每组交通时序数据对应的目标时刻的候选交通空间分布；
11.结合各候选交通空间分布，预测目标时刻的交通空间分布。
12.在其中一个实施例中，结合各候选交通空间分布，预测目标时刻的交通空间分布，包括：
13.对每个候选交通空间分布进行权重系数分配；
14.利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布。
15.在其中一个实施例中，针对每个初始位置，基于多组交通时序数据和初始位置，确
定初始位置对应的初始容量，包括：
16.针对每个交通区域，从各候选交通空间分布中选取交通流量信息的最大值，作为交通区域对应的最大交通流量信息；
17.通过各交通区域的位置信息和最大交通流量信息，得到最大交通空间分布；
18.通过最大交通空间分布和初始位置，确定初始位置对应的初始容量。
19.在其中一个实施例中，根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，包括：
20.基于目标时刻下各交通区域的位置信息和交通流量信息，采用预设的充电站数量对各交通区域进行聚类，得到充电站数量对应的交通区域类簇；
21.针对每个交通区域类簇，确定交通区域类簇对应的聚类中心，并以聚类中心对应的位置信息作为充电站的初始位置。
22.在其中一个实施例中，该方法还包括：
23.在配电网未满足运行约束条件的情况下，增加预设的充电站数量；
24.采用增加后充电站数量，重新对各交通区域进行聚类以更新充电站的初始位置和初始容量，并将更新后的初始位置和初始容量对应的各充电站接入配电网；
25.重复增加充电站数量和更新初始位置及初始容量，直至配电网满足运行约束条件。
26.第二方面，本技术还提供了一种电动汽车充电站选址定容装置。该装置包括：
27.结合预测模块，用于获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息；
28.初始选址定容模块，用于根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量；
29.目标选址定容模块，用于将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
30.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
31.获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息；
32.根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量；
33.将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
34.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
35.获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标
时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息；
36.根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量；
37.将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
38.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
39.获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息；
40.根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量；
41.将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
42.上述电动汽车充电站选址定容方法、装置、设备、介质及产品，获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息，根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量，将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。本技术采用不同时间粒度下的多组交通时序数据来预测目标时刻的交通空间分布，再通过该交通空间分布得到选址定容方案，可以更好地考虑未来交通流量的变化趋势和周期性，获得更为准确和细致的结果，从而更好地为选址定容方案提供参考。例如，如果只使用单一时间粒度的时序数据，可能无法准确反映出交通流量的波动和变化规律，可能会导致选址定容方案偏向某些时段或某些时间粒度下的交通信息，而忽略其他时段或其他时间粒度下的特点，从而导致方案的不全面性和失偏性。而使用不同时间粒度下的交通时序数据，则可以充分利用不同时间尺度下的交通信息，增加数据的多样性和覆盖率，更全面地反映交通状态和需求，提高预测准确性和方案实际效果，增加选址定容方案的可靠性、实用性和适用范围。
