CN112949931B - 数据驱动和模型混合的充电站数据的预测方法和装置 - Google Patents
数据驱动和模型混合的充电站数据的预测方法和装置 Download PDFInfo
- Publication number
- CN112949931B CN112949931B CN202110297649.4A CN202110297649A CN112949931B CN 112949931 B CN112949931 B CN 112949931B CN 202110297649 A CN202110297649 A CN 202110297649A CN 112949931 B CN112949931 B CN 112949931B
- Authority
- CN
- China
- Prior art keywords
- charging station
- prediction
- data
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012549 training 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
本发明实施例提供了一种数据驱动和模型混合的充电站数据的预测方法和装置,所述方法包括:步骤1,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;步骤2,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;步骤3,对所述预测值进行取整处理,生成预测整数值;步骤4,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。本发明能够提高预测的精度。
Description
技术领域
本发明涉及电动汽车充电站的规划领域,尤其涉及一种数据驱动和模型混合的充电站数据的预测方法。
背景技术
近年来电动汽车由于其节能、环保的优势得到大力发展,但同时也存在着续航里程短、充电站利用不均衡等问题。充电站的运营状态估计就成为用户充电引导的必要前提。
同时,在人工智能、大数据技术的大力发展下,路网交通状况的监测和预测已取得了较好的成果,用户对智慧出行的需求也越来越高,与传统燃油汽车不同,电动汽车充电需要较长的时间。
在未来智慧城市背景下,将面临大规模电动汽车的使用,由于充电站资源有限,若不能及时将充电站的忙闲状态告诉电动汽车车主,可能使电动汽车到达充电站后不能立即充电,为减少用户充电站等待时间就必须考虑充电站的短期运营状态。因此,有必要对用户出行和充电站规划的充电站运营数据预测技术进行改进和发展。
发明内容
本发明的实施例提供了一种数据驱动和模型混合的充电站数据的预测方法,能够帮助用户选择充电站时进行预测。
一种数据驱动和模型混合的充电站数据的预测方法,包括:
步骤1,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;
步骤2,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;
步骤3,对所述预测值进行取整处理,生成预测整数值;
步骤4,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。
一种数据驱动和模型混合的充电站数据的预测装置,包括:
预测单元,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;
预测单元,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;
取整单元,对所述预测值进行取整处理,生成预测整数值;
输出单元,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例中,本发明的一种充电站运营数据的预测方法,预测后的运营数据可应用于城市充电站网络规划和用户出行引导,具有十分现实的意义。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的一种数据驱动和模型混合的充电站数据的预测方法的示意图;
图2为本发明充电站运营数据预测框架示意图;
图3为本发明所述的步骤3中充电站预测模型的示意图;
图4本发明所述的充电站多步运营数据预测结果示意图;
图5为本发明所述的充电站不同算法单步预测结果示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
如图1所示,为本发明所述的一种数据驱动和模型混合的充电站数据的预测方法,包括:
步骤1,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;
步骤2,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;
