CN111967696A - 基于神经网络的电动汽车充电需求预测方法、系统及装置 - Google Patents

基于神经网络的电动汽车充电需求预测方法、系统及装置 Download PDF

Info

Publication number
CN111967696A
CN111967696A CN202011142389.5A CN202011142389A CN111967696A CN 111967696 A CN111967696 A CN 111967696A CN 202011142389 A CN202011142389 A CN 202011142389A CN 111967696 A CN111967696 A CN 111967696A
Authority
CN
China
Prior art keywords
model
data set
training data
charging demand
demand prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011142389.5A
Other languages
English (en)
Other versions
CN111967696B (zh
Inventor
刘峰
张冰洁
杨俊强
刘然
高洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Guoxin Intelligent Power New Energy Technology Co ltd
Original Assignee
Beijing Guoxin Intelligent Power New Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Guoxin Intelligent Power New Energy Technology Co ltd filed Critical Beijing Guoxin Intelligent Power New Energy Technology Co ltd
Priority to CN202011142389.5A priority Critical patent/CN111967696B/zh
Publication of CN111967696A publication Critical patent/CN111967696A/zh
Application granted granted Critical
Publication of CN111967696B publication Critical patent/CN111967696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明属于电动汽车充电需求预测领域，具体涉及了一种基于神经网络的电动汽车充电需求预测方法、系统及装置，旨在解决现有充电需求预测方法很难实现准确和精确的充电需求预测的问题。本发明包括：将待预测区域划分为大小不同的网格，并获取设定历史时间段的充电桩信息和充电需求作为模型训练数据，获取天气预报信息和节假日信息作为模型辅助训练数据；对数据进行采样和归一化；基于神经网络构建充电需求预测模型，并设定模型的激活函数、损失函数和成本函数；通过训练数据和辅助训练数据进行模型训练；通过训练获取的模型进行充电需求预测。本发明通过天气信息和节假日信息辅助模型训练，预测结果准确率高。

Description

基于神经网络的电动汽车充电需求预测方法、系统及装置
技术领域
本发明属于电动汽车充电需求预测领域，具体涉及了一种基于神经网络的电动汽车充电需求预测方法、系统及装置。
背景技术
汽车产业向电气化转型已成为社会可持续发展的一个重要趋势，电动汽车以其良好的环保和节能优势，成为未来汽车产业发展的重要方向。由此可见，未来我国电动汽车规模将会进一步扩大。
然而，电动汽车的充电需求与充电站之间的矛盾日益突出。其中，对电动汽车充电需求的准确预测是电动汽车充电网络管理中最基本的管理方法，且当前的商用电动汽车充电需求预测并未充分利用现有的信息处理与分析技术。
现有的电动汽车充电需求主要研究方法可分为两大类：基于概率模型的传统预测方法和基于机器学习的智能预测方法。基于概率模型的方法主要是对电动汽车的充电行为建立概率模型，再通过蒙特卡洛模拟法生成一组随机数据模拟电动汽车群的充电行为来预测。考虑到电动汽车的接入电网区域的随机性，建立精确概率模型是很困难的，上述方法只能进行简单的估算。同时由于缺乏真实的充电数据，大部分研究模拟电动汽车充电行为与真实情况可能相差甚远。基于机器学习的智能预测方法主要是利用机器学习算法和模型，从数据驱动的角度建模，通过对历史数据的分析和训练得到预测模型来进行预测。然而绝大多数研究都是利用ANN、SVM、KNN等浅层模型做一维时间序列预测，模型学习能力和对复杂系统的表达能力有限。
随着移动充电技术的进一步发展，移动充电桩的数量进一步提升，人们进行电动汽车充电需求预测的时候也不仅仅考虑是否能够实现充电、如何减少电网冲击和减小充电费用等等，还会进一步考虑天气状况和充电桩与待充电汽车之间的距离等等因素，这进一步影响了电动汽车充电需求预测的精度。
总的来说，传统的电动汽车充电需求预测方法很难建立精确的概率模型，只能实现电动汽车充电需求的简单估算，而现有的基于机器学习的智能预测方法不考虑天气和充电距离对充电需求的影响，从而电动汽车充电需求预测精度较低。
发明内容
为了解决现有技术中的上述问题，即现有充电需求预测方法很难实现准确和精确的充电需求预测的问题，本发明提供了一种基于神经网络的电动汽车充电需求预测方法，该方法包括：
步骤S10，将待预测区域划分为大小不同的网格；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成 本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 65321DEST_PATH_IMAGE001
和偏置矩阵
Figure 983599DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 386023DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 73357DEST_PATH_IMAGE001
和偏置矩阵
Figure 401570DEST_PATH_IMAGE002
应用于模型，并基于获取的测试数据 输出待预测区域的电动汽车充电需求。
在一些优选的实施例中，基于神经网络构建充电需求预测模型的过程中模型隐含层节点数量通过以下公式获取：
Figure 541564DEST_PATH_IMAGE003
其中，
Figure 246215DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 788055DEST_PATH_IMAGE005
和
Figure 287169DEST_PATH_IMAGE006
分别代表模型输入层和输出层 的神经元数量，
Figure 180039DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 482906DEST_PATH_IMAGE008