43.此外，本技术通过在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量，充分考虑电动汽车充电站接入配电网后，对配电网的调节能力，综合考虑电动汽车充电站接入后对原有配电网电压偏移、潮流分布及区域电网负荷调节速率的影响，能够突出电动汽车充电站对区域负荷调节能力的作用，提高区域电网运行稳定性。
附图说明
44.图1为一个实施例中电动汽车充电站选址定容方法的应用环境图；
45.图2为一个实施例中电动汽车充电站选址定容方法的流程示意图；
46.图3为另一个实施例中电动汽车充电站选址定容方法的流程示意图；
47.图4为一个实施例中电动汽车充电站选址定容装置的结构框图；
48.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.本技术实施例提供的电动汽车充电站选址定容方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102可以用于获取交通数据、充电站数据和配电网数据等，服务器104可以接收来自终端102的交通数据、充电站数据和配电网数据等，并分析处理以对电动汽车充电站进行选址定容。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
51.在一个实施例中，如图2所示，提供了一种电动汽车充电站选址定容方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
52.步骤202，获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布。
53.其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息。
54.例如，交通空间分布可以表示为h＝{h1,h2,...,hi,...,hn}，其中，hi＝(xi,yi,zi)可以表示第i个交通区域的交通流量单元，xi可以表示第i个交通区域几何中心的横坐标，yi可以表示第i个交通区域几何中心的纵坐标，zi可以表示第i个交通区域的几何中心的交通特征。其中，zi的计算公式可以表示为：
[0055][0056]
式中，mi为hi周围的路口节点个数，o
il
为第i个交通区域的交通流量单元hi周围第k个路口节点的典型出行日平均车流量，r
ik
为hi的第k个用地类型的面积，u
ik
为hi的第k个用地类型的停车场基础权重。
[0057]
本技术实施例首先获取不同时间粒度下的多组交通时序数据，时间粒度可以为半小时、一小时、一天或一周等。
[0058]
例如，以半小时为时间粒度，交通时序数据可以包括0.5h、1h、1.5h、2h
…
等各个时刻以及每个时刻对应的交通空间分布。
[0059]
又例如，以一小时为时间粒度，交通时序数据可以包括1h、2h、3h、4h
…
等各个时刻以及每个时刻对应的交通空间分布。
[0060]
本技术实施例利用不同时间粒度下的多组交通时序数据来预测目标时刻的交通
空间分布，目标时刻可以为未来的任一时刻，预定时段为相对于目标时刻的历史时段，且预定时段和目标时刻在时序上连续，其中，不同时间粒度下交通空间分布对应的预定时段可以相同，或者，不同时间粒度下交通空间分布对应的预定时段也可以不同。
[0061]
例如，目标时刻可以为t时刻，第一组交通时序数据的时间粒度可以为半小时，将半小时记作lc，第一组交通时序时序数据的预定时段可以为目标时刻的历史2小时时间段，即第一组交通时序数据可以表示为{h
t-lc
,h
t-2lc
,h
t-3lc
,h
t-4lc
}，其中，h
t-lc
用于表征t-lc时刻以及t-lc时刻的交通空间分布。
[0062]
又例如，目标时刻可以为t时刻，第二组交通时序数据的时间粒度可以为24小时，即一天，将一天记作l
p
，第二组交通时序时序数据的预定时段可以为目标时刻的历史2天时间段，即第二组交通时序数据可以表示为{h
t-lp
,h
t-2lp
}，其中，h
t-lp
表示t-l
p
时刻以及t-l
p
时刻的交通空间分布。
[0063]
再例如，目标时刻可以为t时刻，第三组交通时序数据的时间粒度可以为7*24小时，即一周，将一周记作l
t
，第三组交通时序数据的预定时段可以为目标时刻的历史一周时间段，即第三组交通时序数据可以表示为{h
t-lt
}，其中，h
t-lt
表示t-l
t
时刻以及t-l
t
时刻的交通空间分布。
[0064]
在时序预测中，时间步长是指用于预测下一时间步长的输入变量的数目，可以理解地，上述示例中，时间粒度为半小时的对应的时间步长为4，时间粒度为一天的对应的时间步长为2，时间粒度为一周的对应的时间步长为1。
[0065]
在本技术实施例中，可以通过交通流量预测模型得到目标时刻的交通空间分布，交通流量预测模型可以是预先训练好的模型，其可以包括多组交通时序数据和目标时刻的交通空间分布的映射关系。
[0066]
例如，交通流量预测模型可以为以时空网络(convolutional neural networks-long short-term memory，cnn-lstm)为基础结构的模型。
