CN116562427A - 充电站的充电负荷预测方法及装置、存储介质、设备 - Google Patents
充电站的充电负荷预测方法及装置、存储介质、设备 Download PDFInfo
- Publication number
- CN116562427A CN116562427A CN202310353712.0A CN202310353712A CN116562427A CN 116562427 A CN116562427 A CN 116562427A CN 202310353712 A CN202310353712 A CN 202310353712A CN 116562427 A CN116562427 A CN 116562427A
- Authority
- CN
- China
- Prior art keywords
- charging
- period
- current
- historical
- predicted
- 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 45
- 238000012549 training Methods 0.000 claims description 69
- 238000004146 energy storage Methods 0.000 claims description 51
- 230000005611 electricity Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种充电站的充电负荷预测方法及装置、存储介质、计算机设备,该方法应用于充电站终端,包括:获取待预测充电站的当前时段订单数据以及充电站场景数据;确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。本申请在各充电订单数据中提取本次充电特征和用户身份标签,结合充电站场景数据对短时未来充电负荷进行精准预测,并充分利用不断产生的充电订单数据,以一定的频率不断更新预测未来一定时长内充电负荷,有助于进一步优化电量调度,提升电能利用率。
Description
技术领域
本申请涉及电动汽车充电站负荷预测技术领域,尤其是涉及到一种充电站的充电负荷预测方法及装置、存储介质、计算机设备。
背景技术
伴随着新能源汽车配套产业链逐步培育完善,电动汽车在私家车、城市交通、物流等领域越来越受到认可。电动汽车综合续航里程的提升使得大功率的直流充电桩实用度提高,60kW、120kW乃至480kW的高功率充电桩正逐步投入使用。充电耗时短、电量损耗小,使得如今充电桩规模拓展布局中直流充电桩占主流。
然而电动汽车的充电负荷具有一定的波动性和随机性。当电网线路接入电动汽车充电站后,大功率的充电负荷将导致线路负载率及负载损耗率增加,伴随导致空载损耗率减少。同时,同一区域内电动汽车的渗透率过大,或在同时刻下充电车辆过多、充电功率过大时,末端节点电压将急剧下降,严重时甚至将发生越下限情况。因此,如何对电动汽车负荷做出预测以设置措施应对,是重要的研究方向。
目前,电动汽车负荷一般基于已建成的充电站场景下基于未来天气、日类型等因素依据历史数据对未来数据进行预测。然而,随着车联网技术的发展,电动汽车车主可通过手机app等途径更加直观获得出行前与驾驶途中的各类信息。这些信息会对电动汽车车主选择充电地点的具体决策产生很大影响,从而在一定程度上影响充电电荷的分布。现有的这种基于历史经验的预测方式难以适应当前的电动汽车充电特性。
发明内容
有鉴于此,本申请提供了一种充电站的充电负荷预测方法及装置、存储介质、计算机设备,充分利用不断产生的充电订单数据,更准确的预测超短时的充电负荷,并能以一定的频率不断校准、更新预测值,使得对充电站的精准负荷追踪成为可能,以便更高效的进行电量分配、调度。
根据本申请的一个方面,提供了一种充电站的充电负荷预测方法,应用于充电站终端,所述方法包括:
获取待预测充电站的当前时段订单数据以及充电站场景数据;
确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;
基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值,包括:
将所述本次充电特征、所述用户身份标签以及所述充电站场景数据输入至充电信息预测模型中,预测所述当前时段充电用户的本次充电时长估计值和本次充电量估计值;
求和所述本次充电时长估计值获得所述当前时段的总充电时长估计值,以及求和所述本次充电量估计值获得所述当前时段的总充电量估计值;
将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值,包括:
获取所述当前时段对应的至少一个预测参照时段的预测参照时段充电量;
将所述当前时段对应的时段索引、所述当前时段充电用户数量、所述总充电时长估计值、所述总充电量估计值以及所述预测参照时段充电量输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述本次充电特征包括用户身份标识、充电站标识、本次充电开始时间、当前时段所在充电时段的充电时段电价、本次充电启动荷电状态、前一充电时段电价以及后一充电时段电价中至少一种;
所述充电站场景数据包括充电站位置数据和/或充电站天气数据;
所述用户身份标签包括私家车标签、网约车标签以及公交车标签中至少一种。
可选地,所述获取待预测充电站的当前时段订单数据以及充电站场景数据之前,所述方法还包括:
基于预设时间间隔进行定时,并在每次定时结束时,执行所述获取待预测充电站的当前时段订单数据以及充电站场景数据;
