CN111967696B - 基于神经网络的电动汽车充电需求预测方法、系统及装置 - Google Patents

基于神经网络的电动汽车充电需求预测方法、系统及装置 Download PDF

Info

Publication number
CN111967696B
CN111967696B CN202011142389.5A CN202011142389A CN111967696B CN 111967696 B CN111967696 B CN 111967696B CN 202011142389 A CN202011142389 A CN 202011142389A CN 111967696 B CN111967696 B CN 111967696B
Authority
CN
China
Prior art keywords
charging demand
grid
model
charging
training data
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.)
Active
Application number
CN202011142389.5A
Other languages
English (en)
Other versions
CN111967696A (zh
Inventor
刘峰
张冰洁
杨俊强
刘然
高洋
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.)
Beijing Guoxin Intelligent Power New Energy Technology Co ltd
Original Assignee
Beijing Guoxin Intelligent Power New Energy Technology 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 Beijing Guoxin Intelligent Power New Energy Technology Co ltd filed Critical Beijing Guoxin Intelligent Power New Energy Technology Co ltd
Priority to CN202011142389.5A priority Critical patent/CN111967696B/zh
Publication of CN111967696A publication Critical patent/CN111967696A/zh
Application granted granted Critical
Publication of CN111967696B publication Critical patent/CN111967696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明属于电动汽车充电需求预测领域，具体涉及了一种基于神经网络的电动汽车充电需求预测方法、系统及装置，旨在解决现有充电需求预测方法很难实现准确和精确的充电需求预测的问题。本发明包括：将待预测区域划分为大小不同的网格，并获取设定历史时间段的充电桩信息和充电需求作为模型训练数据，获取天气预报信息和节假日信息作为模型辅助训练数据；对数据进行采样和归一化；基于神经网络构建充电需求预测模型，并设定模型的激活函数、损失函数和成本函数；通过训练数据和辅助训练数据进行模型训练；通过训练获取的模型进行充电需求预测。本发明通过天气信息和节假日信息辅助模型训练，预测结果准确率高。

Description

基于神经网络的电动汽车充电需求预测方法、系统及装置
技术领域
本发明属于电动汽车充电需求预测领域，具体涉及了一种基于神经网络的电动汽车充电需求预测方法、系统及装置。
背景技术
汽车产业向电气化转型已成为社会可持续发展的一个重要趋势，电动汽车以其良好的环保和节能优势，成为未来汽车产业发展的重要方向。由此可见，未来我国电动汽车规模将会进一步扩大。
然而，电动汽车的充电需求与充电站之间的矛盾日益突出。其中，对电动汽车充电需求的准确预测是电动汽车充电网络管理中最基本的管理方法，且当前的商用电动汽车充电需求预测并未充分利用现有的信息处理与分析技术。
现有的电动汽车充电需求主要研究方法可分为两大类：基于概率模型的传统预测方法和基于机器学习的智能预测方法。基于概率模型的方法主要是对电动汽车的充电行为建立概率模型，再通过蒙特卡洛模拟法生成一组随机数据模拟电动汽车群的充电行为来预测。考虑到电动汽车的接入电网区域的随机性，建立精确概率模型是很困难的，上述方法只能进行简单的估算。同时由于缺乏真实的充电数据，大部分研究模拟电动汽车充电行为与真实情况可能相差甚远。基于机器学习的智能预测方法主要是利用机器学习算法和模型，从数据驱动的角度建模，通过对历史数据的分析和训练得到预测模型来进行预测。然而绝大多数研究都是利用ANN、SVM、KNN等浅层模型做一维时间序列预测，模型学习能力和对复杂系统的表达能力有限。
随着移动充电技术的进一步发展，移动充电桩的数量进一步提升，人们进行电动汽车充电需求预测的时候也不仅仅考虑是否能够实现充电、如何减少电网冲击和减小充电费用等等，还会进一步考虑天气状况和充电桩与待充电汽车之间的距离等等因素，这进一步影响了电动汽车充电需求预测的精度。
总的来说，传统的电动汽车充电需求预测方法很难建立精确的概率模型，只能实现电动汽车充电需求的简单估算，而现有的基于机器学习的智能预测方法不考虑天气和充电距离对充电需求的影响，从而电动汽车充电需求预测精度较低。
发明内容
为了解决现有技术中的上述问题，即现有充电需求预测方法很难实现准确和精确的充电需求预测的问题，本发明提供了一种基于神经网络的电动汽车充电需求预测方法，该方法包括：