[0067]
需要说明的是，预测目标时刻的多组交通时序数据中可能包括相较于当前时刻的未来时刻的交通空间分布数据，该交通空间分布数据可以采用本技术实施例提供的交通流量预测模型进行预测，在此不再赘述。
[0068]
步骤204，根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量。
[0069]
示例性地，本技术实施例可以对目标时刻的交通空间分布中各交通区域进行聚类，即在目标时刻的交通空间分布h＝{h1,h2,...,hi,...,hn}中，以第i个交通区域的交通流量单元hi＝(xi,yi,zi)作为样本单元i，根据各样本单元之间的差异度，将所有样本单元聚类，形成至少一个类簇，每个类簇聚类中心对应的位置信息可以作为一个充电站的初始位置。
[0070]
例如，设定样本单元i到同类簇所有其他样本单元的平均距离ai为类内差异度，样本单元i到其他类簇cj中所有样本的平均距离b
ij
为样本单元i与类簇cj的差异度，从样本单元i与所有其他类簇的差异度中选取最小值bi：
[0071]bi
＝min{b
i1
,b
i2
,...,b
ik
}；
[0072]
定义样本单元i的轮廓系数si为：
[0073]
si＝(b
i-ai)/max{ai,bi}；
[0074]
其中，si接近1说明样本单元i聚类合理；si接近-1说明样本单元i更应分至其他类；si接近0说明样本单元i介于两类之间。
[0075]
为更加精确地对目标时刻的交通空间分布中各交通区域进行聚类，得到更为合理的聚类结果，本技术实施例在得到根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置之前，还可以利用激活函数对目标时刻的交通空间分布进行处理。
[0076]
例如，将预测的目标时刻的交通空间分布作为输入变量输入tanh激活函数，利用tanh激活函数将目标时刻的交通空间分布数据映射至一定的范围，从而更新目标时刻的交通空间分布。
[0077][0078]
其中，表示更新后的目标时刻的交通空间分布，yr表示预测的目标时刻的交通空间分布。
[0079]
本技术实施例在确定各充电站的初始位置之后，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量。
[0080]
例如，可以获取目标时刻交通网络中电动汽车总用电需求，基于多组交通时序数据得到的目标时刻的交通空间分布和各充电站的初始位置，确定初始位置的交通特征，结合每个初始位置的交通特征，分配电动汽车总用电需求，得到各充电站的初始容量。
[0081]
又例如，本技术实施例还可以根据聚类结果，确定各初始位置对应的充电站所服务的交通区域，从而针对每个初始位置对应的充电站，通过其服务的所有交通区域，确定该充电站的电动汽车充电需求，以初步确定各电动汽车充电站的初始容量。
[0082]
此外，各充电站的安装容量需保证不超过最大额定容量，即：
[0083][0084]
其中，p
pv,i
为配电网内不同位置电动汽车充电站的安装容量，为配电网内不同位置电动汽车充电站所允许安装的最大额定容量。
[0085]
步骤206，将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
[0086]
当前电动汽车充电站选址技术多侧重经济效益、便利程度等，本技术实施例充分考虑电动汽车充电站接入配电网后，对配电网的调节能力，综合考虑电动汽车充电站接入后对原有配电网电压偏移、潮流分布及区域电网负荷调节速率的影响，能够突出电动汽车充电站对区域负荷调节能力的作用，提高区域电网运行稳定性。
[0087]
例如，配电网的运行约束条件可以包括潮流约束，将初始位置和初始容量对应的各充电站接入配电网后，考虑配电网和电动汽车充电站潮流的约束条件：
[0088][0089]
其中，p
p,i,t
为t时刻主网功率，p
pv,i,t
为t时刻电动汽车充电站发出功率，p
load,i,t
为
t时刻负荷所需功率，p
l,i,t
为t时刻网络损耗功率。
[0090]
又例如，配电网的运行约束条件可以包括电压约束，将初始位置和初始容量对应的各充电站接入配电网后，考虑电动汽车充电站并网的配电网内节点电压的约束条件：
[0091][0092]
其中，和为配电网内节点电压的最大值与最小值，ui为配电网内任一节点电压的数值。
[0093]
再例如，配电网的运行约束条件可以包括负荷约束，将初始位置和初始容量对应的各充电站接入配电网后，考虑电动汽车充电站并网的配电网所提供的净负荷曲线上升和下降速率能够满足主网的净负荷曲线上升和下降速率的约束条件：
[0094][0095][0096]
其中，s'
up
、s'
down
为主网的净负荷曲线上升和下降速率，s
up
、s
down
为电动汽车充电站并网的配电网的净负荷曲线上升和下降速率，s
dpv1
、s
dpv2
为电动汽车充电站能够提供的净负荷曲线上升和下降速率。
[0097]
在本技术实施例中，将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量，目标位置和目标容量用于表征各电动汽车充电站最终选址定容的方案。