其中,基于所述预设时间间隔将全天充电时间划分为多个时间区间,每个时间区间对应各自的时段索引;当前时段对应的预测时段为包含所述当前时段以及所述当前时段之后预设时长的未来时段;所述预测参照时段包括基于预设时长对将所述当前时段之前的全天充电时间进行时间分段获得。
可选地,所述预测当前时段对应的预测时段的未来充电负荷估计值之后,所述方法还包括:
基于多个预设充电负荷预期范围,将所述未来充电负荷估计值映射至目标预期范围中;
若所述目标预期范围为预设放电范围,则启动所述待预测充电站的储能设备进行放电;
若所述目标预期范围为预设充电范围,则对所述待预测充电站的储能设备进行充电。
可选地,所述对所述待预测充电站的储能设备进行充电,包括:
获取所述储能设备的当前电量;
若所述当前电量低于储能设备容量,且所述当前时段的用电电价处于目标充电电价区间,则对所述储能设备进行充电;
若所述当前电量低于预设储能下限,则对所述储能设备进行充电。
可选地,所述充电信息预测模型通过以下方式获得:
获取第一历史订单数据样本;
基于每条所述第一历史订单数据样本,获取第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据作为第一训练输入数据,以及获取实际充电时长以及实际充电量作为第一训练输出数据;
利用所述第一训练输入数据和所述第一训练输出数据,对充电信息预测模型进行训练。
可选地,所述负荷预测模型通过以下方式获得:
获取第二历史订单数据样本,并基于各条所述第二历史订单数据样本对应的历史时段,将所述第二历史订单数据样本划分为多个历史时段各自对应的样本组,其中,每个所述历史时段的时长与所述当前时段的时长相等;
针对每个所述样本组,获取组内每条样本数据各自的第二历史充电特征、第二历史用户身份标签和第二历史充电站场景数据,并统计所述样本组对应的历史时段索引、历史时段充电用户数量、所述历史时段对应的训练参照时段充电量以及所述历史时段对应的目标时段的实际充电负荷;
将所述第二历史充电特征、所述第二历史用户身份标签以及所述第二历史充电站场景数据输入至训练后的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值;
针对每个所述样本组,求和所述历史充电时长预测值获得总充电时长预测值,以及求和所述历史充电量预测值获得总充电量预测值;
获取每个所述样本组对应的所述总充电时长预测值、所述总充电量预测值、所述历史时段索引、所述历史时段充电用户数量以及所述训练参照时段充电量作为第二训练输入数据,获取每个所述样本组对应的所述实际充电负荷作为第二训练输出数据,并对负荷预测模型进行训练。
根据本申请的另一方面,提供了一种充电站的充电负荷预测装置,应用于充电站终端,所述装置包括:
预测数据获取模块,用于获取待预测充电站的当前时段订单数据以及充电站场景数据;
特征提取模块,用于确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;
负荷预测模块,用于基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述负荷预测模块,还用于:
将所述本次充电特征、所述用户身份标签以及所述充电站场景数据输入至充电信息预测模型中,预测所述当前时段充电用户的本次充电时长估计值和本次充电量估计值;
求和所述本次充电时长估计值获得所述当前时段的总充电时长估计值,以及求和所述本次充电量估计值获得所述当前时段的总充电量估计值;
将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述负荷预测模块,还用于:
获取所述当前时段对应的至少一个预测参照时段的预测参照时段充电量;
将所述当前时段对应的时段索引、所述当前时段充电用户数量、所述总充电时长估计值、所述总充电量估计值以及所述预测参照时段充电量输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述本次充电特征包括用户身份标识、充电站标识、本次充电开始时间、当前时段所在充电时段的充电时段电价、本次充电启动荷电状态、前一充电时段电价以及后一充电时段电价中至少一种;所述充电站场景数据包括充电站位置数据和/或充电站天气数据;所述用户身份标签包括私家车标签、网约车标签以及公交车标签中至少一种。
可选地,所述预测数据获取模块,还用于:基于预设时间间隔进行定时,并在每次定时结束时,获取待预测充电站的当前时段订单数据以及充电站场景数据;
其中,基于所述预设时间间隔将全天充电时间划分为多个时间区间,每个时间区间对应各自的时段索引;当前时段对应的预测时段为包含所述当前时段以及所述当前时段之后预设时长的未来时段;所述预测参照时段包括基于预设时长对将所述当前时段之前的全天充电时间进行时间分段获得。
可选地,所述装置还包括:负荷追踪模块,用于:
基于多个预设充电负荷预期范围,将所述未来充电负荷估计值映射至目标预期范围中;
若所述目标预期范围为预设放电范围,则启动所述待预测充电站的储能设备进行放电;
若所述目标预期范围为预设充电范围,则对所述待预测充电站的储能设备进行充电。
可选地,所述负荷追踪模块,还用于:
获取所述储能设备的当前电量;
若所述当前电量低于储能设备容量,且所述当前时段的用电电价处于目标充电电价区间,则对所述储能设备进行充电;
若所述当前电量低于预设储能下限,则对所述储能设备进行充电。
可选地,所述装置还包括:模型训练模块,用于:
获取第一历史订单数据样本;
