CN112508301B - 电动车辆的充电负荷预测方法、装置及存储介质 - Google Patents
电动车辆的充电负荷预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112508301B CN112508301B CN202011521561.8A CN202011521561A CN112508301B CN 112508301 B CN112508301 B CN 112508301B CN 202011521561 A CN202011521561 A CN 202011521561A CN 112508301 B CN112508301 B CN 112508301B
- Authority
- CN
- China
- Prior art keywords
- prediction
- alternative
- samples
- models
- training samples
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 149
- 230000005611 electricity Effects 0.000 claims description 117
- 238000012545 processing Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims 4
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000009826 distribution Methods 0.000 description 17
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种电动车辆的充电负荷预测方法、装置及存储介质,属于计算机技术领域。该方法可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种电动车辆的充电负荷预测方法、装置及存储介质。
背景技术
电动车辆(electric vehicle,EV)是指以车载电源为动力,用电机驱动车轮行驶的一种车辆,EV一般需要接入配电网完成充电。如此,精确预测EV的充电负荷成为确保配电网可靠、安全且经济化运行的基础。
相关技术中,一般根据“模糊聚类算法”、“遗传算法”或“神经网络算法”来预测EV的充电负荷。
但是,相关技术的预测方法的预测精度均较低,可靠性较差。
发明内容
本申请实施例提供了一种电动车辆的充电负荷预测方法、装置及存储介质,可以解决相关技术中预测方法的预测精度均较低,可靠性较差的问题。所述技术方案如下:
一方面,提供了一种电动车辆的充电负荷预测方法,所述方法包括:
获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;
将所述充电负荷预测信息输入至多个目标预测模型;
根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;
其中,所述多个目标预测模型为基于多条训练样本从多个备选预测模型中选取的,且每个所述目标预测模型的预测准确率,均大于其他备选预测模型的预测准确率。
可选的,在所述获取预测信息之前,所述方法还包括:
获取多个备选预测模型和多条训练样本,每条所述训练样本包括:一个充电桩在目标时段内的用电量,所述用电量所属分组的聚类中心的用电量,所述充电桩在所述目标时段内的用电变化量,所述充电桩在所述目标时段内的用电变化率,以及所述目标时段内的天气信息;
基于所述多条训练样本确定每个所述备选预测模型的预测准确率;
基于每个所述备选预测模型的预测准确率,从所述多个备选预测模型中选取所述多个目标预测模型。
可选的,所述基于所述多条训练样本确定每个所述备选预测模型的预测准确率,包括:
从所述多条训练样本中选取多条第一训练样本和多条第二训练样本,所述多条第一训练样本的数量与所述多条第二训练样本的数量之和,等于所述多条训练样本的数量;
对于每个所述备选预测模型,将所述多条第一训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第一输出结果;
对于每个所述备选预测模型,将所述多条第二训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第二输出结果;
对于每个所述备选预测模型,根据所述多个第一输出结果,以及所述多条第一训练样本中的用电量,确定所述备选预测模型的第一预测准确率;
对于每个所述备选预测模型,根据所述多个第二输出结果,以及所述多条第二训练样本中的用电量,确定所述备选预测模型的第二预测准确率。
可选的,所述基于每个所述备选预测模型的预测准确率,从所述多个备选预测模型中选取所述多个目标预测模型,包括:
按照所述第二预测准确率由低到高的顺序,对所述多个备选预测模型进行排序,得到第一集合;
删除所述第一集合中第二预测准确率小于准确率阈值的前m个备选预测模型,得到第二集合,m为大于0且小于所述第一集合包括的备选预测模型的数量的整数;
基于每个所述备选预测模型的所述第一预测准确率,确定所述第二集合包括的多个备选预测模型的第一群差异度,所述第一群差异度用于指示所述第二集合中各个所述备选预测模型的第一预测准确率的差异程度;
从所述第二集合中第一个备选预测模型开始,确定删除所述第二集合中第n个备选预测模型后,所述第二集合中剩余的多个备选预测模型的第二群差异度,n为大于0且小于所述第二集合包括的备选预测模型的数量的整数;
若所述第二群差异度与所述第一群差异度的差值大于差异度阈值,则删除所述第n个备选预测模型,直至所述第二集合中剩余的备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值为止;
将所述第二集合中剩余的备选预测模型确定为目标预测模型。
可选的,所述获取多条训练样本,包括:
获取多条初始样本,每条所述初始样本包括:一个充电桩在目标时段内的用电量,以及所述目标时段内的天气信息;
对于每条所述初始样本,基于所述初始样本中充电桩在目标时段内的用电量,确定所述充电桩在所述目标时段内的用电变化量和用电变化率;
基于每条所述初始样本包括的用电量,对所述多条初始样本进行聚类,得到多个分组;
对于每条所述初始样本,在所述初始样本中添加所述初始样本中充电桩的用电变化量,所述初始样本中充电桩的用电变化率,以及所述初始样本所属分组的聚类中心的用电量,得到一条训练样本。
可选的,所述获取多条初始样本,包括:
获取多条基础样本,每条所述基础样本包括:一个充电桩在目标时段内的用电量,以及所述目标时段内的天气信息;
对所述多条基础样本中的异常样本进行处理,得到多条初始样本,其中,所述处理包括:删除和/或填充。
可选的,所述处理包括:删除和填充;所述对所述多条基础样本中的异常样本进行处理,得到多条初始样本,包括:
删除所述多条基础样本中充电桩的用电量为0,和/或,充电桩的用电量连续缺失数量大于数量阈值的异常训练样本,得到多条第一备选样本;
采用均值填充所述多条第一备选样本中用电量缺失的样本,得到多条第二备选样本,所述均值为所述多条第一备选样本所包括的用电量的平均值;
采用箱线图法,处理所述多条第二备选样本,得到多条初始样本。
可选的,所述根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷,包括:
将各个所述目标预测模型的输出结果的平均值确定为所述电动车辆的充电负荷。
可选的,所述目标预测模型为多层感知器MLP神经网络模型。
可选的,所述天气信息包括下述参数中的至少一种:所述目标时段内的平均温度、降水量和日照时长。
另一方面,提供了一种电动车辆的充电负荷预测装置,所述装置包括:
第一获取模块,用于获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;
输入模块,用于将所述充电负荷预测信息输入至多个目标预测模型;
第一确定模块,用于根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;
其中,所述多个目标预测模型为基于多条训练样本从多个备选预测模型中选取的,且每个所述目标预测模型的预测准确率,均大于其他备选预测模型的预测准确率。
又一方面,提供了一种电动车辆的充电负荷预测装置,所述装置包括:存储器,处理器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时实现如上述方面所述的电动车辆的充电负荷预测方法。
再一方面,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存储有计算机程序,所述计算机程序由处理器加载并执行以实现如上述方面所述的电动车辆的充电负荷预测方法。
本申请实施例提供的技术方案带来的有益效果至少可以包括:
综上所述,本申请实施例提供了一种电动车辆的充电负荷预测方法、装置及存储介质,属于计算机技术领域。该方法可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
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是本申请各个实施例所涉及的实施环境示意图;
图2是本申请实施例提供的一种电动车辆的充电负荷预测方法的流程图;
图3是本申请实施例提供的另一种电动车辆的充电负荷预测方法的流程图;
图4是本申请实施例提供的一种获取训练样本的方法流程图;
图5是本申请实施例提供的一种处理异常样本的方法流程图;
图6是本申请实施例提供的一种备选预测模型的结构示意图;
图7是本申请实施例提供的一种确定备选预测模型的预测准确率的方法流程图;
图8是本申请实施例提供的一种确定目标预测模型的方法流程图;
图9是本申请实施例提供的一种预测结果示意图;
图10是本申请实施例提供的另一种预测结果示意图;
图11是本申请实施例提供的一种电动车辆的充电负荷预测装置的结构框图;
图12是本申请实施例提供的另一种电动车辆的充电负荷预测装置的结构框图;
图13是本申请实施例提供的一种第二获取模块的结构框图;
图14是本申请实施例提供的又一种电动车辆的充电负荷预测装置的结构框图。
具体实施方式
为使本申请的目的、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。
近年来,电动车辆因其节能环保,经济实用等优点日益兴起,规模变得越来越大,相应的,接入配电网的电动车辆也越来越多。但是,因电动车辆会不断移动,故会对配电网带来移动式负荷,该移动式负荷与配电网原有的固定负荷叠加将会改变配电网的供求关系,影响配电网的正常运转,使得配电网的工作可靠性变差。故,亟需对电动车辆产生的充电负荷进行可靠且精细的预测,以根据预测结果制定合理的用电策略,来有效缓解电动车辆对配电网产生的影响。因电动车辆一般是经充电桩接入配电网,故可以通过对充电桩侧数据进行分析挖掘,使得充电桩达到合理使用,以改善配电网的工作可靠性。
目前,均是基于背景技术记载的三类算法,对电动车辆的充电负荷进行预测。但是,经测试确定,其中模糊聚类算法的预测精度较差。遗传算法预测所需依赖的信息较多,实用性较差。单一的神经网络算法(也可以称为网络模型)的泛化能力和预测精度均较差。泛化能力是指:算法对新鲜样本的适应能力。
本申请实施例根据充电负荷数据的规模大、类型多、价值密度低和变化快等特征,提出了一种采用选择性集成算法,选择多个预测模型对电动车辆的充电负荷进行预测的方法。经测试,本申请的预测方法精度较高,且泛化能力较强。如此,为充电桩的合理优化奠定了基础,相应的,改善了配电网的运转。
以下对选择性集成学习进行介绍:机器学习是指通过对训练数据的学习,获取其中蕴涵的规律,然后利用学习的结果对新数据进行精准预测的一种方式,学习的结果也可以称为基学习器或预测模型,本申请下述实施例均将其称为预测模型。选择性集成则是指:从众多预测模型中选取一部分分别对新数据进行预测,并将预测得到的多个结果进行集成,选取依据可以参考各个预测模型的预测准确率等参数。因众多预测模型中一般存在预测能力较低,或是对预测有负面影响的部分预测模型,故,通过删除该部分预测模型,能够提高最终预测结果的精度。此外,因是选取部分预测模型进行预测,故该可以减少所需的存储空间,降低预测阶段的运算量,进而降低预测阶段的开销。
图1是本申请实施例提供的一种电动车辆的充电负荷预测方法所涉及的实施环境示意图。如图1所示,该实施环境可以包括:终端10,该终端10可以为计算机、笔记本电脑或者智能手机等,图1以该终端10为计算机为例进行说明。
可选的,本申请实施例记载的电动车辆可以包括:电动汽车、电动摩托车和电动三轮车等车辆。此外,该电动车辆还可以用于容纳一个或多个乘客。
图2是本申请实施例提供的一种电动车辆的充电负荷预测方法的流程图,可以应用于图1所示的终端10中。如图2所示,该方法可以包括:
步骤201、获取充电负荷预测信息。
其中,该充电负荷预测信息可以包括:时间和天气信息。
可选的,在需要进行电动车辆的充电负荷预测时,可以由用户(如,配电网工作人员)将所需的充电负荷预测信息输入至终端。即,终端可以接收用户输入的充电负荷预测信息。
步骤202、将充电负荷预测信息输入至多个目标预测模型。
其中,该多个目标预测模型可以为基于多条训练样本从多个备选预测模型中选取的,且每个目标预测模型的预测准确率,均可以大于其他备选预测模型的预测准确率。在本申请实施例中,备选预测模型还可以称为基学习器,相应的,目标预测模型还可以称为目标基学习器。
可选的,终端在获取到充电负荷预测信息后,可以将充电负荷预测信息分别自动输入至多个目标预测模型,以实现对充电负荷的精准预测。
步骤203、根据每个目标预测模型的输出结果,确定电动车辆的充电负荷。
可选的,对于每个目标预测模型而言,在终端将充电负荷预测信息输入至该目标预测模型后,该目标预测模型可以基于该充电负荷预测信息进行充电负荷预测,并输出预测得到的结果。然后,终端可以集成各个目标预测模型输出的结果,以得到电动车辆的充电负荷。
此外,终端可以将确定得到的充电负荷通过显示或其他方式告知用户,以供用户基于充电负荷对充电桩制定合理的使用策略,如,设置充电桩在每天的固定时段内对外供电。如此,即可以减轻配电网的负担,确保配电网的可靠运转。
综上所述,本申请实施例提供了一种电动车辆的充电负荷预测方法。该方法可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
图3是本申请实施例提供的另一种电动车辆的充电负荷预测方法的流程图,可以应用于图1所示的终端10中。如图3所示,该方法可以包括:
步骤301、获取多条训练样本。
在本申请实施例中,每条训练样本可以包括:一个充电桩在目标时段内的用电量,用电量所属分组的聚类中心的用电量,充电桩在目标时段内的用电变化量,充电桩在目标时段内的用电变化率,以及目标时段内的天气信息。
可选的,目标时段可以以“天”为计量单位。当然,也可以以“周”或“月”为计量单位。本申请下述实施例均以“天”为计量单位进行说明,即目标时段可以为多天。
可选的,天气信息可以包括下述参数中的至少一种:目标时段内的平均温度、降水量和日照时长。若以“天”为计量单位,则该天气信息中目标时段内的平均温度可以是指日均温度,降水量可以是指日均降水量,日照时长可以是指日均日照时长。一个充电桩在目标时段内的用电量可以包括该充电桩在多天内的多个用电量,一个用电量可以为一天的均用电量。一个充电桩在目标时段内的用电变化量可以是指:该充电桩在多天内的用电变化量均值。该用电变化量可以采用如下方式计算:将每相邻两天的用电变化量相加,再除以获取到的用电变化量的总数。例如,假设目标时段为100天,若获取每相邻两天的用电变化量,则一共可以获取到99个用电变化量。一个充电桩在目标时段内的用电变化率可以是指:该充电桩的用电变化量除以总天数所得到的值。此外,还可以预先对多条训练样本进行聚类,以确定每条训练样本所属分组,以及所属分组的聚类中心。
需要说明的是,各条训练样本对应的充电桩可以不同,且每条训练样本不仅限于包括以上记载的几种参数,还可以包括其他对充电负荷预测具有影响的其他参数,如充电桩的地理位置。
以每条训练样本包括以上多种参数为例,图4示出了一种获取多条训练样本的方法流程图。如图4所示,该方法可以包括:
步骤3011、获取多条基础样本。
为获取以上多条训练样本,终端需要先获取多条基础样本,且每条基础样本至少需要包括:一个充电桩在目标时段内的用电量,以及目标时段内的天气信息,该天气信息可以包括目标时段内的平均温度、降水量和/或日照时长。
需要说明的是,各条基础样本对应的充电桩不同,为区分不同充电桩,每个充电桩可以唯一对应一个充电桩编号。即终端获取到的每条基础样本除包括以上参数外,还可以包括充电桩编号。另,为区分目标时段,每条基础样本还可以包括样本的采集时间。此外,如上述实施例记载,因训练样本还可以包括地理位置,故每条基础样本还可以包括用于指示地理位置的位置信息,如充电桩所处经纬度。
可选的,在本申请实施例中,该多条基础样本可以由电力公司所提供,即,终端可以获取由电力公司提供的多条基础样本。例如,终端获取到的多条基础样本可以为某电力公司提供的十万条用户充电负荷数据,其中每条用户充电负荷数据可以包括:充电桩编号、数据采集时间、用电量、经纬度和天气信息。
步骤3012、对多条基础样本中的异常样本进行处理,得到多条初始样本。
可选的,因多条基础样本中可能存在较多异常样本,如用电量为0的异常样本,故为确保后续预测精度,终端在获取到基础样本后,可以先对多条基础样本中的异常样本进行处理,以得到多条初始样本。该步骤也可以称为“数据预处理”。此外,因仅是对异常样本进行处理,故,处理得到的每条初始样本可以包括与基础样本相同的参数,即每条初始样本至少可以包括:一个充电桩在目标时段内的用电量,以及目标时段内的天气信息。
示例的,对异常样本的处理可以包括:删除和/或填充等方法。以处理包括删除和填充为例,图5示出了一种对异常样本进行处理的方法流程图。如图5所示,该方法可以包括:
步骤30121、删除多条基础样本中充电桩的用电量为0,和/或,充电桩的用电量缺失数量大于数量阈值的异常训练样本,得到多条第一备选样本。
可选的,若某充电桩的用电量为0,则可知该充电桩可能是空闲或已损坏的充电桩,该类充电桩的用电量对后续操作不具有任何意义,故终端可以将所包括的用电量为0的基础样本删除。此外,若某充电桩的用电量出现较多缺失,如连续缺失天数大于30天,即连续缺失一个月,则终端可以将属于该情况的基础样本剔除。如此,既可以减少后续处理的数据量,又可以确保预测可靠性。
示例的,终端中可以预先存储有执行步骤30121的软件程序,终端可以通过直接运行该程序,完成基础样本的删除操作。如,终端可以先通过运行该程序,筛选出充电桩的用电量为0,和/或,充电桩的用电量缺失数量大于数量阈值的异常训练样本。然后,再剔除该类异常训练样本,以得到剩余的多条第一备选样本。即,多条第一备选样本的数量小于多条基础样本的数量。
步骤30122、采用均值填充多条第一备选样本中用电量缺失的样本,得到多条第二备选样本。
此外,对于充电桩的用电量缺失数量较少,如充电桩仅出现某几天信息的缺失,终端可以通过采用均值填充该缺失的用电量。可选的,均值可以为执行完步骤30121之后,剩余的多条第一备选样本所包括的用电量的平均值。
示例的,终端中也可以存储执行步骤30122的软件程序,终端可以通过直接运行该程序,完成均值计算以及均值填充等操作,以得到多条第二备选样本。即,多条第二备选样本的数量等于多条第一备选样本的数量。如此,可以确保后续操作所参考数据的丰富程度,进而确保预测精度。
步骤30123、采用箱线图法,处理多条第二备选样本,得到多条初始样本。
可选的,终端中可以预置有箱线图法。在执行完上述步骤30121和30122后,终端还可以采用该箱线图法处理多条第二备选样本,以得到多条初始样本。
其中,箱线图法的处理原理为:首先,确定出多条第二备选样本所包括的多个用电量的最大值(也可以称为上边缘)、最小值(也可以称为下边缘)、中位数、第一四分位数(25%)和第二四分位数(75%)。然后,将大于最大值,以及小于最小值的用电量对应的第二备选样本删除,即将不处于上边缘和下边缘之间的用电量对应的第二备选样本删除。
通过采用箱线图法处理,可以实现对异常样本的精确识别,起到数据清洗的作用。如此,可以进一步在减少后续处理的数据量的前提下,确保后续处理的准确率,提高预测精度,改善预测可靠性。此外,采用箱线图法还可以达到观测样本所包括数据的分布情况,可视化较好。
步骤3013、基于每条初始样本包括的用电量,对多条初始样本进行聚类,得到多个分组。
其中,聚类可以是指:将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。即,在本申请实施例记载的应用场景下,聚类可以得到多个分组,每个分组中可以包括多条初始样本,该多条初始样本中存在一个初始样本为聚类中心,其他各条初始样本到该聚类中心对应的初始样本的距离(可用欧式距离表示)均较小。且各个分组的聚类中心不同。
可选的,聚类可以基于平方误差准则实现,平方误差准则为:
在本申请实施例中,min表示取最小值,k可以是指聚类得到的分组的总数量,且k为大于1的整数,i为大于0且小于k的整数。E为多条初始样本所包括的用电量的综合平方误差,即一个分组内,各个初始样本到聚类中心的距离之和。p为一条初始样本中的用电量,mi为聚类得到的第i个分组的聚类中心Ci中的用电量的均值,p∈Ci是指p为第i个聚类中心所属聚类中的一个用电量。该准则能够确保聚类结果尽可能的紧凑且独立。
可选的,可以根据欧式距离的计算公式来确定聚类中心。其中,欧式距离EUCLID(x,y)的计算公式可以为:
在本申请实施例中,xi可以是指一个分组中第i条初始样本所包括的用电量的值,yi可以是指一个分组中第i个初始样本作为聚类中心所对应的用电量,xi和yi中的i可以为大于0且小于一个分组中所包括初始样本的数量的整数。
此外,在本申请实施例中,终端中可以预置有用于进行聚类处理的聚类算法(如,K-Means算法),终端可以采用该聚类算法对多条初始样本进行聚类,以将多条初始样本至少划分为两类,即两个分组。划分的数量可以预先设定。
因在聚类过程中,添加或删除大量的样本对聚类结果影响较大,故通过上述图5的数据预处理,可以在降低聚类复杂度的前提下,确保聚类效果较好。
步骤3014、对于每条初始样本,基于该初始样本中充电桩在目标时段内的用电量,确定该充电桩在目标时段内的用电变化量和用电变化率。
此外,在本申请实施例中,终端还可以基于每条初始样本所包括的用电量,确定该初始样本中充电桩在目标时段内的用电变化量和用电变化率。
基于以上对用电变化量和用电变化率的定义可知,若目标时段为100天,则对于某充电桩而言,终端可以计算该充电桩在该100天内,每相邻两天的用电变化量,并对计算结果求均值从而得到该充电桩在该100天内的用电变化量。然后,终端可以再采用计算得到的用电变化量除以目标时段,从而得到该充电桩在目标时段内的用电变化率。
步骤3015、对于每条初始样本,在该初始样本中添加该初始样本中充电桩的用电变化量,该初始样本中充电桩的用电变化率,以及该初始样本所属分组的聚类中心的用电量,得到一条训练样本。
在执行完以上步骤,得到每条初始样本所属分组的聚类中心,每条初始样本中充电桩的用电变化量和用电变化率后,终端可以通过数据融合处理,为每条初始样本添加该初始样本中充电桩的用电变化量,用电变化率,以及该初始样本所属分组的聚类中心的用电量,从而得到一条训练样本。其他训练样本的确定方法同理,如此,即可以得到包括上述参数的多条训练样本。
示例的,对于每条初始样本而言,若用电量为初始数据,则平均温度、降水量和日照时长可以为在该用电量后所添加的三个不同字段,该初始样本所属分组的聚类中心的用电量可以为在该用电量后所添加的另一字段,该初始样本中充电桩的用电变化量和用电变化率可以为在该用电量后所添加的两个不同字段。如此,每条训练样本共包括七个字段,分别为:(1)一个充电桩在目标时段内的用电量。(2)用电量所属分组的聚类中心的用电量。(3)充电桩在目标时段内的用电变化量。(4)充电桩在目标时段内的用电变化率。(5)目标时段内的平均温度。(6)目标时段内的平均降水量。(7)目标时段内的平均日照时长。
步骤302、获取多个备选预测模型。
可选的,在本申请实施例中,终端可以构造多个备选预测模型,且构造数量可以预先设置。该备选预测模型可以为多层感知器(multi-layer perceptron,MLP)神经网络模型。相应的,基于图2实施例记载,从该多个备选预测模型中选取的目标预测模型可以为MLP神经网络模型。
此外,每个MLP神经网络模型可以包括输入层、输出层和隐藏层,且每个隐藏层可以包括多个神经元。在训练时,可以将每条训练样本所包括的多个参数分别输入备选预测模型的输入层,经隐藏层处理后,备选预测模型即可以向输出层输出一个预测结果。
示例的,以每条训练样本均包括以上实施例记载的七个参数为例,图6示出了一种MLP神经网络模型结构的结构示意图。如图6所示,该MLP神经网络模型结包括输入层,输出层,和位于输入层和输出层之间的第一隐藏层和第二隐藏层。输入层包括七个输入端X1至X7,以上七个字段可以分别输入至该七个输入端X1至X7。第一层隐藏层可以包括八个神经元,第二层隐藏层可以包括六个神经元,输出层包括一个输出端Y0。
步骤303、基于多条训练样本确定每个备选预测模型的预测准确率。
在获取到多个备选预测模型后,终端可以将多条训练样本分别输入至每个备选预测模型,从而确定每个备选预测模型的预测准确率。示例的,图7示出了一种确定预测准确率的方法流程图。如图7所示,该方法可以包括:
步骤3031、从多条训练样本中选取多条第一训练样本和多条第二训练样本。
其中,多条第一训练样本的数量与多条第二训练样本的数量之和,可以等于多条训练样本的数量。即,终端可以从多条训练样本中抽取一部分作为第一训练样本,并将多条训练样本中除第一训练样本之外的其他训练样本作为第二训练样本。抽取得到的第一训练样本也可以称为包内训练样本。相应的,剩余的训练样本,即第二训练样本可以称为包外训练样本。
可选的,为确保输入至每个备选预测模型的训练样本不同,终端可以采用随机抽取方式,如引导聚集(bootstrapaggregating,Bagging)算法中的Out Of Bag方式从多条训练样本中随机抽取多条第一训练样本。
示例的,假设对十万(100000)条基础样本进行处理后剩余96410条训练样本,则对该96410条训练样本随机取样,每条训练样本每次被抽取到的概率为1/96410,相应的,其未被抽取到的概率为1-1/96410。即,每条训练样本未被抽取到的概率为:(1-1/96410)96410≈0.3679。换言之,每条训练样本未被抽取到的概率约为37%,相应的,被抽取到的概率即为1-37%=63%。
步骤3032、对于每个备选预测模型,将多条第一训练样本分别输入至该备选预测模型,得到该备选预测模型的多个第一输出结果。
结合图6所示备选预测模型的可选结构,对于每个备选预测模型而言,终端可以先获取到的多条第一训练样本分别输入至该备选预测模型的输入层,以在输出层得到该备选预测模型的多个第一输出结果。其中,一个第一输出结果与得到该第一输入结果所输入的一条第一训练样本对应。且,该第一输出结果可以是指预测得到的充电负荷,即用电量。
步骤3033、对于每个备选预测模型,将多条第二训练样本分别输入至该备选预测模型,得到该备选预测模型的多个第二输出结果。
可选的,该步骤的执行方式可以参考步骤3032的记载,在此不再赘述。
步骤3034、对于每个备选预测模型,根据多个第一输出结果,以及多条第一训练样本中的用电量,确定该备选预测模型的第一预测准确率。
可选的,对于每个第一输出结果,终端可以先通过对比该第一输出结果和得到该第一输出结果时输入的第一训练样本中的用电量,以确定得到该第一输出结果时该备选预测模型的预测准确率。然后,对于每个备选预测模型,终端可以将基于各个第一输出结果确定的预测准确率的均值,确定为该备选预测模型的最终的第一预测准确率。当然,也不限于均值,如,还可以为平方差值。
步骤3035、对于每个备选预测模型,根据多个第二输出结果,以及多条第二训练样本中的用电量,确定该备选预测模型的第二预测准确率。
可选的,该步骤的执行方式可以参考步骤3034的记载,在此不再赘述。
步骤304、基于每个备选预测模型的预测准确率,从多个备选预测模型中选取多个目标预测模型。
在确定出每个备选预测模型的预测准确率后,终端即可以基于该预测准确率,采用选择集成算法先从多个备选预测模型中选取预测准确率较好的至少两个备选预测模型作为多个目标预测模型。
示例的,基于图7示出的确定准确率的方法,图8示出了一种选取多个目标预测模型的方法流程图。如图8所示,该方法可以包括:
步骤3041、按照第二预测准确率由低到高的顺序,对多个备选预测模型进行排序,得到第一集合。
可选的,在本申请实施例中,终端可以先基于采用第二训练样本,即包外训练样本确定出的第二预测准确率,按照预测准确率由低到高的顺序对多个备选预测模型进行排序,以得到第一集合。即,第一集合中可以包括第二预测准确率由低到高依次排序的多个备选预测模型。当然,也可以按照第二预测准确率由高到低的顺序排序,本申请实施例对此不做限定。
步骤3042、删除第一集合中第二预测准确率小于准确率阈值的前m个备选预测模型,得到第二集合。
因第一集合中,多个备选预测模型是按照第二预测准确率由低到高的顺序进行排序,故在排序得到第一集合后,终端可以直接基于准确率阈值删除位于该第一集合中的前m个备选预测模型,得到第二集合。相应的,第二集合中可以包括第二预测准确率由低到高依次排序的多个备选预测模型,且第二集合所包括的备选预测模型的数量小于第一集合所包括的备选预测模型的数量。其中,m可以为大于0且小于第一集合包括的备选预测模型的数量的整数。
可选的,准确率阈值可以用Kappa系数表示,Kappa系数是指用于一致性检验,以衡量预测精度的一种参数。此外,因第二预测准确率为基于包外样本预测得到的,故通过先按照第二预测准确率删除预测准确率较低的至少一个备选预测模型,可以提高最终得到的目标预测模型的泛化能力。
步骤3043、基于每个备选预测模型的第一预测准确率,确定第二集合包括的多个备选预测模型的第一群差异度。
其中,第一群差异度可以用于指示第二集合中各个备选预测模型的第一预测准确率的差异程度。可选的,终端可以基于该各个备选预测模型的第一预测准确率,确定该各个备选预测模型的预测差异程度。
步骤3034、从第二集合中第一个备选预测模型开始,确定删除第二集合中第n个备选预测模型后,第二集合中剩余的多个备选预测模型的第二群差异度。
其中,n为大于0且小于第二集合包括的备选预测模型的数量的整数。因第二集合中,多个备选预测模型是按照第一预测准确率由低到高的顺序进行排序,故终端可以先从第二集合中第一个备选预测模型开始,确定删除该第一个备选预测模型后,剩余的其他备选预测模型的第二群差异度。
步骤3045、若第二群差异度与第一群差异度的差值大于差异度阈值,则删除第n个备选预测模型,直至第二集合中剩余的备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值为止。
假设删除了第一个备选预测模型后,剩余的各个备选预测模型的第二群差异度与未删除第一个备选预测模型之前,第二集合所包括的各个备选预测模型的第一群差异度的差值大于差异度阈值,则终端可以将第二集合中的第一个备选预测模型删除,以此类推。
当删除至第二集合中剩余的备选预测模型的数量小于第一数量阈值,即无法继续删除,或者,删除的备选预测模型的数量达到第二数量阈值,即删除数量达到阈值为止,停止删除第二集合中的备选预测模型。此时,第二集合中一般还剩余至少两个备选预测模型,且剩余的每个备选预测模型的第一预测准确率,均大于被删除的各个备选预测模型的第一预测准确率。可选的,差异度阈值、第一数量阈值和第二数量阈值均可以为预先设定的固定值。
步骤3046、将第二集合中剩余的备选预测模型确定为目标预测模型。
终端可以将第二集合中最终剩余的备选预测模型确定为目标预测模型。例如,假设终端共获取了15个备选预测模型,最终第二集合中剩余的备选预测模型数量为2,则终端可以将最终剩余的两个备选预测模型选取为目标预测模型,用于进行后续充电负荷的预测。
以终端共获取到15个备选预测模型,Kappa系数用k1表示,差异度阈值用ΔE表示为例。图7和图8所示方法的整体算法流程可以如下:
步骤A、采用算法“for t=1,2,3,4……Tdo,T=15”定义选择的备选预测模型的数量,即,T为备选预测模型的总数量。假设T为15,则可知终端共获取了15个备选预测模型。
步骤B、采用算法“ht=Lt1(D,Dbootstran)”计算基于多条第一训练样本确定的每个备选预测模型的第一预测准确率。其中,ht可以是指第t个备选预测模型,D可以是指多条训练样本,Dbootstran可以是指多条第一训练样本,Lt1可以是指基于多条第一训练样本确定的第t个备选预测模型的第一预测准确率。
步骤C、采用算法“ht=Lt2(D,1-Dbootstran)”计算基于多条第二训练样本确定的每个备选预测模型的第二预测准确率。其中,1-Dbootstran可以是指多条第二训练样本,Lt2可以是指基于多条第二训练样本确定的第t个备选预测模型的第二预测准确率Accht。
步骤D、采用排序算法根据第二预测准确率对获取到的多个备选预测模型进行排序,得到第一集合{h1,h2,……,hT}(Accht<Accht+1)。其中,Accht<Accht+1即代表第一集合中第t+1个备选预测模型的第二预测准确率大于第t个备选预测模型的第二预测准确率。
步骤E、基于Kappa系数删除第一集合中前m个备选预测模型得第二集合{h1,h2,……,hp}(Acchn<Acchn+1)。其中,p为第二集合所包的备选预测模型的总数量,n为大于0且小于p的整数,Acchn<Acchn+1是指第二集合中第n+1个备选预测模型的第二预测准确率大于第n个备选预测模型的第二预测准确率。
步骤F、采用以下循环流程算法选取目标预测模型:
步骤F1、while Numberp>k1*Num;Numberp是指第二集合所包括的备选预测模型的总数量,Num是指删除一个备选预测模型后,第二集合剩余的备选预测模型的总数量;
步骤F2、计算第二集合的第一群差异度Enow;
步骤F3、计算删除第二集合中的第n个备选预测模型后,剩余备选预测模型的第二群差异度Enext;
步骤F4、if Enext-Enow>ΔE;判断Enext-Enow是否大于ΔE;
步骤F5、delete hn from p;若Enext-Enow>ΔE,则将第n个备选预测模型从第二集合包括的p个备选预测模型中删除;
步骤F6、n++;将n更新为n+1;
步骤F7、已经删除第n个备选预测模型,返回步骤F3;
步骤F8、若备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值,则停止;
步骤F9、将第二集合中剩余的各个备选预测模型均确定为目标预测模型。
基于以上算法流程和实施例记载可知,本申请实施例采用的是双重过滤式迭代优化选择算法选取的目标预测模型。其中,双重包括:基于第二预测准确率删除得到第二集合的第一重选取,以及基于第一预测准确率删除第二集合中的备选预测模型以选取最终目标预测模型的第二重选取。如此,不仅有效保证了最终得到的目标预测模型的性能较好,预测准确率较高,而且还确保了目标预测模型的泛化能力。进而,也即提高了后续的充电负荷预测精度。
可选的,执行以上算法采用的系统可以为Ubantu系统,采用的开发语言可以为Python3.0,采用的研发工具可以为PyCharm,采用的学习框架可以为Tensorflow框架。
步骤305、获取充电负荷预测信息。
其中,充电负荷预测信息可以包括:时间和天气信息,天气信息可以包括上述实施例记载的平均温度、降水量和/或日照时长。
可选的,在需要预测未来某时段(如,某天)的充电负荷时,用户可以将该时段的时间,以及该时段的天气信息等数据输入至终端以供终端进行充电负荷的预测。即,终端可以获取用户输入的充电负荷预测信息。
示例的,假设需要预测2020年12月20日的充电负荷,则用户可以输入2020年12月20日,以及12月20日的天气信息,如日均温度、降水量和日照时长。相应的,终端即可以接收到包括时间2020年12月20日,以及天气信息的充电负荷预测信息。
步骤306、将充电负荷预测信息输入至多个目标预测模型。
终端在获取到充电负荷预测信息后,即可以将该充电负荷预测信息分别输入至预先确定的每个目标预测模型中,以对充电负荷进行精确预测。
例如,假设共包括两个目标预测模型,则终端可以将获取到的充电负荷预测信息分别输入至该两个目标预测模型。
步骤307、根据每个目标预测模型的输出结果,确定电动车辆的充电负荷。
对于每个目标预测模型而言,该目标预测模型均会基于接收到的充电负荷数据输出一条结果,该结果即为该目标预测模型预测到的电动车辆的充电负荷。然后,终端可以计算各个目标预测模型的输出结果的平均值,并将计算得到的平均值确定为最终的充电负荷。最后,终端可以将确定的充电负荷通过显示或语音播报等方式告知用户,以便用户知悉未来某时段内的充电负荷,并基于该充电负荷为充电桩制定合理的使用策略,以此即实现了对配电网运转的优化。
示例的,假设共包括两个目标预测模型,终端采用一个目标预测模型预测得到的充电负荷为300,采用另一个目标预测模型预测得到的充电负荷为310,则终端可以将300和310的均值305确定为最终的充电负荷,并输出至用户。
为预先确定目标预测模型的预测精度,本申请实施例将电网提供的十万条基础样本进行数据预处理后,划分为训练集和测试集,对确定出的目标预测模型的预测效果进行了验证。
示例的,以预测部分充电桩在Day1和Day2两天内的充电负荷为例,表1示出了采用本申请实施例确定的目标预测模型预测得到的预测值。表2示出了采用单一的神经网络模型预测得到的预测值,且表1和表2还分别示出了对应的实际值、预测值和实际值之间的相对误差以及绝对误差等参数。其中,相对误差=预测值-实际值,绝对误差=相对误差/实际值。
表1
表2
/>
对比表1和表2可以看出,采用本申请实施例的目标预测模型进行预测得到的预测结果与真实结果之间的绝对误差的误差范围在-8至12之间,相对误差的误差范围在-1.86至3.45之间。而采用单一的神经网络模型进行预测得到的预测结果与真实结果之间的绝对误差的误差范围在-17至21之间,相对误差的误差范围在-4.86至5.29之间。由此可以确定,与采用单一神经网络模型进行预测相比,采用本申请实施例提供的目标预测模型进行预测的精度更高。
为进一步体现采用本申请实施例的目标预测模型和相关技术单一神经网络模型预测差异程度,以折线图为例,图9基于上述表1和表2示出了Day1的预测结果,以及实际值。图10基于上述表1和表2示出了Day2的预测结果,以及实际值。其中,横坐标可以表示时间,单位为小时h;纵坐标可以表示充电负荷,单位为千瓦Kw。基于图9和图10可以进一步看出采用本申请实施例记载的目标预测模型进行预测得到的预测结果与实际值更加接近。
需要说明的是,本申请实施例提供的电动车辆的充电负荷预测方法步骤的先后顺序可以进行适当调整,例如,上述步骤302可以在步骤301之前执行。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
综上所述,本申请实施例提供了一种电动车辆的充电负荷预测方法。该方法可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
图11是本申请实施例提供的一种电动车辆的充电负荷预测装置的结构框图,该装置可以应用于图1所示的终端10中。如图11所示,该装置110可以包括:
第一获取模块1101,用于获取充电负荷预测信息。
其中,该充电负荷预测信息可以包括:时间和天气信息。
输入模块1102,用于将充电负荷预测信息输入至多个目标预测模型。
第一确定模块1103,用于根据每个目标预测模型的输出结果,确定电动车辆的充电负荷。
其中,多个目标预测模型为基于多条训练样本从多个备选预测模型中选取的,且每个目标预测模型的预测准确率,均大于其他备选预测模型的预测准确率。
综上所述,本申请实施例提供了一种电动车辆的充电负荷预测装置。该装置可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
图12是本申请实施例提供的另一种电动车辆的充电负荷预测装置的结构框图。如图12所示,该装置110还可以包括:
第二获取模块1104,用于在获取预测信息之前,获取多个备选预测模型和多条训练样本。
其中,每条训练样本可以包括:一个充电桩在目标时段内的用电量,用电量所属分组的聚类中心的用电量,充电桩在目标时段内的用电变化量,充电桩在目标时段内的用电变化率,以及目标时段内的天气信息。
第二确定模块1105,用于基于多条训练样本确定每个备选预测模型的预测准确率。
选取模块1106,用于基于每个备选预测模型的预测准确率,从多个备选预测模型中选取多个目标预测模型。
可选的,第二确定模块1105可以用于:
从多条训练样本中选取多条第一训练样本和多条第二训练样本,多条第一训练样本的数量与多条第二训练样本的数量之和,等于多条训练样本的数量。
对于每个备选预测模型,将多条第一训练样本分别输入至备选预测模型,得到备选预测模型的多个第一输出结果。
对于每个备选预测模型,将多条第二训练样本分别输入至备选预测模型,得到每个备选预测模型的多个第二输出结果。
对于每个备选预测模型,根据多个第一输出结果,以及多条第一训练样本中的用电量,确定备选预测模型的第一预测准确率。
对于每个备选预测模型,根据多个第二输出结果,以及多条第二训练样本中的用电量,确定备选预测模型的第二预测准确率。
可选的,选取模块1106可以用于:
按照第二预测准确率由低到高的顺序,对多个备选预测模型进行排序,得到第一集合。
删除第一集合中第二预测准确率小于准确率阈值的前m个备选预测模型,得到第二集合,m为大于0且小于第一集合包括的备选预测模型的数量的整数。
基于每个备选预测模型的第一预测准确率,确定第二集合包括的多个备选预测模型的第一群差异度,第一群差异度用于指示第二集合中各个备选预测模型的第一预测准确率的差异程度。
从第二集合中第一个备选预测模型开始,确定删除第二集合中第n个备选预测模型后,第二集合中剩余的多个备选预测模型的第二群差异度,n为大于0且小于第二集合包括的备选预测模型的数量的整数。
若第二群差异度与第一群差异度的差值大于差异度阈值,则删除第n个备选预测模型,直至第二集合中剩余的备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值为止。
将第二集合中剩余的备选预测模型确定为目标预测模型。
可选的,图13是本申请实施例提供的一种第二获取模块的结构框图。如图13所示,该第二获取模块1104可以包括:
获取子模块11041,用于获取多条初始样本。其中,每条初始样本可以包括:一个充电桩在目标时段内的用电量,以及目标时段内的天气信息。
确定子模块11042,用于对于每条初始样本,基于初始样本中充电桩在目标时段内的用电量,确定充电桩在目标时段内的用电变化量和用电变化率。
聚类子模块11043,用于基于每条初始样本包括的用电量,对多条初始样本进行聚类,得到多个分组。
添加子模块11044,用于对于每条初始样本,在初始样本中添加初始样本中充电桩的用电变化量,初始样本中充电桩的用电变化率,以及初始样本所属分组的聚类中心的用电量,得到一条训练样本。
可选的获取子模块11041,可以用于:获取多条基础样本,每条基础样本包括:一个充电桩在目标时段内的用电量,以及目标时段内的天气信息。对多条基础样本中的异常样本进行处理,得到多条初始样本。
其中,处理可以包括:删除和/或填充。示例的,假设处理包括:删除和填充。则获取子模块11041可以用于:
删除多条基础样本中充电桩的用电量为0,和/或,充电桩的用电量连续缺失数量大于数量阈值的异常训练样本,得到多条第一备选样本。
采用均值填充多条第一备选样本中用电量缺失的样本,得到多条第二备选样本,均值为多条第一备选样本所包括的用电量的平均值。
采用箱线图法,处理多条第二备选样本,得到多条初始样本。
可选的,第一确定模块1103,可以用于:将各个目标预测模型的输出结果的平均值确定为电动车辆的充电负荷。
可选的,目标预测模型可以为多层感知器MLP神经网络模型。
可选的,天气信息可以包括下述参数中的至少一种:目标时段内的平均温度、降水量和日照时长。
综上所述,本申请实施例提供了一种电动车辆的充电负荷预测装置。该装置可以将获取到的充电负荷预测信息输入至多个目标预测模型中,并基于每个目标预测模型的输出结果确定电动车辆的充电负荷。由于该目标预测模型是基于多条训练样本,从多个备选预测模型中选取的预测准确率较高的预测模型,因此有效提高了充电负荷的预测精度,预测可靠性较好。
关于上述实施例中的装置,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。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中可以存储有计算机程序,该计算机程序由处理器加载并执行以实现上述方法实施例(例如图2或图3所示的充电负荷预测方法实施例)。
图14是本申请实施例提供的一种电动车辆的充电负荷预测装置1400的结构框图。该装置1400可以是便携式移动终端,比如:图1所示的计算机、平板电脑或电子书。装置1400还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。通常,装置1400可以包括有:处理器1401和存储器1402。
处理器1401可以包括一个或多个处理核心,比如4核心处理器、14核心处理器等。处理器1401可以采用数字信号处理(digital signal processing,DSP)、现场可编程门阵列(field-programmable gate array,FPGA)、可编程逻辑阵列(programmable logicarray,PLA)中的至少一种硬件形式来实现。处理器1401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(centralprocessing unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1401可以集成有图像处理器(graphics processing unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1401还可以包括人工智能(artificial intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1402中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1401所执行以实现本申请中方法实施例提供的电动车辆的充电负荷预测方法。
在一些实施例中,装置1400还可选包括有:外围设备接口1403和至少一个外围设备。处理器1401、存储器1402和外围设备接口1403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1403相连。具体地,外围设备包括:射频电路1404、显示屏1405、摄像头组件1406、音频电路1407、定位组件1408和电源1409中的至少一种。
外围设备接口1403可被用于将输入/输出(Input/Output,I/O)相关的至少一个外围设备连接到处理器1401和存储器1402。在一些实施例中,处理器1401、存储器1402和外围设备接口1403被集成在同一芯片或电路板上;在一些其他实施例中,处理器1401、存储器1402和外围设备接口1403中的任意一个或两个可以在单独的芯片或电路板上实现,本申请实施例对此不加以限定。
射频电路1404用于接收和发射射频(radio frequency,RF)信号,也称电磁信号。射频电路1404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1404将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1404包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或无线保真(wireless fidelity,WiFi)网络。在一些实施例中,射频电路1404还可以包括近距离无线通信(near field communication,NFC)有关的电路,本申请对此不加以限定。
显示屏1405用于显示用户界面(user interface,UI)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1405是触摸显示屏时,显示屏1405还具有采集在显示屏1405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1401进行处理。此时,显示屏1405还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1405可以为一个,设置在装置1400的前面板;在另一些实施例中,显示屏1405可以为至少两个,分别设置在装置1400的不同表面或呈折叠设计;在另一些实施例中,显示屏1405可以是柔性显示屏,设置在装置1400的弯曲表面上或折叠面上。甚至,显示屏1405还可以设置成非矩形的不规则图形,也即异形屏。显示屏1405可以采用液晶显示屏、有机发光二极管等材质制备。
摄像头组件1406用于采集图像或视频。可选地,摄像头组件1406包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及虚拟现实(virtual reality,VR)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1406还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1401进行处理,或者输入至射频电路1404以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在装置1400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1401或射频电路1404的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1407还可以包括耳机插孔。
定位组件1408用于定位装置1400的当前地理位置,以实现导航或基于位置的服务(location based service,LBS)。定位组件1408可以是基于美国的全球定位系统(globalpositioning system,GPS)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1409用于为装置1400中的各个组件进行供电。电源1409可以是交流电、直流电、一次性电池或可充电电池。当电源1409包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图14中示出的结构并不构成对装置1400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
应当理解的是,在本文中提及的“和/或”,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的可选实施例,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之内。
Claims (10)
1.一种电动车辆的充电负荷预测方法,其特征在于,所述方法包括:
获取多个备选预测模型和多条训练样本,每条所述训练样本包括:一个充电桩在目标时段内的用电量,所述用电量所属分组的聚类中心的用电量,所述充电桩在所述目标时段内的用电变化量,所述充电桩在所述目标时段内的用电变化率,以及所述目标时段内的天气信息;
从所述多条训练样本中选取多条第一训练样本和多条第二训练样本,所述多条第一训练样本的数量与所述多条第二训练样本的数量之和,等于所述多条训练样本的数量,所述第一训练样本是随机选取的;对于每个所述备选预测模型,将所述多条第一训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第一输出结果;对于每个所述备选预测模型,将所述多条第二训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第二输出结果;基于每条第一训练样本对应的第一输出结果和用电量,确定每条第一训练样本对应的预测准确率,将所述多条第一训练样本对应的预测准确率进行平均,得到所述备选预测模型的第一预测准确率;基于每条第二训练样本对应的第二输出结果和用电量,确定每条第二训练样本对应的预测准确率,将所述多条第二训练样本对应的预测准确率进行平均,得到所述备选预测模型的第二预测准确率;
按照所述第二预测准确率由低到高的顺序,对所述多个备选预测模型进行排序,得到第一集合;删除所述第一集合中第二预测准确率小于准确率阈值的前m个备选预测模型,得到第二集合,m为大于0且小于所述第一集合包括的备选预测模型的数量的整数;基于每个所述备选预测模型的所述第一预测准确率,确定所述第二集合包括的多个备选预测模型的第一群差异度,所述第一群差异度用于指示所述第二集合中各个所述备选预测模型的第一预测准确率的差异程度;从所述第二集合中第一个备选预测模型开始,确定删除所述第二集合中第n个备选预测模型后,所述第二集合中剩余的多个备选预测模型的第二群差异度,n为大于0且小于所述第二集合包括的备选预测模型的数量的整数;若所述第二群差异度与所述第一群差异度的差值大于差异度阈值,则删除所述第n个备选预测模型,直至所述第二集合中剩余的备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值为止;将所述第二集合中剩余的备选预测模型确定为目标预测模型;
获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;
将所述充电负荷预测信息输入至多个目标预测模型;
根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;
其中,所述多个目标预测模型为基于多条训练样本从多个备选预测模型中选取的,且每个所述目标预测模型的预测准确率,均大于其他备选预测模型的预测准确率。
2.根据权利要求1所述的方法,其特征在于,所述获取多条训练样本,包括:
获取多条初始样本,每条所述初始样本包括:一个充电桩在目标时段内的用电量,以及所述目标时段内的天气信息;
对于每条所述初始样本,基于所述初始样本中充电桩在目标时段内的用电量,确定所述充电桩在所述目标时段内的用电变化量和用电变化率;
基于每条所述初始样本包括的用电量,对所述多条初始样本进行聚类,得到多个分组;
对于每条所述初始样本,在所述初始样本中添加所述初始样本中充电桩的用电变化量,所述初始样本中充电桩的用电变化率,以及所述初始样本所属分组的聚类中心的用电量,得到一条训练样本。
3.根据权利要求2所述的方法,其特征在于,所述获取多条初始样本,包括:
获取多条基础样本,每条所述基础样本包括:一个充电桩在目标时段内的用电量,以及所述目标时段内的天气信息;
对所述多条基础样本中的异常样本进行处理,得到多条初始样本,其中,所述处理包括:删除和/或填充。
4.根据权利要求3所述的方法,其特征在于,所述处理包括:删除和填充;所述对所述多条基础样本中的异常样本进行处理,得到多条初始样本,包括:
删除所述多条基础样本中充电桩的用电量为0,和/或,充电桩的用电量连续缺失数量大于数量阈值的异常训练样本,得到多条第一备选样本;
采用均值填充所述多条第一备选样本中用电量缺失的样本,得到多条第二备选样本,所述均值为所述多条第一备选样本所包括的用电量的平均值;
采用箱线图法,处理所述多条第二备选样本,得到多条初始样本。
5.根据权利要求1至4任一所述的方法,其特征在于,所述根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷,包括:
将各个所述目标预测模型的输出结果的平均值确定为所述电动车辆的充电负荷。
6.根据权利要求1至4任一所述的方法,其特征在于,所述目标预测模型为多层感知器MLP神经网络模型。
7.根据权利要求1至4任一所述的方法,其特征在于,所述天气信息包括下述参数中的至少一种:所述目标时段内的平均温度、降水量和日照时长。
8.一种电动车辆的充电负荷预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;
输入模块,用于将所述充电负荷预测信息输入至多个目标预测模型;
第一确定模块,用于根据每个所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;
其中,所述多个目标预测模型为基于多条训练样本从多个备选预测模型中选取的,且每个所述目标预测模型的预测准确率,均大于其他备选预测模型的预测准确率;
所述装置还包括:
第二获取模块,用于获取多个备选预测模型和多条训练样本,每条所述训练样本包括:一个充电桩在目标时段内的用电量,所述用电量所属分组的聚类中心的用电量,所述充电桩在所述目标时段内的用电变化量,所述充电桩在所述目标时段内的用电变化率,以及所述目标时段内的天气信息;
第二确定模块,用于从所述多条训练样本中选取多条第一训练样本和多条第二训练样本,所述多条第一训练样本的数量与所述多条第二训练样本的数量之和,等于所述多条训练样本的数量,所述第一训练样本是随机选取的;对于每个所述备选预测模型,将所述多条第一训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第一输出结果;对于每个所述备选预测模型,将所述多条第二训练样本分别输入至所述备选预测模型,得到所述备选预测模型的多个第二输出结果;基于每条第一训练样本对应的第一输出结果和用电量,确定每条第一训练样本对应的预测准确率,将所述多条第一训练样本对应的预测准确率进行平均,得到所述备选预测模型的第一预测准确率;基于每条第二训练样本对应的第二输出结果和用电量,确定每条第二训练样本对应的预测准确率,将所述多条第二训练样本对应的预测准确率进行平均,得到所述备选预测模型的第二预测准确率;
选取模块,用于按照所述第二预测准确率由低到高的顺序,对所述多个备选预测模型进行排序,得到第一集合;删除所述第一集合中第二预测准确率小于准确率阈值的前m个备选预测模型,得到第二集合,m为大于0且小于所述第一集合包括的备选预测模型的数量的整数;基于每个所述备选预测模型的所述第一预测准确率,确定所述第二集合包括的多个备选预测模型的第一群差异度,所述第一群差异度用于指示所述第二集合中各个所述备选预测模型的第一预测准确率的差异程度;从所述第二集合中第一个备选预测模型开始,确定删除所述第二集合中第n个备选预测模型后,所述第二集合中剩余的多个备选预测模型的第二群差异度,n为大于0且小于所述第二集合包括的备选预测模型的数量的整数;若所述第二群差异度与所述第一群差异度的差值大于差异度阈值,则删除所述第n个备选预测模型,直至所述第二集合中剩余的备选预测模型的数量小于第一数量阈值,或,删除的备选预测模型的数量达到第二数量阈值为止;将所述第二集合中剩余的备选预测模型确定为目标预测模型。
9.一种电动车辆的充电负荷预测装置,其特征在于,所述装置包括:存储器,处理器以及存储在所述存储器上的计算机程序,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任一所述的电动车辆的充电负荷预测方法。
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中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一所述的电动车辆的充电负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521561.8A CN112508301B (zh) | 2020-12-21 | 2020-12-21 | 电动车辆的充电负荷预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521561.8A CN112508301B (zh) | 2020-12-21 | 2020-12-21 | 电动车辆的充电负荷预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508301A CN112508301A (zh) | 2021-03-16 |
CN112508301B true CN112508301B (zh) | 2024-05-17 |
Family
ID=74921887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521561.8A Active CN112508301B (zh) | 2020-12-21 | 2020-12-21 | 电动车辆的充电负荷预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508301B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298298B (zh) * | 2021-05-10 | 2023-12-29 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
CN113627900A (zh) * | 2021-08-10 | 2021-11-09 | 未鲲(上海)科技服务有限公司 | 模型训练方法、装置与存储介质 |
CN116127067B (zh) * | 2022-12-28 | 2023-10-20 | 北京明朝万达科技股份有限公司 | 文本分类方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
KR20140068515A (ko) * | 2012-11-28 | 2014-06-09 | 고려대학교 산학협력단 | 전기자동차 충전부하 예측 방법 및 시스템 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
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 |
CN111612260A (zh) * | 2020-05-27 | 2020-09-01 | 华东师范大学 | 基于集成学习模型的轨道交通车载数据预测方法 |
CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011133527A1 (en) * | 2010-04-19 | 2011-10-27 | Interim Designs Inc. | Automated electric vehicle charging system and method |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
-
2020
- 2020-12-21 CN CN202011521561.8A patent/CN112508301B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140068515A (ko) * | 2012-11-28 | 2014-06-09 | 고려대학교 산학협력단 | 전기자동차 충전부하 예측 방법 및 시스템 |
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 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108710975A (zh) * | 2018-05-18 | 2018-10-26 | 国网江苏省电力有限公司徐州供电分公司 | 一种电动汽车负荷预测方法 |
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 |
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
CN111626494A (zh) * | 2020-05-22 | 2020-09-04 | 广东电网有限责任公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN111612260A (zh) * | 2020-05-27 | 2020-09-01 | 华东师范大学 | 基于集成学习模型的轨道交通车载数据预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508301A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508301B (zh) | 电动车辆的充电负荷预测方法、装置及存储介质 | |
CN112078565B (zh) | 氢燃料电池电动汽车的能量管理方法、装置及存储介质 | |
Pei et al. | A new insight into land use classification based on aggregated mobile phone data | |
CN111182453A (zh) | 定位方法、装置、电子设备及存储介质 | |
CN112163717B (zh) | 人口数据预测方法、装置、计算机设备及介质 | |
CN116187398B (zh) | 一种无人机海洋图像检测用轻量神经网络搭建方法及设备 | |
CN112328911B (zh) | 地点推荐方法、装置、设备及存储介质 | |
US20230035366A1 (en) | Image classification model training method and apparatus, computer device, and storage medium | |
CN113505256B (zh) | 特征提取网络训练方法、图像处理方法及装置 | |
CN112035671B (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
CN114117206B (zh) | 推荐模型处理方法、装置、电子设备及存储介质 | |
CN116108910A (zh) | 用于终端部署的图像处理模型压缩方法、装置以及设备 | |
CN114283299A (zh) | 图像聚类方法、装置、计算机设备及存储介质 | |
CN115166782A (zh) | 基于卫星分布的导航场景识别方法、系统、设备和介质 | |
CN111599417B (zh) | 溶解度预测模型的训练数据获取方法及装置 | |
CN116109531A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN116467153A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN113762037A (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN113761195A (zh) | 文本分类方法、装置、计算机设备及计算机可读存储介质 | |
CN110969217A (zh) | 基于卷积神经网络进行图像处理的方法和装置 | |
CN116206622B (zh) | 生成对抗网络的训练、方言转换方法、装置及电子设备 | |
CN112211622B (zh) | 油藏压力场划分的方法和装置 | |
CN117216608A (zh) | 版图质量检测工具的参数确定方法、装置、设备及介质 | |
CN117970387A (zh) | 定位数据处理方法、装置、设备及存储介质 | |
CN114297374A (zh) | 病历分类模型的处理方法、装置、计算机设备及存储介质 |
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 |