[0098]
上述电动汽车充电站选址定容方法中，获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息，根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量，将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。本技术实施例采用不同时间粒度下的多组交通时序数据来预测目标时刻的交通空间分布，再通过该交通空间分布得到选址定容方案，可以更好地考虑未来交通流量的变化趋势和周期性，获得更为准确和细致的结果，从而更好地为选址定容方案提供参考。例如，如果只使用单一时间粒度的时序数据，可能无法准确反映出交通流量的波动和变化规律，可能会导致选址定容方案偏向某些时段或某些时间粒度下的交通信息，而忽略其他时段或其他时间粒度下的特点，从而导致方案的不全面性和失偏性。而使用不同时间粒度下的交通时序数据，则可以充分利用不同时间尺度下的交通信息，增加数据的多样性和覆盖率，更全面地反映交通状态和需求，提高预测准确性和方案实际效果，增加选址定容方案的可靠性、实用性和适用范围。
[0099]
此外，本技术实施例通过在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量，充分考虑电动汽车充电站接入配电网后，对配电网的调节能力，综合考虑电动汽车充电站接入后对原有配电网电压偏移、潮流分布及区域电
网负荷调节速率的影响，能够突出电动汽车充电站对区域负荷调节能力的作用，提高区域电网运行稳定性。
[0100]
在一个实施例中，结合多组交通时序数据，预测目标时刻的交通空间分布，包括：
[0101]
步骤a1，针对每组交通时序数据，根据预设的交通流量预测模型，预测每组交通时序数据对应的目标时刻的候选交通空间分布。
[0102]
本技术实施例对于不同时间粒度下的多组交通时序数据，分别预测每组交通时序数据对应的目标时刻的候选交通空间分布。
[0103]
例如，预设的交通流量预测模型可以为多维度的预测模型，即一个时间粒度下的一组交通时序数据作为一个维度的输入，通过预设的交通流量预测模型得到每个维度对应的输出结果。以步骤202中第一组交通时序数据、第二组交通时序数据、第三组交通时序数据为例，将第一组交通时序数据、第二组交通时序数据、第三组交通时序数据作为三个维度的数据输入预设的交通流量预测模型中，得到每组交通时序数据对应的目标时刻的候选交通空间分布。
[0104]
又例如，预设的交通流量预测模型可以包括多种，不同的时间粒度可以对应一个交通流量预测模型，将每组交通时序数据输入其对应的交通流量预测模型中，得到每组交通时序数据对应的目标时刻的候选交通空间分布。以步骤202中第一组交通时序数据、第二组交通时序数据、第三组交通时序数据为例，第一组交通时序数据对应有预设的第一交通流量预测模型，将第一组交通时序数据输入第一交通流量预测模型，得到第一组交通时序数据对应的第一候选交通空间分布；第二组交通时序数据对应有预设的第二交通流量预测模型，将第二组交通时序数据输入第二交通流量预测模型，得到第二组交通时序数据对应的第二候选交通空间分布；第三组交通时序数据对应有预设的第三交通流量预测模型，将第三组交通时序数据输入第三交通流量预测模型，得到第三组交通时序数据对应的第三候选交通空间分布。
[0105]
步骤a2，结合各候选交通空间分布，预测目标时刻的交通空间分布。
[0106]
本技术实施例结合不同的时间粒度下预测的目标时刻的候选交通空间分布，预测目标时刻的交通空间分布。
[0107]
在一种实现方式中，为考虑未来电动汽车数量激增后的交通流量分布情况，本技术实施例可以针对每个交通区域，从各候选交通空间分布中选取交通流量信息的最大值，作为交通区域对应的最大交通流量信息，通过各交通区域的位置信息和最大交通流量信息，得到目标时刻的交通空间分布。
[0108]
例如，对于某个交通区域，在第一组交通时序数据对应的第一候选交通空间分布中，该交通区域的交通特征值相较于其他组的候选交通空间分布最大，则目标时刻的交通空间分布中，该交通区域的交通特征值取第一候选交通空间分布对应的交通特征值；对于另一个交通区域，在第二组交通时序数据对应的第二候选交通空间分布中，该交通区域的交通特征值相较于其他组的候选交通空间分布最大，则目标时刻的交通空间分布中，另一个交通区域的交通特征值取第二候选交通空间分布对应的交通特征值。
[0109]
本实施例针对每组交通时序数据，根据预设的交通流量预测模型，预测每组交通时序数据对应的目标时刻的候选交通空间分布，结合各候选交通空间分布，预测目标时刻的交通空间分布，能够结合不同时间粒度下交通流量的变化规律和实际考虑情况，综合确
定目标时刻的交通空间分布。
[0110]
在一个实施例中，结合各候选交通空间分布，预测目标时刻的交通空间分布，包括：
[0111]
步骤b1，对每个候选交通空间分布进行权重系数分配。
[0112]
步骤b2，利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布。
[0113]