基于每条所述第一历史订单数据样本,获取第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据作为第一训练输入数据,以及获取实际充电时长以及实际充电量作为第一训练输出数据;
利用所述第一训练输入数据和所述第一训练输出数据,对充电信息预测模型进行训练。
可选地,所述模型训练模块,还用于:
获取第二历史订单数据样本,并基于各条所述第二历史订单数据样本对应的历史时段,将所述第二历史订单数据样本划分为多个历史时段各自对应的样本组,其中,每个所述历史时段的时长与所述当前时段的时长相等;
针对每个所述样本组,获取组内每条样本数据各自的第二历史充电特征、第二历史用户身份标签和第二历史充电站场景数据,并统计所述样本组对应的历史时段索引、历史时段充电用户数量、所述历史时段对应的训练参照时段充电量以及所述历史时段对应的目标时段的实际充电负荷;
将所述第二历史充电特征、所述第二历史用户身份标签以及所述第二历史充电站场景数据输入至训练后的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值;
针对每个所述样本组,求和所述历史充电时长预测值获得总充电时长预测值,以及求和所述历史充电量预测值获得总充电量预测值;
获取每个所述样本组对应的所述总充电时长预测值、所述总充电量预测值、所述历史时段索引、所述历史时段充电用户数量以及所述训练参照时段充电量作为第二训练输入数据,获取每个所述样本组对应的所述实际充电负荷作为第二训练输出数据,并对负荷预测模型进行训练。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述充电站的充电负荷预测方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述充电站的充电负荷预测方法。
借由上述技术方案,本申请提供的一种充电站的充电负荷预测方法及装置、存储介质、计算机设备,通过待预测充电站在当前时段的订单数据,统计当前时段充电用户,并提取当前时段充电用户对应的本次充电特征和用户身份标签,从而结合本次充电特征、用户身份标签以及充电站场景数据进行短时充电负荷预测,以得到当前时段对应的预测时段的未来充电负荷估计值。本申请在各充电订单数据中提取本次充电特征和用户身份标签,结合充电站场景数据对短时未来充电负荷进行精准预测,并充分利用不断产生的充电订单数据,以一定的频率不断更新预测未来一定时长内充电负荷,有助于进一步实现精准的负荷追踪,优化电量调度,提升电能利用率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种充电站的充电负荷预测方法的流程示意图;
图2示出了本申请实施例提供的另一种充电站的充电负荷预测方法的流程示意图;
图3示出了本申请实施例提供的一种充电站的充电负荷预测装置的结构示意图;
图4示出了本申请实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。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。
在本实施例中提供了一种充电站的充电负荷预测方法,应用于充电站终端,如图1所示,该方法包括:
步骤101,获取待预测充电站的当前时段订单数据以及充电站场景数据。
本申请实施例可以根据充电站终端实时接收到的充电订单进行短时充电负荷预测,充电站终端具体可以为处理充电站中针对各充电桩的充电订单的电子设备。在具体应用场景中,用户通过下订单的方式申请为电动车辆充电,或者车辆开始在充电桩上充电时自动生成充电订单。本申请实施例中当前时段订单数据为刚生成的订单即可,即此时尚未确定用户需要为车辆充多少电以及需要充电多长时间。
本申请实施例以5分钟作为一个时段,基于当前5分钟内的订单数据对未来一小时的充电负荷进行预测为例。首先,待预测充电站的充电站终端获取当前5分钟内的订单数据以及该充电站的充电站场景数据,其中订单数据中可以包括充电的车辆信息、下单用户的用户信息等,另外当前时段订单数据具体可以包括在当前5分钟内正在进行充电的订单,充电站场景数据具体可以包括充电站所处的地理位置信息、充电站所在城市或所在区域的天气数据等等。
步骤102,确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签。
其次,从订单数据中提取出预测充电负荷的所需数据,具体的,车辆的一次充电行为会生成一个订单,基于每个订单的订单数据统计出当前5分钟内正在充电的用户有哪些,即确定当前时段充电用户,并提取出当前时段充电用户在本次车辆充电时的本次充电特征以及当前时段充电用户的用户身份标签。例如本次充电特征可以包括本次充电开始时间、本次充电电价、本次充电开始时车辆的剩余电量百分比(本次充电启动荷电状态)等等,用户身份标签具体可以指用户的车主身份类型,比如私家车标签、网约车标签、公交车标签等等。
步骤103,基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
最后,利用以本次充电特征、用户身份标签以及充电站场景数据对未来短时时段的充电负荷进行预测,例如以当前5分钟的数据预测未来一小时的充电负荷,即预测当前时段对应的预测时段的未来充电负荷估计值,当然也可以对当前时段和预测时段的时长进行调整,在此不做限定。本申请旨在能够充分利用不断产生的充电订单数据,更准确的预测超短时的充电负荷(例如未来一小时的充电负荷预测,以往是都是以天为单位进行负荷预测),并能以合理的频率(例如5分钟一次)不断校准、更新预测值,使得对充电站的精准负荷追踪成为可能,以便更高效的进行电量分配、调度。
