一种电动公交能耗与V2G可调度电量的联合预测方法

本发明涉及智能交通、新能源汽车与深度学习交叉，具体涉及一种电动公交能耗与v2g可调度电量的联合预测方法。

背景技术：

1、电动公交车不仅承担着日常客运任务，其搭载的大容量动力电池也使其成为移动储能单元。通过车网互动（v2g）技术，电动公交车可以在非运营时段向电网反向送电，参与电网的削峰填谷与辅助服务。然而，v2g调度的前提是必须准确掌握车辆的可调度电量，而这直接取决于车辆完成后续运营任务后的剩余电量，即与车辆的能耗密切相关。因此，对电动公交的行程能耗与v2g可调度电量进行精准预测，是平衡公交运营保障与电网互动效益的关键，对于提升交通与能源系统的协同效率具有重要的现实意义。

2、目前，针对电动汽车能耗预测的研究已较为丰富，主要方法包括基于物理模型的分析法和基于数据驱动的机器学习法。然而，在电动公交这一特定应用场景下，现有技术仍存在显著不足，难以满足高精度联合预测的需求，主要体现在以下两个方面：

3、（1）现有技术在构建预测模型的训练数据时，特征维度单一，缺乏对城市复杂环境因素的有效融合。大多数现有方法仅依赖于车载obd（车载自动诊断系统）数据，如车速、电池电流、soc等，将车辆视为孤立的个体进行分析。然而，电动公交的运行能耗深受外部环境影响。如道路的坡度变化直接决定了车辆克服重力做功的大小，对能耗有显著影响；而全路网的交通拥堵状况则反映了宏观交通流对车辆频繁启停、怠速的潜在影响。现有技术忽略了这些关键的城市背景特征，或者仅使用简单的路段平均速度来表征路况，导致训练数据无法全面反映车辆在真实复杂城市工况下的运行状态，数据的有效性不足，从而限制了预测模型的精度。

4、（2）现有技术缺乏对多源异构数据进行深度时空匹配与融合的有效手段。车载obd数据是高频率的时序数据，路网坡度为空间静态属性，交通流为时变数据，三者在数据结构和采样频率上存在巨大差异。简单地将不同来源的数据进行拼接，无法保证数据在时间和空间上的精确对齐，会引入大量噪声。例如，未能将某一时刻的车辆位置精确匹配到其所在路段的真实坡度上，或未能将车辆运行路段与所在路网的拥堵背景及道路坡度属性有效关联，都会导致特征与标签之间的因果关系模糊，影响模型从训练数据中学习到有效的映射规律。

5、因此，亟需一种能够深度融合多源时空数据、构建高质量训练特征序列并进行联合建模的预测方法，以解决上述技术难题。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种电动公交能耗与v2g可调度电量的联合预测方法，能够融合车载obd数据、路网坡度特征与全路网拥堵背景等多源异构数据，通过构建时空融合特征矩阵、nca降维与soc旁路归一化，并利用transformer多任务模型捕捉长时序依赖与任务间关联，从而显著提高电动公交能耗与v2g可调度电量联合预测的准确性与鲁棒性。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种电动公交能耗与v2g可调度电量的联合预测方法，包括：

4、s1：获取包含电动公交obd数据、路网数据和道路车流量数据的多源数据；

5、s2：从电动公交obd数据、路网数据和道路车流量数据中提取与行程对齐的车载obd数据、包含各路段坡度特征的坡度特征表，以及目标区域的全路网道路拥堵数据；

6、s3：对于各车载obd数据，分别与坡度特征表中的坡度特征以及目标区域全路网道路拥堵数据中的拥堵背景特征进行时空匹配，得到对应的时空融合obd数据；

7、s4：对于各时空融合obd数据，分别提取包含obd动态特征、城市背景特征、多源交互特征的原始特征矩阵，以及对应的行程能耗目标和v2g可调度电量目标；

8、s5：对各原始特征矩阵进行nca降维后，再进行归一化处理，并将对应的电池soc特征进行归一化后单独拼接回归一化后的特征矩阵的末尾生成对应的输入特征序列；

9、s6：对于各输入特征序列，分别与对应的归一化后的行程能耗目标和v2g可调度电量目标作为一组训练数据；将所有的训练数据按比例划分为训练集和测试集；

10、s7：构建以输入特征序列为输入、以行程能耗预测值和v2g可调度电量预测值为输出的transformer多任务模型，并通过训练数据进行模型训练，得到训练完成的transformer多任务联合预测模型；

