用于补能设备的需求预测方法、装置、介质和补能设备与流程

1.本发明涉及一种用于补能设备的需求预测方法以及用于执行这样的方法的需求预测装置、计算机可读存储介质和补能设备。


背景技术：

2.在电动汽车快速发展的现今，能否实现对电动汽车的快速电能补给是影响用户体验的重要一环，例如，借助实施为换电站的补能设备的换电操作或借助实施为充电桩的补能设备对其进行快速充电。在此，为了获得较高的用户满意度，需要合理分配资源，例如，换电站的运营服务网络需要在恰当的时间将满电电池资源、尤其满电电池资源合理地分配给各换电站。若各换电站的电池资源分配不合理，则容易引起如下情况，即某些换电站在换电高峰期间满电电池供不应求，而另外一些换电站却鲜有人问津并且一部分满电电池被闲置。满电电池资源的分配不均匀会严重影响用户体验，并且另一方面会造成整个换电运营服务系统的运营成本增加。
3.基于此，从现有技术中已知一种基于传统的机器学习的换电站需求预测方法，其根据该换电站的离线数据集标签进行监督学习并且一次性预测出结果。也即，这种方法根据待预测的换电站本身的或单独的历史数据来预算其在未来某一时刻的可能的订单数量，在该预测过程中忽略了外界环境对换电站需求量的影响，由此这在一定程度上会影响换电站需求预测的准确度。


技术实现要素：

4.根据不同的方面，本发明的目的在于提供一种具备较高准确性的用于补能设备的需求预测方法、需求预测装置、计算机可读存储介质以及补能设备。
5.此外，本发明还旨在解决或者缓解现有技术中存在的其它技术问题。
6.首先，本发明通过提供一种用于补能设备的需求预测方法来解决上述问题，具体而言，其包括如下步骤：s100：获取预设空间范围内的多个补能设备的特征信息，所述多个补能设备包括目标补能设备以及与所述目标补能设备存在关联关系的关联补能设备，所述特征信息包括各补能设备的与需求相关的自身特征以及蕴含所述关联关系的拓扑特征；s200：基于所述特征信息，构建拓扑结构图，所述多个补能设备分别作为拓扑结构图的节点，所述关联关系作为拓扑结构图的边；s300：基于所述拓扑结构图，根据拓扑图模型确定所述目标补能设备在目标时间段内的需求理论值，其中，所述拓扑图模型包括用于对所述拓扑结构图进行处理以获得表征所述关联关系的关联特征的特征提取层以及用于基于所述关联特征和自身特征来确定需求理论值的预测层；s400：获取目标补能设备在目标时间段内的需求实际值与所述需求理论值之间的偏差，基于所述偏差对所构建的拓扑结构图和/或所述拓扑图模型进行更新。
7.根据本发明的一方面所提出的需求预测方法，在步骤s400中，响应于所述偏差超过预设的偏差阈值而检测所述多个补能设备的拓扑结构是否发生改变，若所述拓扑结构发生改变，则更新所构建的拓扑结构图。
8.根据本发明的一方面所提出的需求预测方法，响应于所述补能设备的拓扑结构发生改变，所述特征提取层配置成用于基于聚合函数对更新后的拓扑结构图的节点进行信息聚合并且获取更新后的关联特征。
9.根据本发明的一方面所提出的需求预测方法，所述补能设备的自身特征包括补能设备类型信息、补能设备编号信息、补能设备位置信息、周边车辆信息中的至少一个，其中，所述周边车辆信息表征相对于补能设备处于预设范围内的电动车辆的相关信息。
10.根据本发明的一方面所提出的需求预测方法，所述周边车辆信息包括电动车辆的数量信息、电动车辆的soc信息、车辆换电请求信息、动力电池型号信息中的至少一个。
11.根据本发明的一方面所提出的需求预测方法，所述拓扑特征包括所述多个补能设备彼此之间的距离信息、用户共现信息中的至少一个。
12.根据本发明的一方面所提出的需求预测方法，所述用户共现信息表示为用户共现矩阵并且用于表示所述多个补能设备所关联的用户关于各补能设备的出现次数。