通过应用本实施例的技术方案,通过待预测充电站在当前时段的订单数据,统计当前时段充电用户,并提取当前时段充电用户对应的本次充电特征和用户身份标签,从而结合本次充电特征、用户身份标签以及充电站场景数据进行短时充电负荷预测,以得到当前时段对应的预测时段的未来充电负荷估计值。本申请在各充电订单数据中提取本次充电特征和用户身份标签,结合充电站场景数据对短时未来充电负荷进行精准预测,并充分利用不断产生的充电订单数据,以一定的频率不断更新预测未来一定时长内充电负荷,有助于进一步实现精准的负荷追踪,优化电量调度,提升电能利用率。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种充电站的充电负荷预测方法,应用于充电站终端,如图2所示,该方法包括:
步骤201,基于预设时间间隔进行定时,并在每次定时结束时,获取待预测充电站的当前时段订单数据以及充电站场景数据;其中,当前时段对应的预测时段为包含所述当前时段以及所述当前时段之后预设时长的未来时段。
本申请实施例中,以预设时间间隔为5分钟为例,进行5分钟的周期性定时,在每次5分钟定时结束时,将这5分钟作为当前时段,获取当前5分钟的订单数据以及获取充电站场景数据,其中充电站场景数据可以在一次获取之后,每次计时结束后直接利用获取好的数据,另外考虑到天气等场景数据可能随时间变化而变化,也可以在每次计时结束时重新获取最新的充电站场景数据。每5分钟获取数据后,利用这5分钟获取的数据对未来一段时间的充电负荷进行预测,即预测当前时段对应的预测时段的充电负荷进行预测,例如预设时长可以为55分钟,利用每5分钟获取的数据对这5分钟+未来55分钟构成的一小时的充电负荷进行预测。
步骤202,确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签。其中,所述本次充电特征包括用户身份标识、充电站标识、本次充电开始时间、当前时段所在充电时段的充电时段电价、本次充电启动荷电状态、前一充电时段电价以及后一充电时段电价中至少一种;所述充电站场景数据包括充电站位置数据和/或充电站天气数据;所述用户身份标签包括私家车标签、网约车标签以及公交车标签中至少一种。
在该实施例中,基于当前时段订单数据统计出当前时段的充电用户,并在订单数据中提取出当前时段充电用户的本次充电特征和用户身份标签。具体地,本次充电特征可以包括用户身份标识(用户ID)、充电站标识(充电站ID)、本次充电开始时间、本次充电启动荷电状态(例如本次充电时电动车辆剩余40%电量)、当前时段所在充电时段的充电时段电价、前一充电时段电价以及后一充电时段电价等信息,其中,基于不同时间的用电电价可以将全天24小时划分为若干个充电时段,利用当前时段落入的充电时段确定充电时段电价,基于该落入的充电时段对应的上一个充电时段确定前一充电时段电价,基于该落入的充电时段对应的下一个充电时段确定后一充电时段电价。用户身份标签为用户注册充电用户信息时基于车辆类型填写的私家车标签、网约车标签、公交车标签等。
步骤203,将所述本次充电特征、所述用户身份标签以及所述充电站场景数据输入至充电信息预测模型中,预测所述当前时段充电用户的本次充电时长估计值和本次充电量估计值。
步骤204,求和所述本次充电时长估计值获得所述当前时段的总充电时长估计值,以及求和所述本次充电量估计值获得所述当前时段的总充电量估计值;将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。其中,基于所述预设时间间隔将全天充电时间划分为多个时间区间,每个时间区间对应各自的时段索引。
在该实施例中,可以利用预先训练好的充电信息预测模型以及负荷预测模型,实现对未来时段的充电负荷的预测。具体的,先使用充电信息预测模型,将本次充电特征、用户身份标签以及充电站场景数据输入到模型中,获得模型输出数据作为当前时段充电用户的本次充电时长估计值和本次充电量估计值;再确定当前时段对应的时段索引,例如以5分钟作为一个预测时段,构建全天24小时的时段索引,当前时段的时段索引=(当前时间/5-1),该当前时间以分钟计时,比如1点10分记为70分钟。使用负荷预测模型,将当前时段的时段索引、当前时段充电用户数量、本次充电时长估计值以及本次充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
进一步,还可以引入历史数据共同实现对未来充电负荷的预测,以充分借鉴历史数据的规律提升充电负荷预测的准确性。可选地,步骤204包括:获取所述当前时段对应的至少一个预测参照时段的预测参照时段充电量,其中,所述预测参照时段包括基于预设时长对将所述当前时段之前的全天充电时间进行时间分段获得;将所述当前时段对应的时段索引、所述当前时段充电用户数量、所述总充电时长估计值、所述总充电量估计值以及所述预测参照时段充电量输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
在上述实施例中,还可以确定当前时段对应的至少一个预测参照时段,并获取各预测参照时段对应的预测参照时段充电量。例如当前时段为11点5分,可以取之前一天内的每个小时的充电量作为预测参照时段充电量,也可以取之前若干天中每天11点~12点的充电量作为预测参照时段充电量。从而结合当前时段的时段索引、当前时段充电用户数量、每个当前时段充电用户的本次充电时长估计值和本次充电量估计值、以及预测参照时段充电量,共同对预测时段的未来充电负荷进行预测。预测出预测时段的未来充电负荷估计值之后,还可以进一步依据该估计值进行负荷追踪。例如,如果超短时负荷预测发现未来负荷高于预期,则储能放电满足内部负荷;如果超短时负荷预测发现未来负荷低于预期,则储能从电网充电。
