CN107145986A - 一种充电电量预测方法及装置 - Google Patents

Abstract

本发明公开了一种方法及装置，该方法包括：分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；对m条充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；依据每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

Description

一种充电电量预测方法及装置

技术领域

本发明涉及电动汽车技术领域，特别是涉及一种充电电量预测方法及装置。

背景技术

大力发展电动汽车，对保障能源安全、促进节能减排、防治大气污染、培育新的经济增长点和国际竞争优势具有重要意义。而完善的充电设施体系是发展电动汽车的重要保障，因此，如何在充电设施建设规划区准确投放充电设施成为本领域人员亟待解决的技术问题。

现有技术中大多基于专家经验法对充电设施投放进行规划，所谓专家经验法指的是基于主观判断的方法，根据有限的信息主观判断充电设施建设规划区的电动汽车的充电需求和充电设施的投放规模。

发明人在对现有技术的研究过程中发现，专家经验法难以标准化，当充电设施建设规划区划分较多时，重复性工作较多，专家经验难以快速复制；无法对专家决策进行评估和有效监控；过分依赖专家经验，人力成本过高，如果缺少有经验的专家，就会给充电设施建设规划工作带来很大的困难。

发明内容

为解决上述技术问题，本发明实施例提供了一种充电电量预测方法及装置，以实现对充电建设规划区的充电电量预测，技术方案如下：

一种充电电量预测方法，包括：

分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

可选地，对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，包括：

判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构；

若是，对每条所述充电电量曲线归一化；

对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线的条数；

对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线。

可选地，判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构，包括：

获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

判断霍普金斯统计量是否大于预设阈值；

若是，表明所述充电电量数据为可聚类的非随机结构。

可选地，采用最小-最大归一化方法或零均值归一化方法对所述充电电量曲线归一化。

可选地，对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线，包括：

采用K-means聚类算法或系统聚类算法预估所述m条充电电量曲线所能聚类的类别数集，所述类别数集至少包含两个类别数及每个类别数所包含的充电电量曲线；

采用肘方法，从所述类别数集中获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线。

可选地，对每类典型充电电量曲线的影响因素进行筛选，确定每类典型充电电量曲线的影响因素，包括：

获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素。

一种充电电量预测装置，包括：

第一获取单元，用于分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

第一获得单元，用于对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

确定单元，用于对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

预测单元，用于依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

可选地，所述第一获得单元，包括：

判断单元，用于判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构；

归一化单元，用于当所述的判断单元确定所述充电电量数据是可聚类的非随机结构时，对每条所述充电电量曲线归一化；

聚类分析单元，用于对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线的条数；

第二获得单元，用于对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线。

可选地，所述判断单元，包括：

第二获取单元，用于获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

判断子单元，用于判断霍普金斯统计量是否大于预设阈值，若是，表明所述充电电量数据为可聚类的非随机结构。

可选地，所述归一化单元，包括：

归一化子单元，用于采用最小-最大归一化方法或零均值归一化方法对所述充电电量曲线归一化。

可选地，所述聚类分析单元，包括：

预估单元，用于采用K-means聚类算法或系统聚类算法预估所述m条充电电量曲线所能聚类的类别数集，所述类别数集至少包含两个类别数及每个类别数所包含的充电电量曲线；

第三获得单元，用于采用肘方法，从所述类别数集中获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线。

可选地，确定单元，包括：

第三获取单元，用于获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

检验单元，用于对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素。

本申请实施例提供的技术方案，获取m个充电建设规划区的充电电量曲线，对m条充电电量曲线进行聚类，获得g类典型充电电量曲线，然后对每类典型充电电量曲线的充电影响因素进行筛选，以确定每类典型充电电量曲线的充电影响因素，最后依据每类典型充电电量曲线的充电影响因素以及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种充电电量预测方法的一种流程示意图；

