(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 202210824655.5 (22)申请日 2022.07.14 (71)申请人 兰州理工大 学 地址 730050 甘肃省兰州市七里河区兰工 坪路287号 (72)发明人 李恒杰　梁达明　陈伟　周云　 冯冬涵　朱江皓　裴喜平　曾贤强　 刘添一　安妮　冯琪　陈兴旺　 (74)专利代理 机构 北京棘龙知识产权代理有限 公司 11740 专利代理师 丁丁 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 电动汽车充电需求建模 方法、 系统、 介质、 设 备及终端 (57)摘要 本发明属于电动汽车充电需求建模技术领 域， 公开了一种电动汽车充电需求建模方法、 系 统、 介质、 设备及终端， 分析电动汽车用户差异性 和电动汽车性能差异性的影 响， 基于生成对抗模 型学习用户驾驶策略和用户出行策略； 基于 XGboost机器学习电动汽车性能模型； 基于百度 地图实时路况证明该算法可提取用户驾驶特征 和充电特征。 本发明通过结合百度地图实时交通 流速以及真实用户行驶轨迹数据， 所得区域电动 汽车集群充电需求模型具有更广阔的应用前景， 预测结果具有较好的泛化能力。 结果证明， 相比 当前主流的预测方法， 本发明具有更好的预测精 度和鲁棒性， 同时可结合适时交通数据， 可以为 城市区域充电站规划以及充电引导提供有力的 模型支撑 。 权利要求书3页 说明书17页 附图7页 CN 115063184 A 2022.09.16 CN 115063184 A 1.一种电动汽车充电需求建模方法， 其特征在于， 所述电动汽车充电需求建模方法包括： 分析电动汽车用户差异性和电动汽车性能差异性的影响， 基于生成对抗模型学习用户 驾驶策略和用户出行策略； 基于XGboost机器学习电动汽 车性能模 型； 基于百度地图实时路 况证明该算法可提取用户驾驶特 征和充电特 征。 2.如权利要求1所述电动汽车充电需求建模方法， 其特征在于， 所述电动汽车充电需求 建模方法包括以下步骤： 步骤一， 采集用户运行轨迹数据集， 对数据集异常点进行清洗， 划分用户运行轨迹； 基 于MIC构建用户策 略模型训练输入数据集， 构建电动汽车用户24小时SOC预测数据集合， 作 为输入数据集； 步骤二， 建立基于线性全连接网络构建生成器、 价值网络和鉴别器神经网络， 并利用贝 叶斯超参数优化方法初始 化所述网络； 输入训练用户轨迹数据集合， 基于PPO近端 策略优化 算法优化策略网络参数， 并遍历所有用户轨 迹， 生成所有用户的充放电策略； 步骤三， 采用交叉验证方法训练基于XGboost的电动汽车24小时SOC预测模型， 所述模 型分为放电SOC预测模型和充电SOC预测模型； 步骤四， 历史行车轨迹经行路径规划， 并基于百度地图获取路径实时交通流速， 预测所 有用户24小时单车SOC变化曲线； 结合用户充电紧迫性预测所有用户充电需求和能量需求， 建立区域内电动汽车集群充电需求预测时空模型。 3.如权利要求2所述电动汽车充电需求建模方法， 其特征在于， 所述步骤一还包括构建 策略网络 输入特征数据集， 具体包括： 利用孤立森林筛选异常点， 并利用多重插补 法修复数据集异常点， 基于MIC最大互信息 系数矩阵提取和电动汽车SOC变化强相关的用户行为因素； 原始数据集 合包括： 作为用户24小时真实速度数据； 作为用户24小时速度变化影响因素： 实时交通 流速； 作为用户24小时真实SOC数据； 作为24小时SOC变化影响因素： 车速、 单次行驶里程、 加速度。 4.如权利要求2所述电动汽车充电需求建模方法， 其特征在于， 所述步骤二还包括基于 生成对抗模仿学习的用户策略学习方法， 具体包括： 构建GAIL算法构架； GAIL利用专家数据训练鉴别器训练生成器并混淆鉴别的判断， 利 用鉴别器区分由生成器生成的数据分布和真实数据分布； 初始化策略函数π0， 采样轨迹 根据生成对抗模型原理， 策略函数进行梯度 下升更新， 鉴别器进行梯度 下降更新， 进而 分辨真实数据和生成数据的概 率分布； 其中， D(x(i))是鉴别器对真实数据的概 率判定； D(G(z(i)))对生成数据的概 率判定； 生成器： 构造生成对抗网络的损失函数， 并用鉴别器构造报酬函数： 权　利　要　求　书 1/3 页 2 CN 115063184 A 2当鉴别器无法区分生成器生成的数据与真实数据时， 生成器和鉴别器达到纳什均衡， 则生成器成功匹配专 家策略； 基于PPO算法对生成器网络进行参数优， P PO算法目标如下： 1)广义优势估计 比较在状态s下执行动作a所得回报和执行当前策略π(s|a)所得回报， 用于评价动作a 的好坏， 使策略向优势估计大于零的方向更新动作a的概 率p(a|s)； 广义优势估计如下式： 其中， rt+l是当前时刻的回报函数， V(st+l)是当前时刻的状态 值函数， γ是 前一时刻值 函数的折扣率； 2)状态－动作概 率比rt( θ )： 其中， πθ(at|st)表示新策略执行某批次动作集合的对数概率， πold(at|st)表示执行旧策 略的平均动作对数概率； ε是一个超参数， 为截断阈值； 第二项 通过剪裁概率 比修改替代目标， 消除向区间外侧移动的动机(1 ‑ε,1+ε )； 取裁剪和未裁剪目标的最小值， 因此最终目标 是未裁剪目标的下界； θold取附近的一阶； 其中， 5.如权利要求2所述电动汽车充电需求建模方法， 其特征在于， 所述步骤三中的基于 XGboost的电动汽车用户24小时SOC预测方法包括： 根据输入特征分析， 基于策略学习产生的24小时用户速度曲线计算单次出行里程曲线 以及充电时间曲线， 其中速度曲线和里程曲线 预测放电SOC， 充电时间曲线 预测充电SOC； 基 于XGboost分别建立行驶SOC回归 预测模型、 充电SOC回归预测模 型， 对基于贝叶斯超参优化 算法搜寻策路模型和SOC预测模型。 6.如权利要求2所述电动汽车充电需求建模方法， 其特征在于， 所述步骤四还包括基于 百度地图获取实时交通 流速及车辆路径规划， 具体包括： (1)路径规划 路径规划采用数据集中真实路径经纬度坐标集合， 所有路径经纬度坐标经过数据处理 后， 利用python中的OSMnx库可视化路径并提取道路节 点坐标、 道路节 点和距离起始节 点的 距离信息， 路径 节点是路径和其 他道路的交点； 设每条轨 迹节点数据集 合为： 其中， Ωj表示第j条轨迹数据集合， j＝1,2,3,...， 和 分别为路径节点经纬度权　利　要　求　书 2/3 页 3 CN 115063184 A 3