CN113326883A - 充电站功率利用率预测模型的训练方法、装置及介质 - Google Patents
充电站功率利用率预测模型的训练方法、装置及介质 Download PDFInfo
- Publication number
- CN113326883A CN113326883A CN202110618951.5A CN202110618951A CN113326883A CN 113326883 A CN113326883 A CN 113326883A CN 202110618951 A CN202110618951 A CN 202110618951A CN 113326883 A CN113326883 A CN 113326883A
- Authority
- CN
- China
- Prior art keywords
- sample
- charging station
- data set
- power utilization
- utilization rate
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供了一种充电站功率利用率预测模型的训练方法、装置及介质,包括以下步骤:构建充电站的样本数据集;样本数据集中包括:样本充电站的样本特征和实际功率利用率;样本特征包括充电站的属性特征、周围的预设区域内其他场所的属性特征、距离满足预设距离条件的其他充电站的属性特征;根据所述样本数据集中特征的属性,生成交叉特征和统计特征;从样本特征和生成的交叉特征和统计特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型,对待预测充电站的功率利用率进行更精确的预测。
Description
技术领域
本发明涉及充电站运行及规划领域,具体而言,涉及一种充电站功率利用率预测模型的训练方法、装置及介质。
背景技术
随着电池充电技术不断的发展,以及对于环境保护越来越重视,电动车已经逐渐成为一种很普遍的交通工具,因此,城市中也需要合理规划公用充电站,尽可能的使每个建成的充电站的功率利用率尽可能的高,才能充分发挥充电站的作用,这就要求在新修建充电站时,预先对各个预备地点的充电站的功率利用率进行预测。
目前,市场现有充电设施的功率利用率的测算方法,通常通过人工经验判断,大致的估计过程是:运营商根据自身的功率利用率数据,通过相似区域的功率利用率范围和经验,对新修建的充电站大致估算出功率利用率的近似值,所得到的充电站的功率利用率不够精确可靠。
发明内容
本发明的目的在于提供一种充电站功率利用率预测模型的训练方法、装置及介质,其能够预测充电站的功率利用率。
本发明是这样实现的:
本申请提供一种充电站功率利用率预测模型的训练方法,包括以下步骤:
构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;
根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。
在一些实施例中,根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征,包括以下步骤:
从样本数据集中的样本特征中选择指定的多个样本特征;
根据所述的样本特征的属性,将若干个样本特征进行交叉得到交叉特征。
在一些实施例中,所述的充电站功率利用率预测模型的训练方法的从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征,包括以下步骤:通过互信息法,从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。
在一些实施例中,利用训练数据集对梯度提升树模型进行训练时还通过贝叶斯优化算法(Bayesian Optimization)对梯度提升树模型的超参数进行挑选,得到包括挑选出的超参数的训练好的功率利用率预测模型,以改进梯度提升树模型的超参数。
在一些实施例中,为了得到更优的超参数,进一步提升功率利用率预测模型的预测精度,通过贝叶斯优化算法挑选梯度提升树模型的超参数的方法具体包括以下步骤:
从超参数空间选择N组超参数;
利用训练数据集对梯度提升树模型进行N次训练,获取与N组超参数对应的N个指标;所述的N次训练中,梯度提升树模型的超参数分别为所述的N组超参数;所述的指标表征梯度提升树模型的预测精度;
将N组超参数和N个指标组成超参数数据集;
判断超参数数据集是否满足预设条件;
若满足,则确定超参数数据集中最优的指标对应的超参数为最优超参数;
若不满足,则重复以下超参数数据集优化步骤,直至超参数数据集满足预设条件;
利用所述的超参数数据集和高斯过程回归模型,获取一组新的超参数;
获取与新的超参数所对应的新指标;
将新的超参数和新指标添加至超参数数据集中进行更新,得到更新后的超参数数据集;
判断超参数数据集是否满足预设条件;
若满足,则不再重复超参数数据集优化步骤,确定超参数数据集中最优的指标对应的超参数为最优超参数;
在一些实施例中,样本数据集中的样本充电站的实际功率利用率通过以下方式得到:
获取样本充电站预设时间段内每个充电桩的订单数据;
利用所述的订单数据获取样本充电站的实际功率利用率。
在一些实施例中,构建样本充电站的样本数据集时,所述的样本充电站的数量为多个;所述的样本充电站的样本数据集中包括:每个样本充电站的样本特征和该样本充电站的实际功率利用率。
在一些实施例中,利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型后,还包括以下步骤:
构建待预测充电站的初始输入数据集;所述的初始输入数据集中包括初始输入特征,所述初始输入特征包括待预测充电站的属性特征、待预测充电站周围的预设区域内其他场所的属性特征、与待预测充电站之间的距离满足预设距离条件的其他充电站的属性特征;
根据所述初始输入数据集中初始输入特征的属性,生成待预测充电站数据分布的统计特征;
根据所述初始输入数据集中初始输入特征的属性,生成表征多个初始输入特征协同作用于待预测充电站的功率利用率的交叉特征;
从初始输入数据集的初始输入特征、以及生成的统计特征和交叉特征中筛选得到实际影响所述待预测充电站实际功率利用率的目标输入特征;
