CN112149915A - 一种充电站充电负荷预测方法和系统 - Google Patents
一种充电站充电负荷预测方法和系统 Download PDFInfo
- Publication number
- CN112149915A CN112149915A CN202011071646.0A CN202011071646A CN112149915A CN 112149915 A CN112149915 A CN 112149915A CN 202011071646 A CN202011071646 A CN 202011071646A CN 112149915 A CN112149915 A CN 112149915A
- Authority
- CN
- China
- Prior art keywords
- charging
- unit time
- time period
- load
- prediction model
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种充电站充电负荷预测方法和系统,所述方法包括获取目标充电站历史充电记录,筛选并预处理充电样本数据集,得到每条充电记录的充电时长和充电电量,以及各单位时间段内充电站的充电汽车数量;根据每条充电记录的充电时长和充电电量得到充电负荷特征数据集;根据充电样本数据集中各单位时间段内充电站的充电汽车数量得到充电汽车数量特征数据集;根据分时电价、充电负荷特征数据集和充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;利用充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。基于数据规律的方法,对单一区域充电站进行充电负荷预测,能够提高充电负荷预测的准确率和适用性。
Description
技术领域
本发明属于负荷预测技术领域,涉及一种充电站充电负荷预测方法和系统。
背景技术
现阶段,随着充电汽车的逐渐普及,在充电站充电已成为居民开车出行中的主要充电方式之一。充电桩充电负荷作为电力负荷,可以通过有效的电力调度平衡峰谷差,增加电网调度的电力供电利用率。
传统的充电桩充电负荷研究方法主要基于概率模型。典型的概率模型有:概率平均模型,蒙特卡洛抽样概率模型,基于出行统计数据的概率模型等。概率平均模型是用概率平均的思想来计算离散点的充电负荷,并在模型中考虑电动汽车充电起始时间、电池初始负荷状态等概率分布;蒙特卡洛抽样概率模型是目前对于充电负荷研究中的较为常用的方法,采用蒙特卡洛仿真方法模拟电动汽车的充电起始时间、起始充电状态和用户充电行为得到电动汽车充电负荷的时间分布;基于出行统计数据的概率模型是通过对家用车辆的出行调查,加入了电池初始负荷状态和日行驶里程的概率分布。
上述传统的充电负荷预测依赖于概率模型,充电负荷预测的准确率依赖于概率统计的准确率,且不同地区充电规律并不相同,再者传统模型依赖于用户习惯,电池充电特性等概率模型,具有较大的随机性,因此传统概率模型对于不同区域的充电负荷适用性较差。
发明内容
为解决现有技术中的不足,本申请提供一种充电站充电负荷预测方法,基于数据规律的方法和系统,对单一区域充电站进行充电负荷预测。基于数据的规律能够避免因用户充电规律、电池充电特性等不确定性数据的影响,提高充电负荷预测的准确率和适用性。
为了实现上述目标,本申请的第一件发明采用如下技术方案:
一种充电站充电负荷预测方法,所述方法包括以下步骤:
步骤1:获取目标充电站历史充电记录,筛选得到充电样本数据集;
步骤2:充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
步骤3:根据步骤2得到的每条充电记录的单位时间段充电电量,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;
步骤4:根据步骤3得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;
步骤5:根据步骤4得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集;
步骤6:根据步骤2得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集;
步骤7:根据分时电价、步骤5得到的充电负荷特征数据集和步骤6得到的充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;
步骤8:利用步骤7得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
本发明进一步包括以下优选方案:
优选地,步骤1所述充电样本数据集包括每条充电记录的充电开始时间、充电结束时间、充电电量和交易时电价。
优选地,步骤2中,对于充电样本数据集中的每条充电记录,其在各单位时间段内的充电汽车数量计算方法为:该单位时间段内该充电记录对应的充电时长所占单位时间段时长的比例。
优选地,步骤3具体包括以下步骤:
步骤3.1:将每条充电记录的充电时长和单位时间段充电电量组成的数据集划分为单位时间段充电电量训练集和单位时间段充电电量测试集;
步骤3.2:采用单位时间段充电电量训练集构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,采用单位时间段充电电量测试集测试单位时间段充电电量预测模型并调整其模型参数;
所述每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型采用XGBoost模型;
优选地,步骤4中,充电站各单位时间段充电平均负荷计算公式为:
Pt表示在t时间段内的充电站充电平均负荷,WN表示第Nc个充电桩在当前时间段内的单位时间段充电电量,WL表示第Nc个充电桩上一个单位时间点的单位时间段充电电量,TN表示截止到当前时间内的充电时间,TL表示上一个单位时间点时间。
优选地,步骤5具体包括以下步骤:
步骤5.1:计算各单位时间段充电负荷时间序列的自相关性;
相关性值计算公式为:
其中,τ表示延时时间,xi表示第i时间段内的充电平均负荷,μ表示x1到xn的均值;
步骤5.2:筛选相关性值大于设定阈值的时间段的充电平均负荷作为充电负荷样本集;
步骤5.3:计算充电负荷样本集中数据的统计特征作为充电负荷特征数据集,所述统计特征包括均值、中位数、方差、标准差、数据和。
优选地,步骤6具体包括以下步骤:
步骤6.1:计算步骤2获得的各单位时间段内充电站充电汽车数量时间序列的自相关性;
相关性值计算公式为:
其中,τ表示延时时间,xi表示第i时间段内的充电汽车数量,μ表示x1到xn的均值;
步骤6.2:筛选相关性值大于设定阈值的时间段的充电汽车数量作为充电汽车数量样本集;
步骤6.3:将充电汽车数量样本集划分为充电汽车数量训练集和充电汽车数量测试集;
步骤6.4:根据充电汽车数量训练集和充电汽车数量测试集,构建并训练充电站各单位时间段充电汽车数量预测模型;
步骤6.5:利用充电站各单位时间段充电汽车数量预测模型预测各单位时间段充电汽车数量,作为充电汽车数量特征数据集。
优选地,步骤6.4中,采用充电汽车数量训练集构建并训练充电站各单位时间段充电汽车数量预测模型,采用充电汽车数量测试集测试充电站各单位时间段充电汽车数量预测模型,将充电汽车数量测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电汽车数量预测模型;
所述充电站各单位时间段充电汽车数量预测模型采用LSTM模型;
所述充电站各单位时间段充电汽车数量预测模型的输入维度和输出维度分别由充电汽车数量训练集和预测目标确定;
所述充电站各单位时间段充电汽车数量预测模型为:
ht=Ot*tanh(St);
其中,Ot=σ(Wo[ht-1,Xt]+bo),St=ft*St-1+It*Ct;
ft=σ(Wf·[ht-1,Xt]+bf),It=σ(WI·[ht-1,Xt]+bI),Ct=tanh(Wc·[ht-1,Xt]+bc);
其中,t表示当前时间,t-1表示上一时间,Wf、Wc、Wo表示当前时间ft、Ct、Ot的权重,ht-1上一个时间的输出,ht表示当前时间的输出,Xt当前时间的输入,bf、bc、bI为计算当前ft、Ct、It的偏置常数,ft为遗忘门计算公式,St为更新门计算公式,Ot为输出门计算公式,Ct、It用于计算St。
优选地,所述充电站各单位时间段充电汽车数量预测模型的损失函数为均方误差,计算公式为:
其中,n表示预测得到的n个结果yi表示测试集中的实际值,yi表示模型预测得到的实际值;
所述充电站各单位时间段充电汽车数量预测模型采用Adam优化算法最小化MSE;
所述添加的正则化比例dropout为:0.5。
优选地,步骤7具体包括以下步骤:
步骤7.1:将分时电价、充电负荷特征数据集和充电汽车数量特征数据集作为负荷预测样本集;
将负荷预测样本集划分为负荷预测训练集和负荷预测测试集;
步骤7.2:采用负荷预测训练集构建并训练充电站各单位时间段充电负荷预测模型,采用负荷预测测试集测试充电站各单位时间段充电负荷预测模型,将负荷预测测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电负荷预测模型。
本申请还公开了另一件发明,即一种充电站充电负荷预测系统,所述系统包括历史数据获取模块、数据预处理模块、第一预测模块、第一计算模块、第二计算模块、第二预测模块、预测模型构建模块和第三预测模块;
所述历史数据获取模块,用于获取目标充电站历史充电记录,筛选得到充电样本数据集;
所述数据预处理模块,用于充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
所述第一预测模块,用于根据数据预处理模块得到的每条充电记录的单位时间段充电电量,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;
所述第一计算模块,用于根据第一预测模块得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;
