CN110570042A - 一种短期电动汽车充电负荷预测方法及系统 - Google Patents
一种短期电动汽车充电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN110570042A CN110570042A CN201910869302.5A CN201910869302A CN110570042A CN 110570042 A CN110570042 A CN 110570042A CN 201910869302 A CN201910869302 A CN 201910869302A CN 110570042 A CN110570042 A CN 110570042A
- Authority
- CN
- China
- Prior art keywords
- sample
- day
- attribute
- prediction
- charging load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 4
- 210000002569 neuron Anatomy 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种短期电动汽车充电负荷预测方法及系统。本发明建立日负荷预测模型时，利用近邻传播方法对样本库中的样本进行数据挖掘，可有效提高预测模型的预测效率。同时，本发明充分利用卷积神经网络的特征提取优势，利用RGB颜色映射方法将样本中的充电负荷数值转换成图像数据，同时还考虑了季节、气象、温度、节假日和交通量对充电负荷的影响，能够极大地提高预测模型的预测精度。在此基础上，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，然后基于最优初始权值和最优初始阈值对卷积神经网络进行训练，能够有效减少由于网络中神经元的初始化随机给定导致的网络训练时间长的问题，进一步提高了预测模型的预测速度。
Description
技术领域
本发明涉及智能电网技术领域，特别是涉及一种短期电动汽车充电负荷预测方法及系统。
背景技术
由于经济的飞速发展以及工业化进程的大力推进，全球都面临着严重的环境问题，其中传统的燃油汽车在使用过程中会排放出大量带有有害气体的汽车尾气，加剧了对大气环境的污染以及不可再生能源的消耗，所以在全球变暖、能源短缺、环保要求、经济和科技快速发展的背景之下，电动汽车这种低碳、环保的交通工具得到了广泛的推广，各国也在加快对电动汽车能量补给基础设施的建设。由于电动汽车的大量推广，未来电动汽车的保有量会不断增加，所以大规模的电动汽车会接入电网，其充放电行为势必会对电网产生不容忽视的影响。为了减小大规模电动汽车充电对大电网带来的影响，需要对电动汽车充电负荷进行预测，以便于电力调度，以及与电网的友好互动。
电动汽车充电短期负荷预测是对未来的日负荷进行预测，电动汽车充电负荷具有如下特点：首先，电动汽车充电行为具有不确定性，这就给充电负荷预测带来了困难；其次，影响电动汽车充电负荷的因素很多，若不加考虑必会影响到预测的准确性。因此，如何提高电动汽车充电负荷预测的准确性，成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种短期电动汽车充电负荷预测方法及系统，能够快速精确地预测电动汽车充电日负荷。
为实现上述目的，本发明提供了如下方案：
一种短期电动汽车充电负荷预测方法，所述预测方法包括：
获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：
获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；
利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；
利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；
利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；
根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；
利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
可选的，所述利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：
根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
可选的，所述利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：
对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
可选的，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。
一种短期电动汽车充电负荷预测系统，所述预测系统包括：
输入获取模块，用于获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
预测模块，用于将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立子系统包括：
样本库获取模块，用于获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；
聚类模块，用于利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；
颜色映射模块，用于利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；
目标优化模块，用于利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；
神经网络确定模块，用于根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；
训练模块，用于利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
可选的，所述日负荷预测模型的建立子系统还包括：