构建包括所述的目标输入特征的目标输入数据集;
将目标输入数据集输入训练好的功率利用率预测模型,预测得到待预测充电站的功率利用率。
本申请还提供一种充电站功率利用率预测模型的训练装置,包括:
第一构建模块,用于构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
第一生成模块,用于根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;
第二生成模块,用于根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
筛选模块,用于从样本数据集的样本特征和生成的交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
第二构建模块,用于构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
训练模块,用于利用利用数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行所述的充电站功率利用率预测模型的训练方法的步骤。
本发明的有益效果主要在于:本发明在样本充电站的样本特征的选择上,充分考虑了实际运营场景,使用周围环境统计信息准确还原了实际充电场景,包括样本充电站周围的预设区域内其他场所和能够与样本充电站形成竞争关系的其他充电站,使得预测模型从竞争和需求两方面详细刻画场景,从而使训练得到的预测模型更可靠。
进一步的,本发明基于贝叶斯优化算法的优化梯度提升树模型的超参数算,每次调节新的超参数时,都借鉴了之前的超参数调试结果,使新一轮的超参数调节更有效,最后得到的预测模型也更加精准;而且贝叶斯优化所需要的计算次数更少,大大减小了计算代价,加快了计算速度;综合这两方面的优点,本实施例所述的超参数优化算法使训练出的预测模型性能更好、效果更佳。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所述的充电站功率利用率预测模型的训练方法流程图;
图2为本发明实施例所述的生成交叉特征的方法流程图;
图3为本发明实施例所述的通过贝叶斯优化算法优化梯度提升树模型的超参数的方法流程图;
图4为本发明实施例所述的样本数据集中的样本充电站的实际功率利用率的获取方法流程图;
图5为本发明实施例中利用训练好的功率利用率预测模型预测待预测充电站的功率利用率方法流程图;
图6为本发明实施例所述的充电站功率利用率预测模型的训练装置结构示意图。
附图标记说明:
401、第一构建模块;402、第一生成模块;403、第二生成模块;404、筛选模块;405、第二构建模块;406、训练模块。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
在规划充电站的过程中,如果能够对各个预备地点的充电站的功率利用率进行预测,在功率利用率较大的地点建立充电站,该充电站即可更为充分的发挥作用。
充电站的功率利用率与充电站自身的属性、充电站周围的其他场所、充电站周围的其他充电站密切相关。
充电站自身的属性,例如交流桩的数量、直流桩的数量、充电枪的数量、每个充电枪的功率、充电站的额定总功率、充电站的电价、充电站的服务费、充电站的经纬度、充电站所属地区、充电站所属地区的DGP、充电站所属地区的人口数量等信息,都从不同方面影响着充电站的功率利用率。例如,充电站的服务费与功率利用率负相关,充电站所属地区的人口数量与功率利用率正相关等。
充电站周围的其他场所的综合情况很大程度影响了功率利用率的大小,如商业办公区、居民区、风景区等,这些场所反映了这个充电站所在区域的经济情况、交通情况、人群的消费习惯,进而由这些因素影响了新能源汽车的购买和新能源汽车的聚集。新能源汽车驻留的数量和时间越多,功率利用率就越高,反之亦然。
充电站周围的其他充电站,与充电站形成竞争关系。也就是说,其他充电站的数目、每个其他充电站的属性、其他充电站与充电站之间的距离,都会影响待充电站的功率利用率。
其中,充电站周围的其他场所、充电站周围的其他充电站这两个类影响因素,都是随时间的变量,不会记录在充电站的数据表中,是一种对真实环境的模拟。同样充电站属性下,在不同真实环境的功率利用率也是不一样的。
因此,如果通过人工经验判断,那么则是运营商根据自身的功率利用率数据,通过相似区域的功率利用率范围和经验,对新修建的充电站大致估算出功率利用率。
但是实际上,如以上分析,能够对充电站的功率利用率产生影响的因素非常多,这些因素彼此之间也相互影响,例如充电站的服务费与功率利用率负相关,充电站所属地区的人口数量正相关,那么当同时遇到这两个因素的时候,人工经验往往无法得出一个可靠的结果。
针对上述影响充电站的功率利用率的影响因素过多,人工经验预测得到的功率利用率不可靠的问题,本申请发明人认为可以训练充电站功率利用率预测模型,用于对待预测充电站的功率利用率进行预测,如图1所示,所述的充电站功率利用率预测模型的训练方法包括以下步骤:
S101、构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站自身的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
S102、根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;
S103、根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
S104、从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
S105、构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
S106、利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。
具体的,步骤S101中,样本充电站的属性特征包括:交流桩的数量、直流桩的数量、充电枪的数量、每个充电枪的功率、充电站的额定总功率、充电站的电价、充电站的服务费、充电站的经纬度、充电站所属地区、充电站所属地区的DGP、充电站所属地区的人口等信息。
