一种基于时间序列的电动汽车换电需求预测方法及系统与流程

1.本发明涉及电动汽车的换电需求预测技术领域，具体涉及一种基于时间序列的电动汽车换电需求预测方法及系统。


背景技术：

2.当前，随着新能源汽车加快普及，电动汽车用户的补能需求日益增长。换电模式作为电动汽车用户补能的一种方式，得到了国家政策的大力支持和各大新能源车企的广泛关注。换电模式是指通过直接更换动力电池的方式为电动汽车快速补能，一般需要在换电站内完成。在换电站运营中，由于无从得知未来时段的换电需求量，为保证用户的换电满意度，只能使用最大充电倍率充电，这样不仅对电池的健康造成了一定程度的损害，而且对于执行阶梯电价的换电站而言，经济性也较差。


技术实现要素：

3.针对现有技术中的缺陷，本发明提供了一种基于时间序列的电动汽车换电需求预测方法及系统，用于解决当前换电站运营中电池健康维护性差和经济性差的问题，平衡用户满意度，电池健康以及充电成本等因素。
4.为了实现上述目的，本发明提出一种基于时间序列的电动汽车换电需求预测方法，所述方法包括：
5.对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数；
6.分别以不同的时间间隔截取数据序列；
7.将所述数据序列作为训练样本，训练获得时间序列模型；
8.针对实际换电需求，采用时间序列模型计算预测时段的换电需求数。
9.优选的，所述对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数包括：
10.从换电站换电记录数据库中导出数据；其中，所述换电站换电记录数据库，用于存储历史换电记录；所述从换电站换电记录数据库中导出数据的数据字段包括：换电站名称和换电时间；
11.统计单位时间范畴的换电数，并对所述换电数作平滑处理，确定平滑处理后的每一条数据在预设时间周期内的平均换电数。
12.优选的，所述分别以不同的时间间隔截取数据序列包括：
13.获取多个时间间隔的平均换电数，生成不同时间间隔的时间序列数据；
14.为所述不同时间间隔的时间序列数据添加标签，并以标签为索引进行数据组合，从中选取任一时间间隔对应的数据字段，处理为符合训练数据格式的时间序列训练数据。
15.优选的，所述将数据序列作为训练样本，训练获得时间序列模型包括：
16.根据设定的时间间隔数，构建n个长短期记忆网络模型，每个长短期记忆网络模型
接收一种时间间隔的时间序列训练数据；
17.将n个长短期记忆网络模型的输出作为全连接神经网络的输入，将时间序列训练数据作为训练样本进行模型训练，直到模型收敛；
18.将收敛后的模型保存，作为用于换电量需求预测的时间序列模型。
19.优选的，所述针对实际换电需求，采用时间序列模型计算预测时段的换电需求数包括：
20.获取当前时刻之前的历史换电记录；
21.将所述前时刻之前的历史换电记录按照预先设定的时间间隔生成为不同时间间隔下的换电数据序列，并进行组合；
22.将组合后的换电数据序列作为时间序列模型的输入，使用训练好的模型输出未来换电需求数。
23.一种基于时间序列的电动汽车换电需求预测系统，所述系统包括：
24.数据处理模块，用于对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数；
25.数据序列获取模块，用于分别以不同的时间间隔截取数据序列；
26.训练模块，用于将所述数据序列作为训练样本，训练获得时间序列模型；
27.计算模块，用于针对实际换电需求，采用所述时间序列模型计算预测时段的换电需求数。
28.优选的，所述数据处理模块包括：
29.采集单元，用于从换电站换电记录数据库中导出数据；其中，所述换电站换电记录数据库，用于存储历史换电记录；所述从换电站换电记录数据库中导出数据的数据字段包括：换电站名称和换电时间；
30.确定单元，统计单位时间范畴的换电数，并对所述换电数作平滑处理，确定平滑处理后的每一条数据在预设时间周期内的平均换电数。
31.优选的，所述数据序列获取模块包括：
32.生成单元，用于获取多个时间间隔的平均换电数，生成不同时间间隔的时间序列数据；
33.数据处理单元，用于为所述不同时间间隔的时间序列数据添加标签，并以标签为索引进行数据组合，从中选取任一时间间隔对应的数据字段，处理为符合训练数据格式的时间序列训练数据。
34.优选的，所述训练模块包括：