13.根据本发明的一方面所提出的需求预测方法，所述预测层以强化学习的方式进行预先训练根据本发明的另一方面，提供一种可用于补能设备中并且执行这样的需求预测方法的需求预测装置，其包括：获取模块，其配置成用于获取预设空间范围内的多个补能设备的特征信息，所述多个补能设备包括目标补能设备以及与所述目标补能设备存在关联关系的关联补能设备，所述特征信息包括各补能设备的与需求相关的自身特征以及蕴含所述关联关系的拓扑特征；拓扑结构图生成模块，其配置成用于接收所述特征信息并且基于所述特征信息构建拓扑结构图，其中，所述多个补能设备分别作为拓扑结构图的节点，所述关联关系作为拓扑结构图的边；需求预测模块，在其上存储有拓扑图模型，所述拓扑图模型对所述拓扑结构图进行处理并且确定所述目标补能设备在目标时间段内的需求理论值，其中，所述拓扑图模型包括用于对所述拓扑结构图进行处理以获得表征所述关联关系的关联特征的特征提取层以及用于基于所述关联特征和自身特征来确定需求理论值的预测层；更新模块，其与所述需求预测模块传递信号地连接并且配置成用于获取目标补能设备在目标时间段内的需求实际值与所述需求理论值之间的偏差，基于所述偏差控制所构建的拓扑结构图和/或所述拓扑图模型进行更新。
14.根据本发明的另一方面所提出的需求预测装置，所述更新模块包括彼此连接的偏差计算子模块、判断子模块、更新子模块，其中，所述偏差计算子模块用于确定所述需求实际值与所述需求理论值之间的偏差并且将所述偏差与预设的偏差阈值进行比较；所述判断子模块配置成响应于所述偏差超过所述偏差阈值而检测所述多个补能设备的拓扑结构是否发生改变并且将判断结果传输给所述更新子模块；所述更新子模块配置成用于根据判断结果生成控制信号，所述控制信号用于控制所述拓扑结构图和/或所述拓扑图模型进行更
新。
15.根据本发明的另一方面所提出的需求预测装置，所述特征提取层配置成用于，响应于所述补能设备拓扑结构发生改变而基于聚合函数对更新后的拓扑结构图的节点进行信息聚合并且获取更新后的关联特征。
16.根据本发明的再一方面，还提供一种计算机可读存储介质，在其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上面所阐述的补能设备需求预测方法并且具有上面所说明的特征和优点，对此不再赘述。
17.最后，根据本发明的又一方面，还提供一种补能设备，其包括上面所阐述的这种类型的需求预测装置并且具有上面所说明的特征和优点，对此不再赘述。
18.这种类型的用于补能设备的需求预测方法在考虑关联补能设备的情况下以图网络建立补能设备之间的拓扑结构图并且基于该拓扑结构图进行需求预测，相较于传统的仅考虑目标补能设备自身的特征的预测方法，其能够实现较高的预测准确性。
附图说明
19.参考附图，本发明的上述以及其它的特征将变得显而易见，其中，图1示出了根据本发明的需求预测方法的一实施例的主要步骤；图2示出了根据本发明的用于补能设备的需求预测装置的框图。
具体实施方式
20.容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
21.在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。此外，术语“第一”、“第二”、“第三”等或类似表述仅用于描述与区分目的，而不能理解为指示或暗示相应的构件的相对重要性。
22.首先应该说明的是，“补能设备”在此一方面应该理解为用于对电动车辆动力电池进行更换作业的换电平台或换电装置（例如固定不动的、可移动的或可折叠的换电平台或换电装置）或常见的与外界隔开的建筑物式的换电站，此时，“需求”这一概念能够理解为对满电电池的需求。另一方面，“补能设备”还能够涉及到所谓的充电平台或充电桩，则“需求”这一概念可以理解为对于电量或电荷的需求，其还能够简单地理解为需要进行充电的订单需求。在下面，我们以补能设备实施为用于对车辆进行换电操作的换电站为例进行阐述，对于上面所提及的其它类型的补能设备能够基于此延伸地进行理解。
23.参考图1，其示出了根据本发明的一实施例的用于补能设备（例如换电站）的需求预测方法的主要步骤，其中，该需求预测方法主要包括特征获取步骤s100、拓扑结构图生成步骤s200、需求预测步骤s300以及可选地还有实时更新步骤s400。与此相应地，根据本发明的用于执行这种方法的需求预测装置10在图2中以框图示意性地示出，并且包括有用于执
