CN111476435B - 基于密度峰值的充电桩负荷预测方法 - Google Patents

Abstract

本申请公开了一种基于密度峰值的充电桩负荷预测方法，该方法包括：对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；获取与历史日负荷数据簇对应的历史日属性簇；基于历史日负荷数据簇和历史日属性建立决策树模型；将预测日属性输入决策树模型，得到目标历史日负荷数据簇；获取与目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性；基于目标历史日充电相关数据和目标历史日属性训练深度信念网络模型；将预测日属性输入深度信念网络模型，得到充电桩的预测日充电相关数据。本申请提供的负荷预测方法能够精准预测充电桩的负荷。

Description

基于密度峰值的充电桩负荷预测方法

技术领域

本申请涉及新能源技术领域，具体涉及一种基于密度峰值的充电桩负荷预测方法。

背景技术

充电桩是一种高效的汽车充电装置，能够根据不同的电压等级为各种型号的电动汽车充电，其输入端与交流电网直接连接，输出端装有与电动汽车充电装置连接的充电插头。然而当电动汽车使用充电桩充电时会对非调控状态下的电网造成影响，加大了电网的控制难度且影响了电能质量，因此需要对充电桩负荷进行预测。

相关技术中，对充电桩充电负荷的预测一般采用统计学的概率模型进行概率分布拟合，得到对应的概率密度函数进行预测，然而电动汽车充电的随机性较强，所以简单的概率分布的拟合度并不高，会给充电桩负荷预测带来较大误差。

因此，如何对充电桩负荷进行精准预测，以保证充电桩及电网系统安全、经济地运行，成为了目前亟待解决的问题。

发明内容

为了解决上述问题，本申请提供了一种基于密度峰值的充电桩负荷预测方法，能够精准预测充电桩的负荷。

本申请具体采用如下技术方案：

一种基于密度峰值的充电桩负荷预测方法，所述方法包括以下步骤：

利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

对于每个所述历史日负荷数据簇，获取与其对应的历史日属性簇，所述历史日属性簇包括与所述历史日负荷数据存在一一对应关系的历史日属性；

基于所述历史日负荷数据簇和所述历史日属性建立决策树模型；

将预测日属性输入所述决策树模型，得到目标历史日负荷数据簇；

获取与所述目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性；

基于所述目标历史日充电相关数据和所述目标历史日属性训练深度信念网络模型；

将所述预测日属性输入所述深度信念网络模型，得到所述充电桩的预测日充电相关数据。

可选地，所述利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇之前，还包括：

获取所述充电桩的历史日负荷数据；

所述对于每个所述历史日负荷数据簇，获取与其对应的历史日属性簇之前，还包括：

获取所述充电桩的日属性，所述日属性包括季节属性、天气属性、工作日属性和温度属性；

对所述日属性进行预处理。

可选地，所述对所述日属性进行预处理包括：

对所述季节属性、天气属性和工作日属性进行量化处理；

对所述温度属性进行归一化处理。

可选地，所述利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇包括：

以所述历史日负荷数据为元素建立第一数据集；

对于所述第一数据集中的每一个元素，计算任意两个元素之间的距离；

基于所述距离，计算每一个元素的局部密度；

确定所述局部密度最大的元素为目标元素，计算所述目标元素的聚类中心距离，所述目标元素的聚类中心距离为与所述目标元素距离最远的元素与所述目标元素之间的距离；

计算所述第一数据集中除所述目标元素外其他元素的聚类中心距离，任一其他元素的聚类中心距离为在局部密度大于该元素的元素集合中，与该元素距离最近的元素与该元素之间的距离；

确定所述局部密度大于第一预设阈值且所述聚类中心距离大于第二预设阈值的元素为聚类中心，每个所述聚类中心对应的历史日负荷数据对应一个所述历史日负荷数据簇；

对于所述第一数据集中除所述聚类中心外的其他元素，将其对应的历史日负荷数据确定为待归类数据；

将每个所述待归类数据归类到局部密度大于该待归类数据对应的元素的局部密度且与该待归类数据对应的元素的距离最近的聚类中心对应的历史日负荷数据簇中。

可选地，所述基于所述历史日负荷数据簇和所述历史日属性建立决策树模型包括：

对于所述历史日属性中的季节属性、天气属性、工作日属性和温度属性，计算每个属性对应的信息增益率；

按照所述信息增益率从大到小的顺序排列所述季节属性、天气属性、工作日属性和温度属性，并将该排列顺序下的各属性顺次作为所述决策树模型的第一分裂属性、第二分裂属性、第三分裂属性和第四分裂属性；

以所述历史日属性为输入，以所述历史日属性对应的历史日负荷数据簇为输出，建立并训练决策树模型。

可选地，所述目标历史日充电相关数据包括目标历史日充电桩开始充电时间、充电桩结束充电时间和充电功率。

可选地，所述深度信念网络模型包括受限玻尔兹曼机和BP神经网络。

可选地，所述基于所述目标历史日充电相关数据和目标历史日属性训练深度信念网络模型包括：

将所述目标历史日属性输入到第一层受限玻尔兹曼机中，输出第一输出结果；

将所述第一输出结果输入到第二层受限玻尔兹曼机中，输出第二输出结果；

将所述第二输出结果输入到BP神经网络中，输出模拟充电相关数据，所述模拟充电相关数据与所述目标历史日充电相关数据存在对应关系。

可选地，根据所述模拟充电相关数据与所述目标历史充电相关数据的差值，调节所述第一层受限玻尔兹曼机、所述第二层受限玻尔兹曼机和所述BP神经网络对应的权重，直至所述差值等于0。

本申请还提供了一种基于密度峰值的充电桩负荷预测装置，包括：

聚类模块，用于利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

获取模块，用于对于每个所述历史日负荷数据簇，获取与其对应的历史日属性簇，所述历史日属性簇包括与所述历史日负荷数据存在一一对应关系的历史日属性；

建模模块，用于基于所述历史日负荷数据簇和所述历史日属性建立决策树模型；

输入模块，将预测日属性输入所述决策树模型，得到目标历史日负荷数据簇；

所述获取模块，还用于获取与所述目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史充电相关数据和目标历史日属性；

所述建模模块，还用于基于所述目标历史充电相关数据和目标历史日属性训练深度信念网络模型；

所述输入模块，还用于将所述预测日充电影响因素输入所述深度信念网络模型，预测得到预测充电相关数据。

本申请提供的充电桩负荷预测方法所带来的有益效果至少包括：

本申请提供的充电桩负荷预测方法利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类得到历史充电负荷数据簇，通过历史充电负荷数据簇和其对应的历史日属性训练决策树模型，以此确定预测日属性所属的目标历史充电负荷数据簇，以该目标历史日负荷数据簇对应的目标历史充电相关数据和目标历史日属性训练深度信念网络模型，进而获得预测充电相关数据。本方法通过密度峰值聚类算法将历史日负荷数据归类，用归类后的数据簇进行决策树模型和深度信念网络模型的训练，增加了容错率，提高了充电桩负荷预测的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于密度峰值的充电桩负荷预测方法的流程图；

图2是本申请实施例提供的另一种基于密度峰值的充电桩负荷预测方法的流程图；

图3是本申请实施例提供的一种基于密度峰值的充电桩负荷预测政治的结构示意图；

图4是本申请实施例提供的另一种基于密度峰值的充电桩负荷预测装置的结构示意图。

具体实施方式

为使本申请的技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请实施例提供了一种基于密度峰值的充电桩负荷预测方法，该方法的执行主体为可以为计算机设备，该计算机设备可以为终端、服务器、处理器或者具备数据处理功能的任一类型数据处理装置。

如图1所示，该方法可以包括以下步骤：

步骤101、利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

步骤102、对于每个历史日负荷数据簇，获取与其对应的历史日属性簇，该历史日属性簇包括与历史日负荷数据存在一一对应关系的历史日属性；

步骤103、基于历史日负荷数据簇和历史日属性建立决策树模型；

步骤104、将预测日属性输入决策树模型，得到目标历史日负荷数据簇；

步骤105、获取与目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性；

步骤106、基于目标历史日充电相关数据和目标历史日属性训练深度信念网络模型；

步骤107、将预测日属性输入深度信念网络模型，得到充电桩的预测日充电相关数据。

综上所述，本申请提供的基于密度峰值的充电桩负荷预测方法，利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类得到历史充电负荷数据簇，通过历史充电负荷数据簇及其对应的历史日属性训练决策树模型，以此确定预测日属性所属的目标历史充电负荷数据簇，以该目标历史日负荷数据簇对应的目标历史日充电相关数据和目标历史日属性训练深度信念网络模型，进而获得预测日充电相关数据。本方法通过密度峰值聚类算法将历史日负荷数据归类，用归类后的数据簇进行决策树模型和深度信念网络模型的训练，增加了容错率，提高了充电桩负荷预测的准确性。

图2是本申请实施例提供的另一种基于密度峰值的充电桩负荷预测方法的流程图，该方法可以由计算机设备执行，该计算机设备可以为终端、服务器、处理器或者具备数据处理功能的任一处理模块。本申请实施例以终端作为执行主体为例，对该方法进行详细的描述，如图2所示，该方法可以包括如下步骤：

步骤201、获取充电桩的历史日负荷数据。

密度峰值聚类算法是一种基于密度的聚类算法，其主要思想是寻找被低密度区域分离的高密度区域。因此，首先获取密度峰值聚类算法的归类对象，即充电桩的历史日负荷数据，该历史日负荷数据为该充电桩的在预测日之前的日负荷数据，例如，预测日前1年内、预测日前3年内或预测日前5年的日负荷数据，将由历史日负荷数据构成的第一数据集作为归类的样本，以实施密度峰值聚类算法。在本实施例中，为了使数据之间的对比更加直观，可以利用日负荷数据绘制日负荷曲线，并使用密度峰值算法按照日负荷曲线的接近程度将充电桩历史日负荷数据进行归类。

步骤202、以该历史日负荷数据为元素建立第一数据集。

获取历史日负荷数据后，建立第一数据集U∈{x₁,…,x_n,…,x_N}，其中，x_n表示第一数据集中的第n个历史日负荷数据，N为第一数据集中的历史日负荷数据的总数。

步骤203、对于第一数据集中的每一个元素，计算任意两个元素之间的距离。

上述任意两个元素之间的距离可以为欧氏距离，该距离采用如下关系式计算：

其中，x_i、x_j为第一数据集中的任意两个元素，dist(x_i,x_j)为x_i和x_j之间的距离。

步骤204、基于该距离，计算每一个元素的局部密度。

局部密度的含义是：获得与当前元素之间的距离小于截断距离的其他元素的个数，将该个数称为当前元素的局部密度。

对于元素x_j，其局部密度采用如下关系式进行计算：

其中，ρ_i为元素x_j的局部密度；dist_cutoff为截断距离，截断距离的值由操作人员预先设置；函数

步骤205、确定局部密度最大的元素为目标元素，计算目标元素的聚类中心距离，目标元素的聚类中心距离为与该目标元素距离最远的元素与该目标元素之间的距离。

目标元素x_i的聚类中心距离δ_i采用如下关系式进行计算：

步骤206、计算第一数据集中除目标元素外其他元素的聚类中心距离，任一其他元素的聚类中心距离为在局部密度大于该元素的元素集合中，与该元素距离最近的元素与该元素之间的距离。

对于第一数据集U中除目标元素外的其他元素，例如x_j，其聚类中心距离的计算方法与目标元素的聚类中心距离的计算方法不同。

元素x_j的聚类中心距离δ_j采用如下关系式进行计算：

步骤207、确定局部密度大于第一预设阈值且聚类中心距离大于第二预设阈值的元素为聚类中心，每个聚类中心对应的历史日负荷数据对应一个历史日负荷数据簇。

聚类中心是同时具有相对较高的局部密度和聚类中心距离的元素。第一数据集中的聚类中心的数量就是构成第一数据集的多个历史日负荷数据即将归入的历史日负荷数据簇的数量。其中，第一预设阈值和第二预设阈值均由操作人员预先设定。

步骤208、对于第一数据集中除聚类中心外的其他元素，将其对应的历史日负荷数据确定为待归类数据。

当确定出聚类中心后，可对第一数据集中的其他元素对应的历史日负荷数据进行归类，归入聚类中心对应的历史日负荷数据对应的历史日负荷数据簇中。需要注意的是，计算出聚类中心距离和局部密度后，可能存在一些异常元素，这些异常元素对应的历史日负荷数据不被归入到历史日负荷数据簇中。这些异常元素均表现为具有相对较高的聚类中心距离和相对较小的局部密度。因此，操作人员还可以设置第三预设阈值和第四预设阈值，并从第一数据集中的除聚类中心外的其他元素中筛选出聚类中心距离大于第三预设阈值且局部密度小于第四预设阈值的元素，将这些元素对应的历史日负荷数据从待归类数据中剔除，剔除的历史日负荷数据不进行归类。

步骤209、将每个待归类数据归类到局部密度大于该待归类数据对应的元素的局部密度且与该待归类数据对应的元素的距离最近的聚类中心对应的历史日负荷数据簇中。

确定好待归类数据后，依次将每个待归类数据对应的元素的局部密度、距离与各个聚类中心的局部密度、距离进行对比，从而将每个待归类数据归类到局部密度大于该待归类数据对应的元素的局部密度且与该待归类数据对应的元素的距离最近的聚类中心对应的历史日负荷数据簇中。示例性的，以第一个待归类数据为例，找到局部密度大于第一个待归类数据对应的元素的局部密度的聚类中心。若找到的聚类中心仅有一个，则将第一个待归类数据归类到该聚类中心对应的历史日负荷数据簇中。若找到的聚类中心多于一个(两个及两个以上)，选择其中与第一个待归类数据对应的元素距离最近的聚类中心，将第一个待归类数据归类到这个聚类中心对应的历史日负荷数据簇中。至此，完成了对步骤201中所获取的历史日负荷数据的归类。

步骤210、获取充电桩的日属性，其中，充电桩的日属性包括季节属性、天气属性、工作日属性和温度属性。

充电桩的日负荷曲线受到多种因素的影响，例如外界环境因素，因此在预测充电桩的日负荷时，需要考虑当日的环境因素，即充电桩的日属性。

在本申请实施例中，所考虑到的充电桩的日属性包括：

季节属性，即充电桩使用当日所属的季节，包括春、夏、秋、冬；

天气属性，即充电桩使用当日的天气情况，包括晴天、多云、雨天和雪天；

工作日属性，即充电桩使用当日的工作日信息，包括工作日(周一至周五)、非工作日(周六和周日)；

温度属性，即充电桩使用当日的气温，包括当日最高气温、当日最低气温和充电桩工作时的气温。

步骤211、对季节属性、天气属性和工作日属性进行量化处理，对温度属性进行归一化处理。

其中，对季节属性、天气属性和工作日属性进行量化处理包括：

以季节属性为元素建立第二数据集，示例性地，第二数据集为S＝{1,2,3,4}，其中S＝1对应春季，S＝2对应夏季，S＝3对应秋季，S＝4对应冬季；

以天气属性为元素建立第三数据集，示例性地，第三数据集为A＝{1,0.8,0.5,0.3}，其中A＝1对应晴天，A＝0.8对应多云，A＝0.5对应雨天，A＝0.3对应雪天；

以工作日属性为元素建立第四数据集，示例性地，第四数据集为W＝{1,0.5}，其中W＝1对应工作日，W＝0.5对应非工作日。

对温度属性进行归一化处理包括：

采用如下关系式对所述温度数据进行归一化处理：

其中，x^*为归一化处理后的气温，x为充电桩工作时的气温，x_min为当日最低气温，x_max为当日最高气温。

将用户使用充电桩进行充电当日的季节属性、天气属性、工作日属性和温度属性进行上述处理后，则获得充电桩充电当日的日属性。同一日的充电桩的日负荷数据和日属性存在对应关系。

在本申请实施例中，也可以先进行步骤201-209，再进行步骤210-211；还可以同时进行步骤201-209和步骤210-211。

步骤212、对于每个历史日负荷数据簇，获取与其对应的历史日属性簇，该历史日属性簇包括与所述历史日负荷数据存在一一对应关系的历史日属性。

由于充电桩的日负荷数据与日属性之间存在一一对应关系，因此，对于任意一个历史日负荷数据簇，也存在与该历史日负荷数据簇对应的历史日属性簇。

步骤213、对于历史日属性中的季节属性、天气属性、工作日属性和温度属性，计算每个属性对应的信息增益率。

每个属性的信息增益率的计算方法包括以下步骤：

(1)计算类别信息熵。

类别信息熵表示的是所有样本中各种类别出现的不确定性之和，根据熵的概念，熵越大，每个属性对应的不确定性就越大。

采用如下公式计算每个属性的类别信息熵：

其中，D表示训练的数据集，c表示数据类别数，p_i表示类别i样本数量占所有样本的比例。

(2)计算信息熵。

采用如下公式计算每个属性的信息熵：

其中，Info_A(D)表示属性A的信息熵，k表示训练数据集D被分为k个部分，j表示第j部分的训练数据集D。

(3)计算信息增益。

采用如下公式计算每个属性的信息增益：

Gain(A)＝Info(D)-Info_A(D)

(4)计算属性分类信息度量。

采用如下公式计算属性分类信息度量：

(5)计算信息增益率。

采用如下公式计算信息增益率：

下面以计算工作日属性的信息增益率为例，对上述公式的使用作出详细的示例：

假设第一数据集中共有10个元素(不包括异常元素)，对应10个历史日负荷数据。归类后的历史日负荷数据簇为3个，这3个历史日负荷数据簇中的历史日负荷数据分别为2,5,3个。这10个历史日负荷数据的工作日属性示意性如下表1所示(分类号n表示该历史日负荷数据被归类在第n个历史日负荷数据簇中)：

表1

基于上述假设，类别信息熵为：

其中，

工作日：

非工作日：

工作日属性的信息熵为：

工作日属性的信息增益为：

Gain(A)＝Info(D)-Info_A(D)＝1.4855-1.2407＝0.2448

工作日属性的分类信息度量为：

工作日属性的信息增益率为：

则上述示例中的工作日属性的信息增益率为0.2778。按照相同的方式，可以计算季节属性、天气属性和温度属性的信息增益率。

步骤214、按照从信息增益率大到小的顺序排列季节属性、天气属性、工作日属性和温度属性，并确定该排列顺序下的各属性顺次作为决策树模型的第一分裂属性、第二分裂属性、第三分裂属性和第四分裂属性。

示例性地，对应信息增益率从大到小的顺序，上述属性的排列顺序为温度属性、天气属性、工作日属性、季节属性，则在建立的决策树模型中，决策树的分裂属性从先至后依次为温度属性、天气属性、工作日属性、季节属性。按照这种分裂次序进行分类，区分样本的能力更强，更具有代表性。

步骤215、以历史日属性为输入，以历史日属性对应的历史日负荷数据簇为输出，训练并建立决策树模型。

示例性地，对于输入的历史日属性，先根据其温度属性进行分类，再根据其天气属性进行分类，然后根据其工作日属性进行分类，最后根据其季节属性确定其在该决策树模型中输出的历史日负荷数据簇。对于任一历史日负荷数据簇，将其对应的历史日属性簇中的历史日属性均输入到该决策树模型中进行训练，建立历史日属性与历史日负荷数据簇的对应关系。

步骤216、将预测日属性输入该决策树模型，得到目标历史日负荷数据簇。

当训练完成决策树模型后，向该决策树模型输入预测日属性，并确定决策树输出的历史充电负荷数据簇为目标历史日负荷数据簇。

步骤217、获取与目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性。

确定预测日属性对应的目标历史日负荷数据簇后，获取与该目标历史日负荷数据簇对应的目标历史日属性数据簇，进一步地，获取该目标历史日属性数据簇中的目标历史日属性。

同时，获取充电桩的目标历史日充电相关数据。充电桩的日充电数据包括当日充电桩开始充电时间、充电桩结束充电时间和充电功率。充电桩的每一组日充电数据对应一条日负荷曲线，即充电桩的每一组日充电数据对应一个日负荷数据。充电桩的目标历史日充电相关数据即为目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电桩开始充电时间、充电桩结束充电时间和充电功率。

当获取到目标历史日充电相关数据和目标历史日属性后，以目标历史日属性为输入，以目标历史日充电相关数据为输出，训练深度信念网络模型。该深度信念网络模型的训练过程如下述的步骤218-219所示。

步骤218、将目标历史日属性输入到第一层受限玻尔兹曼机中，输出第一输出结果；

将第一输出结果输入到第二层受限玻尔兹曼机中，输出第二输出结果；

将第二输出结果输入到BP神经网络中，输出模拟充电相关数据，该模拟充电相关数据与目标历史日充电相关数据存在对应关系。

该深度信念网络模型包括受限玻尔兹曼机(RBM)和BP神经网络。RBM是有两个层的浅层神经网络，其第一个层(即第一层受限玻尔兹曼机)称为可见层，第二个层(即第二层受限玻尔兹曼机)是隐藏层。首先使用目标历史日属性作为第一层受限玻尔兹曼机的原始输入进行训练，然后使用训练好的第一层受限玻尔兹曼机的输出作为第二层受限玻尔兹曼机的输入进行训练，接下来使用训练好的第二层受限玻尔兹曼机的输出作为BP神经网络的输入进行训练。

在通过上述方法训练出的深度信念网络模型中，BP神经网络的输出值与实际的目标历史日充电相关数据之间可能会存在误差。因此，还可以进一步增加校准的操作来减小误差。

步骤219、根据模拟充电相关数据与目标历史日充电相关数据的差值，调节第一层受限玻尔兹曼机、第二层受限玻尔兹曼机和BP神经网络对应的权重，直至差值等于0。

调节权重后的深度信念网络模型最大程度地消除了误差，可以作为用来预测充电桩负荷的预测模型。

步骤220、将预测日属性输入到该深度信念网络模型，得到充电桩的预测日充电相关数据。

充电桩的预测日相关数据包括预测日充电桩开始充电时间、充电桩结束充电时间和充电功率。获得上述数据后，由于充电过程近似于恒功率充电，利用这些数据来绘制充电桩的预测日负荷曲线，并根据预测日负荷曲线来判断预测日充电桩对非调控状态下电网的影响情况。

本申请实施例提供的基于密度峰值的充电桩负荷预测方法，利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类后获得历史日负荷数据簇，通过历史日负荷数据簇和历史日负荷数据对应的历史日属性训练决策树模型，以此确定预测日属性所对应的目标历史日负荷数据簇，基于该目标历史日负荷数据簇对应的目标历史充电相关数据和目标历史日属性训练深度信念网络模型，进而获得预测日充电相关数据。这种方法通过密度峰值聚类算法将历史日负荷数据归类，用归类后的数据簇进行决策树模型和深度信念网络模型的训练，增加了容错率，提高了充电桩负荷预测的准确性。

图3是本申请实施例提供的一种基于密度峰值的充电桩负荷预测装置300的结构示意图，该充电桩负荷预测装置可以安装在计算机设备上，如图3所示，充电桩负荷预测装置300包括：

聚类模块301，被配置为利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

获取模块302，被配置为对于每个历史日负荷数据簇，获取与其对应的历史日属性簇，历史日属性簇包括与历史日负荷数据存在一一对应关系的历史日属性；

建模模块303，被配置为基于历史日负荷数据簇和历史日属性建立决策树模型；

输入模块304，被配置为将预测日属性输入决策树模型，得到目标历史日负荷数据簇；

获取模块302，还被配置为获取与目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性；

建模模块303，还被配置为基于目标历史日充电相关数据和目标历史日属性训练深度信念网络模型；

输入模块304，还被配置为将预测日属性素输入深度信念网络模型，得到充电桩的预测日充电相关数据。

综上所述，本申请实施例提供的基于密度峰值的充电桩负荷预测装置300，聚类模块301利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类后获得多个历史日负荷数据簇，建模模块303基于历史日负荷数据簇和获取模块302获取的历史日属性建立和训练决策树模型，以此确定预测日属性所对应的目标历史日负荷数据簇。建模模块303基于该目标历史日负荷数据簇对应的目标历史日充电相关数据和目标历史日属性训练深度信念网络模型，进而获得预测日充电相关数据。本装置通过密度峰值聚类算法将历史日负荷数据归类，用归类后的数据簇进行决策树模型和深度信念网络模型的训练，增加了容错率，提高了充电桩负荷预测的准确性。

图4是本申请实施例提供的另一种基于密度峰值的充电桩负荷预测装置300的结构示意图，如图4所示，在图3的基础上，该充电桩负荷预测装置300中的获取模块302还被配置为获取充电桩的历史日负荷数据；

建模模块303还被配置为以历史日负荷数据为元素建立第一数据集；

在本申请实施例中，该充电桩负荷预测装置300，还包括：

计算模块305，被配置为：

对于第一数据集中的每一个元素，计算任意两个元素之间的距离；

基于该距离，计算每一个元素的局部密度。

确定模块306，被配置为确定局部密度最大的元素为目标元素。

计算模块305，还被配置为：

计算目标元素的聚类中心距离；

计算第一数据集中除目标元素外其他元素的聚类中心距离。

确定模块306，还被配置为：

确定局部密度大于第一预设阈值且聚类中心距离大于第二预设阈值的元素为聚类中心，每个聚类中心对应的历史日负荷数据对应一个历史日负荷数据簇；

对于第一数据集中除聚类中心外的其他元素，将其对应的历史日负荷数据确定为待归类数据。

聚类模块301，还被配置为将每个待归类数据归类到局部密度大于该待归类数据对应的元素的局部密度且与该待归类数据对应的元素的距离最近的聚类中心对应的历史日负荷数据簇中。

在本申请实施例中，获取模块302还被配置为获取所述充电桩的日属性，其中，充电桩的日属性包括季节属性、天气属性、工作日属性和温度属性。

在本申请实施例中，计算模块305还被配置为对季节属性、天气属性和工作日属性进行量化处理，对温度属性进行归一化处理。

在本申请实施例中，计算模块305还被配置为对于历史日属性中的季节属性、天气属性、工作日属性和温度属性，计算每个属性对应的信息增益率。

确定模块306还被配置为按照从信息增益率大到小的顺序排列季节属性、天气属性、工作日属性和温度属性，并确定该排列顺序下的各属性顺次作为决策树模型的第一分裂属性、第二分裂属性、第三分裂属性和第四分裂属性。

建模模块303还被配置为以历史日属性为输入，以历史日属性对应的历史日负荷数据簇为输出，训练并建立决策树模型。

在本申请实施例中，输入模块304还被配置为：

将目标历史日属性输入到第一层受限玻尔兹曼机中，输出第一输出结果；

将第一输出结果输入到第二层受限玻尔兹曼机中，输出第二输出结果；

将第二输出结果输入到BP神经网络中，输出模拟充电相关数据，该模拟充电相关数据与目标历史日充电相关数据存在对应关系。

在本申请实施例中，该充电桩负荷预测装置300还包括：

校准模块307，被配置为根据模拟充电相关数据与目标历史日充电相关数据的差值，调节第一层受限玻尔兹曼机、第二层受限玻尔兹曼机和BP神经网络对应的权重，直至差值等于0。

在本申请实施例中，输入模块304还被配置为将预测日属性输入到该深度信念网络模型，得到充电桩的预测日充电相关数据。

关于上述实施例中的充电桩负荷预测装置300，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，本申请实施例提供的充电桩负荷预测装置，通过聚类模块301将历史日负荷数据按照日负荷曲线的接近程度进行归类，建模模块303利用归类后的历史日负荷数据簇和计算模块305处理后的历史日属性进行决策树模型的构建和训练，进而建模模块303利用决策树模型的输出结果和目标历史日充电相关数据构建和训练深度信念网络模型。使用上述装置预测充电桩负荷，能够提高预测的准确性。

本申请实施例提供了一种充电桩负荷预测装置，该装置包括：处理器和存储器，

存储器，用于存储计算机程序；

处理器，用于执行存储器上所存储的计算机程序，实现如图1或图2所示的充电桩负荷预测方法。

本申请实施例提供了一种存储介质，当存储介质中的程序由处理器执行时，能够实现如图1或图2所示的充电桩负荷预测方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本申请中，应该理解到，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

以上所述仅是为了便于本领域的技术人员理解本申请的技术方案，并不用以限制本申请。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改

进等，均应包含在本申请的保护范围。

Claims (8)

1.一种基于密度峰值的充电桩负荷预测方法，其特征在于，所述方法包括以下步骤：

获取所述充电桩的历史日负荷数据；

利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

获取所述充电桩的日属性，所述日属性包括季节属性、天气属性、工作日属性和温度属性；

对所述季节属性、天气属性和工作日属性进行量化处理；

按照如下关系式对所述温度属性进行归一化处理：

其中，x^*为归一化处理后的气温，x为充电桩工作时的气温，x_min为当日最低气温，x_max为当日最高气温；

对于每个所述历史日负荷数据簇，获取与其对应的历史日属性簇，所述历史日属性簇包括与所述历史日负荷数据存在一一对应关系的历史日属性；

基于所述历史日负荷数据簇和所述历史日属性建立决策树模型；

将预测日属性输入所述决策树模型，得到目标历史日负荷数据簇；

获取与所述目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史日充电相关数据和目标历史日属性；

基于所述目标历史日充电相关数据和所述目标历史日属性训练深度信念网络模型；

将所述预测日属性输入所述深度信念网络模型，得到所述充电桩的预测日充电相关数据。

2.根据权利要求1所述的基于密度峰值的充电桩负荷预测方法，其特征在于，所述利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇包括：

以所述历史日负荷数据为元素建立第一数据集；

对于所述第一数据集中的每一个元素，计算任意两个元素之间的距离；

基于所述距离，计算每一个元素的局部密度；

确定所述局部密度最大的元素为目标元素，计算所述目标元素的聚类中心距离，所述目标元素的聚类中心距离为与所述目标元素距离最远的元素与所述目标元素之间的距离；

计算所述第一数据集中除所述目标元素外其他元素的聚类中心距离，任一其他元素的聚类中心距离为在局部密度大于该元素的元素集合中，与该元素距离最近的元素与该元素之间的距离；

确定所述局部密度大于第一预设阈值且所述聚类中心距离大于第二预设阈值的元素为聚类中心，每个所述聚类中心对应的历史日负荷数据对应一个所述历史日负荷数据簇；

对于所述第一数据集中除所述聚类中心外的其他元素，将其对应的历史日负荷数据确定为待归类数据；

将每个所述待归类数据归类到局部密度大于该待归类数据对应的元素的局部密度且与该待归类数据对应的元素的距离最近的聚类中心对应的历史日负荷数据簇中。

3.根据权利要求1所述的基于密度峰值的充电桩负荷预测方法，其特征在于，所述基于所述历史日负荷数据簇和所述历史日属性建立决策树模型包括：

对于所述历史日属性中的季节属性、天气属性、工作日属性和温度属性，计算每个属性对应的信息增益率；

按照所述信息增益率从大到小的顺序排列所述季节属性、天气属性、工作日属性和温度属性，并将该排列顺序下的各属性顺次作为所述决策树模型的第一分裂属性、第二分裂属性、第三分裂属性和第四分裂属性；

以所述历史日属性为输入，以所述历史日属性对应的历史日负荷数据簇为输出，建立并训练决策树模型。

4.根据权利要求1所述的基于密度峰值的充电桩负荷预测方法，其特征在于，所述目标历史日充电相关数据包括目标历史日充电桩开始充电时间、充电桩结束充电时间和充电功率。

5.根据权利要求1所述的基于密度峰值的充电桩负荷预测方法，其特征在于，所述深度信念网络模型包括受限玻尔兹曼机和BP神经网络。

6.根据权利要求1所述的基于密度峰值的充电桩负荷预测方法，其特征在于，所述基于所述目标历史日充电相关数据和目标历史日属性训练深度信念网络模型包括：

将所述目标历史日属性输入到第一层受限玻尔兹曼机中，输出第一输出结果；

将所述第一输出结果输入到第二层受限玻尔兹曼机中，输出第二输出结果；

将所述第二输出结果输入到BP神经网络中，输出模拟充电相关数据，所述模拟充电相关数据与所述目标历史日充电相关数据存在对应关系。

7.根据权利要求6所述的基于密度峰值的充电桩负荷预测方法，其特征在于，根据所述模拟充电相关数据与所述目标历史日充电相关数据的差值，调节所述第一层受限玻尔兹曼机、所述第二层受限玻尔兹曼机和所述BP神经网络对应的权重，直至所述差值等于0。

8.一种基于密度峰值的充电桩负荷预测装置，其特征在于，包括：

获取模块，用于获取所述充电桩的历史日负荷数据；

聚类模块，用于利用密度峰值聚类算法对充电桩的历史日负荷数据进行归类，得到多个历史日负荷数据簇；

所述获取模块，还用于获取所述充电桩的日属性，所述日属性包括季节属性、天气属性、工作日属性和温度属性；

计算模块，用于对所述季节属性、天气属性和工作日属性进行量化处理；以及，按照如下关系式对所述温度属性进行归一化处理：

其中，x^*为归一化处理后的气温，x为充电桩工作时的气温，x_min为当日最低气温，x_max为当日最高气温；

所述获取模块，还用于对于每个所述历史日负荷数据簇，获取与其对应的历史日属性簇，所述历史日属性簇包括与所述历史日负荷数据存在一一对应关系的历史日属性；

建模模块，用于基于所述历史日负荷数据簇和所述历史日属性建立决策树模型；

输入模块，将预测日属性输入所述决策树模型，得到目标历史日负荷数据簇；

所述获取模块，还用于获取与所述目标历史日负荷数据簇中的目标历史日负荷数据对应的目标历史充电相关数据和目标历史日属性；

所述建模模块，还用于基于所述目标历史充电相关数据和目标历史日属性训练深度信念网络模型；

所述输入模块，还用于将所述预测日充电影响因素输入所述深度信念网络模型，预测得到预测充电相关数据。