样本充电站的部分属性特征,例如充电站的数目、充电站的经纬度、充电站所属地区,可以通过充电站的静态信息表单获得。
以下表一给出一个充电站静态信息表单。
字段名 | 类型 | 注释 |
site_id | int | 站ID编号 |
site_name | Varchar | 站名称 |
pile_num | int | 桩数量 |
quick_pile_num | int | 快充桩数量 |
district | varchar | 所属行政区 |
longtitude | double | 经度 |
latitude | double | 纬度 |
…… |
表一
样本充电站的部分属性特征,例如快充充电桩的数目、慢充充电桩的数目,可以通过充电站中充电设施的静态信息表单获得。
以下表二给出一个充电设施静态信息表单。
字段名 | 类型 | 注释 |
pile_code | varchar | 桩编号 |
site_id | int | 站ID编号 |
pile_type | tinyint | 0:慢充1:快充 |
state | tinyint | 0:正常1:异常 |
…… |
表二
步骤S101中,具体的,样本充电站周围的预设区域内其他场所的属性特征,通过以下方式获得:
在百度地图/高德地图上爬取样本充电站周围预设区域内的所有其他场所;对爬取得到的其他场所进行类别划分;最后分别统计每个类别下面的场所的数目。
所述的样本充电站周围预设区域,为距离样本充电站的距离满足预设条件的区域;在百度地图/高德地图上爬取样本充电站周围预设区域内的所有其他场所时,先根据预设条件确定出样本充电站周围场所的边界,然后在边界内爬取地图信息以获取其他场所的信息。
所述的与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征,与其他场所的属性特征一样,都不是充电站自身的属性特征。具体的,其他充电站的属性特征,是统计了与样本充电站之间的距离满足预设距离条件,能够分摊充电份额的其他充电站的属性特惠,包括其他充电站直流桩的数量、其他充电站交流桩的数量、其他充电站总功率、其他充电站距离样本充电站的平均距离等。
步骤S101中,具体的,所述的与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征,可以通过以下方式获得:
计算样本充电站一定距离内的(例如一公里)的经纬度间隔,找到充电站所在的经纬度方格;
遍历经纬度方格内的其他充电站的数据进行统计,得到每个其他充电站的数据;
对统计的其他充电站的数据进行二次加工,生成其他充电站的属性特征。
对统计的其他充电站的数据进行二次加工,需要根据其他充电站的数据的类型分别进行,例如求取每个其他充电站与样本充电站的距离,获取其他充电站距离样本充电站的平均距离作为其他样本充电站的一个属性特征。
本发明在样本充电站的样本特征的选择上,充分考虑了实际运营场景,使用周围环境统计信息准确还原了实际充电场景,包括样本充电站周围的预设区域内其他场所和能够与样本充电站形成竞争关系的其他充电站,使得预测模型从竞争和需求两方面详细刻画场景,从而使训练得到的预测模型更可靠。
得到训练好的功率利用率预测模型后,从功率利用率模型中导出各个训练数据集中各个目标特征的排序,从而客观的判断各个目标特征对样本充电站的实际功率利用率的影响大小。
以下给出梯度提升树模型的具体过程:
梯度提升树模型使用K棵回归树共同去拟合,公式如以下公式(1):
K表示K棵回归树,只能次序进行,K是一个可调节的超参数,k表示第k棵回归树;Gk表示每个基模型;xi表示特征集合数据;G表示所有的基模型;表示拟合值,本实施例中具体表示根据样本数据集的样本特征拟合得到的预测功率利用率;
由第k棵树计算第k+1棵树的数学原理为公式(2);
对Gt(xi)进行二阶泰勒公式展开,数学原理为公式(3);
Obj(t)表示损失函数;qi表示损失函数的一阶导数,hi表示损失函数的二阶导数;Ω(Gi)表示正则项,yi表示真实值,本实施例中具体表示样本充电站的实际功率利用率;表示上一步骤集成模型的损失函数,i表示第i个步骤,n表示总步骤,t-1表示第t-1个步骤,可以衡量yi和之间的差距。
针对回归树的特点,得到目标函数,用来生成回归树的每个节点,数学原理为以下公式(4):
回归树的节点生成利用贪心算法生成。
为了减小每棵树对最终结果的影响,采用一个缩减系数对每个基模型回归树的结果缩放。
为了增加训练效果,对上一棵回归树训练较差的样本数据集按照梯度排序,对样本数据集的数据分别采样。
为了增加泛化性能、减小内存的占用,对样本数据集中的特征排序之后,分桶存储,用桶号代表原有的数据。
具体的,在本实施例中,根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;如图2所示,生成交叉特征包括以下步骤:
S1031、从样本数据集中的样本特征中选择指定的多个样本特征;
S1032、根据所述的样本特征的属性,将若干个样本特征进行交叉得到交叉特征。
样本数据集中的样本特征的数目很多,类型也各不相同,对样本充电站的实际功率利用率也不相同,因此,需要根据充电站的业务运营特点,通过特征工程,对每个能够影响到样本充电站的实际功率利用率的样本特征,根据其本身的特点进行处理。
具体的,能够影响到样本充电站的实际功率利用率的样本特征,由专家根据经验,进行选择。同时,对选择出的样本特征,可以利用统计学方法分别进行处理,常见的处理方式有标准化处理、归一化处理、求取均值、方差等方式,处理完之后得到的样本特征能够满足梯度提升树模型对样本特征的要求,这些统计特征也能够反映实际影响所述样本充电站实际功率利用率的信息。
同时,由于原始的样本特征不能反映出全部的充电行为,针对这一情况,特意将某些样本特征相互交叉,在不同的条件下进行关联性统计,得到一些交叉特征,从而表征多个样本特征协同作用于样本充电站实际功率利用率的情况,从而更细致的描述充电行为,使得构建的预测模型更加符合实际充电情况,预测结果更加可靠。具体的,在实施过程中,除了生成所述的交叉特征外,还可以根据实际情况,采用其他方法,如时间戳处理、分解类别属性等方式生成新的特征,用于更加细致的描述充电行为。
