CN115759462A

CN115759462A - 一种电动汽车用户的充电行为预测方法、装置及电子设备

Info

Publication number: CN115759462A
Application number: CN202211534176.6A
Authority: CN
Inventors: 龙虹毓; 尹霄; 陈昕; 何维晟; 黄昭成; 詹小胜; 刘上华; 何宇强; 赵胤豪; 王海诺; 徐扬; 潘顺; 陈正新; 何梓杰; 王晶; 何云龙; 杜茂春; 徐洋; 丁宝仓
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2022-12-02
Filing date: 2022-12-02
Publication date: 2023-03-07

Abstract

本发明属于汽车领域，具体涉及一种电动汽车用户的充电行为预测方法、装置及电子设备；所述方法包括获取电动汽车用户的历史行为数据和出行环境数据；通过物理模型来计算得到电池荷电状态耗能值，通过雨雪天气影响系数来优化电池荷电状态耗能值，再结合驾驶行为数据确定出用户驾驶风格，利用驾驶风格来更新电池荷电状态耗能值，以便计算出更为合理的电池荷电状态耗能值；最后通过对电池荷电状态结束值进行二分类处理，能够预测得到电动汽车用户的充电行为，以便合理选择充电设施的布局规划。

Description

一种电动汽车用户的充电行为预测方法、装置及电子设备

技术领域

本发明属于汽车领域，具体涉及一种电动汽车用户的充电行为预测方法、装置及电子设备。

背景技术

如今世界各国普遍面临着能源资源愈发短缺、环境污染严重等问题。为应对气候变化、推动绿色能源发展，且随着技术的成熟，电动汽车市场占有率迅速增长。尽管电动汽车优点显著，但大量电动汽车无序充电不仅影响电网的安全稳定运行，还会影响道路通行效率，并最终损害电动汽车用户的使用体验。故需对电动汽车用户的充电意愿进行预测，这样可以设计合理的充电调度策略，提高用户体验，同时避免大规模电动汽车接入电网对电网造成冲击。

目前，研究人员将电动汽车用户的充电意愿预测任务分为三个过程，首先是确定出影响电动汽车能耗的因素；其次是利用合理的分析方式对这些因素进行处理，分析得到电动汽车能耗；最后是根据分析结果，预测得出电动汽车用户的充电意愿。

目前影响纯电动汽车能耗的主要因素可划分为三类：车辆结构、行驶过程的外部环境和驾驶风格。有研究表明优化电动汽车的车辆结构(整车质量、迎风面积、传动系统效率等)可以有效降低整车能耗，但是目前车辆结构对能耗影响的分析主要应用于车辆研发设计阶段，且只适合对在实验室的电动汽车进行预测，不适用于私家车用户的能耗预测与充电意愿研究。现有对外界环境的研究主要集中于行驶工况、道路条件和出行温度三方面。现有技术需基于大量的实车采集数据，在车上配备大量采集装置，对用户的体验可能有所影响，且实验室的条件与真实道路情况相比具有片面性。现有对驾驶风格的研究也是基于大量的实车数据，驾驶风格是指驾驶员在驾驶时所表现的综合行为特征，不同的驾驶员对车辆的驾驶情况不同，导致车辆的能耗表现大相径庭。

现有技术主要从三方面获取实验数据分析纯电动汽车能耗：一是在实验仓内，给定预设工况获取实验数据；二是建立物理模型，仿真计算研究整车能耗；三是利用数据采集系统获取实车运行数据。三种方法都有各自的缺点，前两种方法与车辆实际运行时的能耗差别较大，第三种方法获取的实车数据存在参数不同步、噪声干扰等缺陷，且如果采集数据过多，会降低用户的体验感。