属性分类模块，用于根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
可选的，所述日负荷预测模型的建立子系统还包括：
归一化模块，用于对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
可选的，所述目标优化模块利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的短期电动汽车充电负荷预测方法及系统，建立用于预测充电负荷的日负荷预测模型时，利用近邻传播方法对样本库中的样本进行数据挖掘，能够有效提高日负荷预测模型的预测效率。同时，本发明充分利用卷积神经网络的特征提取优势，利用RGB颜色映射方法将样本中的充电负荷数值转换成图像数据，同时还考虑了季节、气象、温度、节假日和交通量对充电负荷的影响，能够极大地提高预测模型的预测精度。在此基础上，本发明利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，然后基于最优初始权值和最优初始阈值对卷积神经网络进行训练，能够有效减少由于网络中神经元的初始化随机给定导致的网络训练时间长的问题，进一步提高了预测模型的预测速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种短期电动汽车充电负荷预测方法的流程图；
图2为本发明实施例提供的一种日负荷预测模型的建立方法的流程图；
图3为本发明实施例提供的一种短期电动汽车充电负荷预测系统的结构框图；
图4为本发明实施例提供的一种日负荷预测模型的建立子系统的结构框图；
图5为本发明实施例提供的预测方法的实施流程图；
图6为本发明实施例提供的基于标签属性和AP算法的聚类流程图；
图7为本发明实施例提供的基于RGB颜色映射原理的数据预处理示意图；
图8为本发明实施例提供的基于改进的NSGA-Ⅱ多目标算法优化CNN的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种短期电动汽车充电负荷预测方法及系统，能够快速精确地预测电动汽车充电日负荷。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种短期电动汽车充电负荷预测方法的流程图。如图1所示，所述预测方法包括：
步骤101：获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者。
步骤102：将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值。
图2为本发明实施例提供的一种日负荷预测模型的建立方法的流程图。如图2所示，所述日负荷预测模型的建立方法包括：
步骤201：获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性。
步骤202：利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库。
步骤203：利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库。
步骤204：利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值。本实施例中，以充电负荷预测值的均方误差最小和标准差最小为优化目标，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化。
步骤205：根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型。
步骤206：利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
作为一种优选方式，执行所述步骤202：利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：
根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
进一步地，执行所述步骤203：利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：
对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
图3为本发明实施例提供的一种短期电动汽车充电负荷预测系统的结构框图。如图3所示，所述预测系统包括：
输入获取模块301，用于获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
预测模块302，用于将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值。
图4为本发明实施例提供的一种日负荷预测模型的建立子系统的结构框图。如图4所示，所述日负荷预测模型的建立子系统包括：
样本库获取模块401，用于获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性。
聚类模块402，用于利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库。
颜色映射模块403，用于利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库。
目标优化模块404，用于利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值。本实施例中，所述目标优化模块404以充电负荷预测值的均方误差最小和标准差最小为优化目标，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化。
神经网络确定模块405，用于根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型。
训练模块406，用于利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
作为一种优选方式，所述日负荷预测模型的建立子系统还包括：
属性分类模块，用于根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