步骤S10，将待预测区域划分为大小不同的网格；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足 对成本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 664848DEST_PATH_IMAGE001
和偏置 矩阵
Figure 958426DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 795801DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 516632DEST_PATH_IMAGE001
和偏置矩阵
Figure 416455DEST_PATH_IMAGE002
应用于模型，并基于获取的测试 数据输出待预测区域的电动汽车充电需求。
在一些优选的实施例中，基于神经网络构建充电需求预测模型的过程中模型隐含层节点数量通过以下公式获取：
Figure 248145DEST_PATH_IMAGE003
其中，
Figure 549813DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 316912DEST_PATH_IMAGE005
和
Figure 704031DEST_PATH_IMAGE006
分别代表模型输入层和输 出层的神经元数量，
Figure 339411DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 761166DEST_PATH_IMAGE008
、
Figure 960152DEST_PATH_IMAGE009
为预设的可变常数。
在一些优选的实施例中，所述预设的可变常数
Figure 834567DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常 数
Figure 8060DEST_PATH_IMAGE009
，其范围为[2-10]。
在一些优选的实施例中，步骤S30包括：
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo方法进行随机采样，获得采样数据；
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：
Figure 18741DEST_PATH_IMAGE010
其中，
Figure 252276DEST_PATH_IMAGE011
和
Figure 489353DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 466537DEST_PATH_IMAGE013
个数据，
Figure 862883DEST_PATH_IMAGE014
和
Figure 267320DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
在一些优选的实施例中，所述充电需求预测模型的激活函数为：
Figure 975381DEST_PATH_IMAGE016
其中，
Figure 756256DEST_PATH_IMAGE017
，
Figure 741529DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 316867DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 387591DEST_PATH_IMAGE011
为归一 化后的数据集中的第
Figure 581943DEST_PATH_IMAGE013
个数据；
Figure 687303DEST_PATH_IMAGE019
和
Figure 433542DEST_PATH_IMAGE020
为超参数。
在一些优选的实施例中，所述超参数
Figure 257141DEST_PATH_IMAGE019
为1.0507，超参数
Figure 238873DEST_PATH_IMAGE020
为1.67326。
在一些优选的实施例中，所述充电需求预测模型的成本函数为：
Figure 198738DEST_PATH_IMAGE021
其中，
Figure 115879DEST_PATH_IMAGE001
和
Figure 161195DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 821984DEST_PATH_IMAGE022
为数据集中数据的总数量，
Figure 777301DEST_PATH_IMAGE023
为将数据通过模型获取的预测值，
Figure 865343DEST_PATH_IMAGE024
为数据对应的真实值。
本发明的另一方面，提出了一种基于神经网络的电动汽车充电需求预测系统，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为将待预测区域划分为大小不同的网格；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批 数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判 断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在 一个不满足条件，则采用梯度下降法对模型权重矩阵
Figure 397955DEST_PATH_IMAGE001
和偏置矩阵
Figure 862435DEST_PATH_IMAGE002
进行修正，并用新算 出的权重矩阵
Figure 531314DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 914890DEST_PATH_IMAGE001
和偏置矩阵
Figure 934799DEST_PATH_IMAGE002
应用于模 型，并基于获取的测试数据输出待预测区域的电动汽车充电需求。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明的有益效果：
