CN112418564A - 基于lstm的充换电站换电负荷预测方法及其相关组件 - Google Patents

基于lstm的充换电站换电负荷预测方法及其相关组件 Download PDF

Info

Publication number
CN112418564A
CN112418564A CN202011501619.2A CN202011501619A CN112418564A CN 112418564 A CN112418564 A CN 112418564A CN 202011501619 A CN202011501619 A CN 202011501619A CN 112418564 A CN112418564 A CN 112418564A
Authority
CN
China
Prior art keywords
charging
battery
replacing
lstm
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.)
Pending
Application number
CN202011501619.2A
Other languages
English (en)
Inventor
李蒙龙
吕庆锋
郝世林
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.)
Shenzhen Tianshun Wisdom Energy Technology Co ltd
Original Assignee
Shenzhen Tianshun Wisdom 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 Shenzhen Tianshun Wisdom Energy Technology Co ltd filed Critical Shenzhen Tianshun Wisdom Energy Technology Co ltd
Priority to CN202011501619.2A priority Critical patent/CN112418564A/zh
Publication of CN112418564A publication Critical patent/CN112418564A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

本发明公开了基于LSTM的充换电站换电负荷预测方法及其相关组件，方法包括：采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；对样本数据进行归一化处理后采用滑动窗口算法进行切分，得到训练样本；利用训练样本对LSTM模型进行训练，获得换电车辆数预测模型；根据换电车辆数预测模型获取指定周期的换电车辆数，结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。本发明利用换电车辆数预测模型预测指定周期的换电车辆，结合荷电状态概率密度分布函数，获取指定周期内每辆车对应的换电负荷，充分考虑了相关变量对样本数据的影响，提高了预测的精确度。

