基于大数据分析的新能源重型卡车充电量需求预测系统的制作方法

本发明涉及新能源车辆运营调度与充电需求预测，尤其涉及基于大数据分析的新能源重型卡车充电量需求预测系统。

背景技术：

1、随着新能源重型卡车在干线运输、矿区短倒、港口集疏运和城市配送中的应用增加，围绕车辆补电需求预测、充电场站负荷管理和运输任务连续性的智能调度技术受到广泛关注。现有技术通常基于历史充电量、车辆到站数量、场站负荷曲线或分时电价等数据，对未来充电负荷进行统计预测或时间序列预测，并结合场站功率容量、充电枪数量等条件进行简单排班或负荷削峰，但是在实际运输运营中普遍存在以下问题：

2、新能源重型卡车的充电需求与运输任务、载重状态、返场距离、后续发车时间和车辆电量状态强相关，现有预测方法多依赖历史充电负荷或车辆数量变化，难以将任务能耗画像、车辆个体能耗偏差和任务能量缺口纳入统一预测链路，导致高强度运输任务或集中返场场景下的补电需求识别不准确；

3、现有场站服务能力评估通常以充电枪数量、最大功率或历史排队情况进行粗略估算，难以同时处理车辆服务时间窗、单枪占用、场站功率容量、电网容量余量和补电需求约束，导致预测出的充电需求与场站实际可服务能力不匹配，容易出现排队拥堵、刚性补电车辆无法及时补电和弹性需求占用关键容量的问题；

4、现有deepar等概率时间序列预测模型虽然能够输出预测分位数，但通常只是对历史充电量序列及一般外生变量进行概率外推，缺少任务能量缺口门控、场站容量约束修正和超容量概率解析机制，难以准确判断未来时间片内充电需求超过场站可充电量的风险，也难以将预测结果进一步转化为可执行的充电需求校正结果和闭环更新参数。

5、因此，如何提供基于大数据分析的新能源重型卡车充电量需求预测系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于大数据分析的新能源重型卡车充电量需求预测系统，本发明充分利用多源时空关联、ewma能耗修正、cp-sat约束规划和改进型deepar概率预测技术，详细描述了重卡任务能耗、场站服务能力和充电需求协同预测的系统，具备预测准确性高、场站匹配性强和闭环自适应更新的优点。

2、根据本发明实施例的基于大数据分析的新能源重型卡车充电量需求预测系统，包括如下模块：

3、数据采集模块，用于采集新能源重型卡车运输运行数据，生成多源时空数据集；

4、能耗画像模块，用于基于多源时空数据集进行工况划分，计算电池端预计耗电量，采用ewma更新车辆个体能耗修正系数，生成任务能耗画像；

5、缺口判定模块，用于基于任务能耗画像和车辆电量状态进行能量裕度判定，并结合时间窗约束生成任务能量缺口、补电需求等级和任务紧迫度；

6、场站规划模块，用于基于任务能量缺口和场站运行约束，构建时间片整数化的场站服务能力约束规划模型，通过车辆—枪位—时间片占用约束、功率容量约束和补电需求约束建立整数约束变量，并采用cp-sat求解器生成场站服务能力数据；

7、需求预测模块，用于将历史充电量序列、任务能量缺口和场站服务能力数据输入改进型deepar模型，通过任务能量缺口门控、场站容量约束修正和超容量概率解析生成充电需求概率预测结果；

8、需求校正模块，用于根据充电需求概率预测结果和场站服务能力数据进行约束校正，生成充电需求校正结果；

9、闭环更新模块，用于根据实际充电执行结果和运输任务完成结果计算预测偏差，并更新任务能耗画像、场站服务能力约束参数和改进型deepar模型参数。

10、可选的，所述数据采集模块具体包括：

11、所述新能源重型卡车运输运行数据包括车辆运行子数据、任务调度子数据、线路运行子数据和充电场站运行子数据；

12、基于数据采集配置表接入新能源重型卡车运输运行数据，按照字段映射字典和单位换算系数完成字段标准化和单位统一；

13、基于数据源标识、车辆标识、任务标识、线路标识、场站标识和采集时间生成去重键，保留同一去重键下接入时间最晚的记录；

14、基于时间戳解析格式和水印延迟阈值完成时间片归属，对时间异常记录和迟到记录写入对应标记；

15、基于车辆—任务、任务—线路和线路—场站关联关系完成主数据关联，并依据唯一数据键模板将处理后的数据写入时空数据表，生成多源时空数据集。

16、可选的，所述能耗画像模块具体包括：

17、基于车辆运行子数据、任务调度子数据、线路运行子数据和工况划分参数表，将运输过程划分为满载行驶工况、空载返场工况、装卸等待工况、拥堵低速工况和场站停靠工况；

18、基于车辆参数表计算满载行驶工况、空载返场工况和拥堵低速工况的滚动阻力耗能量、空气阻力耗能量、坡度阻力耗能量和加速阻力耗能量，并汇总为轮端耗能量；

19、基于驱动系统效率将轮端耗能量换算为电池端行驶耗电量，并将装卸等待工况和场站停靠工况的辅助耗电量并入，得到电池端预计耗电量；

20、基于历史任务实际耗电量与历史任务预计耗电量的比值生成本轮能耗偏差系数，采用ewma更新车辆个体能耗修正系数，并基于更新后的车辆个体能耗修正系数修正电池端预计耗电量，生成任务能耗画像。

21、可选的，所述缺口判定模块具体包括：

22、基于车辆电量状态中的soc、soh、电池额定容量和安全soc下限计算车辆当前可用电量；

23、基于当前任务耗电量、返场预计耗电量和安全冗余电量生成刚性保障电量，基于当前任务耗电量、后续任务耗电量、返场预计耗电量和安全冗余电量生成计划保障电量；

24、基于车辆当前可用电量与刚性保障电量、计划保障电量的比较结果执行能量裕度判定，生成任务能量缺口；

25、基于车辆预计到站时间、最晚离站时间和后续任务发车时间确定补电可用时长，基于任务能量缺口和车辆可接受充电功率上限确定需求补电时长；

26、基于任务能量缺口、刚性保障电量、计划保障电量、补电可用时长和需求补电时长生成补电需求等级，并基于任务能量缺口占计划保障电量的比例和补电可用时长生成任务紧迫度。

27、可选的，所述场站规划模块具体包括：

28、基于场站功率容量、电网容量余量、单枪功率上限、车辆可接受充电功率和分时电价形成场站运行约束，并将预测时间窗、待服务车辆、充电枪、功率变量和电量变量进行时间片整数化处理；

29、构建场站服务能力约束规划模型，所述场站服务能力约束规划模型包括车辆—枪位—时间片占用变量、分时功率变量、分时补电量变量、未完成补电量变量、车辆等待时长变量、硬约束集合和分层加权目标函数；

30、在硬约束集合中建立车辆服务时间窗约束、单车占用约束、单枪占用约束、功率联动约束、场站功率容量约束、电网容量约束和补电需求约束；

31、将刚性补电等级车辆未完成补电量、弹性补电等级车辆未完成补电量、车辆等待时长和分时充电成本作为目标项，按照前一目标项权重大于其后全部目标项权重之和的规则构建分层加权目标函数；

32、采用cp-sat求解器在满足硬约束集合的整数解中选取分层加权目标函数值最小的整数解，并在无可行解时仅对弹性补电等级车辆对应的补电需求约束加入松弛变量后重新求解；

33、基于cp-sat求解器输出的整数解生成场站服务能力数据，所述场站服务能力数据包括场站可充电量、可接入车辆数量、预测排队时长、容量占用率、车辆接入状态、充电枪占用状态和分时补电量。

34、可选的，所述需求预测模块具体包括：

35、将场站可充电量、预测排队时长和容量占用率作为场站容量约束修正输入，并与任务能量缺口、补电需求等级和任务紧迫度共同组成预测约束特征集；

36、构建改进型deepar模型，所述改进型deepar模型包括deepar自回归概率预测结构以及嵌入于deepar自回归概率预测结构中的任务能量缺口门控、场站容量约束修正和超容量概率解析，所述deepar自回归概率预测结构包括嵌入映射、标准lstm循环神经网络结构、分布参数输出和自回归递推；