（1）本发明基于神经网络的电动汽车充电需求预测方法，将历史时间段的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型的训练数据，将对应的天气预报信息和节假日信息作为模型训练的辅助数据，获得的模型在进行待预测区域的电动汽车充电需求预测时精度高、准确度高。
（2）本发明基于神经网络的电动汽车充电需求预测方法，将待测区域根据历史充电需求分布划分为大小不同的网格，在历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于神经网络的电动汽车充电需求预测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于神经网络的电动汽车充电需求预测方法，该方法包括：
步骤S10，将待预测区域划分为大小不同的网格；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求，若满足则跳至步骤S60；若不 满足则采用梯度下降法对模型权重矩阵
Figure 202969DEST_PATH_IMAGE001
和偏置矩阵
Figure 991934DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新 算出的权重矩阵
Figure 297144DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 538770DEST_PATH_IMAGE001
和偏置矩阵
Figure 345052DEST_PATH_IMAGE002
应用于模型，并基于获取的测试 数据输出待预测区域的电动汽车充电需求。
为了更清晰地对本发明基于神经网络的电动汽车充电需求预测方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于神经网络的电动汽车充电需求预测方法，包括步骤S10-步骤S60，各步骤详细描述如下：
步骤S10，将待预测区域划分为大小不同的网格。
将待预测区域划分为大小不同的网格，将网格中的数据通过求平均等方法获得代表网格的数据，网格大小直接影响后续计算的精度和速度，网格较大时，计算速度快，但精度会下降，网格较小时，精度较高但计算速度慢，很难保证算法的实时性。
根据历史充电需求将待预测区域划分为大小不同的网络，历史充电需求分布比较稠密的地方，网格较小，历史充电需求分布比较稀疏的地方，网格较大，在保证计算速度的前提下，进一步提升了计算精度，并且模型可以应用到对于实时性要求较高的场合。
本发明一个实施例中，基于充电需求量，通过聚类法进行网格的自适应大小的调整，其具体过程为：
首先，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
然后，设定网格划分后的网格区域充电需求点阈值；
再然后，将充电需求点集合通过K均值聚类法划分为k个聚类簇，每个聚类簇中充电需求点数量不大于充电需求点阈值；
最后，以各聚类簇边缘作为网格的边线，并进行非重合边线的融合，完成区域网格划分。
其中，非重合边线的融合，即将非重合边线的两个交叉点形成的线段作为融合后的边线。
本发明的另一实施例中，通过网格拆分与合并法进行网格自适应大小的调整，其具体过程为：
首先，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
然后，设定网格划分后的网格区域充电需求点的上限阈值和下限阈值；
再然后，将待预测区域平均划分为设定大小的网格，判断当前网格中充电需求点的数量并执行：
若当前网格中充电需求点的数量大于上限阈值，则将当前网格按照充电需求点所在位置平均拆分为充电需求点的数量相同（或数量相差1）的两个子网格，并迭代进行拆分后子网格中充电需求点的数量判断和子网格拆分，直至当前网格拆分后的各子网格中充电需求点的数量均不大于上限阈值；
若当前网格中充电需求点的数量大于等于下限阈值且小于等于上限阈值，则保留当前网格；
若当前网格中充电需求点的数量小于下限阈值，则获取当前网格的各相邻网格，并分别判断当前网格与各相邻网格的充电需求点的和是否处于上限阈值和下限阈值之间，选择处于上限阈值和下限阈值之间的相邻网格与当前网格合并，若合并后仍然小于下限阈值，则迭代进行判别与合并直至网格中充电需求点的数量处于上限阈值和下限阈值之间；
进行网格的拆分与合并后，每个网格区域的充电需求点的数量均处于上限阈值和下限阈值之间，完成区域网格划分。
在其他实施例中，还可以根据需要选择其他的方法进行网格自适应调整，例如概率分布法、随机森林、决策树等，本发明在此不一一详述。
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集。
基于神经网络构建充电需求预测模型的过程中，模型的隐含层节点数量可通过式（1）获取：
Figure 988523DEST_PATH_IMAGE025
其中，
Figure 854848DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 708403DEST_PATH_IMAGE005
和
Figure 318376DEST_PATH_IMAGE006
分别代表模型输入层和输 出层的神经元数量，
Figure 816353DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 588000DEST_PATH_IMAGE008
、
Figure 804218DEST_PATH_IMAGE009
为预设的可变常数。
本发明一个实施例中，预设的可变常数
Figure 827669DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常数
Figure 445732DEST_PATH_IMAGE009
，其 范围为[2-10]。
