本发明属于移动充电桩调度领域，具体涉及了一种基于电动汽车需求预测的移动充电桩调度方法及系统，旨在解决现有移动充电桩调度方法调度范围小、存在找不到充电车以及回收、维护不便的问题。本发明包括：获取移动充电调度区域内的当前充电需求、固定充电桩和移动充电桩分布图以及各移动充电桩剩余电量信息；通过充电需求预测模型获取下一时间段的预测充电需求并生成充电需求预测分布图；结合移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；获取调度工具信息并进行调度任务分组与路径规划；根据分组与路径规划结果进行移动充电桩调度。本发明在预测充电需求的基础上提前调度移动充电桩，效率高、准确率高、实时性好。
1.一种基于电动汽车需求预测的移动充电桩调度方法，其特征在于，该方法包括：步骤S10，获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
步骤S20，基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
步骤S30，基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
步骤S40，对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
步骤S50，获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
步骤S60，基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度；
其中，所述基于神经网络的充电需求预测模型，其训练中根据历史充电需求通过自适应调整方法将待处理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；
通过聚类法将待处理区域划分为大小不同的网格，包括：
步骤A10，获取待处理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处理区域划分为大小不同的网格，包括：步骤C10，获取待处理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C20，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C30，将待处理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C40，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。
2.根据权利要求1所述的基于电动汽车需求预测的移动充电桩调度方法，其特征在于，步骤S30之后还设置有移动充电桩筛选过程，包括：结合所述下一时间段的充电需求预测分布图获取各移动充电桩筛选电量阈值，并将低于阈值的移动充电桩去除，通过剩余的移动充电桩更新所述移动充电桩分布图。
3.根据权利要求1所述的基于电动汽车需求预测的移动充电桩调度方法，其特征在于，所述基于神经网络的充电需求预测模型，其训练过程包括：步骤B10，将所述待处理区域划分为大小不同的网格；设定模型的激活函数、损失函数和成本函数；
步骤B20，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B30，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B40，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B50，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B60；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B40用新算出的权重矩阵 选择新一批数据再次计算；
步骤B60，将训练得到的权重矩阵 和偏置矩阵 应用于模型，获得训练好的基于神经网络的充电需求预测模型。
4.根据权利要求3所述的基于电动汽车需求预测的移动充电桩调度方法，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。
5.根据权利要求3所述的基于电动汽车需求预测的移动充电桩调度方法，其特征在于，步骤B30包括：步骤B31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据；
步骤B32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：其中， 和 分别代表归一化后和归一化前的数据集中的第 个数据， 和分别代表数据集中数据最大值和最小值。
6.根据权利要求3所述的基于电动汽车需求预测的移动充电桩调度方法，其特征在于，所述充电需求预测模型的激活函数为：其中， ， 为模型权重矩阵的转置，为模型偏置矩阵， 为归一化后的数据集中的第 个数据；和 为超参数。
7.根据权利要求3所述的基于电动汽车需求预测的移动充电桩调度方法，其特征在于，所述充电需求预测模型的成本函数为：其中， 和 分别为模型的权重矩阵和偏置矩阵， 为数据集中数据的总数量， 为将数据通过模型获取的预测值， 为数据对应的真实值。
8.一种基于电动汽车需求预测的移动充电桩调度系统，其特征在于，该系统包括数据获取模块、需求预测模块、预测分布图生成模块、调度计算模块、分组与路径规划模块和调度模块；
所述数据获取模块，配置为获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
所述需求预测模块，配置为基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
所述预测分布图生成模块，配置为基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
所述调度计算模块，配置为对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
所述分组与路径规划模块，配置为获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
所述调度模块，配置为基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度；
其中，所述基于神经网络的充电需求预测模型，其训练中根据历史充电需求通过自适应调整方法将待处理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；
通过聚类法将待处理区域划分为大小不同的网格，包括：
步骤A10，获取待处理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处理区域划分为大小不同的网格，包括：步骤C10，获取待处理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C20，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C30，将待处理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C40，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。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于电动汽车需求预测的移动充电桩调度方法。