步骤3,对所述预测值进行取整处理,生成预测整数值;
步骤4,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。该步骤中,可以以数据输出,或者屏幕显示。
本发明中,不同充电站对应着不同的预测模型的输入变量,输入变量可以为环境变量和时间变量,环境变量包括充电站周边路况信息、天气信息;时间变量包括是否为工作日。不同充电站,影响被使用充电桩的因素并不相同,本发明的预测模型,针对不同充电站,具有不同的输入变量,提高了预测的精度。
所述预测模型为:
其中,是神经网络部分时刻t的预测结果,/>为长短期神经网络的预测结果;WR为t时刻权重矩阵,p是跳过的隐藏单元数,/>为带跳过机制的长短期神经网络LSTM-Skip的预测结果;/>为t-i时刻的权重矩阵,b为偏置项;
为自回归模型AR的预测结果,qar为自回归模型AR截取的时间步,/>为自回归模型AR在t-k时刻的权重矩阵,yt-k为充电站在t-k时刻被使用充电桩的桩数值,R、Rqar为向量;bar为自回归层偏置项,/>为模型的最终预测结果。
所述步骤1之前,所述步骤还包括:
步骤A,建立充电站的运营状态的预测模型。
所述步骤A包括:
步骤41,选择充电站对应的预测模型的输入变量;
步骤42,将卷积神经网络CNN和长短期记忆网络LSTM相结合,提取变量间的短期局部依赖关系,并发现时间序列中的长期趋势,利用传统的自回归模型AR解决神经网络的尺度敏感问题,建立充电站运营数据预测模型;
步骤43,利用网格搜索法,对模型的参数进行优化,选取具有最佳预测精度的参数,作为最终的参数优化结果,用于充电站运营数据预测模型。
所述步骤41包括:
步骤411,获取充电站的历史运营数据、环境变量的历史数据、环境变量对应的时间变量的历史数据;
步骤412,对所述充电站的历史运营数据和所述环境变量的历史数据,进行加窗的时间滞后相关性分析,获取充电站运营数据与环境变量的相关性;
步骤413,根据所述相关性,从所述环境变量中选取影响因素,作为所述充电站对应的预测模型的输入变量。
通过上述步骤,可以建议不同充电站与输入模型的不同输入变量之间的对应关系,提高了预测的精度。
所述历史运营数据包括:充电站的总桩数、充电站中被使用充电桩的总桩数;
所述环境变量包括:充电站周边路况信息、天气信息。
所述步骤42包括:
输入时间矩阵表示为XT={y1,y2,…,yT},其中yt为输入的t时间段的变量;yt∈Rn,Rn为n维向量,n为可变维数;输入变量包括:环境变量和时间变量;
卷积层由至少两个宽度为w、高度为n的滤波器组成,通过对输入数据进行逐层卷积,提取时间维度上的短期特征及变量之间的局部依赖关系,将卷积后的数据作为整体传入LSTM网络进行长序列预测;第k个滤波器扫过输入矩阵X并产生hk;hk=RELU(Wk*X+bk)
式中,*表示卷积运算,输出hk为向量,激活函数RELU(x)=max(0,x);输入矩阵X的左侧填充0,以得到每个长度为T的向量hk;Wk为卷积核的权重向量,卷积层的输出矩阵大小为dc×T,其中dc表示滤波器的个数,bk为偏置项;
在LSTM中引入跳过机制,在当前隐藏单元跳过预定步数的隐藏单元;
使用全连接层组合LSTM层和LSTM-Skip层的输出;
全连接层的输入包括时间t处的隐藏状态以及从t-p+1到t处的p个隐藏状态/>
引入自回归模型提取时间序列数据中的线性分量,将神经网络的输出与AR分量进行求和,得到最后的预测结果。
所述步骤43包括:
对两个LSTM层数进行排列组合形成一个二维网格,并验证网格中的每个参数;
预先设置双层LSTM的隐藏层状态数,指定AR模型截取预定时间步,以均方根误差RMSE和平均绝对误差MAE作为确定隐层数的指标,选取具有最大预测精度的参数作为最终的参数优化结果,用于充电站运营数据预测模型中。
所述均方根误差RMSE和平均绝对误差MAE根据以下公式计算:
式中,t为测试的t个时段,ei、为第i个时段充电桩使用数目的实际值和预测值。
本发明还提供一种数据驱动和模型混合的充电站数据的预测装置,包括:
预测单元,根据预先建立的预测模型,预测充电站在未来各个时间段的被使用充电桩的总桩数的预测值;
取整单元,对所述预测值进行取整处理,生成预测整数值;
输出单元,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。
以下描述本发明第一实施例。
本发明在现有多元数据耦合环境的背景下,以提高用户充电的便利性为目的,提供一种基于数据驱动和模型混合的充电站运营数据预测方法,用于预测城市充电站在未来短期时段内的运营数据,能够在考虑用户出行引导时对充电站未来短期运营数据的预测。本发明主要对充电站内的充电桩使用数目进行多步预测,通过对比其他预测算法看出,本发明中算法的预测效果具有很大优势,是一种行之有效的预测方法。
本发明采用如下技术方案:
步骤一:获取城市充电站的动态运营历史数据,包括桩数、使用数;充电站周边路况信息;天气信息,包括最低气温、最高气温。所述路况信息为充电站周边道路的交通速度。
步骤二:利用充电站和路网历史数据,进行加窗的时间滞后相关性分析,分析充电站运营数据与道路状况在每个时段内的相关性;并分析充电站与气象数据间的相关性,选取其中具有显著相关性的影响因素作为预测模型的输入变量。该步骤中,将步骤一得到的数据用于加窗的时间滞后相关性分析后得到:二者的相关性呈现波动性的特点。从整体上看,交通指数对充电桩使用数具有引导作用。通过加窗的时间滞后交叉相关性,可以看到,交通指数开始的时候在引导相互作用,在一天中的下午时段呈现两者交互作用,充电桩使用数状态的变化对交通的状态也开始具有引导作用。
步骤三:利用网格搜索法对模型的参数进行优化,并预测。在步骤三中,利用卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-TermMemory,LSTM)相结合,提取变量间的短期局部依赖关系,并发现时间序列中的长期趋势,利用传统的自回归模型(Autoregressive model,AR模型)解决神经网络的尺度不敏感问题,建立充电站运营数据预测模型。并利用网格搜索法选取具有最佳预测精度的参数作为最终的参数优化结果,用于充电站运营数据预测模型中。
步骤四:将预测结果进行取整操作并可视化,用于充电引导。
本发明具有以下有益效果:
本发明的一种充电站运营数据的预测方法,预测结果便于可视化。另外,预测后的运营数据可应用于城市充电站网络规划和用户出行引导,具有十分现实的意义。
以下描述本发明的应用场景。
本发明以西安市某公共充电站2020年11月-12月的实际运营数据为样本,以该城市的日最高温度、日最低温度、交通指数等作为环境变量,数据分别来源为天气网和高德开放平台,时间变量选取预测日当天日类型,输出变量为该充电站某一时段的充电桩使用数目,进行步长为3min的向前多步预测。
表1 充电站不同预测步数的预测误差
结合图4与表1可以发现,预测时间步长的选择对模型的预测性能有很大影响。提前6步预测结果的MAE较提前1步预测结果增加144.59%,RMSE增大70.27%,MAPE增大11.81%。长时间步长条件下模型的预测精度,要明显低于短时间步长预测的性能。产生这种现象的原因是,充电站运营数据为一时间序列,每个时间步的预测都与其前时间段的运营状态紧密相关,提前多步预测的结果随着预测时间间隔的增加,预测误差逐步累积,从而使模型的预测误差越来越大。
将本发明所提方法与其他常用预测方法进行对比,以验证本方法的有效性。以向前1步预测为例,不同算法的预测误差和效果图5所示,图5(b)、(c)为图5(a)在充电站运营空闲和运营拥挤两个时间段放大的预测效果,可以看到本文所提预测方法的预测效果要明显优于其他预测方法。
图2为本发明充电站运营数据预测框架示意图;以下结合图2描述。本发明首先针对特定单个充电站,从设备层提供充电站运行数据、基本信息和周边环境参数信息。感知层和数据传输层将设备层的信息进行采集和处理,并传输到分析层。分析层基于数据挖掘充电站状态与影响因素的相关性,并驱动深度学习模型用以预测未来短期运营状态,实现基于数据和深度学习融合驱动的运营数据定性和定量分析。服务层是实现充电站网络运营状态预测的“窗口”,通过将预测结果可视化,应用于用户充电引导和充电站规划,达到满足用户需求、协调充电站网络运营效率、电力-交通网稳定运行的效果。
主要步骤如下:
步骤一:设备层获取充电站状态信息、路况信息。
步骤二:利用步骤一得到的数据进行时间滞后相关性分析,确定预测模型的输入变量。使用window_size=10作为窗口宽度,测量二者局部的皮尔逊相关,然后在所有滑动窗口重复该过程,直到所有数据都被窗口覆盖过,逐步移动一个时间序列增量,重复计算两信号之间的相关性进行测量。
步骤三:电动汽车驾驶员发出充电请求后,系统自动滚动预测各充电站的运营状态。输入时间矩阵表示为XT={y1,y2,…,yT},其中yt∈Rn,n为可变维数,目标为滚动预测充电站未来一段时间内的运营数据。预测模型框架如图3所示。输入变量选取如表2所示。
卷积层由多个宽度为w、高度为n的滤波器组成,通过对输入数据进行逐层卷积,提取时间维度上的短期特征及变量之间的局部依赖关系,将卷积后的数据作为整体传入LSTM网络进行长序列预测。第k个滤波器扫过输入矩阵X并产生hk。
hk=RELU(Wk*X+bk) (1)
式中,*表示卷积运算,输出hk为向量,激活函数RELU(x)=max(0,x)。输入矩阵X的左侧填充0,以得到每个长度为T的向量hk。Wk为卷积核的权重向量,卷积层的输出矩阵大小为dc×T,其中dc表示滤波器的个数,bk为偏置项。
考虑到LSTM通常无法捕捉到非常长期的相关性。通过在LSTM中引入跳过机制,用于捕捉非常长期的依赖关系,具体为,在当前隐藏单元跳过一定步数的隐藏单元。
使用全连接层组合LSTM层和LSTM-Skip层的输出。全连接层的输入包括时间t处的隐藏状态以及从t-p+1到t处的p个隐藏状态/>输出表示为:
引入自回归模型提取时间序列数据中的线性分量,将神经网络的输出与AR分量进行求和,得到最后的预测结果。
式中,为自回归模型的预测结果,qar为AR模型截取的时间步,/>为AR模型t-k时刻的权重矩阵,yt-k为t-k时刻的值,bar为自回归层偏置项,/>为模型的最终预测结果。
表2 训练模型输入与输出变量
在固定卷积层数和卷积核数目的前提下,进行堆叠的长短时记忆网络结构优化,涉及两个LSTM隐藏层状态数目和AR模型截取的时间步长,直接影响模型的预测精度。网格搜索法作为一种穷举搜索方法,搜索全面且利用到的每组参数是相互独立的,并行性较高,在参数一定的条件下,其运算复杂度比较出众。首先对两个LSTM层数进行排列组合形成一个二维网格,并验证网格中的每个参数,预先设置双层LSTM的隐藏层状态数为{32,48,64,80,96,112},指定AR模型截取近3个时间步,以RMSE和MAE作为确定隐层数的指标,选取具有最佳预测精度的参数作为最终的参数优化结果,用于充电站运营数据预测模型中。
考虑到充电站运营数据的整数特征,需将模型预测结果进行取整操作,为尽可能缩小取整前后的差距,选用四舍五入的round()函数,并选取平均绝对百分比误差MAPE、平均绝对误差MAE、均方根误差RMSE作为评价指标,用以反映模型预测的精度,各指标可表示为:
式中,t为测试集的t个时段,ei为第i个时段充电桩使用数目的真实值,为第i个时段充电桩使用数目的预测值。
控制中心将预测结果可视化上传至服务层,用于用户出行,从而实现整个区域内的电动汽车优化充电引导。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种数据驱动和模型混合的充电站数据的预测方法,其特征在于,包括:
步骤A,建立充电站的运营状态的预测模型;所述预测模型为:
其中,是神经网络部分时刻t的预测结果,/>为时刻t处的隐藏状态;WR为t时刻权重矩阵,p是跳过的隐藏单元数,/>为带跳过机制的长短期神经网络LSTM-Skip的预测结果;为t-i时刻的权重矩阵,b为偏置项;
为自回归模型AR的预测结果,qar为自回归模型AR截取的时间步,/>为自回归模型AR在t-k时刻的权重矩阵,yt-k为充电站在t-k时刻被使用充电桩的桩数值,R、Rqar为向量;bar为自回归层偏置项,/>为模型的最终预测结果;
步骤1,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;具体包括:
步骤41,选择充电站对应的预测模型的输入变量;包括:
步骤411,获取充电站的历史运营数据、环境变量的历史数据、环境变量对应的时间变量的历史数据;
步骤412,对所述充电站的历史运营数据和所述环境变量的历史数据,进行加窗的时间滞后相关性分析,获取充电站运营数据与环境变量的相关性;
步骤413,根据所述相关性,从所述环境变量中选取影响因素,作为所述充电站对应的预测模型的输入变量;
所述历史运营数据包括:充电站的总桩数、充电站中被使用充电桩的总桩数;
所述环境变量包括:充电站周边路况信息、天气信息;
步骤42,将卷积神经网络CNN和长短期记忆网络LSTM相结合,提取变量间的短期局部依赖关系,并发现时间序列中的长期趋势,利用传统的自回归模型AR解决神经网络的尺度敏感问题,建立充电站运营数据预测模型;包括:
输入时间矩阵表示为XT={y1,y2,…,yT},其中yt为输入的t时间段的变量;yt∈Rn,Rn为n维向量,n为可变维数;输入变量包括:环境变量和时间变量;
卷积层由至少两个宽度为w、高度为n的滤波器组成,通过对输入数据进行逐层卷积,提取时间维度上的短期特征及变量之间的局部依赖关系,将卷积后的数据作为整体传入LSTM网络进行长序列预测;第k个滤波器扫过输入矩阵X并产生hk;hk=RELU(Wk*X+bk)
式中,*表示卷积运算,输出hk为向量,激活函数RELU(x)=max(0,x);输入矩阵X的左侧填充0,以得到每个长度为T的向量hk;Wk为卷积核的权重向量,卷积层的输出矩阵大小为dc×T,其中dc表示滤波器的个数,bk为偏置项;
在LSTM中引入跳过机制,在当前隐藏单元跳过预定步数的隐藏单元;
使用全连接层组合LSTM层和LSTM-Skip层的输出;
全连接层的输入包括时间t处的隐藏状态以及从t-p+1到t处的p个隐藏状态/>
引入自回归模型提取时间序列数据中的线性分量,将神经网络的输出与AR分量进行求和,得到最后的预测结果;
步骤43,利用网格搜索法,对模型的参数进行优化,选取具有最佳预测精度的参数,作为最终的参数优化结果,用于充电站运营数据预测模型;包括:
对两个LSTM层数进行排列组合形成一个二维网格,并验证网格中的每个参数;
预先设置双层LSTM的隐藏层状态数,指定AR模型截取预定时间步,以均方根误差RMSE和平均绝对误差MAE作为确定隐层数的指标,选取具有最大预测精度的参数作为最终的参数优化结果,用于充电站运营数据预测模型中;
步骤2,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;