步骤205,基于多个预设充电负荷预期范围,将所述未来充电负荷估计值映射至目标预期范围中。
步骤206,若所述目标预期范围为预设放电范围,则启动所述待预测充电站的储能设备进行放电;若所述目标预期范围为预设充电范围,则对所述待预测充电站的储能设备进行充电。
在该实施例中,可以预先划分多个预设充电负荷预期范围,例如基于电网供电能力确定额定充电负荷,并进一步依据额定充电符合设置互不重叠的预设放电范围(高于额定充电负荷)、预设充电范围(低于额定充电负荷)和预设正常用电范围(与额定充电负荷较为接近的范围),从而在每次预测出未来充电负荷估计值后,将该估计值映射多对应的范围内,确定目标预期范围。其中,如果目标预期范围为预设放电范围,那么说明未来的预测时段电网供电能力可能无法满足充电负荷,可以启动储能设备进行放电以供应各充电桩为车辆充电;如果目标预期范围为预设正常用电范围,那么说明未来的预测时段电网供电能力与充电负荷应该较为匹配,这时不需要储能设备放电,也没有额外电能供应储能设备充电,不必对储能设备进行控制;如果目标预期范围为预设充电范围,那么说明未来的预测时段电网供电能力不仅能满足充电负荷还有额外的剩余,这时可以利用这部分剩余能力为储能设备充电,以备后续使用。
在本申请实施例中,可选地,步骤206包括:若所述目标预期范围为预设充电范围,则获取所述储能设备的当前电量;若所述当前电量低于储能设备容量,且所述当前时段的用电电价处于目标充电电价区间,则对所述储能设备进行充电;若所述当前电量低于预设储能下限,则对所述储能设备进行充电。
在该实施例中,还可以进一步结合储能设备的当前电量以及当前的用电电价,判断是否对储能设备进行充电。如果储能设备的当前电量低于储能设备容量(储能设备电量不满)、而且当前的用电电价较低(处于目标充电电价区间),或者储能设备的当前电量已经低于预设储能下限(例如30%),那么对储能设备充电,进行电量储备。
在本申请实施例中,可选地,所述充电信息预测模型通过以下方式获得:
获取第一历史订单数据样本;
基于每条所述第一历史订单数据样本,获取第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据作为第一训练输入数据,以及获取实际充电时长以及实际充电量作为第一训练输出数据;
利用所述第一训练输入数据和所述第一训练输出数据,对充电信息预测模型进行训练。
在该实施例中,第一历史订单数据样本为充电站的已完成订单,利用第一历史订单数据样本提取第一训练输入数据和第一训练输出数据,通过xgboost算法建立回归模型并进行训练获得训练后的充电信息预测模型。具体地,第一训练输入数据包括第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据,其中,第一历史充电特征包括历史充电开始时间、历史充电时间所在的历史充电时段的充电电价、历史充电启动荷电状态、前一历史充电时段电价以及后一历史充电时段电价,第一历史充电站场景数据包括历史充电站位置数据以及历史充电站天气数据,第一历史用户身份标签为私家车标签、网约车标签以及公交车标签中一种;第一训练输出数据包括提取出的实际充电时长和实际充电量。从而设定损失函数,并利用第一训练输入、输出数据对模型进行回归训练,获得训练后的充电信息预测模型。
在本申请实施例中,可选地,所述负荷预测模型通过以下方式获得:
获取第二历史订单数据样本,并基于各条所述第二历史订单数据样本对应的历史时段,将所述第二历史订单数据样本划分为多个历史时段各自对应的样本组,其中,每个所述历史时段的时长与所述当前时段的时长相等;
针对每个所述样本组,获取组内每条样本数据各自的第二历史充电特征、第二历史用户身份标签和第二历史充电站场景数据,并统计所述样本组对应的历史时段索引、历史时段充电用户数量、所述历史时段对应的训练参照时段充电量以及所述历史时段对应的目标时段的实际充电负荷;
将所述第二历史充电特征、所述第二历史用户身份标签以及所述第二历史充电站场景数据输入至训练后的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值;
针对每个所述样本组,求和所述历史充电时长预测值获得总充电时长预测值,以及求和所述历史充电量预测值获得总充电量预测值;
获取每个所述样本组对应的所述总充电时长预测值、所述总充电量预测值、所述历史时段索引、所述历史时段充电用户数量以及所述训练参照时段充电量作为第二训练输入数据,获取每个所述样本组对应的所述实际充电负荷作为第二训练输出数据,并对负荷预测模型进行训练。
在该实施例中,第二历史订单数据样本可以与第一历史订单数据样本相同、部分相同或不同。构建第二训练输入数据时,先基于各样本对应的历史时段,对第二历史订单数据样本进行分组,同一历史时段的样本划分到一个样本组中,每个历史时段的时长与上述的当前时段的时长相等。再针对每个样本组中的第二历史订单数据样本进行特征提取并进行充电时长和充电量的预测,获得历史充电时长预测值和历史充电量预测值。具体地,将从第二历史订单数据样本中提取出的第二历史充电特征、第二历史用户身份标签以及第二历史充电站场景数据输入到训练好的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值。接着将样本组对各条样本对应的历史充电时长预测值、历史充电量预测值分别进行求和,获得总充电时长预测值和总充电量预测值作为部分的第二训练输入数据,并将历史时段索引、训练参照时段充电量以及从样本中提取出的历史时段充电用户数量作为另一部分的第二训练输入数据。其中,训练参照时段充电量的获取方式可以参见上文中对预测参照时段充电量的获取方式,在此不再赘述。