在电动汽车充电需求预测方面，由于不同类型用户有其各自的充电行为特征，由此产生的充电需求的分布规律也会存在较大差异。而现有研究往往是针对某一特定类型的充电负荷进行预测，预测结果存在一定的片面性；其次，在对电动汽车出行进行随机模拟和仿真的过程中，现有研究往往忽略温度和地形对能耗的影响，且很多仿真场景的设置并不能真实反映实际情况，如环境、路网条件等多方面影响会使得模拟结果和现实情况存在偏差；最后，在部分充电需求的仿真预测研究中，有研究通过引用已有的统计规律作为仿真基础指标对电动汽车的充电负荷进行计算，没有考虑不同电动汽车用户充电选择行为/充电习惯的差异，由此得到的预测结果不一定符合实际的充电需求。

综上所述，如何通过合理的分析方式来对选择出的电动汽车能耗影响因素进行处理，以更贴近电动汽车在实际道路上行驶时的真实能耗，从而得到更为准确的电动汽车充电需求预测结果是本领域技术人员亟待解决的技术问题。

发明内容

基于现有技术存在的问题，本发明的目的是提供一种电动汽车用户的充电行为预测方法、装置及电子设备，通过物理模型来计算得到电池荷电状态耗能值，通过雨雪天气影响系数来优化电池荷电状态耗能值，再结合驾驶行为数据确定出用户驾驶风格，利用驾驶风格来更新电池荷电状态耗能值，以便计算出更为合理的电池荷电状态耗能值；最后通过对电池荷电状态结束值进行二分类处理，能够预测得到电动汽车用户的充电行为，以便合理选择充电设施的布局规划。本发明采用大数据技术与物理模型结合的方法，在采集装置不对用户产生干扰的情况下，获取用户的行车数据，同时考虑环境条件、道路坡度建立物理模型研究能耗，同时融入驾驶员特征，使用t-SNE算法结合K-Means聚类算法，使得驾驶风格的分类更为准确。融入驾驶员特征的能耗模型对不同驾驶员有更好适应性，能耗预测更加精准。在对用户的充电意愿预测方面，基于出行能耗和出行前的SOC预测值，得到较为准确的行程结束后的SOC值，同时对用户的历史充电行为进行学习，考虑用户的习惯和性格，利用GBDT算法对用户是否充电做出更精准的预测。

在本发明的第一方面，本发明提供了一种电动汽车用户的充电行为预测方法，所述方法包括：

获取电动汽车用户的历史行为数据和出行环境数据；所述历史行为数据包括出行行为数据、驾驶行为数据和停车充电行为数据；

对所述出行行为数据进行处理，预测得到电池荷电状态起始值；

对所述驾驶行为数据中的车辆驾驶行为数据进行分段处理，对每段处于行驶状态下的电动汽车能耗进行物理建模，计算每段的第一耗能值；

对所述出行环境数据进行处理，根据温度影响效应对电动汽车能耗进行物理建模，计算第二耗能值；

对各个分段的第一耗能值和第二耗能值进行叠加，结合雨雪天气影响系数计算得到电池荷电状态耗能值；

根据电池荷电状态起始值和电池荷电状态耗能值的差值，计算得到行程结束的电池荷电状态结束值；

对所述电池荷电状态结束值进行二分类处理，根据停车充电行为数据预测得到电动汽车用户的充电行为。

在本发明的第二方面，本发明还提供了一种电动汽车用户的充电行为预测装置，所述装置包括：

获取单元，用于获取电动汽车用户的历史行为数据和出行环境数据；所述历史行为数据包括出行行为数据、驾驶行为数据和停车充电行为数据；

第一计算单元，用于对所述出行行为数据进行处理，预测得到电池荷电状态起始值；

第二计算单元，用于对所述驾驶行为数据中的车辆驾驶行为数据进行分段处理，对每段处于行驶状态下的电动汽车能耗进行物理建模，计算每段的第一耗能值；

第三计算单元，用于对所述出行环境数据进行处理，根据温度影响对电动汽车能耗进行物理建模，计算第二耗能值；

第四计算单元，用于将各个分段的第一耗能值和第二耗能值进行叠加，结合雨雪天气影响系数计算得到电池荷电状态耗能值；

第五计算单元，用于根据电池荷电状态起始值和电池荷电状态耗能值的差值，计算得到行程结束的电池荷电状态结束值；

预测单元，对所述电池荷电状态结束值进行二分类处理，根据停车充电行为数据预测得到电动汽车用户的充电行为。

在本发明的第三方面，本发明还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明第一方面所述的方法的步骤。

