电动汽车充电预测方法、装置及设备与流程

1.本发明涉及电动汽车的技术领域，尤其涉及一种电动汽车充电预测方法、电动汽车充电预测装置及电动汽车充电预测设备。


背景技术：

2.目前，以清洁能源为动力的电动汽车正在快速发展。在电动汽车的实际应用场景中，大规模电动汽车的无序接入将给电力系统带来负荷增长、电能质量下降、电网运行优化控制难度增加等不利影响，这对充电站规划提出越来越高的要求。
3.因此，一般通过以电动汽车充电需求时空分布的准确预测为基础的有序充电控制方法解决上述问题，而对电动汽车充电需求时空分布的研究主要从电动汽车的运行规律出发并结合出行链和用户出行意愿开展。
4.然而，相关文献鲜有关注实时动态交通流变化导致的能耗改变进而影响用户出行意愿；此外，不同时段、天气类型、环境温度等外部因素都将会影响用户出行意愿。换言之，用户出行意愿是一个非常主观的因素，难以进行预测。


技术实现要素：

5.本发明的主要目的在于提供一种电动汽车充电预测方法、电动汽车充电预测装置及电动汽车充电预测设备，旨在解决现有技术中在进行电动汽车充电预测时，难以充分考虑用户出行意愿而导致对电动汽车的充电预测不够准确的技术问题。
6.为实现上述目的，本发明提供一种电动汽车充电预测方法，包括以下步骤：
7.构建电动汽车选择充电站进行充电的初始选择模型；
8.基于所述初始选择模型的理论选择结果和采集到的实际选择结果，迭代优化所述初始选择模型的模型系数得到目标选择模型；
9.基于所述目标选择模型预测电动汽车充电时所选择的充电站。
10.可选地，所述构建电动汽车选择充电站进行充电的初始选择模型的步骤，包括：
11.基于引力模型构建电动汽车选择充电站进行充电的原始选择模型；
12.求解所述原始选择模型的初始模型系数，得到所述初始选择模型。
13.可选地，在所述基于引力模型构建电动汽车选择充电站进行充电的原始选择模型的步骤之前，还包括：
14.确定充电站性能、电动汽车性能、电动汽车与充电站之间的交互信息；
15.所述基于引力模型构建电动汽车选择充电站进行充电的原始选择模型的步骤，包括：
16.基于所述充电站性能、所述电动汽车性能、所述交互信息和所述原始选择模型的初始模型系数并参照所述引力模型构建所述原始选择模型。
17.可选地，所述确定充电站性能、电动汽车性能和电动汽车与充电站之间的交互信息的步骤，包括：
18.基于充电站内的充电桩数量和所述充电站的充电效率确定所述充电站性能；
19.基于电动汽车的荷电状态确定所述电动汽车性能；
20.基于电动汽车与充电站之间的各路径距离、电动汽车行驶所述各路径距离到达充电站的各平均速度、电动汽车与充电站之间的各路径的权重确定电动汽车与充电站之间的综合距离，将所述综合距离作为所述交互信息。
21.可选地，所述求解所述原始选择模型的初始模型系数的步骤，包括：
22.将电动汽车和充电站的属性信息，及电动汽车和充电站间的交互信息代入所述原始选择模型；
23.基于所述原始选择模型和电动汽车选择充电站进行充电的实际选择结果，拟合得到所述初始模型系数。
24.可选地，所述迭代优化所述初始选择模型的模型系数得到目标选择模型的步骤，包括：
25.将当前周期电动汽车和充电站的属性信息、交互信息、初始模型系数输入所述初始选择模型得到理论选择结果；
26.获取当前周期电动汽车选择充电站进行充电的实际选择结果；
27.基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型。
28.可选地，所述获取当前周期电动汽车选择充电站进行充电的实际选择结果的步骤，包括：
29.采集当前周期内各个电动汽车选择充电站进行充电时的实际选择偏好；
30.基于所述实际选择偏好进行量化排序后得到所述实际选择结果。
31.可选地，所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数的步骤，包括：
32.基于所述理论选择结果和所述实际选择结果动态修正所述初始选择模型的模型系数，其中，根据动态修正后的模型预测得到的理论选择结果应接近或等于所述实际选择结果。
33.可选地，所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型的步骤，包括：
34.若修正前后的模型系数之差小于预设阈值，则确定修正后的选择模型为目标选择模型，并将修正后的模型系数作为所述目标选择模型的模型系数；
35.若修正前后的模型系数之差不小于预设阈值，则循环动态修正所述初始选择模型的模型系数，直至修正前后的模型系数之差小于预设差值。
36.可选地，所述电动汽车充电预测方法，还包括：
37.构建工作日电动汽车选择充电站进行充电的第一初始选择模型，以及非工作日电动汽车选择充电站进行充电的第二初始选择模型；
