一种基于用户行为的电动汽车充电负荷预测方法与流程

1.本发明涉及大数据技术领域，具体是一种基于用户行为的电动汽车充电负荷预测方法。


背景技术：

2.根据国际能源署统计，交通系统的能源消耗和相关碳排放分别约占全球的29％和23％，是目前能源危机和环境污染问题的重要根源之一。为实现交通系统的节能减排，我国投入了大量的资金，大力推进电动汽车产业发展。在此背景下，有必要研究基于数据驱动的电动汽车充电负荷预测技术，从而指导相关的电动汽车服务，为改善用户电动汽车的使用体验，提供理论和技术支撑。
3.目前的相关研究多基于充电数据来对电动汽车充电负荷进行预测，例如：申请(专利)号：201710351396.8，名称：电动汽车充电需求预测方法及系统，该专利提出了一种电动汽车充电需求预测方法，主要基于电池电量、在当前位置的预计停车时间以及历史数据来确定其在当前时间进行充电的概率，并计算各电动汽车的充电需求概率，并未考虑用户的具体出行行为。申请(专利)号： cn201911075075.5，名称：充电站负荷预测方法、装置、计算机设备和存储介质，公开了一种充电站负荷预测方法，但其主要是站在充电站角度，基于充电站的历史数据，如车辆到站数量、类型比例、到站时间等进行预测，没有充分将用户行为考虑进来，因此在一定程度上无法更好地挖掘电动汽车用户的真实需求。申请(专利)号： 202011142389.5，名称：基于神经网络的电动汽车充电需求预测方法、系统及装置，该专利主要以历史时间段的充电桩信息和充电需求作为模型训练数据，以天气预报信息和节假日信息作为模型辅助训练数据，但并没有对电动汽车用户的具体出行行为进行分析挖掘，因此得到的预测需求无法充分体现用户的真实需求。
4.还有部分研究引入了电动汽车的运行数据进行预测。例如，申请 (专利)号：201811108495.4，名称：一种电动汽车充电需求预测方法及装置，该专利公开了一种电动汽车充电需求预测方法及装置，其主要基于历史交通环境信息及其对应的历史电动汽车驾驶速度建立神经网络模型，来对电动汽车驾驶速度进行预测，基于此确定电动汽车的能量消耗，最后再基于能量消耗以及电池数据确定电动汽车充电需求。但依旧无法站在用户的角度来进行需求预测。
5.此外，也有研究引入电动汽车的出行数据来进行需求预测，但通常考虑的数据不够全面，无法充分挖掘用户的需求。例如，申请(专利)号：202110427920.1，名称：基于智能体仿真的城市电动汽车充电需求预测方法及系统，该专利主要基于概率密度函数确定的出行者行为参数以及电动汽车的轨迹数据进行需求预测，并没有考虑地理因素等其他因素，因此在全面性上存在一定不足。
6.综上，现有的研究很少站在电动汽车用户的视角，基于丰富的用户行为数据来对充电负荷进行预测。


技术实现要素：

7.针对现有技术存在的上述不足，本发明提供一种基于用户行为的充电汽车充电负荷预测方法，主要在于基于电动汽车用户的真实行为数据更充分地分析挖掘了用户的实际需求，通过此进行的充电负荷预测会更接近于用户的真实需求，同时本发明考虑到的数据维度包括轨迹数据、地理数据如路网数据及poi(point of interest，兴趣点)数据、电池数据等，相对于现有技术更为全面。
8.本发明采用的技术方案为：
9.一种基于用户行为的电动汽车充电负荷预测方法，包括以下步骤：
10.a、获取数据，包括电动汽车用户的车辆数据、时间数据、位置数据、轨迹数据、poi数据、soc数据；
11.b、对步骤a获取的数据进行预处理；
12.c、对步骤b预处理后的数据进行挖掘，包括地图匹配、生成再生数据、通过网格划分进行空间建模、poi识别、功能区时空流动特征挖掘；
