CN114219124A - 一种电动汽车用户出行时间预测方法及装置 - Google Patents
一种电动汽车用户出行时间预测方法及装置 Download PDFInfo
- Publication number
- CN114219124A CN114219124A CN202111324505.XA CN202111324505A CN114219124A CN 114219124 A CN114219124 A CN 114219124A CN 202111324505 A CN202111324505 A CN 202111324505A CN 114219124 A CN114219124 A CN 114219124A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- vehicle user
- trip
- time
- day
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000006855 networking Effects 0.000 claims abstract description 61
- 238000003860 storage Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002035 prolonged effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电动汽车与电网互动技术领域,具体提供了一种电动汽车用户出行时间预测方法及装置,包括:在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。本发明提供的技术方案,能够有效地预测出用户插枪与电网连接后的出行时间,为充电运营商制定其联网时间内充电计划提供输入参数。
Description
技术领域
本发明涉及电动汽车与电网互动技术领域,具体涉及一种电动汽车用户出行时间预测方法及装置。
背景技术
私人乘用车是新能源汽车市场中最活跃、最重要的增量因素,目前市场占比达到72%,到2040年将超过90%,规模超过2.7亿辆,而社区场景是私人乘用车充电的主战场。广域范围内,大量电动汽车无序充电情况下,夜间充电高峰负荷可能与夜间用电高峰负荷重合,加大电力系统的峰谷差。台区范围内,由于老旧小区变压器容量不足,单纯的无序充电在晚高峰时段容易出现台区变压器容量越限等情况。对于私家车,平均每天用于行驶的时间仅为4%左右,其停放充电联网时间也远大于实际充电时间,这为其充电功率调节提供了可能。在满足电动汽车充电需求的前提下,运用实际有效地经济或技术措施引导,控制电动汽车进行充电行为,包括充电启动、充电功率大小,从而实现对电网负荷曲线的削峰填谷,延缓电网扩容建设投资。
采用上述有序充电方式,对联网充电期间的电动汽车充电启停、充电功率进行调节,需要不影响用户的充电需求、用车需求,这就需要较为准确地预测用户的出行时间,以便安排合理的电动汽车充电计划,确保用户出行时的充电量能够充分满足用户出行需求。目前有序充电常用的方法,一是在用户交互段要求用户手动输入出行时间,导致大部分用户由于操作繁琐直接放弃有序充电、要求立刻开启充电服务;另一种方法是机械地在高电价时段默认降低所有有序充电桩功率,充电负荷降低方法粗放,常常无法匹配用户充电需求,严重影响用户充电体验。
发明内容
为了克服上述缺陷,本发明提出了一种电动汽车用户出行时间预测方法及装置。
第一方面,提供一种电动汽车用户出行时间预测方法,所述电动汽车用户出行时间预测方法包括:
在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
优选的,所述类型日包括下述中的至少一种:工作日、周末和节假日。
进一步的,所述电动汽车用户在当前类型日对应的出行概率曲线的获取过程包括:
获取电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态;
基于电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态计算电动汽车用户在当前类型日中各单位时段的出行概率;
利用所述电动汽车用户在当前类型日中各单位时段的出行概率构建所述电动汽车用户在当前类型日对应的出行概率曲线;
其中,所述电动汽车用户在当前类型日对应的第n个历史日中各单位时段的出行状态为{Sn,1,Sn,2,Sn,3,...,Sn,m},其中,Sn,m为所述电动汽车用户在当前类型日对应的第n个历史日中第m个单位时段的出行状态,若所述电动汽车用户的车辆在当前类型日对应的第n个历史日中第m个单位时段的出行状态为停止状态,则Sn,m=0,否则,Sn,m=1,m为一日内单位时段总数,n为历史日总数。
进一步的,所述电动汽车用户在当前类型日中各单位时段的出行概率的计算公式如下:
pm=(S1,m+S2,m+…+Sn-1,m+Sn,m)/n
上式中,pm为所述电动汽车用户在当前类型日中第m个单位时段的出行概率。
优选的,所述在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率,包括:
获取电动汽车用户当前联网时刻所属的单位时段;
将电动汽车用户在当前类型日对应的出行概率曲线上所述电动汽车用户当前联网时刻所属的单位时段对应的出行概率作为电动汽车用户当前联网时刻的出行概率。
进一步的,当电动汽车用户为新用户时,基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,并将匹配对应的聚类簇的聚类中心在当前类型日对应的各历史日中各单位时段的出行状态作为该电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态。
