基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法制造方法及图纸

基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，首先该方法承载装置为一种可自主移动巡航的新能源汽车充电装置。在此装置基础上本方法提出一种移动充电装置全局最优自动部署方法。首先在城市各节点随机弥散布置一定数量的移动充电装置，然后收集各节点的车辆流量数据、人口密度、历史充电数据、节点附近商场数目、节假日信息等，将这些数据输入到云端的随机森林算法中预测未来各节点的充电需求指数，当预测到某一节点充电需求指数较高时，则利用Dijkstra算法计算其他需求指数低的节点与该节点的最短路径，挑出最优值，将需求指数低的节点中的移动充电装置平衡到充电需求指数较高的节点当中，从而自动平衡整个城市各地点的充电需求指数。城市各地点的充电需求指数。城市各地点的充电需求指数。

【技术实现步骤摘要】
基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法


[0001]本专利技术涉及大数据领域、路径规划领域及新能源领域，具体为基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法。

技术介绍

[0002]目前随着新能源车的普及，城市中各定点充电装置的基础建设难以填补日益增长的充电需求。因此有可自主移动充电装置出现。但该种装置经济成本较高，如果在城市中充电需求较低的节点，大量部署该装置，则会造成较大浪费。在城市中充电需求较高的节点部署数量不够，又会导致难以满足该节点的充电需求。因此急需一种全局最优自动部署方法，可自主根据各节点的充电需求调节各节点的移动充电装置数量，增加该装置的利用率即经济效益。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，能够最优、智能的实现移动充电装置的全局最优自动部署。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，具体步骤如下，其特征在于：
[0006]1)各节点初始随机分布装置数量；
[0007]2)节点特征信息反馈；
[0008]所述步骤2)节点特征信息反馈中历史前3天节点移动充电装置使用频率表示为：
[0009]其中各节点车辆流量数据可以从当地交通局获得，人口密度则根据人口密度分布图来确定，节点附近商场数目通过人工记录，节假日信息通过云端获取信息，历史充电数据则为历史前3天节点移动充电装置使用频率，其计算公式为：
[0010][0011]其中D
i
为第i个节点处移动充电装置使用频率，K
i
为第i个节点处移动充电装置前三天使用总次数，P
i
为第i个节点处移动充电装置数目；
[0012]所述步骤2)节点特征信息反馈中充电需求指数表示为：
[0013]最后需要对目标值未来充电需求指数进行隔天提取，其中充电需求指数计算公式为：
[0014][0015]其中Y为充电需求指数，M为节点所有移动充电装置一天使用总时长，U为节点所有移动充电装置一天总消耗电量,W为单个移动充电装置工作一小时总消耗电量，P为节点移
动充电装置的数目；
[0016]3)需求指数算法训练；
[0017]所述步骤3)需求指数算法中异常值、缺失值填充项表示为：
[0018]先将步骤2)收集到的特征信息进行数据归一化处理，对特征信息的缺失、异常值等基于实际情形均采用当前节点过往特征值均值填充，公式表现为：
[0019][0020]其中X
i
为第i个节点上传到云端的异常值、缺失值替换项，L则为拥有的总数据数量特征，x
ij
则为第i个节点的第j条数据值；
[0021]4)需求指数算法求解信息；
[0022]5)各节点标签值优化，通过均衡标准值计算公式和具体调节数量公式进行优化；
[0023]6)节点最优路径权重引入；
[0024]7)可自主移动充电装置全局最优部署。
[0025]作为本专利技术进一步改进，所述步骤1)中各节点初始随机分布装置部署数量表示为：
[0026]在进行后续自主优化前，首先需要在城市中各节点当中初始化部署一定数量的移动充电装置，具体部署数量根据下列公式：
[0027]P
i
＝range(1，N)
[0028][0029]其中P
i
为节点部署移动充电装置数量，N为城市总移动充电装置数量，range(1，N)表示从1到N中随机抽取一个值，n为城市中拥有的节点数量。
[0030]作为本专利技术进一步改进，所述步骤5)各节点标签值优化中均衡标准值计算公式表示为：
