[发明专利]基于网联数据的电动汽车充电行为预测方法

说明书

本专利公开了一种基于网联数据的电动汽车充电行为预测方法，包括：步骤一、对历史网联数据进行预处理；步骤二、提取电动汽车出行链信息；步骤三、分析电动汽车充电行为的潜在影响因素；步骤四：确定影响电动汽车充电行为的显著因素；步骤五、基于显著影响因素建立充电行为预测模型；步骤六、对电动汽车的充电行为进行预测。

技术领域

本发明涉及一种基于网联数据的电动汽车充电行为预测方法，属于电动汽车充电行为预测领域。

背景技术

随着我国经济的快速发展，城市机动车辆的保有量持续增长，据国家统计局发布的信息，截止2016年底，全国机动车保有量达2.9亿辆。巨大的机动车辆保有量和快速的机动车保有量增长速度，给机动车燃料供应带来极大的挑战。全国机动车每年的燃料消耗已经超过1.6亿吨，随之而来的交通污染问题越发严峻，以北京为例，机动车尾气排放对大气污染的贡献率已经超过四分之一。

在这样的背景下，大力发展电动汽车成为了解决这一问题的有效手段，也成为了我国的国家战略。近年来，在国家政策的支持和推动下，我国电动汽车年销售量突破50万辆，电动汽车保有量迅速增加。然而，由于电动汽车充电设施不足，充电桩排队和充电时间过长等原因，导致充电行为极易受阻，严重影响电动汽车的推广应用。因此，研究电动汽车充电行为并对其进行预测十分必要。

发明内容

本发明的目的是为了克服大规模电动汽车充电具有时间和空间上的随机性、间歇性和波动性等不确定特点，提供一种基于网联数据的电动汽车充电行为预测方法，根据电动汽车的历史车联网数据，从实际情况出发，考虑基于出行链的电动汽车充电行为的多种潜在影响因素，统筹兼顾天气、旅程开始时间、出行链时长、出行链距离、旅程速度、起始核电状态、上一次出行链充电状态等，通过模型分析确定充电行为的显著影响因素，基于显著性影响因素建立相应预测模型，对出行链的充电行为进行预测。

本发明提出的一种基于网联数据的电动汽车充电行为预测方法，包括以下步骤：

步骤一：对历史网联数据进行预处理。对车联网采集到的行车数据信息进行预处理，规范数据格式，填补缺失数据，剔除错误信息。

步骤二：提取电动汽车出行链信息。出行链一般描述居民从家出发再返回家的过程，根据经验将数据中晚上使用常规充电的充电地点视为家的所在地，对充放电过程进行匹配，以家为起讫点构建车辆出行链模型。由此从原始数据提取出所要研究的出行链信息，同时记录单条出行链充电的次数、旅程起始点、总距离、总时间、旅行速度、起始电池核电量，以及每次快速充电的起始点、时长、充电量等。

步骤三：分析电动汽车充电行为的潜在影响因素。通过对电动汽车出行链信息的研究和分析得到，影响出行链充电行为的潜在影响因素可能包括天气、旅程开始时间、出行链时长、出行链距离等。

步骤四：确定影响电动汽车充电行为的显著因素。为了确定显著影响因素，使用标准二项Logistic回归方法对潜在影响因素进行分析，对上述提到的潜在影响因素数字化，基于SPSS软件分析获得各个影响因素的显著性水平(P-value)，显著性水平小于0.05的确定为电动汽车充电行为的显著影响因素。

步骤五：基于显著影响因素建立充电行为预测模型。由于电动汽车是否进行充电是一个二分类的变量，因此选择Logistic回归分析方法建立预测模型。

(1)用数字“0”来代表无充电行为，用数字“1”来代表有充电行为，。那么出行链的充电行为模型可以表示为：