本发明的有益效果：

本发明建立了电动汽车在不同环境、地形下行驶时的物理模型，还考虑雨雪天气对能耗的影响以及温度对能耗的附加影响，同时根据驾驶员在驾驶过程中的驾驶行为，对驾驶员的驾驶风格进行划分，建立了行驶中的电动汽车能耗模型，此能耗模型相比传统模型，结合了大数据优势与物理模型的优点，使得用户在行驶过程中的能耗预测更贴合实际，具有真实性。

本发明的电动汽车充电需求预测的研究围绕电动汽车用户的实际历史行为数据展开，通过统计现有用户的历史数据的行为规律作为充电需求的仿真依据，在能耗预测方面使用了物理模型与大数据技术相结合的手段，考虑了不同驾驶员的出行习惯，使得能耗预测结果更为个性化，同时根据每个人的历史充电数据学习其充电习惯，最终得到电动汽车充电需求的预测结果，预测结果相较于传统的充电需求预测更为准确。

附图说明

图1是本发明实施例的一种电动汽车用户的充电行为预测方法流程图；

图2是本发明实施例中处于行驶状态下的电动汽车能耗物理模型架构图；

图3是本发明实施例中一种电动汽车用户的充电行为预测装置架构图；

图4是本发明实施例的一种电子设备结构示意图。

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。

图1是本发明实施例的一种电动汽车用户的充电行为预测方法流程图，如图1所示，所述方法包括：

101、获取电动汽车用户的历史行为数据和出行环境数据；所述历史行为数据包括出行行为数据、驾驶行为数据和停车充电行为数据；

在本发明实施例中，可以按照一定频率收集车辆的历史行为数据。比如，车联网可以按照每隔10s的频率收集车辆的历史出行行为数据和历史停车行为数据。

在本发明实施例中，所述出行行为数据为电动汽车用户在每个出行周期的电池荷电状态起始值；所述驾驶行为数据包括车辆驾驶行为数据和驾驶员行为数据，所述车辆驾驶行为数据包括汽车行驶参数，所述汽车行驶参数包括但不限于行驶过程中的坡度，速度，加速度，车辆重量，车辆迎风面积等数据，所述驾驶员行为数据包括但不限于能够体现驾驶员对起步、加速、减速、制动等控制驾驶员行为特征参数，举个例子，可以包括3个驾驶员车速类参数，3个驾驶员变速类参数，3个驾驶员操纵踏板类参数，3个驾驶员时间比例类参数；这些汽车行驶参数通过可以通过汽车上搭载的各类传感器获取，例如车上的水平陀螺仪会记录汽车行驶中在不同时刻的道路坡度；所述停车充电行为数据包括电动汽车用户历史结束行程后回家的电池荷电状态值和当前出行周期是否充电的情况。

在本发明实施例中，所述电动汽车用户的出行环境数据包括电动汽车用户在历史出行周期的温度、湿度、天气等出行环境信息，用户出行周期的天气状态可以根据网络获取，从网络中可以得知该出行周期的温度以及天气，而天气主要分为雨雪天气和普通天气。

102、对所述出行行为数据进行处理，预测得到电池荷电状态起始值；

在本发明实施例中，可以对用户每天第一次出行前的SOC值进行统计，统计过去3个月的每次出行前的SOC值，并作出概率分布图，判断SOC值在哪个区间出现最多；即认为该用户的起始SOC值服从该区间的随机分布。这些值将作为经验值为后续用户出行时的SOC起始值做出预测依据。

具体的，可以设置用户出行起始SOC符合[u1,u2]的随机分布，u1,u2为该用户历史出行起始SOC值概率较大的区间。每个用户习惯不同，故服从的分布参数略有不同。如某个用户的历史出行SOC起始值有较大概率在80-100％之间，则认为该用户的出行起始SOC服从[80,100]的随机分布。

在一些实施例中，本实施例对电动汽车用户在每天第一次出行前的SOC值进行记录，统计过去3个月的每次出行前的SOC值。由于每天出行前的SOC值为时间序列数据，没有明显的季节特征和趋势特征，故使用指数平滑法模型对未来的SOC初始值做出预测。

指数平滑法的优势：(1)在于既不需要收集很多的历史出行行为数据，又考虑了各期出行行为数据的重要性，且使用全部的历史出行行数据,它是移动平均法的改进和发展，应用较为广泛；(2)它具有计算简单、样本要求量较少、适应性较强、结果较稳定等优点；(3)不但可用于短期预测，而且对中长期测效果更好。在本实施例中，采用用户的历史3个月的出行前SOC初始值进行预测这一行为属于中期预测，因此本实施例应用该指数平滑法能够得出较好的预测效果。

在本发明一些实施例中，首先获取用户在过去t个出行周期的历史出行SOC初始值为y₁,y₂,.....,y_t，所采用的一次指数平滑法的公式为：

其中，s_t为一次指数平滑值，a为加权系数，其值为0＜a＜1，s_t-1为上一个出行周期的指数平滑值，它是y_t与s_t-1的加权平均。这样可以预测用户在第t+1个出行周期的SOC初始值即SOC₀。

在本发明优选实施例中，本实施例结合最优常值回归方法和指数平滑法来对电池荷电状态起始值进行预测处理，利用指数平滑法的预测结果对最优常值回归方法进行参考校正，利用历史最近出行周期的电池荷电状态起始值来寻找出最小损失函数的回归预测值，来拟合出最接近真实情况的电池荷电状态起始值；实现对电动汽车用户的电池荷电状态起始值可靠评估。

具体的，在本发明优选实施例中，对电动汽车用户在每个出行周期的电池荷电状态起始值进行统计，选择距离待预测出行周期最近的前M个出行周期的历史电池荷电状态起始值作为规则验证集；将前M个出行周期中每一天的电池荷电状态起始值作为对应出行周期的初始回归值，采用指数平滑法对前M个出行周期的初始回归值进行预测处理，得到待预测出行周期的中间回归结果；通过最小化初始回归值与中间回归结果之间的损失函数，从而确定出对应出行周期对应的分配系数，在该分配系数下，通过改变初始回归值，从而确定出最小化损失函数下的回归值；将每一出行周期的分配系数与相应出行周期最小化损失函数下的回归值之间的乘积作为待预测出行周期的电池荷电状态起始值。

103、对所述驾驶行为数据中的车辆驾驶行为数据进行分段处理，对每段处于行驶状态下的电动汽车能耗进行物理建模，计算每段的第一耗能值；

在本发明实施例中，通过车辆驾驶行为数据中得到的天气信息、坡度数据、行驶里程数据可对行驶中的汽车进行受力分析物理建模。将每一段的行驶里程累加起来，则可得到用户在当前出行周期的总里程，用户在当前出行周期的总能耗与总里程呈正比关系。为了更准确地估算用户在当前出行周期的能耗，区别不同行驶状态下的坡度、天气等其他因素，本发明实施例中分别计算在当前出行周期每段行驶的能耗，再将每一段行驶中的能耗累加起来，可以得到当前出行周期的电动汽车用户的总能耗，并且为后续用户的充电需求预测提供基础。

对每段处于行驶状态下的电动汽车进行物理建模，以上坡为例，电动汽车在行驶时的状态及受力分析情况如图2所示。图2为处于行驶状态的电动汽车，纯电动汽车行驶阻力主要包括：滚动阻力、上坡阻力、空气阻力和加速阻力。纯电动汽车的牵引力克服阻力做功，驱动汽车前进。纯电动汽车行驶过程中的受力分析如图所示。在水平道路上等速行驶时就没有坡度阻力和加速阻力。上坡时，坡道阻力为正，下坡时，坡度阻力为负。

在本发明实施例中，根据获取的汽车行驶参数，行驶过程中的电动汽车耗能可以考虑坡度，速度，加速度，阻力的影响。山地城市道路极限纵坡比一般城市大，本领域技术人员可以根据实际情况确定相应的道路极限纵坡比。

式中，F_t为驱动轮牵引力，F_f为滚动阻力，F_i为坡度阻力，F_j为加速阻力，M为纯电动汽车整备质量，g为重力加速度，v为电动汽车车速；δ为旋转质量换算系数，f为轮胎滚动阻力系数，θ为道路坡度，F_w为空气阻力，C_D为风阻系数，A为迎风面积，ρ为空气密度；a表示电动汽车加速度。行驶中的电动汽车克服行驶阻力做的功为：

E_m＝ηF_tS

其中，S为行驶距离，η为电动汽车的工作系统(电池、传动系统、电机等)的转换效率。

将电动汽车的行驶状态划分为多个短时间的运动学片段，提取每个运动偏度的运动参数，包括平均车速、平均加速度和平均坡度，以此为基础构建能耗预测模型。对行驶状态进行定长划分，划分的行驶片段时长相同，划分周期可以为150s，那么每个行驶片段的第一耗能值可以表示为：

其中，v在Δt足够小的行驶片段中，可以用行驶片段的平均速度表示。

104、对所述出行环境数据进行处理，根据温度影响效应对电动汽车能耗进行物理建模，计算第二耗能值；

在本发明实施例中，温度对电动汽车能耗的影响主要体现在：

影响电池放热。随着温度变化，电池内阻也会相应发生变化。内阻增加，动力电池放热增加；影响空调和加热系统能耗，这部分能耗主要受出行环境温度影响，高温制冷工况和低温制暖工况都会明显提高空调系统能耗占比。

故将附件能耗和电池放热能耗统一辨识为温度对整车能耗的影响效应，根据拟合出的出行温度与整车能耗的关系，发现随着温度增加，整车能耗先减少，后增加，比较贴合三次函数，故温度对能耗的影响是温度的三次函数，符合三次回归的关系。

式中，E_t表示第二耗能值，也即是温度影响效应消耗的能量，T_i是出行的温度，β₀为常数项，λ₀、λ₁、λ₂分别是温度对整车能耗影响的一次参数、二次参数和三次参数。

105、对各个分段的第一耗能值和第二耗能值进行叠加，结合雨雪天气影响系数计算得到电池荷电状态耗能值；

在本发明实施例中，可以将叠加了雨雪天气影响系数后的各个分段的第一耗能值与出行周期的第二耗能值进行叠加，能够计算得到电池荷电状态耗能值中间值E_mid＝(E_d+E_t)，由于雨雪天气会加大电动汽车与地面的摩擦，摩擦系数增大，爬坡阻力增大，电动汽车行驶时的能耗也会相应增大；因此，本发明实施例中，考虑雨雪天气影响系数f_rain对电池荷电状态耗能值中间值E_mid进行处理，得到优化后的电池荷电状态耗能值E＝f_rainE_mid。

本实施例对天气的划分雨雪天气(冬季)和普通天气，当然，在其他实施例中，还可以将天气划分为多种不同的类型，例如高温天气和低温天气；采用不同类型的天气划分能够准确刻画不同环境因素对电动汽车的耗能的影响，从而提升能耗模拟结果的准确性。

以本实施例给出的雨雪天气和普通天气为例，汽车的总能耗为E，表示为如下：

E＝f_rain(E_d+E_t)

其中，f_rain为雨雪天气对汽车能耗的影响系数。E_d为电动汽车行驶中的耗能，E_t为温度消耗的电量。E为叠加了温度、天气、坡度、汽车行驶条件的总能耗。

在本发明优选实施例中，在上述建立的电量消耗模型上，本优选实施例还融入了驾驶风格，使得模型的针对性更强。驾驶过程驾驶员对起步、加速、减速、制动等的控制能够体现其驾驶的激烈程度，能够从中判断其驾驶风格。在行驶能耗模型中，融入驾驶员特性和山地城市特性，考虑当天的出行环境，出行气候及出行路段的坡度，综合对驾驶员行为特征的分类，来判断行驶过程的能耗，表1给出了本发明实施例的一些驾驶行为特征参数。

表1驾驶行为特征参数

可以理解的是，本领域技术人员可以选取部分或者全部上述驾驶行为特征参数，也可以根据实际情况选择其他本领域常见的驾驶行为特征参数，只要这些驾驶行为特征参数能够反映驾驶过程中对驾驶风格有影响的部分行为即可。

在本发明实施例中，对于驾驶行为的分类较为客观；但这些数据变量维度较大，高维度的特征变量使得驾驶风格分类时难度增大，普通聚类方法难以满足需求。故本发明采用更适合高维数据降维的深度学习算法即t-SNE算法，并将其与K-Means聚类算法结合对驾驶风格进行分类。

先利用t-SNE将驾驶行为特征参数进行降维处理，然后对降维后数据聚类得到驾驶风格的分类结果。

t-SNE工作原理：首先计算点在高维空间中的相似概率，然后计算相应低维空间中点的相似概率。点的相似性计算为条件概率，如果在以A为中心的高斯(正态分布)下按其概率密度按比例选择邻居，则点A将选择点B作为其邻居。然后，它尝试最小化高维空间和低维空间中这些条件概率(或相似性)之间的差异，以完美地表示低维空间中的数据点。

K-Means算法又名k均值算法，K-means算法中的k表示的是聚类为k个簇，means代表取每一个聚类中数据值的均值作为该簇的中心，或者称为质心，即用每一个的类的质心对该簇进行描述。

其算法思想大致为：先从样本集中随机选取k个样本作为簇中心，并计算所有样本与这k个“簇中心”的距离，对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。

实现kmeans算法的主要四点：

(1)簇个数k的选择。

(2)各个样本点到“簇中心”的距离，可采取欧氏距离、曼哈顿距离。

(3)根据新划分的簇，更新“簇中心”。

(4)重复上述2、3过程，直至"簇中心"没有移动。

在本发明的一些实施例中，所述采用K-Means算法对降维后的驾驶行为特征进行聚类处理包括从降维后的驾驶行为特征中选择k个驾驶行为特征作为初始聚类中心；根据距离最近原则将所有的驾驶行为特征划分到距离它最近的聚类中心所代表的簇球中；计算每个簇球中所有驾驶行为特征的均值作为新的聚类中心，并计算簇球半径；根据簇球半径和聚类中心之间的距离关系，找出每个簇的近邻簇；计算每个驾驶行为特征跟它所在近邻簇聚类中心之间的距离，根据就近原则将其划分到距离最近的簇球内；直至聚类中心不再发生变化，输出聚类结果也即是正常型的驾驶风格、谨慎型的驾驶风格和激进型的驾驶风格。

在本发明的一些实施例中，所述从降维后的驾驶行为特征中选择k个驾驶行为特征作为初始聚类中心可以包括：从降维后的驾驶行为特征集合中随机选择一个驾驶行为特征作为第一个初始聚类中心；使用马尔科夫模特卡罗方法从驾驶行为特征集合中采取长度为3k的马尔科夫链，将马尔科夫链上的3k个数据作为候选的初始聚类中心；对这3k个驾驶行为特征集合中的候选初始聚类中心，采用普里姆最小生成树的方法，重复将最近的两个初始聚类中心合并成一个新的初始聚类中心，直到最后只剩下k个数据当作初始聚类中心。

在另一些实施例中，所述从降维后的驾驶行为特征中选择k个驾驶行为特征作为初始聚类中心还可以包括：从驾驶行为特征集合中采用蓄水库抽样(reservoid sampling)的方式随机选择一个驾驶行为特征作为第一个初始聚类中心；其中，将驾驶行为特征集合中的前k个驾驶行为特征都放入到水库中，对之后的第m个元素，以k/m的概率替换掉水库中的某一个驾驶行为特征集合，将最终选择出的k个驾驶行为特征集合作为初始聚类中心。

不同驾驶风格在能耗更新中可以以不同的数值对更新前的电池荷电状态耗能值进行加权处理。聚类的结果为三种驾驶风格，正常型、谨慎型、激进型。有研究表明，不同驾驶风格的驾驶员的每百公里能耗已有差异。用驾驶风格系数表示不同的驾驶风格对能耗的影响，style_i:i＝1,2,3，1代表正常型的驾驶风格，2代表谨慎型的驾驶风格、3代表激进型的驾驶风格。

故考虑驾驶员行为的电量消耗模型为：

用SOC_E表示出行周期中所有行驶片段的能耗，计算式如下所示：

其中，Num为所有运动短片段的个数，T为每个短片段的周期，可以是150s为例，SOC_E用来表示电动汽车当日所有行程的耗电量。

106、根据电池荷电状态起始值和电池荷电状态耗能值的差值，计算得到行程结束的电池荷电状态结束值；

通过行驶开始时的SOC预测值(SOC₀)和行驶过程中的能耗预测的联合概率预测，可以得到用户在若干次出行结束后回到家里的SOC_end。

SOC_end＝SOC₀-SOC_E

107、对所述电池荷电状态结束值进行二分类处理，根据停车充电行为数据预测得到电动汽车用户的充电行为。

在本发明实施例中，需要记录电动汽车用户历史结束行程后回家的SOC值和是否充电的情况，用x来表示当日用户历史结束行程后回家的SOC_end，用y表示当日该用户是否充电，y为0表示不充电，y为1表示充电。

利用GBDT分类算法对用户的充电意愿做出预测判断，判断结果为：充电或者不充电。GBDT(Gradient Boosting Decision Tree)，全名叫梯度提升决策树。

逻辑回归的预测函数为：

函数h_θ(x)值有特殊的含义，它表示结果取1的概率，因此对于输入x分类结果为类别1和类别0的概率分别为：

P(Y＝1|x；θ)＝h_θ(x)

P(Y＝0|x；θ)＝1-h_θ(x)

GBDT二分类算法的过程如下：

(1)初始化第一个弱学习器：

其中，P(Y＝1|x)是训练样本中y＝1的比例，利用先验信息来初始化学习器。

(2)建立M棵分类回归树m＝1,2,…,M

a)对i＝1,2,...,N，计算第m棵树的响应值(损失函数的负梯度，即伪残差)：

b)对于i＝1,2,…,N利用CART回归树拟合数据(x_i,r_m,i)，得到第m棵回归树，其对应的叶子节点区域为R_m,j，其中j＝1,2,…,J_m，且J_m为第m棵回归树叶子节点的个数。

c)对于J_m个叶子节点区域j＝1,2,…,J_m，计算出最佳拟合值：

d)更新强学习器F_m(x)

(3)得到最终的强学习器F_M(x)的表达式

故分类模型可以表达为用户在结束当前周期行程后是否充电的概率：

用户在结束当前周期行程后充电的概率为：

用户在结束当前周期行程后不充电的概率则为：P(Y＝0|x)＝1-P(Y＝1|x)。

如图3所示，本申请实施例提供的一种电动汽车用户的充电行为预测装置500，如图3所示，包括：

如图4所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线603，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述电动汽车充电行为的预测方法的步骤。

具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述电动汽车用户的充电行为预测方法。

处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application SpecificIntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。

对应于上述电动汽车用户的充电行为预测方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述电动汽车充电行为的预测方法的步骤。

本申请实施例所提供的电动汽车用户的充电行为预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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通信接口，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。

再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

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单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述电动汽车充电行为的预测方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

可以理解的是，本发明在预测能耗方面，采取了建立物理模型与采取用户真实出行历史行为数据相结合的方法，可以对两种方法的不足进行互相补充，更贴近电动汽车在实际道路上行驶时的真实能耗，且采取系统不会对用户造成很大的干扰。除此以外，本发明的电动汽车充电需求预测的研究围绕实际历史行为数据(包括出行行为数据、驾驶行为数据和停车行为数据)展开，通过统计现有用户的历史数据的行为规律作为充电需求的仿真依据，在能耗预测方面使用了物理模型，补充环境因素与驾驶员特征，考虑了不同驾驶员的出行习惯，使得能耗预测结果更为个性化，同时根据每个人的历史充电数据学习其充电习惯，最终得到电动汽车充电需求的预测结果，预测结果相较于传统的充电需求预测更为准确。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

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。

Claims

1.一种电动汽车用户的充电行为预测方法，其特征在于，所述方法包括：

对各个分段的第一耗能值和第二耗能值进行叠加，并结合雨雪天气影响系数计算得到电池荷电状态耗能值；

2.根据权利要求1所述的一种电动汽车用户的充电行为预测方法，其特征在于，对所述出行行为数据进行处理，预测得到电池荷电状态起始值包括对电动汽车用户在每个出行周期的电池荷电状态起始值进行统计，选择距离待预测出行周期最近的前M个出行周期的历史电池荷电状态起始值作为规则验证集；将前M个出行周期中每一天的电池荷电状态起始值作为对应出行周期的初始回归值，采用指数平滑法对前M个出行周期的初始回归值进行预测处理，得到待预测出行周期的中间回归结果；通过最小化初始回归值与中间回归结果之间的损失函数，从而确定出对应出行周期对应的分配系数，在该分配系数下，通过改变初始回归值，从而确定出最小化损失函数下的回归值；将每一出行周期的分配系数与相应出行周期最小化损失函数下的回归值之间的乘积作为待预测出行周期的电池荷电状态起始值。

3.根据权利要求1所述的一种电动汽车用户的充电行为预测方法，其特征在于，处于行驶状态下的电动汽车能耗模型表示为：

式中，E_d表示第一耗能值，η为电动汽车的工作系统的转换效率；M为纯电动汽车整备质量，g为重力加速度，v为电动汽车车速，在Δt足够小的行驶片段中，用行驶片段的平均速度表示；δ为旋转质量换算系数，f为轮胎滚动阻力系数，θ为道路坡度，C_D为风阻系数，A为迎风面积，ρ为空气密度；a表示电动汽车加速度。

4.根据权利要求1所述的一种电动汽车用户的充电行为预测方法，其特征在于，所述电池荷电状态耗能值还包括根据所述驾驶行为数据中的驾驶员行为数据，确定出电动汽车用户的驾驶风格，将所述电动汽车用户的驾驶风格作为影响因素更新相应电动汽车用户的电池荷电状态耗能值。

5.根据权利要求4所述的一种电动汽车用户的充电行为预测方法，其特征在于，所述驾驶风格包括从驾驶行为数据中提取出驾驶行为特征，对所述驾驶行为特征采用非线性降维算法t-SNE对所述驾驶行为特征降维处理；采用K-Means算法对降维后的驾驶行为特征进行聚类处理，将所述驾驶行为特征分类为正常型的驾驶风格、谨慎型的驾驶风格和激进型的驾驶风格，并为三种驾驶风格赋予不同大小的数值。

6.根据权利要求5所述的一种电动汽车用户的充电行为预测方法，其特征在于，所述采用K-Means算法对降维后的驾驶行为特征进行聚类处理包括从降维后的驾驶行为特征中选择k个驾驶行为特征作为初始聚类中心；根据距离最近原则将所有的驾驶行为特征划分到距离它最近的聚类中心所代表的簇球中；计算每个簇球中所有驾驶行为特征的均值作为新的聚类中心，并计算簇球半径；根据簇球半径和聚类中心之间的距离关系，找出每个簇的近邻簇；计算每个驾驶行为特征跟它所在近邻簇聚类中心之间的距离，根据就近原则将其划分到距离最近的簇球内；直至聚类中心不再发生变化，输出聚类结果也即是正常型的驾驶风格、谨慎型的驾驶风格和激进型的驾驶风格。

7.根据权利要求1所述的一种电动汽车用户的充电行为预测方法，其特征在于，对所述电池荷电状态结束值进行二分类处理，预测得到电动汽车用户的充电行为包括采用梯度提升决策树对所述电池荷电状态结束值进行二分类处理，预测得到电动汽车用户在行程结束后的充电概率。

8.一种电动汽车用户的充电行为预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。