进一步地，所述日负荷预测模型的建立子系统还包括：
归一化模块，用于对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
图5为本发明实施例提供的预测方法的实施流程图。如图5所示，本发明提供的一种短期电动汽车充电负荷预测方法的具体实施流程如下：
(1)数据的采集
包括电动汽车充电日负荷数据和对应的季节属性、温度属性、气象属性、节假日属性和交通量属性等信息，收集到基于时间序列的原始样本，组成样本库:Y＝{Y1,Y2,Y3,…Yn},其中，集合Y表示总的数据集，Yn＝{y1,y2,y3,…yi}为第n日采集的数据，一天1440min，每5min作为一个数据采样点，所以i＝1,2,3…288。
(2)数据聚类分析
图6为本发明实施例提供的基于标签属性和AP算法的聚类流程图。如图6所示，首先根据收集的季节属性、温度属性、气象属性、节假日属性和交通量属性进行初步分类，然后再利用近邻传播(AffinityPropagation，AP)方法将原始的样本库分成若干个小样本集。具体步骤如下：
(2.1)将原始数据进行处理：采用对电动汽车充电负荷数据赋予标签属性的方式，依次按季节、温度、交通量、节假日和气象信息对原始样本库进行初步分类：
Label＝{Se,We,Te,Ho,Tr} (1)
其中，Label代表的是标签属性的集合；Se表示季节属性，包括春、夏、秋、冬四个季节，分别用数字1,2,3,4表示；We表示天气属性，包括雨天，多云，晴天，分别用数字-1,0,1表示；Te表示温度属性，包括寒冷、常温和高温三个等级，分别用数字-1,0,1表示，其中寒冷的温度范围是(-∞,5]，常温的范围是(5,23]，高温的范围是(23,+∞)，单位为℃；Ho表示节假日属性，工作日和法定节假日，分别用数字1,0表示；Tr表示交通量属性，为充电地点的日平均流量。
然后对样本点向量X＝{X1,X2,X3,…XN}进行预处理，包括数据的剔除与修补和数据标准化。
本实施例中，异常数据和缺失数据的修补，采用平均值法替代这些数据：
yi,mean、yi-1和yi+1分别是第i日、第i-1日和第i+1日同一采样点的电动汽车充电负荷，其中，yi,mean为修补后的数据。
采用峰值标准化法进行数据标准化：
其中,Y为标准化前电动汽车的充电负荷向量，Y′为标准化后电动汽车的充电负荷向量，Ymax为电动汽车充电负荷曲线的最大值；
(2.2)初始化最大迭代次数NumIter，当前迭代次数Numcur，稳定次数NumStable，相似度矩阵S，责任度矩阵R，可信度矩阵A，参考度p。一般的，p取相似度矩阵中相似度均值。
其中，s(i,k)表示点xk作为点xi的聚类中心的相似度，N表示样本库中样本对的数量。
(2.3)更新责任度r(i,k)：
其中，r(i,k)表示点xk作为点xi的聚类中心的适应度，a′(i,k)表示点xi选择点xk作为聚类中心的适应度，p(k)表示点xk作为聚类中心的参考度。
(2.4)更新可信度a(i,k)：
(2.5)引入阻尼因子d，更新责任度矩阵R，可信度矩阵A：
R(NumIter)＝(1-d)×R(NumIter-1)+d×R(NumIter-1) (8)
A(NumIter)＝(1-d)×A(NumIter-1)+d×A(NumIter-1) (9)
其中，R(NumIter)为更新后的责任度矩阵，A(NumIter)为更新后的可信度矩阵。阻尼因子d的值根据经验设定，取值范围为[0,1]，本实施例将其取值为0.7，它的作用是使AP算法能快速收敛；
(2.6)确定聚类中心和聚类结果集合：
根据下式确定聚类中心Cs：
Cs＝{r(k,k)+a(k,k)＞0} (10)
根据下式确定聚类结果集合Cr：
Cr＝{max{r(i,k)+a(i,k)}} (11)
(2.7)判断是否达到稳定次数：
其中，δd(NumIter)记录达到稳定的次数，利用上式判断δd(NumIter)是否等于稳定次数NumStable，若等于则输出聚类结果，否则执行步骤(2.8)；
步骤2.8：判断是否达到最大迭代次数NumIter：若当前迭代次数Numcur大于或者等于最大迭代次数NumIter，则输出聚类结果，否则返回步骤(2.3。)
(3)数据预处理
图7为本发明实施例提供的基于RGB颜色映射原理的数据预处理示意图。首先利用下式所示的min-max标准化对样本中的充电负荷数据进行归一化处理，然后利用RGB颜色映射方法，将步骤(2)中聚类得到的若干小样本集中的样本映射为图像样本，获得图像样本库，其示意图如图7所示，其中，dn表示的是某天，yn,i表示的是第n天的第i个采样点，而后将图像样本库分成训练集和测试集。
其中，yi *为归一化后的充电负荷值，yi为原始样本中的充电负荷值，ymin为样本数据中充电负荷的最小值，ymax为样本数据中充电负荷的最大值。
(4)卷积神经网络的搭建
通过实验确定网络的超参数，包括网络层数、神经元个数、卷积核个数、卷积核大小、训练次数、激活函数和学习率等。
本实施例中，首先确定网络的超参数，其中，包括一个输入层，一个全连接层，一个输出层，两个特征提取层分别包括卷积层和池化层，其中卷积核大小为3×3，不同层内的卷积核权重和阈值大小不同，步长设置为1，激活函数选择为Relu函数，训练次数为200，学习率设置为0.0001，采用随机梯度下降法训练网络，在全连接层引入dropout结构，提高网络的泛华能力。
(5)卷积神经网络优化
图8为本发明实施例提供的基于改进的NSGA-Ⅱ多目标算法优化CNN的流程图。如图8所示，采用改进的非劣排序遗传算法-Ⅱ(non-dominated sorting geneticalgorithm-Ⅱ，NSGA-Ⅱ)多目标算法对网络的初始参数权值和阈值进行优化的具体步骤如下：
(5.1)初始化NSGA-Ⅱ算法的参数。令进化代数n＝0，种群个数M，最大迭代次数NIter。
(5.2)建立多目标函数优化模型，即计算个体的适应度的公式：
其中，表示染色体，内部元素xi为基因，xi对应权值或阈值，Ng为染色体基因个数；Nf为样本点的个数；yi′为充电负荷预测值，yi为充电负荷真实值，为充电负荷预测值的均值，f1(X)和f2(X)分别为两个目标函数，f1(X)表示的是均方误差(Mean Square Error,MSE),f2(X)表示的是标准差(Standard Deviation,SD)。