38.优化所述第一初始选择模型的模型系数得到第一目标选择模型，优化所述第二初始选择模型的模型系数得到第二目标选择模型；
39.基于所述第一目标选择模型预测工作日电动汽车充电时所选择的充电站，基于所述第二目标选择模型预测非工作日电动汽车充电时所选择的充电站。
accessmemory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory， nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001 的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对运行设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
58.在图1所示的运行设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明运行设备中的处理器1001、存储器1005可以设置在运行设备中，所述运行设备通过处理器 1001调用存储器1005中存储的计算机程序，并执行以下操作：
59.构建电动汽车选择充电站进行充电的初始选择模型；
60.基于所述初始选择模型的理论选择结果和采集到的实际选择结果，迭代优化所述初始选择模型的模型系数得到目标选择模型；
61.基于所述目标选择模型预测电动汽车充电时所选择的充电站。
62.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
63.所述构建电动汽车选择充电站进行充电的初始选择模型的步骤，包括：
64.基于引力模型构建电动汽车选择充电站进行充电的原始选择模型；
65.求解所述原始选择模型的初始模型系数，得到所述初始选择模型。
66.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
67.在所述基于引力模型构建电动汽车选择充电站进行充电的原始选择模型的步骤之前，还包括：
68.确定充电站性能、电动汽车性能、电动汽车与充电站之间的交互信息；
69.所述基于引力模型构建电动汽车选择充电站进行充电的原始选择模型的步骤，包括：
70.基于所述充电站性能、所述电动汽车性能、所述交互信息和所述原始选择模型的初始模型系数并参照所述引力模型构建所述原始选择模型。
71.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
72.所述确定充电站性能、电动汽车性能和电动汽车与充电站之间的交互信息的步骤，包括：
73.基于充电站内的充电桩数量和所述充电站的充电效率确定所述充电站性能；
74.基于电动汽车的荷电状态确定所述电动汽车性能；
75.基于电动汽车与充电站之间的各路径距离、电动汽车行驶所述各路径距离到达充电站的各平均速度、电动汽车与充电站之间的各路径的权重确定电动汽车与充电站之间的综合距离，将所述综合距离作为所述交互信息。
76.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
77.所述求解所述原始选择模型的初始模型系数的步骤，包括：
78.将电动汽车和充电站的属性信息，及电动汽车和充电站间的交互信息代入所述原始选择模型；
79.基于所述原始选择模型和电动汽车选择充电站进行充电的实际选择结果，拟合得到所述初始模型系数。
80.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
81.所述迭代优化所述初始选择模型的模型系数得到目标选择模型的步骤，包括：
82.将当前周期电动汽车和充电站的属性信息、交互信息、初始模型系数输入所述初始选择模型得到理论选择结果；
83.获取当前周期电动汽车选择充电站进行充电的实际选择结果；
84.基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型。
85.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
86.所述获取当前周期电动汽车选择充电站进行充电的实际选择结果的步骤，包括：
87.采集当前周期内各个电动汽车选择充电站进行充电时的实际选择偏好；
88.基于所述实际选择偏好进行量化排序后得到所述实际选择结果。
89.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
90.所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数的步骤，包括：
91.基于所述理论选择结果和所述实际选择结果动态修正所述初始选择模型的模型系数，其中，根据动态修正后的模型预测得到的理论选择结果应接近或等于所述实际选择结果。
92.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
93.所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型的步骤，包括：
94.若修正前后的模型系数之差小于预设阈值，则确定修正后的选择模型为目标选择模型，并将修正后的模型系数作为所述目标选择模型的模型系数；
95.若修正前后的模型系数之差不小于预设阈值，则循环动态修正所述初始选择模型的模型系数，直至修正前后的模型系数之差小于预设差值。
96.进一步地，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
97.所述电动汽车充电预测方法，还包括：
98.构建工作日电动汽车选择充电站进行充电的第一初始选择模型，以及非工作日电动汽车选择充电站进行充电的第二初始选择模型；
99.优化所述第一初始选择模型的模型系数得到第一目标选择模型，优化所述第二初
始选择模型的模型系数得到第二目标选择模型；
100.基于所述第一目标选择模型预测工作日电动汽车充电时所选择的充电站，基于所述第二目标选择模型预测非工作日电动汽车充电时所选择的充电站。
101.参照图2，图2是本发明一种电动汽车充电预测方法一实施例的流程示意图。本发明实施例提供了一种电动汽车充电预测方法，本实施例中，所述电动汽车充电预测方法，包括：
102.步骤s10：构建电动汽车选择充电站进行充电的初始选择模型。
103.所述初始选择模型为充分考虑用户出行意愿的模型，其中，用户出行意愿包括但不限于使用充电站内的充电桩数量和各充电桩的充电效率表征的充电站性能；使用电动汽车的荷电状态表征的电动汽车性能；使用电动汽车与充电站之间的路径距离、电动汽车行驶所述路径距离达到充电站的平均速度、电动汽车与充电站之间的路径权重确定电动汽车与充电站之间的综合距离表征的电动汽车与充电站之间的交互信息等。
104.进一步地，参照图3，步骤s10，包括：
105.步骤s101：基于引力模型构建电动汽车选择充电站进行充电的原始选择模型；
106.基于引力模型构造的第i辆电动汽车与充电站j之间的原始选择模型为：
[0107][0108]
，其中，mj为充电站j性能，mi为第i辆电动汽车的性能，r
ij
为第i辆电动汽车与充电站j之间的交互信息，k
ij
为模型系数。
[0109]
可选地，参照图3，步骤s101之前，还包括：
[0110]
步骤s100：确定充电站性能、电动汽车性能、电动汽车与充电站之间的交互信息；
[0111]
可选地，参照图4，步骤s100，包括：
[0112]
步骤s100a：基于充电站内的充电桩数量和所述充电站的充电效率确定所述充电站性能；
[0113]
步骤s100b：基于电动汽车的荷电状态确定所述电动汽车性能；
[0114]
步骤s100c：基于电动汽车与充电站之间的各路径距离、电动汽车行驶所述各路径距离到达充电站的各平均速度、电动汽车与充电站之间的各路径的权重确定电动汽车与充电站之间的综合距离，将所述综合距离作为所述交互信息。
[0115]
步骤s101，包括：
[0116]
基于所述充电站性能、所述电动汽车性能、所述交互信息和所述原始选择模型的初始模型系数并参照所述引力模型构建所述原始选择模型。
[0117]
mj为充电站j性能，以充电站j内充电桩数量和效率相乘为其值，即 mj＝δjvj，其中，δj代表充电站j的充电桩数量，vj代表充电站j各充电桩的充电效率。
[0118]
mi为第i辆电动汽车的性能，视该电动汽车的荷电状态而变，即
[0119]
[0120]
，其中，为第i辆电动汽车的荷电状态，s
soc
为荷电状态阈值。
[0121]rij
为第i辆电动汽车与充电站j之间的交互信息，主要考虑第i辆电动汽车与充电站j之间的综合距离，即
[0122][0123]
，其中，ω
ijk
为第i辆电动汽车与充电站j之间的路径k的路径权重，d
ijk
为第i辆电动汽车与充电站j之间的路径k的路径距离，v
ijk
为第i辆电动汽车与充电站j之间的路径k的平均速度。
[0124]kij
为模型系数，主要考虑各辆电动汽车在充电站内的排队情况，由最小二乘拟合法根据基于引力模型的预测函数和基于调查问卷以及实测得到各电动汽车对各充电站的实际偏好拟合而得。模拟系数随不同电动汽车和不同充电站而变，也随不同时段而变。
[0125]
步骤s102：求解所述原始选择模型的初始模型系数，得到所述初始选择模型。
[0126]