35.构建单元，用于根据设定的时间间隔数，构建n个长短期记忆网络模型，每个长短期记忆网络模型接收一种时间间隔的时间序列训练数据；
36.模型训练单元，用于将n个长短期记忆网络模型的输出作为全连接神经网络的输入，将时间序列训练数据作为训练样本进行模型训练，直到模型收敛；
37.模型生成单元，用于将收敛后的模型保存，作为用于换电量需求预测的时间序列模型。
38.优选的，所述训练模块包括：
39.获取单元，获取当前时刻之前的历史换电记录；
40.数据整合单元，用于将所述前时刻之前的历史换电记录按照预先设定的时间间隔生成为不同时间间隔下的换电数据序列，并进行组合；
41.预测结果输出单元，用于将组合后的换电数据序列作为时间序列模型的输入，使用训练好的模型输出未来换电需求数。
42.本发明的有益效果体现在：
43.本发明提供的一种基于时间序列的电动汽车换电需求预测方法及系统，根据换电站以小时为单位的历史换电记录，通过构建时间序列模型，预测未来时段内的换电需求数，使换电站能根据预测的换电需求数和阶梯电价提前合理配置充电方式，在满足用户需求的前提下，最大限度保护电池健康，大幅度提高换电站的运营效益。
44.解决了当前换电站运营中电池健康维护性差和经济性差的问题，平衡了用户满意度、电池健康以及充电成本等因素。
附图说明
45.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
46.图1为本发明具体实施方式中提供的一种基于时间序列的电动汽车换电需求预测方法流程图；
47.图2为本发明具体实施1中提供的一种基于时间序列的电动汽车换电需求预测方法工作原理图。
具体实施方式
48.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
49.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
50.本发明具体实施方式提供一种基于时间序列的电动汽车换电需求预测方法，如图1所示，所述方法包括：
51.s1对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数；
52.s2分别以不同的时间间隔截取数据序列；
53.s3将所述数据序列作为训练样本，训练获得时间序列模型；
54.s4针对实际换电需求，采用时间序列模型计算预测时段的换电需求数。
55.步骤s1中，对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数包括：
56.从换电站换电记录数据库中导出数据；其中，所述换电站换电记录数据库，用于存储历史换电记录；所述从换电站换电记录数据库中导出数据的数据字段包括：换电站名称和换电时间；
57.统计单位时间范畴的换电数，并对所述换电数作平滑处理，确定平滑处理后的每一条数据在预设时间周期内的平均换电数。其中，单位时间和时间周期都可以根据实际工况需要进行预先设置，例如可以获取换电站以小时为单位的历史换电记录，统计计算每一条数据4周内的平均换电数。
58.步骤s2中的分别以不同的时间间隔截取数据序列，可以分别以1，24，168为间隔截取数据序列。具体实现方法包括：
59.获取多个时间间隔的平均换电数，生成不同时间间隔的时间序列数据；
60.为所述不同时间间隔的时间序列数据添加标签，并以标签为索引进行数据组合，从中选取任一时间间隔对应的数据字段，处理为符合训练数据格式的时间序列训练数据。
61.步骤s3中，将数据序列作为训练样本，训练获得时间序列模型包括：
62.根据设定的时间间隔数，构建n个长短期记忆网络模型，每个长短期记忆网络模型接收一种时间间隔的时间序列训练数据；
63.将n个长短期记忆网络模型的输出作为全连接神经网络的输入，将时间序列训练数据作为训练样本进行模型训练，直到模型收敛；
64.将收敛后的模型保存，作为用于换电量需求预测的时间序列模型。
65.步骤s4中，针对实际换电需求，采用时间序列模型计算预测时段的换电需求数包括：
66.获取当前时刻之前的历史换电记录；
67.将所述前时刻之前的历史换电记录按照预先设定的时间间隔生成为不同时间间隔下的换电数据序列，并进行组合；
68.将组合后的换电数据序列作为时间序列模型的输入，使用训练好的模型输出未来换电需求数。
69.基于同一技术构思，本发明具体实施方式还提供一种基于时间序列的电动汽车换电需求预测系统，所述系统包括：
70.数据处理模块，用于对预先采集的换电站历史换电记录进行平滑处理，计算平滑处理后的每一条数据在预设时间周期内的平均换电数；
71.数据序列获取模块，用于分别以不同的时间间隔截取数据序列；
72.训练模块，用于将所述数据序列作为训练样本，训练获得时间序列模型；
73.计算模块，用于针对实际换电需求，采用所述时间序列模型计算预测时段的换电需求数。
74.其中，所述数据处理模块包括：
75.采集单元，用于从换电站换电记录数据库中导出数据；其中，所述换电站换电记录数据库，用于存储历史换电记录；所述从换电站换电记录数据库中导出数据的数据字段包括：换电站名称和换电时间；
76.确定单元，统计单位时间范畴的换电数，并对所述换电数作平滑处理，确定平滑处理后的每一条数据在预设时间周期内的平均换电数。
77.所述数据序列获取模块包括：
78.生成单元，用于获取多个时间间隔的平均换电数，生成不同时间间隔的时间序列数据；
79.数据处理单元，用于为所述不同时间间隔的时间序列数据添加标签，并以标签为索引进行数据组合，从中选取任一时间间隔对应的数据字段，处理为符合训练数据格式的时间序列训练数据。
80.所述训练模块包括：
81.构建单元，用于根据设定的时间间隔数，构建n个长短期记忆网络模型，每个长短期记忆网络模型接收一种时间间隔的时间序列训练数据；
82.模型训练单元，用于将n个长短期记忆网络模型的输出作为全连接神经网络的输入，将时间序列训练数据作为训练样本进行模型训练，直到模型收敛；
83.模型生成单元，用于将收敛后的模型保存，作为用于换电量需求预测的时间序列模型。
84.所述训练模块包括：
85.获取单元，获取当前时刻之前的历史换电记录；
86.数据整合单元，用于将所述前时刻之前的历史换电记录按照预先设定的时间间隔生成为不同时间间隔下的换电数据序列，并进行组合；
87.预测结果输出单元，用于将组合后的换电数据序列作为时间序列模型的输入，使用训练好的模型输出未来换电需求数。
88.实施例1：
89.如图2所示，本发明实施例1结合上述步骤s1～步骤s3，本实施例提出的基于时间序列的电动汽车换电需求预测方法主要包括以下几个方面：
90.一、历史换电记录数据获取及处理
91.101.从换电站换电记录数据库中导出数据，数据字段包括换电站名称，换电时间等。导出的数据示例如下表：
92.站名称换电时间12345678902022-01-0112:00:0412345678902022-01-0112:14:4012345678902022-01-0113:17:2712345678902022-01-0113:26:3612345678902022-01-0114:30:30
93.102.以小时为单位时间统计换电数，并做平滑处理，示例如下表：
94.序号时间段换电数换电数平滑处理4周内平均值12022-01-0112:00:00222.2522022-01-0113:00:0021.8663.632022-01-0114:00:00111.8
95.103.设定n个不同时间间隔，生成时间序列训练数据。以1小时时间间隔为例，生成的训练数据格式如下：
96.序列数据序列数据解释标签标签数据解释[[2,2.25],[1.866,3.6]]12时，13时的换电序列数据114时的换电数[[2,2.25]]12时的换电序列数据1.86613时的换电数
[0097]
104.不同时间间隔的序列数据，以标签为索引进行组合。
[0098]
二、模型构建、训练及保存
[0099]
201.模型构建：根据103设定的时间间隔数，构建n个长短期记忆网络模型，每个长短期记忆网络模型接受1种时间间隔的时间序列数据；n个长短期记忆网络模型的输出作为全连接神经网络的输入，全连接神经网络的输出作为最终结果输出；
[0100]
202.模型训练：将历史数据生成的序列数据作为训练数据进行模型训练，直到模型收敛；
[0101]
203.模型保存：将收敛后的模型保存，作为换电量需求的预测工具。
[0102]
三、模型预测
[0103]
301.参照101-102生成当前时刻之前的换电记录数据；
[0104]
302.参照103生成n条当前时刻之前序列数据，并进行组合；303.将组合数据作为输入，使用训练好的模型预测换电需求数
[0105]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。