图2为本发明实施例所提供的一种充电电量预测方法的另一种流程示意图；

图3为本发明实施例所提供的系统聚类算法的谱系图；

图4为本发明实施例所提供的肘方法示意图；

图5为本发明实施例所提供的一种充电电量预测装置的一种结构示意图；

图6为本发明实施例所提供的一种充电电量预测装置的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。

请参阅图1，图1为本申请实施例提供的一种充电电量预测方法的一种实现流程图，所述方法包括：

步骤S101、分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

充电设施建设规划区，指在进行充电设施建设规划时，对地理区域进行的一种划分，可以按照行政区域划分，也可以按照人口密度等其它方法划分。

充电设施，又称公共充电设施，指面向不特定用户(主要是私家车和出租车)的充电设施，如公共充电桩(站)。

本发明首先获取m个充电建设规划区的充电电量曲线，如，获取m个规划区在刚刚过去的t个周期的充电电量曲线，其中，根据实际需要，可以以月或周为周期统计各充电建设规划区的充电电量曲线，当然也可以以任何其他维度为周期统计各充电减少规划区的充电电量曲线。

步骤S102、对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

聚类是一种把集合中的对象分成若干类的数据分析方法，它使得每个类中的对象尽可能地相似，不同类中的对象尽可能相异，因此，经过聚类后的典型充电电量曲线的类别数不大于原始获取的充电曲线的条数。

步骤S103、对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

影响充电设施建设规划区的充电电量的因素称之为充电影响因素，如充电卡开卡量、私人充电桩报装量及新能源汽车保有量等因素。

步骤S104、依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

本实施例提供的技术方案，获取m个充电建设规划区的充电电量曲线，对m条充电电量曲线进行聚类，获得g类典型充电电量曲线，然后对每类典型充电电量曲线的充电影响因素进行筛选，以确定每类典型充电电量曲线的充电影响因素，最后依据每类典型充电电量曲线的充电影响因素以及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

请参阅图2，图2为本申请实施例提供的一种充电电量预测方法的另一种实现流程图，所述方法包括：

步骤S201、分别获取m个充电建设规划区的充电电量曲线；

所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线；

步骤S202、获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

下面具体阐释获取霍普金斯统计量的实现过程：

将m个充电建设规划区过去t个周期的充电电量数据集记为D，D可看作由m个维度为t的点{d₁,d₂,…,d_m}组成，d_i为由第一个周期到第t个周期的充电电量数据组成的列向量，1≤i≤m)。

首先，随机地从D的空间中抽取n(n<m)个点p₁,p₂,…,p_n，对于每个点p_i(1≤i≤n)，找出D中距该点最近的点，并计算它们之间的距离x_i；然后随机地从D中抽取n(n<m)个点q₁,q₂,…,q_n，对于每个点q_i(1≤i≤n)，找出D中距该点最近的点，并计算它们之间的距离y_i。

根据公式计算霍普金斯统计量，其中，H为霍普金斯统计量。

步骤S203、判断霍普金斯统计量是否大于预设阈值，若是，执行步骤S204；

当D是均匀分布时，和会很接近，因而H大约为0.5；当D是高度倾斜时，将显著地小于因而H将接近于1，所以当霍普金斯统计量大于0.5小于1时，可以认定为D为可聚类的非随机结构。

需要说明的是，由于抽样的随机性，每次计算出来的H值可能会不同，因此实际操作是应多次计算H值，根据H值的分布概率最终确定H的取值。

步骤S204、采用最小-最大归一化方法或零均值归一化方法对每条所述充电电量曲线归一化；

为了排除充电电量量纲对曲线聚类的影响，需要对充电电量曲线进行归一化，具体地，本实施例中可采取的归一化方法有两种，一种为最小-最大归一化方法，另一种为零均值归一化方法。

以下分别阐述两种归一化方法的实现：

最小-最大归一化(Min-Max Normalization)：

记某条充电电量曲线上过去t个周期的充电电量时间序列为E＝{E₁,E₂,…,E_t}，E_i(1≤i≤t)为该条充电电量曲线上第i个周期的充电电量，且，该条充电电量曲线上充电电量最大值E_max＝max(E)，最小值E_min＝min(E)，记归一化后的充电电量时间序列为则最小-最大归一化公式为：

零均值归一化(Z-score Normalization)：

记某条充电电量曲线上过去t个周期的充电电量时间序列为

E＝{E₁,E₂…,E_t}，E_i(1≤i≤t)为该条充电电量曲线上第i个周期的充电电量，该条充电电量曲线的均值标准差记归一化后的充电电量时间序列为则零均值归一化公式为：

步骤S205、采用K-means聚类算法或系统聚类算法预估所述m条充电电量曲线所能聚类的类别数集，所述类别数集至少包含三个类别数及每个类别数所包含的充电电量曲线；

K-means聚类算法如下：

第一步，预设K，即预先将充电电量曲线划分成K类，从充电电量曲线中任意选择K条曲线分别作为每一类的初始聚类中心(质心)，K＜m；

第二步，计算充电电量曲线中、除上述K条曲线外每条曲线到K个质心的距离，并将它划分到距离最近的质心所在的类；

第三步，计算新得到的K个类的质心，一般取类中所有充电电量曲线的均值作为该类的质心；

第四步，循环第二步和第三步，直到每个聚类中的对象不再发生变化为止。

重复上述四步，可以得到多个K及每类中包含的充电曲线。

系统聚类算法如下：

第一步，预设m条充电电量曲线中的每条充电电量曲线自成一类；

第二步，计算类与类质心之间的距离，一般取类中所有充电电量曲线的均值作为该类的质心；

第三步，选择距离最小的两类合并成新的一类，并更新其质心；

第四步，重复第二步和第三步，这样每次减少一类，直至所有的充电电量曲线合为一类。

根据系统聚类的谱系图可以获得聚类的类别数及每类所包含的充电电量曲线。

如图3所示，为m＝10时，采用系统聚类算法，将10条充电电量曲线聚合成一类的谱系图，依据该图，用户可以设定聚类的类别数以及每一类所包含的充电电量曲线。如，设聚类的类别数为2，则，充电电量曲线6、10、7为一类，其余的充电电量曲线为；又如，设聚类的类别数为4，则，充电电量曲线1、8、4为一类，充电电量曲线2、3、9为一类，充电电量曲线5为一类，充电电量曲线6、10、7为一类。

步骤S206、采用肘方法，从所述类别数集中获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线；

由于无论采用K-means聚类算法还是系统聚类算法，所得到都是多种类别数据，所以，为了获得最合理的类别数，采用肘方法获得m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线，具体地，肘方法的实现如下所示：

记m个充电建设规划区过去t个周期的充电电量数据集记为D，即D中有m条充电电量曲线{d₁,d₂,…,d_m}，这些曲线被划分成K类，记为C_k(k＝1,2,…,K)，每一类包含m_k(k＝1,2,…,K)条曲线，满足m_k＞0和

θ_k(k＝1,2,…,K)表示每一类的质心，本发明中类质心表示为类内充电电量曲线的简单平均，即

对于充电电量曲线的这种划分，当距离度量采用欧式距离时，其总的类内方差和计算公式为

将由方差和以及聚类数组成的曲线中，肘点出现的聚类数作为m条充电电量曲线聚类的类别数。

如图4所示的肘方法示意图，聚类数为4时，方差和曲线出现了肘点，所以，将4作为m条充电电量曲线聚类的类别数，同时获取采用K-means聚类算法或系统聚类算法得到的聚类数为4时，每类充电电量曲线所包含的充电电量曲线。

步骤S207、对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线。

步骤S208、获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

步骤S209、对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素；

记过去t个周期某一类典型充电电量曲线包含的充电电量数据为Y＝{Y₁,Y₂,…,Y_t}，X＝{X₁,X₂,…,X_t}为同周期的某外部充电影响因素(充电卡开卡量、私人充电桩报装量或新能源汽车保有量等因素)，典型充电电量曲线的充电电量均值记为外部影响因素均值记为则该类典型充电电量曲线与该外部影响因素之间的Pearson相关系数计算公式为：

由于样本相关系数r是总体相关系数ρ的估计，所以，样本相关系数可能会存在抽样误差，所以需要对样本相关系数进一步进行显著性校验。

如果两个变量的相关关系是显著的，那么总体相关系数ρ应该显著地不为0，这时要对r进行假设检验，将r与总体相关系数ρ＝0进行比较，看两者的差别有无统计意义，判断r不等于0是由于抽样误差所致，还是两个变量之间存在显著的相关关系。于是，在相关系数显著性检验中设计的原假设和备择假设分别为：

原假设H₀：ρ＝0两变量线性无关

备择假设H₁：ρ≠0两变量线性相关

确定显著性水平：α＝0.05或其它值，表示原假设正确而被拒绝的概率

构造假设检验的t统计量：

其中，n＝t。

该统计量服从自由度为n-2(n表示样本量)的t分布。

假设检验的基本思想可概括为概率性质的反证法。为了检验原假设H₀是否正确，先假设这个假设是正确的，看由此能推出什么结果。如果导致一个不合理的结果，则表示“假设H₀为正确”是错误的，即原假设H₀不正确，因此要拒绝原假设H₀；如果没有导致一个不合理现象的出现，则不能认为原假设H₀不正确，因此不能拒绝原假设。

在进行检验时，先根据t分布表找到在设定的显著性水平及自由度下t分布所对应的临界值t_α/2，再将该值与t_r的绝对值进行比较，如果|t_r|＞t_α/2，则拒绝H₀，说明所得到的r不是来自ρ＝0的总体，或者说r是显著不为0的，即该充电影响因素与该类典型充电电量曲线显著相关；若|t_r|＜t_α/2，则说明所得到的r值具有偶然性，从r值还不能断定两变量具有相关关系，或者说r不显著，并舍弃该充电影响因素，即该充电影响因素与该类典型充电电量曲线并不显著相关。

步骤S210、依据所述每类典型充电电量曲线的充电影响因素，对所述每类充电电量曲线对应的每个规划区进行充电电量预测。

记过去t个周期某一充电建设规划区的充电电量时间序列为E＝{E₁,E₂…,E_t}，同周期的与该充电电量曲线显著相关的外部影响因素有s个(充电卡开卡量、私人充电桩报装量或新能源汽车保有量等因素)，记为X₁,X₂,…,X_s，其过去t个周期的样本观测值记为{(X_i1,X_i2,…,X_is),i＝1,2,…,t}。以该充电建设规划区充电电量为因变量，s个影响因素为自变量，建立s元线性回归模型，模型待估参数记为b_j(j＝0，1,2,…,s)，充电电量的回归估计值记为采用最小二乘法来估计，残差平方和Q为：

Q关于b_j(j＝0,1,2,…,s)求偏导后得到线性方程组：

解这s+1个方程组成的线性代数方程组，即可得到充电电量与s个影响因素的回归方程

当i＝t+1时，计算得到的即为第t+1个周期、所述某一充电建设规划区的预估充电电量值。

其中，b₀为常数项，b_j(j＝1,2,…,s)为s个影响因素的系数项，b_j(j＝1,2,…,s)表示在其它影响因素保持不变时，影响因素X_j每增加一个单位时该规划区充电电量的平均变化量。

本实施例提供的技术方案，获取m个充电建设规划区的充电电量曲线，对m条充电电量曲线进行聚类，获得g类典型充电电量曲线，然后对每类典型充电电量曲线的充电影响因素进行筛选，以确定每类典型充电电量曲线的充电影响因素，最后依据每类典型充电电量曲线的充电影响因素以及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

请参阅图5，图5为本申请实施例提供的在线编程装置的一种充电电量预测装置的结构示意图，该装置结构示意图中的各单元的工作过程参照图1对应的实施例中方法的执行过程，该装置包括：

第一获取单元501，用于分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

第一获得单元502，用于对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

确定单元503，用于对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

预测单元504，用于依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

本实施例提供的技术方案，获取m个充电建设规划区的充电电量曲线，对m条充电电量曲线进行聚类，获得g类典型充电电量曲线，然后对每类典型充电电量曲线的充电影响因素进行筛选，以确定每类典型充电电量曲线的充电影响因素，最后依据每类典型充电电量曲线的充电影响因素以及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

请参阅图6，图6为本申请实施例提供的在线编程装置的另一种充电电量预测装置的结构示意图，该装置结构示意图中的各单元的工作过程参照图2对应的实施例中方法的执行过程，该装置包括：

第一获取单元601，用于分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

第二获取单元602，用于获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

判断子单元603，用于判断霍普金斯统计量是否大于预设阈值，若是，表明所述充电电量数据是否为可聚类的非随机结构；

归一化子单元604，用于采用最小-最大归一化方法或零均值归一化方法对所述充电电量曲线归一化；

预估单元605，用于采用K-means聚类算法或系统聚类算法预估所述N条充电电量曲线所能聚类的类别数集，所述类别数集至少包含三个类别数及每个类别数所包含的充电电量曲线；

第三获得单元606，用于采用肘方法，从所述类别数集中获得所述N条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线；