模型的隐含层的节点数量还可以通过其他方法获取，比如式（2）-式（6）中任一计算方式，也可以通过遗传算法、粒子群优化算法等在各计算方式中获取最优模型隐含层节点数量计算方法。
Figure 653859DEST_PATH_IMAGE026
Figure 357373DEST_PATH_IMAGE027
Figure 433782DEST_PATH_IMAGE028
Figure 640773DEST_PATH_IMAGE029
Figure 19801DEST_PATH_IMAGE030
其中，
Figure 210611DEST_PATH_IMAGE031
代表求取的模型隐含层的节点数量，
Figure 700499DEST_PATH_IMAGE032
和
Figure 168520DEST_PATH_IMAGE033
分别代表模型输入层和输出层 的节点数量，
Figure 452871DEST_PATH_IMAGE034
代表求平方根运算，
Figure 865398DEST_PATH_IMAGE035
为预设的可变常数，其取值范围为[1-10]。
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集。
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo方法进行随机采样，获得采样数据。
Monte Carlo随机采样方法，可以将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量。
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如式（7）所示：
Figure 158976DEST_PATH_IMAGE036
其中，
Figure 606138DEST_PATH_IMAGE011
和
Figure 451603DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 351426DEST_PATH_IMAGE013
个数据，
Figure 183115DEST_PATH_IMAGE014
和
Figure 750363DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
辅助训练数据中包含的天气预报信息和节假日信息用于辅助模型的训练，例如，天气较好或节假日的时候，出行量大大增加，带来了充电需求量的剧增。
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值。
充电需求预测模型的激活函数如式（8）所示：
Figure 376516DEST_PATH_IMAGE037
其中，
Figure 639002DEST_PATH_IMAGE017
，
Figure 274382DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 696136DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 758770DEST_PATH_IMAGE011
为归一 化后的数据集中的第
Figure 757819DEST_PATH_IMAGE013
个数据；
Figure 931312DEST_PATH_IMAGE019
和
Figure 207572DEST_PATH_IMAGE020
为超参数。
本发明一个实施例中，超参数
Figure 175528DEST_PATH_IMAGE019
为1.0507，超参数
Figure 537239DEST_PATH_IMAGE020
为1.67326。
充电需求预测模型的成本函数如式（9）所示：
Figure 389789DEST_PATH_IMAGE038
其中，
Figure 520556DEST_PATH_IMAGE001
和
Figure 924992DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 774000DEST_PATH_IMAGE022
为数据集中数据的总数量，
Figure 679508DEST_PATH_IMAGE024
为将数据通过模型获取的预测值，
Figure 664781DEST_PATH_IMAGE024
为数据对应的真实值。
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足 对成本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 974540DEST_PATH_IMAGE001
和偏置 矩阵
Figure 310843DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 629829DEST_PATH_IMAGE001
选择新一批数据再次计算。
权重矩阵
Figure 610555DEST_PATH_IMAGE001
的修正方法如式（10）所示：
Figure 356794DEST_PATH_IMAGE039
其中，
Figure 180393DEST_PATH_IMAGE040
为学习率，
Figure 37491DEST_PATH_IMAGE041
为模型的损失函数。
本发明一个实施例中，学习率
Figure 731777DEST_PATH_IMAGE040
为0.05。
本发明的损失函数如式（11）所示：
Figure 39131DEST_PATH_IMAGE042
其中，
Figure 84447DEST_PATH_IMAGE043
为将数据通过模型获取的预测值，
Figure 745236DEST_PATH_IMAGE044
为数据对应的真实值。
步骤S60，将训练得到的权重矩阵
Figure 825187DEST_PATH_IMAGE001
和偏置矩阵
Figure 788595DEST_PATH_IMAGE002