(5.3)对卷积神经网络的权值和阈值进行基因编码，编码方式为浮点数编码方式，随机初始化染色体个数为M的种群P0，并对其进行快速非支配排序操作，计算出当前种群中所有染色体的支配等级；
(5.4)对排序后的种群执行选择、交叉、变异操作，获得子代种群Fn。
进化采用二进制锦标赛法执行选择操作，采用多项式变异方法执行变异操作，引入基于正态分布的交叉(Normal Distribution Crossover,NDX)算子执行交叉操作：
其中，p1和p2为父代染色体，f1和f2为子代染色体，i表示染色体的第i个基因，α∈(0,1]是一个随机数。
(5.5)计算目标函数值：合并父代种群Pn和子代种群Fn，形成种群In，并根据公式(12)计算In中所有个体的适应度值，而后对In进行快速非支配排序操作；
(5.6)采用下式计算In中个体的拥挤系数，然后按照等级由高到低的顺序选出拥挤系数最大的M个个体，组成新的种群Pn+1，进化代数增加1；
其中，li为拥挤度，fj,i表示第i个染色体的第j个目标的函数值，m为目标函数个数，fj,max和fj,min分别为第j个目标函数的最大值和最小值；
(5.7)判断是否达到最大迭代次数NIter，若当前进化代数n等于NIter，则满足终止条件，结束循环，否则返回步骤(5.4)；
(5.8)输出Pareto最优解集。
(6)网络训练和测试
将步骤(5)得到的最优初始权值和最优初始阈值代入到已搭建好的卷积神经网络中，输入训练集进行训练。训练完成之后，采用测试集进行测试，获得最终的日负荷预测模型。
(7)充电日负荷预测
将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值。
本发明考虑到未来电动汽车的保有量会进一步增加，相应的电动汽车充电负荷数据量也会增加，所以首先利用AP聚类算法和属性标记方法对原始样本进行数据挖掘，将其分成若干个小样本；然后利用RGB颜色映射原理将电动汽车充电负荷数值转换成图像数据作为神经网络的输入；其次，对卷积神经网络的权值和阈值进行优化；最后，将优化后的权值和阈值输入到神经网络，进行网络训练并获得最终的日负荷预测模型。与现有技术相比，本发明具有的有益效果如下：
1、预测速度快：本发明首先对原始数据基于标签属性进行标记分类，然后使用数据挖掘算法AP算法，对原始电动汽车充电负荷数据进行聚类分析，将其分成若干个小样本集后再进行网络训练，使得预测模型的预测速度得到有效提升。
2、预测精度高：本发明从以下两方面提高预测精度：首先，充分利用卷积神经网络的特征提取优势，将利用RGB颜色映射原理将电动汽车充电负荷数值转换的图像数据和温度、交通量和气象等信息作为卷积神经网络的输入；其次，采用改进的NSGA-Ⅱ多目标优化算法，以表征预测精度的充电负荷预测值均方误差为优化目标进行优化，能够有效提高模型的预测精度。
3、预测稳定性好：本发明采用具有特征提取功能的卷积神经网络作为预测工具，考虑其网络权重和阈值的随机初始化导致训练时间增加，采用改进的NSGA-Ⅱ多目标算法对其进行优化，以表征预测稳定性的标准差为目标函数，可使网络的预测稳定性得到有效提升。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种短期电动汽车充电负荷预测方法，其特征在于，所述预测方法包括：
获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：
获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；
利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；
利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；
利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；
根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；
利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
2.根据权利要求1所述的预测方法，其特征在于，所述利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：
根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
3.根据权利要求1所述的预测方法，其特征在于，所述利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：
对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
4.根据权利要求1所述的预测方法，其特征在于，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。
5.一种短期电动汽车充电负荷预测系统，其特征在于，所述预测系统包括：
输入获取模块，用于获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
预测模块，用于将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立子系统包括：
样本库获取模块，用于获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；
聚类模块，用于利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；
颜色映射模块，用于利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；
目标优化模块，用于利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；
神经网络确定模块，用于根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；
训练模块，用于利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。
6.根据权利要求5所述的预测系统，其特征在于，所述日负荷预测模型的建立子系统还包括：
属性分类模块，用于根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。
