(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210902190.0 (22)申请日 2022.07.29 (71)申请人 国网江苏电动汽车服 务有限公司 地址 210019 江苏省南京市 建邺区奥体大 街9号 (72)发明人 俞娜燕　杨睿　沈晓东　严鹏　 杨紫涵　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 徐燕 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 多场景下基于数据驱动的车辆充电行为预 测模型构建方法 (57)摘要 本发明公开了多场景下基于数据驱动 的车 辆充电行为预测模型构建方法； 包括如下步骤： S1、 获取电动汽车公司充电数据， 并进行预处理； S2、 获取所需用户ID并提取该用户所有的历史充 电数据； S3、 判断充电要素是否集中， 若集中， 则 转入S4， 否则结束本次控制； S4、 创建充电要素数 据集； S5、 利用要素数据集构建多维充电场景， 并 创建模型训练数据集； S6、 通过基于随机森林的 行为预测模 型训练并测试数据集， 计算测试集的 误差大小， 若过大， 则转入S6重新训练， 否则转入 S7； S7、 预测长短期内用户充电行为， 得到 预测结 果， 并结束本次控制。 本发明能够为电动汽车充 电提供预测 信息， 为后续一桩多充的功率分配提 供基础。 权利要求书3页 说明书8页 附图6页 CN 115204512 A 2022.10.18 CN 115204512 A 1.一种多场景下基于数据驱动的车辆充电行为预测模型构建方法， 其特征在于， 包括 以下步骤： S1:获取电动汽车公司充电数据， 并进行 预处理； S2： 获取所需用户ID并提取 该用户所有的历史充电数据； S3、 判断充电要素是否集中， 若集中， 则转入步骤S4， 否则结束该用户的车辆充电行为 预测模型构建； S4、 创建充电要素 数据集； S5、 利用充电要素数据集的内容构建多维充电场景集， 并将多维充电场景集作为车辆 充电行为预测模型的数据集； S6、 构建车辆充电行为预测模型， 并通过步骤S5的数据集进行训练和 测试； S7、 根据处 理后的车辆充电行为预测模型 预测长短期内用户充电行为， 得到预测结果。 2.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方 法， 其特征在于， 步骤S1中所述预处 理的具体内容 为: 获取各个充电站电动汽车充电实时数据， 将数据中扰乱 的数据类型进行删除， 将数据 中缺失的数据进 行删除， 将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据进 行 删除， 对剩下 所有的充电记录做工作日或节假日、 休息日的标注， 并注释充电的具体日期。 3.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测方法， 其特 征在于， 步骤S3中所述判断充电要素 是否集中的具体内容 为： S31、 提取 单个用户的充电地 点， 将充电地 点通过地图转 化为经纬度格式； S32、 采用散点离散度算法计算充电地点的离散度， 若离散度小， 则转入步骤S33， 否则 转入步骤S34； S33、 由于离散度小， 说明该用户的充电地 点集中， 并转入S3 5； S34、 由于离散度大， 说明该用户充电地点分布离散， 将充电地点分为两部分或三部分， 分别采用散点离散度算法计算各自的离散度， 若离散度还是大， 说明该用户充电习惯并不 规律， 排除该用户， 结束该用户的车辆充电行为预测模型构建， 若离散度小， 则转入步骤 S35； S35、 获得用户充电地 点1‑3个， 转入步骤S3 6； S36、 提取单个用户充电时间段， 分离成充电开始时间和充电结束时间， 并转化成小数， 转入S37； S37、 将充电时间段转化为坐标形式， 格式为： (充电开始时间， 充电结束时间)， 转入 S38； S38、 采用散点离散度算法计算充电时间离散度， 若离散度小， 则转入步骤S39， 否则转 入步骤S310； S39、 由于 离散度小， 说明该用户的充电时间集中， 并转入步骤S31 1； S310、 由于离散度大， 说明该用户充电时间分布离散， 将充电时间分为两部分或三部 分， 分别采用散点离散度算法计算各自的离散度， 若离散度还 是大， 说明该用户充电习惯并 不规律， 排除该用户， 结束该用户的车辆充电行为预测模型构建， 若离散度小， 则转入步骤 S311； S311、 获得用户充电时间段1 ‑3个， 转入步骤S312；权　利　要　求　书 1/3 页 2 CN 115204512 A 2S312、 提取该用户的交易电量， 并计算交易电量的方差， 若方差小， 则转入步骤S313， 否 则转入步骤S314； S313、 由于方差小， 说明改用交易电量平稳， 并转入步骤S315； S314、 由于方差大， 说明该用户交易电量不平稳， 将交易电量分为两部分或三部分， 分 别计算各自方差， 若方差还是大， 说明该用户充电习惯并不规律， 排除该用户， 结束该用户 的车辆充电行为预测模型构建， 若方差小， 则转入步骤S315； S315、 获得用户交易电量1 ‑3个， 并判断该用户的充电要素均为 集中。 4.根据权利要求3所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方 法， 其特征在于， 步骤S4的具体内容 为： S41、 车辆充电行为预测模型包括用户ID， 充电地点， 充电时间段， 交易电量要素， 在确 定要素后， 转入S42； S42、 计算用户充电时长， 即Tc＝Te‑Ts， 其中Tc为充电时长， Te为充电结束时间， Ts为充电 开始时间， 转入S43； S43、 计算电动汽车充电功率， 即P＝Energy/Tc， P为充电功率， Energy为交易电量， 转入 S44； S44、 由上述内容构成电动汽车 单次充电的充电要素 数据集， 组合 起来为： 其中M为充电要素 数据集， Ad dress为充电地 点， User_ID为当前用户ID。 5.根据权利要求4所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方 法， 其特征在于， 步骤S5中所述构建多维充电场景集的具体内容 为： S51、 充电场景由多个要素构成， 需要将其作为 一个组合结构进行描述； S52、 充电场景构建要素分为用户要素和充电桩要素， 用户要素包括充电时间、 用户所 在地点、 充电日期、 交易电量、 用户ID， 充电桩要素包括充电桩充电类型、 充电桩使用率、 充 电桩地点； 其中充电日期包括工作日和休息日， 并转化为具体日期； 充电桩类型包括快充和 慢充； S53、 充电场景表述格式为： 式中， Ts,Te分别为充电开始时间和充电结束时间， Date为充电日期， Energy为交易电 量， AddressU为用户所在地， IDU为用户ID， Powermax为充电桩最大充电功率， Occupancy为充权　利　要　求　书 2/3 页 3 CN 115204512 A 3