CN114492169B - 考虑用户市场响应潜力的电动汽车用户画像方法及系统 - Google Patents

考虑用户市场响应潜力的电动汽车用户画像方法及系统 Download PDF

Info

Publication number
CN114492169B
CN114492169B CN202111624707.6A CN202111624707A CN114492169B CN 114492169 B CN114492169 B CN 114492169B CN 202111624707 A CN202111624707 A CN 202111624707A CN 114492169 B CN114492169 B CN 114492169B
Authority
CN
China
Prior art keywords
time
charging
electric automobile
response potential
electric
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.)
Active
Application number
CN202111624707.6A
Other languages
English (en)
Other versions
CN114492169A (zh
Inventor
李宏胜
武光华
李洪宇
李飞
张增丽
白新雷
廖菲
高菲
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111624707.6A priority Critical patent/CN114492169B/zh
Publication of CN114492169A publication Critical patent/CN114492169A/zh
Application granted granted Critical
Publication of CN114492169B publication Critical patent/CN114492169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Abstract

考虑用户市场响应潜力的电动汽车用户画像方法及系统，包括：将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到时间响应潜力类型；将电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中，得到空间响应潜力类型；基于电动汽车在设定时间内的需求电量确定电量响应潜力类型；由时间响应潜力类型、空间响应潜力类型和电量响应潜力类型得到电动汽车用户画像；其中，时间响应潜力模型是基于剩余电量和分时电价，以及时间潜力类型结合支持向量机构建的；空间响应潜力模型是影响因素和空间响应潜力类型对神经网络训练得到的。从时间和空间两个维度对电动汽车用户进行全面分析，得到电动汽车用户的市场响应潜力。