进一步的,所述基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,包括:
基于电动汽车用户的基础信息计算该电动汽车用户与各预先获取的聚类簇之间的欧式距离,并选择欧氏距离最小的一个聚类簇作为该电动汽车用户匹配对应的聚类簇。
进一步的,所述基础信息包括下述中的至少一种:车辆型号、车辆类型、电池容量、剩余电量、续航里程、日均行驶里程和百公里耗电。
进一步的,所述预先获取的聚类簇的获取过程包括:采用聚类算法,基于各电动汽车用户的基础信息对各电动汽车用户进行聚类。
优选的,所述根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间,包括:
设置第一阈值和第二阈值,其中,0≤第一阈值≤第二阈值≤1;
将电动汽车用户在当前类型日对应的出行概率曲线上小于第一阈值的时段定义为低出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第一阈值且小于第二阈值的时段定义为中出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第二阈值的时段定义为高出行时段;
若所述电动汽车用户当前联网时刻的出行概率属于低出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上低出行时段向中出行时段阶跃的转折时刻或中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于中出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于高出行时段,则所述电动汽车用户的出行时间为当前联网时刻向后延长所述电动汽车用户在当前类型日的平均充电时长后对应的时刻。
第二方面,提供一种电动汽车用户出行时间预测装置,所述电动汽车用户出行时间预测装置包括:
获取模块,用于在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
预测模块,用于根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
第三方面,提供一种存储装置,该存储装置其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的电动汽车用户出行时间预测方法。
第四方面,提供一种控制装置,该控制装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的电动汽车用户出行时间预测方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提供了一种电动汽车用户出行时间预测方法及装置,包括:在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。与当前有序充电策略相比,本发明提出的电动汽车用户出行时间预测方法,能够有效减少用户充电交互繁琐性、消除用户不良感受,同时充分利用用户联网时间进行充电功率控制、参与电网削峰填谷等。在实际业务系统中应用效果良好。
附图说明
图1是本发明实施例的电动汽车用户出行时间预测方法的主要步骤流程示意图;
图2是本发明实施例的新电动汽车用户在当前类型日对应的出行概率曲线的获取流程图;
图3是本发明实施例的出行概率曲线与出行概率时段划分对应关系图;
图4是本发明实施例的电动汽车用户出行时间预测装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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它实施例,都属于本发明保护的范围。
为较为准确得掌握电动汽车用户充电出行时间,本发明提出一种电动汽车用户出行时间预测方法,预测出用户插枪与电网连接后的出行时间,为充电运营商制定其联网时间内充电计划提供输入参数。
参阅附图1,图1是本发明的一个实施例的电动汽车用户出行时间预测方法的主要步骤流程示意图。如图1所示,本发明实施例中的电动汽车用户出行时间预测方法主要包括以下步骤:
步骤S101:在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
步骤S102:根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
本实施例中,所述类型日包括下述中的至少一种:工作日、周末和节假日。
在一个实施方式中,所述电动汽车用户在当前类型日对应的出行概率曲线的获取过程包括:
获取电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态;
基于电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态计算电动汽车用户在当前类型日中各单位时段的出行概率;
利用所述电动汽车用户在当前类型日中各单位时段的出行概率构建所述电动汽车用户在当前类型日对应的出行概率曲线;
其中,所述电动汽车用户在当前类型日对应的第n个历史日中各单位时段的出行状态为{Sn,1,Sn,2,Sn,3,...,Sn,m},其中,Sn,m为所述电动汽车用户在当前类型日对应的第n个历史日中第m个单位时段的出行状态,若所述电动汽车用户的车辆在当前类型日对应的第n个历史日中第m个单位时段的出行状态为停止状态,则Sn,m=0,否则,Sn,m=1,m为一日内单位时段总数,n为历史日总数。
进一步的,所述电动汽车用户在当前类型日中各单位时段的出行概率的计算公式如下:
pm=(S1,m+S2,m+…+Sn-1,m+Sn,m)/n
上式中,pm为所述电动汽车用户在当前类型日中第m个单位时段的出行概率。
优选的,所述在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率,包括:
获取电动汽车用户当前联网时刻所属的单位时段;
将电动汽车用户在当前类型日对应的出行概率曲线上所述电动汽车用户当前联网时刻所属的单位时段对应的出行概率作为电动汽车用户当前联网时刻的出行概率。
在一个最优实施方式中,例如:预测联网车辆自联网时刻开始未来24小时内的出行概率:
预测方法可采用神经网络模型或支持向量机等包含人工智能算法在内多种预测方法,此处仅以概率统计方法为例。以S表征车辆当前状态,当车辆处于运行状态,S=1;当车辆处于停止状态,S=0。可以根据实际预测需要和充电策略执行周期需要,选取某一时间段作为最小状态时段。如选择5分钟为最小状态时段,则24小时对应某车辆出行状态为60/5*24=288点对应的状态集合Q={S1,S2,S3,...,S287,S288}。当某一车辆存在n个24小时状态数据样本时,则对应n个状态集合,Q1={S1,1,S1,2,S1,3,...,S1,287,S1,288},Q2={S2,1,S2,2,S2,3,...,S2,287,S2,288},...,Qn={Sn,1,Sn,2,Sn,3,...,Sn,287,Sn,288}。此时第m(0<m<=288)个状态点的车辆出行概率pm=(S1,m+S2,m+…+Sn-1,m+Sn,m)/n。则该车辆未来24小时的288点出行概率集为P={p1,p2,...pm,...,p287,p288}。包含但不限于上述出行概率计算方法。
用户出行与日期类型具有明显关联关系,应考虑分类型日分别进行概率计算。例如,考虑目前电动汽车没有周期性限行政策,用户出行规律与工作日、周末、节假日成明显关联关系,将车辆状态集合分类Q工作日、Q周末、Q节假日三类,其对应的出行概率也分为P工作日、P周末、P节假日分别计算。包括但不限于上述类型日划分方法。
进一步的,本发明将电动汽车用户分为两类:有历史启停车数据用户和新用户。其中,有历史数据用户指的是用户联网使用过充电服务,系统能够调取该用户的历史启停数据,包括:车辆运行时段,车辆熄火时段,车辆刹车充电时段,车辆熄火充电时段。有历史启停车数据用户和新用户均可被调取充电出行基础数据,包括:车辆型号、车辆类型、电池容量、剩余电量、续航里程、日均行驶里程、百公里耗电等。
在一个实施方式中,由于没有该车辆历史出行启停出具参考,需首先进行电动汽车历史用户的聚类分析,获得不用群类的出行概率分布与概率时段划分。其次,将该电动汽车用户与各预先获取的聚类簇进行匹配,并将匹配对应的聚类簇的聚类中心在当前类型日对应的各历史日中各单位时段的出行状态作为该电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态。
在一个实施方式中,所述预先获取的聚类簇的获取过程包括:采用聚类算法,基于各电动汽车用户的基础信息对各电动汽车用户进行聚类。
具体的,所述各预先获取的聚类簇的获取过程以及新用户在当前类型日对应的各历史日中各单位时段的出行状态的获取过程可以按照如图2所示的步骤执行,具体为:
1)首先根据电动汽车历史充电用户集N的基础数据和历史启停数据进行聚类分析,聚类方法可采用K-means法、系统聚类法等。依据聚类情况,可将电动汽车历史用户划分为多种特征行为群类,形成电动汽车历史用户群类集C={c1,c2,...,ck},如私家车、公交车、物流车、公务车、网约车,各群类根据实际聚类情况可能包含子类型,如不同日间营运和夜间营运的网约车可能聚类形成网约车1型、网约车2型,如根据日期类型细分类工作日、节假日、周末等子类型。
2)计算历史用户聚类后群类出行概率及高中低出行概率时段。某一电动汽车特征用户群类含有若干用户的历史出行数据,使用这些数据预测该群类出行概率方法,与历史用户根据历史数据预测出行概率方法相同,可采用神经网络模型或支持向量机等包含人工智能算法在内多种预测方法。由出行离散概率通过自适应方法获得高中低出行概率时段的方法与前述电动汽车历史数据用户中相同。
进一步的,基于电动汽车用户的基础信息计算该电动汽车用户与各预先获取的聚类簇之间的欧式距离,并选择欧氏距离最小的一个聚类簇作为该电动汽车用户匹配对应的聚类簇。
在一个实施方式中,新用户基础数据分析与群类匹配过程,首先,调取新用户车辆基础数据,按照历史用户集N聚类方法及类型所得数值特征,分析新用户数据,按照数值最接近方法,将新用户群类匹配到历史用户群类集中,确定新用户群类为ci。
新用户归类群类为ci,则使用电动汽车特征群类ci的出行时段为新用户出行时段,根据出行时段确定出行时间预测值的方法与前述历史用户相同。
本实施例中,所述根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间,包括:
设置第一阈值和第二阈值,其中,0≤第一阈值≤第二阈值≤1;
将电动汽车用户在当前类型日对应的出行概率曲线上小于第一阈值的时段定义为低出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第一阈值且小于第二阈值的时段定义为中出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第二阈值的时段定义为高出行时段;
若所述电动汽车用户当前联网时刻的出行概率属于低出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上低出行时段向中出行时段阶跃的转折时刻或中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于中出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于高出行时段,则所述电动汽车用户的出行时间为当前联网时刻向后延长所述电动汽车用户在当前类型日的平均充电时长后对应的时刻。
其中,对于高出行概率时段联网请求充电用户,因为其随时可能出行,一般不限制其充电功率,默认以系统支持的最大功率进行充电。
