(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 202111505078.5 (22)申请日 2021.12.10 (71)申请人 北京梧桐车联科技有限责任公司 地址 100089 北京市海淀区海淀大街8号A 座5层B区 (72)发明人 刘飞　 (74)专利代理 机构 北京三高永信知识产权代理 有限责任公司 1 1138 代理人 邢少真 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) G06F 119/02(2020.01) (54)发明名称 电动车辆的充电负荷预测方法、 模 型训练方 法及装置 (57)摘要 本申请提供了一种电动车辆的充电负荷预 测方法、 模型训练方法及装置， 属于计算机技术 领域。 该充电负荷预测方法可以将获取到的充电 负荷预测信息输入至目标预测模 型中， 以确定电 动车辆的充电负荷。 由于该目标预测模型是基于 多条验证样 本对目标备选预测模 型验证得到的， 该目标备选预测模型的模型结构为基于多个模 型结构中适应度最大的模型结构确定的， 且该适 应度最大的模型结构是基于多条训练样本确定 的， 因此有效提高了目标预测模型的预测准确 率， 进而提高了采用目标预测模 型预测充电负荷 的精度。 权利要求书3页 说明书14页 附图7页 CN 114186411 A 2022.03.15 CN 114186411 A 1.一种电动车辆的充电负荷预测方法， 其特 征在于， 所述方法包括： 获取充电负荷预测信息， 所述充电负荷预测信息包括： 时间和天气信息； 将所述充电负荷预测信息 输入至目标 预测模型； 根据所述目标 预测模型的输出 结果， 确定所述电动车辆的充电负荷； 其中， 所述目标预测模型为基于多条验证样本对具有目标模型结构的目标备选预测模 型验证得到的， 所述目标模型结构 基于多个初始模型结构中适应度最大的目标初始模型结 构确定， 所述 目标初始模型结构基于多条第一训练样本确定； 每个所述初始模型结构均具 有隐含层和连接权， 且不同初始模型结构具有的隐含层数和连接权均不同， 所述 目标预测 模型的泛化误差小于误差阈值， 每条所述第一训练样本和每条所述验证样本均包括： 时间 样本和天气信息样本 。 2.根据权利要求1所述的方法， 其特征在于， 在所述获取充电负荷预测信息之前， 所述 方法还包括： 获取样本集 合， 所述样本集 合包括多条第一训练样本和多条验证样本； 对所述多个初始模型结构分别进行初始化处理， 得到与 所述多个初始模型结构一一对 应的多个个体， 每个所述个体包括用于指示对应的初始模型结构的隐含层数 的结构码， 以 及用于指示对应的初始模型 结构的连接 权的连接 权码； 采用所述多条第 一训练样本训练所述多个个体中的每个个体， 以在所述多个个体 中选 择个体适应度最大的一个目标个 体； 基于所述目标个 体得到目标 备选预测模型； 采用所述多条验证样本验证所述目标 备选预测模型的泛化 误差； 若所述目标备选预测模型的泛化误差小于所述误差阈值， 则将所述目标备选预测模型 确定为目标 预测模型； 若所述目标备选预测模型的泛化误差不小于所述误差 阈值， 则重新选择样本集合进行 训练和验证， 直至训练得到的目标 备选预测模型的泛化 误差小于所述 误差阈值 为止。 3.根据权利要求2所述的方法， 其特征在于， 所述采用所述多条第 一训练样本训练所述 多个个体中的每 个个体， 以在所述多个 个体中选择个 体适应度最大的一个目标个 体， 包括： 基于所述多条第一训练样本确定每 个个体的适应度； 依次采用箱线图法和比例选择法， 基于各个所述个体的适应度， 对多个个体进行筛选， 得到多个备选个 体； 依次采用箱线图法和禁忌搜索算法， 对所述多个备选个 体进行筛 选， 得到目标个 体。 4.