多场景下基于数据驱动的车辆充电行为预测模型构建方法技术

本发明专利技术公开了多场景下基于数据驱动的车辆充电行为预测模型构建方法；包括如下步骤：S1、获取电动汽车公司充电数据，并进行预处理；S2、获取所需用户ID并提取该用户所有的历史充电数据；S3、判断充电要素是否集中，若集中，则转入S4，否则结束本次控制；S4、创建充电要素数据集；S5、利用要素数据集构建多维充电场景，并创建模型训练数据集；S6、通过基于随机森林的行为预测模型训练并测试数据集，计算测试集的误差大小，若过大，则转入S6重新训练，否则转入S7；S7、预测长短期内用户充电行为，得到预测结果，并结束本次控制。本发明专利技术能够为电动汽车充电提供预测信息，为后续一桩多充的功率分配提供基础。供基础。供基础。

【技术实现步骤摘要】
多场景下基于数据驱动的车辆充电行为预测模型构建方法


[0001]本专利技术涉及电动汽车充电
，特别涉及一种多场景下基于数据驱动的车辆充电行为预测模型构建方法。

技术介绍

[0002]由于电动汽车数量的飞速增长，充电难题随之而来。电动汽车的充电负荷增大，充电效率不足，充电桩利用率不足等问题日益凸显。因此，如何利用一系列方法来研究不同车辆的充电功率合理分配等关键性问题，已成为大家关注的焦点。
[0003]现有电动汽车充电桩功率分配仅依靠电网负荷需求响应来硬性调节，调节的大小仅根据电网侧的要求来，在未来环境下，电动汽车数量增多，充电桩的动态调节一点是更合理的，更人性化的。在此前提下，需要提前知晓电动汽车的充电习惯，为后续的充电规划做好准备。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提供一一种多场景下基于数据驱动的车辆充电行为预测模型构建方法；以解决现有技术存在的上述问题。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种多场景下基于数据驱动的车辆充电行为预测模型构建方法，包括以下步骤：
[0007]S1:获取电动汽车公司充电数据，并进行预处理；
[0008]S2：获取所需用户ID并提取该用户所有的历史充电数据；
[0009]S3、判断充电要素是否集中，若集中，则转入步骤S4，否则结束该用户的车辆充电行为预测模型构建；
[0010]S4、创建充电要素数据集；
[0011]S5、利用充电要素数据集的内容构建多维充电场景集，并将多维充电场景集作为车辆充电行为预测模型的数据集；
[0012]S6、构建车辆充电行为预测模型，并通过步骤S5的数据集进行训练和测试；
[0013]S7、根据处理后的车辆充电行为预测模型预测长短期内用户充电行为，得到预测结果。
[0014]为优化上述技术方案，采取的具体措施还包括：
[0015]进一步地，步骤S1中所述预处理的具体内容为:
[0016]获取各个充电站电动汽车充电实时数据，将数据中扰乱的数据类型进行删除，将数据中缺失的数据进行删除，将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据进行删除，对剩下所有的充电记录做工作日或节假日、休息日的标注，并注释充电的具体日期。
[0017]进一步地，步骤S3中所述判断充电要素是否集中的具体内容为：
[0018]S31、提取单个用户的充电地点，将充电地点通过地图转化为经纬度格式；
[0019]S32、采用散点离散度算法计算充电地点的离散度，若离散度小，则转入步骤S33，否则转入步骤S34；
[0020]S33、由于离散度小，说明该用户的充电地点集中，并转入S35；
[0021]S34、由于离散度大，说明该用户充电地点分布离散，将充电地点分为两部分或三部分，分别采用散点离散度算法计算各自的离散度，若离散度还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若离散度小，则转入步骤S35；
[0022]S35、获得用户充电地点1
‑
3个，转入步骤S36；
[0023]S36、提取单个用户充电时间段，分离成充电开始时间和充电结束时间，并转化成小数，转入S37；
[0024]S37、将充电时间段转化为坐标形式，格式为：(充电开始时间，充电结束时间)，转入 S38；
[0025]S38、采用散点离散度算法计算充电时间离散度，若离散度小，则转入步骤S39，否则转入步骤S310；
[0026]S39、由于离散度小，说明该用户的充电时间集中，并转入步骤S311；
[0027]S310、由于离散度大，说明该用户充电时间分布离散，将充电时间分为两部分或三部分，分别采用散点离散度算法计算各自的离散度，若离散度还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若离散度小，则转入步骤S311；
[0028]S311、获得用户充电时间段1
‑
3个，转入步骤S312；
[0029]S312、提取该用户的交易电量，并计算交易电量的方差，若方差小，则转入步骤S313，否则转入步骤S314；
[0030]S313、由于方差小，说明改用交易电量平稳，并转入步骤S315；
[0031]S314、由于方差大，说明该用户交易电量不平稳，将交易电量分为两部分或三部分，分别计算各自方差，若方差还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若方差小，则转入步骤S315；
[0032]S315、获得用户交易电量1
‑
3个，并判断该用户的充电要素均为集中。
[0033]进一步地，步骤S4的具体内容为：
[0034]S41、车辆充电行为预测模型包括用户ID，充电地点，充电时间段，交易电量要素，在确定要素后，转入S42；
