论文部分内容阅读
凭借良好的环保性、节能性等特点电动汽车(EV)现在已经成为发展趋势和热点之一。电动汽车充电站作为电动汽车动力补给来源,是发展电动汽车所必须的配套基础设施。然而目前由于电桩企业缺乏合理的技术分析指导以及经营上的不足制约了电动汽车行业的发展。数据挖掘技术已经广泛应用于智能出行领域,并具有不错的表现力,本文旨在使用数据挖掘技术对电桩企业经营过程中积累的大量充电数据进行挖据分析,为充电桩管理平台经营管理提供指导。本文主要的研究问题有:第一,充电桩的故障的智能预测。通过对充电桩历史的故障记录进行挖掘建立预测模型,进而对未来某一时段的充电桩的故障状态进行准确预测,这可以帮助维护人员可以更准确定位到充电桩故障模块,进行精准的维护维修。第二,电动汽车用户行为分析。利用数据挖掘技术对EV用户的充电行为进行分析可以给充电桩运营管理平台提供参考,这有利于提升充电管理平台的充电服务和推广EV。第三,充电站电量的智能预测。预知用户的用电量有利于充电桩管理平台提前做好用电量调度,同时也有利于电网系统的保护。本文充电桩故障预测采用机器学习的方法,通过对多个机器学习模型进行训练、调整参数,并对预测结果进行比较,可以得到最佳的预测模型。电动汽车用户的充电行为进行分析通过两种数据挖掘算法:Apriori和K-means来完成。K-means算法应用于用户聚类,之后文章详细分析所有类别的充电行为特点。Apriori算法用于研究天气和假日对用户充电的影响。此外,通过统计方法,文章分析了三个典型区域的充电特性以及温度与充电之间的关系,同时给出了相应的市场建议。单个桩群和总体充电量具有不同的影响因素,比如,单个桩群更容易受到局部天气因素和季节性变化以及节假日带来的影响,而总体充电量曲线有更丰富的隐含特征。为了提升预测的准确性文章对单个充电站和总体充电量的预测采用了不同的方法,针对单个桩群的充电量预测,本文采用了一种基于Attention机制的Encoder-decoder模型,并利用一个全连接网络学习外部特征,实验结果表明该模型具有很好的表现。文中提出了一种三层的网络模型用于总体充电量的预测,三层网络分别用于学习充电量曲线的历史性、趋势性和周期性三种隐藏特征,实验结果表明该模型能够取得很好的预测准确度的提升。