7.根据权利要求5所述的预测系统，其特征在于，所述日负荷预测模型的建立子系统还包括：
归一化模块，用于对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。
8.根据权利要求5所述的预测系统，其特征在于，所述目标优化模块利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910869302.5A CN110570042B (zh) | 2019-09-16 | 2019-09-16 | 一种短期电动汽车充电负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910869302.5A CN110570042B (zh) | 2019-09-16 | 2019-09-16 | 一种短期电动汽车充电负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110570042A true CN110570042A (zh) | 2019-12-13 |
| CN110570042B CN110570042B (zh) | 2022-10-25 |
Family
ID=68779987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910869302.5A Active CN110570042B (zh) | 2019-09-16 | 2019-09-16 | 一种短期电动汽车充电负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570042B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
| CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
| CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| CN107730041A (zh) * | 2017-10-12 | 2018-02-23 | 东华大学 | 基于改进的遗传小波神经网络的短期电力负荷预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
| CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
-
2019
- 2019-09-16 CN CN201910869302.5A patent/CN110570042B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| WO2018161722A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
| CN107730041A (zh) * | 2017-10-12 | 2018-02-23 | 东华大学 | 基于改进的遗传小波神经网络的短期电力负荷预测方法 |
| CN108446808A (zh) * | 2018-04-08 | 2018-08-24 | 广东电网有限责任公司 | 一种萤火虫算法优化神经网络的短期负荷预测方法 |
| CN108876054A (zh) * | 2018-07-06 | 2018-11-23 | 国网河南省电力公司郑州供电公司 | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吕晨阳: "基于AP算法的社区检测算法及其并行化研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 回立川等: "应用近邻传播算法改进RBF的短期负荷预测", 《电力系统及其自动化学报》 * |
| 牛东晓等: "基于KPCA和NSGAⅡ优化CNN参数的电动汽车充电站短期负荷预测", 《电力建设》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
| CN112529685A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于bas-fnn的贷款用户信用评级方法及系统 |
| CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
| CN113298298B (zh) * | 2021-05-10 | 2023-12-29 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110570042B (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
| CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
| CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
| CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
| CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
| CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
| CN117081063A (zh) | 一种基于GCN-Crossformer模型的分布式充电负荷预测方法及系统 | |
| CN116804706A (zh) | 一种电动汽车锂电池温度预测方法及装置 | |
| CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111027760A (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN118428754A (zh) | 一种新能源发电输入功率预测方法及系统 | |
| CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |