一种基于用户行为的电动汽车充电负荷预测方法技术

本发明专利技术提供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：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；B、对数据进行预处理；C、对电动汽车的出行数据进行挖掘，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；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。本发明专利技术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。负荷预测会更接近于用户的真实需求。负荷预测会更接近于用户的真实需求。

【技术实现步骤摘要】
一种基于用户行为的电动汽车充电负荷预测方法


[0001]本专利技术涉及大数据
，具体是一种基于用户行为的电动汽车充电负荷预测方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]针对现有技术存在的上述不足，本专利技术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，同时本专利技术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。
[0008]本专利技术采用的技术方案为：
[0009]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：
[0010]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；
[0011]B、对步骤A获取的数据进行预处理；
[0012]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；
[0013]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。
[0014]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。
[0015]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：
[0016]首先，按单日数据分为若干集合；
[0017]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；
[0018]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。
[0019]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：
[0020]首先，进行地图匹配，即将GPS轨迹与路网模型进行匹配；
[0021]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；
[0022]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：A
u
(j)＝{A
u
(1),A
u
(2),...A
u
(m)}，其中，u为划分的尺度，u∈ [50,500]，间隔为50m；A
u
(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，E
u
(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，
N
ik
为第i个网格中k类型的POI数量；n
o
(i,m,k)为第i个网格中第m个k类型的起点；n
d
(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：N
i
＝∑n(i,k)，其中N
i
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，确定电动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户行为的电动汽车充电负荷预测方法，其特征在于包括以下步骤：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；B、对步骤A获取的数据进行预处理；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；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。2.如权利要求1所述的基于用户行为的电动汽车充电负荷预测方法，其特征在于：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。3.如权利要求1所述的基于用户行为的电动汽车充电负荷预测方法，其特征在于：步骤B中对步骤A获取的数据进行预处理，具体为：首先，按单日数据分为若干集合；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；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。4.如权利要求1所述的基于用户行为的电动汽车充电负荷预测方法，其特征在于：步骤C中对步骤B预处理后的数据进行挖掘，具体为：首先，进行地图匹配，即将GPS轨迹与路网模型进行匹配；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；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：A
u
(j)＝{A
u
(1),A
u
(2),...A
u
(m)}，其中，u为划分的尺度，u∈[50,500]，间隔为50m；A
u
(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，E
u
(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；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，N
ik
为第i个网格中k类型的POI数量；n
o
(i,m,k)为第i个网格中第m个k类型的起点；n
d
(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：N
i
＝∑n(i,k)，其中N
i
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；
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。5.如权利要求4所述的基于用户行为的...

【专利技术属性】
技术研发人员：崔一铂，唐泽洋，王文烁，邢杰，饶玮，黄杰，刘曼佳，刘鸣柳，靳经，陈孝明，舒欣，王晋，汪雪琼，刘畅，龙凤，李涛，桑田，曹忺，
申请(专利权)人：国网湖北省电力有限公司国网湖北省电力有限公司荆州供电公司国网湖北省电力有限公司黄石供电公司，
类型：发明
国别省市：