CN110889527A - 一种基于lstm神经网络的电动汽车充电负荷预测方法 - Google Patents

一种基于lstm神经网络的电动汽车充电负荷预测方法 Download PDF

Info

Publication number
CN110889527A
CN110889527A CN201811044516.0A CN201811044516A CN110889527A CN 110889527 A CN110889527 A CN 110889527A CN 201811044516 A CN201811044516 A CN 201811044516A CN 110889527 A CN110889527 A CN 110889527A
Authority
CN
China
Prior art keywords
electric vehicle
charging load
neural network
lstm neural
equation
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
Application number
CN201811044516.0A
Other languages
English (en)
Other versions
CN110889527B (zh
Inventor
王琨
高敬更
陈欣
王磊
魏立兵
杨柳
马亚珍
张楠
李鹏
张勇红
董智颖
侯琦
乔立凤
杨春光
杨熹
刘双艳
李浒
张长青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Electric Power Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811044516.0A priority Critical patent/CN110889527B/zh
Publication of CN110889527A publication Critical patent/CN110889527A/zh
Application granted granted Critical
Publication of CN110889527B publication Critical patent/CN110889527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明属于电力预测、调度与控制技术领域，具体涉及一种基于LSTM神经网络的电动汽车充电负荷预测方法。通过①对电动汽车充电负荷历史数据预处理；②对电动汽车充电负荷模型参数进行设置；③对模型预测的准确度评价实现了对电动汽车充电负荷的预测更具有精确性和有效性。

