基于網格密度聚類算法的新能源充電樁運維優化模型

康 佳，王薇蓉，李 昂

(1.國網電動汽車(山西)服務有限公司，山西 太原 030000； 2.國網山西省電力公司營銷服務中心，山西 太原 030000; 3.安徽繼遠軟件有限公司，安徽 合肥 230001)

近年來，中國加大了對汽車充電基礎設施建設的支持力度。充電基礎設施建設補貼的發放，極大地激發了大、小企業的建設熱情。預計到2020年底，中國將建成一個中等先進、智能高效的電動汽車充電基礎設施系統，可滿足500多萬輛電動汽車的充電需求。根據相關機構發布的數據，盡管中國新能源汽車數量不斷增長，充電需求不斷增加，充電樁數量達到新高，但盈利困難是充電樁行業無法解決的問題。在此背景下，如何結合電動汽車充電設施企業的實際運營維護狀況，優化其運營維護模式，從而降低成本，提高效率，實現企業盈利，是迫切需要研究的課題。這不僅有利于電動汽車充電設施企業的生存和發展，而且對促進新能源汽車的生產和銷售起到積極作用，最終將促進當前新能源產業的健康可持續發展。

針對電動汽車充電設施智能化運維提升，文獻[1]研究了一種基于北斗技術的穩定性高、安全性強的充電設施通信的解決方法；文獻[2]研究并開發了一種用于電動汽車充電設施運維檢修工作的手持終端；文獻[3]提出了一種電動汽車充電軟件與智能遠程管理相結合的運維新模式；文獻[4]對基于互聯網+的充電站配電設備的在線監測展開了研究。

本文利用基于網格密度的聚類算法，從充電樁數量、站充電量、充電次數、平均充電量和平均充電次數5個維度來對充電樁進行聚類分析，從而給出充電樁優化運維方法。

1 聚類分析法

1.1 簡介

聚類是根據某些特征或規律對事物進行的無監督分類，它是數據挖掘的基本、簡單和實用的模式之一。當使用聚類方法進行分析時，結果會生成不同的分組，分組之間的聚類結果差異將盡可能大，相同分組之間的差異將盡可能小。

聚類分析不同于通常接觸的分類。分類是一種數據分析方法，它預先知道對象組中包括哪些類別，并且在分析過程中只需要指出每個對象的類別。分類分析不是動態的，在具體分析過程中，不需要考慮其他對象的變化對對象分類的影響。用戶只需預先設置要劃分的對象類別和類別數，然后根據每個類別的特征對對象進行分類。聚類是一種數據分析方法，它不預先知道要劃分哪些類別的對象，而是以對象之間某些屬性的相似性作為劃分標準。聚類分析算法主要包括劃分聚類算法、層次聚類算法、基于網格密度的聚類算法(DGCA)、基于網格的聚類算法和基于模型的聚類算法5種，本文采用基于網格密度的聚類算法[5]。

1.2 基于網格密度的聚類算法

(1)節點集。網格單元中節點之間的接近度由節點之間的距離計算，節點之間的相似性越大，它們就越相似。也就是說，當對這些網格單元中的節點進行聚類時，它們越有可能屬于同一類。

設P=(U，K)，其中P為n條記錄的集合，定義網格單元內的節點集為U=(U1，U2，…，Un)，再定義網格單元內節點的屬性為K=(K1，K2，…，Kr)。

其中，r為節點屬性個數，用Km表示單個節點i的第m個屬性，表示為(ki1，ki2，…，kir)。設任意2個節點Ui和Uj之間的相異值為：

(1)

再設任意2個節點Ui和Uj之間的相近值為：

(2)

(2)邊緣節點判斷。在傳統的網格聚類算法中，低密度單元與高密度單元相鄰的節點作為離群點或噪聲數據被丟棄，這將丟失一些有用的邊緣節點。為提高聚類的精度，在基于網格密度的聚類算法中引入邊緣節點判斷函數minf(i)，其定義如下：

(3)

再定義邊緣節點函數為：

(4)

式中，h為高密度單元中節點個數。

1.3 算法流程

DGCA聚類算法的基本思想：①將所有節點集U映射到數據空間中相應的網格單元。②根據用戶輸入的密度測試值，判斷每個網格單元是低密度還是高密度網格單元。如果是高密度網格單元，則使用minf(i)判斷每個節點是否為高密度網格的邊緣節點。如果是，則提取邊緣節點，如果不是，則將該節點視為孤立點或噪聲數據。③根據用戶輸入的相似測試值，采用相似值方法對剔除離群值或噪聲數據后的節點進行聚類，即如果任意2個節點的相似值大于或等于給定的測試值，則將2個數據對象視為同一類中的數據。