第二获得单元607，用于对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线；

第三获取单元608，用于获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

检验单元609，用于对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素；

预测单元610，用于依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

本实施例提供的技术方案，获取m个充电建设规划区的充电电量曲线，对m条充电电量曲线进行聚类，获得g类典型充电电量曲线，然后对每类典型充电电量曲线的充电影响因素进行筛选，以确定每类典型充电电量曲线的充电影响因素，最后依据每类典型充电电量曲线的充电影响因素以及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。可见，本申请方案通过获取充电建设规划区的充电电量曲线，对充电电量曲线进行聚类以及充电影响因素筛选，实现了对充电建设规划区的充电电量数据的预测。

对于装置或系统实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置或系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，在没有超过本申请的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本申请的目的。例如，所述单元或子单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或多个子单元结合一起。另外，多个单元可以或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

另外，所描述系统，装置和方法以及不同实施例的示意图，在不超出本申请的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种充电电量预测方法，特征在于，包括：

分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

2.根据权利要求1所述的方法，其特征在于，对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，包括：

判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构；

若是，对每条所述充电电量曲线归一化；

对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线的条数；

对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线。

3.根据权利要求2所述的方法，其特征在于，判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构，包括：

获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

判断霍普金斯统计量是否大于预设阈值；

若是，表明所述充电电量数据为可聚类的非随机结构。

4.根据权利要求2所述的方法，其特征在于，采用最小-最大归一化方法或零均值归一化方法对所述充电电量曲线归一化。

5.根据权利要求2所述的方法，其特征在于，对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线，包括：

采用K-means聚类算法或系统聚类算法预估所述m条充电电量曲线所能聚类的类别数集，所述类别数集至少包含两个类别数及每个类别数所包含的充电电量曲线；

采用肘方法，从所述类别数集中获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线。

6.根据权利要求1所述的方法，其特征在于，对每类典型充电电量曲线的影响因素进行筛选，确定每类典型充电电量曲线的影响因素，包括：

获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素。

7.一种充电电量预测装置，特征在于，包括：

第一获取单元，用于分别获取m个充电建设规划区的充电电量曲线，所述充电电量曲线为统计出的所述充电建设规划区的充电设施、在预设周期内的充电电量数据组成的曲线，m为正整数；

第一获得单元，用于对m条所述充电曲线进行聚类，获得g类典型充电电量曲线，其中，g≤m，g为正整数；

确定单元，用于对每类典型充电电量曲线的充电影响因素进行筛选，确定每类典型充电电量曲线的充电影响因素；

预测单元，用于依据所述每类典型充电电量曲线的充电影响因素及每个充电建设规划区的充电电量数据，对每个规划区进行充电电量预测。

8.根据权利要求7所述的装置，其特征在于，所述第一获得单元，包括：

判断单元，用于判断m条所述充电电量曲线所包含的充电电量数据是否为可聚类的非随机结构；

归一化单元，用于当所述的判断单元确定所述充电电量数据是可聚类的非随机结构时，对每条所述充电电量曲线归一化；

聚类分析单元，用于对归一化的每条所述充电电量曲线进行聚类分析，获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线的条数；

第二获得单元，用于对每类充电电量曲线在每个所述预设周期上取平均值，获得每类典型充电电量曲线。

9.根据权利要求8所述的装置，其特征在于，所述判断单元，包括：

第二获取单元，用于获取m条所述充电电量曲线所包含的充电电量数据的霍普金斯统计量；

判断子单元，用于判断霍普金斯统计量是否大于预设阈值，若是，表明所述充电电量数据为可聚类的非随机结构。

10.根据权利要求8所述的装置，其特征在于，所述归一化单元，包括：

归一化子单元，用于采用最小-最大归一化方法或零均值归一化方法对所述充电电量曲线归一化。

11.根据权利要求8所述的装置，其特征在于，所述聚类分析单元，包括：

预估单元，用于采用K-means聚类算法或系统聚类算法预估所述m条充电电量曲线所能聚类的类别数集，所述类别数集至少包含两个类别数及每个类别数所包含的充电电量曲线；

第三获得单元，用于采用肘方法，从所述类别数集中获得所述m条充电电量曲线聚类的类别数及每类充电电量曲线所包含的充电电量曲线。

12.根据权利要求7所述的装置，其特征在于，确定单元，包括：

第三获取单元，用于获取所述每类典型充电电量曲线与预估的每个充电影响因素的Pearson相关系数；

检验单元，用于对所述Pearson相关系数的显著性进行检验，将满足显著性检验的充电影响因素作为每类典型充电电量曲线的影响因素。