Description

一种基于LSTM神经网络的电动汽车充电负荷预测方法
技术领域
本发明属于电力预测、调度与控制技术领域，具体涉及一种基于LSTM神经网络的电动汽车充电负荷预测方法。
背景技术
电动汽车(electric vehicle，EV)作为解决环境污染问题与缓解能源危机的手段之一，近年来已受到全社会越来越多的关注。由于电动汽车充电和道路因素、天气因素等密切相关，因此会带来比较大的不确定性，而随着电动汽车的不断普及这种不确定性会越来越影响电网的运行安全。因此，准确预测电动汽车充电负荷的波动变化是充电设施的选址定容、研究并网系统随机特性影响的基础。
目前，电动汽车充电方式主要包括交流慢充、直流快充、和换电池充电3种。3中充电方式在充电起始时间、充电效率、充电频率、充电规模等方面都有着各自不同的特点，从而导致了电动汽车充电负荷的差异性。为了研究电动汽车充电负荷对电网的影响，一般会研究其负荷特性和短期负荷预测方法，已有文献报道根据不同的车型和不同的充电方式，采用蒙特卡洛法对每辆电动汽车的起始充电时间和日行驶里程进行采样，将采样后的样本值进行累加最终得到电动汽车充电负荷的模拟值。有文献依据电动公交车的行驶机制和充电功率规律建立了以电动公交车为主的电动汽车充电站容量需求的数学模型。还有文献采用历史数据同时参考温度、湿度、天气情况等因素对充电负荷的影响，对应历史数据进行电动汽车充电站短期负荷预测。
LSTM(Long Short-term memory)神经网络是RNN(recurrent neural network)神经网络的一种特殊形态，最早是由Hocheriter等人提出，随后由Alex Graves进行了改进形成了现在的模型。目前，短期负荷预测模型主要分为两类：一类是基于历史数据的传统建模方法，例如时间序列模型、线性回归模型等；另一类是基于人工智能(artificialintelligence，AI)的预测方法，例如人工神经网络(artificial neural network，ANN)、支持向量机(support vector machine，SVM)。ANN、SVM等人工智能算法通过大量历史数据建立输出变量与输入变量之间的非线性相关性，将动态时间建模问题转变成为静态空间建模问题。但是这类人工神经网络预测方法具有一定局限性，由于电动汽车充电负荷作为一种比较特殊的时间序列不但具有非线性特性，而且当前时刻的负荷情况不仅和当前状况有关，还与前一刻的负荷情况有关。因此利用现有的方法往往难以准确地描述其复杂的非线性特征并进行预测。
发明内容
针对上述问题和现有技术的不足，本发明提供了一种基于LSTM神经网络的电动汽车充电负荷预测方法，该方法包括以下步骤：①对电动汽车充电负荷历史数据预处理；②对电动汽车充电负荷模型参数进行设置；③对模型预测的准确度评价。
进一步地，上述对电动汽车充电负荷历史数据预处理的具体方法是：
(1)首先按照式(1)和式(2)计算历史数据的均值和方差：
Figure BDA0001792947590000021
Figure BDA0001792947590000022
(2)基于3σ原理，采用式(3)进行数据判断，其中ε为阈值，取1～1.5：
Figure BDA0001792947590000023
(3)若数据满足式(3)，则Xn,i为异常数据，采用式(4)进行权重修正：
Figure BDA0001792947590000024
式中α1+β1+γ1＝1，
Figure BDA0001792947590000025
为第n天第i点修正数据，Xn+1,i为Xn,i附近2个横向负荷点，
Figure BDA0001792947590000026
为距离Xn,i最近的2个相似日负荷点；
(4)经过修正后，电动汽车充电负荷数据集可表示为式(5)，采用式(6)对其进行归一化处理：
Figure BDA0001792947590000027
Figure BDA0001792947590000028
式中
Figure BDA0001792947590000029
minxjk为变量xj的最小值，maxxjk-minxjk为变量的极值。
进一步地，上述参数包括输入层时间步数、输入层维数、隐藏层数目、每个隐藏层维数和输出变量维数。
进一步地，上述步骤③中所述的模型预测的准确度评价方法为采用式(7)均方根误差(RMSE)、式(8)平均相对误差(MAPE)来评价预测模型的精确性：
Figure BDA0001792947590000031
Figure BDA0001792947590000032
式中
Figure BDA0001792947590000033
P(i)分别为电动汽车充电负荷的实际值和预测值，n为预测验证数据个数，i为预测点序列编号。
进一步地，上述的输入层时间步数为10。
进一步地，上述输入层维数为预测变量个数，单一变量时该参数值为1。
进一步地，上述隐藏层数目为2。
进一步地，上述每个隐藏层维数为9。
本发明的有益效果在于：
①通过对电动汽车充电负荷的时间序列采用降维分析衡量不同变量之间的相关性，能够为电动汽车充电负荷预测模型进行有效筛选，从而降低数据规模和电动汽车充电负荷的预测复杂度。
②采用基于LSTM神经网络的建模方法，能够精确地对以电动汽车充电负荷为代表的时间序列进行动态时序建模，从而能够以较高精度实现对电动汽车充电负荷的预测分析，相比较于传统神经网络方法，采用基于LSTM神经网络的建模方法具有更高的精度。
具体实施方式
下面将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的一部分，而不是发明的全部。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。
实施例1 3种电动汽车充电负荷预测方法的预测效果比较
本发明采用北方某城市中5个相邻公交车充电站6月至12月的充电负荷数据作为历史数据与本发明所提LSTM神经网络方法、对应的ANN和SVM两种传统的人工智能算法所生成的预测值进行比较。ANN采用前馈单隐藏层结构神经网络，并采用BP算法进行训练。SVM采用径向基函数作为核函数，将多维变量的回归问题映射至高维空间进行处理。本算例中所使用的LSTM神经网络、ANN和SVM人工智能算法在MATLAB 2017b版本上编程实现，在4核心2.2GHz CPU、4GB RAM的计算机上运行程序。
相较于电动私家车、电动公交车充电负荷更具有规律性，为了充分利用这种规律特性，本发明采用迭代预测方法，例如要预测7月1日的全天24h电动汽车充电负荷值，则以6月15日～19日的负荷数据作为输入，以6月20日的负荷数据作为标签输出进行第一次训练，此后以6月16日～6月20日的负荷数据作为输入，以6月21日的负荷数据作为标签输出进行第二次训练，以此进行迭代直到7月1日。
表1所示为三种预测模型对7月1日全天24h进行预测所得到的误差指标。由表1可知，在全天24个时间点得到的预测值的误差中，LSTM神经网络模型预测方法的预测误差的两项指标比ANN和SVM两种传统人工智能方法得到的预测误差都小，其中LSTM模型的预测RMSE指标比ANN和SVM分别平均降低了42％和53％，随着预测步长的增加预测误差虽波动变化，但是LSTM神经网络模型的误差依然要比其他两种方法的预测误差要小，由此证明本发明所提方法在使用中效果要远好于传统方法。
表1 3种预测方法的预测误差比较
Figure BDA0001792947590000041
为了验证LSTM神经网络能够较好地反映具有相关性的输入量之间的非线性相关性，本发明采用上述提到的5个相邻充电站中的2个，并同时将这2个充电站的历史数据作为输入量，输出量的维数设置为2。表2所示为三种预测模型对2个充电站6个月的充电负荷进行预测所得到的预测误差指标。
表2 3种预测方法的预测误差比较
Figure BDA0001792947590000042
Figure BDA0001792947590000051
由表2可知，在6个月中得到的预测值的误差中，LSTM神经网络模型预测方法的预测误差的两项指标比ANN和SVM两种传统人工智能方法得到的预测误差都小，正是因为LSTM神经网络规避了RNN所面临的梯度消亡问题，从而很好的反映了相邻的电动汽车充电负荷之间的非线性相关特性。结果也证明了本发明所提出的方法在电动汽车充电负荷的预测上具有精确性和有效性。