13.d、基于步骤c的数据挖掘结果，进行电动汽车用户的出行过程模拟及充电决策模拟，基于出行过程模拟和充电决策模拟对用户的充电需求进行计算，得到各个区域的理论充电需求量。
14.进一步的，步骤a中所述所述车辆数据包括车辆id；所述时间数据包括路途开始时间、沿途各个目的地的到达/离开时间、停留时间；所述位置数据包括起点/终点位置、停留地位置；所述轨迹数据包括轨迹gps纬度、轨迹gps经度、速度数据、方向数据。
15.进一步的，步骤b中对步骤a获取的数据进行预处理，具体为：
16.首先，按单日数据分为若干集合；
17.然后，对坏点数据进行删除，所述坏点数据包括：不在研究区域范围内的数据；同一车辆同一时间段短距离内的多条重复数据；速度异常的数据；异常偏移的数据；
18.最后，基于具体需求，对poi数据进行分类的确定，具体分类为：居民区、商业区、工业区、公共服务区。
19.进一步的，步骤c中对步骤b预处理后的数据进行挖掘，具体为：
20.首先，进行地图匹配，即将gps轨迹与路网模型进行匹配；
21.其次，生成再生特征数据：od出行集、路网同行速度集、实际行驶路径集；
22.然后，进行空间建模，选择合适尺度对研究区域进行网格划分, 划分方法为：
①
在不同尺度下对研究的空间范围进行划分，并进行网格编号：au(j)＝{au(1),au(2),...au(m)}，其中，u为划分的尺度，u∈ [50,500]，间隔为50m；au(j)为尺度u下第j个网格的编号；m为一共划分了m个网格；
②
计算不同空间尺度下网格内的有效数据量：其中，eu(i)为第i个网格中有效od点的数量，通过
①②
两步，得到最佳的u值，并基于此进行网格划分；
[0023]
再者，进行poi识别：结合实际情况，进行poi分类，在此基础上，基于poi数据进行功能区的识别，即计算网格内各类poi密度占比确定该网格的功能性质，确定网格的功能类型：
①
计算各个网格中od点集合中各类poi的个数：其中，nik
为第i个网格中k类型的poi数量；no(i,m,k)为第i个网格中第m个k类型的起点；nd(i,n,k)为第i个网格中第n个k类型的终点；
②
计算各个网格中的poi类型情况：ni＝∑n(i,k)，其中ni为第i个网格中poi总数，n(i,k)为第i个网格中k类型的poi数量；
③
根据需要对网格进行聚合；
[0024]
最后，对功能区时空流动特征进行挖掘，结合od集合poi识别，挖掘功能区的时空流动特征。
[0025]
进一步的，步骤d具体包括：
[0026]
首先，进行电动汽车出行过程模拟：基于步骤c中的数据挖掘结果，确定电动汽车各个出行特征量的概率分布，针对每个特征量，运用蒙特卡洛模拟方法抽取服从符合其概率分布的随机数，实现对每辆电动汽车出行过程的模拟；
[0027]
然后，进行电动汽车用户的充电决策模拟：基于电动汽车电池现有剩余电量、下次出行距离和在当前且的地停留时长三个因素来对电动汽车到达某一个地点之后是否会充电以及充电时长进行判断，运用蒙特卡洛模拟方法抽取服从这三个特征量概率分布的随机数并在计算机上进行模拟，得到每辆电动汽车每次充电的数据，在此基础上，进行决策判断；
[0028]
再有，将电动汽车出行过程模拟和充电决策过程模拟进行整合，得到电动汽车一天的充电需求数据，包括充电需求发生的地点、发生的时间以及充电时长；
[0029]
最后，进行充电需求计算：对研究区域进行网格划分；处在同一个小方格区域中的需求被看作是发生在同一地点；将每个小方格区域的中心称为该区域的理论充电需求发生点；将一天的时间按每小时划分为24个时间段，统计每个小区域各个时间段的快充需求量fq
need-t
和慢充需求量sq
need-t
；选取需求量最大的时间段中的需求量作为该区域的的理论充电需求量q
need
，则可以得到以下公式：