行步骤s100的获取模块11、用于执行步骤s200的拓扑结构图生成模块12、用于执行步骤s300的需求预测模块13以及可选地用于执行步骤s400的更新模块14，这些模块相应地可通讯地进行连接。
24.需要说明的是，在此所提到的（以及下面还要提到的）步骤名称仅仅用于步骤之间的区分和便于步骤的引用，并不代表步骤之间的顺序关系，包括附图的流程图也仅仅是执行本方法的示例。在没有明显冲突的情况下，步骤之间可以用各种顺序或者同时执行。
25.首先，在特征获取步骤s100中，获取预设空间范围内的多个换电站（在本发明的意义上，其概括地说，为补能设备）的特征信息，所述多个换电站包括目标换电站以及与目标换电站存在关联关系的关联换电站，该特征信息包括所述多个换电站的自身特征和所述多个换电站彼此之间的拓扑特征，所述拓扑特征蕴含或从其中可得出上述关联关系。换言之，在步骤s100中，获取换电站簇的特征信息，换电站簇在拓扑结构图方面应该如此进行理解，以某个换电站为中心节点形成一个子图，其包含了与中心节点相邻的其它换电站，通过特征提取层对相邻节点的信息进行聚合和提取，能够得到相应的关联特征并且将其应用于随后的需求预测过程。该特征获取步骤能够通过根据本发明的需求预测装置的获取模块11来完成，其能够与云端通讯连接并从云端调取所涉及到的换电站的相关信息、尤其与需求预测相关的信息，或其能够与各换电站本身的控制系统或所配属的计算机设备通讯连接并从中调取与需求预测相关的信息。
26.在此所用到的“需求”这一概念理解为换电站在某一时间段内需要服务的订单数量，例如在换电站的情况下可延伸地理解为在该时间段内对满电电池的需求量。具体地，该需求量可涉及到在该时间段内实际完成的订单数量或可选地还涉及到由于某些原因（例如换电站电池仓中的满电电池耗尽）而未完成的订单数量，后者能够通过所接收到的电动车辆的换电请求来算出。上述获取模块11调用所存储的订单数量并且将其作为换电站需求。
27.在探究对补能设备、尤其换电站进行需求预测的过程中认识到，不仅待预测的目标换电站的自身特征而且其周围环境因素都会对换电站需求有着明显的影响，该周围环境因素为关联换电站与目标换电站的关联关系。可选地，在特征获取阶段，获取各换电站（包括目标换电站和关联换电站在内）的影响其需求量的离线特征和实时特征作为自身特征，其中，离线特征涉及到换电站位置信息、换电站类型信息以及换电站编号；实时特征涉及到相对于该换电站处于预设范围（例如处于预设距离内或处于预设空间中）的电动车辆的相关信息，该相关信息可表示电动车辆的电池状态信息。
28.换电站位置信息携带换电站的空间位置信息，例如该换电站可处于换电操作频率较高的高速路口、闹市区或换电操作频率相对较低的郊外路段。示范性地，换电站类型信息用于表征在如下方面的不同：服务业务（换电业务或充电业务或这两者的结合）、最大容量（可同时对多少辆电动车辆进行操作或电池仓的关于满电电池的最大容量）、操作自动化程度（全自动化换电操作或半自动化操作）、操作人员的配置（有无操作人员）。此外，换电站编号在一定程度上可反映出其与周边的关联换电站的联系并且作为后续拓扑图生成步骤的基础。
29.进一步，换电站的实时特征涉及到周边车辆信息，例如在该时刻处于换电站方圆一公里内的电动车辆的相关信息，具体地，其能够涉及到但不限于电动车辆的数量信息、电动车辆的soc（state of charge，电池充电状态）信息、车辆换电请求信息、动力电池型号信
息等等。这些类别的周边车辆信息本质上反映了换电站在该时刻需要执行的订单数，换言之，其反映出了针对换电站的期望的换电潜力。此外，这些类别的周边车辆信息实际上关于车辆动力电池的状态信息，并且根据本发明的需求预测装置的获取模块11可从云端调取或算出上述周边车辆信息。
30.在步骤s100中所获取的拓扑特征可涉及到隐含换电站间的位置关系的距离信息以及隐含共同用户信息的用户共现信息，其中，该用户共现信息可通过用户共现矩阵的形式来表示。在此，对于用户共现矩阵，能够把该换电站簇所关联的或所涉及到的用户作为行；以换电站簇中的每个换电站作为列并且其能够通过各自的编号进行表示；矩阵各元素的值表示某个用户去过某个换电站的次数，当某两个换电站中出现较多的用户交叉时，即两列中有很多行都存在大于零的值，则说明这两个换电站的关联度较高。通过该用户共现矩阵能够直观地表现出相关换电站的关联性以及关联度的高低，关于此的信息随后能够被输入拓扑图模型中并且用于换电站的需求预测过程。
31.在拓扑结构图生成步骤s200中，基于各换电站的自身特征和各换电站间的关联关系或该关联关系的载体“拓扑特征”，构建拓扑结构图，各换电站分别作为拓扑结构图的节点且关联关系作为拓扑结构图的边。该步骤能够在根据本发明的拓扑结构图生成模块12中来执行，其配置成基于上述特征来创建拓扑结构图，其一方面可布置在云端或另一方面可以计算机终端的方式存在并且输出所创建的拓扑结构图以用于后续的需求预测。
32.具体地，在拓扑结构图中，每个节点代表换电站并且可用换电站编号来相应地表示；根据换电站的距离关系，将在预设空间范围内的换电站通过边相连，或根据用户共现矩阵，将具有共同用户群体的换电站通过边相连，也就是说，仅仅存在关联关系的换电站通过边进行连接。基于此建立邻接矩阵，并且当具有多个关联特征且不同关联特征下各换电站间的连接关系不同时，则能够构建多张拓扑结构图以得到多重结构化关系。应该注意的是，若针对某一关联特征同时存在有相互关联的多于两个的换电站时，能够以超图的方式来表示该拓扑结构图，在这种情况下借助一条超边将多个换电站同时进行连接。以这种方式，能够给予换电站需求预测分析的多重性和可解释性，并且由此提高预测准确度。
33.随后，拓扑结构图生成模块12将所构建的拓扑结构图输入到需求预测模块13中，在该需求预测模块中存储有拓扑图模型，以用于执行下面还将较详细地阐述的需求预测步骤s200。在该需求预测步骤中，概括地说，基于所构建的拓扑结构图，根据拓扑图模型确定目标换电站在目标时间段内的需求理论值。在此，所述拓扑图模型包括用于对所述拓扑结构图进行处理以获得表征所述关联关系的关联特征的特征提取层以及用于基于所述关联特征和自身特征来确定需求理论值的预测层，其中，该预测层预先基于强化学习模型进行构建和训练。具体地，在预测层的训练期间，将训练数据集中每一时刻的特征（包括上面所阐述的关于换电站簇的自身特征和关联特征）输入到该预测层得出相应的需求预测值，根据需求真实值计算奖励值，并切换到下一时刻，不断重复直至训练数据集全部处理完毕。在训练阶段所涉及到的数据集包括历史目标时间段内的换电站簇的特征信息以及真实的需求历史值，该需求历史值可延伸地理解为真实处理的订单数量，其中，假设目标时间段设为18:00-20:00，则历史目标时间段同样为18:00-20:00。在该训练期间，根据梯度下降优化方法对预测层进行优化。这种无监督的强化学习模型能够更好地支持场景的动态变化并且能够根据奖励值的变化灵活地探索从而调整策略。
34.在真正的预测过程中，训练好的拓扑图模型根据与目标换电站相关的换电站簇的特征来得出该目标换电站或该换电站簇中每一个换电站的需求理论值。在此期间，不仅涉及到了单个换电站的自身特征还还涉及到了换电站彼此间的影响，由此可以提高换电站需求预测的准确度。另外，基于所预测的需求理论值来调配各换电站的满电电池或工作人员，由此还能够合理分配并且降低换电站的运营成本。
35.可选地，为了进一步提高需求预测的准确性，在步骤s400中进行实时更新，例如类似于上面所提到的训练过程中的奖励值的方式来进行实时更新。具体地，在真正的预测过程中，在经过该目标时间段后，获取该目标时间段内的需求实际值，若所述需求实际值与基于拓扑图模型所得出的需求理论值之间的偏差超过预设的偏差阈值，则更新所构建的拓扑结构图和/或所述拓扑图模型，其中，在拓扑结构图被更新的情况下，特征提取层能够自动地提取出相邻节点的信息，这在下面还将更详细地进行阐述。概括地说，根据本发明的用于换电站的需求预测方法持续地对所应用的拓扑结构图或模型进行更新，以便使用于预测的拓扑结构图与真实情况相匹配并且使模型的预测更加准确。