[0035]S42、计算用户充电时长，即T
c
＝T
e
‑
T
s
，其中T
c
为充电时长，T
e
为充电结束时间，T
s
为充电开始时间，转入S43；
[0036]S43、计算电动汽车充电功率，即P＝Energy/T
c
，P为充电功率，Energy为交易电量，转入S44；
[0037]S44、由上述内容构成电动汽车单次充电的充电要素数据集，组合起来为：
[0038][0039]其中M为充电要素数据集，Address为充电地点，User_ID为当前用户ID。
[0040]进一步地，步骤S5中所述构建多维充电场景集的具体内容为：
[0041]S51、充电场景由多个要素构成，需要将其作为一个组合结构进行描述；
[0042]S52、充电场景构建要素分为用户要素和充电桩要素，用户要素包括充电时间、用户所在地点、充电日期、交易电量、用户ID，充电桩要素包括充电桩充电类型、充电桩使用率、充电桩地点；其中充电日期包括工作日和休息日，并转化为具体日期；充电桩类型包括快充和慢充；
[0043]S53、充电场景表述格式为：
[0044][0045][0046]式中，T
s
,T
e
分别为充电开始时间和充电结束时间，Date为充电日期，Energy为交易电量，Address
U
为用户所在地，ID
U
为用户ID，Power
max
为充电桩最大充电功率，Occupancy为充电站内充电桩的使用率，Address
P
为充电站所在地，括号内为要素的表达形式；
[0047]S54、将该用户每次的充电场景都按照场景表述形式进行统计，得到一个场景集，以此形成多维充电场景集。
[0048本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多场景下基于数据驱动的车辆充电行为预测模型构建方法，其特征在于，包括以下步骤：S1:获取电动汽车公司充电数据，并进行预处理；S2：获取所需用户ID并提取该用户所有的历史充电数据；S3、判断充电要素是否集中，若集中，则转入步骤S4，否则结束该用户的车辆充电行为预测模型构建；S4、创建充电要素数据集；S5、利用充电要素数据集的内容构建多维充电场景集，并将多维充电场景集作为车辆充电行为预测模型的数据集；S6、构建车辆充电行为预测模型，并通过步骤S5的数据集进行训练和测试；S7、根据处理后的车辆充电行为预测模型预测长短期内用户充电行为，得到预测结果。2.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方法，其特征在于，步骤S1中所述预处理的具体内容为:获取各个充电站电动汽车充电实时数据，将数据中扰乱的数据类型进行删除，将数据中缺失的数据进行删除，将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据进行删除，对剩下所有的充电记录做工作日或节假日、休息日的标注，并注释充电的具体日期。3.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测方法，其特征在于，步骤S3中所述判断充电要素是否集中的具体内容为：S31、提取单个用户的充电地点，将充电地点通过地图转化为经纬度格式；S32、采用散点离散度算法计算充电地点的离散度，若离散度小，则转入步骤S33，否则转入步骤S34；S33、由于离散度小，说明该用户的充电地点集中，并转入S35；S34、由于离散度大，说明该用户充电地点分布离散，将充电地点分为两部分或三部分，分别采用散点离散度算法计算各自的离散度，若离散度还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若离散度小，则转入步骤S35；S35、获得用户充电地点1
‑
3个，转入步骤S36；S36、提取单个用户充电时间段，分离成充电开始时间和充电结束时间，并转化成小数，转入S37；S37、将充电时间段转化为坐标形式，格式为：(充电开始时间，充电结束时间)，转入S38；S38、采用散点离散度算法计算充电时间离散度，若离散度小，则转入步骤S39，否则转入步骤S310；S39、由于离散度小，说明该用户的充电时间集中，并转入步骤S311；S310、由于离散度大，说明该用户充电时间分布离散，将充电时间分为两部分或三部分，分别采用散点离散度算法计算各自的离散度，若离散度还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若离散度小，则转入步骤S311；S311、获得用户充电时间段1
‑
3个，转入步骤S312；
S312、提取该用户的交易电量，并计算交易电量的方差，若方差小，则转入步骤S313，否则转入步骤S314；S313、由于方差小，说明改用交易电量平稳，并转入步骤S315；S314、由于方差大，说明该用户交易电量不平稳，将交易电量分为两部分或三部分，分别计算各自方差，若方差还是大，说明该用户充电习惯并不规律，排除该用户，结束该用户的车辆充电行为预测模型构建，若方差小，则转入步骤S315；S315、获得用户交易电量1
‑
3个，并判断该用户的充电要素均为集中。4.根据权利要求3所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方法，其特征在于，步骤S4的具体内容为：S41、车辆充电行为预测模型包括用户ID，充电地点，充电时间段，交易电量要素...

【专利技术属性】
技术研发人员：俞娜燕，杨睿，沈晓东，严鹏，杨紫涵，
申请(专利权)人：国网江苏电动汽车服务有限公司，
类型：发明
国别省市：