11、s8：基于待处理的多源数据构建输入特征序列，并输入训练完成的transformer多任务联合预测模型中，输出对应的行程能耗预测值和v2g可调度电量预测值。

12、优选的，步骤s2中，提取车载obd数据的处理步骤包括：

13、s201：从电动公交obd数据中提取包含车速、电池soc、电池电流、环境气温、发动机转速、gps坐标、时间戳以及行程能耗代理指标的车载obd数据；

14、s202：以行程为组织单元对车载obd数据进行标识，得到与行程关联的车载obd数据。

15、优选的，步骤s2中，提取坡度特征表的处理步骤包括：

16、s203：从路网数据中，筛选并提取目标区域内所有路段的路段id；通过api批量查询每个路段id对应的代表坐标；

17、s204：将路段的代表坐标作为输入，获取每个坐标点的海拔高度值；根据相邻坐标点之间的高程差和水平距离，计算出路段对应的坡度特征；

18、s205：对于每个路段分别执行s204，生成包含各路段坡度特征的坡度特征表。

19、优选的，步骤s204中，路段的坡度特征包括平均坡度、最大坡度和最小坡度。

20、优选的，步骤s2中，提取目标区域全路网道路拥堵数据的处理步骤包括：

21、s206：从道路车流量数据中提取包含时间戳、路段id、道路类型、车流量平均车速和拥堵指数的路段交通数据；

22、s207：以路段id为维度，对目标区域内所有路段交通数据进行聚合，生成目标区域的全路网道路拥堵统计数据。

23、优选的，步骤s3中，具体包括如下处理步骤：

24、s301：以坡度特征表中所有路段的代表坐标为基础，构建一个kdtree空间索引；

25、s302：提取车载obd数据的gps坐标，通过kdtree空间索引在坡度特征表中查找空间距离最近的路段，并将对应路段的坡度特征与该车载obd数据关联，得到坡度匹配车载obd数据；

26、s303：在每一个时刻，对目标区域的全路网道路拥堵数据进行统计特征计算，提取出拥堵背景特征，得到各个时刻的拥堵背景特征；

27、s305：提取坡度匹配车载obd数据的时间戳，匹配同一时刻的拥堵背景特征，并将拥堵背景特征与该坡度匹配车载obd数据关联，得到包含坡度特征和拥堵背景特征的时空融合obd数据；

