CN117856257B - 充电场站用电负荷的预测方法、装置、设备及介质 - Google Patents
充电场站用电负荷的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117856257B CN117856257B CN202410265119.5A CN202410265119A CN117856257B CN 117856257 B CN117856257 B CN 117856257B CN 202410265119 A CN202410265119 A CN 202410265119A CN 117856257 B CN117856257 B CN 117856257B
- Authority
- CN
- China
- Prior art keywords
- charging
- target
- information
- charged
- objects
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005611 electricity Effects 0.000 title claims description 20
- 238000011835 investigation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 88
- 238000004590 computer program Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010971 suitability test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种充电场站用电负荷的预测方法、装置、设备及介质,可以应用于电动汽车与电网互动技术领域。该方法包括:获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息;基于混合选择模型,在多个预定充电场景下,对问卷调查结果信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系;响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,得到待充电对象的属性信息;基于关联关系,根据待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象在目标充电场站内的充电概率;基于多个待充电对象的充电概率和多个待充电对象的充电需求,得到目标充电场站在目标时段的用电负荷预测信息。
Description
技术领域
本发明涉及电动汽车与电网互动技术领域,尤其涉及一种充电场站用电负荷的预测方法、装置、设备及介质。
背景技术
电动汽车在充电场站充电的决策受多种因素影响,目前,主要分析影响充电决策的确定性因素,较少分析在分析影响充电决策的不确定因素。
相关技术中,针对在分析影响充电决策的不确定因素的过程中,对于不同用户、充电场景以及用户偏好考虑不全面,从而导致目标充电场站的用电负荷预测的准确性较低。
发明内容
鉴于上述问题,本发明提供了一种充电场站用电负荷的预测方法、装置、设备及介质。
根据本发明的第一个方面,提供了一种充电场站用电负荷的预测方法,包括:获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,上述问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息。基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到上述属性信息与上述充电偏好信息之间的关联关系。响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从上述问卷调查结果信息中得到上述待充电对象的属性信息。基于上述关联关系,根据上述待充电对象的属性信息和目标充电场站的场景信息,得到上述待充电对象在上述目标充电场站内的充电概率。基于多个上述待充电对象的充电概率和多个上述待充电对象的充电需求,得到上述目标充电场站在目标时段的用电负荷预测信息。
根据本发明的实施例,上述充电偏好信息表征上述目标对象对调查问卷中与同一偏好变量对应多个问题变量的选择结果;上述混合选择模型包括用于表征偏好变量与属性变量之间关系的第一函数和用于表征偏好变量与问题变量之间关系的第二函数。上述基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到上述属性信息与上述充电偏好信息之间的关联关系,包括:基于上述问卷调查结果信息,对上述混合选择模型进行参数估计,得到上述第一函数和上述第二函数。根据上述第一函数和上述第二函数,得到上述关联关系。
根据本发明的实施例,上述基于上述问卷调查结果信息,对上述混合选择模型进行参数估计,得到上述第一函数和上述第二函数,包括:利用极大似然法,对混合选择模型进行参数估计,得到与上述问题变量对应的荷载系数和偏好变量与属性变量之间的估计系数。对上述问题变量对应的荷载系数进行标准化处理,得到上述第二函数。将上述估计系数作为上述第一函数的系数,得到上述第一函数。
根据本发明的实施例,上述属性变量包括多个;上述方法还包括:基于问卷调查结果信息,对多个属性变量与上述偏好变量进行显著性分析,得到目标属性变量,其中,上述目标属性变量表征对上述偏好变量影响值大于预定阈值的变量。将与上述目标属性变量对应的估计系数作为上述第一函数的系数,得到上述第一函数。
根据本发明的实施例,上述基于上述关联关系,根据上述待充电对象的属性信息和目标充电场站的场景信息,得到上述待充电对象在上述目标充电场站内的充电概率,包括:基于上述关联关系和上述问卷调查结果信息,标定预定函数的系数,得到目标函数;其中,上述目标函数表征待充电对象的充电效用与属性变量、偏好变量和充电场景变量的关系。基于上述关联关系,根据上述待充电对象的属性信息,得到目标偏好信息。基于上述目标函数,根据上述目标偏好信息、上述待充电对象的属性信息和上述目标充电场站的场景信息,得到上述待充电对象的充电效用。根据上述待充电对象的充电效用,得到上述充电概率。