根据权利要求2或3所述的方法， 其特征在于， 所述样本集合还包括多条第二训练样 本； 每条所述第二训练样本包括： 时间样本和天气信息样 本； 所述基于所述目标个体得到目 标备选预测模型， 包括： 基于所述目标个 体， 得到具有备选隐含层数和备选连接 权的备选预测模型； 采用所述多条第 二训练样本训练所述备选预测模型， 以调整所述备选预测模型的备选 隐含层数和备选连接 权， 得到具有目标隐含层数和目标 连接权的目标 备选预测模型。 5.根据权利要求4所述的方法， 其特征在于， 在对所述多个初始模型结构分别进行初始 化处理之前， 所述方法还 包括： 基于所述多条第一训练样本确定连接 权最大值和连接 权最小值；权　利　要　求　书 1/3 页 2 CN 114186411 A 2所述对所述多个初始模型结构分别进行初始化处理， 得到与 所述多个初始模型结构一 一对应的多个 个体， 包括： 对于每个初始模型结构， 采用对应的结构码和连接权码对所述初始模型结构进行编 码， 其中， 不同初始模型结构对应的结构码和连接权码均不同， 且每个初始模型结构对应的 连接权码指示的连接 权均位于所述连接 权最大值和所述连接 权最小值之间； 所述基于所述目标个 体， 得到具有备选隐含层数和备选连接 权的备选预测模型， 包括： 对所述目标个 体进行解码， 得到具有备选隐含层数和备选连接 权的备选预测模型。 6.一种模型训练方法， 其特 征在于， 所述方法包括： 获取多条第 一训练样本和多条验证样本， 每条所述第 一训练样本和每条所述验证样本 均包括： 时间样本和天气信息样本； 基于所述多条第一训练样本从多个初始模型结构中选择适应度最大的目标初始模型 结构， 每个所述初始模型结构均具有隐含层和连接权， 且不同初始模型结构具有的隐含层 数和连接 权均不同； 基于所述目标初始模型 结构确定目标 备选预测模型； 基于所述多条验证样本对所述目标备选预测模型进行验证， 得到目标预测模型， 其中， 所述目标 预测模型的泛化 误差小于误差阈值。 7.一种电动车辆的充电负荷预测装置， 其特 征在于， 所述装置包括： 预测信息获取模块， 用于获取充电负荷预测信 息， 所述充电负荷预测信息包括： 时间和 天气信息； 输入模块， 用于将所述充电负荷预测信息 输入至目标 预测模型； 负荷确定模块， 用于根据所述目标预测模型的输出结果， 确定所述电动车辆的充电负 荷； 其中， 所述目标预测模型为基于多条验证样本对具有目标模型结构的目标备选预测模 型验证得到的， 所述目标模型结构 基于多个初始模型结构中适应度最大的目标初始模型结 构确定， 所述 目标初始模型结构基于多条第一训练样本确定； 每个所述初始模型结构均具 有隐含层和连接权， 且不同初始模型结构具有的隐含层数和连接权均不同， 所述 目标预测 模型的泛化误差小于误差阈值， 每条所述第一训练样本和每条所述验证样本均包括： 时间 样本和天气信息样本 。 8.一种模型训练装置， 其特 征在于， 所述装置包括： 样本获取模块， 用于获取多条第一训练样本和多条验证样本， 每条所述第一训练样本 和每条所述验证样本均包括： 时间样本和天气信息样本； 选择模块， 用于基于所述多条第 一训练样本从多个初始模型结构中选择适应度最大的 目标初始模型结构， 其中每个所述初始模型结构均具有隐含层和连接权， 且不同初始模型 结构具有的隐含层数和连接 权均不同； 模型确定模块， 用于基于所述目标初始模型 结构确定目标 备选预测模型； 验证模块， 用于基于所述多条验证样本对所述目标备选预测模型进行验证， 得到目标 预测模型， 其中， 所述目标 预测模型的泛化 误差小于误差阈值。 9.一种电动车辆的充电负荷预测装置， 其特征在于， 所述装置包括： 存储器， 处理器以 及存储在所述存储器上的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求权　利　要　求　书 2/3 页 3 CN 114186411 A 3