应用于模型，并基于获取的测试 数据输出待预测区域的电动汽车充电需求。
本发明第二实施例的基于神经网络的电动汽车充电需求预测系统，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为将待预测区域划分为大小不同的网格；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批 数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判 断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在 一个不满足条件，则采用梯度下降法对模型权重矩阵
Figure 321208DEST_PATH_IMAGE001
和偏置矩阵
Figure 520108DEST_PATH_IMAGE002
进行修正，并用新算 出的权重矩阵
Figure 454566DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 713509DEST_PATH_IMAGE001
和偏置矩阵
Figure 858051DEST_PATH_IMAGE002
应用于模 型，并基于获取的测试数据输出待预测区域的电动汽车充电需求。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于神经网络的电动汽车充电需求预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的电动汽车充电需求预测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的电动汽车充电需求预测方法，其特征在于，该方法包括：
步骤S10，根据历史充电需求通过自适应调整方法将待预测区域划分为大小不同的网格；所述自适应调整方法为聚类法、网格拆分与合并法、概率分布法、随机森林、决策树中的一种；
通过聚类法将待预测区域划分为大小不同的网格，包括：
步骤A10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
步骤A20，设定网格划分后的网格区域充电需求点阈值；
步骤A30，将充电需求点集合通过K均值聚类法划分为k个聚类簇，每个聚类簇中充电需求点数量不大于充电需求点阈值；
步骤A40，以各聚类簇边缘作为网格的边线，并进行非重合边线的融合，完成区域网格划分；所述非重合边线的融合，为将非重合边线的两个交叉点形成的线段作为融合后的边线；
通过网格拆分与合并法将待预测区域划分为大小不同的网格，包括：
步骤B10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
步骤B20，设定网格划分后的网格区域充电需求点的上限阈值和下限阈值；
步骤B30，将待预测区域平均划分为设定大小的网格，判断当前网格中充电需求点的数量并执行：
若当前网格中充电需求点的数量大于上限阈值，则将当前网格按照充电需求点所在位置平均拆分为充电需求点的数量相同或数量相差1的两个子网格，并迭代进行拆分后子网格中充电需求点的数量判断和子网格拆分，直至当前网格拆分后的各子网格中充电需求点的数量均不大于上限阈值；
若当前网格中充电需求点的数量大于等于下限阈值且小于等于上限阈值，则保留当前网格；
若当前网格中充电需求点的数量小于下限阈值，则获取当前网格的各相邻网格，并分别判断当前网格与各相邻网格的充电需求点的和是否处于上限阈值和下限阈值之间，选择处于上限阈值和下限阈值之间的相邻网格与当前网格合并，若合并后仍然小于下限阈值，则迭代进行判别与合并直至网格中充电需求点的数量处于上限阈值和下限阈值之间；
步骤B40，进行网格的拆分与合并后，每个网格区域的充电需求点的数量均处于上限阈值和下限阈值之间，完成区域网格划分；
步骤S20，基于神经网络构建充电需求预测模型，并获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
步骤S30，分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
步骤S40，设定所述充电需求预测模型的激活函数、损失函数和成本函数，并以所述预处理训练数据集和辅助训练数据集中的一批数据作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值；
步骤S50，判断所述损失函数是否满足对误差的要求以及所述成本函数是否满足对成 本的要求，若均满足则跳至步骤S60；否则，采用梯度下降法对模型权重矩阵
Figure 399484DEST_PATH_IMAGE001
和偏置矩阵
Figure 606475DEST_PATH_IMAGE002
进行修正，并跳转至步骤S40用新算出的权重矩阵
Figure 454345DEST_PATH_IMAGE001
选择新一批数据再次计算；
步骤S60，将训练得到的权重矩阵
Figure 238630DEST_PATH_IMAGE001
和偏置矩阵
Figure 197359DEST_PATH_IMAGE002
应用于模型，并基于获取的测试数据 输出待预测区域的电动汽车充电需求。
2.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，基于神经网络构建充电需求预测模型的过程中模型隐含层节点数量通过以下公式获取：
Figure 993277DEST_PATH_IMAGE003
其中，
Figure 12048DEST_PATH_IMAGE004
代表求取的模型隐含层的节点数量，
Figure 283630DEST_PATH_IMAGE005
和
Figure 46049DEST_PATH_IMAGE006
分别代表模型输入层和输出层 的神经元数量，
Figure 962053DEST_PATH_IMAGE007
代表模型训练的样本数量，
Figure 886146DEST_PATH_IMAGE008
、
Figure 785969DEST_PATH_IMAGE009
为预设的可变常数。
3.根据权利要求2所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所 述预设的可变常数
Figure 211134DEST_PATH_IMAGE008
，其范围为[2-10]，预设的可变常数
Figure 247224DEST_PATH_IMAGE009
，其范围为[2-10]。
4.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，步骤S30包括：
步骤S31，将所述训练数据集和辅助训练数据集通过Monte Carlo方法进行随机采样，获得采样数据；
步骤S32，对所述采样数据进行归一化，获得预处理训练数据集和辅助训练数据集；归一化处理的计算公式如下所示：
Figure 342219DEST_PATH_IMAGE010
其中，
Figure 463758DEST_PATH_IMAGE011
和
Figure 692614DEST_PATH_IMAGE012
分别代表归一化后和归一化前的数据集中的第
Figure 317631DEST_PATH_IMAGE013
个数据，
Figure 849106DEST_PATH_IMAGE014
和
Figure 457942DEST_PATH_IMAGE015
分别代表数据集中数据最大值和最小值。
5.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所述充电需求预测模型的激活函数为：
Figure 365855DEST_PATH_IMAGE016
其中，
Figure 235591DEST_PATH_IMAGE017
，
Figure 937968DEST_PATH_IMAGE018
为模型权重矩阵的转置，
Figure 768521DEST_PATH_IMAGE002
为模型偏置矩阵，
Figure 214545DEST_PATH_IMAGE011
为归一化后 的数据集中的第
Figure 938788DEST_PATH_IMAGE013
个数据；
Figure 812066DEST_PATH_IMAGE019
和
Figure 129915DEST_PATH_IMAGE020
为超参数。
6.根据权利要求5所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所 述超参数
Figure 379631DEST_PATH_IMAGE019
为1.0507，超参数
Figure 99325DEST_PATH_IMAGE020
为1.67326。
7.根据权利要求1所述的基于神经网络的电动汽车充电需求预测方法，其特征在于，所述充电需求预测模型的成本函数为：
Figure 268138DEST_PATH_IMAGE021
其中，
Figure 73283DEST_PATH_IMAGE001
和
Figure 861110DEST_PATH_IMAGE002
分别为模型的权重矩阵和偏置矩阵，
Figure 435311DEST_PATH_IMAGE022
为数据集中数据的总数量，
Figure 775026DEST_PATH_IMAGE023
为将 数据通过模型获取的预测值，
Figure 801888DEST_PATH_IMAGE024
为数据对应的真实值。
8.一种基于神经网络的电动汽车充电需求预测系统，其特征在于，该系统包括网格划分模块、训练数据获取模块、数据预处理模块、模型构建模块、模型训练模块和充电需求预测模块；
所述网格划分模块，配置为根据历史充电需求通过自适应调整方法将待预测区域划分为大小不同的网格；所述自适应调整方法为聚类法、网格拆分与合并法、概率分布法、随机森林、决策树中的一种；
通过聚类法将待预测区域划分为大小不同的网格，包括：
步骤A10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
步骤A20，设定网格划分后的网格区域充电需求点阈值；
步骤A30，将充电需求点集合通过K均值聚类法划分为k个聚类簇，每个聚类簇中充电需求点数量不大于充电需求点阈值；
步骤A40，以各聚类簇边缘作为网格的边线，并进行非重合边线的融合，完成区域网格划分；所述非重合边线的融合，为将非重合边线的两个交叉点形成的线段作为融合后的边线；
通过网格拆分与合并法将待预测区域划分为大小不同的网格，包括：
步骤B10，获取待预测区域设定历史时间段的充电需求，以各充电需求所在位置作为充电需求点，获得充电需求点集合；
步骤B20，设定网格划分后的网格区域充电需求点的上限阈值和下限阈值；
步骤B30，将待预测区域平均划分为设定大小的网格，判断当前网格中充电需求点的数量并执行：
若当前网格中充电需求点的数量大于上限阈值，则将当前网格按照充电需求点所在位置平均拆分为充电需求点的数量相同或数量相差1的两个子网格，并迭代进行拆分后子网格中充电需求点的数量判断和子网格拆分，直至当前网格拆分后的各子网格中充电需求点的数量均不大于上限阈值；
若当前网格中充电需求点的数量大于等于下限阈值且小于等于上限阈值，则保留当前网格；
若当前网格中充电需求点的数量小于下限阈值，则获取当前网格的各相邻网格，并分别判断当前网格与各相邻网格的充电需求点的和是否处于上限阈值和下限阈值之间，选择处于上限阈值和下限阈值之间的相邻网格与当前网格合并，若合并后仍然小于下限阈值，则迭代进行判别与合并直至网格中充电需求点的数量处于上限阈值和下限阈值之间；
步骤B40，进行网格的拆分与合并后，每个网格区域的充电需求点的数量均处于上限阈值和下限阈值之间，完成区域网格划分；
所述训练数据获取模块，配置为获取设定历史时间段的各网格对应的移动充电桩信息、固定充电桩信息以及电动汽车充电需求作为模型训练数据集，获取对应的天气预报信息和节假日信息作为模型辅助训练数据集；
所述数据预处理模块，配置为分别进行所述训练数据集和辅助训练数据集的预处理，获得预处理训练数据集和辅助训练数据集；
所述模型构建模块，配置为基于神经网络构建充电需求预测模型，设定所述充电需求预测模型的激活函数、损失函数和成本函数；
所述模型训练模块，配置为以所述预处理训练数据集和辅助训练数据集中的一批数据 作为模型输入，从模型的输入层向隐含层正向传播计算出损失函数和成本函数值，判断所 述损失函数是否满足对误差的要求以及所述成本函数是否满足对成本的要求，若存在一个 不满足条件，则采用梯度下降法对模型权重矩阵
Figure 658985DEST_PATH_IMAGE001
和偏置矩阵
Figure 87692DEST_PATH_IMAGE002
进行修正，并用新算出的 权重矩阵
Figure 473674DEST_PATH_IMAGE001
选择新一批数据再次计算；
所述充电需求预测模块，配置为将训练得到的权重矩阵
Figure 378045DEST_PATH_IMAGE001
和偏置矩阵
Figure 507675DEST_PATH_IMAGE002
应用于模型，并 基于获取的测试数据输出待预测区域的电动汽车充电需求。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-7任一项所述的基于神经网络的电动汽车充电需求预测方法。
10.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-7任一项所述的基于神经网络的电动汽车充电需求预测方法。
CN202011142389.5A 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置 Active CN111967696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011142389.5A CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142389.5A CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Publications (2)

Publication Number Publication Date
CN111967696A CN111967696A (zh) 2020-11-20
CN111967696B true CN111967696B (zh) 2021-01-29

Family

ID=73387650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142389.5A Active CN111967696B (zh) 2020-10-23 2020-10-23 基于神经网络的电动汽车充电需求预测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN111967696B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418742B (zh) * 2021-01-20 2021-08-31 南方电网数字电网研究院有限公司 信息物理融合的电动汽车换电站网络双层控制方法
CN113706220A (zh) * 2021-09-15 2021-11-26 华人运通(上海)自动驾驶科技有限公司 用户画像确定、用户需求预测方法以及数据处理系统
CN115204512B (zh) * 2022-07-29 2024-04-12 国网江苏电动汽车服务有限公司 多场景下基于数据驱动的车辆充电行为预测模型构建方法
CN115994629B (zh) * 2023-03-23 2023-06-20 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN117689188B (zh) * 2024-02-04 2024-04-26 江西驴充充物联网科技有限公司 基于大数据的用户充电策略优化系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925361B1 (en) * 1999-11-30 2005-08-02 Orion Engineering Corp. Distributed energy neural network integration system
CN108537274A (zh) * 2018-04-08 2018-09-14 武汉大学 一种基于网格的空间多尺度快速聚类方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110208252A (zh) * 2019-06-30 2019-09-06 华中科技大学 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法
CN110929924A (zh) * 2019-11-13 2020-03-27 广西电网有限责任公司 基于云边融合架构的小水电发电量预测系统及其实现方法
CN111179506A (zh) * 2018-11-09 2020-05-19 上海仪电（集团）有限公司中央研究院 共享充电桩自助充电系统及共享充电桩的推荐方法
CN111259808A (zh) * 2020-01-17 2020-06-09 北京工业大学 一种基于改进ssd算法的交通标识的检测识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325402A (zh) * 2020-02-21 2020-06-23 东南大学 基于bp神经网络的电动汽车用户充电行为的预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6925361B1 (en) * 1999-11-30 2005-08-02 Orion Engineering Corp. Distributed energy neural network integration system
CN108537274A (zh) * 2018-04-08 2018-09-14 武汉大学 一种基于网格的空间多尺度快速聚类方法
CN111179506A (zh) * 2018-11-09 2020-05-19 上海仪电（集团）有限公司中央研究院 共享充电桩自助充电系统及共享充电桩的推荐方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110208252A (zh) * 2019-06-30 2019-09-06 华中科技大学 一种基于激光诱导击穿光谱分析的煤灰熔点预测方法
CN110929924A (zh) * 2019-11-13 2020-03-27 广西电网有限责任公司 基于云边融合架构的小水电发电量预测系统及其实现方法
CN111259808A (zh) * 2020-01-17 2020-06-09 北京工业大学 一种基于改进ssd算法的交通标识的检测识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
2.3 logistic回归损失函数;杜佳豪;《https://blog.csdn.net/dujiahaogod/article/details/79716133》;20180401;全文 *
selu激活函数;芦金宇;《https://blog.csdn.net/ch1209498273/article/details/78636409》;20171126;全文 *
基于网格的加权平均密度自适应聚类算法及其应用研究;贺庄;《中国优秀硕士学位论文全文数据库信息科技辑》;中国学术期刊（光盘版）电子杂志社;20140515(第5期);全文 *
如何确定神经网络的层数和隐藏层神经元数量;呦呦鹿鸣;《https://zhuanlan.zhihu.com/p/100419971》;20191231;第三节、隐藏层中的神经元数量 *

Also Published As

Publication number Publication date
CN111967696A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111967696B (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
Sun et al. Using Bayesian deep learning to capture uncertainty for residential net load forecasting
Mahmoud et al. An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine
CN112686464A (zh) 短期风电功率预测方法及装置
Bhaskar et al. Wind speed forecasting: Present status
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
Nichiforov et al. Deep learning techniques for load forecasting in large commercial buildings
del Campo-Ávila et al. Binding data mining and expert knowledge for one-day-ahead prediction of hourly global solar radiation
CN108090563A (zh) 一种基于bp神经网络的电能量预测方法
Li et al. A novel combined prediction model for monthly mean precipitation with error correction strategy
CN112990976A (zh) 基于开源数据挖掘的商业网点选址方法、系统、设备及介质
Bai et al. A forecasting method of forest pests based on the rough set and PSO-BP neural network
CN112016771B (zh) 基于电动汽车需求预测的移动充电桩调度方法及系统
CN109118120B (zh) 考虑水库调度方案可持续性利用的多目标决策方法
CN103885867B (zh) 一种模拟电路性能的在线评价方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
Khosravi et al. Wind farm power uncertainty quantification using a mean-variance estimation method
CN112560633A (zh) 基于深度学习的植物关键物候期时间点预测方法及系统
Sarmas et al. Baseline energy modeling for improved measurement and verification through the use of ensemble artificial intelligence models
Carneiro et al. Methodology for integration of wind resource forecasts based on artificial neural networks
CN115374709A (zh) 一种基于深度森林模型和flus模型的土地分析方法及系统

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