、
Figure 144831DEST_PATH_IMAGE009
为预设的可变常数。
在一些优选的实施例中，所述预设的可变常数
Figure 814847DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常 数
Figure 929433DEST_PATH_IMAGE009
，其范围为[2-10]。
在一些优选的实施例中，步骤S30包括：
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据；
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：
Figure 710308DEST_PATH_IMAGE010
其中，
Figure 226740DEST_PATH_IMAGE011
和
Figure 67657DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 669539DEST_PATH_IMAGE013
个数据，
Figure 755569DEST_PATH_IMAGE014
和
Figure 392087DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
在一些优选的实施例中，所述充电需求预测模型的激活函数为：
Figure 403905DEST_PATH_IMAGE016
其中，
Figure 227505DEST_PATH_IMAGE017
，
Figure 615761DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 841206DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 23925DEST_PATH_IMAGE011
为归一化后 的数据集中的第
Figure 101865DEST_PATH_IMAGE013
个数据；
Figure 28233DEST_PATH_IMAGE019
和
Figure 373764DEST_PATH_IMAGE020
为超参数。
在一些优选的实施例中，所述超参数
Figure 992964DEST_PATH_IMAGE019
为1.0507，超参数
Figure 791155DEST_PATH_IMAGE020
为1.67326。
在一些优选的实施例中，所述充电需求预测模型的成本函数为：
Figure 255635DEST_PATH_IMAGE021
其中，
Figure 455672DEST_PATH_IMAGE001
和
Figure 245773DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 767147DEST_PATH_IMAGE022
为数据集中数据的总数量，
Figure 566476DEST_PATH_IMAGE023
为将 数据通过模型获取的预测值，
Figure 621019DEST_PATH_IMAGE024
为数据对应的真实值。
本发明的另一方面，提出了一种基于神经网络的电动汽车充电需求预测系统，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为将待预测区域划分为大小不同的网格；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批数据 作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判断所 述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在一个 不满足条件，则采用梯度下降法对模型权重矩阵
Figure 316443DEST_PATH_IMAGE001
和偏置矩阵
Figure 89227DEST_PATH_IMAGE002
进行修正，并用新算出的 权重矩阵
Figure 161088DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 70138DEST_PATH_IMAGE001
和偏置矩阵
Figure 969086DEST_PATH_IMAGE002
应用于模型， 并基于获取的测试数据输出待预测区域的电动汽车充电需求。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明的有益效果：
（1）本发明基于神经网络的电动汽车充电需求预测方法，将历史时间段的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型的训练数据，将对应的天气预报信息和节假日信息作为模型训练的辅助数据，获得的模型在进行待预测区域的电动汽车充电需求预测时精度高、准确度高。
（2）本发明基于神经网络的电动汽车充电需求预测方法，将待测区域根据历史充电需求分布划分为大小不同的网格，在历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于神经网络的电动汽车充电需求预测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于神经网络的电动汽车充电需求预测方法，该方法包括：
步骤S10，将待预测区域划分为大小不同的网格；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求，若满足则跳至步骤S60；若不满足 则采用梯度下降法对模型权重矩阵
Figure 963587DEST_PATH_IMAGE001
和偏置矩阵
Figure 839139DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出 的权重矩阵
Figure 868275DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 905501DEST_PATH_IMAGE001
和偏置矩阵
Figure 918457DEST_PATH_IMAGE002
应用于模型，并基于获取的测试数据 输出待预测区域的电动汽车充电需求。
为了更清晰地对本发明基于神经网络的电动汽车充电需求预测方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于神经网络的电动汽车充电需求预测方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，将待预测区域划分为大小不同的网格。
将待预测区域划分为大小不同的网格，将网格中的数据通过求平均等方法获得代表网格的数据，网格大小直接影响后续计算的精度和速度，网格较大时，计算速度快，但精度会下降，网格较小时，精度较高但计算速度慢，很难保证算法的实时性。
根据历史充电需求将待预测区域划分为大小不同的网络，历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合。
本发明一个实施例中，基于充电需求量，通过聚类法进行网格的自适应大小的调整，其具体过程为：