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-7任一项所述的基于电动汽车需求预测的移动充电桩调度方法。
基于电动汽车需求预测的移动充电桩调度方法及系统
技术领域
[0001] 本发明属于移动充电桩调度领域，具体涉及了一种基于电动汽车需求预测的移动充电桩调度方法及系统。
背景技术
[0002] 面对全球能源短缺、环境污染日趋严峻、节能减排要求不断提高的背景，新能源汽车被大量发展。近些年来，我国新能源电动汽车的数量在不断的增多，当城市充电桩达到一定数量级时，其整体对电网的冲击是巨大的，尤其电动汽车充电存在一定的规律，在夜间前半部分集中进行充电与城市用电高峰重叠，给电网造成的负担最重，后半夜城市用电高峰过去之后，多数电动汽车也充电完毕了。充电存在严重的充电无序性，造成资源浪费的同时，加重了城市供电压力。
[0003] 但是，目前我国充电桩的建设速度要远落后于电动汽车的销售速度，还不能完全满足电动汽车的日常充电需求。此外，现有的充电服务体系还不够完善，现有的充电桩还无法完全实现智能化充电，大部分还是采用人力服务的方式，因此需要消耗大量的人力和物力，同时充电站点分散，管理者不能很好的发挥管理作用，管理难度很大。
[0004] 移动充电桩的出现在一定程度上缓解了日益增多的电动汽车充电需求与电网负担之间的矛盾，但是现有的移动充电桩，采用充电桩与车一体的充电车并设置管理后台，适用于小区停车场、商场停车场等小范围区域，充电车数量不多，送电员可能是保安或物业工作人员，且充电车并未设置定位装置，管理后台通过客户端的充电请求内的车位编号等获取电动汽车的详细位置，联系送电员进行配送，这种充电系统具有如下缺点：1、充电车运输距离有限，应用范围较小，有局限性，无法大范围推广；2、小区或商场无法建立专用充电网，导致充电车的蓄电成本高；3、充电车并未设置定位装置，后台通过客户端上传的车位编号判断充电地址，再安排的送电员将充电车移动至充电地址，调度方式简单，但存在找不到充电车的情况，造成充电车回收、维护和管理不便。为此，本发明提出一种基于电动汽车需求预测的移动充电桩调度方法以解决上述问题。
发明内容
[0005] 为了解决现有技术中的上述问题，即现有移动充电桩调度方法调度范围小、存在找不到充电车以及回收、维护不便的问题，本发明提供了一种基于电动汽车需求预测的移动充电桩调度方法，该方法包括：
[0006] 步骤S10，获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
[0007] 步骤S20，基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
[0008] 步骤S30，基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
[0009] 步骤S40，对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
[0010] 步骤S50，获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
[0011] 步骤S60，基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度。
[0012] 在一些优选的实施例中，步骤S30之后还设置有移动充电桩筛选过程，包括：
[0013] 结合所述下一时间段的充电需求预测分布图获取各移动充电桩筛选电量阈值，并将低于阈值的移动充电桩去除，通过剩余的移动充电桩更新所述移动充电桩分布图。
[0014] 在一些优选的实施例中，所述基于神经网络的充电需求预测模型，其训练过程包括：
[0015] 步骤B10，将所述待处理区域划分为大小不同的网格；设定模型的激活函数、损失函数和成本函数；
[0016] 步骤B20，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；
[0017] 步骤B30，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；
[0018] 步骤B40，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；
[0019] 步骤B50，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B60；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B40用新算出的权重矩阵 选择新一批数据再次计算；
[0020] 步骤B60，将训练得到的权重矩阵 和偏置矩阵 应用于模型，获得训练好的基于神经网络的充电需求预测模型。
[0021] 在一些优选的实施例中，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：
[0022]
[0023] 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。
[0024] 在一些优选的实施例中，步骤B30包括：
[0025] 步骤B31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据；
[0026] 步骤B32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：
[0027]
[0028] 其中， 和 分别代表归一化后和归一化前的数据集中的第 个数据， 和分别代表数据集中数据最大值和最小值。
[0029] 在一些优选的实施例中，所述充电需求预测模型的激活函数为：
[0030]
[0031] 其中， ， 为模型权重矩阵的转置，为模型偏置矩阵， 为归一化后的数据集中的第 个数据；和 为超参数。
[0032] 在一些优选的实施例中，所述充电需求预测模型的成本函数为：
[0033]
[0034] 其中， 和 分别为模型的权重矩阵和偏置矩阵， 为数据集中数据的总数量，为将数据通过模型获取的预测值， 为数据对应的真实值。
[0035] 本发明的另一方面，提出了一种基于电动汽车需求预测的移动充电桩调度系统，该系统包括数据获取模块、需求预测模块、预测分布图生成模块、调度计算模块、分组与路径规划模块和调度模块；
[0036] 所述数据获取模块，配置为获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
[0037] 所述需求预测模块，配置为基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
[0038] 所述预测分布图生成模块，配置为基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
[0039] 所述调度计算模块，配置为对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
[0040] 所述分组与路径规划模块，配置为获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