[0031]采用全局节点需求指数均衡法则，低于该均衡标准值则表示该节点的充电需求指数较低，移动充电装置需要向外迁移，高于该均衡标准值则表示该节点的充电需求指数较高，需要其他移动充电装置的补充,其中均衡标准值计算公式为：
[0032][0033]其中w为均衡标准值，n为总节点数量。Y
i
为第i个节点的需求指数；
[0034]所述步骤5)各节点标签值优化中具体调节数量公式表示为：
[0035]获取各节点的需求指数以及均衡标准值后，需要对节点需求指数进行优化，及移动充电装置数量的调节，其中具体调节数量公式为：
[0036][0037]其中G为需要调节的移动装置具体数量，Y为当前节点的需求指数，w为均衡标准值，P则为当前节点的移动充电装置具体数目,如果Y值大于w时则表示向该节点输送G辆移动充电装置，Y值小于w时则表示该节点输出G辆移动充电装置到其余节点处。
[0038]采用上述技术方案带来的有益效果：
[0039]1)能够自动实现整个城市的移动充电装置全局最优自动部署；
[0040]2)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法使用随机森立对未来充电需求指数进行预测，提高了预测的准确性；
[0041]3)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法使用Dijkstra算法对各节点之间的路径进行规划计算，提高了城市间路径规划的精准性。
[0042]4)本申请提供的一种的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法采用最短路径的节点间输送方法，降低了移动充电装置间输送的经济成本。
附图说明
[0043]图1根据本申请实施例提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法流程图；
[0044]图2根据本申请实施例提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法节点充电需求指数及路径示意图。
具体实施方式
[0045]下面结合附图与具体实施方式对本专利技术作进一步详细描述：
[0046]如图1所示为本申请提供的基于随机森林算法及Dijkstra算法的移动充电装置全局最优自动部署方法流程图。
[0047]步骤S1：各节点初始随机分布装置数量。
[0048]在进行后续自主优化前，首先需要在城市中各节点当中初始化部署一定数量的移动充电装置，具体部署数量可根据下列公式：
[0049]P
i
＝range(1，N)
⑴
[0050][0051]其中P
i
为节点部署移动充电装置数量，N为城市总移动充电装置数量，range(1，N)表示从1到N中随机抽取一个值。n为城市中拥有的节点数量。
[0052]步骤S2：节点特征信息反馈。
[0053]在步骤S1中，完成了城市各个节点移动充电装置的初始化部署为新能源车提高充电服务。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法，具体步骤如下，其特征在于：1)各节点初始随机分布装置数量；2)节点特征信息反馈；所述步骤2)节点特征信息反馈中历史前3天节点移动充电装置使用频率表示为：其中各节点车辆流量数据可以从当地交通局获得，人口密度则根据人口密度分布图来确定，节点附近商场数目通过人工记录，节假日信息通过云端获取信息，历史充电数据则为历史前3天节点移动充电装置使用频率，其计算公式为：其中D
i
为第i个节点处移动充电装置使用频率，K
i
为第i个节点处移动充电装置前三天使用总次数，P
i
为第i个节点处移动充电装置数目；所述步骤2)节点特征信息反馈中充电需求指数表示为：最后需要对目标值未来充电需求指数进行隔天提取，其中充电需求指数计算公式为：其中Y为充电需求指数，M为节点所有移动充电装置一天使用总时长，U为节点所有移动充电装置一天总消耗电量,W为单个移动充电装置工作一小时总消耗电量，P为节点移动充电装置的数目；3)需求指数算法训练；所述步骤3)需求指数算法中异常值、缺失值填充项表示为：先将步骤2)收集到的特征信息进行数据归一化处理，对特征信息的缺失、异常值等基于实际情形均采用当前节点过往特征值均值填充，公式表现为：其中X
i
为第i个节点上传到云端的异常值、缺失值替换项，L则为拥有的总数据数量特征，x
ij
则为第i个节点的第j条数据值；4)需求指数算法求解信息；5)各节点标签值优化，通过均衡标准值计算公式和具体调节数量公式进行优化；6)...

【专利技术属性】
技术研发人员：吴钟鸣，孟妍妮，章家辉，赵文博，靳晓瑀，王赠瑞，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：