首先，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
然后，设定网格划分后的网格区域充电需求点阈值；
再然后，将充电需求点集合通过K均值聚类法划分为k个聚类簇，每个聚类簇中充电需求点数量不大于充电需求点阈值；
最后，以各聚类簇边缘作为网格的边线，并进行非重合边线的融合，完成区域网格划分。
其中，非重合边线的融合，即将非重合边线的两个交叉点形成的线段作为融合后的边线。
本发明的另一实施例中，通过网格拆分与合并法进行网格自适应大小的调整，其具体过程为：
首先，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
然后，设定网格划分后的网格区域充电需求点的上限阈值和下限阈值；
再然后，将待预测区域平均划分为设定大小的网格，判断当前网格中充电需求点的数量并执行：
若当前网格中充电需求点的数量大于上限阈值，则将当前网格按照充电需求点所在位置平均拆分为充电需求点的数量相同（或数量相差1）的两个子网格，并迭代进行拆分后子网格中充电需求点的数量判断和子网格拆分，直至当前网格拆分后的各子网格中充电需求点的数量均不大于上限阈值；
若当前网格中充电需求点的数量大于等于下限阈值且小于等于上限阈值，则保留当前网格；
若当前网格中充电需求点的数量小于下限阈值，则获取当前网格的各相邻网格，并分别判断当前网格与各相邻网格的充电需求点的和是否处于上限阈值和下限阈值之间，选择处于上限阈值和下限阈值之间的相邻网格与当前网格合并，若合并后任然小于下限阈值，则迭代进行判别与合并直至网格中充电需求点的数量处于上限阈值和下限阈值之间；
进行网格的拆分与合并后，每个网格区域的充电需求点的数量均处于上限阈值和下限阈值之间，完成区域网格划分。
在其他实施例中，还可以根据需要选择其他的方法进行网格自适应调整，例如概率分布法、随机森林、决策树等，本发明在此不一一详述。
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集。
基于神经网络构建充电需求预测模型的过程中，模型的隐含层节点数量可通过式（1）获取：
Figure 332120DEST_PATH_IMAGE025
其中，
Figure 717228DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 925355DEST_PATH_IMAGE005
和
Figure 894448DEST_PATH_IMAGE006
分别代表模型输入层和输出层 的神经元数量，
Figure 377382DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 115531DEST_PATH_IMAGE008
、
Figure 760139DEST_PATH_IMAGE009
为预设的可变常数。
本发明一个实施例中，预设的可变常数
Figure 216528DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常数
Figure 971994DEST_PATH_IMAGE009
，其 范围为[2-10]。
模型的隐含层的节点数量还可以通过其他方法获取，比如式（2）-式（6）中任一计算方式，也可以通过遗传算法、粒子群优化算法等在各计算方式中获取最优模型隐含层节点数量计算方法。
Figure 597273DEST_PATH_IMAGE026
Figure 412782DEST_PATH_IMAGE027
Figure 90888DEST_PATH_IMAGE028
Figure 650046DEST_PATH_IMAGE029
Figure 362787DEST_PATH_IMAGE030
其中，
Figure 614776DEST_PATH_IMAGE031
代表求取的模型隐含层的节点数量，
Figure 45758DEST_PATH_IMAGE032
和
Figure 644492DEST_PATH_IMAGE033
分别代表模型输入层和输出层的节 点数量，
Figure 211739DEST_PATH_IMAGE034
代表求平方根运算，
Figure 634630DEST_PATH_IMAGE035
为预设的可变常数，其取值范围为[1-10]。
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集。
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据。
Monte Carlo随机采样，可以将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量。
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如式（7）所示：
Figure 287329DEST_PATH_IMAGE036
其中，
Figure 188288DEST_PATH_IMAGE011
和
Figure 875622DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 203835DEST_PATH_IMAGE013
个数据，
Figure 99155DEST_PATH_IMAGE014
和
Figure 538226DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
辅助训练数据中包含的天气预报信息和节假日信息用于辅助模型的训练，例如，天气较好或节假日的时候，出行量大大增加，带来了充电需求量的剧增。
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值。
充电需求预测模型的激活函数如式（8）所示：
Figure 80066DEST_PATH_IMAGE037
其中，
Figure 579180DEST_PATH_IMAGE017
，
Figure 472050DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 714813DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 376738DEST_PATH_IMAGE011
为归一化后 的数据集中的第
Figure 548219DEST_PATH_IMAGE013
个数据；
Figure 397226DEST_PATH_IMAGE019
和
Figure 709259DEST_PATH_IMAGE020
为超参数。
本发明一个实施例中，超参数
Figure 225691DEST_PATH_IMAGE019
为1.0507，超参数
Figure 66608DEST_PATH_IMAGE020
为1.67326。
充电需求预测模型的成本函数如式（9）所示：
Figure 402911DEST_PATH_IMAGE038
其中，
Figure 253055DEST_PATH_IMAGE001
和
Figure 125459DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 137277DEST_PATH_IMAGE022
为数据集中数据的总数量，
Figure 226456DEST_PATH_IMAGE024
为将 数据通过模型获取的预测值，
Figure 349133DEST_PATH_IMAGE024
为数据对应的真实值。
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足 对成本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 840157DEST_PATH_IMAGE001
和偏置 矩阵
Figure 288456DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 599351DEST_PATH_IMAGE001
选择新一批数据再次计算。
权重矩阵
Figure 525719DEST_PATH_IMAGE001
的修正方法如式（10）所示：
Figure 372714DEST_PATH_IMAGE039
其中，
Figure 523073DEST_PATH_IMAGE040
为学习率，
Figure 321265DEST_PATH_IMAGE041
为模型的损失函数。
本发明一个实施例中，学习率
Figure 379220DEST_PATH_IMAGE040
为0.05。
本发明的损失函数如式（11）所示：
Figure 80722DEST_PATH_IMAGE042
其中，
Figure 605244DEST_PATH_IMAGE043
为将数据通过模型获取的预测值，
Figure 890732DEST_PATH_IMAGE044
为数据对应的真实值。
步骤S60，将训练得到的权重矩阵
Figure 424481DEST_PATH_IMAGE001
和偏置矩阵
Figure 479025DEST_PATH_IMAGE002
应用于模型，并基于获取的测试 数据输出待预测区域的电动汽车充电需求。
本发明第二实施例的基于神经网络的电动汽车充电需求预测系统，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为将待预测区域划分为大小不同的网格；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批数据 作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判断所 述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在一个 不满足条件，则采用梯度下降法对模型权重矩阵
Figure 440028DEST_PATH_IMAGE001
和偏置矩阵
Figure 212812DEST_PATH_IMAGE002
进行修正，并用新算出的权 重矩阵
Figure 786138DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 960767DEST_PATH_IMAGE001
和偏置矩阵
Figure 92671DEST_PATH_IMAGE002
应用于模型， 并基于获取的测试数据输出待预测区域的电动汽车充电需求。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于神经网络的电动汽车充电需求预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的电动汽车充电需求预测方法，其特征在于，该方法包括：
步骤S10，将待预测区域划分为大小不同的网格；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成 本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 905250DEST_PATH_IMAGE001
和偏置矩阵
Figure 634040DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 70838DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 901390DEST_PATH_IMAGE001
和偏置矩阵
Figure 81836DEST_PATH_IMAGE002
应用于模型，并基于获取的测试数据 输出待预测区域的电动汽车充电需求。
2.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，基于神经网络构建充电需求预测模型的过程中模型隐含层节点数量通过以下公式获取：
Figure 415865DEST_PATH_IMAGE003
其中，
Figure 774297DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 826566DEST_PATH_IMAGE005
和
Figure 810703DEST_PATH_IMAGE006
分别代表模型输入层和输出层 的神经元数量，
Figure 264818DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 292686DEST_PATH_IMAGE008
、
Figure 832251DEST_PATH_IMAGE009
为预设的可变常数。
3.根据权利要求2所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所 述预设的可变常数
Figure 354500DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常数
Figure 663121DEST_PATH_IMAGE009
，其范围为[2-10]。
4.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，步骤S30包括：
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据；
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：
Figure 878202DEST_PATH_IMAGE010
其中，
Figure 655796DEST_PATH_IMAGE011
和
Figure 716156DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 144863DEST_PATH_IMAGE013
个数据，
Figure 530845DEST_PATH_IMAGE014
和
Figure 28692DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
5.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所述充电需求预测模型的激活函数为：
Figure 892742DEST_PATH_IMAGE016
其中，
Figure 175956DEST_PATH_IMAGE017
，
Figure 732839DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 468714DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 898907DEST_PATH_IMAGE011
为归一化后 的数据集中的第
Figure 36627DEST_PATH_IMAGE013
个数据；
Figure 498833DEST_PATH_IMAGE019
和
Figure 987583DEST_PATH_IMAGE020
为超参数。
6.根据权利要求5所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所 述超参数
Figure 442704DEST_PATH_IMAGE019
为1.0507，超参数
Figure 434931DEST_PATH_IMAGE020
为1.67326。
7.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所述充电需求预测模型的成本函数为：
Figure 333617DEST_PATH_IMAGE022
其中，
Figure 44084DEST_PATH_IMAGE001
和
Figure 53628DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 916673DEST_PATH_IMAGE023
为数据集中数据的总数量，
Figure 720681DEST_PATH_IMAGE024
为将 数据通过模型获取的预测值，
Figure 184023DEST_PATH_IMAGE025
为数据对应的真实值。
8.一种基于神经网络的电动汽车充电需求预测系统，其特征在于，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为将待预测区域划分为大小不同的网格；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批数据 作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判断所 述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在一个 不满足条件，则采用梯度下降法对模型权重矩阵
Figure 731679DEST_PATH_IMAGE001
和偏置矩阵
Figure 947766DEST_PATH_IMAGE002
进行修正，并用新算出的 权重矩阵
Figure 188254DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 873313DEST_PATH_IMAGE001
和偏置矩阵
Figure 224660DEST_PATH_IMAGE002
应用于模型，并 基于获取的测试数据输出待预测区域的电动汽车充电需求。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于神经网络的电动汽车充电需求预测方法。
10.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-7任一项所述的基于神经网络的电动汽车充电需求预测方法。
CN202011142389.5A 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置 Active CN111967696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011142389.5A CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142389.5A CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Publications (2)

Publication Number Publication Date
CN111967696A true CN111967696A (zh) 2020-11-20
CN111967696B CN111967696B (zh) 2021-01-29

Family

ID=73387650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142389.5A Active CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN111967696B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418742A (zh) * 2021-01-20 2021-02-26 南方电网数字电网研究院有限公司 信息物理融合的电动汽车换电站网络双层控制方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统
CN115204512A (zh) * 2022-07-29 2022-10-18 国网江苏电动汽车服务有限公司 多场景下基于数据驱动的车辆充电行为预测模型构建方法
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN116629413A (zh) * 2023-05-10 2023-08-22 金陵科技学院 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
CN117689188A (zh) * 2024-02-04 2024-03-12 江西驴充充物联网科技有限公司 基于大数据的用户充电策略优化系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925361B1 (en) * 1999-11-30 2005-08-02 Orion Engineering Corp. Distributed energy neural network integration system
CN108537274A (zh) * 2018-04-08 2018-09-14 武汉大学 一种基于网格的空间多尺度快速聚类方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110208252A (zh) * 2019-06-30 2019-09-06 华中科技大学 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法
CN110929924A (zh) * 2019-11-13 2020-03-27 广西电网有限责任公司 基于云边融合架构的小水电发电量预测系统及其实现方法
CN111179506A (zh) * 2018-11-09 2020-05-19 上海仪电（集团）有限公司中央研究院 共享充电桩自助充电系统及共享充电桩的推荐方法
CN111259808A (zh) * 2020-01-17 2020-06-09 北京工业大学 一种基于改进ssd算法的交通标识的检测识别方法