Description

基于LSTM的充换电站换电负荷预测方法及其相关组件
技术领域
本发明涉及电动汽车技术领域，特别涉及基于LSTM的充换电站换电负荷预测方法及其相关组件。
背景技术
充换电站是为电动汽车的动力电池提供充电和动力电池快速更换的能源站。动力电池充电时电池并不装载在车辆上，而是在充电架上完成充电。动力电池的快速更换方式是指车辆在进入充电站后通过快速更换设备将车辆的动力电池取下并即刻更换另一组动力电池。对电动汽车换电负荷进行准确预估，可以为充换电站有序充电提供依据，并且可以减少对电网的冲击，具有较高的经济性。
目前，充换电站换电负荷预测方法主要有两大类。一是基于统计学理论的用户行为建模法，其中最为常用的是蒙特卡洛方法，通过对用户换电行为采用相应的概率密度分布函数进行拟合，建立具有随机概率特征的数学模型来预测未来时段换电需求。该方法依赖行为分析，易产生偏差，预测精度低。二是采用智能预测方法，如时间序列分析法、神经网络法等。但是现有智能预测方法中，影响换电负荷的因素考虑不全，没有充分考虑到充换电站的相关变量的影响。
发明内容
本发明的目的是提供基于LSTM的充换电站换电负荷预测方法及其相关组件，旨在解决现有充换电站换电负荷预测方法预测精度低、缺乏考虑相关变量的问题。
第一方面，本发明实施例提供了一种基于LSTM的充换电站换电负荷预测方法，其包括：
采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
第二方面，本发明实施例提供了一种基于LSTM的充换电站换电负荷预测系统，其包括：
样本数据采集单元，用于采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
训练样本获取单元，用于对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
预测模型获取单元，用于利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
换电负荷获取单元，用于根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
第三方面，本发明实施例又提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于LSTM的充换电站换电负荷预测方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于LSTM的充换电站换电负荷预测方法。
本发明实施例提供了基于LSTM的充换电站换电负荷预测方法及其相关组件，其中，方法包括：采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。本发明实施例通过训练一个用于预测换电车辆数的换电车辆数预测模型，然后利用该模型预测指定周期的换电车辆，结合荷电状态概率密度分布函数，获取指定周期内每辆车对应的换电负荷，充分考虑了相关变量对样本数据的影响，提高了预测的精确度。
附图说明
为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，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为本发明实施例所提供的基于LSTM的充换电站换电负荷预测方法的流程示意图；
图2为本发明实施例所提供的基于LSTM的充换电站换电负荷预测系统的示意性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的一种基于LSTM的充换电站换电负荷预测方法的流程示意图，该方法可以包括步骤S101～S104：
S101、采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
在本步骤中，在采集到的充换电站历史换电车辆数中，选取一段时间内符合预定周期的换电车辆数，并结合该段时间内的相关变量，作为样本数据。
具体的，预定周期设置为每日逐10分钟，选取某个时间段内充换电站每日逐10分钟的换电车辆数，结合影响换电负荷的相关变量作为样本数据。所述相关变量是：周围充换电站个数、当天最高温度、当天最低温度、天气状态(晴天、小雨、中雨、大雨)、日类型、小时类型以及分钟类型等。取10分钟为一个点，每日共有144个样本点，即为ft＝{X1t,X2t,Xit,…,X144t}，其中t为日期数，i∈{1,2,..,144}。
Figure BDA0002843774740000041
Xit表示每个样本有多少个特征。
S102、对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
在本步骤中，在对所述样本数据进行归一化处理后，通过滑动窗口算法切分归一化后的样本数据，得到训练样本。所述对所述样本数据进行归一化处理，包括：通过如下公式对所述样本数据进行归一化处理：
Figure BDA0002843774740000042
其中，X为当前样本数据，Xmin为样本数据最小值，Xmax为样本数据最大值。
通过上述公式对所述样本数据进行归一化处理之前，先使用3σ原则删除所述样本数据中的异常值，再使用前一时刻值填充当前时刻的缺失值。在构建模型之前，需要将所述样本数据转化为LSTM模型可以理解的形式，因此，采用滑动窗口算法切分数据，具体是将时间窗口的大小设置为L，然后将所述样本数据的前L行作为LSTM模型的一个输入，第L+1行作为LSTM模型的输出，这样就将所述样本数据转化为了监督学习的问题。
S103、利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
在本步骤中，利用上一步骤中获得的训练样本对LSTM模型进行训练，以获得换电车辆数预测模型。
在一具体实施例中，所述步骤S103包括：
根据设置的多个权重前向计算所述LSTM模型中每个神经元的输出值；
通过反向传播算法以及输出值计算所述LSTM模型中每个神经元的误差项值；
根据所述误差项，计算每个权重的梯度；
通过迭代算法对每个权重进行迭代，将迭代后的权重输入至所述LSTM模型中进行优化，以获取换电车辆数预测模型。
在本实施例中，首先根据设置的多个权重前向计算出每个神经元的输出值，然后使用反向传播算法(即BPTT算法)以及输出值计算每个神经元的误差项值，并根据误差项计算出每个权重的梯度，通过迭代算法对每个权重进行迭代，再将迭代结果输入至LSTM模型中，以获取换电车辆数预测模型。
具体的，前向计算每个神经元的输出值的过程如下：计算LSTM模型中ft、it、Ct、ot、ht五个向量的值。这五个向量的计算公式如下：
ft＝σ(Whf*ht-1+Wxf*Xt+bf)
it＝σ(Whi*ht-1+Wxi+bi)
Figure BDA0002843774740000051
Figure BDA0002843774740000052
ot＝σ(Who*ht-1+Wxo*Xt+bo)
ht＝ot*tanh(Ct)
其中，ft表示遗忘门，it表示输入门，ot表示输出门，符号*表示向量元素按位相乘，Wxf、Whf、Wxi、Whi、Wxc、Whc、Wxo、Who为预设的权重参数，bf、bi、bc、bo均为偏置量参数，
Figure BDA0002843774740000053
表示当前输入的单元状态，Ct表示当前时刻的单元状态，Ct-1表示上一时刻的单元状态，σ表示sigmoid函数。
LSTM模型的误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。在获得每个神经元的误差项后，根据相应的误差项，计算每个权重的梯度。然后计算相应的权重值，通过不断的迭代，不断的更新相应的权重，最终获取换电车辆数预测模型。
在一具体实施例中，所述步骤S103还包括：
先利用验证样本对所述换电车辆数预测模型进行验证，获取验证结果最优的所述换电车辆数预测模型，并获取对应的验证误差值；
再利用测试样本对保留的所述换电车辆数预测模型进行测试，获取测试误差值；
将所述验证误差值与所述测试误差值进行比较，若所述验证误差值与所述测试误差值相接近，则将该换电车辆数预测模型作为最终的换电车辆数预测模型，否则重新进行训练。
在本实施例中，先利用验证样本对所述换电车辆数预测模型进行验证，并获取相应的验证误差值，再利用测试样本对验证结果最优的所述换电车辆数预测模型进行测试，获取测试误差值，然后比较所述验证误差值和测试误差值，判断验证结果最优的所述换电车辆数预测模型可否作为最终的换电车辆数预测模型。
具体的，将所述样本数据划分为训练样本、验证样本以及测试样本。所述训练样本用于训练所述LSTM模型，以得到换电车辆数预测模型。所述LSTM模型的优化器选择Adam(自适应矩估计)，评价指标为MSE(均方误差)，学习率为0.001。所述验证样本用于防止所述换电车辆数预测模型过拟合，并筛选出验证结果中最优的换电车辆数预测模型。所述测试样本用于测试验证结果中最优的换电车辆数预测模型的测试误差值。若通过验证样本所获得的验证误差值与所述测试误差值相接近，则将验证结果中最优的换电车辆数预测模型作为最终的换电车辆数预测模型。否则，重新训练模型。
在具体一实施例中，所述步骤S103还包括：
通过贝叶斯优化算法对所述LSTM模型的超参数进行优化，以获得最优超参数；
利用训练样本对包含有最优超参数的所述LSTM模型进行训练至收敛，以获得所述换电车辆数预测模型。
在本实施例中，先对所述LSTM模型中的超参数进行优化，然后再利用训练样本对优化后的所述LSTM模型进行训练。贝叶斯优化算法可以用非常少的步数(每一步可以想成用一组超参数来训练你的神经网络)就能找到比较好的超参数组合，并且贝叶斯优化算法不需要求导数(gradient)，而正好一般情况下神经网络超参数的导数是求不出来的。
在一实施例中，所述通过贝叶斯优化算法对所述LSTM模型的超参数进行优化，以获得最优超参数包括：
利用如下公式对所述超参数进行优化：
x*＝argminf(x)，x∈X
其中，X是x的可选数据集，f(x)是目标函数，x*是X中寻找出一组x使得f(x)目标函数得到最优值。
在本实施例中，通过上述公式对超参数进行优化。具体的，将贝叶斯优化算法的迭代次数(n_iter)设置为500，步长参数设置为5。所述LSTM模型的超参数有隐含层的数目、神经元的数目、窗口的宽度、训练的次数、随机种子和批次的大小等。其中隐含层的数目、神经元的数目以及窗口的宽度最为关键。为了使模型的预测效果更好，使用贝叶斯优化的方法对隐含层的数目(layers)、全连接层神经元的数目(LSTM_units)、训练批次数(batchsize)以及窗口的宽度(window_size)这四个参数进行选择。得到最优超参数后，将LSTM模型训练至收敛，即可得到换电车辆数预测模型。将所述样本数据输入换电车辆数预测模型，由于目标为多步预测，采取循环预测方式，将上步预测的结果加入当前步数据中，然后再进行预测，重复这个过程，直到达到预测长度。这样就可得到每日逐10分钟换电车辆数序列。
S104、根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
在本步骤中，根据训练好的所述换电车辆数预测模型获取在指定周期内的换电车辆，结合符合高斯分布的荷电状态概率密度分布函数，从而计算得到在指定周期内，每辆车对应的换电总负荷。
在一具体实施例中，所述步骤S104包括：
获取换电前荷电状态历史数据，并计算所述换电前荷电状态历史数据的均值和方差；
基于高斯分布对换电前荷电状态历史数据进行统计，并结合所述均值和方差，以得到荷电状态的概率密度分布函数；
利用所述换电车辆数预测模型预测得到指定周期的换电车辆数n，使用蒙特卡洛法对概率密度分布函数进行n次采样，得到每辆车的荷电状态，基于每辆车的所述荷电状态，计算对应的换电总负荷。
在本实施例中，首先获取换电前荷电状态历史数据，然后对换电前荷电状态进行统计，统计结果符合高斯分布，根据统计结果并结合所述换电前荷电状态历史数据的均值和方差获得荷电状态的概率密度分布函数，再使用蒙特卡洛法对概率密度分布函数进行n次采样，并结合指定周期的换电车辆数，得到每辆车的荷电状态，从而计算出对应的换电总负荷。
具体的，记换电前荷电状态(soc)历史数据为S＝{soc0,soc1,…,socw},w∈{1,2,..,N}，其中N为样本总数。对换电前soc历史数据进行统计，统计结果服从高斯分布(Gaussion distribution)，得到荷电状态概率密度分布函数为：
Figure BDA0002843774740000081
其中θ表示模型的参数，μ表示均值，σ表示方差。根据历史数据计算均值和方差分别为
Figure BDA0002843774740000082
将μ和σ2代入模型，就可以得到soc的概率密度分布函数。
根据换电车辆数预测模型得到每日逐10分钟换电车辆序列，记某一个10分钟的换电车辆数为n(n>0)，使用蒙特卡洛法对soc概率密度分布函数进行n次采样，得到每辆车的soc，记为s＝{socm0,socm1,…,socmn}，m∈{1,2,..,144}。换电总负荷
Figure BDA0002843774740000083
其中C为电池的额定容量。
请参阅图2，图2为本发明实施例提供的一种基于LSTM的充换电站换电负荷预测系统的示意性框图，该基于LSTM的充换电站换电负荷预测系统200包括：
样本数据采集单元201，用于采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
训练样本获取单元202，用于对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
预测模型获取单元203，用于利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
换电负荷获取单元204，用于根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
在一实施例中，所述训练样本获取单元202包括：
归一化处理单元，用于通过如下公式对所述样本数据进行归一化处理：
Figure BDA0002843774740000084
其中，X为当前样本数据，Xmin为样本数据最小值，Xmax为样本数据最大值。
在一实施例中，所述预测模型获取单元203包括：
前向计算单元，用于根据设置的多个权重前向计算所述LSTM模型中每个神经元的输出值；
误差项值计算单元，用于通过反向传播算法以及输出值计算所述LSTM模型中每个神经元的误差项值；
权重梯度计算单元，用于根据所述误差项，计算每个权重的梯度；
权重迭代优化单元，用于通过迭代算法对每个权重进行迭代，将迭代后的权重输入至所述LSTM模型中进行优化，以获取换电车辆数预测模型。
在一实施例中，所述预测模型获取单元203还包括：
验证误差值获取单元，用于先利用验证样本对所述换电车辆数预测模型进行验证，获取验证结果最优的所述换电车辆数预测模型，并获取对应的验证误差值；
测试误差值获取单元，用于再利用测试样本对保留的所述换电车辆数预测模型进行测试，获取测试误差值；
误差值对比单元，用于将所述验证误差值与所述测试误差值进行比较，若所述验证误差值与所述测试误差值相接近，则将该换电车辆数预测模型作为最终的换电车辆数预测模型，否则重新进行训练。
在一实施例中，所述预测模型获取单元203还包括：
最优超参数获取单元，用于通过贝叶斯优化算法对所述LSTM模型的超参数进行优化，以获得最优超参数；
模型训练单元，用于利用训练样本对包含有最优超参数的所述LSTM模型进行训练至收敛，以获得所述换电车辆数预测模型。
在一实施例中，所述最优超参数获取单元包括：
超参数优化单元，用于利用如下公式对所述超参数进行优化：
x*＝argminf(x)，x∈X
其中，X是x的可选数据集，f(x)是目标函数，x*是X中寻找出一组x使得f(x)目标函数得到最优值。
在一实施例中，所述换电负荷获取单元204包括：
均值和方差获取单元，用于获取换电前荷电状态历史数据，并计算所述换电前荷电状态历史数据的均值和方差；
概率密度分布函数获取单元，用于基于高斯分布对换电前荷电状态历史数据进行统计，并结合所述均值和方差，以得到荷电状态的概率密度分布函数；
换电总负荷计算单元，用于利用所述换电车辆数预测模型预测得到指定周期的换电车辆数n，使用蒙特卡洛法对概率密度分布函数进行n次采样，得到每辆车的荷电状态，基于每辆车的所述荷电状态，计算对应的换电总负荷。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于LSTM的充换电站换电负荷预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于LSTM的充换电站换电负荷预测方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种基于LSTM的充换电站换电负荷预测方法，其特征在于，包括：
采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
2.根据权利要求1所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述对所述样本数据进行归一化处理，包括：
通过如下公式对所述样本数据进行归一化处理：
Figure FDA0002843774730000011
其中，X为当前样本数据，Xmin为样本数据最小值，Xmax为样本数据最大值。
3.根据权利要求2所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型，包括：
根据设置的多个权重前向计算所述LSTM模型中每个神经元的输出值；
通过反向传播算法以及输出值计算所述LSTM模型中每个神经元的误差项值；
根据所述误差项，计算每个权重的梯度；
通过迭代算法对每个权重进行迭代，将迭代后的权重输入至所述LSTM模型中进行优化，以获取换电车辆数预测模型。
4.根据权利要求3所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型，还包括：
先利用验证样本对所述换电车辆数预测模型进行验证，获取验证结果最优的所述换电车辆数预测模型，并获取对应的验证误差值；
再利用测试样本对保留的所述换电车辆数预测模型进行测试，获取测试误差值；
将所述验证误差值与所述测试误差值进行比较，若所述验证误差值与所述测试误差值相接近，则将该换电车辆数预测模型作为最终的换电车辆数预测模型，否则重新进行训练。
5.根据权利要求1所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型，还包括：
通过贝叶斯优化算法对所述LSTM模型的超参数进行优化，以获得最优超参数；
利用训练样本对包含有最优超参数的所述LSTM模型进行训练至收敛，以获得所述换电车辆数预测模型。
6.根据权利要求5所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述通过贝叶斯优化算法对所述LSTM模型的超参数进行优化，以获得最优超参数，包括：
利用如下公式对所述超参数进行优化：
x*＝argminf(x)，x∈X
其中，X是x的可选数据集，f(x)是目标函数，x*是X中寻找出一组x使得f(x)目标函数得到最优值。
7.根据权利要求1所述的基于LSTM的充换电站换电负荷预测方法，其特征在于，所述根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷，包括：
获取换电前荷电状态历史数据，并计算所述换电前荷电状态历史数据的均值和方差；
基于高斯分布对换电前荷电状态历史数据进行统计，并结合所述均值和方差，以得到荷电状态的概率密度分布函数；
利用所述换电车辆数预测模型预测得到指定周期的换电车辆数n，使用蒙特卡洛法对概率密度分布函数进行n次采样，得到每辆车的荷电状态，基于每辆车的所述荷电状态，计算对应的换电总负荷。
8.一种基于LSTM的充换电站换电负荷预测系统，其特征在于，包括：
样本数据采集单元，用于采集充换电站历史换电车辆数，选取一段时间内预定周期的换电车辆数以及对应的相关变量为样本数据；
训练样本获取单元，用于对所述样本数据进行归一化处理，并采用滑动窗口算法对归一化的样本数据进行切分，得到训练样本；
预测模型获取单元，用于利用所述训练样本对LSTM模型进行训练，以获得换电车辆数预测模型；
换电负荷获取单元，用于根据所述换电车辆数预测模型获取指定周期的换电车辆数，并结合基于高斯分布的荷电状态概率密度分布函数，获得指定周期的每辆车对应的换电总负荷。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于LSTM的充换电站换电负荷预测方法。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于LSTM的充换电站换电负荷预测方法。
CN202011501619.2A 2020-12-18 2020-12-18 基于lstm的充换电站换电负荷预测方法及其相关组件 Pending CN112418564A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011501619.2A CN112418564A (zh) 2020-12-18 2020-12-18 基于lstm的充换电站换电负荷预测方法及其相关组件

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011501619.2A CN112418564A (zh) 2020-12-18 2020-12-18 基于lstm的充换电站换电负荷预测方法及其相关组件

Publications (1)

Publication Number Publication Date
CN112418564A true CN112418564A (zh) 2021-02-26

Family

ID=74782443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011501619.2A Pending CN112418564A (zh) 2020-12-18 2020-12-18 基于lstm的充换电站换电负荷预测方法及其相关组件

Country Status (1)

Country Link
CN (1) CN112418564A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835341A (zh) * 2021-09-18 2021-12-24 中邮科通信技术股份有限公司 一种基于智能建筑ai的能耗分析诊断方法
CN113835341B (zh) * 2021-09-18 2024-05-17 中邮科通信技术股份有限公司 一种基于智能建筑ai的能耗分析诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN110889527A (zh) * 2018-09-07 2020-03-17 国网甘肃省电力公司电力科学研究院 一种基于lstm神经网络的电动汽车充电负荷预测方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN110889527A (zh) * 2018-09-07 2020-03-17 国网甘肃省电力公司电力科学研究院 一种基于lstm神经网络的电动汽车充电负荷预测方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何龙 著: "《深入理解XGBoost 高效及其学习算法与进阶》", 31 May 2020, 机械工业出版社 *
刘忠雨: "《深入浅出图神经网络 GNN原理解析》", 31 January 2020, 机械工业出版社 *
吉安卡洛 等: "《TensorElow 深度学习》", 31 March 2020, 机械工业出版社 *
高敬鹏: "《深度学习 卷积神经网络技术与实践》", 30 June 2020, 机械工业出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113835341A (zh) * 2021-09-18 2021-12-24 中邮科通信技术股份有限公司 一种基于智能建筑ai的能耗分析诊断方法
CN113835341B (zh) * 2021-09-18 2024-05-17 中邮科通信技术股份有限公司 一种基于智能建筑ai的能耗分析诊断方法

Similar Documents

Publication Publication Date Title
Deng et al. Data-driven state of charge estimation for lithium-ion battery packs based on Gaussian process regression
CN110059844B (zh) 基于集合经验模态分解和lstm的储能装置控制方法
Oji et al. Data-driven methods for battery soh estimation: Survey and a critical analysis
Che et al. Joint estimation of inconsistency and state of health for series battery packs
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
CN114660497A (zh) 一种针对容量再生现象的锂离子电池寿命预测方法
CN114706006A (zh) 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法
CN114384435A (zh) 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法
CN115219906A (zh) 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
CN113408138B (zh) 一种基于二次融合的锂电池soh估计方法和系统
Cai et al. Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter
Zhang et al. A novel state-of-health prediction method based on long short-term memory network with attention mechanism for lithium-ion battery
Zhang et al. Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering
Lee et al. Battery state-of-charge estimation using data-driven Gaussian process Kalman filters
Li et al. Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors
CN113459897B (zh) 一种基于电动汽车充电大数据的荷电状态修正及预测方法
CN112418564A (zh) 基于lstm的充换电站换电负荷预测方法及其相关组件
CN115219907A (zh) 一种锂电池soc估计方法、系统、介质、设备及终端
CN115219910A (zh) 一种电池余量预测误差的分析方法及装置
Li et al. State of health estimation and prediction of electric vehicle power battery based on operational vehicle data
CN114487890A (zh) 一种改进长短期记忆神经网络的锂电池健康状态估计方法
Medina et al. A hybrid system for lithium-ion battery state-of-charge univariate forecasting

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: 20210226

RJ01 Rejection of invention patent application after publication