在一个实施方式中,可以先根据经验选择第一阈值和第二阈值,并据此预测出行时间。在充电试验或实际运行中,使用预测出行时间和用户实际出行时间计算预测准确性,使用机器学习方法自适应修正调整时段划分阈值。
本发明还提供了一种最优实施方式,如图3所示,电动汽车于0时刻联网获取充电服务,对按照5分钟一个时段,未来24小时被划为为288点对应时段。根据用户历史启停车数据,可预测出用户288点出行概率,根据出行概率高中低时段阈值,可将24小时划分为若干概率时段。本实施例中,第一阈值为0.1,第二阈值为0.5,则24小时被划分为如图3所示的提出高、中、低三类概率时段。依据图3的出行概率及分段,当用户在晚19:00-早6:00所处低、中概率时段联网时,出行时间预测值均为点1时刻。用户在6:00-7:00联网时,出行时间预测值为点2时刻。用户在9:00-17:00所处中概率时段联网时,出行时间预测值为点3时刻。当用户于高概率时段联网时,取该电动汽车对应类型日平均充电时长作为本次充电时长预测值。
基于同一发明构思,本发明提供一种电动汽车用户出行时间预测装置,如图4所示,所述电动汽车用户出行时间预测装置包括:
获取模块,用于在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
预测模块,用于根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
优选的,所述类型日包括下述中的至少一种:工作日、周末和节假日。
进一步的,所述电动汽车用户在当前类型日对应的出行概率曲线的获取过程包括:
获取电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态;
基于电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态计算电动汽车用户在当前类型日中各单位时段的出行概率;
利用所述电动汽车用户在当前类型日中各单位时段的出行概率构建所述电动汽车用户在当前类型日对应的出行概率曲线;
其中,所述电动汽车用户在当前类型日对应的第n个历史日中各单位时段的出行状态为{Sn,1,Sn,2,Sn,3,...,Sn,m},其中,Sn,m为所述电动汽车用户在当前类型日对应的第n个历史日中第m个单位时段的出行状态,若所述电动汽车用户的车辆在当前类型日对应的第n个历史日中第m个单位时段的出行状态为停止状态,则Sn,m=0,否则,Sn,m=1,m为一日内单位时段总数,n为历史日总数。
进一步的,所述电动汽车用户在当前类型日中各单位时段的出行概率的计算公式如下:
pm=(S1,m+S2,m+…+Sn-1,m+Sn,m)/n
上式中,pm为所述电动汽车用户在当前类型日中第m个单位时段的出行概率。
优选的,所述在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率,包括:
获取电动汽车用户当前联网时刻所属的单位时段;
将电动汽车用户在当前类型日对应的出行概率曲线上所述电动汽车用户当前联网时刻所属的单位时段对应的出行概率作为电动汽车用户当前联网时刻的出行概率。
进一步的,当电动汽车用户为新用户时,基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,并将匹配对应的聚类簇的聚类中心在当前类型日对应的各历史日中各单位时段的出行状态作为该电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态。
进一步的,所述基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,包括:
基于电动汽车用户的基础信息计算该电动汽车用户与各预先获取的聚类簇之间的欧式距离,并选择欧氏距离最小的一个聚类簇作为该电动汽车用户匹配对应的聚类簇。
进一步的,所述基础信息包括下述中的至少一种:车辆型号、车辆类型、电池容量、剩余电量、续航里程、日均行驶里程和百公里耗电。
进一步的,所述预先获取的聚类簇的获取过程包括:采用聚类算法,基于各电动汽车用户的基础信息对各电动汽车用户进行聚类。
优选的,所述根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间,包括:
设置第一阈值和第二阈值,其中,0≤第一阈值≤第二阈值≤1;
将电动汽车用户在当前类型日对应的出行概率曲线上小于第一阈值的时段定义为低出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第一阈值且小于第二阈值的时段定义为中出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第二阈值的时段定义为高出行时段;
若所述电动汽车用户当前联网时刻的出行概率属于低出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上低出行时段向中出行时段阶跃的转折时刻或中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于中出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于高出行时段,则所述电动汽车用户的出行时间为当前联网时刻向后延长所述电动汽车用户在当前类型日的平均充电时长后对应的时刻。
进一步的,本发明提供一种存储装置,该存储装置其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的电动汽车用户出行时间预测方法。
进一步的,本发明提供一种控制装置,该控制装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的电动汽车用户出行时间预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种电动汽车用户出行时间预测方法,其特征在于,所述方法包括:
在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
2.如权利要求1所述的方法,其特征在于,所述类型日包括下述中的至少一种:工作日、周末和节假日。
3.如权利要求2所述的方法,其特征在于,所述电动汽车用户在当前类型日对应的出行概率曲线的获取过程包括:
获取电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态;
基于电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态计算电动汽车用户在当前类型日中各单位时段的出行概率;
利用所述电动汽车用户在当前类型日中各单位时段的出行概率构建所述电动汽车用户在当前类型日对应的出行概率曲线;
其中,所述电动汽车用户在当前类型日对应的第n个历史日中各单位时段的出行状态为{Sn,1,Sn,2,Sn,3,...,Sn,m},其中,Sn,m为所述电动汽车用户在当前类型日对应的第n个历史日中第m个单位时段的出行状态,若所述电动汽车用户的车辆在当前类型日对应的第n个历史日中第m个单位时段的出行状态为停止状态,则Sn,m=0,否则,Sn,m=1,m为一日内单位时段总数,n为历史日总数。
4.如权利要求3所述的方法,其特征在于,所述电动汽车用户在当前类型日中各单位时段的出行概率的计算公式如下:
pm=(S1,m+S2,m+…+Sn-1,m+Sn,m)/n
上式中,pm为所述电动汽车用户在当前类型日中第m个单位时段的出行概率。
5.如权利要求1所述的方法,其特征在于,所述在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率,包括:
获取电动汽车用户当前联网时刻所属的单位时段;
将电动汽车用户在当前类型日对应的出行概率曲线上所述电动汽车用户当前联网时刻所属的单位时段对应的出行概率作为电动汽车用户当前联网时刻的出行概率。
6.如权利要求3所述的方法,其特征在于,当电动汽车用户为新用户时,基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,并将匹配对应的聚类簇的聚类中心在当前类型日对应的各历史日中各单位时段的出行状态作为该电动汽车用户在当前类型日对应的各历史日中各单位时段的出行状态。
7.如权利要求6所述的方法,其特征在于,所述基于电动汽车用户的基础信息,将该电动汽车用户与各预先获取的聚类簇进行匹配,包括:
基于电动汽车用户的基础信息计算该电动汽车用户与各预先获取的聚类簇之间的欧式距离,并选择欧氏距离最小的一个聚类簇作为该电动汽车用户匹配对应的聚类簇。
8.如权利要求6所述的方法,其特征在于,所述基础信息包括下述中的至少一种:车辆型号、车辆类型、电池容量、剩余电量、续航里程、日均行驶里程和百公里耗电。
9.如权利要求6所述的方法,其特征在于,所述预先获取的聚类簇的获取过程包括:采用聚类算法,基于各电动汽车用户的基础信息对各电动汽车用户进行聚类。
10.如权利要求1所述的方法,其特征在于,所述根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间,包括:
设置第一阈值和第二阈值,其中,0≤第一阈值≤第二阈值≤1;
将电动汽车用户在当前类型日对应的出行概率曲线上小于第一阈值的时段定义为低出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第一阈值且小于第二阈值的时段定义为中出行时段,将电动汽车用户在当前类型日对应的出行概率曲线上大于第二阈值的时段定义为高出行时段;
若所述电动汽车用户当前联网时刻的出行概率属于低出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上低出行时段向中出行时段阶跃的转折时刻或中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于中出行时段,则将电动汽车用户在当前类型日对应的出行概率曲线上中出行时段向高出行时段阶跃的转折时刻作为所述电动汽车用户的出行时间;
若所述电动汽车用户当前联网时刻的出行概率属于高出行时段,则所述电动汽车用户的出行时间为当前联网时刻向后延长所述电动汽车用户在当前类型日的平均充电时长后对应的时刻。
11.一种电动汽车用户出行时间预测装置,其特征在于,所述装置包括:
获取模块,用于在电动汽车用户在当前类型日对应的出行概率曲线上获取电动汽车用户当前联网时刻的出行概率;
预测模块,用于根据所述电动汽车用户当前联网时刻的出行概率预测电动汽车用户的出行时间。
12.一种存储装置,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至10中任一项所述的电动汽车用户出行时间预测方法。
13.一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至10中任一项所述的电动汽车用户出行时间预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324505.XA CN114219124A (zh) | 2021-11-10 | 2021-11-10 | 一种电动汽车用户出行时间预测方法及装置 |
PCT/CN2022/073914 WO2023082474A1 (zh) | 2021-11-10 | 2022-01-26 | 一种电动汽车用户出行时间预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324505.XA CN114219124A (zh) | 2021-11-10 | 2021-11-10 | 一种电动汽车用户出行时间预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219124A true CN114219124A (zh) | 2022-03-22 |