进一步基于每个样本组对应的历史时段确定对应的目标时段,并通过统计目标时段的历史订单数据样本获得目标时段的实际充电负荷作为第二训练输出数据,其中,目标时段可以为包含历史时段和历史时段之后预设时长的时段。从而利用各样本组对应的第二训练输入、输出数据进行模型训练,获得训练后的负荷预测模型。该模型具体可以选择神经网络模型。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种充电站的充电负荷预测装置,应用于充电站终端,如图3所示,该装置包括:
预测数据获取模块,用于获取待预测充电站的当前时段订单数据以及充电站场景数据;
特征提取模块,用于确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;
负荷预测模块,用于基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述负荷预测模块,还用于:
将所述本次充电特征、所述用户身份标签以及所述充电站场景数据输入至充电信息预测模型中,预测所述当前时段充电用户的本次充电时长估计值和本次充电量估计值;
求和所述本次充电时长估计值获得所述当前时段的总充电时长估计值,以及求和所述本次充电量估计值获得所述当前时段的总充电量估计值;
将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述负荷预测模块,还用于:
获取所述当前时段对应的至少一个预测参照时段的预测参照时段充电量;
将所述当前时段对应的时段索引、所述当前时段充电用户数量、所述总充电时长估计值、所述总充电量估计值以及所述预测参照时段充电量输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
可选地,所述本次充电特征包括用户身份标识、充电站标识、本次充电开始时间、当前时段所在充电时段的充电时段电价、本次充电启动荷电状态、前一充电时段电价以及后一充电时段电价中至少一种;所述充电站场景数据包括充电站位置数据和/或充电站天气数据;所述用户身份标签包括私家车标签、网约车标签以及公交车标签中至少一种。
可选地,所述预测数据获取模块,还用于:基于预设时间间隔进行定时,并在每次定时结束时,获取待预测充电站的当前时段订单数据以及充电站场景数据;
其中,基于所述预设时间间隔将全天充电时间划分为多个时间区间,每个时间区间对应各自的时段索引;当前时段对应的预测时段为包含所述当前时段以及所述当前时段之后预设时长的未来时段;所述预测参照时段包括基于预设时长对将所述当前时段之前的全天充电时间进行时间分段获得。
可选地,所述装置还包括:负荷追踪模块,用于:
基于多个预设充电负荷预期范围,将所述未来充电负荷估计值映射至目标预期范围中;
若所述目标预期范围为预设放电范围,则启动所述待预测充电站的储能设备进行放电;
若所述目标预期范围为预设充电范围,则对所述待预测充电站的储能设备进行充电。
可选地,所述负荷追踪模块,还用于:
获取所述储能设备的当前电量;
若所述当前电量低于储能设备容量,且所述当前时段的用电电价处于目标充电电价区间,则对所述储能设备进行充电;
若所述当前电量低于预设储能下限,则对所述储能设备进行充电。
可选地,所述装置还包括:模型训练模块,用于:
获取第一历史订单数据样本;
基于每条所述第一历史订单数据样本,获取第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据作为第一训练输入数据,以及获取实际充电时长以及实际充电量作为第一训练输出数据;
利用所述第一训练输入数据和所述第一训练输出数据,对充电信息预测模型进行训练。
可选地,所述模型训练模块,还用于:
获取第二历史订单数据样本,并基于各条所述第二历史订单数据样本对应的历史时段,将所述第二历史订单数据样本划分为多个历史时段各自对应的样本组,其中,每个所述历史时段的时长与所述当前时段的时长相等;
针对每个所述样本组,获取组内每条样本数据各自的第二历史充电特征、第二历史用户身份标签和第二历史充电站场景数据,并统计所述样本组对应的历史时段索引、历史时段充电用户数量、所述历史时段对应的训练参照时段充电量以及所述历史时段对应的目标时段的实际充电负荷;
将所述第二历史充电特征、所述第二历史用户身份标签以及所述第二历史充电站场景数据输入至训练后的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值;
针对每个所述样本组,求和所述历史充电时长预测值获得总充电时长预测值,以及求和所述历史充电量预测值获得总充电量预测值;
获取每个所述样本组对应的所述总充电时长预测值、所述总充电量预测值、所述历史时段索引、所述历史时段充电用户数量以及所述训练参照时段充电量作为第二训练输入数据,获取每个所述样本组对应的所述实际充电负荷作为第二训练输出数据,并对负荷预测模型进行训练。
需要说明的是,本申请实施例提供的一种充电站的充电负荷预测装置所涉及各功能单元的其他相应描述,可以参考图1至图2方法中的对应描述,在此不再赘述。
本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,如图4所示,该计算机设备包括总线、处理器、存储器和通信接口,还可以包括输入输出接口和显示设备。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储位置信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现各方法实施例中的步骤。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,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可以是非易失性,也可以是易失性,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种充电站的充电负荷预测方法,其特征在于,应用于充电站终端,所述方法包括:
获取待预测充电站的当前时段订单数据以及充电站场景数据;
确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;
基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值,包括:
将所述本次充电特征、所述用户身份标签以及所述充电站场景数据输入至充电信息预测模型中,预测所述当前时段充电用户的本次充电时长估计值和本次充电量估计值;
求和所述本次充电时长估计值获得所述当前时段的总充电时长估计值,以及求和所述本次充电量估计值获得所述当前时段的总充电量估计值;
将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值;
其中,所述本次充电特征包括用户身份标识、充电站标识、本次充电开始时间、当前时段所在充电时段的充电时段电价、本次充电启动荷电状态、前一充电时段电价以及后一充电时段电价中至少一种;所述充电站场景数据包括充电站位置数据和/或充电站天气数据;所述用户身份标签包括私家车标签、网约车标签以及公交车标签中至少一种。
3.根据权利要求2所述的方法,其特征在于,所述将当前时段对应的时段索引、当前时段充电用户数量、所述总充电时长估计值以及所述总充电量估计值输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值,包括:
获取所述当前时段对应的至少一个预测参照时段的预测参照时段充电量;
将所述当前时段对应的时段索引、所述当前时段充电用户数量、所述总充电时长估计值、所述总充电量估计值以及所述预测参照时段充电量输入至负荷预测模型中,获得当前时段对应的预测时段的未来充电负荷估计值。
4.根据权利要求3所述的方法,其特征在于,所述获取待预测充电站的当前时段订单数据以及充电站场景数据之前,所述方法还包括:
基于预设时间间隔进行定时,并在每次定时结束时,执行所述获取待预测充电站的当前时段订单数据以及充电站场景数据;
其中,基于所述预设时间间隔将全天充电时间划分为多个时间区间,每个时间区间对应各自的时段索引;当前时段对应的预测时段为包含所述当前时段以及所述当前时段之后预设时长的未来时段;所述预测参照时段包括基于预设时长对将所述当前时段之前的全天充电时间进行时间分段获得。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述预测当前时段对应的预测时段的未来充电负荷估计值之后,所述方法还包括:
基于多个预设充电负荷预期范围,将所述未来充电负荷估计值映射至目标预期范围中;
若所述目标预期范围为预设放电范围,则启动所述待预测充电站的储能设备进行放电;
若所述目标预期范围为预设充电范围,则对所述待预测充电站的储能设备进行充电,其中,所述对所述待预测充电站的储能设备进行充电,包括:获取所述储能设备的当前电量;若所述当前电量低于储能设备容量,且所述当前时段的用电电价处于目标充电电价区间,则对所述储能设备进行充电;若所述当前电量低于预设储能下限,则对所述储能设备进行充电。
6.根据权利要求2至4中任一项所述的方法,其特征在于,所述充电信息预测模型通过以下方式获得:
获取第一历史订单数据样本;
基于每条所述第一历史订单数据样本,获取第一历史充电特征、第一历史用户身份标签、第一历史充电站场景数据作为第一训练输入数据,以及获取实际充电时长以及实际充电量作为第一训练输出数据;
利用所述第一训练输入数据和所述第一训练输出数据,对充电信息预测模型进行训练。
7.根据权利要求6所述的方法,其特征在于,所述负荷预测模型通过以下方式获得:
获取第二历史订单数据样本,并基于各条所述第二历史订单数据样本对应的历史时段,将所述第二历史订单数据样本划分为多个历史时段各自对应的样本组,其中,每个所述历史时段的时长与所述当前时段的时长相等;
针对每个所述样本组,获取组内每条样本数据各自的第二历史充电特征、第二历史用户身份标签和第二历史充电站场景数据,并统计所述样本组对应的历史时段索引、历史时段充电用户数量、所述历史时段对应的训练参照时段充电量以及所述历史时段对应的目标时段的实际充电负荷;
将所述第二历史充电特征、所述第二历史用户身份标签以及所述第二历史充电站场景数据输入至训练后的充电信息预测模型中,获得历史充电时长预测值以及历史充电量预测值;
针对每个所述样本组,求和所述历史充电时长预测值获得总充电时长预测值,以及求和所述历史充电量预测值获得总充电量预测值;
获取每个所述样本组对应的所述总充电时长预测值、所述总充电量预测值、所述历史时段索引、所述历史时段充电用户数量以及所述训练参照时段充电量作为第二训练输入数据,获取每个所述样本组对应的所述实际充电负荷作为第二训练输出数据,并对负荷预测模型进行训练。
8.一种充电站的充电负荷预测装置,其特征在于,应用于充电站终端,所述装置包括:
预测数据获取模块,用于获取待预测充电站的当前时段订单数据以及充电站场景数据;
特征提取模块,用于确定所述当前时段订单数据对应的当前时段充电用户,并提取所述当前时段充电用户的本次充电特征和用户身份标签;
负荷预测模块,用于基于所述本次充电特征、所述用户身份标签以及所述充电站场景数据,预测当前时段对应的预测时段的未来充电负荷估计值。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353712.0A CN116562427A (zh) | 2023-03-30 | 2023-03-30 | 充电站的充电负荷预测方法及装置、存储介质、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353712.0A CN116562427A (zh) | 2023-03-30 | 2023-03-30 | 充电站的充电负荷预测方法及装置、存储介质、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562427A true CN116562427A (zh) | 2023-08-08 |
Family
ID=87499081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310353712.0A Pending CN116562427A (zh) | 2023-03-30 | 2023-03-30 | 充电站的充电负荷预测方法及装置、存储介质、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957167A (zh) * | 2023-08-28 | 2023-10-27 | 西南大学 | 一种电动汽车充电桩充电时长预测方法和装置 |
-
2023
- 2023-03-30 CN CN202310353712.0A patent/CN116562427A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957167A (zh) * | 2023-08-28 | 2023-10-27 | 西南大学 | 一种电动汽车充电桩充电时长预测方法和装置 |
CN116957167B (zh) * | 2023-08-28 | 2024-03-19 | 西南大学 | 一种电动汽车充电桩充电时长预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110723029B (zh) | 一种充电策略的确定方法及装置 | |
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
CN115808922B (zh) | 商用电动车辆能耗预测方法、装置和计算机设备 | |
CN111126740B (zh) | 共享汽车充电调度方法、电子设备及存储介质 | |
CN109784985A (zh) | 充电计费方法、系统、装置、计算机设备和存储介质 | |
Zhou et al. | Probability model and simulation method of electric vehicle charging load on distribution network | |
CN116562427A (zh) | 充电站的充电负荷预测方法及装置、存储介质、设备 | |
Eddine et al. | A deep learning based approach for predicting the demand of electric vehicle charge | |
CN115598556A (zh) | 电动车辆的动力电池的健康状态确定方法及服务器 | |
CN116934366A (zh) | 充电场站的充电定价方法及装置、存储介质、计算机设备 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
CN108985966B (zh) | 电量消耗计算方法、装置、车辆及计算机可读存储介质 | |
CN116882715B (zh) | 基于云服务器的桩车联动有序安全用电方法及系统 | |
CN117743744A (zh) | 换电站电池运行情况展示方法、装置、设备及存储介质 | |
CN117301936B (zh) | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 | |
CN118082583A (zh) | 储能式充电站充电调度方法、装置、计算机设备和存储介质 | |
Chauhan et al. | Scheduling of Electric Vehicle’s Power in V2G and G2V Modes Using an Improved Charge–Discharge Opportunity-Based Approach | |
CN117922359B (zh) | 共享充电桩智能管理方法、装置和设备 | |
CN117890792A (zh) | 动力电池容量的预测方法、装置、计算机设备、存储介质 | |
CN116166881A (zh) | 车辆充电信息推荐方法及装置、存储介质、计算机设备 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN115456489B (zh) | 混合储能系统库存路径规划方法、装置及电子设备 | |
CN116090599A (zh) | 充电负荷预测方法、装置、设备、存储介质和程序产品 | |
CN117498362A (zh) | 电网调度方法、装置和计算机设备 |
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 |