Description

考虑用户市场响应潜力的电动汽车用户画像方法及系统
技术领域
本发明涉及电力负荷预测技术领域，具体涉及考虑用户市场响应潜力的电动汽车用户画像方法及系统。
背景技术
未来电动汽车迅速发展，大量电动汽车无序充电造成的负荷增长将使得电力系统的峰谷差增大和网损增多，这些都会对电网产生巨大压力和挑战。因此需要增强电动汽车与电网的互动，以减小电动汽车充电产生的不利影响。准确的电动汽车充电负荷预测可以为制定车-网互动策略提供可靠的数据基础，电网在制定车-网互动策略时，需要知道有多少电动汽车用户愿意响应调度策略，才能更好的确定调度策略，有针对性的进行精准营销。未来引导电动汽车响应市场，需要建立每一个电动汽车用户在时间、空间和电量上的市场响应潜力用户画像，找到市场响应潜力大的电动汽车用户对其进行营销。电动汽车用户画像的建立可以为车-网互动策略确定调度和营销的对象，使调度指令响应的更迅速、更充分。
目前根据用电负荷进行用户画像的研究有很多，研究方向从普通用电用户到电动汽车用电用户，并将聚类得到的用户集群用于后续电网与电动汽车的互动研究中。针对普通用电负荷的用户画像研究，现有研究都是对普通用电负荷进行聚类和用户价值细分，而没有结合时空两方面进行分析；针对电动汽车用户画像相关研究，现有研究均只进行了电动汽车充电行为特征分析，而没有评估每一类电动汽车用户的价值。而电动汽车与电网互动最直接的交互方式就是充电电价，而当前根据电动汽车充电数据进行的用户画像研究中，无法判别哪些用户对电价敏感，也无法得到什么用户的市场响应潜力强。
发明内容
为了解决现有研究均只进行了电动汽车充电行为特征分析，而没有评估每一类电动汽车用户的价值，无法判别哪些用户对电价敏感，也无法得到什么用户的市场响应潜力强的问题，考虑用户市场响应潜力的电动汽车用户画像方法，包括：
将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的。
优选的，所述时间响应潜力模型的构建包括：
基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；
为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；
由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；
其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感。
优选的，所述基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据，包括：
基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；
将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；
基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；
基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；
将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据。
优选的，所述空间响应潜力模型的训练包括：
对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；
由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；
基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；
其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感。
优选的，所述对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，包括：
基于所述电动汽车到选择的充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素；
基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，并从中选择最大值作为时间维度影响最大的因素；
基于所述电动汽车充电时的充电服务费、充电电费以及所述电动汽车充电时段内价格最低的充电服务费和充电电费，分别计算所述电价维度下的充电服务费差值和充电电费差值，并从中选择最大值作为电价维度影响最大的因素。
优选的，所述基于所述电动汽车到选定充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素，包括：
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的城市路段距离建模地图，利用dijkstra算法，计算所述电动汽车到充电站的最短距离；
根据dijkstra算法计算所述电动汽车寻找充电站时所在位置到最近的充电站的行驶距离；
计算所述电动汽车到充电站的最短距离和所述行驶距离的差值，并归一化0-1作为距离差值影响指标。
优选的，所述基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，包括：
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的以车辆行驶时间为路段权重建模的地图计算时间差值，并归一化0-1作为时间差值影响指标；
根据电动汽车充电开始时间和选择的充电站，从各个时间段充电站的平均排队时间数据中得到电动汽车充电的平均排队时长，以及所述时间段内排队时间最短的充电站的平均排队时间；
基于所述平均排队时长和所述平均排队时间计算差值，并归一化0-1作为排队时间差值影响指标；
遍历电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小，得到最短充电持续时间；
计算电动汽车充电的持续时间与最短充电持续时间的差值，并将所述持续时间差值归一化到0-1之间，得到持续时间差值影响指标；
基于电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小计算持续时间差值，并归一化0-1作为持续时间差值影响指标；
基于充电站的行驶时间和排队时间计算路程耗时，并对所述路程耗时归一化0-1作为路程耗时影响指标；
基于充电站的行驶时间、排队时间和充电时间计算充电总耗时，并对所述充电总耗时归一化0-1作为充电总耗时影响指标。
优选的，所述基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型，包括：
基于电动汽车设定时间段内的需求电量，计算单位时间内所述电动汽车的平均耗电量，作为所述电动汽车单位时间内的需求电量；
基于所述电动汽车单位时间内的需求电量和阈值，确定所述电动汽车用户的电量响应潜力；
其中，所述电量响应潜力类型包括：充电电量大和充电电量小。
基于同一发明构思本发明还提供了考虑用户市场响应潜力的电动汽车用户画像系统，包括：