根据本发明的实施例,上述基于多个上述待充电对象的充电概率和多个上述待充电对象的充电需求,得到上述目标充电场站在目标时段的用电负荷预测信息,包括:根据上述多个上述目标对象的充电概率,从上述多个上述目标对象的充电需求中确定目标时段在上述目标充电场站进行充电的目标充电需求。根据上述目标充电需求,生成上述用电负荷预测信息。
根据本发明的实施例,上述基于多个上述待充电对象的充电概率和多个上述待充电对象的充电需求,得到上述目标充电场站在目标时段的用电负荷预测信息,包括:基于多个上述待充电对象的充电概率,对上述多个上述待充电对象的充电需求进行处理,得到多个与上述目标时段的对应的充电负荷效用。响应于上述多个与上述目标时段的对应的充电负荷效用满足预定收敛条件,从上述多个与上述目标时段的对应的充电负荷效用中确定上述用电负荷预测信息。
本发明的第二方面提供了一种充电场站用电负荷预测装置,包括:获取模块、数据拟合模块、筛选模块、获得模块和生成模块。
获取模块,用于获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息。
数据拟合模块,用于基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系。
筛选模块,用于响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从问卷调查结果信息中得到待充电对象的属性信息。
获得模块,用于基于关联关系,根据待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象在目标充电场站内的充电概率。
生成模块,用于基于多个待充电对象的充电概率和多个待充电对象的充电需求,生成目标充电场站在目标时段的用电负荷预测信息。
本发明的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述充电场站用电负荷的预测方法。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述充电场站用电负荷的预测方法。
本发明的第五方面还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充电场站用电负荷的预测方法。
根据本发明提供的充电场站用电负荷的预测、装置、设备及存储介质,基于混合数据模型,通过对问卷调查结果信息的数据拟合,得到目标对象的属性信息与充电偏好信息之间的关联关系,以实现通过目标对象的属性信息可以准确预测目标对象的充电概率,从而准确预测目标充电场站的用电负荷,提高了目标充电场站用电负荷预测信息的准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的充电场站用电负荷的预测方法的应用场景图;
图2示出了根据本发明实施例的充电场站用电负荷的预测方法的流程图;
图3示出了根据本发明实施例的得到待充电对象在目标充电场站内的充电概率的流程图;
图4示出了根据本发明实施例的基于混合Logit模型与基于混合选择模型的充电概率预测对比图;
图5示出了根据本发明实施例的待充电对象的充电决策方法的结构图;
图6示出了根据本发明实施例的充电场站用电负荷的预测装置的结构框图;以及
图7示出了根据本发明实施例的适于实现充电场站用电负荷的预测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在实现本发明的过程中发现,相关示例中,可以使用基于混合评定(Logit)模型预测目标充电场站的用电负荷信息,不过基于混合Logit模型预测出的目标充电场站的用电负荷信息的准确性较低。
有鉴于此,本发明的实施例提供了一种充电场站用电负荷的预测方法,包括:获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息。基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系。响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从问卷调查结果信息中得到待充电对象的属性信息。基于关联关系,根据待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象在目标充电场站内的充电概率。基于多个待充电对象的充电概率和多个待充电对象的充电需求,得到目标充电场站在目标时段的用电负荷预测信息。
图1示出了根据本发明实施例的充电场站用电负荷的预测方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的充电场站用电负荷的预测方法一般可以由服务器105执行。相应地,本发明实施例所提供的充电场站用电负荷的预测装置一般可以设置于服务器105中。本发明实施例所提供的充电场站用电负荷的预测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的充电场站用电负荷的预测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2和图3对本发明实施例的充电场站用电负荷的预测方法进行详细描述。
图2示出了根据本发明实施例的充电场站用电负荷的预测方法的流程图。
如图2所示,该实施例的充电场站用电负荷的预测方法200包括操作S210~操作S250。
在操作S210,获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)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,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
在操作S220,基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系。
在操作S230,响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从问卷调查结果信息中得到待充电对象的属性信息。
在操作S240,基于关联关系,根据待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象在目标充电场站内的充电概率。
在操作S250,基于多个待充电对象的充电概率和多个待充电对象的充电需求,得到目标充电场站在目标时段的用电负荷预测信息。
根据本发明的实施例,目标区域可以是根据需求预先选定的一个区域范围。例如,目标区域可以是一个城市。例如,北京市。又例如,目标区域可以是一个居住社区。
根据本发明的实施例,多个目标对象可以是目标区域中需要使用目标充电场站对电动私家车(Electric Private Car,EPC)进行充电的多个用户。目标对象可以有一个或多个需要使用目标充电场站进行充电的电动私家车。目标充电场站可以是为目标区域的私家车提供充电服务的充电场站。
根据本发明的实施例,针对目标区域的多个目标对象的充电决策意图的问卷调查的内容可以包括:“当预计出行路程和剩余续航里程差不多时,我会充电后出发”、“去一个不熟悉的目的地时,会比往常充更多的电量”、“我总是在电量警示灯亮起之前充电”、“车辆剩余里程通常比实际行驶里程多一些”、“当剩余电量允许时,我总会到常去的充电地点充电”、“当有合适的几乎充电时,我总会充电”和“我总会在特定的时间段充电”。
根据本发明的实施例,目标对象的属性信息可以表征目标对象所具有的属性。例如,目标对象的性别、年龄、受教育程度、家庭年平均收入、电动私家车的购买时长等信息。
根据本发明的实施例,目标对象的充电偏好信息可以表征目标对象在问卷调查中选中的选择结果。
根据本发明的实施例,多个预定充电场景可以表征目标对象在充电过程中可能会存在的场景的集合。多个预定充电场景可以是通过充电场景的正交组合得到,其中,充电场景可以是预先给定的场景。预先给定的充电场景可以包括电动私家车的荷电状态(Stateof charge,SOC)、单次行驶里程、充电地点等信息。充电场景设置如表1所示,其中,停车费用可以根据现有的情况设置。
表1 充电场景设置
根据本发明的实施例,对于多个预定充电场景可以由刻画出出行行为的出行链模型抽样,属性信息可以按照统计的占比随机抽样,表2为属性信息的样本数据,表3是对随机抽样得到的数据变量进行赋值,其中,停留时间和充电费用可以根据实际情况赋值。运用相关软件,采用Cronbach’s Alpha进行信度检验,利用抽样适合性检验(Kaiser-Meyer-Olkin, KMO)值、组合效度(Composite Reliability,CR)对数据进行效度分析,表4是对数据进行信度和效度分析的结果。通过数据抽样与效度和信度检验,生成初始数据并且可以保证数据可用性。
表2 属性信息的样本数据
表3 变量赋值
表4 信度和效度检验
根据本发明的实施例,混合选择模型(Hybrid Choice Model, HCM)可以表征综合考虑目标对象的属性信息、目标对象的偏好信息和目标充电场站的场景信息的模型。可以利用相关软件构建混合选择模型。
根据本发明的实施例,属性信息与充电偏好信息之间的关联关系可以表征目标对象的属性信息和充电偏好信息之间的联系。
根据本发明的实施例,目标时间段可以是预先确定的一个时间段。例如,目标时间段可以为周一上午八点至周五晚上八点。又例如,目标时间段可以为周六上午十点至周日晚上十二点。
根据本发明的实施例,待充电对象可以表征目标时间段内到达目标充电场站的目标对象。
根据本发明的实施例,待充电对象的属性信息可以包括待充电对象的性别、年龄、受教育程度、家庭年平均收入以及电动私家车购买时长等信息。例如。待充电对象的性别为男,年龄为50岁,受教育程度为大专,家庭年平均收入为20万元,电动私家车购买时长为2年。
根据本发明的实施例,充电概率可以表征待充电对象在目标充电场站内对电动私家车充电的可能性。
根据本发明的实施例,目标充电场站在目标时段的用电负荷预测信息可以表征目标充电场站在目标时间段内预计的用电负荷。
根据本发明的实施例,基于混合数据模型,通过对问卷调查结果信息的数据拟合,得到目标对象的属性信息与充电偏好信息之间的关联关系,以实现通过目标对象的属性信息可以准确预测目标对象的充电概率,从而准确预测目标充电场站的用电负荷,提高了目标充电场站用电负荷预测信息的准确性。
根据本发明的实施例,基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系,包括:基于问卷调查结果信息,对混合选择模型进行参数估计,得到第一函数和第二函数。根据第一函数和第二函数,得到关联关系。
根据本发明的实施例,充电偏好信息可以表征目标对象在调查问卷中与同一偏好变量对应多个问题变量的选择结果。混合选择模型可以包括用于表征偏好变量与属性变量之间关系的第一函数和用于表征偏好变量与问题变量之间关系的第二函数。
根据本发明的实施例,偏好变量可以表征充电偏好信息中包括的变量信息。偏好变量可以包括充电风险态度η 1、里程风险态度η 2和充电习惯态度η 3。问题变量可以包括U1、U2、V1、V2、W1、W2、W3。问题变量可以采用李克特(Likert)五级量化表进行量化,按“非常不赞同”记1分、“不赞同”记2分、“不确定”记3分、“赞同”记4分、“非常赞同”记5分。偏好变量测量列表如表5所示。
表5 偏好变量测量列表
根据本发明的实施例,属性变量可以表征属性信息中包括的变量信息。属性变量可以是性别、年龄、受教育程度、家庭平均年收入、等。问题变量可以表征调查问卷中目标对象对偏好变量的选择结果。
根据本发明的实施例,第一函数可以表征偏好变量与属性变量之间的关系。第二函数可以表征偏好变量与问题变量之间的关系。
根据本发明的实施例,根据第一函数和第二函数,可以通过混合选择模型进行参数估计,拟合得到偏好变量和属性变量之间的关联关系。
根据本发明的实施例,基于问题变量,对混合选择模型参数估计,拟合得到关联关系,提高了目标充电场站的用电负荷预测信息的准确性。
根据本发明的实施例,基于问卷调查结果信息,对混合选择模型进行参数估计,得到第一函数和第二函数,包括:利用极大似然法,对混合选择模型进行参数估计,得到与问题变量对应的荷载系数和偏好变量与属性变量之间的估计系数。对问题变量对应的荷载系数进行标准化处理,得到第二函数。将估计系数作为第一函数的系数,得到第一函数。
根据本发明的实施例,极大似然法可以表征求未知参数点估计的一种方法。在本发明的实施例中,可以通过求解未知参数对应的似然函数的最大值得到未知参数。
根据本发明的实施例,第二函数的计算,如下公式(1):
(1)
其中,y表示问题变量的集合,表示载荷矩阵,/>表示第二测量误差项,/>表示偏好变量。
根据本发明的实施例,通过对混合选择模型进行参数估计,可以得到与问题变量对应的载荷系数和偏好变量与属性变量之间的估计系数。
根据本发明的实施例,载荷系数可以表征载荷矩阵中问题变量与偏好变量的相关程度。载荷系数越大表征对于该问题变量的偏好程度越大。
根据本发明的实施例,标准化处理可以表征对涉及到不同指标的水平相差很大的数据,转化为无量纲、无数据量级差异的数据。
根据本发明的实施例,将问题变量和偏好变量进行拆解,拆解后的第二函数,如下公式(2):
(2)
其中,U1表示第一问题变量,U2表示第二问题变量,V1表示第三问题变量,V2表示第四问题变量,W1表示第五问题变量,W2表示第六问题变量,W3表示第七问题变量,A、B、C、D、E、F、G表示载荷矩阵的载荷系数。
根据本发明的实施例,利用相关软件构建混合选择模型,采用极大似然法对混合选择模型进行参数估计,可以得到各偏好变量的载荷系数如表6所示。
表6 载荷系数表
根据本发明的实施例,通过对载荷系数标准化,可以得到各偏好变量的系数。因此,可以得到如下公式(3)的含有系数的第二函数:
(3)
根据本发明的实施例,第一函数的计算,如下公式(4):
(4)
其中,Z表示属性变量,Λ表示估计系数矩阵;ɛ 1代表第一测量误差项。
根据本发明的实施例,第一测量误差项和第二测量误差项的计算,满足预设的误差限定条件,如公式(5)所示:
(5)
其中,表示用于限定第一误测量差项的条件矩阵,/>表示用于限定第二测量误差项的条件矩阵。
根据本发明的实施例,利用极大似然,对混合选择模型进行参数估计,得到第一函数和第二函数,进一步提高了目标充电场站的用电负荷预测信息的准确性。
根据本发明的实施例,上述充电场站用电负荷的预测方法还包括:
基于问卷调查结果信息,对多个属性变量与偏好变量进行显著性分析,得到目标属性变量。
将与目标属性变量对应的估计系数作为第一函数的系数,得到第一函数。
根据本发明的实施例,属性变量包括多个。目标属性变量表征对偏好变量影响值大于预定阈值的变量。预定阈值可以是根据需求提前设定的。目标属性变量可以包括多个。
根据本发明的实施例,可以通过参数估计方法进行多个属性变量与偏好变量的显著性分析。表7为属性变量与偏好变量之间的参数估计值。
表7 属性变量与参数变量之间的参数估计值
根据本发明的实施例,表7中“”、“/>”表示与偏好变量具有显著性相关的属性变量。
如表7中所示,与充电风险态度η1具有显著性相关的属性变量是受教育程度0.23。与里程风险态度η2具有显著性相关的属性变量是性别0.17、年龄0.18和家庭年平均收入0.31。与充电风险态度η3具有显著性相关的属性变量是年龄0.27和购买EPC时长0.19。
因此,可以将公式(4)问题变量和属性变量进行拆解,得到如下公式(6)的第一函数:
(6)
其中,Z education表示受教育程度、Z gender表示性别、Z age表示年龄、Z income表示家庭年平均收入、Z car表示电动私家车的购买时长,H、I、J、K、L、M表示估计系数矩阵的估计系数。
根据本发明的实施例,可以将与目标属性变量对应的估计系数作为第一函数的系数,得到第一函数。如表7所示,根据预定阈值,可以确定目标属性变量对应的估计系数,将与目标属性变量对应的估计系数作为第一函数的系数,得到第一函数。因此,含有系数的第一函数如下公式(7):
(7)
根据本发明的实施例,通过对多个属性变量与偏好变量进行显著性分析,可以得到第一函数的系数,进而得到第一函数,提高了属性变量与偏好变量之间对应关系的准确性,进一步提高了目标充电场站的用电负荷预测信息的准确性。
图3示出了根据本发明实施例的得到待充电对象在目标充电场站内的充电概率的流程图。
如图3所示,在300中包括操作S310~操作S340。
在操作S310,基于关联关系和问卷调查结果信息,标定预定函数的系数,得到目标函数。
在操作S320,基于关联关系,根据待充电对象的属性信息,得到目标偏好信息。
在操作S330,基于目标函数,根据目标偏好信息、待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象的充电效用。
在操作S340,根据待充电对象的充电效用,得到充电概率。
根据本发明的实施例,目标函数表征待充电对象的充电效用与属性变量、偏好变量和充电场景变量的关系。
根据本发明的实施例,预定函数的计算,如下公式(8):
(8)
其中,Z i 表示待充电对象i的属性变量向量;S i 表示待充电对象i的充电场景变量向量;η i 表示待充电对象i的偏好变量向量,ζ表示随机项,a,b,c表示预定函数的系数。
根据本发明的实施例,根据标定预定函数的系数,可以得到目标函数。
根据本发明的实施例,通过混合选择模型,可以得到的标定预定函数的系数,如表8所示。
表8 混合选择模型系数标定结果
根据本发明的实施例,表8中“”、“/>”表示HCM模型标定出的综合考虑充电场景、属性变量和偏好变量的预定函数的系数。
根据本发明的实施例,如表8可以得到待充电对象的标定预定函数的系数。因此,含有系数的目标函数如下公式(9):
(9)
其中,Rc表示待充电对象的充电效用,Scharge-p表示充电费用,Sstay-p2表示第二停车费用。
根据本发明的实施例,目标偏好信息可以表征待充电对象的偏好信息。
根据本发明的实施例,待充电对象的充电效用可以表征待充电对象在目标充电场站充电的决策信息。
根据本发明的实施例,充电概率可以表征充电的可能性,充电概率越大表征在目标充电场站充电的可能性越大。充电概率的计算,如下公式(10):
(10)
其中,R c i 表示待充电对象i充电的效用;R i nc表示待充电对象i不充电的效用,R i nc一般设定为0。
根据本发明的实施例,基于目标函数,综合考虑了目标偏好信息、待充电对象的属性信息和目标充电场站的场景信息,可以得到待充电对象的充电效用,基于充电效用,进一步可以得到充电概率,提高了预测待充电对象充电概率的准确性。
根据本发明的实施例,基于多个待充电对象的充电概率和多个待充电对象的充电需求,得到目标充电场站在目标时段的用电负荷预测信息,包括:根据多个目标对象的充电概率,从多个目标对象的充电需求中确定目标时段在目标充电场站进行充电的目标充电需求。根据目标充电需求,生成用电负荷预测信息。
根据本发明的实施例,目标充电需求可以包括一个或多个待充电对象的充电需求。
根据本发明的实施例,用电负荷预测信息可以表征目标充电场站的在目标时间段的预计充电负荷信息。
根据本发明的实施例,可以根据目标需求,生成用电负荷预测信息,例如,在周六上午十点至周日晚上十二点,根据目标需求,用电负荷预测信息可以是150度电量。
根据本发明的实施例,在目标时间段,根据多个目标对象的概率,可以生成用电负荷预测信息,与混合Logit模型相比,提高了用电负荷预测信息预测的准确性。
图4示出了根据本发明实施例的基于混合Logit模型与基于混合选择模型的充电概率预测对比图。
如图4所示,纵坐标表示充电概率预测值,基于混合选择模型的充电概率预测为64.9%,基于混合Logit模型的充电概率预测为78.8%,实际数据的充电概率为59.8%。因此,与基于混合Logit模型相比,基于混合选择模型的充电概率预测值更为准确。
根据本发明的实施例,基于多个待充电对象的充电概率和多个待充电对象的充电需求,得到目标充电场站在目标时段的用电负荷预测信息,包括:基于多个待充电对象的充电概率,对多个待充电对象的充电需求进行处理,得到多个与目标时段的对应的充电负荷效用。响应于多个与目标时段的对应的充电负荷效用满足预定收敛条件,从多个与目标时段的对应的充电负荷效用中确定用电负荷预测信息。
根据本发明的实施例,基于多个待充电对象的充电概率,对多个待充电对象的充电需求的处理,可以是对多个待充电对象的充电负荷效用累加迭代求和。
例如:用户A在目标时段充电概率为70%,则对应的,用户A在目标时段不充电的概率为30%。可以基于多个待充电对象的充电概率,随机进行抽样,得到充电需求的集合。在该充电需求集合中,满足用户A在多个充电需求集合中的充电的概率为70%,不充电的概率为30%。
根据本发明的实施例,基于上述随机抽样得到的目标时段内充电需求的集合可以包括S个,S为大于1的整数。针对每一个充电需求集合,计算与目标时段的对应的充电负荷效用,如下公式(11):
(11)/>
其中,L s表示第S次抽样迭代的总充电负荷,L q,s表示第S次抽样迭代中第q辆电动私家车的充电负荷,NV表示电动私家车的数量。
根据本发明的实施例,预定收敛条件可以根据需求预先设置。根据预定收敛条件,可以从多个与目标时间段的对应的充电负荷效用中确定用电负荷预测信息。
根据本发明的实施例,预定收敛条件的计算,如下公式(12):
(12)
其中,NS表示抽样迭代总次数,S表示第S次抽样迭代,ε表示预定收敛阈值。
根据本发明的实施例,通过设置预定收敛条件,可以从多个与目标时段的对应的充电负荷效用中确定用电负荷预测信息,提高了用电负荷预测信息的稳定性和准确性。
图5示出了根据本发明实施例的待充电对象的充电决策方法的结构图。
如图5所示,该方法500包括数据获取模块510和基于数据获取模块510获取的问卷调查结果信息的充电决策方法模块520。
数据获取模块510中充电决策影响因素511包括充电场景512、充电偏好信息513和属性信息514,充电场景512对应多个预定充电场景515,充电偏好信息513对应偏好变量516,属性信息514对应属性变量517,多个预定充电场景515、偏好变量516、属性变量517共同决定问卷调查结果信息518,对问卷调查结果信息518中的数据进行信度分析和效度分析519。
充电决策方法模块520包括通过混合选择模型521对属性变量517、偏好变量516和问题变量522处理可以得到第一函数523和第二函数524,根据多个预定充电场景515,得到目标函数525,根据目标函数525,可以计算出待充电对象的充电概率526。
基于上述充电场站用电负荷的预测方法,本发明还提供了一种充电场站用电负荷的预测装置。以下将结合图6对该装置进行详细描述。
图6示出了根据本发明实施例的充电场站用电负荷的预测装置的结构框图。
如图6所示,该实施例的充电场站用电负荷的预测装置600包括获取模块610、数据拟合模块620、筛选模块630、获得模块640和生成模块650。
获取模块,用于获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息。在一实施例中,获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
数据拟合模块,用于基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到属性信息与充电偏好信息之间的关联关系。在一实施例中,数据拟合模块620可以用于执行前文描述的操作S220,在此不再赘述。
筛选模块,用于响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从问卷调查结果信息中得到待充电对象的属性信息。在一实施例中,筛选模块630可以用于执行前文描述的操作S230,在此不再赘述。
获得模块,用于基于关联关系,根据待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象在目标充电场站内的充电概率。在一实施例中,获得模块640可以用于执行前文描述的操作S240,在此不再赘述。
生成模块,用于基于多个待充电对象的充电概率和多个待充电对象的充电需求,生成目标充电场站在目标时段的用电负荷预测信息。在一实施例中,生成模块650可以用于执行前文描述的操作S250,在此不再赘述。
根据本发明的实施例,充电偏好信息表征目标对象对调查问卷中与同一偏好变量对应多个问题变量的选择结果;混合选择模型包括用于表征偏好变量与属性变量之间关系的第一函数和用于表征偏好变量与问题变量之间关系的第二函数。数据拟合模块620包括:
第一数据拟合子模块,用于基于问卷调查结果信息,对混合选择模型进行参数估计,得到第一函数和第二函数。
第二数据拟合子模块,用于根据第一函数和第二函数,得到关联关系。
根据本发明的实施例,第一数据拟合子模块,包括:
第一数据拟合单元,用于利用极大似然法,对混合选择模型进行参数估计,得到与问题变量对应的荷载系数和偏好变量与属性变量之间的估计系数。
第二数据拟合单元,用于对问题变量对应的荷载系数进行标准化处理,得到第二函数。
第三数据拟合单元,用于将估计系数作为第一函数的系数,得到第一函数。
根据本发明的实施例,属性变量包括多个;上述充电场站用电负荷的预测方法还包括:
第一得到模块,用于基于问卷调查结果信息,对多个属性变量与偏好变量进行显著性分析,得到目标属性变量,其中,目标属性变量表征对偏好变量影响值大于预定阈值的变量。
第二得到模块,用于将与目标属性变量对应的估计系数作为第一函数的系数,得到第一函数。
根据本发明的实施例,获得模块640,包括:
第一获得子模块,用于基于关联关系和问卷调查结果信息,标定预定函数的系数,得到目标函数;其中,目标函数表征待充电对象的充电效用与属性变量、偏好变量和充电场景变量的关系。
第二获得子模块,用于基于关联关系,根据待充电对象的属性信息,得到目标偏好信息。
第三获得子模块,用于基于目标函数,根据目标偏好信息、待充电对象的属性信息和目标充电场站的场景信息,得到待充电对象的充电效用。
第四获得子模块,用于根据待充电对象的充电效用,得到充电概率。
根据本发明的实施例,生成模块650,包括:
第一生成子模块,用于根据多个目标对象的充电概率,从多个目标对象的充电需求中确定目标时段在目标充电场站进行充电的目标充电需求。
第二生成子模块,用于根据目标充电需求,生成用电负荷预测信息。
根据本发明的实施例,生成模块650,还包括:
第三生成子模块,用于基于多个待充电对象的充电概率,对多个待充电对象的充电需求进行处理,得到多个与目标时段的对应的充电负荷效用。
第四生成子模块,用于响应于多个与目标时段的对应的充电负荷效用满足预定收敛条件,从多个与目标时段的对应的充电负荷效用中确定用电负荷预测信息。
根据本发明的实施例,获取模块610、数据拟合模块620、筛选模块630、获得模块640和生成模块650中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,获取模块610、数据拟合模块620、筛选模块630、获得模块640和生成模块650中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块610、数据拟合模块620、筛选模块630、获得模块640和生成模块650中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示出了根据本发明实施例的适于实现充电场站用电负荷的预测方法的电子设备的方框图。
如图7所示,根据本发明实施例的电子设备700包括处理器701,其可以根据存储在只读存储器ROM702中的程序或者从存储部分708加载到随机访问存储器RAM703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器 701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备700还可以包括I/O接口705, I/O接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的充电场站用电负荷的预测方法。
在该计算机程序被处理器701执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (10)
1.一种充电场站用电负荷的预测方法,其特征在于,包括:
获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,所述问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息;
基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到所述属性信息与所述充电偏好信息之间的关联关系;
响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从所述问卷调查结果信息中得到所述待充电对象的属性信息;
基于所述关联关系,根据所述待充电对象的属性信息和目标充电场站的场景信息,得到所述待充电对象在所述目标充电场站内的充电概率;以及
基于多个所述待充电对象的充电概率和多个所述待充电对象的充电需求,得到所述目标充电场站在目标时段的用电负荷预测信息。
2.根据权利要求1所述的方法,其特征在于,所述充电偏好信息表征所述目标对象对调查问卷中与同一偏好变量对应多个问题变量的选择结果;所述混合选择模型包括用于表征偏好变量与属性变量之间关系的第一函数和用于表征偏好变量与问题变量之间关系的第二函数;
所述基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到所述属性信息与所述充电偏好信息之间的关联关系,包括:
基于所述问卷调查结果信息,对所述混合选择模型进行参数估计,得到所述第一函数和所述第二函数;以及
根据所述第一函数和所述第二函数,得到所述关联关系。
3.根据权利要求2所述的方法,其特征在于,所述基于所述问卷调查结果信息,对所述混合选择模型进行参数估计,得到所述第一函数和所述第二函数,包括:
利用极大似然法,对混合选择模型进行参数估计,得到与所述问题变量对应的荷载系数和偏好变量与属性变量之间的估计系数;
对所述问题变量对应的荷载系数进行标准化处理,得到所述第二函数;以及
将所述估计系数作为所述第一函数的系数,得到所述第一函数。
4.根据权利要求3所述的方法,其特征在于,所述属性变量包括多个;所述方法还包括:
基于问卷调查结果信息,对多个属性变量与所述偏好变量进行显著性分析,得到目标属性变量,其中,所述目标属性变量表征对所述偏好变量影响值大于预定阈值的变量;
将与所述目标属性变量对应的估计系数作为所述第一函数的系数,得到所述第一函数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述关联关系,根据所述待充电对象的属性信息和目标充电场站的场景信息,得到所述待充电对象在所述目标充电场站内的充电概率,包括:
基于所述关联关系和所述问卷调查结果信息,标定预定函数的系数,得到目标函数;其中,所述目标函数表征待充电对象的充电效用与属性变量、偏好变量和充电场景变量的关系;
基于所述关联关系,根据所述待充电对象的属性信息,得到目标偏好信息;
基于所述目标函数,根据所述目标偏好信息、所述待充电对象的属性信息和所述目标充电场站的场景信息,得到所述待充电对象的充电效用;以及
根据所述待充电对象的充电效用,得到所述充电概率。
6.根据权利要求1所述的方法,其特征在于,所述基于多个所述待充电对象的充电概率和多个所述待充电对象的充电需求,得到所述目标充电场站在目标时段的用电负荷预测信息,包括:
根据所述多个所述目标对象的充电概率,从所述多个所述目标对象的充电需求中确定目标时段在所述目标充电场站进行充电的目标充电需求;以及
根据所述目标充电需求,生成所述用电负荷预测信息。
7.根据权利要求1所述的方法,其特征在于,所述基于多个所述待充电对象的充电概率和多个所述待充电对象的充电需求,得到所述目标充电场站在目标时段的用电负荷预测信息,包括:
基于多个所述待充电对象的充电概率,对所述多个所述待充电对象的充电需求进行处理,得到多个与所述目标时段的对应的充电负荷效用;以及
响应于所述多个与所述目标时段的对应的充电负荷效用满足预定收敛条件,从所述多个与所述目标时段的对应的充电负荷效用中确定所述用电负荷预测信息。
8.一种充电场站用电负荷预测装置,其特征在于,包括:
获取模块,用于获取针对目标区域的多个目标对象的充电决策意图的问卷调查结果信息,所述问卷调查结果信息包括目标对象的属性信息和目标对象的充电偏好信息;
数据拟合模块,用于基于混合选择模型,在多个预定充电场景下,对目标对象的属性信息和目标对象的充电偏好信息进行数据拟合,得到所述属性信息与所述充电偏好信息之间的关联关系;
筛选模块,用于响应于接收到的在目标时段内到达目标充电场站的待充电对象的充电需求,从所述问卷调查结果信息中得到所述待充电对象的属性信息;
获得模块,用于基于所述关联关系,根据所述待充电对象的属性信息和目标充电场站的场景信息,得到所述待充电对象在所述目标充电场站内的充电概率;以及
生成模块,用于基于多个所述待充电对象的充电概率和多个所述待充电对象的充电需求,生成所述目标充电场站在目标时段的用电负荷预测信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410265119.5A CN117856257B (zh) | 2024-03-08 | 2024-03-08 | 充电场站用电负荷的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410265119.5A CN117856257B (zh) | 2024-03-08 | 2024-03-08 | 充电场站用电负荷的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117856257A CN117856257A (zh) | 2024-04-09 |
CN117856257B true CN117856257B (zh) | 2024-05-24 |
Family
ID=90542115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410265119.5A Active CN117856257B (zh) | 2024-03-08 | 2024-03-08 | 充电场站用电负荷的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117856257B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742604A (zh) * | 2022-03-02 | 2022-07-12 | 胡曼恬 | App偏好确定方法及装置、计算机可读存储介质、终端 |
CN115327295A (zh) * | 2022-07-29 | 2022-11-11 | 云南电网有限责任公司怒江供电局 | 一种配电网故障定位方法及系统 |
CN116562476A (zh) * | 2023-07-12 | 2023-08-08 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
CN116595363A (zh) * | 2023-04-23 | 2023-08-15 | 南方电网电动汽车服务有限公司 | 预测方法、装置、设备、存储介质和计算机程序产品 |
CN117592607A (zh) * | 2023-11-27 | 2024-02-23 | 国网天津市电力公司电力科学研究院 | 充电场站的选址定容方法、装置、设备、介质 |
-
2024
- 2024-03-08 CN CN202410265119.5A patent/CN117856257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742604A (zh) * | 2022-03-02 | 2022-07-12 | 胡曼恬 | App偏好确定方法及装置、计算机可读存储介质、终端 |
CN115327295A (zh) * | 2022-07-29 | 2022-11-11 | 云南电网有限责任公司怒江供电局 | 一种配电网故障定位方法及系统 |
CN116595363A (zh) * | 2023-04-23 | 2023-08-15 | 南方电网电动汽车服务有限公司 | 预测方法、装置、设备、存储介质和计算机程序产品 |
CN116562476A (zh) * | 2023-07-12 | 2023-08-08 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
CN117592607A (zh) * | 2023-11-27 | 2024-02-23 | 国网天津市电力公司电力科学研究院 | 充电场站的选址定容方法、装置、设备、介质 |
Non-Patent Citations (2)
Title |
---|
Research on Algorithm Optimization of Charging and Replacing Service of Electric Vehicles Using Discrete Choice Model;Qian Li 等;《IEEE》;20211231;第579-584页 * |
计及动态分时电价的电动汽车参与电网调度研究;谭维玉 等;《可再生能源》;20201130;第38卷(第11期);第1515-1521页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117856257A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Modeling taxi services with smartphone-based e-hailing applications | |
US10755196B2 (en) | Determining retraining of predictive models | |
Jian et al. | An analysis of carsharing vehicle choice and utilization patterns using multiple discrete-continuous extreme value (MDCEV) models | |
Kim et al. | A hybrid choice model with a nonlinear utility function and bounded distribution for latent variables: application to purchase intention decisions of electric cars | |
Baltrunas et al. | Best usage context prediction for music tracks | |
CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
CN112163963A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
Wang et al. | A multi-scale fusion prediction method for lithium-ion battery capacity based on ensemble empirical mode decomposition and nonlinear autoregressive neural networks | |
Singh et al. | Macro Analysis to Estimate Electric Vehicles Fast-Charging Infrastructure Requirements in Small Urban Areas | |
CN117856257B (zh) | 充电场站用电负荷的预测方法、装置、设备及介质 | |
Nguyen et al. | Quantifying intrinsic value of information of trajectories | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
Konstantinoudis et al. | A framework for estimating and visualising excess mortality during the COVID-19 pandemic | |
CN116029766A (zh) | 用户交易决策识别方法、激励策略优化方法、装置和设备 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
Gao et al. | Synchronized entry-traffic flow prediction for regional expressway system based on multidimensional tensor | |
Carrion‐I‐Silvestre et al. | Bounds, breaks and unit root tests | |
Trosvik et al. | Electric vehicle adoption in Sweden and the impact of local policy instruments | |
Lee et al. | Practical method to improve usage efficiency of bike‐sharing systems | |
Nezhadettehad et al. | Predicting Next Useful Location With Context-Awareness: The State-Of-The-Art | |
Alqahtani et al. | Game Theoretic Systematic Approach for Transportation Quality Assessment | |
Löbner et al. | Privacy Preserving Data Analysis with the Encode, Shuffle, Analyse Architecture in Vehicular Data Sharing | |
Gomari et al. | Prioritization‐based subsampling quality assessment methodology for mobility‐related information systems | |
Watanabe et al. | A Joint Mixed-outcome and Instrumental Variable Model for Addressing Endogeneity in Multinomial Choice and Its Consideration Set Formation |
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 |