一种基于电动汽车时空分布的充电需求预测方法

技术领域

本发明属于电动汽车动力电池的充电控制管理技术领域，具体涉及一种基于电动汽车时空分布的充电需求预测方法。

背景技术

目前，随着数量快速增长的新增电动汽车接入电网，对电力系统的运行和规划产生了不可忽视的影响。由于现阶段电动汽车的补能需求与相应充电设施的选用具有较高的随机性和不可预测性，常会造成部分充电站的供电压力较大、其余充电设施不能被有效利用的情况，容易使得电网局部负荷超出设计要求，严重时会发生电网波动、断电等问题。现有技术中对于海量的电动汽车及充电设施，尚缺乏科学的综合管理手段，还无法根据实际的充电需求提供合理的电力调度，从而导致高补能压力与现阶段充电设施建设不足之间的矛盾不能有效缓解。

发明内容

有鉴于此，针对上述本领域中存在的技术问题，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，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、充电行为发生位置等信息，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(包括停车充电片段)；

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；

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，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；

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；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。

进一步地，步骤一中所述充电需求指标体系具体选取以下充电行为相关的信息：

充电开始时间、可充电时长、充电开始SOC、充电结束SOC、充入电量、可充电功率范围、充电经度以及充电纬度。

进一步地，在步骤二中获取第i辆电动汽车近5个月内的历史运行数据EV

车辆唯一标识Vin、片段开始时间Start time、片段结束时间End time、充电经度Charge lon、充电纬度Charge lat、充入电量Charge energy、片段开始荷电状态Startsoc、片段结束荷电状态End soc；

提取的历史停车片段信息记为

车辆唯一标识Vin、片段开始时间Start time、片段结束时间End time、停车经度Stop lon、停车纬度Stop lat、停车持续时长Stop length。

进一步地，步骤三中用于训练随机森林算法的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EV

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

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

进一步地，所述步骤四具体包括以下步骤：

1)首先按照以下规则对历史运行数据EV

选取T+1日有充电行为车辆充电数据，将其中充电经度Charge lon和充电纬度Charge lat字段千分位近似值乘以1000进行相连合并得到共11位的Charge lonlat字段，字段格式为jjjjjj-wwwww；再对所述Charge lonlat字段进行统计得到Ctimes字段，对Ctimes大于1次的Charge lonlat字段定义为非随机充电片段

2)对所述非随机充电片段

a)对片段

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Charge lonlat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Ctimes

d)选取ctimeInterval字段、isWork字段以及Charge lonlat字段组成C

e)针对C

3)对所述非随机停车片段

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Stop lonlat字段组成S

进一步地，所述步骤五具体利用实时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某辆电动汽车在次日将发生充电行为后，再由所述充电时空概率分布模型得到最大概率的相应字段Charge lonlat、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Stop lonlat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。

进一步地，所述步骤五中具体基于以下公式分别计算每辆电动汽车的最小与最大平均可调节充电功率：

则每辆电动汽车的充电功率范围确定为[power

上述本发明所提供的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。

附图说明

图1为本发明所提供方法的总体流程框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的一种基于电动汽车时空分布的充电需求预测方法，如图1所示，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、充电行为发生位置等信息，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；

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；

步骤四、根据历史运行数据中充电行为和停车行为(包含充电)的发生位置，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；

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；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。

在本发明的一个优选实施方式中，步骤一中所述充电需求指标体系具体选取以下充电行为相关的信息：

充电开始时间、可充电时长、充电开始SOC、充电结束SOC、充入电量、可充电功率范围、充电经度以及充电纬度。

在本发明的一个优选实施方式中，以新能源汽车监测与管理平台的实车运行数据为基础，在步骤二中获取第i辆电动汽车近5个月内的历史运行数据EV

车辆唯一标识Vin、片段开始时间Start time、片段结束时间End time、充电经度Charge lon、充电纬度Charge lat、充入电量Charge energy、片段开始荷电状态Startsoc、片段结束荷电状态End soc；

提取的历史停车片段信息记为

车辆唯一标识Vin、片段开始时间Start time、片段结束时间End time、停车经度Stop lon、停车纬度Stop lat、停车持续时长Stop length。

在本发明的一个优选实施方式中，步骤三中用于训练随机森林算法的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EV

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

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

在本发明的一个优选实施方式中，所述步骤四具体包括以下步骤：

1)首先按照以下规则对历史运行数据EV

选取T+1日有充电行为车辆充电数据，将其中充电经度Charge lon和充电纬度Charge lat字段千分位近似值乘以1000进行相连合并得到共11位的Charge lonlat字段，字段格式为jjjjjj-wwwww；再对所述Charge lonlat字段进行统计得到Ctimes字段，对Ctimes大于1次的Charge lonlat字段定义为非随机充电片段

2)对所述非随机充电片段

a)对片段

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Charge lonlat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Ctimes

d)选取ctimeInterval字段、isWork字段以及Charge lonlat字段组成C

e)针对C

3)对所述非随机停车片段

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Stop lonlat字段组成S

在本发明的一个优选实施方式中，所述步骤五具体利用实时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某辆电动汽车在次日将发生充电行为后，再由所述充电时空概率分布模型得到最大概率的相应字段Charge lonlat、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Charge lonlat与Stop lonlat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。

在本发明的一个优选实施方式中，所述步骤五中具体基于以下公式分别计算每辆电动汽车的最小与最大平均可调节充电功率：

则每辆电动汽车的充电功率范围确定为[power

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。