[发明专利]一种集成人机智能的5G电动汽车充电预测方法和系统

权利要求书

1.一种集成人机智能的5G电动汽车充电预测方法，其特征在于：包括以下步骤：

S100、获取电动汽车的充电行为数据；

S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。

2.根据权利要求1所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述电动汽车充电预测模型的预测步骤如下：

S21、获取充电记录作为模拟数据集，并做数据预处理；

S22、对处理后的数据集，进行基于K均值的电动汽车充电行为聚类；

S23、对于新用户数据，进行KNN的电动汽车充电行为分类；

S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划。

3.根据权利要求2所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述S21、获取充电记录作为模拟数据集，并做数据预处理；

包括：

首先，对于记录小于设置值的用户，则从数据集中删除他们。

其次，选择了平均计费时间、计费时间标准差和连接时间标准差作为聚类向量；

如式(1)所示，使用线性归一化方法对数据进行归一化处理

X^*＝(X-X_min)/(X_max-X_min) (1)；

X＝(x₁,x₂,…,x_n)表示输入数据，X_max表示输入数据的最大值，X_min表示输入数据的最小值。

4.根据权利要求3所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：

所述S22、对处理后的数据集，做基于K均值的电动汽车充电行为聚类；

包括：

将数据分成K个簇；

计算矢量间距离，并根据计算结果，对距离最小的目标进行分类；

然后，将每个聚类对象的平均值作为一个新的初始点进行迭代计算，直到每个数据所属的分类保持不变；

其中，第n次迭代聚类中心的更新为式(2)；

C_k表示K个聚类对象的集合；

最后，在对K-means算法计算出的目标进行聚类后，利用机器学习方法对数据进行细化和重标号；

即聚类后，将结果标准化，并将用户数据导入到同一元组结构中，如式(3)所示；

μ：＝(t_charge，σ_charge，σ_connect) (3)

t_charge表示平均计费时间，σ_charge表示计费时间标准差，σ_conneot表示连接时间标准差。

5.根据权利要求4所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述S23、对于新用户数据，进行KNN的电动汽车充电行为分类；

包括：

使用k-最近邻方法根据已有的聚类结果对新用户进行分类；

其中，

训练错误率定义为K-最近训练样本标记与输入标记的比率，表示如下：

Y＝(y₁,y₂,…,y_n)表示输出结果，K表示前K个新对象的训练样本，c_j表示第j个聚类对象；

此外，如果选择特定的K值，使训练集中的系数最大化；

Y＝(y₁,y₂,…,y_n)表示输出结果，K表示前K个新对象的训练样本，c_j表示第j个聚类对象。