37、基于场站静态编码、时间片编码、预测约束特征集和上一时间片充电量生成当前时间片循环隐藏状态；

38、基于任务能量缺口占场站可充电量的比例、补电需求等级对应权重和任务紧迫度生成任务能量缺口门控权重，并作用于当前时间片循环隐藏状态，得到任务约束隐藏状态；

39、基于任务约束隐藏状态生成充电需求概率分布的初始均值参数和初始尺度参数；

40、基于场站可充电量对初始均值参数进行上限修正，基于预测排队时长和容量占用率对初始尺度参数进行放大修正，得到场站容量约束修正后的需求分布参数；

41、基于场站容量约束修正后的需求分布参数递推生成未来预测时间窗内各时间片的充电需求概率分布；

42、执行超容量概率解析，将场站可充电量作为超容量判定边界，将充电需求概率分布中需求值大于场站可充电量的概率累加值作为超容量概率，将需求值超过场站可充电量的差值按对应概率加权累加得到超容量需求电量，并按照场站和时间片输出由充电需求概率分布、预测分位数、超容量概率和超容量需求电量组成的充电需求概率预测结果。

43、可选的，所述需求校正模块具体包括：

44、基于预设风险分位数从预测分位数中选取校正基准需求，并将校正基准需求与场站可充电量进行比较；

45、当校正基准需求不超过场站可充电量且超容量概率小于预设超容量概率阈值时，将校正基准需求作为对应场站和时间片的校正需求；

46、当校正基准需求超过场站可充电量，或者超容量概率不小于预设超容量概率阈值时，基于校正基准需求超出场站可充电量的部分和超容量需求电量确定待分流电量；

47、基于补电需求等级和任务紧迫度确定车辆补电归属顺序，并在场站可充电量范围内优先保留刚性补电等级车辆对应的充电量；

48、将待分流电量依次迁移至同一场站后续具有剩余可充电量的时间片和相邻可用场站，生成充电需求校正结果和场站分流结果。

49、可选的，所述闭环更新模块具体包括：

50、基于实际充电执行结果和运输任务完成结果匹配充电需求校正结果、场站服务能力数据和任务能量缺口；

51、基于实际充电量与充电需求校正结果的差值生成预测偏差，基于实际充电量与场站可充电量的差值生成容量偏差，基于实际补电需求与任务能量缺口的差值生成能量缺口偏差；

52、基于能量缺口偏差更新ewma中的车辆个体能耗修正系数，并回写任务能耗画像；

53、基于容量偏差更新场站服务能力约束参数；

54、基于预测偏差构建改进型deepar模型的训练样本，并以实际充电量标签在充电需求概率分布中的负对数似然作为训练目标更新改进型deepar模型参数；

55、将更新后的任务能耗画像、场站服务能力约束参数和改进型deepar模型参数写入下一预测周期的参数表。

56、本发明的有益效果是：

57、本发明通过多源时空数据集和ewma车辆个体能耗修正系数构建任务能耗画像，解决新能源重型卡车因载重、线路和车辆差异导致任务耗电估算偏差大的问题，使任务能量缺口更贴近实际运输需求；通过时间片整数化的场站服务能力约束规划模型和cp-sat求解器，将车辆—枪位—时间片占用、功率容量、电网容量和补电需求统一为可求解的整数约束，解决仅按枪位数量或历史负荷估算场站能力造成的供需错配问题，得到可用于预测的场站服务能力数据；通过改进型deepar模型中的任务能量缺口门控、场站容量约束修正和超容量概率解析，解决传统概率预测只外推历史充电量、难以反映任务紧迫性和场站容量边界的问题，输出可校正的充电需求概率预测结果。上述技术方案能够提高充电需求预测与运输任务、场站能力之间的匹配度，为重卡车队补电安排、场站容量调度和电网负荷协同提供可执行依据。