在本实施例中,从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征,具体的,为通过互信息法,从样本数据集的样本特征和生成的交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。
经过特征工程之后,样本特征数据的维度很高,不利于计算。很多样本特征高度相关,消耗计算性能,影响梯度提升树分支的选择,而且部分样本特征存在噪音,对预测结果有负影响。为了加快模型计算,提高模型精度,采用互信息法对样本特征进行筛选。
互信息法的筛选原理如下:
设两个连续性随机变量(X,Y)的联合概率密度函数为p(x,y),变量X的边缘概率密度函数为p(x)、变量Y的边缘概率密度函数p(y),互信息值I(X;Y)是联合概率密度函数为p(x,y)与边缘概率密度函数p(x)和p(y)的相对熵,也就是如下公式(5):
针对本发明中的样本数据集,设定样本数据集中的一类样本特征为F=f1,f2,…,fn,类别为C;类别为样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;f1,f2,…,fn分别为样本数据集的样本特征和新生成的交叉特征中的类别为C的样本特征。
计算出样本数据集的样本特征和生成的交叉特征与对应类别的互信息值I(X;Y),根据互信息值的大小对样本数据集的样本特征和生成的交叉特征排序,然后选择前面的预设数量个特征作为实际影响所述样本充电站实际功率利用率的目标特征。
梯度提升树模型的超参数,影响着梯度提升树模型的预测精度。超参数是在梯度提升树模型每次训练之前就设置好的,计算一次代价昂贵,对于梯度提升树模型的损失函数有着很重要的影响,因此,需要对超参数进行优化。但是,梯度提升树模型的超参数和损失函数两者之间的关系并不明确,因此,超参数常用优化的方法有网格搜索(gridsearch)、随机搜索(random search)等方法,但是计算代价非常高,效果难以达到要求。
为了减少计算花费,在较短的调参次数内得到不错的结果,我们利用训练数据集对梯度提升树模型进行训练,还通过贝叶斯优化算法(Bayesian Optimization)对梯度提升树模型的超参数进行挑选,得到包括挑选出的超参数的训练好的功率利用率预测模型。具体的,本实施例中,如图3所示,通过贝叶斯优化算法优化梯度提升树模型的超参数包括以下步骤:
S201、从超参数空间选择N组超参数;
S202、利用训练数据集对梯度提升树模型进行N次训练,获取与N组超参数对应的N个指标;所述的N次训练中,梯度提升树模型的超参数分别为所述的N组超参数;所述的指标表征梯度提升树模型的预测精度;
S203、将N组超参数和N个指标组成超参数数据集;
开始以下循环计算:
S204、判断超参数数据集是否满足预设条件;
S205、若满足,则确定超参数数据集中最优的指标对应的超参数为最优超参数;
若不满足,则重复以下步骤,直至超参数数据集是否满足预设条件;
S206、利用所述的超参数数据集和高斯过程回归模型,获取一组新的超参数;
利用所述的超参数数据集使用高斯过程回归模型进行建模拟合,通过衡量对未知参数探索和已知参数开发的策略,获取一组新的超参数;
S207、获取与新的超参数所对应的新指标;
S208、将新的超参数和新指标添加至超参数数据集中进行更新,得到更新后的超参数数据集,并判断超参数数据集是否满足预设条件,若满足,则停止循环,若不满足,则开始下一轮循环计算。
具体的,所述的步骤S204所述的预设条件,可以为达到预设的循环次数,或者指标满足预设阈值等。
S205中,利用所述的超参数数据集使用高斯过程回归模型进行建模拟合,通过衡量对未知参数探索和已知参数开发的策略,获取一组新的超参数;具体的,利用所述的超参数数据集和高斯过程回归模型,获取一组新的超参数,具体包括以下步骤:利用所述的超参数数据集训练高斯过程回归模型,从而估算在未知超参数上的均值和协方差,根据均值和协方差的表现,最大化采集函数,找到一组新的超参数。
最后,将梯度提升树模型设置为挑选出的最优超参数,结合训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型。
本实施例所述的基于贝叶斯优化算法的优化算法,每次调节新的超参数,都借鉴了之前的超参数调试结果,使新一轮的超参数调节更有效,最后得到的预测模型也更加精准;而且贝叶斯优化所需要的计算次数更少,大大减小了计算代价,加快了计算速度;综合这两方面的优点,本实施例所述的超参数优化算法使训练出的预测模型性能更好、效果更佳。
具体的,如图4所示,本实施例中,所述的样本数据集中的样本充电站的实际功率利用率通过以下方式得到:
S1011、获取样本充电站预设时间段内的订单数据;
S1012、利用所述的订单数据获取样本充电站的实际功率利用率。
以下表三具体给出一个订单数据表单。
字段名 | 类型 | 注释 |
start_charge_seq | varchar | 订单号 |
pile_code | varchar | 桩编号 |
start_time | int | 开始时间 |
end_time | int | 结束时间 |
total_elect | double | 总电量 |
…… |
表三
根据表三,可以获得每个样本充电站每个充电桩的实际功率,从而获得整个样本充电站的实际功率,再结合充电站的额定功率,从而获得样本充电站的功率利用率。
具体的,本实施例中,构建样本充电站的样本数据集时,所述的样本充电站的数目为多个,从而汇聚整个城市的充电站的数据;所述的多个样本充电站的样本数据集中包括:每个样本充电站的样本特征和该样本充电站的实际功率利用率。
本实施例中,一些充电站的属性特征的数据来自于表单,具体的,本发明的充电站相关数据是基于充电桩互联互通的政府平台获取的,因此,在数据的权威性、准确性和稳定性方面更有优势。通过政府平台要求的标准协议GB/T 32960-2016《电动汽车远程服务与管理系统技术规范》和T/CEC 102《电动汽车充换电服务信息交换》进行数据采集,保证数据的完整性、准确性;基于Hadoop的海量数据存储方案,提供了对数据读写的高吞吐率。