所述第二计算模块,用于根据第一计算模块得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集;
所述第二预测模块,用于根据数据预处理模块得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集;
所述预测模型构建模块,用于根据分时电价、第二计算模块得到的充电负荷特征数据集和第二预测模块得到的充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;
所述第三预测模块,用于利用预测模型构建模块得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
本申请所达到的有益效果:
本申请基于数据规律的方法,对单一区域充电站进行充电负荷预测,能够避免因用户充电规律、电池充电特性等不确定性数据的影响,提高充电负荷预测的准确率和适用性。
附图说明
图1是本申请一种充电站充电负荷预测方法的流程图;
图2是本申请实施例中LSTM模型结构示意图;
图3是本申请实施例中部分每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型的充电电量预测值与实际值对比结果;
图4是本申请实施例中充电站充电平均负荷时间序列相关性分析结果;
图5是本申请一种充电站充电负荷预测系统的结构框图;
图6是本申请实施例中部分充电站各单位时间段充电负荷预测模型的充电负荷预测值与实际值的对比结果。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种充电站充电负荷预测方法,包括以下步骤:
步骤1:获取目标充电站历史充电记录,筛选得到充电样本数据集;
本申请实施例中,获取某地区2018-1-1到2019-1-31充电站汽车充电记录,选取与负荷有关的数据记录作为充电样本数据集,包括每条充电记录的充电开始时间、充电结束时间、充电电量和交易时电价。
步骤2:充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
对于充电样本数据集中的每条充电记录,其在各单位时间段内的充电汽车数量计算方法为:该单位时间段内该充电记录对应的充电时长所占单位时间段时长的比例;即:
充电开始时间所在单位时间段的充电汽车数量为:充电开始时间到下一个单位时间段开始时间的时长所占单位时间段时长的比例;
持续充电的单位时间段的充电汽车数量为:1;
充电结束时间所在单位时间段的充电汽车数量为:充电时段的最后一个单位时间段的开始时间到充电结束时间的时长所占单位时间段时长的比例。
每条充电记录在各单位时间段内的充电汽车数量累计,即得到各单位时间段内充电站的充电汽车数量。
本申请实施例中,选取1小时为一个单位时间段。
步骤3:根据步骤2得到的每条充电记录的单位时间段充电电量,如:9:45-12:30,100kw*h,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;如:9:45-12:30单位时间段充电电量为100kw*h,通过模型预测得到9:45到10:00单位时间段充电电量为20kw*h,9:45到11:00单位时间段充电电量为70kw*h,9:45到12:00单位时间段充电电量为95kw*h,9:45-13:00单位时间段充电电量为100kw*h。
步骤3具体包括以下步骤:
步骤3.1:由于XGBoost模型不需要大规模数据量,选取并将步骤2中得到2018-9-1到2018-12-31每条充电记录的充电时长和单位时间段充电电量组成的数据集划分为单位时间段充电电量训练集和单位时间段充电电量测试集;
本申请实施例中,2018-9-1到2018-12-18的数据作为训练集,2018-12-19到2018-12-31的数据作为测试集;
步骤3.2:采用单位时间段充电电量训练集构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,采用单位时间段充电电量测试集测试单位时间段充电电量预测模型并调整其模型参数;
所述每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型采用XGBoost充电电量预测模型;
具体的训练测试步骤为:
步骤(1):建立回归树模型;
步骤(2):通过特征分裂添加子树,每添加一颗回归树将当前的树加入原来的模型,拟合上次预测的残差,即实际值与预测值之间的差值。分裂规则为计算每次分裂后的增益,选择增益最大的增益分裂方案,增益计算公式为:
γ、λ为惩罚项,γ控制叶子结点的个数,λ控制叶子节点的分数不会过大,防止过拟合,GL,GR为左右子树的一阶导数,HL、HR为左右子树的二阶导数。
步骤(3):不断分裂特征,最终到达一个叶子节点,将每个叶子节点的结果求和得到样本的预测值,公式如下:
目标函数为:
l为代表损失误差的凸函数,度量真实值yi和预测值yi之间的距离,第二项正则项,控制树的复杂度,T表示叶子节点的个数,w表示每棵树的叶子节点分数组成的集合计算方法为公式6。
对损失函数进行泰勒二阶展开得到:
带入计算得到:
对wj求导取极值得到:
将关于树模型的迭代转化为关于树的叶子节点的迭代,并求出最优的叶节点分数,将叶节点的最优值带入目标函数,最终将目标函数转化为:
步骤(4):使用贪婪算法,遍历所有特征划分点,使用目标函数值作为评价函数,最小化目标函数得到XGBoost模型;
步骤(5):XGBoost调参,参数包括:生成的最大树的数目、学习率、节点分裂所需的最小损失函数下降值、随机采样比例、树的最大深度、权重的L1正则化项、以及权重的L2正则化项。不断设置参数最小化目标函数,得到最终XGBoost模型,作为每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型。
步骤3.3:将2018-1-1到2019-1-31每条充电记录中充电开始时间到每个单位时间点的充电时长Tn以及输入到每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测得到2018-1-1到2019-1-31每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量。
图3为本申请实施例中部分每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型的充电电量预测值与实际值对比结果,其中ground truth表示实际值,predict mse:34.32表示在均方误差为34.32下的预测值。
步骤4:根据步骤3得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;如9:45-12:30单位时间段充电电量为100kw*h,9:45到10:00单位时间段充电电量为20kw*h,根据公式8得到9:00-10:00的负荷为80kw,10:00到11:00单位时间段充电电量为50kw*h,根据公式8得到10:00-11:00的负荷为50kw,11:00到12:00单位时间段充电电量为25kw*h,根据公式8得到11:00-12:00的负荷为25kw,12:00-12:30单位时间段充电电量为5kw*h,根据公式8得到12:00-13:00为10kw,对所有记录求和得到充电站各单位时间段充电平均负荷。
计算公式为:
Pt表示在t时间段内的充电站充电平均负荷,WN表示第Nc个充电桩在当前时间段内的单位时间段充电电量,WL表示第Nc个充电桩上一个单位时间点的单位时间段充电电量,TN表示截止到当前时间内的充电时间,TL表示上一个单位时间点时间。
例如假设充电站有充电桩1、2,在20:00时充电电量分别为25kW·h、20kW·h,在21:00时充电电量分别为30kW·h、28kW·h,则充电站20:00-21:00时间段内的充电平均负荷为Pt=(30-25)+(28-20)/(21-20)=13。
使用公式8进行统计得到整个充电站2018-1-1到2019-1-31每个时间段内充电平均负荷,用于充电负荷预测模型。
步骤5:根据步骤4得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集,包括以下步骤:
步骤5.1:计算各单位时间段充电平均负荷时间序列的自相关性;
相关性值计算公式为:
其中,τ表示延时时间,xi表示第i时间段内的充电平均负荷,μ表示x1到xn的均值;
将计算得到的相关性值R(τ)与时间绘制出充电平均负荷的时间相关性图,如图4所示,图4中,time/h表示小时时间,coe_value表示与间隔时间为time的充电平均负荷与当前充电平均负荷的相关性。
观察其相关性;
步骤5.2:筛选相关性值大于设定阈值的时间段的充电平均负荷作为充电负荷样本集;
步骤5.3:计算充电负荷样本集中数据的统计特征作为充电负荷特征数据集,所述统计特征包括均值、中位数、方差、标准差、数据和。
步骤6:根据步骤2得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集,包括以下步骤:
步骤6.1:计算步骤2获得的2018-1-1到2019-1-31各单位时间段内充电站充电汽车数量时间序列的自相关性;
将步骤2得到的各时间段内的充电汽车数量x(1),x(2),...,x(n)带入相关性值计算公式,计算相关性。
相关性值计算公式为:
其中,τ表示延时时间,xi表示第i时间段内的充电汽车数量,μ表示x1到xn的均值;
将计算得到的相关性值R(τ)与时间绘制出充电汽车数量的时间相关性图,观察其相关性;
步骤6.2:筛选相关性值大于设定阈值的时间段的充电汽车数量作为充电汽车数量样本集;
步骤6.3:将样本集中2018-1-1到2018-12-31数据作为训练集,2019-1-1到2019-1-31数据作为测试集。
步骤6.4:根据充电汽车数量训练集和充电汽车数量测试集,构建并训练充电站各单位时间段充电汽车数量预测模型;
采用充电汽车数量训练集构建并训练充电站各单位时间段充电汽车数量预测模型,采用充电汽车数量测试集测试充电站各单位时间段充电汽车数量预测模型,将充电汽车数量测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电汽车数量预测模型;
