[发明专利]适用于电动汽车充换电网络的网络切片资源配置方法

权利要求书

1.一种适用于电动汽车充换电网络的网络切片资源配置方法，其特征在于，包括以下步骤：

第一步、由数据预处理模块对各充电站的历史数据集进行预处理，降低数据的信息冗余度和数据的归一化；

第二步、由用户需求预测模块利用预处理后的充电站历史数据集对人工神经网络进行各充电站用户到达率预测的训练；

第三步、由用户需求预测模块利用预处理后的充电站历史数据集调用经过训练的人工神经网络的预测功能进行各充电站用户到达率的预测，并基于预测的各充电站用户到达率分别计算出电动汽车用户处于充电状态和移动状态的网络需求的量化值；

第四步、由网络切片资源配置模块根据计算出的电动汽车用户充电状态和移动状态的网络需求的量化值运行网络切片资源分配算法，求解出不同网络切片的最优配置策略；

第五步、由NS3切片部署模块根据不同网络切片的最优配置策略对接入网、传输网与核心网的网络资源进行部署。

2.根据权利要求1所述的适用于电动汽车充换电网络的网络切片资源配置方法，其特征在于，所述第一步中，数据预处理模块首先通过read_csv函数将CSV格式的待训练的各充电站的历史数据集文件读取至数据结构Dataframe_preprocess中，数据结构Dataframe_preprocess的相关数据成员Dataframe_preprocess.Hour和Dataframe_preprocess.Minute通过调用成员函数Datafunction_sum进行合并，而无关数据成员Dataframe_preprocess.Day与Dataframe_preprocess.Month则调用成员函数Datafunction_delete去除，最后调用成员函数Datafunction_normalization将其字符型数据Dataframe_preprocess.Class转化为归一化的浮点型小数值。

3.根据权利要求1所述的适用于电动汽车充换电网络的网络切片资源配置方法，其特征在于，在所述第二步中，用户需求预测模块读取各充电站的历史数据集的历史数据后，得到BPNN训练过程中所需的带标签数据集，训练过程如下：a、调用BPNN_INIT函数对人工神经网络进行参数初始化；b、调用BPNN_PREDICT函数进行人工神经网络前向传播，得出预测结果；c、对预测结果与数据集中的标签值调用BPNN_BACKPRO函数进行后向传播过程的训练，并对各项权重参数进行调整；d、执行人工神经网络是否达到终止条件的判断，如未达到条件，则跳转至第c步重复训练过程，如达到条件，即完成训练。

4.根据权利要求1或2或3所述的适用于电动汽车充换电网络的网络切片资源配置方法，其特征在于，根据所述人工神经网络的训练可以得知一天中的144个时刻值与对应时刻值各充电站n的到达率函数λ_n(t)以及区域a内的到达率函数λ_a(t)，对到达率函数λ_n(t)和λ_a(t)求积分可以得出时段内处于充电状态和移动状态的电动汽车用户数量；电动汽车用户处于充电状态的网络需求主要为流量需求，电动汽车用户处于移动状态的网络需求主要为移动切换需求，电动汽车用户的流量需求可以由以下表达式量化：

L_G(a，t)表示充电设备网络切片流量，由所有充电站中的充电设备流量函数L_sta(n，t)求和得出；L_V(a，t)表示电动汽车网络切片流量，由区域a内的所有电动汽车流量函数L_ma(m，t)求和得出；电动汽车用户的移动切换需求可以由以下表达式量化：

式中，h_a(m,t)为移动切换请求函数，N_mob(a，t)为区域a内处于移动状态的电动汽车数量，逐个对其可能发出的移动切换请求数求和，即可得到区域a内的移动切换请求预测值H_a(t)。