[发明专利]基于神经网络的电动汽车充电需求预测方法、系统及装置

权利要求书

1.一种基于神经网络的电动汽车充电需求预测方法，其特征在于，该方法包括：

步骤S10，根据历史充电需求通过自适应调整方法将待预测区域划分为大小不同的网格；所述自适应调整方法为聚类法、网格拆分与合并法、概率分布法、随机森林、决策树中的一种；

通过聚类法将待预测区域划分为大小不同的网格，包括：

步骤A10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；

步骤A20，设定网格划分后的网格区域充电需求点阈值；

步骤A30，将充电需求点集合通过K均值聚类法划分为k个聚类簇，每个聚类簇中充电需求点数量不大于充电需求点阈值；

步骤A40，以各聚类簇边缘作为网格的边线，并进行非重合边线的融合，完成区域网格划分；所述非重合边线的融合，为将非重合边线的两个交叉点形成的线段作为融合后的边线；

通过网格拆分与合并法将待预测区域划分为大小不同的网格，包括：

步骤B10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；

步骤B20，设定网格划分后的网格区域充电需求点的上限阈值和下限阈值；

步骤B30，将待预测区域平均划分为设定大小的网格，判断当前网格中充电需求点的数量并执行：

若当前网格中充电需求点的数量大于上限阈值，则将当前网格按照充电需求点所在位置平均拆分为充电需求点的数量相同或数量相差1的两个子网格，并迭代进行拆分后子网格中充电需求点的数量判断和子网格拆分，直至当前网格拆分后的各子网格中充电需求点的数量均不大于上限阈值；

若当前网格中充电需求点的数量大于等于下限阈值且小于等于上限阈值，则保留当前网格；

若当前网格中充电需求点的数量小于下限阈值，则获取当前网格的各相邻网格，并分别判断当前网格与各相邻网格的充电需求点的和是否处于上限阈值和下限阈值之间，选择处于上限阈值和下限阈值之间的相邻网格与当前网格合并，若合并后仍然小于下限阈值，则迭代进行判别与合并直至网格中充电需求点的数量处于上限阈值和下限阈值之间；

步骤B40，进行网格的拆分与合并后，每个网格区域的充电需求点的数量均处于上限阈值和下限阈值之间，完成区域网格划分；

步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；

步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；

步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；

步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵和偏置矩阵进行修正，并跳转至步骤S40用新算出的权重矩阵选择新一批数据再次计算；

步骤S60，将训练得到的权重矩阵和偏置矩阵应用于模型，并基于获取的测试数据输出待预测区域的电动汽车充电需求。

2.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，基于神经网络构建充电需求预测模型的过程中模型隐含层节点数量通过以下公式获取：

其中，代表求取的模型隐含层的节点数量，和分别代表模型输入层和输出层的神经元数量，代表模型训练的样本数量，、为预设的可变常数。

3.根据权利要求2所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所述预设的可变常数，其范围为[2-10]，预设的可变常数，其范围为[2-10]。