CN111325402A (zh) * 2020-02-21 2020-06-23 东南大学 基于bp神经网络的电动汽车用户充电行为的预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925361B1 (en) * 1999-11-30 2005-08-02 Orion Engineering Corp. Distributed energy neural network integration system
CN108537274A (zh) * 2018-04-08 2018-09-14 武汉大学 一种基于网格的空间多尺度快速聚类方法
CN111179506A (zh) * 2018-11-09 2020-05-19 上海仪电（集团）有限公司中央研究院 共享充电桩自助充电系统及共享充电桩的推荐方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110208252A (zh) * 2019-06-30 2019-09-06 华中科技大学 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法
CN110929924A (zh) * 2019-11-13 2020-03-27 广西电网有限责任公司 基于云边融合架构的小水电发电量预测系统及其实现方法
CN111259808A (zh) * 2020-01-17 2020-06-09 北京工业大学 一种基于改进ssd算法的交通标识的检测识别方法
CN111325402A (zh) * 2020-02-21 2020-06-23 东南大学 基于bp神经网络的电动汽车用户充电行为的预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
呦呦鹿鸣: "如何确定神经网络的层数和隐藏层神经元数量", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/100419971》 *
杜佳豪: "2.3 logistic回归损失函数", 《HTTPS://BLOG.CSDN.NET/DUJIAHAOGOD/ARTICLE/DETAILS/79716133》 *
芦金宇: "selu激活函数", 《HTTPS://BLOG.CSDN.NET/CH1209498273/ARTICLE/DETAILS/78636409》 *
贺庄: "基于网格的加权平均密度自适应聚类算法及其应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418742A (zh) * 2021-01-20 2021-02-26 南方电网数字电网研究院有限公司 信息物理融合的电动汽车换电站网络双层控制方法
CN112418742B (zh) * 2021-01-20 2021-08-31 南方电网数字电网研究院有限公司 信息物理融合的电动汽车换电站网络双层控制方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统
CN115204512A (zh) * 2022-07-29 2022-10-18 国网江苏电动汽车服务有限公司 多场景下基于数据驱动的车辆充电行为预测模型构建方法
CN115204512B (zh) * 2022-07-29 2024-04-12 国网江苏电动汽车服务有限公司 多场景下基于数据驱动的车辆充电行为预测模型构建方法
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN116629413A (zh) * 2023-05-10 2023-08-22 金陵科技学院 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法
CN117689188A (zh) * 2024-02-04 2024-03-12 江西驴充充物联网科技有限公司 基于大数据的用户充电策略优化系统及方法
CN117689188B (zh) * 2024-02-04 2024-04-26 江西驴充充物联网科技有限公司 基于大数据的用户充电策略优化系统及方法

Also Published As

Publication number Publication date
CN111967696B (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN111967696B (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
Mahmoud et al. An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine
CN112686464A (zh) 短期风电功率预测方法及装置
CN106022521B (zh) 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法
Bhaskar et al. Wind speed forecasting: Present status
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN107886160B (zh) 一种bp神经网络区间需水预测方法
del Campo-Ávila et al. Binding data mining and expert knowledge for one-day-ahead prediction of hourly global solar radiation
Li et al. A novel combined prediction model for monthly mean precipitation with error correction strategy
CN112990976A (zh) 基于开源数据挖掘的商业网点选址方法、系统、设备及介质
Bai et al. A forecasting method of forest pests based on the rough set and PSO-BP neural network
Pedro et al. A database infrastructure to implement real-time solar and wind power generation intra-hour forecasts
CN103885867B (zh) 一种模拟电路性能的在线评价方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
CN113240219A (zh) 一种土地利用模拟及预测方法
Khosravi et al. Wind farm power uncertainty quantification using a mean-variance estimation method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant