充电负荷的处理方法和装置与流程

本发明涉及新能源汽车领域，具体而言，涉及一种充电负荷的处理方法和装置。

背景技术：

电动汽车用户的充电行为是影响电动汽车充电负荷的重要因素，充电行为的不同就意味着车辆的车辆行驶特性的不同，而不同的行驶特性必定会导致不同的充电负荷需求。但是，由于现有充电设施数量有限，且布局不合理，导致历史充电数据无法正确提现电动汽车实际充电需求，进而导致充电负荷的确定准确度较低。

针对上述的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种充电负荷的处理方法和装置，以至少解决相关技术中充电负荷的确定准确度较低的技术问题。

根据本发明实施例的一个方面，提供了一种充电负荷的处理方法，包括：获取历史充电数据；对历史充电数据进行划分，得到多个网格对应的历史数据；利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷。

可选地，对历史充电数据进行划分，得到多个网格对应的历史数据包括：获取历史充电数据对应的目标区域；按照经纬度信息对目标区域进行划分，得到多个网格；将历史充电数据分配至多个网格，得到每个网格对应的历史数据。

可选地，负荷预测模型是利用贝叶斯正则化算法对反向传播神经网络模型进行训练得到的。

可选地，该方法还包括：获取充电负荷对应的预测指标，其中，预测指标用于表征影响充电负荷的因素；构建反向传播神经网络模型；利用预测指标生成训练样本；利用贝叶斯正则化算法和训练样本对反向传播神经网络模型进行训练，得到负荷预测模型。

可选地，获取充电负荷对应的预测指标包括：获取充电负荷对应的多个目标数据，其中，多个目标数据包括：运营模式、充电设施数量、用户数量、区域功能、交通流量和车位数量；利用方差分析法对多个目标数据进行处理，确定每个目标数据的重要程度；基于每个目标数据的重要程度，确定预测指标。

可选地，反向传播神经网络模型包括：输入层、隐含层和输出层，其中，输入层的节点数基于预测指标的数量确定，输出层的节点数为1，隐含层的节点数利用试凑法基于输入层的节点数和输出层的节点数确定。

可选地，利用预测指标生成训练样本包括：对预测指标进行归一化处理，得到归一化数据；基于归一化数据生成训练样本。

可选地，利用贝叶斯正则化算法和预测指标对反向传播神经网络模型进行训练，得到负荷预测模型包括：将训练样本输入至反向传播神经网络模型，得到训练样本的预测结果；基于训练样本的原始结果和训练样本的预测结果，得到均方误差；获取反向传播神经网络模型的网络参数的平方和均值；基于均方误差和平方和均值，得到反向传播神经网络模型的总误差；基于总误差对反向传播神经网络模型的正则化参数进行更新，得到负荷预测模型。

可选地，基于总误差对反向传播神经网络模型的正则化参数进行更新，得到负荷预测模型包括：判断总误差是否大于预设误差，且训练次数是否达到预设次数；如果总误差小于预设误差，或训练次数达到预设次数，则确定负荷预测模型训练完成；如果总误差大于预设误差，且训练次数未达到预设次数，则基于预设学习速率更新正则化参数。

可选地，基于预设学习速率更新正则化参数包括：获取总误差的雅克比矩阵；利用高斯牛顿逼近法对雅克比矩阵进行求解，得到有效参数个数；基于均方误差，平方和均值，有效参数个数和预设学习速率，得到更新后的正则化参数。

根据本发明实施例的另一方面，还提供了一种充电负荷的处理装置，包括：获取模块，用于获取历史充电数据；划分模块，用于对历史充电数据进行划分，得到多个网格对应的历史数据；预测模块，用于利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述的充电负荷的处理方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的充电负荷的处理方法。

在本发明实施例中，在获取到历史充电数据之后，可以对历史充电数据进行划分，得到多个网格对应的历史数据，并利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷，实现电动汽车的充电负荷的预测目的。容易注意到的是，由于可以对历史充电数据进行划分，而且可以预测得到预设时间段内的充电负荷，从而实现电动汽车充电负荷的时空分布，达到了提高预测准确度的技术效果，进而解决了相关技术中充电负荷的确定准确度较低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种充电负荷的处理方法的流程图；

图2是根据本发明实施例的充电负荷预测值与历史真实值的示意图；

图3是根据本发明实施例的不含充电设施网格的24小时充电负荷分布的示意图；

图4是根据本发明实施例的各网格一天内的充电负荷峰值的热力图；

图5是根据本发明实施例的各网格一天内电动汽车总充电量的热力图；

图6是根据现有技术的各网格一天内电动汽车总充电量的热力图；

图7是根据本发明实施例的一种充电负荷的处理装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种充电负荷的处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种充电负荷的处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取历史充电数据。

上述步骤中的历史充电数据可以是一个预测区域中充电桩资产信息、充电交易记录、停车场已使用车位数、区域功能占比、交通流量等数据。该预测区域可以是一个街道、一个地区等，例如，可以是北京市海淀区。

步骤s104，对历史充电数据进行划分，得到多个网格对应的历史数据。

在一种可选的实施例中，可以按照区域划分的方式，将一个区域中的历史充电数据进行划分，得到每个网格对应的历史充电数据，也即上述的历史数据。

步骤s106，利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷。

上述的预设时间段可以根据实际预测需要所确定的时间段，例如，可以是一天、一周等，在本发明实施例中，以一天24小时为例。

在一种可选的实施例中，电动汽车的充电负荷预测的处理流程如下：可以对历史充电数据进行划分，作为电动汽车的充电负荷空间预测的基本单元；然后利用预先训练好的负荷预测模型将对现有历史充电数据进行处理，将历史充电数据作为输入数据，该模型的输出结果即为电动汽车的充电负荷的时空分布。

可选的，上述的负荷预测模型可以是利用贝叶斯正则化算法对反向传播神经网络模型进行训练得到的。

反向传播(backpropagation，bp)神经网络是一种全局逼近网络，可以通过若干简单非线性处理单元的复合映射，实现了从输入空间到输出空间的非线性映射。但是，传统的bp算法处理存在收敛速度慢，易陷入局部最小的问题外，其泛化能力一般，影响了预测的准确率。针对该问题，在本发明实施例中可以采用贝叶斯正则化算法来改善bp神经网络模型的泛化能能力。

可选的，上述的反向传播神经网络模型包括：输入层、隐含层和输出层，其中，输入层的节点数基于预测指标的数量确定，输出层的节点数为1，隐含层的节点数利用试凑法基于输入层的节点数和输出层的节点数确定。

网络模型的精确性和训练效率很大程度上取决于网络结构和控制参数，网络结构可以包括网络参数、各层神经元个数等；控制参数可以是指输入变量、允许误差、学习速率和初始权重值等。

在本发明实施例中，可以采用三层bp神经网络建立预测模型，即一个输入层、一个隐含层和一个输出层，每个层次的作用与现有相同，在此不作赘述。

输入层、输出层的节点数可以由实际处理需求确定，为模型实际输入、输出的变量个数，在本发明实施例中，输入层节点数就是输入数据的数量。本模型的输出变量是电动汽车充电量，所以输出层节点数为1。

隐含层节点数与要解决问题的复杂性以及输入输出变量数量有关系,且对网络的性能影响很大。隐含层节点数太少，则会使神经网络难以处理复杂的问题，建模不充分；隐含层节点数太多，不仅有可能引起神经网络的结构复杂、迭代时间长、计算量大等问题，而且可能提供多余的自由度来适应噪声，使网络训练过度,误差也不一定最佳。在本发明实施例中，可以根据公式计算隐含层的节点数：

其中，j表示隐含层节点数，i和o分别表示输入层和输出层节点数，a为[1,10]之间的常数，具体可以采用试凑法确定隐含层的节点数，即构建多个除隐含层节点数不同，其它条件都相同的bp神经网络，并采用相同的样本进行训练，通过比较各网络的训练时间和预测精度，确定最佳隐含层节点数。

在一种可选的实施例中，由于在原历史充电量的基础上加入了不含充电设施网格的充电量，因此，应该将历史充电数据按比例分配给所有网格，才是各网格一天内的充电量，即：

其中，m和k分别表示目标区域内含充电设施网格的数量和不含充电设施网格的数量，ci表示神经网络预测得到的网格i一天内的充电量，c^total表示区域内所有网格一天内的总充电量，即含有充电设施网格的历史总充电量，表示网格i一天内的充电量。

假设电动汽车保有量的变化近似用新能源汽车保有量的变化来表示，预测区域电动汽车保有量的变化近似用全国电动汽车保有量的变化来表示。假设预测区域中影响电动汽车充电量空间分布的因素，如区域功能、人口数量、交通流量等的空间分布基本保持不变。在前面相关假设的基础上，若当前新能源汽车保有量为c万辆，预测年的保有量为f万辆，则预测年各网格的电动汽车充电量可以表示为：

其中，表示新能源汽车保有量为f万辆时的电动汽车充电量预测值，表示新能源汽车保有量为c万辆时的电动汽车充电量，也就是历史充电量。

通过本发明上述实施例，在获取到历史充电数据之后，可以对历史充电数据进行划分，得到多个网格对应的历史数据，并利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷，实现电动汽车的充电负荷的预测目的。容易注意到的是，由于可以对历史充电数据进行划分，而且可以预测得到预设时间段内的充电负荷，从而实现电动汽车充电负荷的时空分布，达到了提高预测准确度的技术效果，进而解决了相关技术中充电负荷的确定准确度较低的技术问题。

可选地，在本发明上述实施例中，对历史充电数据进行划分，得到多个网格对应的历史数据包括：获取历史充电数据对应的目标区域；按照经纬度信息对目标区域进行划分，得到多个网格；将历史充电数据分配至多个网格，得到每个网格对应的历史数据。

在一种可选的实施例中，可以将目标区域按一定精度划分为相同大小的网格，为后续电动汽车充电需求的空间预测和精细化的充电设施规划提供基础。例如，以海淀区为例对模型算法进行验证分析，考虑到交通流量数据和人口数量数据是按照1000m*1000m网格进行统计的，而1000m边长的网格面积适中且在用户步行可接受的范围内，因此，可以将海淀区按经纬坐标划分为1000m*1000m的网格。

需要说明的是，充电网络规划的区域网格划分可以参照停车场规划的网格划分方法，在此不作赘述。

可选地，在本发明上述实施例中，该方法还包括：获取充电负荷对应的预测指标，其中，预测指标用于表征影响充电负荷的因素；构建反向传播神经网络模型；利用预测指标生成训练样本；利用贝叶斯正则化算法和训练样本对反向传播神经网络模型进行训练，得到负荷预测模型。

在一种可选的实施例中，可以利用matlab生成、训练、测试bp神经网络模型，并用训练好的负荷预测模型对电动汽车的充电负荷进行预测，具体实现过程如下：可以选取对电动汽车充电量有显著影响的因素作为预测指标；使用feedforwardnet函数设置隐含层节点数和训练函数，生成bp神经网络模型；利用train函数训练网络，得到各项预测指标和充电负荷之间的关系；最后将要预测区域的各项预测指标输入训练好的网络，即可输出对应的24小时充电负荷预测值。

可选地，在本发明上述实施例中，获取充电负荷对应的预测指标包括：获取充电负荷对应的多个目标数据，其中，多个目标数据包括：运营模式、充电设施数量、用户数量、区域功能、交通流量和车位数量；利用方差分析法对多个目标数据进行处理，确定每个目标数据的重要程度；基于每个目标数据的重要程度，确定预测指标。

上述的方差分析又称“变异数分析”，可以用于两个及两个以上样本均数差别的显著性检验。单因素方差分析可以是用来研究一个控制变量的不同水平是否对观测变量产生了显著影响。

在一种可选的实施例中，可以收集可能影响电动汽车(特指在本公司充电桩充电的电动汽车)充电需求的因素：运营模式(停车收费、电价等)、电网公司以外其它运营商充电设施数量、人口数量、区域功能(商场、居民区、工作区等)、交通流量、停车场车位数等(即上述的目标数据)。应用方差分析法识别电动汽车充电量与各因素的影响特征，探究并提取其影响程度，评估各影响因素的重要程度，从而将对电动汽车充电量有显著影响的因素作为预测指标。

可选地，在本发明上述实施例中，利用预测指标生成训练样本包括：对预测指标进行归一化处理，得到归一化数据；基于归一化数据生成训练样本。

为了计算方便、消除量纲影响、提高预测精度,需要对输入数据进行预处理。因此,在实际应用中，对输入变量和输出变量进行归一化是非常必要的。

在为一种可选的实施例中，可以采用如下的数据归一化公式：

其中，pn为经过归一化处理后的数据，p为原始输入数据，pmin和pmax分别为原输入数据集中的最小值和最大值。经过此归一化处理后，数据值变换到[-1,1]之间，有利于神经网络的训练。

可选地，在本发明上述实施例中，利用贝叶斯正则化算法和预测指标对反向传播神经网络模型进行训练，得到负荷预测模型包括：将训练样本输入至反向传播神经网络模型，得到训练样本的预测结果；基于训练样本的原始结果和训练样本的预测结果，得到均方误差；获取反向传播神经网络模型的网络参数的平方和均值；基于均方误差和平方和均值，得到反向传播神经网络模型的总误差；基于总误差对反向传播神经网络模型的正则化参数进行更新，得到负荷预测模型。

贝叶斯正则化算法通过修正神经网络的训练性能函数来提高其泛化能力。一般情况下，神经网络的训练性能函数采用均方误差mse，即：

其中，n为样本总数，ti为期望输出，ai为网络实际输出。

在贝叶斯正则化算法中，网络性能函数改为如下形式：

msereg＝α.msw+β.mse，

其中，msereg为改进后的性能函数，msw为所有网络权值平方和的均值，α和β为正则化参数，其大小对网络训练效果影响显著，m为网络权值总数，ωi为网络权值。

在一种可选的实施例中，上述的贝叶斯正则化bp神经网络的训练步骤如下：确定网络结构，初始化超参数α和β，一般设定为α＝0和β＝1，并根据先验分布对网络参数赋初值；用bp算法训练网络使总误差msereg达到最小；在网络训练过程中自适应地调节正则化参数α和β的大小，并使其达到最优。

贝叶斯方法正则化神经网络是个迭代过程，每个迭代过程总误差函数随着超参数α和β的变化而变化，最小值点也在变化，网络的参数也在不断修正，最终达到总误差函数在迭代过程中没有较大改变，也称此时收敛。

可选地，在本发明上述实施例中，基于总误差对反向传播神经网络模型的正则化参数进行更新，得到负荷预测模型包括：判断总误差是否大于预设误差，且训练次数是否达到预设次数；如果总误差小于预设误差，或训练次数达到预设次数，则确定负荷预测模型训练完成；如果总误差大于预设误差，且训练次数未达到预设次数，则基于预设学习速率更新正则化参数。

上述的预设误差可以是输出的允许的最小误差，可以得到较好的学习精度，但存在对样本的过渡拟合，网络的推广能力较差，在本发明上述实施例中，预设误差可以是0.001。

上述的预设次数可以是bp神经网络模型的最大训练次数，可以防止网络在某次训练中陷入局部极小值，达不到最小误差而无限地运行下去，在本发明上述实施例中，预设次数可以是1000。

在一种可选的实施例中，当总误差msereg小于预设误差时，可以确定训练完成，得到负荷预测模型，当总误差msereg大于预设误差时，可以确定训练未完成，需要继续进行训练。为了避免网络无限制地运行下去，还可以在判断总误差msereg的同时，判断训练次数是否达到预设次数，如果是，则无论总误差的msereg大小，均结束训练。

可选地，在本发明上述实施例中，基于预设学习速率更新正则化参数包括：获取总误差的雅克比矩阵；利用高斯牛顿逼近法对雅克比矩阵进行求解，得到有效参数个数；基于均方误差，平方和均值，有效参数个数和预设学习速率，得到更新后的正则化参数。

对于正则化参数，若α远远大于β，则训练强调网络的泛化性能，但容易导致欠拟合现象；若α远远小于β，则训练算法倾向于使学习集网络相应的误差减小，容易使网络出现过拟合现象。常规的正则化方法通常很难确定正则化参数α和β的大小，而采用贝叶斯理论可以在网络训练过程中自适应地调节正则化参数的大小，并使其达到最优。该算法的正则化参数预测公式为：

其中，γ称为有效参数个数：

γ＝m-2αtr(h)^-1，

其中，h是msereg的hessian矩阵：

在进行优化求解是需要计算msereg在其最小点处的hessian矩阵，计算量比较大。为了提高计算速度，可利用高斯-牛顿逼近法对hessian矩阵作进一步简化，得到：

h≈2αim+2βj^tj，

其中，j是mse的雅克比矩阵。

学习速率反映的是网络一次循环训练中权值的变化量，在优化计算中是一个重要的因子，每一个具体网络都存在一个适合的学习速率。选择合理的速率不仅直接影响收敛速度和训练时间，而且可以大大地提高控制精度。学习速率选取范围一般在0.01-0.1之间。在本发明实施例中，以预设学习速率为0.01为例，收敛速度很快，训练时间很短。

在一种可选的实施例中，可以利用高斯-牛顿逼近法求hessian矩阵，并计算有效参数个数γ，并利用上述公式，结合预设学习速率计算超参数α和β的新估值；并通过多次训练进行更新，直至训练结束。

下面选取北京市海淀区为预测区域进行算例分析，首先，将海淀区按经纬坐标划分为1000m*1000m的方格，其中，含有充电设施的网格有52个，不含充电设施的网格有403个。在网格划分的基础上，按照每个网格导入充电桩资产信息、充电交易记录、停车场已使用车位数、区域功能占比、交通流量等数据。

(1)充电交易记录

搭建充电交易记录数据仓库，将北京市充电桩资产信息和2018年4月到9月共250万条充电记录导入保存；根据充电桩运行编号连接充电桩资产信息和充电记录以确定充电交易记录发生的空间位置，在数据预处理中将脏数据进行过滤，过滤后得到海淀区有效数据规模为42万条，然后对正确的数据进行格式化处理；接下来在数据分析统计环节，将数据从时间维度上按照一天24小时进行统计，从空间维度上按照经纬网格进行统计，对统计之后的183天的数据求平均值，从而得到不同时空分布下的典型日充电信息统计曲线。

(2)区域功能

搭建区域功能数据仓库，将北京市海淀区的14.5万条地图poi数据导入保存；在数据预处理中将脏数据进行过滤，过滤后数据规模为13万条，然后对正确的数据进行格式化处理；接下来在数据分析统计环节，从空间维度上按照经纬网格进行统计，然后计算各网格中代表不同行业的poi点的比例，从而得到各网格中不同功能区域的占比。

(3)交通流量

搭建交通流量数据仓库，将北京市2017年9月11日至17日、5月1日、10月1日共9天的168万条交通流量数据导入保存；在数据预处理中将脏数据进行过滤，过滤后得到海淀区有效数据的数据规模为29万条，然后对正确的数据进行格式化处理；接下来在数据分析统计环节，将数据从时间维度上按照典型工作日、周末、节假日进行统计，从空间维度上按照经纬网格进行统计，然后按照工作日、周末、节假日在一年中的比例计算加权平均值，从而得到各网格中典型日交通流量数据。

电动汽车充电需求影响因素的相关性分析结果如表1所示，根据分析结果将对电动汽车充电需求有显著影响的区域功能、停车场已使用车位数、交通流量三个因素作为电动汽车充电负荷预测模型的预测指标。

表1

根据以上分析，本模型最终抽取了区域功能和交通流量2个预测指标,但区域功能分为住宅区、商业区、办公区等19种类型，它们各自在网格中所占的比例均作为模型的输入数据，所以输入层节点数为20。本模型的输出量是电动汽车24小时充电负荷,所以输出层节点数为24。隐含层节点数通过试凑法确定为12。

用matlab搭建bp神经网络，设置输入层和隐含层间的激励函数为tansig，训练函数为贝叶斯正则化算法的trainbr函数，学习速率为0.01，最大训练次数为1000，训练误差为0.01，其余参数为默认值。将区域内含充电设施网格的各项预测指标和历史平均一天24小时的充电负荷作为神经网络训练的输入和输出数据，利用train函数训练网络，得到各项预测指标和充电负荷之间的关系。最后将不含充电设施网格的各项预测指标输入训练好的神经网络，即可输出不含充电设施网格的24小时充电负荷预测值。

由bp神经网络模型得到的充电负荷预测值与历史真实值的对比如图2所示，从图中可以看出，充电负荷的预测值与真实值间误差较小，证明该bp神经网络模型能够较准确地预测电动汽车充电负荷的24小时分布。

每个网格中电动汽车充电负荷24小时分布可以通过神经网络预测模型得到，如表2所示。在充电负荷24小时分布的基础上，可以得到每个网格一天内的充电负荷峰值和总充电电量，如表3和表4。图3显示了由预测模型得到的3个不含充电设施网格的24小时充电负荷分布。各网格一天内的充电负荷峰值如图4所示，一天内的总充电电量如图5所示。

表2

表3

表4

根据原有充电设施的历史充电数据得到的各网格一天内电动汽车总充电量，如表5所示，总充电量的热力图如图6所示。

表5

从图6中可以看出，现有充电设施数量有限，只存在少数网格中，历史充电数据无法正确体现电动汽车充电需求的空间分布。而采用本发明上述实施例提出的电动汽车充电负荷预测方法能够将现有充电设施的充电负荷分配到所有网格中去，得到各网格一天内充电负荷的24小时分布以及一天内总的充电量。对比图5和图6可以发现，图5中充电电量预测值量级明显小于图6中充电电量历史真实值，这是由于图6中的历史充电电量被分配给了所有网格，以保证总充电电量不变。

通过上述方案，在规划区域网格划分的基础上，通过贝叶斯正则化bp神经网络算法将包含充电设施网格的历史充电数据合理地分配到每个网格，以网格为基本单元建立电动汽车充电负荷预测模型，包括电动汽车充电次数预测和一次充电的平均充电负荷计算，以解决由于现有充电设施数量有限且布局不合理而造成的历史充电数据不能正确体现电动汽车实际充电需求的问题。

实施例2

根据本发明实施例，提供了一种充电负荷的处理装置，该装置可以执行上述实施例中的充电负荷的处理方法，具体实现方案和优选应用场景与上述实施例相同，在此不作赘述。

图7是根据本发明实施例的一种充电负荷的处理装置的示意图，如图7所示，该装置包括：

获取模块72，用于获取历史充电数据；

划分模块74，用于对历史充电数据进行划分，得到多个网格对应的历史数据；

预测模块76，用于利用负荷预测模型对每个网格对应的历史数据进行预测，得到每个网格在预设时间段内的充电负荷。

实施例3

根据本发明实施例，提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述的充电负荷的处理方法。

实施例4

根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的充电负荷的处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本发明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全部或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计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。