可选地，步骤s102，包括：
[0127]
步骤s102a：将电动汽车和充电站的属性信息，及电动汽车和充电站间的交互信息代入所述原始选择模型；
[0128]
步骤s102b：基于所述原始选择模型和电动汽车选择充电站进行充电的实际选择结果，拟合得到所述初始模型系数。
[0129]
获取各充电站内实时空余充电桩数量、充电效率，各电动汽车实时荷电状态、各电动汽车同各充电站的实时距离、各电动汽车到各充电站的平均速度的数值，即获取电动汽车和充电站的属性信息。将选择模型中有关电动汽车和充电站的属性信息，及电动汽车和充电站间的交互信息的各个参数的数值对应代入到原始选择模型便可以列写计算得到临时选择结果，并与电动汽车选择充电站进行充电的实际选择结果进行基于最小二乘曲线拟合法的拟合得到模型系数的初始数值，即求解得到初始模型系数。其中，实际选择结果为基于实测和调研方法获得的各电动汽车在充电时对各充电站的选择偏好并进行量化排序后的结果。
[0130]
步骤s20：基于所述初始选择模型的理论选择结果和采集到的实际选择结果，迭代优化所述初始选择模型的模型系数得到目标选择模型。
[0131]
通过步骤s10构建的初始选择模型，其初始模型系数仅为根据某一周期内的数据经过一次计算拟合得到，需要对该初始模型系数经过多个周期的迭代循环优化，才能够准确预测电动汽车的充电场景。
[0132]
进一步地，参照图5，步骤s20，包括：
[0133]
步骤s200：将当前周期电动汽车和充电站的属性信息、交互信息、初始模型系数输入所述初始选择模型得到理论选择结果；
[0134]
步骤s201：获取当前周期电动汽车选择充电站进行充电的实际选择结果；
[0135]
步骤s202：基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型。
[0136]
可选的，所述获取当前周期电动汽车选择充电站进行充电的实际选择结果的步
骤，包括：
[0137]
采集当前周期内各个电动汽车选择充电站进行充电时的实际选择偏好；
[0138]
基于所述实际选择偏好进行量化排序后得到所述实际选择结果。
[0139]
将当前周期的电动汽车和充电站的属性信息输入初始选择模型经过计算后得到当前周期的电动汽车选择充电站进行充电的理论选择结果；基于实测和调研方法获得的当前周期各电动汽车在充电时对各充电站的选择偏好并进行量化排序后的实际选择结果；基于理论选择结果和实际选择结果优化初始选择模型的模型系数，以优化后的模型系数作为目标选择模型的模型系数，从而得到可以准确预测电动汽车的充电选择的目标选择模型。
[0140]
可选地，所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数的步骤，包括：
[0141]
基于所述理论选择结果和所述实际选择结果动态修正所述初始选择模型的模型系数，其中，根据动态修正后的模型预测得到的理论选择结果应接近或等于所述实际选择结果。
[0142]
在基于理论选择结果和实际选择结果优化初始选择模型的模型系数时，将理论选择结果的预测值曲线与实际选择结果的真实值曲线进行对比，根据对比结果动态修正初始选择模型的模型系数，使得基于修正后的选择模型预测得到的新的理论选择结果与该实际选择结果接近。进一步地，当所述新的理论选择结果与所述实际理论选择结果的差值小于预设偏差值时，确定完成对初始模型系数的修正。
[0143]
可选地，所述基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型的步骤，包括：
[0144]
若修正前后的模型系数之差小于预设阈值，则确定修正后的选择模型为目标选择模型，并将修正后的模型系数作为所述目标选择模型的模型系数；
[0145]
若修正前后的模型系数之差不小于预设阈值，则循环动态修正所述初始选择模型的模型系数，直至修正前后的模型系数之差小于预设差值。
[0146]
在根据理论选择结果和实际选择结果动态修正模型系数的过程中，需要一个动态修正的结束条件。进一步地，根据修正前后的模型系数之差与预设阈值的大小判断结果确定是否停止动态修正模型系数。当修正前后的模型系数之差小于预设阈值，则确定修正后的选择模型为目标选择模型，并将修正后的模型系数作为目标选择模型的最终的目标模型系数；反之，若修正前后的模型系数之差不小于预设阈值，则循环动态修正初始选择模型的模型系数，直至修正前后的模型系数之差小于预设差值，再将修正前后的模型系数之差小于预设差值对应的模型系数作为目标选择模型的最终的目标模型系数。
[0147]
进一步地，定义相邻周期的模型系数拟合相差矩阵为
[0148]k11-k
′
11
...k
1j-k
′
1j
[0149]
.........
[0150]ki1-k
′
i1
...k
ij-k
′
ij
[0151]
，其中，k
11
、k
1j
、k
i1
、k
ij
等是前一周期选择模型中的各模型系数，k
′
11
、k
′
1j
、 k
′
i1
、k
′
ij
等是后一周期选择模型中的各模型系数。若该拟合相差矩阵的二范数小于预设阈值，则认为可以不再基于实测调研得到的实际选择结果进行模型系数的优化拟合，所构造的电动汽车充电预测模型、即目标选择模型可准确地反映电动汽车的充电意愿。
[0152]
步骤s30：基于所述目标选择模型预测电动汽车充电时所选择的充电站。
[0153]
通过适用于不同周期的目标选择模型预测电动汽车充电时所选择的充电站。从而结合用户出行意愿准确预测电动汽车充电需求的时空分布，以更精准的有序充电控制方法解决在电动汽车的实际应用场景中，大规模电动汽车的无序接入将给电力系统带来负荷增长、电能质量下降、电网运行优化控制难度增加等不利影响，进一步符合充电站的规划要求。
[0154]
进一步地，所述电动汽车充电预测方法，还包括：
[0155]
构建工作日电动汽车选择充电站进行充电的第一初始选择模型，以及非工作日电动汽车选择充电站进行充电的第二初始选择模型；
[0156]
优化所述第一初始选择模型的模型系数得到第一目标选择模型，优化所述第二初始选择模型的模型系数得到第二目标选择模型；
[0157]
基于所述第一目标选择模型预测工作日电动汽车充电时所选择的充电站，基于所述第二目标选择模型预测非工作日电动汽车充电时所选择的充电站。
[0158]
在工作日和非工作日两种时段内，上述各充电站j性能mj、第i辆电动汽车的性能mi、第i辆电动汽车与充电站j之间的交互信息r
ij
、模型系数k
ij
的定义虽然相同，但由于这两种不同时段内用户出行意愿存在明显差异，取值并不相同。所以，将影响电动汽车充电的各因素进行分解的前提下，考虑工作日和非工作日的影响，构建工作日电动汽车选择充电站进行充电的第一初始选择模型，以及非工作日电动汽车选择充电站进行充电的第二初始选择模型。进而基于优化第一初始选择模型的模型系数得到的第一目标选择模型，预测工作日电动汽车充电时所选择的充电站，同样的，基于优化第二初始选择模型的模型系数得到的第二目标选择模型，预测非工作日电动汽车充电时所选择的充电站，从而更加准确预测用户驾驶电动汽车时的充电选择。
[0159]
在本实施例中，构建电动汽车选择充电站进行充电的初始选择模型；基于所述初始选择模型的理论选择结果和采集到的实际选择结果，迭代优化所述初始选择模型的模型系数得到目标选择模型；基于所述目标选择模型预测电动汽车充电时所选择的充电站。
[0160]
在本技术中，构建用户驾驶电动汽车选择充电站进行充电的初始选择模型，在该初始选择模型中充分考虑用户出行意愿；根据选择模型预测得到的理论充电选择结果以及基于实测或者调研得到的实际充电选择结果，不断优化初始选择模型的模型系数，得到目标选择模型；基于目标选择模型对电动汽车充电时所选择的充电站进行预测，从而在进行电动汽车充电预测时，充分考虑用户出行意愿并准确预测用户驾驶电动汽车时将要选择进行充电的充电站。
[0161]
此外，本发明实施例还提供一种电动汽车充电预测装置，所述电动汽车充电预测装置，包括：
[0162]
构建模块，用于构建电动汽车选择充电站进行充电的初始选择模型；
[0163]
优化模块，用于基于所述初始选择模型的理论选择结果和采集到的实际选择结果，迭代优化所述初始选择模型的模型系数，得到目标选择模型；
[0164]
预测模块，用于基于所述目标选择模型预测电动汽车充电时所选择的充电站。
[0165]
可选地，构建模块，还用于：
[0166]
基于引力模型构建电动汽车选择充电站进行充电的原始选择模型；
[0167]
求解所述原始选择模型的初始模型系数，得到所述初始选择模型。
[0168]
可选地，构建模块，还用于：
[0169]
确定充电站性能、电动汽车性能、电动汽车与充电站之间的交互信息；
[0170]
所述基于引力模型构建电动汽车选择充电站进行充电的原始选择模型的步骤，包括：
[0171]
基于所述充电站性能、所述电动汽车性能、所述交互信息和所述原始选择模型的初始模型系数并参照所述引力模型构建所述原始选择模型。
[0172]
可选地，构建模块，还用于：
[0173]
基于充电站内的充电桩数量和所述充电站的充电效率确定所述充电站性能；
[0174]
基于电动汽车的荷电状态确定所述电动汽车性能；
[0175]
基于电动汽车与充电站之间的各路径距离、电动汽车行驶所述各路径距离到达充电站的各平均速度、电动汽车与充电站之间的各路径的权重确定电动汽车与充电站之间的综合距离，将所述综合距离作为所述交互信息。
[0176]
可选地，构建模块，还用于：
[0177]
将电动汽车和充电站的属性信息，及电动汽车和充电站间的交互信息代入所述原始选择模型；
[0178]
基于所述原始选择模型和电动汽车选择充电站进行充电的实际选择结果，拟合得到所述初始模型系数。
[0179]
可选地，优化模块，还用于：
[0180]
将当前周期电动汽车和充电站的属性信息、交互信息、初始模型系数输入所述初始选择模型得到理论选择结果；
[0181]
获取当前周期电动汽车选择充电站进行充电的实际选择结果；
[0182]
基于所述理论选择结果和所述实际选择结果迭代优化所述初始选择模型的模型系数，得到所述目标选择模型。
[0183]
可选地，优化模块，还用于：
[0184]
采集当前周期内各个电动汽车选择充电站进行充电时的实际选择偏好；
[0185]
基于所述实际选择偏好进行量化排序后得到所述实际选择结果。
[0186]
可选地，优化模块，还用于：
[0187]
基于所述理论选择结果和所述实际选择结果动态修正所述初始选择模型的模型系数，其中，根据动态修正后的模型预测得到的理论选择结果接近或等于所述实际选择结果。
[0188]
可选地，优化模块，还用于：
[0189]
若修正前后的模型系数之差小于预设阈值，则确定修正后的选择模型为目标选择模型，并将修正后的模型系数作为所述目标选择模型的模型系数；
[0190]
若修正前后的模型系数之差不小于预设阈值，则循环动态修正所述初始选择模型的模型系数，直至修正前后的模型系数之差小于预设差值。
[0191]
可选地，所述电动汽车充电预测装置还包括进阶预测模块，用于：
[0192]
构建工作日电动汽车选择充电站进行充电的第一初始选择模型，以及非工作日电动汽车选择充电站进行充电的第二初始选择模型；
[0193]
优化所述第一初始选择模型的模型系数得到第一目标选择模型，优化所述第二初始选择模型的模型系数得到第二目标选择模型；
[0194]
基于所述第一目标选择模型预测工作日电动汽车充电时所选择的充电站，基于所述第二目标选择模型预测非工作日电动汽车充电时所选择的充电站。
[0195]
本发明提供的电动汽车充电预测装置，采用上述实施例中的电动汽车充电预测方法，解决现有技术中在进行电动汽车充电预测时，难以充分考虑用户出行意愿而导致对电动汽车的充电预测不够准确的技术问题。与现有技术相比，本发明实施例提供的电动汽车充电预测装置的有益效果与上述实施例提供的电动汽车充电预测方法的有益效果相同，且该电动汽车充电预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0196]
此外，本发明实施例还提供一种电动汽车充电预测设备，所述电动汽车充电预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的电动汽车充电预测方法的步骤。
[0197]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0198]
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。
[0199]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
[0200]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。