时间响应潜力模块，用于将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
空间响应潜力模块，用于将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
电量响应潜力模块，用于基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
潜力类别确定模块，用于由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的。
优选的，还包括模型构建模块用于：
基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；
为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；
由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；
其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感。
优选的，还包括模型训练模块用于：
对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；
由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；
基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；
其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感。
与现有技术相比，本发明的有益效果为：
本发明提供了考虑用户市场响应潜力的电动汽车用户画像方法，包括：将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到电动汽车用户的时间响应潜力类型；将获取的电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到电动汽车用户的空间响应潜力类型；基于电动汽车在设定时间内的需求电量确定电动汽车用户的电量响应潜力类型；由时间响应潜力类型、空间响应潜力类型和电量响应潜力类型得到电动汽车用户的电动汽车用户画像；其中，时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及电动汽车的时间潜力类型结合支持向量机构建的；空间响应潜力模型是将电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将电动汽车用户的空间响应潜力类型作为神经网络的输出进行训练得到的。本发明从时间响应潜力、空间响应潜力和电量响应潜力方面对电动汽车用户进行全面分析，得到电动汽车用户的市场响应潜力。
附图说明
图1为本发明考虑用户市场响应潜力的电动汽车用户画像方法流程图；
图2本发明考虑用户市场响应潜力的电动汽车用户画像方法具体应用示意图；
图3为本发明的基于支持向量机的分时电价敏感用户辨识框图；
图4为本发明的基于支持向量机的分时电价敏感用户辨识方法流程图；
图5为本发明的基于神经网络辨识充电服务费敏感用户流程图；
图6为本发明的电动汽车用户辨识神经网络结构图；
图7为本发明的不同市场响应潜力的电动汽车用户画像示意图。
具体实施方式
本发明构建了考虑市场响应潜力的电动汽车用户画像方法，得到不同市场响应潜力的用户画像，为电网与电动汽车互动和精准营销奠定基础本发明提出考虑用户市场响应潜力的电动汽车用户画像方法及系统。
实施例1：
考虑用户市场响应潜力的电动汽车用户画像方法，如图1所示：
S1：将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
S2：将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
S3：基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
S4：由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的。
本发明采用的技术方案是：考虑用户市场响应潜力的电动汽车用户画像方法，下面对本方案做详细介绍：
在S1之前还包括：
步骤1：获取海量辨识用户电量响应潜力需要的电动汽车数据；
步骤2：从电量响应潜力、时间响应潜力、空间响应潜力三个维度构建电动汽车用户市场响应潜力指标体系；
S1中的将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型，如图3所示，具体包括：
步骤3：选择剩余电量和分时电价作为特征量，基于支持向量机辨识对分时电价敏感的用户，得到可以在时间上响应市场的用户；
S2中的将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力，如图5所示，具体包括：
步骤4：选择距离、时间和电价作为特征量，基于神经网络辨识对充电服务费敏感的用户，得到可以在空间上响应市场的用户；
S3中的基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力，具体包括：
步骤5：计算每个电动汽车每天的需求电量，即电动汽车每天的耗电量，通过阈值划分，得到可以在电量上响应市场的用户。
S4中的由所述时间响应潜力、所述空间响应潜力和所述电量响应潜力得到所述电动汽车用户画像，具体包括：
步骤6：进行用户辨识，得到不同市场响应潜力的电动汽车用户画像，如图3所示。
在上述的考虑用户市场响应潜力的电动汽车用户画像方法中，步骤1的具体实现包括：
步骤1.1：建立时间响应潜力用户画像需要的数据：当前市场的分时电价、部分已知分时电价敏感情况的用户充电数据、一段时间内每辆电动汽车每次的充电数据，包括充电的开始时间、充电结束时间、充电开始时剩余电量和充电需求电量。
步骤1.2：建立空间响应潜力用户画像需要的数据：当前市场的分时电价、各充电站的充电服务费、带有城市节点拓扑和距离的城市地图、以行驶时间为权重的城市地图或者车辆的平均行驶速度，各充电站服务费、各个时间段充电站的平均排队时间、电动汽车平均每公里耗电量、部分已知充电服务费敏感情况的用户充电数据、一段时间内每辆电动汽车每次的充电数据：充电开始时间、充电持续时间、充电开始电量、充电需求电量、电动汽车电池容量、充电功率、充电站位置、开始寻找充电站时所在位置和时间。
在上述的考虑用户市场响应潜力的电动汽车用户画像方法中，步骤2的具体实现包括：
步骤2.1：建立电量响应潜力指标、时间响应潜力指标和空间响应潜力指标描述电动汽车用户的市场响应潜力。考虑市场响应潜力的电动汽车用户画像框架如图7所示，根据电量响应潜力、时间响应潜力和空间响应潜力三个维度，计算用户每天需求电量，基于支持向量机辨识分时电价敏感用户，基于BP神经网络辨识充电服务费敏感用户，最后得到8类考虑市场响应潜力的电动汽车用户画像。
步骤2.1.1：建立电量响应潜力指标。
每天充电次数多的电动汽车，其响应充电站的机会就多。每次充电电量大的电动汽车，其响应充电站的程度就高。充电站通过调动少量充电量大的电动汽车，就可以达到调动多数充电量小的电动汽车一样的效果。电动汽车需求电量的大小反应了该用户的市场响应潜力，本发明用每辆电动汽车一天的需求电量总量来表征。
步骤2.1.2：建立时间响应潜力指标。
电动汽车在时间上响应充电站的主要表现之一是对分时电价敏感。对分时电价敏感的电动汽车用户，其充电时间的选择不仅仅会考虑当前电动汽车剩余的电池电量，还会随着分时电价的变化而变化。当快要到电价降低的时间段时，这类用户会选择暂时不充电，等到电价低时再充。又或者当前是电价低的时间段，电价即将升高，这类用户可能提前进行充电。对分时电价敏感的用户行为实现了充电负荷时间上的转移。通过辨识电动汽车用户是否对分时电价敏感，可以知道这些用户在时间上响应市场的潜力。电网在时间上需要调动电动汽车充电时，可以精准的对这类电动汽车用户进行分时电价相关的营销。
步骤2.1.3：建立空间响应潜力指标。
电动汽车在空间上响应充电站的主要表现之一是对各充电站的充电电价敏感。充电电价由分时电价和充电服务费构成，所以不同的充电电价即为不同的充电服务费。对充电服务费敏感的电动汽车用户，使其在选择充电站的时候，不仅仅会考虑到距离各充电站的路程、行驶时间、排队时间，还会考虑每个充电站的服务费以及充电电量产生的充电费用。这类用户可能因为距离近的充电站服务费高，而选择距离较远或排队时间较长但是服务费较低的充电站，从而实现充电负荷空间上的转移。通过辨识电动汽车用户是否对充电服务费敏感，可以知道这些用户在空间上响应市场的潜力。电网在空间上需要调动电动汽车充电时，可以精准的对这类电动汽车用户进行充电服务费相关的营销。
步骤2.2：从电量响应潜力指标、时间响应潜力指标和空间响应潜力指标这三个方面构建用户市场响应潜力指标体系。根据电量响应潜力、时间响应潜力和空间响应潜力三个维度，计算用户每天需求电量，基于支持向量机辨识分时电价敏感用户，基于BP神经网络辨识充电服务费敏感用户，最后得到8类考虑市场响应潜力的电动汽车用户画像，如图2所示，每一类用户的响应特性如表1所示。
表1 8类市场响应潜力的电动汽车用户画像特征
步骤2.3：对指标体系性能进行评估。
分时电价敏感用户辨识模型和充电服务费敏感用户辨识模型可以用混合矩阵进行性能评估。这个指标体系是指，根据电量、时间、空间这三个维度可以将电动汽车用户分为8个不同的市场响应潜力的类别，每一类用户的响应特性如表1所示。而在此的性能评估是为了评价前述的评价体系的辨识的准确率，以便验证模型的有效性。
表2 混合矩阵
表中fij表示实际为i类被辨识成j类。其中“1”表示敏感用户，“0”表示不敏感用户。由此，可以定义辨识模型准确率为：
其中，AC(Accuracy)代表正确辨识数目和总共辨识数目的比率，即辨识的正确率；FNR(False No Response)代表实际敏感的用户被辨识为不敏感用户的数目与总共辨识数目的比率；FR(False Response)代表实际不敏感的用户被辨识为敏感的用户的数目与总共辨识数目的比率。
在上述的考虑用户市场响应潜力的电动汽车用户画像方法中，步骤3的具体实现如图4所示，包括：
步骤3.1：针对辨识电动汽车用户是否对分时电价敏感，进行特征量选择与计算。
步骤3.1.1：辨识电动汽车用户是否对分时电价敏感，选择的特征量为：1.电动汽车充电开始时剩余电量与不敏感用户的平均剩余电量的差值；2.电动汽车充电时的电价与在可选择时间段内的最低充电电价的比值。
步骤3.1.2：电动汽车充电开始时剩余电量与不敏感用户的平均剩余电量的差值计算。
对分时电价不敏感用户的充电开始时剩余电量的均值，可以反映电动汽车用户产生充电需求时对于剩余电量普遍的心理阈值，计算公式如式(4)所示。
其中，为已知对分时电价不敏感用户充电开始时剩余电量的均值，/>为第i个已知对分时电价不敏感用户第n次充电开始时的剩余电量，/>为第i个已知对分时电价不敏感用户的充电总次数，Iknow,no为已知对分时电价不敏感用户的总数。
第一个特征量电动汽车充电开始时剩余电量与平均剩余电量的差值计算公式如式(5)所示。
其中，A1,i为第i个电动汽车用户的第一个特征量，Qr,i,n为第i个电动汽车用户第n次充电开始时的剩余电量，Ni为第i个电动汽车用户的充电总次数。
步骤3.1.3：电动汽车充电时的电价与在可选择时间段内的最低充电电价的比值计算。
不同电动汽车用户出行频率不同，每天行驶里程和耗电量也不一样，通过每次充电数据中充电时间间隔和需求电量可以求出该电动汽车的平均每小时耗电量，如式(6)所示。
其中，Hi为第i个电动汽车平均每小时的耗电量，Qch,i,n为第i个电动汽车第n次充电的需求电量，tstart,i,n为第i个电动汽车第n次充电的开始时间。
根据电动汽车平均每小时的耗电量和开始充电时的剩余电量，可以求出该电动汽车原本可以等到什么时间段才充电，如式(7)所示。
其中，tend_will,i,n为第i个电动汽车第n次充电最多可以等到的时间。
在电动汽车开始充电的当前时间和最多可以等到的这一段时间中，找到最低的分时电价，即为该电动汽车在剩余电量可选择的时间范围内最低的分时电价，如式(8)所示。
其中，Stime,min,i,n为第i个电动汽车第n次充电可选择的时间范围内最低的分时电价，Tstart,i,n、Tend_will,i,n为tstart,i,n、tend_will,i,n的小时数，为在Tstart,i,n和Tend_will,i,n小时的分时电价。
电动汽车实际充电时间段内的平均分时电价，计算公式如式(9)所示。
其中，Stime,i,n第i个电动汽车第n次充电的实际分时电价，Tend,i,n为第i个电动汽车第n次充电结束时间的小时数，Qch,i,n,T为第i个电动汽车第n次充电在第T小时的充电量。
第二个特征量为电动汽车实际充电的平均分时电价与在可选择时间段内的最低充电电价的比值，计算如式(10)所示。特征量为1表示电动汽车这次充电的电价是最佳分时电价，数值越大表明电动汽车充电的电价与最低分时电价相比越大。
其中，A2,i为辨识第i个电动汽车用户是否对分时电价敏感的第二个特征量。
步骤3.2：基于支持向量机对电动汽车分时电价敏感用户辨识。
对于两类数据的分类，假定训练样本为(xi,yi)，i＝1,…,l(l为样本数)，yi∈{+1,-1}，其中xi为输入样本的特征值，yi为输入样本的类别值，其中一类为1，另一类为-1，超平面为wx+b＝0。两类样本的距离为也称分类间隔。为了通过超平面将所有样本分类并且分类间隔尽可能大，即||w||尽可能小，则超平面问题可以转化为以下带约束的式子：
其中，约束为yi[(wxi)+b]≥1,i＝1,2,…l。
为求解带约束带优化的问题，引入拉格朗日函数，将上式变化为：
其中，ai为拉格朗日系数。
求解式(12)后得到的最优分类函数如式(13)所示，得到分类的超平面。
将已知分时电价敏感情况的电动汽车用户的两个特征量与类别作为输入数据，通过支持向量机得到划分用户是否对分时电价敏感的超平面。再根据超平面对其他电动汽车用户的充电数据进行分类，即可辨识其他用户是否对分时电价敏感，得到时间响应潜力用户画像，如图3所示。
在上述的考虑用户市场响应潜力的电动汽车用户画像方法中，步骤4的具体实现如图5所示，包括：
步骤4.1：针对辨识电动汽车是否对充电服务费敏感，进行特征量选择与计算。
步骤4.1.1：辨识电动汽车用户是否对充电服务费敏感选择的特征量为：电动汽车选择的充电站的相关数据在距离、时间和电费三个维度中每个维度影响最大的因素。
步骤4.1.2：电动汽车选择的充电站距离因素计算。
根据电动汽车开始寻找充电站时所在的位置、电动汽车选择的充电站位置以及以城市路段距离建模的地图，根据dijkstra算法得到第i辆电动汽车第n次充电时到充电站的最短距离LEV_CS_1,min,i,n。如果电动汽车产生充电需求的地方就有充电站，则最短距离为0。
根据dijkstra算法遍历各个在剩余行驶里程范围内的充电站到电动汽车开始寻找充电站时所在位置的最短距离，得到第i辆电动汽车第n次充电时距离产生充电需求最近的充电站的行驶距离LEV_CS_2,min,i,n。
则根据式(14)可以得到电动汽车这次充电到充电站的行驶距离与最短距离的差值，并将数值归一化到0-1之间。
其中，LEV_CS,i为第i辆电动汽车到充电站的最短距离差值。
步骤4.1.3：电动汽车选择的充电站时间因素计算
(1)行驶时间差值：
将其中以城市路段距离建模的地图替换为以车辆行驶时间为路段权重建模的地图。则可以求出电动汽车前往选择的充电站的最短行驶时间tEV_CS_1,min,i,n、电动汽车到最近的充电站的行驶时间tEV_CS_2,min,i,n、电动汽车到充电站的最短行驶时间差值tEV_CS,i。
(2)排队时间差值：
根据电动汽车充电开始时间和选择的充电站，可以从各个时间段充电站的平均排队时间数据中得到电动汽车这次充电的平均排队时长为tqueue_1,i,n，同时可以得到在这个时间段内排队时间最短的充电站的平均排队时间为tqueue_2,min,i,n。从而由式(15)可以得到这次排队时间与最短排队时间的差值，并将数值归一化到0-1之间。
其中，tqueue,i为第i辆电动汽车的排队时间差值。
(3)充电时间差值：
从电动汽车充电的基础数据中得到这次充电的持续时间tcharge_1,i,n。
遍历电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小，所以在各个充电站的需求电量如式(16)所示，充电时间如式(17)所示，从中可以得到充电时间最小的时长为tcharge_2,min,i,n。
Qch,i,n,j＝Qch,i,n-hLEV_CS_1,min,i,n+hLEV_CS_1,min,i,n,j,1≤j≤NCS (16)
其中，Qch,i,n,j为第i辆电动汽车在第n次充电时如果在第j个充电站充电的需求电量，h为电动汽车平均每公里耗电量，LEV_CS_1,min,i,n,j为第i辆电动汽车在第n次充电时如果选择第j个充电站的最短行驶距离，tcharge,i,n,j为第i辆电动汽车在第n次充电时如果选择在第j个充电站充电的持续时间，P为第j个充电站的充电功率。
从而由式(18)可以得到这次充电持续时间与最短充电持续时间的差值，并将数值归一化到0-1之间。
其中，tcharge,i为第i辆电动汽车的充电持续时间差值。
(4)综合时间计算：
此外，再综合考虑以下两种情况：1.到充电站的行驶时间+排队时间最小；2.到充电站的行驶时间+排队时间+充电时间最小。
按照上述计算方式，得到情况1的第i辆电动汽车即到充电站的行驶时间+排队时间的差值tEV_CS_queue,i；情况2的第i辆电动汽车即到充电站的行驶时间+排队时间+充电时间的差值tEV_CS_queue_charge,i。
步骤4.1.4：电动汽车选择的充电站电费因素计算。
(1)充电服务费差值：
根据电动汽车充电基础数据，可以得到第i辆电动汽车在第n次充电时的充电服务费SCS_1,i,n。同时可以得到在这个时间段内价格最低的充电服务费SCS_2,min,i,n，式(19)可以计算出这次充电服务费与最低服务费的差值，并将数值归一化到0-1之间。
其中，SCS,i为第i辆电动汽车的充电服务费差值。
(2)充电费用差值：
电动汽车充电费用根据需求电量、分时电价和充电服务费计算得到。
从电动汽车充电的基础数据中得到这次充电的总费用Scharge_1,i,n。
电动汽车到达各个充电站的时间如(20)所示，对应的小时段为treach,i,n,j，则在treach,i,n,j小时段第j个充电站的平均排队时间为所以考虑了行驶和排队时间后，电动汽车在各个充电站开始充电时间如(21)所示，对应的小时段为tstart,i,n,j。由式(17)得到电动汽车在各个充电站开始充电的持续时间，所以充电结束时间如(22)所示，对应的小时段为tend,i,n,j。
tend,i,n,j＝tstart,i,n,j+tcharge,i,n,j (22)
其中，treach,i,n,j为第i辆电动汽车在第n次充电时如果选择第j个充电站的到达时间，tfind,i,n为第i辆电动汽车在第n次产生充电需求时的时间，Vave为电动汽车平均行驶速度，tstart,i,n,j为第i辆电动汽车在第n次充电时如果选择第j个充电站的充电开始时间，tend,i,n,j为第i辆电动汽车在第n次充电时如果选择第j个充电站的充电结束时间。
由式equation reference goes here得到电动汽车前往各个充电站的需求电量Qch,i,n,j，再结合充电时的分时电价和充电服务费，可以计算出电动汽车在各个充电站的充电费用。如(23)所示。则充电费用最低的电费记为Scharge_2,min,i,n。
其中，Scharge_2,i,n,j为第i辆电动汽车在第n次充电时如果选择第j个充电站的充电费用，SCS,T,j为在第T小时段第j个充电站的充电服务费，Qch,i,n,j,T为第i辆电动汽车在第n次充电时如果选择第j个充电站时在第T小时段的充电量。
则根据式(24)可以得到电动汽车最低充电费用差值，并将数值归一化到0-1之间。
其中，Scharge,i为第i辆电动汽车最低充电费用差值。
步骤4.2：基于神经网络模型对充电服务费敏感用户辨识，如图6所示。
步骤4.2.1：构建BP神经网络，选择神经网络的输入量。
输入参数选择距离、时间和电费这三个特征量表征用户考虑的主要因素，在电动汽车用户在选择充电站时，可能考虑的因素是距离、时间和电费中的一个或者几个，但如果在辨识用户时输入的参数过多，可能导致无效因素过多掩盖了用户真正考虑的因素。所以从输入参数相关性较小这方面考虑，选择距离、时间和电费这三个特征量即可表征用户考虑的主要因素。考虑到输入参数尽可能对输出结果影响大这个方面，所以在距离、时间和电费这三个维度分别取各自维度中影响最大的因素作为这个维度的取值。在距离、时间和电费这三个维度分别取各自维度中影响最大的因素作为这个维度的取值。即用户每次的选择最靠近最佳结果的因素，也就是归一化以后取值最小的因素，如式(26)-(28)所示。
BL,i＝LEV_CS,i (25)
BT,i＝min(tEV_CS,i,tqueue,i,tEV_CS_queue,i,tcharge,i,tEV_CS_queue_charge,i) (26)
BS,i＝min(SCS,i,Scharge,i) (27)
其中，BL,i为第i个电动汽车的关于距离的特征量，BT,i第i个电动汽车的关于时间的特征量，BS,i为第i个电动汽车的关于电费的特征量。
输入层的输入参数为每个电动汽车用户充电的距离BL、时间BT和电费BS特征量；输出类别为该电动汽车用户是否对充电服务费敏感，如果该用户选择充电站时有考虑了充电服务费，则对充电服务费敏感，y1为1，y2为0；如果用户没有考虑充电服务费，则对充电服务费不敏感，则y1为0，y2为1。
步骤4.2.2：输入已知类别的电动汽车用户充电数据与类别，通过BP神经网络进行训练寻找输入与输出之间的规律。
步骤4.2.3：将未知类别的电动汽车用户充电数据输入训练好的神经网络模型中，计算出用户属于每一类的值。
步骤4.2.4：取值更大的一类即为用户所属类别的辨识结果，即
在上述的考虑用户市场响应潜力的电动汽车用户画像方法中，步骤5的具体实现包括：
步骤5.1：计算每个电动汽车每天的需求电量，即电动汽车每天的耗电量。
其中，Qday,i为第i辆电动汽车一天的需求电量，Dday为数据记录的天数，Qi,n为这段时间内第i辆电动汽车第n次充电的电量，N为这段时间内充电总次数，NEV为电动汽车总数。
步骤5.2：基于阈值划分对电动汽车电量响应潜力进行计算。
设定阈值Qlevel，每天需求电量低于阈值Qlevel的，该用户为电动汽车每天需求电量少的用户，每天需求电量高于阈值Qlevel的，该用户为电动汽车每天需求电量少的用户。
本发明提出了一种考虑市场响应潜力的电动汽车用户画像建立方法，具体从电量响应潜力、时间响应潜力、空间响应潜力三个维度构建了考虑市场响应潜力的电动汽车用户画像指标体系；以剩余电量和分时电价作为特征量，基于支持向量机辨识了分时电价敏感用户，实现时间响应潜力用户画像。选择距离、时间和电价作为特征量，基于神经网络辨识了充电服务费敏感用户，实现空间响应潜力用户画像。通过对电动汽车充电数据进行用户辨识，本发明采用的基于支持向量机和基于神经网络的辨识方法正确率高，得到不同市场响应潜力的用户画像，为电网与电动汽车互动和精准营销奠定基础。
实施例2:
基于同一发明构思本发明还提供了考虑用户市场响应潜力的电动汽车用户画像系统，包括：
时间响应潜力模块，用于将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
空间响应潜力模块，用于将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
电量响应潜力模块，用于基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
潜力类别确定模块，用于由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的。
优选的，还包括模型构建模块用于：
基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；
为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；
由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；
其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感。
其中，模型构建模块具体用于：
基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；
将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；
基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；
基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；
将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据。
优选的，还包括模型训练模块用于：
对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；
由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；
基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；
其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感。
模型训练模块具体用于：
基于所述电动汽车到选择的充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素；
基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，并从中选择最大值作为时间维度影响最大的因素；
基于所述电动汽车充电时的充电服务费、充电电费以及所述电动汽车充电时段内价格最低的充电服务费和充电电费，分别计算所述电价维度下的充电服务费差值和充电电费差值，并从中选择最大值作为电价维度影响最大的因素。
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的城市路段距离建模地图，利用dijkstra算法，计算所述电动汽车到充电站的最短距离；
根据dijkstra算法计算所述电动汽车寻找充电站时所在位置到最近的充电站的行驶距离；
计算所述电动汽车到充电站的最短距离和所述行驶距离的差值，并归一化0-1作为距离差值影响指标。
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的以车辆行驶时间为路段权重建模的地图计算时间差值，并归一化0-1作为时间差值影响指标；
根据电动汽车充电开始时间和选择的充电站，从各个时间段充电站的平均排队时间数据中得到电动汽车充电的平均排队时长，以及所述时间段内排队时间最短的充电站的平均排队时间；
基于所述平均排队时长和所述平均排队时间计算差值，并归一化0-1作为排队时间差值影响指标；
遍历电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小，得到最短充电持续时间；
计算电动汽车充电的持续时间与最短充电持续时间的差值，并将所述持续时间差值归一化到0-1之间，得到持续时间差值影响指标；
基于电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小计算持续时间差值，并归一化0-1作为持续时间差值影响指标；
基于充电站的行驶时间和排队时间计算路程耗时，并对所述路程耗时归一化0-1作为路程耗时影响指标；
基于充电站的行驶时间、排队时间和充电时间计算充电总耗时，并对所述充电总耗时归一化0-1作为充电总耗时影响指标。
电量响应潜力模块具体用于：
基于电动汽车设定时间段内的需求电量，计算单位时间内所述电动汽车的平均耗电量，作为所述电动汽车单位时间内的需求电量；
基于所述电动汽车单位时间内的需求电量和阈值，确定所述电动汽车用户的电量响应潜力；
其中，所述电量响应潜力类型包括：充电电量大和充电电量小。
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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。

Claims (6)

1.考虑用户市场响应潜力的电动汽车用户画像方法，其特征在于，包括：
将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的；
所述时间响应潜力模型的构建包括：
基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；
为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；
由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；
其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感；
所述基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据，包括：
基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；
将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；
基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；
基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；
将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据；
所述空间响应潜力模型的训练包括：
对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；
由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；
基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；
其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感；
所述电量响应潜力类型包括：充电电量大和充电电量小。
2.如权利要求1所述的方法，其特征在于，所述对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，包括：
基于所述电动汽车到选择的充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素；
基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，并从中选择最大值作为时间维度影响最大的因素；
基于所述电动汽车充电时的充电服务费、充电电费以及所述电动汽车充电时段内价格最低的充电服务费和充电电费，分别计算所述电价维度下的充电服务费差值和充电电费差值，并从中选择最大值作为电价维度影响最大的因素。
3.如权利要求2所述的方法，其特征在于，所述基于所述电动汽车到选定充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素，包括：
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的城市路段距离建模地图，利用dijkstra算法，计算所述电动汽车到充电站的最短距离；
根据dijkstra算法计算所述电动汽车寻找充电站时所在位置到最近的充电站的行驶距离；
计算所述电动汽车到充电站的最短距离和所述行驶距离的差值，并归一化0-1作为距离差值影响指标。
4.如权利要求3所述的方法，其特征在于，所述基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，包括：
基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的以车辆行驶时间为路段权重建模的地图计算时间差值，并归一化0-1作为时间差值影响指标；
根据电动汽车充电开始时间和选择的充电站，从各个时间段充电站的平均排队时间数据中得到电动汽车充电的平均排队时长，以及所述时间段内排队时间最短的充电站的平均排队时间；
基于所述平均排队时长和所述平均排队时间计算差值，并归一化0-1作为排队时间差值影响指标；
遍历电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小，得到最短充电持续时间；
计算电动汽车充电的持续时间与最短充电持续时间的差值，并将所述持续时间差值归一化到0-1之间，得到持续时间差值影响指标；
基于电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小计算持续时间差值，并归一化0-1作为持续时间差值影响指标；
基于充电站的行驶时间和排队时间计算路程耗时，并对所述路程耗时归一化0-1作为路程耗时影响指标；
基于充电站的行驶时间、排队时间和充电时间计算充电总耗时，并对所述充电总耗时归一化0-1作为充电总耗时影响指标。
5.如权利要求1所述的方法，其特征在于，所述基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型，包括：
基于电动汽车设定时间段内的需求电量，计算单位时间内所述电动汽车的平均耗电量，作为所述电动汽车单位时间内的需求电量；
基于所述电动汽车单位时间内的需求电量和阈值，确定所述电动汽车用户的电量响应潜力。
6.考虑用户市场响应潜力的电动汽车用户画像系统，其特征在于，包括：
时间响应潜力模块，用于将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；
空间响应潜力模块，用于将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；
电量响应潜力模块，用于基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；
潜力类别确定模块，用于由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；
其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；
所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的；
还包括模型构建模块用于：
基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；
为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；
由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；
其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感；
模型训练模块用于：
对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；
由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；
基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；
其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感；
模型构建模块具体用于：
基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；
将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；
基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；
基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；
将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据；
其中，所述电量响应潜力类型包括：充电电量大和充电电量小。
CN202111624707.6A 2021-12-28 2021-12-28 考虑用户市场响应潜力的电动汽车用户画像方法及系统 Active CN114492169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624707.6A CN114492169B (zh) 2021-12-28 2021-12-28 考虑用户市场响应潜力的电动汽车用户画像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624707.6A CN114492169B (zh) 2021-12-28 2021-12-28 考虑用户市场响应潜力的电动汽车用户画像方法及系统

Publications (2)

Publication Number Publication Date
CN114492169A CN114492169A (zh) 2022-05-13
CN114492169B true CN114492169B (zh) 2024-03-29

Family

ID=81496614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624707.6A Active CN114492169B (zh) 2021-12-28 2021-12-28 考虑用户市场响应潜力的电动汽车用户画像方法及系统

Country Status (1)

Country Link
CN (1) CN114492169B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330281B (zh) * 2022-10-14 2023-01-24 成都秦川物联网科技股份有限公司 智慧城市新能源汽车充电服务方法、系统、装置和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107591801A (zh) * 2017-09-15 2018-01-16 东南大学 一种负荷参与需求响应的聚合潜力评估方法
CN109034648A (zh) * 2018-08-13 2018-12-18 华南理工大学广州学院 一种电动汽车集群需求响应潜力评估方法
CN109242286A (zh) * 2018-08-27 2019-01-18 华北电力大学 一种基于径向基神经网络的需求侧响应潜力挖掘方法
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN110728396A (zh) * 2019-09-25 2020-01-24 国网山西省电力公司经济技术研究院 一种考虑时空分布的电动汽车充电负荷综合建模方法
CN112907153A (zh) * 2021-01-15 2021-06-04 中原工学院 一种混合场景下考虑用户多种需求的电动汽车调度方法
CN113297799A (zh) * 2021-06-10 2021-08-24 国网综合能源服务集团有限公司 一种基于数据驱动的空调集群负荷需求响应潜力评估方法
WO2021208342A1 (zh) * 2020-04-14 2021-10-21 广东卓维网络有限公司 一种多元用户与电网友好互动用电系统
CN113553769A (zh) * 2021-07-27 2021-10-26 南京工程学院 一种考虑充电效能的电动汽车充电设施优化配置方法
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107591801A (zh) * 2017-09-15 2018-01-16 东南大学 一种负荷参与需求响应的聚合潜力评估方法
CN109034648A (zh) * 2018-08-13 2018-12-18 华南理工大学广州学院 一种电动汽车集群需求响应潜力评估方法
CN109242286A (zh) * 2018-08-27 2019-01-18 华北电力大学 一种基于径向基神经网络的需求侧响应潜力挖掘方法
CN109299817A (zh) * 2018-09-04 2019-02-01 东北电力大学 兼顾车主响应与电网成本的电动汽车充放电价优化方法
CN110728396A (zh) * 2019-09-25 2020-01-24 国网山西省电力公司经济技术研究院 一种考虑时空分布的电动汽车充电负荷综合建模方法
WO2021208342A1 (zh) * 2020-04-14 2021-10-21 广东卓维网络有限公司 一种多元用户与电网友好互动用电系统
WO2021244632A1 (zh) * 2020-06-05 2021-12-09 北京理工大学 一种电动汽车能耗预测方法及系统
CN112907153A (zh) * 2021-01-15 2021-06-04 中原工学院 一种混合场景下考虑用户多种需求的电动汽车调度方法
CN113297799A (zh) * 2021-06-10 2021-08-24 国网综合能源服务集团有限公司 一种基于数据驱动的空调集群负荷需求响应潜力评估方法
CN113553769A (zh) * 2021-07-27 2021-10-26 南京工程学院 一种考虑充电效能的电动汽车充电设施优化配置方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
基于SOM需求响应潜力的居民用户优化聚合模型;孙彦萍;李虹;杨文海;高亚静;;电力建设;20170701(07);30-38 *
基于时空活动模型的电动汽车充电功率计算和需求响应潜力评估;钱甜甜;李亚平;郭晓蕊;陈星莺;刘建涛;毛文博;;电力系统保护与控制;20181205(23);133-140 *
居民用户对分时电价的响应潜力评价方法;王媛;周明;;电力建设;20171101(11);57-63 *
王媛 ; 周明 ; .居民用户对分时电价的响应潜力评价方法.电力建设.2017,(11),57-63. *
电动汽车参与上海市电力需求响应潜力及经济性研究;刘坚;金亨美;;供用电;20170305(03);26-31 *
配电网形态演变下的协调规划问题与挑战;王成山;王瑞;于浩;宋毅;于力;李鹏;;中国电机工程学报;20200320(08);2385-2396 *

Also Published As

Publication number Publication date
CN114492169A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
KR20180012794A (ko) 운송 서비스 요금을 결정하기 위한 방법 및 시스템
CN111452659B (zh) 电动充电时刻智能判定方法
CN103745110B (zh) 纯电动公交车营运续驶里程估算方法
JP2023501318A (ja) バッテリーサービス提供システム及び方法
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
CN109934403A (zh) 基于数学模型的电动汽车居民区域充电负荷分析预测方法
CN109741626A (zh) 停车场停车情况预测方法、调度方法和系统
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
CN114492169B (zh) 考虑用户市场响应潜力的电动汽车用户画像方法及系统
CN115936205A (zh) 一种用于停车场的车辆充电规划方法
CN112406875A (zh) 一种车辆能耗的分析方法和装置
CN108573600B (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN113222385A (zh) 一种电动汽车行驶工况构建与评价方法
Grubwinkler et al. A modular and dynamic approach to predict the energy consumption of electric vehicles
Chen et al. A novel method of developing driving cycle for electric vehicles to evaluate the private driving habits
CN116167536B (zh) 一种基于时间段学习优化的智慧停车管理方法
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN111724013A (zh) 一种确定车辆洁净程度的方法和系统
CN115730635A (zh) 一种电动汽车负荷预测方法
CN113984079B (zh) 电动车的路线规划方法、装置、电子设备和存储介质
CN116523093A (zh) 基于随机源荷预测的能源系统的网格需求感知系统及方法
CN112329962A (zh) 数据处理方法、装置、电子设备和存储介质
Hong et al. Personalized Energy Consumption Prediction of CAEVs With Personal Driving Cycle Selection
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统

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