以步骤202中第一组交通时序数据、第二组交通时序数据、第三组交通时序数据为例，利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布，可以采用以下公式表示：
[0114]
yr＝wc×
yc+w
p
×yp
+wq×yq
；
[0115]
其中，yc为第一候选交通空间分布，wc为第一候选交通空间分布分配的权重系数，y
p
为第二候选交通空间分布，w
p
为第二候选交通空间分布分配的权重系数，yq为第三候选交通空间分布，wq为第三候选交通空间分布分配的权重系数。
[0116]
本实施例通过对每个候选交通空间分布进行权重系数分配，利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布，能够将不同时间粒度下交通时序数据预测的候选交通空间分布进行融合学习，得到目标时刻的交通空间分布。
[0117]
在一个实施例中，针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量，包括：
[0118]
步骤c1，针对每个交通区域，从各候选交通空间分布中选取交通流量信息的最大值，作为交通区域对应的最大交通流量信息。
[0119]
步骤c2，通过各交通区域的位置信息和最大交通流量信息，得到最大交通空间分布。
[0120]
步骤c3，通过最大交通空间分布和初始位置，确定初始位置对应的初始容量。
[0121]
其中，本技术实施例确定最大交通空间分布的过程，与步骤a2中通过各交通区域的位置信息和最大交通流量信息，得到目标时刻的交通空间分布的过程相似，本技术实施例在此不再赘述。
[0122]
需要说明的是，本技术实施例并不限定预测目标时刻的交通空间分布的过程，例如，目标时刻的交通空间分布可以将多组交通时序数据输入交通流量预测模型中直接得到，或者，目标时刻的交通空间分布也可以通过确定各候选交通空间分布，并对各候选交通空间分布加权求和得到。
[0123]
本技术实施例在预测目标时刻的交通空间分布，并确定各充电站的初始位置之后，可以通过确定多组交通时序数据对应的各候选交通空间分布，从各候选交通空间分布中选取各交通区域交通特征数据的最大值，得到最大交通空间分布。
[0124]
获得最大交通空间分布之后，将最大交通空间分布中各交通区域对应的样本单元分配至差异度最小的初始位置对应的充电站，得到各充电站所服务的交通区域，从而确定各充电站的初始容量。
[0125]
本实施例通过针对每个交通区域，从各候选交通空间分布中选取交通流量信息的最大值，作为交通区域对应的最大交通流量信息，通过各交通区域的位置信息和最大交通
流量信息，得到最大交通空间分布，通过最大交通空间分布和初始位置，确定初始位置对应的初始容量，能够未来电动汽车数量激增后的交通流量分布情况。
[0126]
在一个实施例中，根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，包括：
[0127]
步骤d1，基于目标时刻下各交通区域的位置信息和交通流量信息，采用预设的充电站数量对各交通区域进行聚类，得到充电站数量对应的交通区域类簇。
[0128]
步骤d2，针对每个交通区域类簇，确定交通区域类簇对应的聚类中心，并以聚类中心对应的位置信息作为充电站的初始位置。
[0129]
示例性地，本技术实施例首先预设电动汽车充电站数量，并初始化各充电站的位置信息和交通特征作为初始聚类中心，分别获取目标时刻的交通空间分布中各样本单元与所有初始聚类中心的差异度，其中，可以将样本单元和聚类中心映射至三维空间点，差异度可以采用三维空间点之间的距离表示；按照最接近原则，将各样本单元分配至最接近的初始聚类中心，得到与充电站数量相应的交通区域类簇；通过每个交通区域类簇中所有样本单元的位置信息和交通特征，重新确定各交通区域类簇对应的聚类中心，并基于重新确定的各聚类中心，按照最接近原则，对所有样本单元重新分配，并获取重新分配样本单元后各交通区域类簇的聚类中心，直至各聚类中心不再改变后，以各聚类中心对应的位置信息作为各充电站的初始位置。
[0130]
本实施例基于目标时刻下各交通区域的位置信息和交通流量信息，采用预设的充电站数量对各交通区域进行聚类，得到充电站数量对应的交通区域类簇，针对每个交通区域类簇，确定交通区域类簇对应的聚类中心，并以聚类中心对应的位置信息作为充电站的初始位置，能够快速且可靠地选取电动汽车充电站的初步选址方案。
[0131]
在一个实施例中，该电动汽车充电站选址定容方法还包括：在配电网未满足运行约束条件的情况下，增加预设的充电站数量；采用增加后的充电站数量，重新对各交通区域进行聚类以更新充电站的初始位置和初始容量，并将更新后的初始位置和初始容量对应的各充电站接入配电网；重复增加充电站数量和更新初始位置及初始容量，直至配电网满足运行约束条件。
[0132]
本实施例将初始位置和初始容量对应的各充电站接入配电网后，在配电网未满足运行约束条件的情况下，增加充电站数量，还可以减少充电容量配置，重新对目标时刻的交通空间分布中各交通区域进行聚类，并更新初始位置和初始容量，直至配电网满足运行约束条件，能够突出电动汽车充电站对区域负荷调节能力的作用，提高区域电网运行稳定性。
[0133]
在一个实施例中，如图3所示，提供了一种电动汽车充电站选址定容方法，该方法包括：