36.与此相应地，根据本发明的需求预测装置的更新模块14的输入端与需求预测模块13相连，并且其输出端与拓扑结构图生成模块12和需求预测装置13相连以将用于控制更新的信息反馈给这两者，具体地，更新模块14输出用于控制这两者进行更新的控制信号。
37.具体地，在实时更新步骤中，响应于所述偏差（即奖励值）超过所述偏差阈值（即为奖励值阈值）而检测所述多个换电站的拓扑结构是否发生改变，若所述拓扑结构发生改变，则更新所构建的拓扑结构图，否则，更新所述拓扑图模型。该步骤可以被称作根因确定步骤，即找寻出造成预测准确度下降的原因是换电站拓扑结构发生改变还是模型本身、尤其特征提取层需要进一步优化，并基于此控制实时更新的执行。
38.与此相应地，上述更新模块14包括有用于得出需求实际值相对于需求理论值的偏差的偏差计算子模块（具体地可为奖励计算子模块）、判断子模块、更新子模块，其中，判断子模块配置成响应于所述偏差超过所述偏差阈值而检测所涉及的换电站的拓扑结构是否发生改变；更新子模块配置成用于根据判断结果选择性地发出控制信号，该控制信号触发和控制拓扑结构图和/或所述拓扑图模型的更新。
39.可选地，若得出换电站的拓扑结构发生改变，例如得出换电站的增设或拆除，则更新子模块发出控制信号对拓扑结构图进行更新，相应于此，在特征提取层中基于聚合函数对所述节点进行信息聚合并且生成固定向量，由于其由于不受节点个数以及结构的影响能够很好地支持拓扑结构图的动态变化。该聚合函数例如涉及求均值、求最大值、求和等聚合函数，以将本节点及其相邻节点的信息汇聚到本节点中，若条件允许，则数次的聚合即可包含多近邻节点的信息。在此阶段，不需要重新训练拓扑图模型，只需要增量修改拓扑图的节点和边、即可自动提取拓扑特征，而不需要人工介入和冷启动，具有很强的灵活性和自适应性。
40.与此相对地，在未检测到换电站拓扑结构发生改变，此时应该考虑由于增量的数据而导致的预测偏差并且更新拓扑图模型，尤其更新其特征提取层或可选地还更新拓扑结构图。
41.在此，需要再次强调的是，上面对于换电站的描述仅仅用于展示一种具体的实施方式，其不应限制性地进行理解并且能够延及上面所提到的其它任意类型的补能设备。
42.综上所述，根据本公开的需求预测方法在考虑关联补能设备的情况下以图网络建立补能设备之间的拓扑结构并且基于该拓扑结构进行需求预测，相较于传统地仅考虑目标补能设备自身特征的预测方法，其能够实现较高的预测准确性。在本发明的一种实施例中，通过建立自适应的实时更新机制，能够根据实时信息变化来动态地更新需求预测策略，从而能够进一步提高需求预测的准确性、灵活性和通用性。
43.此外，本发明还涉及一种用于实现根据本发明的一个或多个实施例的用于补能设备的需求预测方法的计算机可读存储介质。在此所提及的计算机可读存储介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读存储介质可以包括ram、rom、eprom、e2prom、寄存器、硬盘、可移动盘、cd-rom或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。关于根据本发明的计算机可读存储介质的描述能够参考针对根据本发明的用于补能设备的需求预测方法的阐释，对此不再赘述。
44.最后，本发明还提出一种补能设备，其包括根据本发明的一个或多个实施例的需求预测装置，其能够布置在配属于补能设备的云端。关于根据本发明的补能设备的描述能够参考针对根据本发明的用于补能设备需求预测方法的阐释，对此不再赘述。
45.应当理解的是，所有以上的优选实施例都是示例性而非限制性的，本领域技术人员在本发明的构思下对以上描述的具体实施例做出的各种改型或变形都应在本发明的法律保护范围内。