CN111476441A - 一种电动汽车充电设备负荷预测方法及相关装置 - Google Patents

一种电动汽车充电设备负荷预测方法及相关装置 Download PDF

Info

Publication number
CN111476441A
CN111476441A CN202010475475.1A CN202010475475A CN111476441A CN 111476441 A CN111476441 A CN 111476441A CN 202010475475 A CN202010475475 A CN 202010475475A CN 111476441 A CN111476441 A CN 111476441A
Authority
CN
China
Prior art keywords
load
charging
load prediction
data
day
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.)
Pending
Application number
CN202010475475.1A
Other languages
English (en)
Inventor
林晓明
钱斌
肖勇
罗欣儿
田杰
杜进桥
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.)
CSG Electric Power Research Institute
Shenzhen Power Supply Bureau Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Research Institute of Southern Power Grid 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 Shenzhen Power Supply Bureau Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202010475475.1A priority Critical patent/CN111476441A/zh
Publication of CN111476441A publication Critical patent/CN111476441A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

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)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请提供了一种电动汽车充电设备负荷预测方法及相关装置，其中方法包括：获取待预测日的负荷预测数据，其中，负荷预测数据包括：待预测日的气象属性和日历属性，以及参照日的交通流量，参照日为最接近待预测日，且日历属性与待预测日相同的历史日期；将负荷预测数据输入至预置的充电负荷预测模型；通过充电负荷预测模型对负荷预测数据进行处理，以获取充电负荷预测模型输出的充电设备负荷预测结果。本申请利用神经网络学习气象、交通、日期等因素对电动汽车充电负荷的影响，更客观更准确地进行电动汽车负荷预测，同时避免运维人员的主观思维对预测结果的影响，解决了现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。

Description

一种电动汽车充电设备负荷预测方法及相关装置
技术领域
本申请涉及配电网领域，尤其涉及一种电动汽车充电设备负荷预测方法及相关装置。
背景技术
近年来，随着新能源车技术的逐渐成熟，我国电动汽车保有量也一直在持续增长。随着大规模电动汽车的接入，配电网负荷峰谷差进一步扩大，线路变压器过负荷风险加大，直接影响系统运行的可靠性。同时过负荷导致配网电压降落和网络损耗增加，对配电网设备容量需求将进一步增大，为了避免出现过负荷从而影响配电网的正常运行，需要运维人员及时根据充电站输出负荷的变化对配电网系统的投入做出相应调整。
然而，目前采用的方式是由运维人员根据经验预测出未来时刻电动汽车充电设备负荷预测，再根据预测结果做出相应调整，但是这种预测方式的结果容易受运维人员的主观思维影响，从而导致了现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。
发明内容
本申请提供了一种电动汽车充电设备负荷预测方法及相关装置，用于解决现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。
有鉴于此，本申请第一方面提供了一种电动汽车充电设备负荷预测方法，包括：
获取待预测日的负荷预测数据，其中，所述负荷预测数据包括：所述待预测日的气象属性和日历属性，以及参照日的交通流量，所述参照日为最接近所述待预测日，且日历属性与所述待预测日相同的历史日期；
将所述负荷预测数据输入至预置的充电负荷预测模型，其中，所述充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；
通过所述充电负荷预测模型对所述负荷预测数据进行处理，以获取所述充电负荷预测模型输出的充电设备负荷预测结果。
可选地，所述充电负荷预测模型的配置过程包括：
获取历史充电负荷数据，其中所述历史充电负荷数据包括：历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型。
可选地，还包括：
获取待预测日的负荷实测数据，其中，所述负荷实测数据包括：所述待预测日的气象属性、交通流量以及实际充电负荷数据；
将所述负荷实测数据输入至所述充电负荷预测模型，对所述充电负荷预测模型进行模型更新。
可选地，所述将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型具体包括：
将所述历史充电负荷数据输入至初始深度置信网络模型，并对所述初始深度置信网络模型进行模型训练，以获得充电负荷预测模型。
本申请第二方面提供了一种电动汽车充电设备负荷预测装置，包括：
预测数据获取单元，用于获取待预测日的负荷预测数据，其中，所述负荷预测数据包括：所述待预测日的气象属性和日历属性，以及参照日的交通流量，所述参照日为最接近所述待预测日，且日历属性与所述待预测日相同的历史日期；
数据输入单元，用于将所述负荷预测数据输入至预置的充电负荷预测模型，其中，所述充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；
结果输出单元，用于通过所述充电负荷预测模型对所述负荷预测数据进行处理，以获取所述充电负荷预测模型输出的充电设备负荷预测结果。
可选地，还包括：
历史数据获取单元，用于获取历史充电负荷数据，其中所述历史充电负荷数据包括：各个历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
预测模型训练单元，用于将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型。
可选地，还包括：
实测数据获取单元，用于获取待预测日的负荷实测数据，其中，所述负荷实测数据包括：所述待预测日的气象属性、交通流量以及实际充电负荷数据；
模型更新单元，用于将所述负荷实测数据输入至所述充电负荷预测模型，对所述充电负荷预测模型进行模型更新。
可选地，所述预测模型训练单元具体用于：
将所述历史充电负荷数据输入至初始深度置信网络模型，并对所述初始深度置信网络模型进行模型训练，以获得充电负荷预测模型。
本申请第三方面提供了一种终端，包括：存储器和处理器；
所述存储器用于存储与本申请第一方面所述的电动汽车充电设备负荷预测方法对应的程序代码；
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中保存有与本申请第一方面所述的电动汽车充电设备负荷预测方法对应的程序代码。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种电动汽车充电设备负荷预测方法及相关装置，其中方法包括：获取待预测日的负荷预测数据，其中，所述负荷预测数据包括：所述待预测日的气象属性和日历属性，以及参照日的交通流量，所述参照日为最接近所述待预测日，且日历属性与所述待预测日相同的历史日期；将所述负荷预测数据输入至预置的充电负荷预测模型，其中，所述充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；通过所述充电负荷预测模型对所述负荷预测数据进行处理，以获取所述充电负荷预测模型输出的充电设备负荷预测结果。
本申请基于以历史充电负荷数据通过神经网络训练的充电负荷预测模型，利用神经网络学习气象、交通、日期等因素对电动汽车充电负荷的影响，更客观更准确地进行电动汽车负荷预测，同时避免运维人员的主观思维对预测结果的影响，解决了现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种电动汽车充电设备负荷预测方法的第一个实施例的流程示意图；
图2为本申请提供的一种电动汽车充电设备负荷预测方法的第二个实施例的流程示意图；
图3为本申请提供的一种电动汽车充电设备负荷预测装置的第一个实施例的结构示意图；
图4为本申请提供的一种电动汽车充电设备负荷预测方法的深度置信网络模型架构示意图；
图5为本申请提供的一种电动汽车充电设备负荷预测方法的深度置信网络训练步骤示意图。
具体实施方式
本申请实施例提供了一种电动汽车充电设备负荷预测方法及相关装置，用于解决现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
请参阅图1，本申请第一个实施例提供了一种电动汽车充电设备负荷预测方法，包括：
步骤101、获取待预测日的负荷预测数据，其中，负荷预测数据包括：待预测日的气象属性和日历属性，以及参照日的交通流量，参照日为最接近待预测日，且日历属性与待预测日相同的历史日期。
需要说明的是，在实施本实施例的负荷预测时，首先，要获取到执行预测步骤所需的待预测日的负荷预测数据。
其中，负荷预测数据中的气象属性可以从当地的气象中心获取；
日历属性分为两大类：法定工作日和法定节假日，而且法定节假日可以进一步细分为普通节假日和特定节假日，其中，普通节假日一般为周末，而特定节假日还可以进一步细分为：春节假期、劳动节假期、中秋节假期等特定节假日，具体细分程度可以由使用者根据实际需求自行选择，在此不做限定；
参照日的交通流量为设定的参照日当天，通过设置在预测区域范围内的自动监测仪测得的交通流量数据，参照日为最接近待预测日，且日历属性与待预测日相同的历史日期，假设，当前时间为2020年4月23日(周四，工作日)，2020年4月23日以前的数据均为已存在的历史数据且2020年4月23日当日的数据已结算完成，若设定2020年4月24日(周五，工作日)为待预测日，按照上述的参照日标准可以确定其参照日为2020年4月23日；若设定2020年4月25日(周六，普通节假日)为待预测日，则其参照日为2020年4月19日(周日，普通节假日)；若设定2020年5月1日(周五，特定节假日/劳动节)为待预测日，则其参照日可以为2019年5月1日(特定节假日/劳动节)，若在特定节假日未细分至具体节日的情况下，继续设定2020年5月1日(特定节假日)为待预测日时，则其参照日为最接近待预测日的上一个特定节假日，即清明节2020年4月4日(特定节假日)。
步骤102、将负荷预测数据输入至预置的充电负荷预测模型，其中，充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型。
需要说明的是，将步骤101获取到的负荷预测数据输入至预先训练好的充电负荷预测模型。
步骤103、通过充电负荷预测模型对负荷预测数据进行处理，以获取充电负荷预测模型输出的充电设备负荷预测结果。
需要说明的是，再接着获取充电负荷预测模型输出的运算结果，以得到充电设备负荷预测结果。
本申请实施例基于以历史充电负荷数据通过神经网络训练的充电负荷预测模型，利用神经网络学习气象、交通流量、日期等因素对电动汽车充电负荷的影响，更客观更准确地进行电动汽车负荷预测，同时避免运维人员的主观思维对预测结果的影响，解决了现有技术对电动汽车充电设备负荷预测结果准确度不稳定的技术问题。
以上为本申请提供的一种电动汽车充电设备负荷预测方法的第一个实施例的详细说明，下面为本申请提供的一种电动汽车充电设备负荷预测方法的第二个实施例的详细说明。
请参阅图2，在上述第一个实施例的基础上，本申请第二个实施例提供的一种电动汽车充电设备负荷预测方法，包括：
本实施例在上述第一个实施例的步骤101之前，还可以包括：
步骤1001、获取历史充电负荷数据，其中历史充电负荷数据包括：历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
步骤1002、将历史充电负荷数据输入至初始神经网络模型，并对初始神经网络模型进行模型训练，以获得充电负荷预测模型。
更具体地，本实施例的初始神经网络模型可以优选采用深度置信模型，但也可根据实际需求采用其他同类型的神经网络模型替代。下面通过深度置信网络为例，阐述本申请的充电负荷预测模型建模过程。
步骤1001至步骤1002提供的是通过获取历史充电负荷数据构建的过程，具体包括以下步骤：
(1)获取历史充电负荷数据，其中，本实施例的历史充电负荷数据包括历史日期的气象属性、日历属性、交通流量、充电负荷历史数据；
(2)构建数据样本库，按4:1的比例划分为训练集和测试集；
(3)构建并训练深度置信网络模型，获得满足精度要求的深度置信网络模型。
其中，气象属性可以通过充电站所处地域的气象网站获取，交通流量可以通过在充电站所处交通节点安装自动监测仪获取，充电负荷历史数据可以通过充电站能量管理系统获取。
步骤(2)数据样本库的每个数据样本结构为：
xk＝[mk,ck,Tk,Lk]
其中，xk为数据样本库第k个数据样本，对应第k日；mk为第k日的气象属性，晴天其值为2，阴天其值为1，雨天其值为0；ck为第k日的日历属性，将周六、周日和国家法定假期归类为节假日，节假日其值为1，工作日其值为0；Tk＝[tk,1,tk,2,...,tk,96]为第k日的交通流量向量，每隔15min统计该时间间隔内的交通流量，共得到第k日96个点的交通流量数据；Lk＝[lk,1,lk,2,...,lk,96,]为第k日的充电负荷，每隔15min记录一次充电负荷，共得到第k日96个点的交通流量数据；
步骤(3)的深度置信网络模型如图4所示，包含输入层、2层隐藏层、输出层共4层，输入层与第1层隐藏层构成第1层受限玻尔兹曼机，第1层隐藏层与第2层隐藏层构成第2层受限玻尔兹曼机；
步骤(3)的深度置信网络模型训练步骤示意图如图5所示，包括：
(3-1)初始化深度置信网络模型参数；
(3-2)利用训练集采用对比散度算法从底层到顶层对各层受限玻尔兹曼机进行预训练，更新权值和偏置；
(3-3)判断是否满足预训练终止条件，若否则返回(3-2)；
(3-4)利用训练集采用反向传播算法对完成预训练的深度置信网络模型进行微调参数，更新权值和偏置；
(3-5)判断是否满足微调参数终止条件，若否则返回(3-4)；
(3-6)利用测试集测试深度置信网络模型，若精度不满足要求，则返回步骤(3-2)进行再次训练。
综上，本发明实施例通过采集交通流量、历史充电负荷等数据，利用深度置信网络自动学习提取气象、节假日、交通、历史数据等多种因素对充电负荷的影响模式，实现对电动汽车充电负荷精准预测，为电动汽车有序充电管理、电动汽车与配电网友好互动、协同规划提供基础。
进一步地，本实施例在上述第一个实施例的步骤103之后还可以包括：
步骤104、获取待预测日的负荷实测数据，其中，负荷实测数据包括：待预测日的气象属性、交通流量以及实际充电负荷数据；
步骤105、将负荷实测数据输入至充电负荷预测模型，对充电负荷预测模型进行模型更新。
需要说明的是，本实施例的步骤104和步骤105为模型更新的步骤，具体通过获取到的待预测日的负荷实测数据，将其输入至充电负荷预测模型中对充电负荷预测模型进行模型更新，从而逐步提升模型预测的准确度。
以上为本申请提供的一种电动汽车充电设备负荷预测方法的第二个实施例的详细说明，下面为本申请提供的一种电动汽车充电设备负荷预测装置的第一个实施例的详细说明。
请参阅图3，本申请第三个实施例提供了一种电动汽车充电设备负荷预测装置，包括：
预测数据获取单元301，用于获取待预测日的负荷预测数据，其中，负荷预测数据包括：待预测日的气象属性和日历属性，以及参照日的交通流量，参照日为最接近待预测日，且日历属性与待预测日相同的历史日期；
数据输入单元302，用于将负荷预测数据输入至预置的充电负荷预测模型，其中，充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；
结果输出单元303，用于通过充电负荷预测模型对负荷预测数据进行处理，以获取充电负荷预测模型输出的充电设备负荷预测结果。
进一步地，还包括：
历史数据获取单元3001，用于获取历史充电负荷数据，其中历史充电负荷数据包括：各个历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
预测模型训练单元3002，用于将历史充电负荷数据输入至初始神经网络模型，并对初始神经网络模型进行模型训练，以获得充电负荷预测模型。
进一步地，还包括：
实测数据获取单元304，用于获取待预测日的负荷实测数据，其中，负荷实测数据包括：待预测日的气象属性、交通流量以及实际充电负荷数据；
模型更新单元305，用于将负荷实测数据输入至充电负荷预测模型，对充电负荷预测模型进行模型更新。
进一步地，预测模型训练单元3002具体用于：
将历史充电负荷数据输入至初始深度置信网络模型，并对初始深度置信网络模型进行模型训练，以获得充电负荷预测模型。
以上为本申请提供的一种电动汽车充电设备负荷预测装置的第一个实施例的详细说明，下面为本申请提供的一种终端及计算机可读存储介质的实施例的详细说明。
本申请第四个实施例提供了一种终端，包括：存储器和处理器；
存储器用于存储与本申请第一个实施例或第二个实施例提及的电动汽车充电设备负荷预测方法对应的程序代码；
处理器用于执行程序代码。
本申请第五个实施例提供了一种计算机可读存储介质，计算机可读存储介质中保存有与本申请第一个实施例或第二个实施例提及的电动汽车充电设备负荷预测方法对应的程序代码。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种电动汽车充电设备负荷预测方法，其特征在于，包括：
获取待预测日的负荷预测数据，其中，所述负荷预测数据包括：所述待预测日的气象属性和日历属性，以及参照日的交通流量，所述参照日为最接近所述待预测日，且日历属性与所述待预测日相同的历史日期；
将所述负荷预测数据输入至预置的充电负荷预测模型，其中，所述充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；
通过所述充电负荷预测模型对所述负荷预测数据进行处理，以获取所述充电负荷预测模型输出的充电设备负荷预测结果。
2.根据权利要求1所述的一种电动汽车充电设备负荷预测方法，其特征在于，所述充电负荷预测模型的配置过程包括：
获取历史充电负荷数据，其中所述历史充电负荷数据包括：历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型。
3.根据权利要求1所述的一种电动汽车充电设备负荷预测方法，其特征在于，还包括：
获取待预测日的负荷实测数据，其中，所述负荷实测数据包括：所述待预测日的气象属性、交通流量以及实际充电负荷数据；
将所述负荷实测数据输入至所述充电负荷预测模型，对所述充电负荷预测模型进行模型更新。
4.根据权利要求2所述的一种电动汽车充电设备负荷预测方法，其特征在于，所述将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型具体包括：
将所述历史充电负荷数据输入至初始深度置信网络模型，并对所述初始深度置信网络模型进行模型训练，以获得充电负荷预测模型。
5.一种电动汽车充电设备负荷预测装置，其特征在于，包括：
预测数据获取单元，用于获取待预测日的负荷预测数据，其中，所述负荷预测数据包括：所述待预测日的气象属性和日历属性，以及参照日的交通流量，所述参照日为最接近所述待预测日，且日历属性与所述待预测日相同的历史日期；
数据输入单元，用于将所述负荷预测数据输入至预置的充电负荷预测模型，其中，所述充电负荷预测模型为基于历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据，通过神经网络模型训练方式得到的神经网络模型；
结果输出单元，用于通过所述充电负荷预测模型对所述负荷预测数据进行处理，以获取所述充电负荷预测模型输出的充电设备负荷预测结果。
6.根据权利要求5所述的一种电动汽车充电设备负荷预测装置，其特征在于，还包括：
历史数据获取单元，用于获取历史充电负荷数据，其中所述历史充电负荷数据包括：各个历史日期的气象属性、日历属性、交通流量以及实际充电负荷数据；
预测模型训练单元，用于将所述历史充电负荷数据输入至初始神经网络模型，并对所述初始神经网络模型进行模型训练，以获得充电负荷预测模型。
7.根据权利要求5所述的一种电动汽车充电设备负荷预测装置，其特征在于，还包括：
实测数据获取单元，用于获取待预测日的负荷实测数据，其中，所述负荷实测数据包括：所述待预测日的气象属性、交通流量以及实际充电负荷数据；
模型更新单元，用于将所述负荷实测数据输入至所述充电负荷预测模型，对所述充电负荷预测模型进行模型更新。
8.根据权利要求6所述的一种电动汽车充电设备负荷预测装置，其特征在于，所述预测模型训练单元具体用于：
将所述历史充电负荷数据输入至初始深度置信网络模型，并对所述初始深度置信网络模型进行模型训练，以获得充电负荷预测模型。
9.一种终端，其特征在于，包括：存储器和处理器；
所述存储器用于存储与权利要求1至4任意一项所述的电动汽车充电设备负荷预测方法对应的程序代码；
所述处理器用于执行所述程序代码。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中保存有与权利要求1至4任意一项所述的电动汽车充电设备负荷预测方法对应的程序代码。
CN202010475475.1A 2020-05-29 2020-05-29 一种电动汽车充电设备负荷预测方法及相关装置 Pending CN111476441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475475.1A CN111476441A (zh) 2020-05-29 2020-05-29 一种电动汽车充电设备负荷预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475475.1A CN111476441A (zh) 2020-05-29 2020-05-29 一种电动汽车充电设备负荷预测方法及相关装置

Publications (1)

Publication Number Publication Date
CN111476441A true CN111476441A (zh) 2020-07-31

Family

ID=71765331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475475.1A Pending CN111476441A (zh) 2020-05-29 2020-05-29 一种电动汽车充电设备负荷预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN111476441A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016771B (zh) * 2020-10-23 2021-01-29 北京国新智电新能源科技有限责任公司 基于电动汽车需求预测的移动充电桩调度方法及系统
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
CN114152889A (zh) * 2020-09-04 2022-03-08 湖南京能新能源科技有限公司 基于充电桩的电动汽车电池状态及寿命分析方法
CN114148204A (zh) * 2020-09-04 2022-03-08 湖南京能新能源科技有限公司 一种充电桩自动测试系统
CN114256834A (zh) * 2020-09-23 2022-03-29 湖南京能新能源科技有限公司 基于电网峰谷负荷的充电桩输出功率控制方法
CN114498634A (zh) * 2022-02-17 2022-05-13 四川大学 一种基于电表数据的电动汽车充电负荷预测方法
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102856930A (zh) * 2012-10-11 2013-01-02 天津市电力公司 微网经济调度控制方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法
CN110119826A (zh) * 2018-02-06 2019-08-13 天津职业技术师范大学 一种基于深度学习的电力系统短期负荷预测方法
US20190384259A1 (en) * 2014-05-01 2019-12-19 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
CN110895773A (zh) * 2019-11-29 2020-03-20 合肥工业大学 一种基于广义需求侧资源的dbn电网负荷预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102856930A (zh) * 2012-10-11 2013-01-02 天津市电力公司 微网经济调度控制方法
US20190384259A1 (en) * 2014-05-01 2019-12-19 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
CN110119826A (zh) * 2018-02-06 2019-08-13 天津职业技术师范大学 一种基于深度学习的电力系统短期负荷预测方法
CN109636003A (zh) * 2018-11-14 2019-04-16 北京电力经济技术研究院有限公司 一种高预测精度的电力系统短期负荷预测方法
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法
CN110895773A (zh) * 2019-11-29 2020-03-20 合肥工业大学 一种基于广义需求侧资源的dbn电网负荷预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEN WEN ETAL.: "Research on the impact of different charge and discharge modes of electric vehicles on power grid load", 《INTERNATIONAL CONFERENCE ON ENVIRONMENT SCIENCE AND ADVANCED ENERGY TECHNOLOGIES (ESAET 2020)》 *
张维戈 等: "快换式公交充电站短期负荷预测方法的研究", 《电力系统保护与控制》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152889A (zh) * 2020-09-04 2022-03-08 湖南京能新能源科技有限公司 基于充电桩的电动汽车电池状态及寿命分析方法
CN114148204A (zh) * 2020-09-04 2022-03-08 湖南京能新能源科技有限公司 一种充电桩自动测试系统
CN114256834A (zh) * 2020-09-23 2022-03-29 湖南京能新能源科技有限公司 基于电网峰谷负荷的充电桩输出功率控制方法
CN112016771B (zh) * 2020-10-23 2021-01-29 北京国新智电新能源科技有限责任公司 基于电动汽车需求预测的移动充电桩调度方法及系统
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
CN114498634A (zh) * 2022-02-17 2022-05-13 四川大学 一种基于电表数据的电动汽车充电负荷预测方法
CN114498634B (zh) * 2022-02-17 2023-08-29 四川大学 一种基于电表数据的电动汽车充电负荷预测方法
CN116702978A (zh) * 2023-06-07 2023-09-05 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置
CN116702978B (zh) * 2023-06-07 2024-02-13 西安理工大学 考虑突发事件特征的电动汽车充电负荷预测方法及装置

Similar Documents

Publication Publication Date Title
CN111476441A (zh) 一种电动汽车充电设备负荷预测方法及相关装置
CN109615226B (zh) 一种运营指标异常监测方法
Hong et al. Probabilistic electric load forecasting: A tutorial review
US20220115867A1 (en) Advanced power distribution platform
EP3043447B1 (en) Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model
CN106126391A (zh) 系统监控方法和装置
Kandil et al. Overview and comparison of long-term forecasting techniques for a fast developing utility: part I
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统
CN111985701A (zh) 一种基于供电企业大数据模型库的用电预测方法
JP2020064446A (ja) 予測システムおよび予測方法
KR102139706B1 (ko) 통계적 학습을 통한 가스 배관망 운영정보 제공방법
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN112288303A (zh) 确定线损率的方式、装置
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
JP2006011715A (ja) 資源消費量の推定方法及び装置
Capuno et al. Very Short‐Term Load Forecasting Using Hybrid Algebraic Prediction and Support Vector Regression
CN110443425A (zh) 基于Prophet的智能铁路车站电能能耗预测方法
CN112288172A (zh) 台区线损率的预测方法、装置
Tang et al. Enhancement of distribution load modeling using statistical hybrid regression
CN108615092A (zh) 一种基于指数平滑模型的污水处理厂进水量预测的方法
CN115375205A (zh) 一种用水用户画像的确定方法、装置及设备
CN110222905A (zh) 一种预测人流量的方法及装置
CN117335411B (zh) 一种光伏电站群的中长期发电量预测方法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
Xu et al. Evaluation of fault level of sensitive equipment caused by voltage sag via data mining

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200731

RJ01 Rejection of invention patent application after publication