[0041] 所述调度模块，配置为基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度。
[0042] 本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于电动汽车需求预测的移动充电桩调度方法。
[0043] 本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于电动汽车需求预测的移动充电桩调度方法。
[0044] 本发明的有益效果：
[0045] （1）本发明基于电动汽车需求预测的移动充电桩调度方法，基于获取的待测区域的预测充电需求，结合已有的固定充电桩的分布信息并将获取的移动充电桩中电量较低的移动充电桩去除，将剩余的移动充电桩分配到相应的位置，并结合任务分群和路径规划，充电桩调度效率高、准确率高。
[0046] （2）本发明基于电动汽车需求预测的移动充电桩调度方法，其进行充电需求预测时，将历史时间段的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型的训练数据，将对应的天气预报信息和节假日信息作为模型训练的辅助数据，获得的模型在进行待预测区域的电动汽车充电需求预测时精度高、准确度高，从而提高了充电桩调度的精度和准确度。
[0047] （3）本发明基于电动汽车需求预测的移动充电桩调度方法，其进行充电需求预测时，将待测区域根据历史充电需求分布划分为不同大小的网格，在历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合，也进一步提升了充电桩调度的精度、准确度和效率。
附图说明
[0048] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0049] 图1是本发明基于电动汽车需求预测的移动充电桩调度方法的流程示意图。
具体实施方式
[0050] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0051] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0052] 本发明的一种基于电动汽车需求预测的移动充电桩调度方法，该方法包括：
[0053] 步骤S10，获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
[0054] 步骤S20，基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
[0055] 步骤S30，基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
[0056] 步骤S40，对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
[0057] 步骤S50，获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
[0058] 步骤S60，基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度。
[0059] 为了更清晰地对本发明基于电动汽车需求预测的移动充电桩调度方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
[0060] 本发明第一实施例的基于电动汽车需求预测的移动充电桩调度方法，包括步骤S10-步骤S60，各步骤详细描述如下：
[0061] 步骤S10，获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图。
[0062] 步骤S20，基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求。
[0063] 基于神经网络的充电需求预测模型，其训练过程包括：
[0064] 步骤B10，将所述待处理区域划分为大小不同的网格；设定模型的激活函数、损失函数和成本函数。
[0065] 将待处理区域划分为大小不同的网格，将网格中的数据通过求平均等方法获得代表网格的数据，网格大小直接影响后续计算的精度和速度，网格较大时，计算速度快，但精度会下降，网格较小时，精度较高但计算速度慢，很难保证算法的实时性。
[0066] 根据历史充电需求将待处理区域划分为大小不同的网络，历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合。
[0067] 本发明一个实施例中，基于充电需求量，通过聚类法进行网格的自适应大小的调整，其具体过程为：
[0068] 首先，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；
[0069] 然后，设定网格划分后的网格区域充电需求点阈值；
[0070] 再然后，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；
[0071] 最后，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。
[0072] 其中，非重合边线的融合，即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。
[0073] 本发明的另一实施例中，通过网格拆分与合并法进行网格自适应大小的调整，其具体过程为：
[0074] 首先，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；
[0075] 然后，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；
[0076] 再然后，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：
[0077] 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；
[0078] 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；
[0079] 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；
[0080] 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。
[0081] 在其他实施例中，还可以根据需要选择其他的方法进行网格自适应调整，例如概率分布法、随机森林、决策树等，本发明在此不一一详述。
[0082] 基于神经网络构建充电需求预测模型的过程中，模型的隐含层节点数量可通过式（1）获取：
[0083]
[0084] 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。
[0085] 本发明一个实施例中，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]。
[0086] 模型的隐含层的节点数量还可以通过其他方法获取，比如式（2）-式（6）中任一计算方式，也可以通过遗传算法、粒子群优化算法等在各计算方式中获取最优模型隐含层节点数量计算方法。
