本发明专利技术提供了一种用于补能设备的需求预测方法、需求预测装置、介质以及补能设备，其中，所述需求预测方法包括如下步骤：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；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；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。新。新。
【技术实现步骤摘要】
用于补能设备的需求预测方法、装置、介质和补能设备
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]根据不同的方面，本专利技术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。
[0005]此外，本专利技术还旨在解决或者缓解现有技术中存在的其它技术问题。
[0006]首先，本专利技术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。
[0007]根据本专利技术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。
[0008]根据本专利技术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。
[0009]根据本专利技术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。
[0010]根据本专利技术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。
[0011]根据本专利技术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。
[0012]根据本专利技术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。
[0013]根据本专利技术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专利技术的另一方面，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。
[0014]根据本专利技术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。
[0015]根据本专利技术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。
[0016]根据本专利技术的再一方面，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。
[0017]最后，根据本专利技术的又一方面，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。
[0018]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
[0019]参考附图，本专利技术的上述以及其它的特征将变得显而易见，其中，图1示出了根据本专利技术的需求预测方法的一实施例的主要步骤；图2示出了根据本专利技术的用于补能设备的需求预测装置的框图。
具体实施方式
[0020]容易理解，根据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于补能设备的需求预测方法，其特征在于，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。2.根据权利要求1所述的需求预测方法，其特征在于，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。3.根据权利要求2所述的需求预测方法，其特征在于，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。4.根据权利要求1至3中任一项所述的需求预测方法，其特征在于，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。5.根据权利要求4所述的需求预测方法，其特征在于，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。6.根据权利要求1至3中任一项所述的需求预测方法，其特征在于，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。7.根据权利要求6所述的需求预测方法，其特征在于，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。8.根据权利要求1至3中任一项所述的需求预测方法，其特征在于，所述预测层以强化学习的方式...
【专利技术属性】
技术研发人员：后士浩，章光辉，潘鹏举，
申请(专利权)人：蔚来汽车科技安徽有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。