(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111648643.3 (22)申请日 2021.12.3 0 (71)申请人 智光研究院 （广州） 有限公司 地址 510760 广东省广州市黄埔区埔南路 51号自编1栋 (72)发明人 孙建旸　芮冬阳　王卫宏　郭洋　 张继元　张锦绣　潘杰　丘海澜　 (74)专利代理 机构 北京市隆安 律师事务所 11323 代理人 权鲜枝 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电动汽车充电需求预测方法及装置 (57)摘要 本申请实施例提供一种电动汽车充电需求 预测方法及装置， 应用于电动汽 车充电需求预测 服务器。 其中， 所述方法包括： 构建测试数据集； 通过所述测试数据集对负荷预测模 型进行训练； 将所述测试数据集输入训练后的负荷预测模型， 获得预测结果。 本申请实施例采用的基于改进的 概率稀疏自注意力和对比学习的深度神经网络 电动汽车充电需求预测方法， 能够克服长期需求 预测误差大， 且需要额外信息修正的问题， 能够 满足移动端使用、 边缘设备运行、 以及边远地区 局域网、 网络安全受限等场景的部署需求， 尤其 是可部署在充电站点储能系统甚至充电桩内独 立运行， 提供更精确的预测结果和更灵活的部署 方式， 让现有 充电站点具 备智能化升级空间。 权利要求书3页 说明书14页 附图4页 CN 114331542 A 2022.04.12 CN 114331542 A 1.一种电动汽车充电需求预测方法， 应用于电动汽车充电需求预测服务器， 其特征在 于， 所述方法包括： 构建测试 数据集； 通过所述测试 数据集对负荷预测模型进行训练； 将所述测试 数据集输入训练后的负荷预测模型， 获得 预测结果。 2.根据权利要求1所述的电动汽车充电需求预测方法， 其特征在于： 所述测试数据集中 的数据按照所期 望的预测时间周期切分， 包括以下维度： 历史车流量数据、 历史充电需求数 据、 地区分时电价数据、 是否节 假日数据、 温度数据、 储能运行状态数据、 充电站 点所处经纬 度、 季节、 天气、 是否存在运营补贴。 3.根据权利要求1所述的电动汽车充电需求预测方法， 其特征在于： 所述负荷预测模型 包括嵌入层、 编码层和解码层； 其中， 所述嵌入层包括卷积模块、 位置编码器和时间编码器， 用于对输入的测试数据集进行 线性变换和时序信息拼接， 生成时序位置编码数据； 所述编码层包括两条支路， 其中， 第 一支路包括第 一概率稀疏自注意力网络模块， 用于 长周期的注意力构建和分配； 第二支路包括门控线性激活单元、 卷积模块和全连接模块， 用 于输入数据指 定时间周期内局部关联信息的提取； 所述编 码层用于对嵌入层输出的数据进 行并行处理， 获得Query、 Key、 Value查询序列矩阵以及自注意力输出Z1 ”、 Z2”； 并将所述处 理结果拼接后送入 全连接层并输出； 所述解码层包括mask稀疏自注意力网络模块和第二自注意力网络模块， 用于根据 所述 嵌入层和编码层输出获得联合注意力序列， 并根据所述联合注意力序列获得预测结果； 其 中， 所述第二自注意力网络模块和所述编码层的第一自注意力网络模块的结构相同。 4.根据权利要求3所述的电动汽车充电需求预测方法， 其特征在于： 所述嵌入层还用 于： 对所述线性变换和时序信息拼接后生成的数据， 进行 数据增强； 将所述线性变换和时序信 息拼接后生成的数据和进行数据增强后 生成的数据， 作为所 述嵌入层输出的数据， 送入所述编码层； 其中， 所述数据增强采用如下 方法之一： 方法一： 在一个时间周期内， 按照维度对数据进行拆分； 针对拆分后的一个或多个维度 数据， 将其部分或全部 内容替换为其数值限定范围内的 随机数值； 将替换后的维度数据组合 为原始数据格式； 方法二： 在一个时间周期内， 在数据中确定一个或多个切片； 随机截取其 他时间周期内相同长度的一个或多个切片； 将所述其他时间周期内相同长度的一个或多个切片覆盖所述本数据中确定的一个或 多个切片。 5.根据权利要求4所述的电动汽车充电需求预测方法， 其特征在于： 所述通过所述测试 数据集对负荷预测模型进行训练， 包括：权　利　要　求　书 1/3 页 2 CN 114331542 A 2通过Adam优化器， 对所述嵌入层和编码层的输出进行自监 督对比学习训练； 通过Adam优化器， 对所述负荷预测模型的输出进行训练。 6.根据权利要求5所述的电动汽车充电需求预测方法， 其特征在于： 所述通过Adam优化 器， 对所述嵌入层和编码层的输出进行自监 督对比学习训练， 包括： 计算总损失Ltotal， 将所述总损失Ltotal发送至所述嵌入层的卷积模块， 更新所述卷积模块的参数； 其中， 所述总损失Ltotal通过以下公式获得： Ltotal＝L1+L2， 其中， Z1、 Z2分别为所述嵌入层输出的所述线性变换和时序信息拼接后生成的数据和进 行数据增强后生成的数据， 所述P1、 P2为所述编码层处理过程中所述第一支路和第二支路输 出且尚未进入所述全链接模块的数据， 所述‖ …‖2表示二范数。 7.根据权利要求6所述的电动汽车充电需求预测方法， 其特征在于： 所述嵌入层输出的 时序位置编码数据包括Query、 Key、 Value序列， 所述第一自注意力网络模块生成稀疏概率 自注意力输出的方法包括： 对每个时序片刻的Query随机采样其 他时序片刻对应的K ey部分， 所述采样个数为M； 采用如下公式计算每 个Query的M个采样key对应的稀疏性分数， 其中， qi为第i个时间片刻的Query， j第i个 时间片刻以外的其他时间片刻， k为除第i个 时间片刻以外的所有其他时间片刻对应的Key部分， kT为k的转置形 式， d为自注意力通道数 量， L为序列长度； 选择稀疏性分数最高的N个时序片刻的Query， 采用如下公式计算所述N个时序片刻的 Query与所有时间片刻对应的K ey的点积结果， 其中， softmax为交叉熵函数， Q、 K、 V分别对应 变换获得的Query、 K ey、 Value序列矩阵； 采用如下公式计算所述 N个时序片刻的Query的自注意力结果， 计算剩余L ‑N个时序片刻的Query的自注意力的均值， 作为所述剩余L ‑N个时序片刻的 Query的自注意力结果； 将所述N个时序片刻的Query的自注意力结果和所述剩余L ‑N个时序片刻的Query的自 注意力结果 合并， 作为稀疏概 率自注意力输出。 8.根据权利要求7所述的电动汽车充电需求预测方法， 其特征在于： 所述解码层获得预 测结果的方法包括：权　利　要　求　书 2/3 页 3 CN 114331542 A 3