Family
ID=80696812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324505.XA Pending CN114219124A (zh) | 2021-11-10 | 2021-11-10 | 一种电动汽车用户出行时间预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114219124A (zh) |
WO (1) | WO2023082474A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116811646B (zh) * | 2023-08-29 | 2023-11-14 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车群充电控制方法、装置、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
CN108599267B (zh) * | 2018-04-17 | 2020-09-01 | 上海电力学院 | 一种考虑电动汽车出行相关性的机组组合调度方法 |
JP7103184B2 (ja) * | 2018-11-16 | 2022-07-20 | トヨタ自動車株式会社 | ハイブリッド車両の制御装置、ハイブリッド車両の制御方法、及びハイブリッド車両の制御プログラム |
CN112001564B (zh) * | 2020-09-04 | 2022-05-10 | 国网江西省电力有限公司电力科学研究院 | 基于长短期记忆网络的用户离家时间预测方法 |
-
2021
- 2021-11-10 CN CN202111324505.XA patent/CN114219124A/zh active Pending
-
2022
- 2022-01-26 WO PCT/CN2022/073914 patent/WO2023082474A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023082474A1 (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112789193B (zh) | 用于预测性地控制机动车辆的电能存储器的充电过程的方法和后端设备 | |
CN110667434A (zh) | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 | |
CN111422094A (zh) | 分布式充电桩的充放电协调优化控制方法 | |
CN112101637B (zh) | 基于分时电价和能耗控制的动态充电优化方法及其应用 | |
CN111775772B (zh) | 车辆与电池的匹配方法、装置、系统及可读存储介质 | |
CN111775765B (zh) | 车辆与电池的匹配方法、装置、系统及可读存储介质 | |
TWI763249B (zh) | 車輛與電池的匹配方法、裝置、系統及可讀存儲介質 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
CN114910091A (zh) | 基于车辆行驶里程和间接成本分配行驶路线的系统和方法 | |
CN114219124A (zh) | 一种电动汽车用户出行时间预测方法及装置 | |
CN115230485A (zh) | 基于短期功率平滑预测的燃料电池公交车能量管理方法 | |
CN112232679A (zh) | 基于边缘计算的电动车与充电设备动态智能匹配方法 | |
CN114997478A (zh) | 基于混合多目标粒子群算法的新能源公交车充电调度方法 | |
CN114274800A (zh) | 一种营运电动汽车群体聚合充电行为预测方法及相关装置 | |
CN111244990B (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN116749812B (zh) | 一种新能源充电设备的自适应充电方法 | |
CN109606197A (zh) | 用于预测电动汽车剩余行驶里程的方法、装置和存储介质 | |
CN112736941A (zh) | 一种基于移动储能电动汽车的可调度容量预测方法及装置 | |
Chiş et al. | Optimization of plug-in electric vehicle charging with forecasted price | |
CN117035357A (zh) | 一种电动出租车队在能源-交通中的充放电调度方法 | |
Chen et al. | Online adaptive approach for a game-theoretic strategy for complete vehicle energy management | |
CN117087482A (zh) | 一种新能源公交车充电时间控制方法、装置、设备和介质 | |
CN111361443A (zh) | 光伏充电站充电控制方法及装置 | |
CN115907128A (zh) | 一种高速公路年尺度用电负荷预测方法及装置 | |
CN114757402A (zh) | 一种电动汽车充电量需求预测方法及装置 |
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 |