[发明专利]充电负荷的处理方法和装置

说明书

本发明公开了一种充电负荷的处理方法和装置。其中，该方法包括：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。本发明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。

技术领域

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。

发明内容

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。