本实施例中,多个样本充电站的样本数据集,汇集了一个城市全部运营商的样本特征的数据,相比单个运营商而言,从空间上来看,本发明的样本特征的数据覆盖区域更广,能为单个运营商在没有涉及到的区域做出预测;从时间上来看,在同一时间下本发明的样本特征的数据比单个运营商更加丰富,使得预测模型的预测结果更加准确。
本实施例中,利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型后,还利用训练好的功率利用率预测模型预测待预测充电站的功率利用率,如图5所示,具体包括以下步骤:
S301、构建待预测充电站的初始输入数据集;所述的初始输入数据集中包括:所述样本特征包括待预测充电站的属性特征、待预测充电站周围的预设区域内其他场所的属性特征、与待预测充电站之间的距离满足预设距离条件的其他充电站的属性特征;
S302、根据所述初始输入数据集中初始输入特征的属性,生成待预测充电站数据分布的统计特征;
S303、根据所述初始输入数据集中初始输入特征的属性,生成表征多个初始输入特征协同作用于待预测充电站的功率利用率的交叉特征;
S304、从初始输入数据集的初始输入特征、以及生成的统计特征和交叉特征中筛选得到实际影响所述待预测充电站实际功率利用率的目标输入特征;
S304、构建包括所述的目标输入特征的目标输入数据集;
S306、将目标输入数据集输入训练好的功率利用率预测模型,预测得到待预测充电站的功率利用率。
有本实施例中,训练得到的充电站的功率利用率预测模型可靠性高,因此,用训练好的功率利用率预测模型,预测得到待预测充电站的功率利用率可靠性高,能够更好的规划城市中的充电站,满足需求。
如图6所示,本实施例还提供一种充电站功率利用率预测模型的训练装置,包括:
第一构建模块401,用于构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
第一生成模块402,用于根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;第二生成模块403,用于根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
筛选模块404,用于从样本数据集的样本特征和生成的交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
第二构建模块405,用于构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
训练模块406,用于利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对侧待充电站的功率利用率进行预测。
本申请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上存储有计算机程序,该计算机程序被处理器运行时执行所述的充电站功率利用率预测模型的训练方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述充电站功率利用率预测模型的训练方法,从而能够训练出更为可靠的功率利用率预测模型。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.充电站功率利用率预测模型的训练方法,其特征在于,包括以下步骤:
构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;
根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。
2.根据权利要求1所述的充电站功率利用率预测模型的训练方法,其特征在于,根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征,包括以下步骤:
从样本数据集中的样本特征中选择指定的多个样本特征;
根据所述的样本特征的属性,将若干个样本特征进行交叉统计得到交叉特征。
3.根据权利要求2所述的充电站功率利用率预测模型的训练方法,其特征在于,从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征,包括以下步骤:通过互信息法,从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。
4.根据权利要求1所述的充电站功率利用率预测模型的训练方法,其特征在于,利用训练数据集对梯度提升树模型进行训练时,还通过贝叶斯优化算法对梯度提升树模型的超参数进行挑选,得到包括挑选出的超参数的训练好的功率利用率预测模型。
5.根据权利要求4所述的充电站功率利用率预测模型的训练方法,其特征在于,通过贝叶斯优化算法挑选梯度提升树模型的超参数包括以下步骤:
从超参数空间选择N组超参数;
利用训练数据集对梯度提升树模型进行N次训练,获取与N组超参数对应的N个指标;所述的N次训练中,梯度提升树模型的超参数分别为所述的N组超参数;所述的指标表征梯度提升树模型的预测精度;
将N组超参数和N个指标组成超参数数据集;
判断超参数数据集是否满足预设条件;
若满足,则确定超参数数据集中最优的指标对应的超参数为最优超参数;
若不满足,则重复以下超参数数据集优化步骤,直至超参数数据集满足预设条件:
利用所述的超参数数据集和高斯过程回归模型,获取一组新的超参数;
获取与新的超参数所对应的新指标;
将新的超参数和新指标添加至超参数数据集中进行更新,得到更新后的超参数数据集。
6.根据权利要求1所述的充电站功率利用率预测模型的训练方法,其特征在于,样本数据集中的样本充电站的实际功率利用率通过以下方式得到:
获取样本充电站预设时间段内每个充电桩的订单数据;
利用所述的订单数据获取样本充电站的实际功率利用率。
7.根据权利要求1所述的充电站功率利用率预测模型的训练方法,其特征在于,构建样本充电站的样本数据集时,所述的样本充电站的数量为多个;所述的样本充电站的样本数据集中包括:每个样本充电站的样本特征和该样本充电站的实际功率利用率。
8.根据权利要求1所述的充电站功率利用率预测模型的训练方法,其特征在于,利用训练数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型后,还包括以下步骤:
构建待预测充电站的初始输入数据集;所述的初始输入数据集中包括初始输入特征,所述初始输入特征包括待预测充电站的属性特征、待预测充电站周围的预设区域内其他场所的属性特征、与待预测充电站之间的距离满足预设距离条件的其他充电站的属性特征;
根据所述初始输入数据集中初始输入特征的属性,生成待预测充电站数据分布的统计特征;
根据所述初始输入数据集中初始输入特征的属性,生成表征多个初始输入特征协同作用于待预测充电站的功率利用率的交叉特征;
从初始输入数据集的初始输入特征、以及生成的统计特征和交叉特征中筛选得到实际影响所述待预测充电站实际功率利用率的目标输入特征;
构建包括所述的目标输入特征的目标输入数据集;
将目标输入数据集输入训练好的功率利用率预测模型,预测得到待预测充电站的功率利用率。
9.充电站功率利用率预测模型的训练装置,其特征在于,包括:
第一构建模块,用于构建样本充电站的样本数据集;所述的样本数据集中包括:样本充电站的样本特征和该样本充电站实际功率利用率;所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征;
第一生成模块,用于根据所述样本数据集中样本特征的属性,生成表征样本充电站数据分布的统计特征;
第二生成模块,用于根据所述样本数据集中样本特征的属性,生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征;
筛选模块,用于从样本数据集的样本特征和生成的交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征;
第二构建模块,用于构建包括所述目标特征和样本充电站实际功率利用率的训练数据集;
训练模块,用于利用利用数据集对梯度提升树模型进行训练,得到训练好的功率利用率预测模型;其中,所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至8任意一项所述的充电站功率利用率预测模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618951.5A CN113326883B (zh) | 2021-06-03 | 2021-06-03 | 充电站功率利用率预测模型的训练方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110618951.5A CN113326883B (zh) | 2021-06-03 | 2021-06-03 | 充电站功率利用率预测模型的训练方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326883A true CN113326883A (zh) | 2021-08-31 |
CN113326883B CN113326883B (zh) | 2022-08-30 |
Family
ID=77419509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110618951.5A Active CN113326883B (zh) | 2021-06-03 | 2021-06-03 | 充电站功率利用率预测模型的训练方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326883B (zh) |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101086679A (zh) * | 2006-06-06 | 2007-12-12 | 英特尔公司 | 预测计算平台存储器功率利用率 |
JP2012065506A (ja) * | 2010-09-17 | 2012-03-29 | Chugoku Electric Power Co Inc:The | 電動車両の充電方法、及び、充電ガン用アダプタ |
CN103891319A (zh) * | 2011-10-13 | 2014-06-25 | 诺基亚通信公司 | 用于确定用于充电站的位置的方法和设备 |
US20150195737A1 (en) * | 2014-01-09 | 2015-07-09 | Apple Inc. | Cell Utilization Estimation by a Wireless Device |
CN204992572U (zh) * | 2015-10-12 | 2016-01-20 | 西安特锐德智能充电科技有限公司 | 一种模块化直流功率分配单元 |
CN107563534A (zh) * | 2017-09-21 | 2018-01-09 | 中创三优(北京)科技有限公司 | 一种充电桩推荐方法和装置 |
CN107749629A (zh) * | 2017-10-27 | 2018-03-02 | 深圳供电局有限公司 | 一种基于充电站负荷实时调度充电桩接入的控制方法 |
US20180240047A1 (en) * | 2015-08-19 | 2018-08-23 | Tianjin University | Planning method of electric vehicle fast charging stations on the expressway |
CN109034559A (zh) * | 2018-07-06 | 2018-12-18 | 中国南方电网有限责任公司 | 充电站配电规划方法、装置和计算机设备 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109858103A (zh) * | 2019-01-10 | 2019-06-07 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN109950907A (zh) * | 2019-02-22 | 2019-06-28 | 中国电力科学研究院有限公司 | 含电力电子变压器的交直流混合配电网的调度方法及系统 |
CN110110541A (zh) * | 2019-05-17 | 2019-08-09 | 充之鸟(深圳)新能源科技有限公司 | 针对充电桩运营商的物业管理系统 |
CN110119841A (zh) * | 2019-04-28 | 2019-08-13 | 广东工业大学 | 一种基于用户多选择的充电站负荷预测方法 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
WO2020078289A1 (zh) * | 2018-10-17 | 2020-04-23 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车智能充电站 |
CN111242403A (zh) * | 2019-11-08 | 2020-06-05 | 武汉旌胜科技有限公司 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
CN111391687A (zh) * | 2020-04-16 | 2020-07-10 | 国家电网有限公司 | 一种提升设备利用率的电动汽车智能充电桩 |
CN111463848A (zh) * | 2020-03-19 | 2020-07-28 | 珠海云充科技有限公司 | 充电站负荷控制系统、方法、装置及计算机存储介质 |
WO2020249125A1 (zh) * | 2019-06-14 | 2020-12-17 | 第四范式(北京)技术有限公司 | 用于自动训练机器学习模型的方法和系统 |
CN112149915A (zh) * | 2020-10-09 | 2020-12-29 | 国网江苏省电力有限公司无锡供电分公司 | 一种充电站充电负荷预测方法和系统 |
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN112248872A (zh) * | 2020-11-23 | 2021-01-22 | 量势新能源科技(广州)有限公司 | 一种直流充电桩功率分配系统及方法 |
CN112381313A (zh) * | 2020-11-23 | 2021-02-19 | 国网北京市电力公司 | 充电桩地址的确定方法和装置 |
CN112734176A (zh) * | 2020-12-28 | 2021-04-30 | 中创三优(北京)科技有限公司 | 一种充电站建站方法、装置、终端设备和可读存储介质 |
CN112785029A (zh) * | 2020-11-05 | 2021-05-11 | 江苏方天电力技术有限公司 | 一种基于深度聚类模型的充电站用电量预测方法 |
-
2021
- 2021-06-03 CN CN202110618951.5A patent/CN113326883B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101086679A (zh) * | 2006-06-06 | 2007-12-12 | 英特尔公司 | 预测计算平台存储器功率利用率 |
JP2012065506A (ja) * | 2010-09-17 | 2012-03-29 | Chugoku Electric Power Co Inc:The | 電動車両の充電方法、及び、充電ガン用アダプタ |
CN103891319A (zh) * | 2011-10-13 | 2014-06-25 | 诺基亚通信公司 | 用于确定用于充电站的位置的方法和设备 |
US20150195737A1 (en) * | 2014-01-09 | 2015-07-09 | Apple Inc. | Cell Utilization Estimation by a Wireless Device |
US20180240047A1 (en) * | 2015-08-19 | 2018-08-23 | Tianjin University | Planning method of electric vehicle fast charging stations on the expressway |
CN204992572U (zh) * | 2015-10-12 | 2016-01-20 | 西安特锐德智能充电科技有限公司 | 一种模块化直流功率分配单元 |
CN107563534A (zh) * | 2017-09-21 | 2018-01-09 | 中创三优(北京)科技有限公司 | 一种充电桩推荐方法和装置 |
CN107749629A (zh) * | 2017-10-27 | 2018-03-02 | 深圳供电局有限公司 | 一种基于充电站负荷实时调度充电桩接入的控制方法 |
CN109034559A (zh) * | 2018-07-06 | 2018-12-18 | 中国南方电网有限责任公司 | 充电站配电规划方法、装置和计算机设备 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
WO2020078289A1 (zh) * | 2018-10-17 | 2020-04-23 | 国网浙江省电力有限公司杭州供电公司 | 一种电动汽车智能充电站 |
CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
CN109858103A (zh) * | 2019-01-10 | 2019-06-07 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN109950907A (zh) * | 2019-02-22 | 2019-06-28 | 中国电力科学研究院有限公司 | 含电力电子变压器的交直流混合配电网的调度方法及系统 |
CN110119841A (zh) * | 2019-04-28 | 2019-08-13 | 广东工业大学 | 一种基于用户多选择的充电站负荷预测方法 |
CN110110541A (zh) * | 2019-05-17 | 2019-08-09 | 充之鸟(深圳)新能源科技有限公司 | 针对充电桩运营商的物业管理系统 |