[0087]
[0088]
[0089]
[0090]
[0091]
[0092] 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节点数量， 代表求平方根运算，为预设的可变常数，其取值范围为[1-10]。
[0093] 充电需求预测模型的激活函数如式（7）所示：
[0094]
[0095] 其中， ， 为模型权重矩阵的转置，为模型偏置矩阵， 为归一化后的数据集中的第 个数据；和 为超参数。
[0096] 本发明一个实施例中，超参数 为1.0507，超参数 为1.67326。
[0097] 充电需求预测模型的成本函数如式（8）所示：
[0098]
[0099] 其中， 和 分别为模型的权重矩阵和偏置矩阵， 为数据集中数据的总数量，为将数据通过模型获取的预测值， 为数据对应的真实值。
[0100] 步骤B20，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。
[0101] 辅助训练数据中包含的天气预报信息和节假日信息用于辅助模型的训练，例如，天气较好或节假日的时候，出行量大大增加，带来了充电需求量的剧增。
[0102] 步骤B30，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。
[0103] 步骤B31，将所述训练数据集和辅助训练数据集通过Monte Carlo进行随机采样，获得采样数据。
[0104] Monte Carlo随机采样，可以将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量。
[0105] 步骤B32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如式（9）所示：
[0106]
[0107] 其中， 和 分别代表归一化后和归一化前的数据集中的第 个数据， 和分别代表数据集中数据最大值和最小值。
[0108] 步骤B40，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。
[0109] 步骤B50，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B60；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B40用新算出的权重矩阵 选择新一批数据再次计算。
[0110] 权重矩阵 的修正方法如式（10）所示：
[0111]
[0112] 其中，为学习率， 为模型的损失函数。
[0113] 本发明一个实施例中，学习率 为0.05。
[0114] 本发明的损失函数如式（11）所示：
[0115]
[0116] 其中，为将数据通过模型获取的预测值，为数据对应的真实值。
[0117] 步骤B60，将训练得到的权重矩阵 和偏置矩阵 应用于模型，获得训练好的基于神经网络的充电需求预测模型。
[0118] 步骤S30，基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图。
[0119] 步骤S30之后还设置有移动充电桩筛选过程，包括：
[0120] 结合所述下一时间段的充电需求预测分布图获取各移动充电桩筛选电量阈值，并将低于阈值的移动充电桩去除，通过剩余的移动充电桩更新所述移动充电桩分布图。
[0121] 步骤S40，对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点。
[0122] 步骤S50，获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划。
[0123] 步骤S60，基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度。
[0124] 本发明在充电需求预测的基础上，结合当前固定充电桩和移动充电桩分布，进行移动充电桩的调度，可以提前将移动充电桩布置到有相应需求的充电场所，例如，一个地下停车场第二天的预测充电需求为30辆待充电汽车，该停车场仅有20个固定充电桩，通过移动充电桩的调度方法将附近的移动充电桩提前通过调度工具转移过来（比如通过卡车、电动摆渡车等进行移动充电桩的运输），在第二天的时候满足电动汽车的充电需求。由于移动充电桩的数量、分布地点和剩余电量均会对汽车充电造成影响，因而，结合这些信息进行移动充电桩的调度任务分群和路径规划，合理安排调度工具，实现充电需求与充电桩的最优匹配，提高移动充电桩调度的精度、准确度和效率，本发明也可以应用到实时性要求较高的场合。
[0125] 本发明第二实施例的基于电动汽车需求预测的移动充电桩调度系统，该系统包括数据获取模块、需求预测模块、预测分布图生成模块、调度计算模块、分组与路径规划模块和调度模块；
[0126] 所述数据获取模块，配置为获取移动充电调度区域作为充电需求预测和移动充电桩调度的待处理区域，并获取所述待处理区域的当前充电需求；获取所述待处理区域的当前移动充电桩分布图、各移动充电桩剩余电量信息以及当前固定充电桩分布图；
[0127] 所述需求预测模块，配置为基于所述待处理区域的当前充电需求，通过训练好的基于神经网络的充电需求预测模型获取下一时间段的预测充电需求；
[0128] 所述预测分布图生成模块，配置为基于所述下一时间段的预测充电需求生成下一时间段的充电需求预测分布图；
[0129] 所述调度计算模块，配置为对比所述充电需求预测分布图与所述固定充电桩分布图，并结合所述移动充电桩分布图、各移动充电桩剩余电量信息生成各移动充电桩调度起点与终点；
[0130] 所述分组与路径规划模块，配置为获取移动充电桩调度工具信息，并结合各移动充电桩调度起点与终点，进行移动充电桩调度任务分组与调度路径规划；
[0131] 所述调度模块，配置为基于移动充电桩调度任务分组与调度路径规划结果进行移动充电桩调度。
[0132] 所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0133] 需要说明的是，上述实施例提供的基于电动汽车需求预测的移动充电桩调度系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0134] 本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于电动汽车需求预测的移动充电桩调度方法。
[0135] 本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于电动汽车需求预测的移动充电桩调度方法。
[0136] 所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0137] 本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0138] 术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
[0139] 术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
[0140] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