DGCA算法如下：①根據用戶輸入的Z值將整個數據空間X劃分成Zr個網格單元。②將節點集U映射到網格單元中。③逐一掃描每個網格單元，并記錄每個網格單元中的節點個數。④根據密度閾值將網格單元分為高密度單元和低密度單元。⑤分析每個高密度單元，如果其相鄰網格單元有低密度的，利用邊緣節點判斷函數提取有用的邊緣節點，低密度單元中剩余的節點作為孤立點或噪聲數據丟棄。⑥分析高密度單元中的任意2個節點，如果其相似值大于給定的值，則將這兩個對象歸于一類[6]。

2 基于聚類分析法的充電樁分類

本文以S市的現有84座電動汽車充電樁為研究對象，依據實際運維經驗從站充電樁數量、站充電量、站充電次數、單樁平均充電量、單樁平均充電次數5個維度進行分析，利用DGCA聚類算法分析研究，結分析見表1。聚類頻次分析如圖1所示。

表1 聚類結果分析Tab.1 Analysis of clustering results

圖1 聚類頻次分析Fig.1 Cluster frequency analysis

從以上結果可以看出，P1類充電站的充電容量和充電次數是3類中最高的，但充電站的樁數并不是最大的，說明該類充電站的使用頻率和利用率均較高。P2類充電站充電容量大，充電次數多，但站內充電樁較多，屬于大型充電站，單樁利用率低。即使個別充電樁出現故障，也不會因為站內有大量充電樁而影響電動汽車用戶的使用。P3類中，充電站的充電容量和充電次數是3類中最低的，充電樁數量也是最低的，說明該站屬于小型充電站，使用頻率較低。對于5個考量維度，對應重要性占比如圖2所示。

圖2 考量維度重要性占比Fig.2 Proportion of importance of dimensions to be considered

從圖2可以看出，5個維度對聚類結果的貢獻幾乎沒有差異，并且沒有某個項目的貢獻特別低的情況，這表明5個維度的選擇是科學和實用的。此外，還對每個聚類結果中的充電樁站點的充電利用率和報修工單數量進行統計，結果見表2。

表2 充電利用率和報修工單數量進統計Tab.2 Statistics of charging utilization rate and repair order quantity

由表2可知，P1類站點的充電利用率最高，但報修工單數量也是最高的，而P3類站點的充電利用率最低，但報修工單數量也是最低的，P2類站點則居中。

3 充電樁運維優化

在保證電動汽車用戶充電體驗的前提下，對S市的充電站進行分級管理，按運營情況進行分類，對運營良好的充電站生成的平臺維修單按現行標準進行運營維護，而運營不佳的充電站生成的平臺維修訂單，則按照較低的標準進行運營維護，既不會影響電動汽車用戶的使用，又能節約人力和物力成本，使運營維護企業能夠盈利生存。

根據以上聚類分析，S市81個電動汽車充電樁站的分類結果實行三級運維管理，改變現有所有充電站運維標準相同的模式。

P1站(16)是指充電容量大、單樁利用率高的充電站，這些站點屬于關鍵操作和維護對象。采用運維人員到達充電樁故障現場不超過30 min，故障處理完成時間不超過2 h的運維標準。

P2站(12)是指充電容量大、單樁利用率低的充電站。一般來說，站內有大量充電樁，單個充電樁的故障不會影響電動汽車用戶的使用。它們屬于一般操作和維護對象。運行維護標準為運行維護人員到達故障現場不超過45 min，故障處理不超過3 h。

P3類站(56)是指地址偏遠、充電次數少、充電樁利用率低的充電站。這些車站屬于計劃運行維護對象，采用運行維護人員可選擇運行維護標準，并與相鄰時間的巡檢任務相結合。

采用上述分析的三級分類運維標準后，將降低實際運維壓力，降低運維人員成本、車輛維護成本和時間成本，從而降低了運維企業的運維成本。

4 結論

在政策和市場的雙重推動下，充電樁近年來發展迅速。盡管根據相關機構發布的數據，中國新能源汽車數量不斷增長，充電需求不斷增加，充電樁數量達到新高。在此背景下，研究如何結合電動汽車充電設施企業的實際運營維護狀況，優化其運營維護模式，從而降低成本，提高效率，使企業盈利，顯得尤為重要。本文利用基于網格密度的聚類算法，從充電樁數量、站充電量、充電次數、平均充電量和平均充電次數5個維度來對充電樁進行分析聚類，從而給出充電樁優化運維方法。最后的實例證明了本模型的實用性。