所述充电站各单位时间段充电汽车数量预测模型采用LSTM模型;
本申请实施例中,所述LSTM模型结构如图2所示。
所述充电站各单位时间段充电汽车数量预测模型的输入维度和输出维度分别由充电汽车数量训练集和预测目标确定;
所述充电站各单位时间段充电汽车数量预测模型为:
ht=Ot*tanh(St);
其中,Ot=σ(Wo[ht-1,Xt]+bo),St=ft*St-1+It*Ct;
ft=σ(Wf·[ht-1,Xt]+bf),It=σ(WI·[ht-1,Xt]+bI),Ct=tanh(Wc·[ht-1,Xt]+bc);
其中,t表示当前时间,t-1表示上一时间,Wf、Wc、Wo表示当前时间ft、Ct、Ot的权重,ht-1上一个时间的输出,ht表示当前时间的输出,Xt当前时间的输入,bf、bc、bI为计算当前ft、Ct、It的偏置常数,ft为遗忘门计算公式,St为更新门计算公式,Ot为输出门计算公式,Ct、It用于计算St。
所述充电站各单位时间段充电汽车数量预测模型的损失函数为MSE(均方误差),计算公式为:
其中,n表示预测得到的n个结果yi表示测试集中的实际值,yi表示模型预测得到的实际值;
所述充电站各单位时间段充电汽车数量预测模型采用Adam优化算法最小化MSE;
所述正则化项dropout为:0.5。
具体的训练测试步骤为:
步骤(1):根据步骤6.3划分出的充电汽车数量训练集,及预测结果维度确定LSTM输入维度;
如前七天,每天24小时充电汽车数量为特征则输入维度为(7,24))与输出维度,预测一天的数据则输出维度为(24,1);
步骤(2):选择均方误差为损失函数,计算公式如下,然后设计LSTM模型结构;
步骤(3):将数据集放入LSTM模型进行正向传播计算:
计算遗忘门:ft=σ(Wf·[ht-1,Xt]+bf);
更新门St=ft*St-1+It*Ct,其中Ct=tanh(Wc·[ht-1,Xt]+bc),It=σ(WI·[ht-1,Xt]+bI);
计算输出门:Ot=σ(Wo[ht-1,Xt]+bo);
计算LSTM模型输出:
其中t表示当前时刻,t-1表示上一时刻,Wf、Wc、Wo表示当前时间ft、Ct、Ot的权重,ht-1上一个时间的输出,Xt当前时间的输入,bf为当前ft的偏置常数。
步骤(4):模型反向传播计算:
对门求偏导数
dOt=dht+1*tanh(St+1)*Ot*(1-Ot) (11)
dCt=dSt+1*It+Ot(1-tanh(St+1)2*It*dht+1*Ct*(1-tanh(Ct)2 (12)
dIt=dSt+1*Ct+Ot(1-tanh(St+1)2)*Ct*dht+1*It*(1-It) (13)
dft=dSt+1*Ct-1+Ot(1-tanh(St+1)2)*St-1*dht+1*ft*(1-ft) (14)
对参数求偏导数:
最后计算梯度公式为:
dSt-1=dSt+1*ft+Ot*(1-tanh(St+1)2)*ft*dht+1 (16)
步骤(5):使用Adam优化算法最小化MSE,添加正则化项dropout,得到LSTM下一个时间段内充电汽车数量预测模型。
步骤(6):将步骤6.3划分出的测试集输入LSTM模型,得到下一时间段内充电汽车站充电负荷的预测结果并与实际结果对比,通过对比结果调整模型训练迭代次数、学习率、正则化比例。得到最终LSTM模型,作为充电站各单位时间段充电汽车数量预测模型。
步骤6.5:利用充电站各单位时间段充电汽车数量预测模型预测各单位时间段充电汽车数量,作为充电汽车数量特征数据集。
步骤7:根据分时电价、充电负荷特征数据集和充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型,具体为:
步骤7.1:将分时电价、步骤5得到的充电负荷特征数据集和步骤6.5得到的充电汽车数量特征数据集作为负荷预测样本集;
本申请实施例中,所述负荷预测样本集为表1:
表1负荷预测样本集
将负荷预测样本集划分为负荷预测训练集和负荷预测测试集;
步骤7.2:采用负荷预测训练集构建并训练充电站各单位时间段充电负荷预测模型,采用负荷预测测试集测试充电站各单位时间段充电负荷预测模型,将负荷预测测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电负荷预测模型。
步骤8:利用步骤7得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
如图5所示,本申请的一种充电站充电负荷预测系统,所述系统包括历史数据获取模块、数据预处理模块、第一预测模块、第一计算模块、第二计算模块、第二预测模块、预测模型构建模块和第三预测模块;
所述历史数据获取模块,用于获取目标充电站历史充电记录,筛选得到充电样本数据集;
所述数据预处理模块,用于充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
所述第一预测模块,用于根据数据预处理模块得到的每条充电记录的单位时间段充电电量,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;
所述第一计算模块,用于根据第一预测模块得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;
所述第二计算模块,用于根据第一计算模块得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集;
所述第二预测模块,用于根据数据预处理模块得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集;
所述预测模型构建模块,用于根据分时电价、第二计算模块得到的充电负荷特征数据集和第二预测模块得到的充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;
所述第三预测模块,用于利用预测模型构建模块得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
图6为本申请实施例中部分充电站各单位时间段充电负荷预测模型的充电负荷预测值与实际值的对比结果,其中actual为实际充电负荷值,predict_load_MSE:1786.9056为均方误差为1786.9056的预测值。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (11)
1.一种充电站充电负荷预测方法,其特征在于:
所述方法包括以下步骤:
步骤1:获取目标充电站历史充电记录,筛选得到充电样本数据集;
步骤2:充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
步骤3:根据步骤2得到的每条充电记录的单位时间段充电电量,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;
步骤4:根据步骤3得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;
步骤5:根据步骤4得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集;
步骤6:根据步骤2得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集;
步骤7:根据分时电价、步骤5得到的充电负荷特征数据集和步骤6得到的充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;
步骤8:利用步骤7得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
2.根据权利要求1所述的一种充电站充电负荷预测方法,其特征在于:
步骤1所述充电样本数据集包括每条充电记录的充电开始时间、充电结束时间、充电电量和交易时电价。
3.根据权利要求1所述的一种充电站充电负荷预测方法,其特征在于:
步骤2中,对于充电样本数据集中的每条充电记录,其在各单位时间段内的充电汽车数量计算方法为:该单位时间段内该充电记录对应的充电时长所占单位时间段时长的比例。
4.根据权利要求1所述的一种充电站充电负荷预测方法,其特征在于:
步骤3具体包括以下步骤:
步骤3.1:将每条充电记录的充电时长和单位时间段充电电量组成的数据集划分为单位时间段充电电量训练集和单位时间段充电电量测试集;
步骤3.2:采用单位时间段充电电量训练集构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,采用单位时间段充电电量测试集测试单位时间段充电电量预测模型并调整其模型参数;
所述每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型采用XGBoost模型;
7.根据权利要求1所述的一种充电站充电负荷预测方法,其特征在于:
步骤6具体包括以下步骤:
步骤6.1:计算步骤2获得的各单位时间段内充电站充电汽车数量时间序列的自相关性;
相关性值计算公式为:
其中,τ表示延时时间,xi表示第i时间段内的充电汽车数量,μ表示x1到xn的均值;
步骤6.2:筛选相关性值大于设定阈值的时间段的充电汽车数量作为充电汽车数量样本集;
步骤6.3:将充电汽车数量样本集划分为充电汽车数量训练集和充电汽车数量测试集;
步骤6.4:根据充电汽车数量训练集和充电汽车数量测试集,构建并训练充电站各单位时间段充电汽车数量预测模型;
步骤6.5:利用充电站各单位时间段充电汽车数量预测模型预测各单位时间段充电汽车数量,作为充电汽车数量特征数据集。
8.根据权利要求7所述的一种充电站充电负荷预测方法,其特征在于:
步骤6.4中,采用充电汽车数量训练集构建并训练充电站各单位时间段充电汽车数量预测模型,采用充电汽车数量测试集测试充电站各单位时间段充电汽车数量预测模型,将充电汽车数量测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电汽车数量预测模型;
所述充电站各单位时间段充电汽车数量预测模型采用LSTM模型;
所述充电站各单位时间段充电汽车数量预测模型的输入维度和输出维度分别由充电汽车数量训练集和预测目标确定;
所述充电站各单位时间段充电汽车数量预测模型为:
ht=Ot*tanh(St);
其中,Ot=σ(Wo[ht-1,Xt]+bo),St=ft*St-1+It*Ct;ft=σ(Wf·[ht-1,Xt]+bf),It=σ(WI·[ht-1,Xt]+bI),Ct=tanh(Wc·[ht-1,Xt]+bc);
其中,t表示当前时间,t-1表示上一时间,Wf、Wc、Wo表示当前时间ft、Ct、Ot的权重,ht-1上一个时间的输出,ht表示当前时间的输出,Xt当前时间的输入,bf、bc、bI为计算当前ft、Ct、It的偏置常数,ft为遗忘门计算公式,St为更新门计算公式,Ot为输出门计算公式,Ct、It用于计算St。
10.根据权利要求1所述的一种充电站充电负荷预测方法,其特征在于:
步骤7具体包括以下步骤:
步骤7.1:将分时电价、充电负荷特征数据集和充电汽车数量特征数据集作为负荷预测样本集;
将负荷预测样本集划分为负荷预测训练集和负荷预测测试集;
步骤7.2:采用负荷预测训练集构建并训练充电站各单位时间段充电负荷预测模型,采用负荷预测测试集测试充电站各单位时间段充电负荷预测模型,将负荷预测测试集对应的输出数据与实际数据对比,通过对比结果调整模型的训练迭代次数、学习率和正则化比例,得到最优的充电站各单位时间段充电负荷预测模型。
11.一种充电站充电负荷预测系统,所述系统包括历史数据获取模块、数据预处理模块、第一预测模块、第一计算模块、第二计算模块、第二预测模块、预测模型构建模块和第三预测模块;其特征在于:
所述历史数据获取模块,用于获取目标充电站历史充电记录,筛选得到充电样本数据集;
所述数据预处理模块,用于充电样本数据集预处理,得到充电样本数据集中每条充电记录的单位时间段充电电量,以及各单位时间段内充电站的充电汽车数量;
所述第一预测模块,用于根据数据预处理模块得到的每条充电记录的单位时间段充电电量,构建并训练每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量预测模型,预测每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量;
所述第一计算模块,用于根据第一预测模块得到的每条充电记录中充电开始时间到每个单位时间点的单位时间段充电电量,计算充电站各单位时间段充电平均负荷;
所述第二计算模块,用于根据第一计算模块得到的充电站各单位时间段充电平均负荷得到充电负荷特征数据集;
所述第二预测模块,用于根据数据预处理模块得到的充电样本数据集中各单位时间段内充电站的充电汽车数量,构建并训练充电站各单位时间段充电汽车数量预测模型,预测充电站各单位时间段充电汽车数量,作为充电汽车数量特征数据集;
所述预测模型构建模块,用于根据分时电价、第二计算模块得到的充电负荷特征数据集和第二预测模块得到的充电汽车数量特征数据集,构建并训练充电站各单位时间段充电负荷预测模型;
所述第三预测模块,用于利用预测模型构建模块得到的充电站各单位时间段充电负荷预测模型进行各单位时间段充电负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071646.0A CN112149915B (zh) | 2020-10-09 | 2020-10-09 | 一种充电站充电负荷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071646.0A CN112149915B (zh) | 2020-10-09 | 2020-10-09 | 一种充电站充电负荷预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149915A true CN112149915A (zh) | 2020-12-29 |
CN112149915B CN112149915B (zh) | 2022-08-05 |
Family
ID=73952620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011071646.0A Active CN112149915B (zh) | 2020-10-09 | 2020-10-09 | 一种充电站充电负荷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149915B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN115204512A (zh) * | 2022-07-29 | 2022-10-18 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593901A (zh) * | 2012-02-22 | 2012-07-18 | 华北电力大学 | 电动汽车充电设施负荷预测系统及预测方法 |
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 |
CN109435757A (zh) * | 2018-10-31 | 2019-03-08 | 南通大学 | 基于校内电动汽车出行数据的充电桩数目预测方法 |
-
2020
- 2020-10-09 CN CN202011071646.0A patent/CN112149915B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102593901A (zh) * | 2012-02-22 | 2012-07-18 | 华北电力大学 | 电动汽车充电设施负荷预测系统及预测方法 |
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 |
CN109435757A (zh) * | 2018-10-31 | 2019-03-08 | 南通大学 | 基于校内电动汽车出行数据的充电桩数目预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326883A (zh) * | 2021-06-03 | 2021-08-31 | 中创三优(北京)科技有限公司 | 充电站功率利用率预测模型的训练方法、装置及介质 |
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN115204512A (zh) * | 2022-07-29 | 2022-10-18 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112149915B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149915B (zh) | 一种充电站充电负荷预测方法和系统 | |
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 | |
CN110059844B (zh) | 基于集合经验模态分解和lstm的储能装置控制方法 | |
CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
CN114091766B (zh) | 基于ceemdan-lstm的空间负荷预测方法 | |
Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113627661A (zh) | 一种电动汽车充电负荷预测的方法 | |
CN111785018A (zh) | 一种基于门控循环单元的收费站下道流量预测方法 | |
CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
Nogay | Estimating the aggregated available capacity for vehicle to grid services using deep learning and nonlinear autoregressive neural network | |
CN115410372A (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
CN115049115A (zh) | 计及nwp风速横纵向误差的rdpg风速修正方法 | |
CN114707292A (zh) | 含电动汽车配电网电压稳定性分析方法 | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
CN113435663A (zh) | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
Tian et al. | Photovoltaic power generation and charging load prediction research of integrated photovoltaic storage and charging station | |
CN116613745A (zh) | 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 | |
CN114580251B (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
CN112418564A (zh) | 基于lstm的充换电站换电负荷预测方法及其相关组件 | |
CN113393035A (zh) | 一种电动汽车日充放电功率预测方法 | |
Witvoet et al. | Electric Vehicle's Range and State of Charge Estimations using AutoML |
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 |