[發明專利]電動車輛的充電負荷預測方法、裝置及存儲介質

在審

• 申請號: 202011521561.8
• 申請日: 2020-12-21
• 公開（公告）號: CN112508301A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 劉飛
• 申請（專利權）人: 北京梧桐車聯科技有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/06;G06N3/04
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 謝冬寒

1.一種電動車輛的充電負荷預測方法，其特征在于，所述方法包括：

獲取充電負荷預測信息，所述充電負荷預測信息包括：時間和天氣信息；

將所述充電負荷預測信息輸入至多個目標預測模型；

根據每個所述目標預測模型的輸出結果，確定所述電動車輛的充電負荷；

其中，所述多個目標預測模型為基于多條訓練樣本從多個備選預測模型中選取的，且每個所述目標預測模型的預測準確率，均大于其他備選預測模型的預測準確率。

2.根據權利要求1所述的方法，其特征在于，在所述獲取預測信息之前，所述方法還包括：

獲取多個備選預測模型和多條訓練樣本，每條所述訓練樣本包括：一個充電樁在目標時段內的用電量，所述用電量所屬分組的聚類中心的用電量，所述充電樁在所述目標時段內的用電變化量，所述充電樁在所述目標時段內的用電變化率，以及所述目標時段內的天氣信息；

基于所述多條訓練樣本確定每個所述備選預測模型的預測準確率；

基于每個所述備選預測模型的預測準確率，從所述多個備選預測模型中選取所述多個目標預測模型。

3.根據權利要求2所述的方法，其特征在于，所述基于所述多條訓練樣本確定每個所述備選預測模型的預測準確率，包括：

從所述多條訓練樣本中選取多條第一訓練樣本和多條第二訓練樣本，所述多條第一訓練樣本的數量與所述多條第二訓練樣本的數量之和，等于所述多條訓練樣本的數量；

對于每個所述備選預測模型，將所述多條第一訓練樣本分別輸入至所述備選預測模型，得到所述備選預測模型的多個第一輸出結果；

對于每個所述備選預測模型，將所述多條第二訓練樣本分別輸入至所述備選預測模型，得到所述備選預測模型的多個第二輸出結果；

對于每個所述備選預測模型，根據所述多個第一輸出結果，以及所述多條第一訓練樣本中的用電量，確定所述備選預測模型的第一預測準確率；

對于每個所述備選預測模型，根據所述多個第二輸出結果，以及所述多條第二訓練樣本中的用電量，確定所述備選預測模型的第二預測準確率。

4.根據權利要求3所述的方法，其特征在于，所述基于每個所述備選預測模型的預測準確率，從所述多個備選預測模型中選取所述多個目標預測模型，包括：

按照所述第二預測準確率由低到高的順序，對所述多個備選預測模型進行排序，得到第一集合；

刪除所述第一集合中第二預測準確率小于準確率閾值的前m個備選預測模型，得到第二集合，m為大于0且小于所述第一集合包括的備選預測模型的數量的整數；

基于每個所述備選預測模型的所述第一預測準確率，確定所述第二集合包括的多個備選預測模型的第一群差異度，所述第一群差異度用于指示所述第二集合中各個所述備選預測模型的第一預測準確率的差異程度；

從所述第二集合中第一個備選預測模型開始，確定刪除所述第二集合中第n個備選預測模型后，所述第二集合中剩余的多個備選預測模型的第二群差異度，n為大于0且小于所述第二集合包括的備選預測模型的數量的整數；

若所述第二群差異度與所述第一群差異度的差值大于差異度閾值，則刪除所述第n個備選預測模型，直至所述第二集合中剩余的備選預測模型的數量小于第一數量閾值，或，刪除的備選預測模型的數量達到第二數量閾值為止；

將所述第二集合中剩余的備選預測模型確定為目標預測模型。

5.根據權利要求2所述的方法，其特征在于，所述獲取多條訓練樣本，包括：

獲取多條初始樣本，每條所述初始樣本包括：一個充電樁在目標時段內的用電量，以及所述目標時段內的天氣信息；

對于每條所述初始樣本，基于所述初始樣本中充電樁在目標時段內的用電量，確定所述充電樁在所述目標時段內的用電變化量和用電變化率；

基于每條所述初始樣本包括的用電量，對所述多條初始樣本進行聚類，得到多個分組；

對于每條所述初始樣本，在所述初始樣本中添加所述初始樣本中充電樁的用電變化量，所述初始樣本中充電樁的用電變化率，以及所述初始樣本所屬分組的聚類中心的用電量，得到一條訓練樣本。