[0134]
步骤302，获取不同时间粒度下的多组交通时序数据。
[0135]
步骤304，针对每组交通时序数据，根据预设的交通流量预测模型，预测每组交通时序数据对应的目标时刻的候选交通空间分布。
[0136]
步骤306，对每个候选交通空间分布进行权重系数分配，利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布。
[0137]
步骤308，采用预设的充电站数量对目标时刻的交通空间分布中各交通区域进行聚类，得到充电站数量对应的交通区域类簇，针对每个交通区域类簇，确定交通区域类簇对
应的聚类中心，并以聚类中心对应的位置信息作为充电站的初始位置。
[0138]
步骤310，针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量，将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
[0139]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0140]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电动汽车充电站选址定容方法的电动汽车充电站选址定容装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电动汽车充电站选址定容装置实施例中的具体限定可以参见上文中对于电动汽车充电站选址定容方法的限定，在此不再赘述。
[0141]
在一个实施例中，如图4所示，提供了一种电动汽车充电站选址定容装置，包括：结合预测模块402、初始选址定容模块404和目标选址定容模块406，其中：
[0142]
结合预测模块402，用于获取不同时间粒度下的多组交通时序数据，并结合多组交通时序数据，预测目标时刻的交通空间分布，其中，交通时序数据用于表征预定时段内的交通空间分布，交通空间分布包括各交通区域的位置信息和交通流量信息。
[0143]
初始选址定容模块404，用于根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量。
[0144]
目标选址定容模块406，用于将初始位置和初始容量对应的各充电站接入配电网后，在配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。
[0145]
在一个实施例中，结合预测模块402在执行结合多组交通时序数据，预测目标时刻的交通空间分布时，包括：针对每组交通时序数据，根据预设的交通流量预测模型，预测每组交通时序数据对应的目标时刻的候选交通空间分布；结合各候选交通空间分布，预测目标时刻的交通空间分布。
[0146]
在一个实施例中，结合预测模块402在执行结合各候选交通空间分布，预测目标时刻的交通空间分布时，包括：对每个候选交通空间分布进行权重系数分配；利用各候选交通空间分布和分配好的权重系数进行加权求和，得到目标时刻的交通空间分布。
[0147]
在一个实施例中，初始选址定容模块404在执行针对每个初始位置，基于多组交通时序数据和初始位置，确定初始位置对应的初始容量时，包括：针对每个交通区域，从各候选交通空间分布中选取交通流量信息的最大值，作为交通区域对应的最大交通流量信息；通过各交通区域的位置信息和最大交通流量信息，得到最大交通空间分布；通过最大交通空间分布和初始位置，确定初始位置对应的初始容量。
[0148]
在一个实施例中，初始选址定容模块404在执行根据目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置时，包括：基于目标时刻下各交通区域的位置信息和交通流量信息，采用预设的充电站数量对各交通区域进行聚类，得到充电站数量对应的交通区域类簇；针对每个交通区域类簇，确定交通区域类簇对应的聚类中心，并以聚类中心对应的位置信息作为充电站的初始位置。
[0149]
在一个实施例中，目标选址定容模块406还用于：在配电网未满足运行约束条件的情况下，增加预设的充电站数量；采用增加后充电站数量，重新对各交通区域进行聚类以更新充电站的初始位置和初始容量，并将更新后的初始位置和初始容量对应的各充电站接入配电网；重复增加充电站数量和更新初始位置及初始容量，直至配电网满足运行约束条件。
[0150]
上述电动汽车充电站选址定容装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0151]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储交通数据、充电站数据和配电网数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电动汽车充电站选址定容方法。
[0152]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0153]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0154]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0155]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0156]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0157]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，
本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0158]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0159]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种电动汽车充电站选址定容方法，其特征在于，所述方法包括：获取不同时间粒度下的多组交通时序数据，并结合所述多组交通时序数据，预测目标时刻的交通空间分布，其中，所述交通时序数据用于表征预定时段内的交通空间分布，所述交通空间分布包括各交通区域的位置信息和交通流量信息；根据所述目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于所述多组交通时序数据和所述初始位置，确定所述初始位置对应的初始容量；将所述初始位置和所述初始容量对应的各充电站接入配电网后，在所述配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。2.根据权利要求1所述的方法，其特征在于，所述并结合所述多组交通时序数据，预测目标时刻的交通空间分布，包括：针对每组交通时序数据，根据预设的交通流量预测模型，预测所述每组交通时序数据对应的目标时刻的候选交通空间分布；结合各所述候选交通空间分布，预测所述目标时刻的交通空间分布。3.根据权利要求2所述的方法，其特征在于，所述结合各所述候选交通空间分布，预测所述目标时刻的交通空间分布，包括：对每个所述候选交通空间分布进行权重系数分配；利用各所述候选交通空间分布和分配好的权重系数进行加权求和，得到所述目标时刻的交通空间分布。4.根据权利要求2所述的方法，其特征在于，所述并针对每个初始位置，基于所述多组交通时序数据和所述初始位置，确定所述初始位置对应的初始容量，包括：针对每个所述交通区域，从各所述候选交通空间分布中选取所述交通流量信息的最大值，作为所述交通区域对应的最大交通流量信息；通过各所述交通区域的所述位置信息和所述最大交通流量信息，得到最大交通空间分布；通过所述最大交通空间分布和所述初始位置，确定所述初始位置对应的初始容量。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，包括：基于所述目标时刻下各交通区域的位置信息和交通流量信息，采用预设的充电站数量对所述各交通区域进行聚类，得到所述充电站数量对应的交通区域类簇；针对每个所述交通区域类簇，确定所述交通区域类簇对应的聚类中心，并以所述聚类中心对应的位置信息作为充电站的初始位置。6.根据权利要求4所述的方法，其特征在于，所述方法还包括：在配电网未满足运行约束条件的情况下，增加预设的充电站数量；采用增加后所述充电站数量，重新对各所述交通区域进行聚类以更新充电站的初始位置和初始容量，并将更新后的初始位置和初始容量对应的各充电站接入配电网；重复增加充电站数量和更新初始位置及初始容量，直至配电网满足运行约束条件。7.一种电动汽车充电站选址定容装置，其特征在于，所述装置包括：结合预测模块，用于获取不同时间粒度下的多组交通时序数据，并结合所述多组交通
时序数据，预测目标时刻的交通空间分布，其中，所述交通时序数据用于表征预定时段内的交通空间分布，所述交通空间分布包括各交通区域的位置信息和交通流量信息；初始选址定容模块，用于根据所述目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于所述多组交通时序数据和所述初始位置，确定所述初始位置对应的初始容量；目标选址定容模块，用于将所述初始位置和所述初始容量对应的各充电站接入配电网后，在所述配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种电动汽车充电站选址定容方法、装置、设备、介质及产品。所述方法包括：获取不同时间粒度下的多组交通时序数据，并结合所述多组交通时序数据，预测目标时刻的交通空间分布；根据所述目标时刻的交通空间分布，采用聚类方法确定至少一个充电站的初始位置，并针对每个初始位置，基于所述多组交通时序数据和所述初始位置，确定所述初始位置对应的初始容量；将所述初始位置和所述初始容量对应的各充电站接入配电网后，在所述配电网满足运行约束条件的情况下，确定初始位置作为目标位置且初始容量作为目标容量，采用本方法能够承接未来交通流量且适应范围广。来交通流量且适应范围广。来交通流量且适应范围广。


技术研发人员：杨怀栋 刘杰 葛静 黄鹏
受保护的技术使用者：中国南方电网有限责任公司
技术研发日：2023.06.21
技术公布日：2023/9/22