28、s306：针对每一条车载obd数据分别执行步骤s302至s305，得到对应的时空融合obd数据。

29、优选的，步骤s303中，拥堵背景特征包括拥堵均值、拥堵标准差、路网均速、平均流量和高峰与平峰的拥堵比。

30、优选的，步骤s4中，obd动态特征包括车速差分、滚动均值、动能、电流绝对值、电流平方、电流差分、rpm平方和rpm差分；

31、城市背景特征包括坡度特征和拥堵背景特征，具体包括平均坡度、最大坡度和最小坡度，以及拥堵均值、拥堵标准差、路网均速、平均流量和高峰与平峰的拥堵比；

32、多源交互特征包括气温与车速的乘积、气温与电流的乘积、坡度与车速的乘积、坡度与动能的乘积以及拥堵特征与车速的乘积；

33、行程能耗目标为行程能耗代理指标；

34、v2g可调度电量以电池soc、电池总容量和最低保留soc计算得出。

35、优选的，步骤s5中，具体包括如下处理步骤：

36、s501：通过邻域成分分析算法对原始特征矩阵进行监督式降维，将其降至预设维度，得到降维后的特征矩阵；

37、s502：对降维后的特征矩阵进行归一化处理；

38、s503：从原始特征矩阵对应的车载obd数据中提取电池soc特征并进行归一化处理；

39、s504：将归一化处理后的电池soc特征单独拼接回归一化后的特征矩阵的末尾，生成输入特征序列。

40、优选的，步骤s6中，transformer多任务联合预测模型包括级联的输入层、transformer编码器、共享层和预测头；

41、输入层用于接收输入特征序列；

42、transformer编码器包括堆叠的多个transformer编码器块，每个transformer编码器块内部具有多头自注意力机制和前馈网络，用于捕捉特征序列中的全局依赖关系；

43、共享层包括级联的全局平均池化层和共享的全连接层，用于学习两个任务的共享表示；

44、预测头包括分别用于预测行程能耗和v2g可调度电量的两个独立的任务头。

45、本发明中电动公交能耗与v2g可调度电量的联合预测方法与现有技术相比，具有如下有益效果：

46、本发明通过构建kdtree空间索引将车载obd数据与路网坡度特征进行高精度匹配，并引入全路网拥堵背景特征，以各路段拥堵指数的统计均值表征全局交通流状态，实现了微观车辆状态与宏观城市环境信息的空间匹配与深度融合，打破了单一车载数据的信息孤岛，有效解决了现有技术中因缺乏道路物理属性（如坡度）和动态交通流（如拥堵）信息而导致的预测偏差问题。通过引入坡度特征，模型能够有效反映车辆在爬坡或下坡过程中的势能变化对能耗及电量回收的影响；通过引入拥堵背景特征，模型能够感知全局交通流对车辆频繁启停的潜在影响，通过这种多源异构数据的时空融合，极大地丰富了输入数据的特征维度，显著提高了训练数据的有效性和全面性，为后续模型准确理解复杂城市工况下的车辆运行规律奠定了坚实的数据基础，从而有效提升了电动公交能耗与v2g可调度电量预测的鲁棒性。

47、本发明通过构建包含obd动态特征、城市背景特征及多源交互特征的原始特征矩阵，并结合nca（邻域成分分析）降维与soc旁路归一化策略，显著提升了特征工程的质量与针对性。首先，通过构造气温与车速、坡度与动能等多源交互特征，能够显式地表达复杂工况下各变量间的非线性耦合关系，增强了数据对能耗变化的解释力。其次，利用nca算法进行监督式降维，能够在压缩数据维度的同时，最大化保留与预测目标（行程能耗和v2g电量）相关性最高的特征分量，有效去除了冗余噪声，提高了训练数据的有效性。最后，采用soc旁路归一化策略，将电池soc特征单独处理并拼接回归一化后的特征矩阵末尾，既避免了soc数值范围差异对其他特征归一化过程的干扰，又突出了soc作为v2g可调度电量计算核心参数的关键地位，确保了输入模型的特征序列具有更高的区分度和代表性，从而大幅提高了联合预测的准确性。

48、本发明采用基于transformer架构的多任务学习模型进行联合预测，充分利用了多头自注意力机制捕捉长序列数据中全局依赖关系的优势，克服了传统循环神经网络在处理长时序数据时易出现的梯度消失或信息遗忘问题。在电动公交运行场景中，能耗与v2g电量不仅受当前时刻状态影响，更与历史一段行程的驾驶习惯、路况变化紧密相关，transformer结构能够精准捕捉这种长距离的时间依赖性。此外，通过构建包含共享层和独立任务头的多任务架构，模型能够在底层共享层中学习到行程能耗与v2g可调度电量之间的内在关联和共性特征，实现任务间的知识迁移与互补，而在预测头层又能针对各自任务特性进行独立优化，不仅提高了模型的泛化能力，还避免了单任务模型可能出现的过拟合现象，从而在复杂多变的实际运营环境中，实现了对电动公交行程能耗与v2g可调度电量的高精度同步预测。