Claims (8)

1.一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，该方法包括以下步骤：①对电动汽车充电负荷历史数据预处理；②对电动汽车充电负荷模型参数进行设置；③对模型预测的准确度评价。
2.如权利要求1所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，步骤①中所述的对电动汽车充电负荷历史数据预处理的具体方法是：
(1)首先按照式(1)和式(2)计算历史数据的均值和方差：
Figure FDA0001792947580000011
Figure FDA0001792947580000012
(2)基于3σ原理，采用式(3)进行数据判断，其中ε为阈值，取1～1.5：
Figure FDA0001792947580000013
(3)若数据满足式(3)，则Xn,i为异常数据，采用式(4)进行权重修正：
Figure FDA0001792947580000014
式中α1+β1+γ1＝1，
Figure FDA0001792947580000015
为第n天第i点修正数据，Xn+1,i为Xn,i附近2个横向负荷点，
Figure FDA0001792947580000016
为距离Xn,i最近的2个相似日负荷点；
(4)经过修正后，电动汽车充电负荷数据集可表示为式(5)，采用式(6)对其进行归一化处理：
Figure FDA0001792947580000017
Figure FDA0001792947580000018
式中
Figure FDA0001792947580000019
j＝1,2,…,n；k＝1,2,…,i；minxjk为变量xj的最小值，maxxjk-minxjk为变量的极值。
3.如权利要求1所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，步骤②中所述的参数包括输入层时间步数、输入层维数、隐藏层数目、每个隐藏层维数和输出变量维数。
4.如权利要求1所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，步骤③中所述的模型预测的准确度评价方法为采用式(7)均方根误差(RMSE)、式(8)平均相对误差(MAPE)来评价预测模型的精确性：
Figure FDA0001792947580000021
Figure FDA0001792947580000022
式中
Figure FDA0001792947580000023
P(i)分别为电动汽车充电负荷的实际值和预测值，n为预测验证数据个数，i为预测点序列编号。
5.如权利要求3所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，所述的输入层时间步数为10。
6.如权利要求3所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，所述的输入层维数为预测变量个数，单一变量时该参数值为1。
7.如权利要求3所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，所述的隐藏层数目为2。
8.如权利要求3所述的一种基于LSTM神经网络的电动汽车充电负荷预测方法，其特征在于，所述的每个隐藏层维数为9。
CN201811044516.0A 2018-09-07 2018-09-07 一种基于lstm神经网络的电动汽车充电负荷预测方法 Active CN110889527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811044516.0A CN110889527B (zh) 2018-09-07 2018-09-07 一种基于lstm神经网络的电动汽车充电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811044516.0A CN110889527B (zh) 2018-09-07 2018-09-07 一种基于lstm神经网络的电动汽车充电负荷预测方法

Publications (2)

Publication Number Publication Date
CN110889527A true CN110889527A (zh) 2020-03-17
CN110889527B CN110889527B (zh) 2023-04-07

Family

ID=69744646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811044516.0A Active CN110889527B (zh) 2018-09-07 2018-09-07 一种基于lstm神经网络的电动汽车充电负荷预测方法

Country Status (1)

Country Link
CN (1) CN110889527B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
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
CN111898822A (zh) * 2020-07-30 2020-11-06 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和系统
CN112215434A (zh) * 2020-10-22 2021-01-12 深圳市加码能源科技有限公司 一种lstm模型的生成方法、充电时长预测方法及介质
CN112330028A (zh) * 2020-11-08 2021-02-05 国网天津市电力公司 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
CN112418564A (zh) * 2020-12-18 2021-02-26 深圳天顺智慧能源科技有限公司 基于lstm的充换电站换电负荷预测方法及其相关组件
CN112508301A (zh) * 2020-12-21 2021-03-16 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置
CN116152757A (zh) * 2023-04-18 2023-05-23 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400203A (zh) * 2013-07-19 2013-11-20 西安交通大学 一种基于支持向量机的电动汽车充电站负荷预测方法
CN103886181A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于k-medoids聚类的风电场机组聚合方法
US20170357716A1 (en) * 2016-06-11 2017-12-14 Apple Inc. Data driven natural language event detection and classification
CN107895960A (zh) * 2017-11-01 2018-04-10 北京交通大学长三角研究院 基于强化学习的城轨交通地面式超级电容储能系统能量管理方法
CN108280458A (zh) * 2017-01-05 2018-07-13 腾讯科技（深圳）有限公司 群体关系类型识别方法及装置
JP6362240B1 (ja) * 2017-04-06 2018-07-25 株式会社イサナ 物流システム及び物流方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400203A (zh) * 2013-07-19 2013-11-20 西安交通大学 一种基于支持向量机的电动汽车充电站负荷预测方法
CN103886181A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于k-medoids聚类的风电场机组聚合方法
US20170357716A1 (en) * 2016-06-11 2017-12-14 Apple Inc. Data driven natural language event detection and classification
CN108280458A (zh) * 2017-01-05 2018-07-13 腾讯科技（深圳）有限公司 群体关系类型识别方法及装置
JP6362240B1 (ja) * 2017-04-06 2018-07-25 株式会社イサナ 物流システム及び物流方法
CN107895960A (zh) * 2017-11-01 2018-04-10 北京交通大学长三角研究院 基于强化学习的城轨交通地面式超级电容储能系统能量管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EPHREM CHEMALI: "Long Short-Term Memory Networks for Accurate State-of-Charge Estimation of Li-ion Batteries" *
刘杨: "考虑气象因素的改进ARIMA电动汽车充电负荷预测" *
王琨: "基于LSTM神经网络的复合变量电动汽车充电负荷预测方法技术研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
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
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和系统
CN111898822A (zh) * 2020-07-30 2020-11-06 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN111898822B (zh) * 2020-07-30 2022-06-03 东北电力大学 基于多相关日场景生成的充电负荷区间预测方法
CN112215434A (zh) * 2020-10-22 2021-01-12 深圳市加码能源科技有限公司 一种lstm模型的生成方法、充电时长预测方法及介质
CN112330028A (zh) * 2020-11-08 2021-02-05 国网天津市电力公司 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置
CN112418564A (zh) * 2020-12-18 2021-02-26 深圳天顺智慧能源科技有限公司 基于lstm的充换电站换电负荷预测方法及其相关组件
CN112508301A (zh) * 2020-12-21 2021-03-16 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质
CN112508301B (zh) * 2020-12-21 2024-05-17 北京梧桐车联科技有限责任公司 电动车辆的充电负荷预测方法、装置及存储介质
CN116152757A (zh) * 2023-04-18 2023-05-23 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置
CN116152757B (zh) * 2023-04-18 2023-07-07 深圳亿维锐创科技股份有限公司 一种基于多点位的称重数据分析方法及相关装置

Also Published As

Publication number Publication date
CN110889527B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110889527B (zh) 一种基于lstm神经网络的电动汽车充电负荷预测方法
CN110570014B (zh) 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法
CN111301426B (zh) 基于gru网络模型预测未来行驶过程能耗的方法
CN109508826B (zh) 基于梯度提升决策树的电动汽车集群可调度容量预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
Hong et al. Thermal fault prognosis of lithium-ion batteries in real-world electric vehicles using self-attention mechanism networks
CN113537582B (zh) 一种基于短波辐射修正的光伏功率超短期预测方法
Sun et al. Charging load forecasting of electric vehicle charging station based on support vector regression
CN110263984A (zh) 基于相空间重构和深度神经网络的超短期净负荷预测方法
CN114676941B (zh) 园区综合能源系统电-热负荷联合自适应预测方法及装置
Wu et al. Hydrogen energy storage system for demand forecast error mitigation and voltage stabilization in a fast-charging station
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN114169639A (zh) 一种企业用电量预测方法
Wang et al. Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM
Xiaobo et al. Short-term load forecasting for the electric bus station based on GRA-DE-SVR
El-Azab et al. Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques
Peng et al. Research on industrialization of electric vehicles with its demand forecast using exponential smoothing method
CN112598181A (zh) 负荷预测方法、装置、设备和存储介质
CN117665620A (zh) 基于新能源汽车数据的电池健康度评估方法
Ma et al. Adaptive energy management strategy based on a model predictive control with real-time tuning weight for hybrid energy storage system
CN105976057A (zh) 一种基于改进灰色理论的中长期负荷预测方法
CN111080000A (zh) 基于psr-dbn的超短期母线负荷预测方法
Hong et al. Multi-forward-step battery voltage prediction for real-world electric vehicles using gated recurrent units
CN116432510A (zh) 一种基于集成学习-天牛须优化算法的柔性负荷预测方法

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