步骤3,对所述预测值进行取整处理,生成预测整数值;
步骤4,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。
2.根据权利要求1所述的方法,其特征在于,所述均方根误差RMSE和平均绝对误差MAE根据以下公式计算:
式中,t为测试的t个时段,ei、为第i个时段充电桩使用数目的实际值和预测值。
3.一种数据驱动和模型混合的充电站数据的预测装置,其特征在于,用于执行如权利要求1或2所述的方法,包括:
预测单元,获取充电站的预测指令;获取所述充电站对应的预测模型的输入变量;获取所述输入变量对应的历史数据;
预测单元,将所述历史数据输入所述预测模型,预测得到所述充电站在未来时间段的被使用充电桩的总桩数的预测值;
取整单元,对所述预测值进行取整处理,生成预测整数值;
输出单元,输出所述预测整数值,作为电动汽车选择所述充电站的参考因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297649.4A CN112949931B (zh) | 2021-03-19 | 2021-03-19 | 数据驱动和模型混合的充电站数据的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297649.4A CN112949931B (zh) | 2021-03-19 | 2021-03-19 | 数据驱动和模型混合的充电站数据的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949931A CN112949931A (zh) | 2021-06-11 |
CN112949931B true CN112949931B (zh) | 2024-03-08 |
Family
ID=76227175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297649.4A Active CN112949931B (zh) | 2021-03-19 | 2021-03-19 | 数据驱动和模型混合的充电站数据的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949931B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113568307B (zh) * | 2021-07-02 | 2022-04-01 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及系统 |
CN116862209B (zh) * | 2023-09-05 | 2023-12-01 | 深圳市金威源科技股份有限公司 | 一种新能源汽车充电设施管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN110659796A (zh) * | 2019-08-08 | 2020-01-07 | 北京理工大学 | 一种可充电群车智能中的数据采集方法 |
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测系统 |
CN112036598A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种基于多信息耦合的充电桩使用信息预测方法 |
CN112149879A (zh) * | 2020-09-02 | 2020-12-29 | 上海电力大学 | 一种计及宏观波动性分类的新能源中长期电量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11325494B2 (en) * | 2019-02-25 | 2022-05-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for determining a target battery charging level for a drive route |
-
2021
- 2021-03-19 CN CN202110297649.4A patent/CN112949931B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测系统 |
CN110659796A (zh) * | 2019-08-08 | 2020-01-07 | 北京理工大学 | 一种可充电群车智能中的数据采集方法 |
CN112036598A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种基于多信息耦合的充电桩使用信息预测方法 |
CN112149879A (zh) * | 2020-09-02 | 2020-12-29 | 上海电力大学 | 一种计及宏观波动性分类的新能源中长期电量预测方法 |
Non-Patent Citations (3)
Title |
---|
Multivariate Financial Time-Series Prediction With Certified Robustness;HUI LI 等;《IEEE ACCESS》;第109133-109141页 * |
基于区块链和卷积神经网络的电动汽车能源交易方案设计与实现;朱书坤;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;全文 * |
多信息互联环境下的电动汽车充电路径规划方法研究;李玉璟;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949931A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949931B (zh) | 数据驱动和模型混合的充电站数据的预测方法和装置 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN112265546B (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
Panahi et al. | Forecasting plug-in electric vehicles load profile using artificial neural networks | |
CN113034210B (zh) | 一种基于数据驱动场景下车辆行驶成本评价方法 | |
Kim et al. | Idle vehicle relocation strategy through deep learning for shared autonomous electric vehicle system optimization | |
CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
US20220410750A1 (en) | System and method for smart charging management of electric vehicle fleets | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
CN112258251B (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN110837973B (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
CN112101684A (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及系统 | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN114492919A (zh) | 一种基于交通流量的电动汽车充电负荷预测系统及方法 | |
Pan et al. | Development of an energy consumption prediction model for battery electric vehicles in real-world driving: A combined approach of short-trip segment division and deep learning | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Guo et al. | Integrated multistep Markov-based velocity predictor of energy consumption prediction model for battery electric vehicles | |
CN114498634A (zh) | 一种基于电表数据的电动汽车充电负荷预测方法 | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 | |
CN116465426A (zh) | 自动驾驶出租车巡航路径和速度规划方法及装置 | |
CN114492169B (zh) | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 | |
Ye et al. | Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches | |
CN114169615A (zh) | 一种电动汽车充电负荷预测系统、方法及存储介质 |
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 |