WO2020249125A1 (zh) * | 2019-06-14 | 2020-12-17 | 第四范式(北京)技术有限公司 | 用于自动训练机器学习模型的方法和系统 |
CN110222907A (zh) * | 2019-06-18 | 2019-09-10 | 国网河北省电力有限公司经济技术研究院 | 电动汽车充电站规划方法及终端设备 |
CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
CN111242403A (zh) * | 2019-11-08 | 2020-06-05 | 武汉旌胜科技有限公司 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
CN111463848A (zh) * | 2020-03-19 | 2020-07-28 | 珠海云充科技有限公司 | 充电站负荷控制系统、方法、装置及计算机存储介质 |
CN111391687A (zh) * | 2020-04-16 | 2020-07-10 | 国家电网有限公司 | 一种提升设备利用率的电动汽车智能充电桩 |
CN112149915A (zh) * | 2020-10-09 | 2020-12-29 | 国网江苏省电力有限公司无锡供电分公司 | 一种充电站充电负荷预测方法和系统 |
CN112200471A (zh) * | 2020-10-15 | 2021-01-08 | 国网北京市电力公司 | 充电桩的数量配置方法、装置和充电桩的分布系统 |
CN112785029A (zh) * | 2020-11-05 | 2021-05-11 | 江苏方天电力技术有限公司 | 一种基于深度聚类模型的充电站用电量预测方法 |
CN112248872A (zh) * | 2020-11-23 | 2021-01-22 | 量势新能源科技(广州)有限公司 | 一种直流充电桩功率分配系统及方法 |
CN112381313A (zh) * | 2020-11-23 | 2021-02-19 | 国网北京市电力公司 | 充电桩地址的确定方法和装置 |
CN112734176A (zh) * | 2020-12-28 | 2021-04-30 | 中创三优(北京)科技有限公司 | 一种充电站建站方法、装置、终端设备和可读存储介质 |
Non-Patent Citations (4)
Title |
---|
TANG WANRONG等: ""A model predictive control approach for low-complexity electric vehicle charging scheduling:optimality and scalability"", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
Y忍冬草: ""七种常用特征工程"", 《HTTP://WWW.360DOC.COM/CONTENT/16/0904/11/28378250_588303798.SHTML》 * |
周天沛等: ""基于充电设备利用率的电动汽车充电路径多目标优化调度"", 《电力系统保护与控制》 * |
张怡等: ""电动汽车充电站储能优化配置研究综述"", 《电工电气》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113326883B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
CN111294841A (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN110111001B (zh) | 一种电动汽车充电站的选址规划方法、装置以及设备 | |
CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN117252436B (zh) | 一种土地利用变化生态风险分区的方法和系统 | |
CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN111967652B (zh) | 一种双层协同实时校正光伏预测方法 | |
CN113326883B (zh) | 充电站功率利用率预测模型的训练方法、装置及介质 | |
CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
CN115859765A (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及系统 | |
CN114580251A (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN113328466A (zh) | 一种电动汽车充电场景生成方法 | |
CN112001564A (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
Xu et al. | Short-Term Load Forecasting Based on MI and BI-LSTM | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Training method, device, and medium for predicting power utilization rate of charging stations Effective date of registration: 20230728 Granted publication date: 20220830 Pledgee: China Construction Bank Corporation Beijing Railway Professional Branch Pledgor: ZHONGCHUAN SANYOU (BEIJING) TECHNOLOGY CO.,LTD. Registration number: Y2023980050281 |