一种电动汽车共享充电需求分析方法及装置

1.一种电动汽车共享充电需求分析方法，其特征是，包括以下过程：获取充电过程特征信息；基于特征信息进行电动汽车识别分类；根据每类电动汽车的日充电需求直方图获取其相应的充电习惯模型；通过日充电需求核密度估计完善充电习惯模型；根据每类电动汽车的充电习惯模型预测电动汽车充电量，根据需求预测确定充电顺序；所述充电过程特征信息，包括：原始样本、Welch功率谱密度估计、Thomson功率谱密度估计、标准差、偏度、第六个非中心矩以及用离散小波变换从测量样本中提取的3个不同分辨率信号的标准差，表达式为：F init ＝[F 1 ,F 2 ,...,F 12 ] (1)其中，F 1 -F 12 表示12组特征向量；Rwdata为交流充电电流的原始样品，N代表样品数量；PSD W 和PSD T 分别为Welch功率谱密度估计和Thomson功率谱密度估计；σ rw 是测量样品的偏度；s为测量样品的标准偏差；t 6 是第六个非中心时刻； 和 分别是第i级标准差的小波分解近似系数和细节系数；F init 是特征信息，f 11 ,f 12 ,...,f 1N 代表交流充电电流的第1，2……N个样品数据；f 21 ,f 22 ,...,f 2N 表示第1，2……N个样品数据的Welch功率谱密度估计，f 31 ,f 32 ,...,f 3N 表示第1，2……N个样品数据的Thomson功率谱密度估计，f 4 表示测量样品的偏度构成的特征向量，f 5 表示测量样品的标准偏差构成的特征向量，f 6 表示第六个非中心时刻构成的特征向量，f 7 表示第1级标准差的小波分解近似系数构成的特征向量，f 8 表示第1级标准差的小波分解细节系数构成的特征向量，f 9 表示第2级标准差的小波分解近似系数构成的特征向量，f 10 表示第2级标准差的小波分解细节系数构成的特征向量，f 11 表示第3级标准差的小波分解近似系数构成的特征向量，f 12 表示第3级标准差的小波分解细节系数构成的特征向量。 2.根据权利要求1所述的一种电动汽车共享充电需求分析方法，其特征是，所述基于特征信息进行电动汽车识别分类，包括：基于特征信息采用两层前馈神经网络进行电动汽车识别分类。 3.根据权利要求1所述的一种电动汽车共享充电需求分析方法，其特征是，所述每类电动汽车的日充电需求直方图，包括：在充电电量上，设E m (1)、E m (2)，…E m (N)为第m个EV的日充电能量的N个测量样本，f(x)为对应的概率密度函数；为了建立直方图，充电能量数据的范围被划分为B 1 ，B 2 ，...，B L ；利用以下公式构建直方图：B＝{B 1 ,B 2 ,...,B L } (7)其中， 为m个充电EV日充电能量的估计概率密度函数；count l 为数据E m (i)落入B l 的个数，B l ∈B；B 1 -B L 为L个范围区间；Size of bin B l 表示B l 范围大小；E m (i)为第m个EV的日充电能量的第i个测量样本，是N个测量样本的中任一个，i取值范围为1-N。 4.根据权利要求1所述的一种电动汽车共享充电需求分析方法，其特征是，所述通过日充电需求核密度估计完善充电习惯模型，包括：核密度估计可以弥补直方图收敛速度慢和密度估计不连续的缺点，核密度估计可表示为：其中，K是一个平滑函数，称为核函数，h>0是控制平滑量的平滑带宽；E m (n)是日充电能量测量数据的第n个样本；N是测量数据的个数；此处核函数采用高斯核函数，x表示随机样本。 5.一种电动汽车共享充电需求分析装置，其特征是，包括特征获取模块、分类识别模块、充电习惯获取模块、充电习惯完善模块和充电共享实现模块，其中：特征获取模块，用于获取充电过程特征信息；分类识别模块，用于基于特征信息进行电动汽车识别分类；充电习惯获取模块，用于根据每类电动汽车的日充电需求直方图获取其相应的充电习惯模型；充电习惯完善模块，用于通过日充电需求核密度估计完善充电习惯模型；充电共享实现模块，用于根据每类电动汽车的充电习惯模型预测电动汽车充电量，根据需求预测确定充电顺序；所述充电过程特征信息，包括：原始样本、Welch功率谱密度估计、Thomson功率谱密度估计、标准差、偏度、第六个非中心矩以及用离散小波变换从测量样本中提取的3个不同分辨率信号的标准差，表达式为：F init ＝[F 1 ,F 2 ,...,F 12 ] (1)其中，F 1 -F 12 表示12组特征向量；Rwdata为交流充电电流的原始样品，N代表样品数量；PSD W 和PSD T 分别为Welch功率谱密度估计和Thomson功率谱密度估计；σ rw 是测量样品的偏度；s为测量样品的标准偏差；t 6 是第六个非中心时刻； 和 分别是第i级标准差的小波分解近似系数和细节系数；F init 是特征信息，f 11 ,f 12 ,...,f 1N 代表交流充电电流的第1，2……N个样品数据；f 21 ,f 22 ,...,f 2N 表示第1，2……N个样品数据的Welch功率谱密度估计，f 31 ,f 32 ,...,f 3N 表示第1，2……N个样品数据的Thomson功率谱密度估计，f 4 表示测量样品的偏度构成的特征向量，f 5 表示测量样品的标准偏差构成的特征向量，f 6 表示第六个非中心时刻构成的特征向量，f 7 表示第1级标准差的小波分解近似系数构成的特征向量，f 8 表示第1级标准差的小波分解细节系数构成的特征向量，f 9 表示第2级标准差的小波分解近似系数构成的特征向量，f 10 表示第2级标准差的小波分解细节系数构成的特征向量，f 11 表示第3级标准差的小波分解近似系数构成的特征向量，f 12 表示第3级标准差的小波分解细节系数构成的特征向量。 6.根据权利要求5所述的一种电动汽车共享充电需求分析装置，其特征是，分类识别模块中，所述基于特征信息进行电动汽车识别分类，包括：基于特征信息采用两层前馈神经网络进行电动汽车识别分类。 7.根据权利要求5所述的一种电动汽车共享充电需求分析装置，其特征是，所述每类电动汽车的日充电需求直方图，包括：在充电电量上，设E m (1)、E m (2)，…E m (N)为第m个EV的日充电能量的N个测量样本，f(x)为对应的概率密度函数；为了建立直方图，充电能量数据的范围被划分为B 1 ，B 2 ，...，B L ；利用以下公式构建直方图：B＝{B 1 ,B 2 ,...,B L } (7)其中， 为m个充电EV日充电能量的估计概率密度函数；count l 为数据E m (i)落入B l 的个数，B l ∈B；B 1 -B L 为L个范围区间；Size of bin B l 表示B l 范围大小；E m (i)为第m个EV的日充电能量的第i个测量样本，是N个测量样本的中任一个，i取值范围为1-N。 8.根据权利要求5所述的一种电动汽车共享充电需求分析装置，其特征是，充电习惯完善模块中，所述通过日充电需求核密度估计完善充电习惯模型，包括：核密度估计可以弥补直方图收敛速度慢和密度估计不连续的缺点，核密度估计可表示为：其中，K是一个平滑函数，称为核函数，h>0是控制平滑量的平滑带宽；E m (n)是日充电能量测量数据的第n个样本；N是测量数据的个数；此处核函数采用高斯核函数，x表示随机样本。