买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网上海市电力公司;北京理工新源信息科技有限公司

摘要：本发明提供了一种基于电动汽车时空分布的充电需求预测方法，可有效利用电动汽车大数据对车联网接入的每辆电动汽车，对车辆次日是否充电、如需充对应的充电起始时间、地点、充电时长、充入电量、开始SOC等信息进行全方位的预测。该方法基于停车片段与充电片段的时空分布关联性做出的预测，相对于现有技术可明显缩短充电需求预测的周期并提升位置预测精度，有利于后台结合预测结果实现单车及电网运营双重优化。

主权项：1.一种基于电动汽车时空分布的充电需求预测方法，其特征在于：具体包括以下步骤：步骤一、考虑电动汽车的使用过程以及电网运营特点，选取与充电行为相关的时间、电量与对应可充电功率、充电行为发生位置信息，建立电动汽车相应的充电需求指标体系；步骤二、基于所建立的充电需求指标体系，对每辆电动汽车提取相应的身份信息、一定时间范围内的历史充电片段信息以及历史停车片段信息，其中历史停车片段信息包含停车充电数据；步骤三、利用每辆电动汽车的历史运行数据，提取每日运行数据中相应的是否发生充电行为、末次充电片段间隔、所在月份、车辆使用年限、当日及前后相邻两日是否为工作日、车辆工况续驶里程，将这些信息的集合组合构成训练样本，对随机森林算法进行训练得到充电触发判断模型；所述训练样本的具体构建过程包括先对所述历史运行数据EVi按日期划分，记进行预测行为的日期为T，被预测日期为T+1，并依次执行以下步骤：a针对T+1日的充电行为建立标签，如具有充电行为记为1，否则记为0，将标签建立为数据集label；b将T-1日24时前最后一次充电片段日期记为计算T+1日之间间隔的天数Di，并形成名称为dayLength字段，得到相应数据集data1；c按照时间与温度变化关系将月份分类，具体规则为：[12月，1月，2月]为记为1，[3月，11月]记为2，[4月，10月]记录为3，[5月，9月]记为4，[6月，7月，8月]记为5，形成名称为tempInterval的字段，得到相应数据集data2；d通过T+1日期与电动汽车接入车联网检测平台的第一帧数据开始日期差值计算得出车辆使用年限，并按照1-3年，4-6年，6年以上的不同范围进行分类，形成名称为usingLength的字段，得到相应数据集data3；e判断T-1日，T日，T+1日是否为工作日，如果是工作日记为1，否则记为0，分别形成名称为T-1iswork、TisWork、T+1isWork的字段，并得到相应数据集data4、data5、data6；f由车辆工况续航里程形成名称为drivingLength的字段，得到相应数据集data7；g将所述数据集按照[data1，data2，data3，data4，data5，data6，data7，label]的格式合并构成随机森林算法的训练样本，按照训练集：测试集＝7：3进行随机划分；通过将所述训练样本输入随机算法进行训练，完成后得到所述充电触发判断模型利用获取的某日期电动汽车运行数据输入所述模型即能预测出次日是否可能发生充电行为；步骤四、根据历史运行数据中充电行为和停车行为的发生位置，其中停车行为包含充电行为，分别得到非随机充电片段和非随机停车片段；对所述非随机充电片段和非随机停车片段执行蒙特卡洛模拟，得到包括充电行为的开始与结束时间、充电是否发生在工作日、充电开始SOC、充电电量以及充电位置的多种信息的不同信息组合所出现的充电时空概率分布模型；具体包括以下步骤：1首先按照以下规则对历史运行数据EVi进行数据清洗来分别得到非随机充电片段和非随机停车片段：选取T+1日有充电行为车辆充电数据，将其中充电经度Chargelon和充电纬度Chargelat字段千分位近似值乘以1000进行相连合并得到共11位的Chargelonlat字段，字段格式为jjjjjj-wwwww；再对所述Chargelonlat字段进行统计得到Ctimes字段，对Ctimes大于1次的Chargelonlat字段定义为非随机充电片段对停车片段的中的Stoplon和Stoplat字段千分位近似值乘1