基于网格密度聚类算法的新能源充电桩运维优化模型

康 佳，王薇蓉，李 昂

(1.国网电动汽车(山西)服务有限公司，山西 太原 030000； 2.国网山西省电力公司营销服务中心，山西 太原 030000; 3.安徽继远软件有限公司，安徽 合肥 230001)

近年来，中国加大了对汽车充电基础设施建设的支持力度。充电基础设施建设补贴的发放，极大地激发了大、小企业的建设热情。预计到2020年底，中国将建成一个中等先进、智能高效的电动汽车充电基础设施系统，可满足500多万辆电动汽车的充电需求。根据相关机构发布的数据，尽管中国新能源汽车数量不断增长，充电需求不断增加，充电桩数量达到新高，但盈利困难是充电桩行业无法解决的问题。在此背景下，如何结合电动汽车充电设施企业的实际运营维护状况，优化其运营维护模式，从而降低成本，提高效率，实现企业盈利，是迫切需要研究的课题。这不仅有利于电动汽车充电设施企业的生存和发展，而且对促进新能源汽车的生产和销售起到积极作用，最终将促进当前新能源产业的健康可持续发展。

针对电动汽车充电设施智能化运维提升，文献[1]研究了一种基于北斗技术的稳定性高、安全性强的充电设施通信的解决方法；文献[2]研究并开发了一种用于电动汽车充电设施运维检修工作的手持终端；文献[3]提出了一种电动汽车充电软件与智能远程管理相结合的运维新模式；文献[4]对基于互联网+的充电站配电设备的在线监测展开了研究。

本文利用基于网格密度的聚类算法，从充电桩数量、站充电量、充电次数、平均充电量和平均充电次数5个维度来对充电桩进行聚类分析，从而给出充电桩优化运维方法。

1 聚类分析法

1.1 简介

聚类是根据某些特征或规律对事物进行的无监督分类，它是数据挖掘的基本、简单和实用的模式之一。当使用聚类方法进行分析时，结果会生成不同的分组，分组之间的聚类结果差异将尽可能大，相同分组之间的差异将尽可能小。

聚类分析不同于通常接触的分类。分类是一种数据分析方法，它预先知道对象组中包括哪些类别，并且在分析过程中只需要指出每个对象的类别。分类分析不是动态的，在具体分析过程中，不需要考虑其他对象的变化对对象分类的影响。用户只需预先设置要划分的对象类别和类别数，然后根据每个类别的特征对对象进行分类。聚类是一种数据分析方法，它不预先知道要划分哪些类别的对象，而是以对象之间某些属性的相似性作为划分标准。聚类分析算法主要包括划分聚类算法、层次聚类算法、基于网格密度的聚类算法(DGCA)、基于网格的聚类算法和基于模型的聚类算法5种，本文采用基于网格密度的聚类算法[5]。

1.2 基于网格密度的聚类算法

(1)节点集。网格单元中节点之间的接近度由节点之间的距离计算，节点之间的相似性越大，它们就越相似。也就是说，当对这些网格单元中的节点进行聚类时，它们越有可能属于同一类。

设P=(U，K)，其中P为n条记录的集合，定义网格单元内的节点集为U=(U1，U2，…，Un)，再定义网格单元内节点的属性为K=(K1，K2，…，Kr)。

其中，r为节点属性个数，用Km表示单个节点i的第m个属性，表示为(ki1，ki2，…，kir)。设任意2个节点Ui和Uj之间的相异值为：

(1)

再设任意2个节点Ui和Uj之间的相近值为：

(2)

(2)边缘节点判断。在传统的网格聚类算法中，低密度单元与高密度单元相邻的节点作为离群点或噪声数据被丢弃，这将丢失一些有用的边缘节点。为提高聚类的精度，在基于网格密度的聚类算法中引入边缘节点判断函数minf(i)，其定义如下：

(3)

再定义边缘节点函数为：

(4)

式中，h为高密度单元中节点个数。

1.3 算法流程

DGCA聚类算法的基本思想：①将所有节点集U映射到数据空间中相应的网格单元。②根据用户输入的密度测试值，判断每个网格单元是低密度还是高密度网格单元。如果是高密度网格单元，则使用minf(i)判断每个节点是否为高密度网格的边缘节点。如果是，则提取边缘节点，如果不是，则将该节点视为孤立点或噪声数据。③根据用户输入的相似测试值，采用相似值方法对剔除离群值或噪声数据后的节点进行聚类，即如果任意2个节点的相似值大于或等于给定的测试值，则将2个数据对象视为同一类中的数据。