[0030]qneed
＝max{fq
need-t
sq
need-t
}(t＝1,2,...24)。
[0031]
进一步的，所述决策判断具体包括：
[0032]
第一，判断是否充电：当soc＜soc
min
q
next
时，则选择充电；当 soc≥soc
min
q
next
时，则选择不充电，其中，soc为电动汽车当前荷电状态，soc
min
为用户可接受的最低荷电状态，q
next
为下次出行所需电量；
[0033]
第二，判断选择何种模式充电：当soc q
慢
≥soc
min
q
next
时，选择慢充；当soc q
慢
＜soc
min
q
next
时，选择快充。其中，q
慢
为停留时间内慢充电量；
[0034]
第三，判断充电量及充电时长：当停留时间内能充满，则 q
充
＝soc
max-soc，当停留时间内无法充满，则t＝t
停留
，q
充
＝t*p。其中q
充
为充电电量，soc
max
为满电状态的电量，t为充电时长，p 为充电功率，t
停留
为停留时长。
[0035]
进一步的，所述出行特征量包括出行地点、出行时刻、出行目的地、到达目的地时刻、出行距离、目的地停留时长。
[0036]
进一步的，蒙特卡洛模拟中随机变量ε的数学期望e(ε)的确定是通过对随机变量ε进行n次重复抽样，得到n个观察值，再进一步根据以下公式计算：
[0037][0038]
本发明基于电动汽车用户的真实行为数据更充分地分析挖掘了用户的实际需求，通过此进行的充电负荷预测会更接近于用户的真实需求，同时本发明考虑到的数据维度包括轨迹数据、地理数据如路网数据及poi数据、电池数据等，相对于现有技术更为全面。本发明所提的预测方法可为进一步的电动汽车充电站选址等充电相关服务提供有效依据。
附图说明
[0039]
图1是本发明一种基于用户行为的电动汽车充电负荷预测方法其中一个实施例流程图；
[0040]
图2是本发明步骤d的流程图；
[0041]
图3是本发明电动汽车用户充电决策模拟流程图；
[0042]
图4是本发明实施例研究区域内实际充电需求和预测充电需求的时间分布图。
具体实施方式
[0043]
为让本专利的特征和优点更明显易懂，下文结合附图与实施例，对本发明作进一步详细说明。
[0044]
如图1所述，本发明实施例提供一种基于用户行为的电动汽车充电负荷预测方法，具体包括以下步骤：
[0045]
a、从数据源获取以下数据：车辆数据(车辆id)；时间数据(路途开始时间、沿途各个目的地的到达/离开时间、停留时间)；位置数据(起点/终点位置、停留地位置)；轨迹数据(轨迹gps纬度、轨迹gps经度、速度数据、方向数据)；poi(point of interest，兴趣点)数据；soc(state of charge,荷电状态)数据。
[0046]
b、对获取到的原始数据进行预处理，具体为：
[0047]
首先，按单日数据分为若干集合。
[0048]
然后，对坏点数据进行删除，主要包括：不在研究区域范围内的数据；同一车辆同一时间段短距离内的多条重复数据；速度异常的数据如瞬时速度超过120km/h的轨迹数据；异常偏移的数据。
[0049]
最后，基于具体需求，对poi数据进行分类的确定。poi分类结果为：居民区、商业区、工业区、公共服务区。
[0050]
c、基于步骤b预处理后的数据进行挖掘，具体为：
[0051]
首先，进行地图匹配，即将gps轨迹与路网模型进行匹配。
[0052]
其次，生成再生特征数据。主要生成以下再生特征数据：od出行集、路网同行速度集、实际行驶路径集。
[0053]
然后，进行空间建模。选择合适尺度对研究区域进行网格划分。
[0054]
再者，进行poi识别。结合实际情况，进行poi分类，在此基础上，基于poi数据进行功能区的识别(通过计算网格内各类poi 密度占比确定该网格的功能性质)，确定网格的功能类型，同时，根据需要对网格进行聚合。
[0055]
最后，对功能区时空流动特征进行挖掘，结合od集合poi识别，挖掘功能区的时空流动特征。
[0056]
d、基于步骤c的数据挖掘结果，进行电动汽车充电需求模型的构建，具体为(如图2所示)：
[0057]
首先，进行电动汽车出行过程模拟。基于步骤c中挖掘得到的出行数据，确定电动汽车各个出行特征量(出行地点、出行时刻、出行目的地、到达目的地时刻、出行距离、目的地停留时长)的概率分布。针对每个特征量，运用蒙特卡洛模拟方法抽取服从符合其概率分布的随机数，就可以实现对每辆电动汽车出行过程的模拟。其中，蒙特卡洛模拟中随机变量ε的数学期望的确定是通过对随机变量ε进行n次重复抽样，得到n个观察值，再进一步根据以下公式计算：
[0058][0059]
然后，进行电动汽车用户的充电决策模拟。主要基于电动汽车电池现有剩余电量、下次出行距离和在当前目的地停留时长三个因素来对电动汽车到达某一个地点之后是否会充电以及充电时长进行判断。运用蒙特卡洛模拟方法抽取服从这三个特征量概率分布的随机数并在计算机上进行模拟，得到每辆电动汽车每次充电的数据。电动汽车用户充电决策模拟流程图如图3所示，主要进行进行三种充电决策判断：
[0060]
第一，判断是否充电。当soc＜soc
min
q
next
时，则选择充电；当soc≥soc
min
q
next
时，则选择不充电。其中，soc为电动汽车当前荷电状态，soc
min
为用户可接受的最低荷电状态，q
next
为下次出行所需电量。
[0061]
第二，判断选择何种模式充电。当soc q
慢
≥soc
min
q
next
时，选择慢充；当soc q
慢
＜soc
min
q
next
时，选择快充。其中，q
慢
为停留时间内慢充电量。
[0062]
第三，判断充电量及充电时长。当停留时间内能充满，则 q
充
＝soc
max-soc，当停留时间内无法充满，则t＝t
停留
，q
充
＝t*p。其中q
充
为充电电量，soc
max
为满电状态的电量，t为充电时长，p 为充电功率，t
停留
为停留时长。
[0063]
再有，将电动汽车出行过程模拟和充电决策过程模拟进行整合，得到电动汽车一天的充电需求数据，包括充电需求发生的地点、发生的时间以及充电时长。
[0064]
最后，进行充电需求计算。对研究区域进行网格划分；处在同一个小方格区域中的需求被看作是发生在同一地点；将每个小方格区域的中心称为该区域的理论充电需求发生点；将一天的时间按每小时划分为24个时间段，统计每个小区域各个时间段的快充需求量fq
need-t
和慢充需求量sq
need-t
；选取需求量最大的时间段中的需求量作为该区域的的理论充电需求量q
need
，则可以得到以下公式：
[0065]qneed
＝max{fq
need-t
sq
need-t
}(t＝1,2,...24)
[0066]
最终得到研究区域预测充电需求。在此基础上，分别在时间域和空间域上对预测结果进行验证：在时间域上，通过对比一天内不同时间段预测充电需求和实际充电需求的差距来进行效果验证，如图4所示；在空间域上，通过对比真实充电需求及1km内的预测充电需求来进行验证，如表1所示：
[0067]
表1
[0068][0069]
结果表明，本发明在时间域和空间域上的准确性较高，一定程度上能为电动汽车充电负荷预测提供良好方案。
[0070]
以上实施例仅用以说明本发明的技术方案，而非对其限制，任何人依然可以对本发明的具体实施方式进行修改或等同替换，而未脱离本发明精神和范围的任何修改或等同替换，其均应涵盖在本发明的权利要求保护范围之内。