000进行相连合并得到共11位的Stoplonlat字段，字段格式为jjjjjj-wwwww；再对Stoplonlat进行统计，得到Stimes字段，对Stimes大于1的Stoplonlat字段定义为非随机停车片段2对所述非随机充电片段执行以下过程的蒙特卡洛模拟：a对片段中的充电开始时间基于电网最短调度周期进行分段处理，分段规则为：将一天24小时从[00：00，00：15到[23：45，24：00按15分钟为一个区间单位划分为多个时间区间；将充电开始时间与各时间区间进行匹配，形成名称为ctimeInterval的区间值字段；b基于工作日与非工作日日均行程分布差异对数据进行如下处理：将充电片段开始时间按照年月日YYYYMMDD的格式取出记录为“充电开始日期”并按工作日和非工作日进行分组，充电开始日期为“工作日”记为1，“非工作日”记为0，形成名称为isWork字段；c将所述ctimeInterval字段、isWork字段以及Chargelonlat字段进行组合，计算每一种组合的开始充电时间分别落在各时间区间的总次数Ctimesdiff，并计算充电总次数Ctimesall，用Ctimesdiff除以Ctimesall得出各开始充电时间在各区间分布概率记为Prodiff,形成名称为Probability的字段；d选取ctimeInterval字段、isWork字段以及Chargelonlat字段组成Csituation，并计算不同Csituation中3个字段的不同组合对应充电电量平均值基于统计学理论所述充电电量平均值服从正态分布，计算Csituation对应的充电电量标准差取置信区间95％，电量区间为形成名称为为energyInterval的字段；e针对Csituation并计算其中3个字段的不同组合的充电开始SOC平均值基于统计学理论所述充电开始SOC平均值服从正态分布，计算Csituation对应的充电开始SOC标准差，取置信区间95％，SOC区间为形成名称为startSocInterval的字段；3对所述非随机停车片段执行以下步骤：a对停车开始时间进行分段处理，分段规则为：将一天24小时从[00：00，00：15到[23：45，24：00按15分钟为一个区间单位划分为多个时间区间；将停车开始时间与各时间区间进行匹配，形成名称为stimeInterval的区间值字段；b基于工作日与非工作日日均行程分布差异对数据进行如下处理：将停车片段开始时间按照年月日YYYYMMDD的格式取出记录为“停车开始日期”并按工作日和非工作日进行分组，充电开始日期为“工作日”记为1，“非工作日”记为0，形成名称为isWork字段；c选取stimeInterval字段、isWork字段以及Stoplonlat字段组成Ssituation，并计算不同Ssituation中3个字段的不同组合对应停车时长平均值基于统计学理论所述充电电量平均值服从正态分布，计算Ssituation对应的停车时长标准差取单位为小时并精确到百分位，则停车时长区间为形成名称为timeLengthInterval的字段；步骤五、利用历史获取的电动汽车运行数据，基于所述充电触发判断模型预测每辆电动汽车在次日是否发生充电行为，再基于所述充电时空概率分布模型预测次日充电行为可能的发生位置、充电时间、充电电量以及充电开始时的荷电状态，具体是由所述充电时空概率分布模型得到最大概率的相应字段Chargelonlat、energyInterval、ctimeInterval、startSocInterval共同作为预测结果；基于充电与停车片段的对应关系，将字段Chargelonlat与Stoplonlat相同，以及充电片段开始时间晚于停车片段开始时间且充电片段开始时间对应停车片段开始时间二者差值绝对值最小作为依据，得到最大概率的timeLengthInterval字段与对应的充电结束时间；基于预测结果确定每辆电动汽车的充电功率范围，并结合充电位置与电网负载执行相应车辆充电策略优化与电力调度优化。

全文数据：

权利要求：

百度查询： 国网上海市电力公司 北京理工新源信息科技有限公司 一种基于电动汽车时空分布的充电需求预测方法