DGCA算法如下：①根据用户输入的Z值将整个数据空间X划分成Zr个网格单元。②将节点集U映射到网格单元中。③逐一扫描每个网格单元，并记录每个网格单元中的节点个数。④根据密度阈值将网格单元分为高密度单元和低密度单元。⑤分析每个高密度单元，如果其相邻网格单元有低密度的，利用边缘节点判断函数提取有用的边缘节点，低密度单元中剩余的节点作为孤立点或噪声数据丢弃。⑥分析高密度单元中的任意2个节点，如果其相似值大于给定的值，则将这两个对象归于一类[6]。

2 基于聚类分析法的充电桩分类

本文以S市的现有84座电动汽车充电桩为研究对象，依据实际运维经验从站充电桩数量、站充电量、站充电次数、单桩平均充电量、单桩平均充电次数5个维度进行分析，利用DGCA聚类算法分析研究，结分析见表1。聚类频次分析如图1所示。

表1 聚类结果分析Tab.1 Analysis of clustering results

图1 聚类频次分析Fig.1 Cluster frequency analysis

从以上结果可以看出，P1类充电站的充电容量和充电次数是3类中最高的，但充电站的桩数并不是最大的，说明该类充电站的使用频率和利用率均较高。P2类充电站充电容量大，充电次数多，但站内充电桩较多，属于大型充电站，单桩利用率低。即使个别充电桩出现故障，也不会因为站内有大量充电桩而影响电动汽车用户的使用。P3类中，充电站的充电容量和充电次数是3类中最低的，充电桩数量也是最低的，说明该站属于小型充电站，使用频率较低。对于5个考量维度，对应重要性占比如图2所示。

图2 考量维度重要性占比Fig.2 Proportion of importance of dimensions to be considered

从图2可以看出，5个维度对聚类结果的贡献几乎没有差异，并且没有某个项目的贡献特别低的情况，这表明5个维度的选择是科学和实用的。此外，还对每个聚类结果中的充电桩站点的充电利用率和报修工单数量进行统计，结果见表2。

表2 充电利用率和报修工单数量进统计Tab.2 Statistics of charging utilization rate and repair order quantity

由表2可知，P1类站点的充电利用率最高，但报修工单数量也是最高的，而P3类站点的充电利用率最低，但报修工单数量也是最低的，P2类站点则居中。

3 充电桩运维优化

在保证电动汽车用户充电体验的前提下，对S市的充电站进行分级管理，按运营情况进行分类，对运营良好的充电站生成的平台维修单按现行标准进行运营维护，而运营不佳的充电站生成的平台维修订单，则按照较低的标准进行运营维护，既不会影响电动汽车用户的使用，又能节约人力和物力成本，使运营维护企业能够盈利生存。

根据以上聚类分析，S市81个电动汽车充电桩站的分类结果实行三级运维管理，改变现有所有充电站运维标准相同的模式。

P1站(16)是指充电容量大、单桩利用率高的充电站，这些站点属于关键操作和维护对象。采用运维人员到达充电桩故障现场不超过30 min，故障处理完成时间不超过2 h的运维标准。

P2站(12)是指充电容量大、单桩利用率低的充电站。一般来说，站内有大量充电桩，单个充电桩的故障不会影响电动汽车用户的使用。它们属于一般操作和维护对象。运行维护标准为运行维护人员到达故障现场不超过45 min，故障处理不超过3 h。

P3类站(56)是指地址偏远、充电次数少、充电桩利用率低的充电站。这些车站属于计划运行维护对象，采用运行维护人员可选择运行维护标准，并与相邻时间的巡检任务相结合。

采用上述分析的三级分类运维标准后，将降低实际运维压力，降低运维人员成本、车辆维护成本和时间成本，从而降低了运维企业的运维成本。

4 结论

在政策和市场的双重推动下，充电桩近年来发展迅速。尽管根据相关机构发布的数据，中国新能源汽车数量不断增长，充电需求不断增加，充电桩数量达到新高。在此背景下，研究如何结合电动汽车充电设施企业的实际运营维护状况，优化其运营维护模式，从而降低成本，提高效率，使企业盈利，显得尤为重要。本文利用基于网格密度的聚类算法，从充电桩数量、站充电量、充电次数、平均充电量和平均充电次数5个维度来对充电桩进行分析聚类，从而给出充电桩优化运维方法。最后的实例证明了本模型的实用性。