CN113393035B - 一种电动汽车日充放电功率预测方法 - Google Patents
一种电动汽车日充放电功率预测方法 Download PDFInfo
- Publication number
- CN113393035B CN113393035B CN202110665460.6A CN202110665460A CN113393035B CN 113393035 B CN113393035 B CN 113393035B CN 202110665460 A CN202110665460 A CN 202110665460A CN 113393035 B CN113393035 B CN 113393035B
- Authority
- CN
- China
- Prior art keywords
- sample
- electric automobile
- discharge power
- day
- clustering
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车日充放电功率预测方法,它涉及电动汽车功率预测技术领域。其步骤为:采集相关数据,构建样本矩阵;对样本特征矩阵进行聚类;电动汽车日充放电功率的预测模型训练;计算待测日与各聚类中心的欧式距离并选取预测模型;预测电动汽车日充放电功率。本发明有效处理由于特征的高相似性导致的聚类过程中出现的不确定性问题,对具有高相似性特征的样本进行准确聚类,利用这些准确聚类之后的样本分别训练出来的模型具有更好的预测效果,可以获得更准确的电动汽车日充放电功率的预测值,有利于电力系统的安全稳定运行,应用前景广阔。
Description
技术领域
本发明涉及的是电动汽车功率预测技术领域,具体涉及一种电动汽车日充放电功率预测方法。
背景技术
我国的汽车持有量越来越多,汽车造成的排放污染已经成为了一个社会问题,电动汽车由于其排放清洁的特点开始越来越受到大家的欢迎。电动汽车对于环境保护来说至关重要,但是电动汽车和传统能源的汽车不一样,为了充分利用电动汽车的储能特性和满足车主的用车需求,电动汽车往往需要和电网进行功率交换实现充放电行为。在电动汽车数量越来越多的情况下,由于电动汽车的充放电行为带有很大的不确定性,因此充放电功率会影响电力系统的稳定性和电能质量。为了提高电力系统的稳定性和电能质量,减少电动汽车充放电对电网的冲击,对电动汽车的日充放电功率进行准确的预测,对于整个电网的安全稳定运行具有重大的意义。
针对电动汽车充放电功率的预测的方法有很多,使用最多的方法是通过智能算法的方式对功率进行预测。传统的模糊C-均值聚类方法对于这种具有高相似性特征的样本的聚类效果较差,由于样本之间的特征相似性很高,聚类结果的不确定性增加,传统从模糊C-均值聚类方法在聚类的过程中不能很好的处理这些不确定性,并且对于模糊度的选取要求较高。可以看出,这种方法一般会尽可能多地考虑影响多充放电功率的因素,以便得到一个尽可能准确的预测模型。在模型训练和预测时,一般不对样本数据进行复杂处理,而是直接将样本数据输入模型中进行训练,由于数据样本不会完全准确,可能存在有瑕疵的样本,因此这样的模型在训练时容易受到数据中的噪音影响,因而可能无法得到准确的预测模型。特别是对于电动汽车充放电功率预测问题,由于影响电动汽车日充放电的因素较多,具有维度高、相似性高等特点,直接应用智能算法不能获得较好的预测结果。如果预测出来的电动汽车充放电功率与实际值相差较多,不但不能够起到改善电网的作用,反而会增加电网调节的负担。
为了解决不同样本的相同类型特征具有高相似度导致聚类结果不确定性增加、聚类不准确导致的预测效果不佳的问题,有必要对现有的预测模型进行改进,使其获得较好的预测效果,开发一种电动汽车日充放电功率预测方法尤为必要。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种电动汽车日充放电功率预测方法,能够准确预测电动汽车的日充放电功率,对于电网的安全稳定运行具有重大的意义。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种电动汽车日充放电功率预测方法,其步骤为:
(1)采集相关数据,构建样本矩阵;
(2)对样本特征矩阵进行聚类;
(3)电动汽车日充放电功率的预测模型训练;
(4)计算待测日与各聚类中心的欧式距离并选取预测模型;
(5)预测电动汽车日充放电功率。
作为优选,所述的步骤(1)的具体流程为:采集预测地的全天充放电功率数据,以及相关的温度和天气信息、日期类型信息、车辆信息和充放电价格信息;所述的天气信息包括晴天、阴天、雨天,日期类型信息包含是否周末、是否法定节假日信息,车辆信息包含车辆数量信息;采集数据的时间分辨率设置为1h,以一天的数据作为一个数据样本,在一个样本中,温度、天气情况、充放电价格信息和车辆数量这四个特征分别获取对应时间分辨率的24个特征值,日期类型取一个特征值。取预测日前N天的全天相关特征数据,构建影响电动汽车充放电的样本特征矩阵X如下:
式(1)中,xi(n)表示第i个样本中第n个特征的值。i=1,2,…,N,n=1,2,…,97。
在特征样本值的排序中,前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征。
构建对应的N天的样本日充放电功率数据矩阵:
式(2)中,yi(j)表示第i天第j小时时的电动汽车充放电功率。i=1,2,…,N,j=1,2,…,24。
构建待测日的特征数据向量,记为xtest,其特征如下:
式(3)中,x(n)为待测日样本中的第n个特征值,n=1,2,…,97。前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征。
作为优选,所述的步骤(2)利用改进的模糊C-均值聚类方法对样本特征矩阵X中的N个特征样本进行聚类,找到c个聚类中心,其具体流程为:
①确定类别数c,确定迭代次数t,确定模糊度区间的下限和上限分别是m1和m2,且m1<m2。
②计算专家意见系数w。在聚类之前,根据专家系统对N个样本分成c类,并根据每一类占总样本的个数,将每一类划分成不同的重要度等级,共c个等级,但是被划分到同一类中的样本具有相同的重要度等级,所以每个样本的重要度等级记为ai,i=1,2,…,N,当样本i和样本j聚类到同一类时,ai=aj。专家意见系数计算如下:
和/>是第i个样本对应模糊度下限的专家意见系数和模糊度上限对应的专家意见系数。
③构建改进的模糊C-均值聚类的目标函数:
式(6)中和/>是专家意见系数,uij和/>分别是对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值,/>是第i个样本xi对聚类中心vj的欧氏距离。该式中:
式(7)、(8)中,dik,djk均为欧氏距离,m1是模糊度区间下限,m2是模糊度区间上限。
④随机初始化得到c个聚类中心,V=[v1,v2,…,vc]。
⑤根据聚类中心计算模糊隶属度区间
⑥计算改进后的聚类中心。聚类中心更新如下:
式(9)中,uij和分别是步骤⑤计算得到的对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值。
⑦计算目标函数F,当|F(t)-F(t-1)|<ε或达到迭代次数时,迭代结束,输出聚类中心矩阵,得到c个类别,将N个样本分为c类;否则返回步骤⑤进行下一次迭代。
作为优选,所述的步骤(3)的具体流程为:将样本特征矩阵X中的样本按照步骤(2)的分类结果取出,分别组成c个训练样本矩阵,记为X1,X2,…,Xc,分别对应聚类结果c类。将日充放电功率数据矩阵Y按照步骤(2)的分类结果,对应训练样本矩阵X1,X2,…,Xc,取出对应的功率数据,形成训练功率矩阵,分别记为Y1,Y2,…,Yc,与训练样本矩阵X1,X2,…,Xc组成c个预测模型的训练数据样本。分别对X1,X2,…,Xc和Y1,Y2,…,Yc进行归一化处理后,作为c个遗传算法优化的反向传播神经网络模型的训练样本进行模型训练,分别训练得到c个预测模型。
作为优选,所述的步骤(4)的具体流程为:分别计算待测日的特征数据向量xtest与c类聚类中心V=[v1,v2,…,vc]的欧氏距离,记为d2=[dtest1 2,dtest2 2,…,dtestc 2],分别对应待测日特征数据向量xtest与c个聚类中心的欧氏距离。选择欧氏距离最小的类别对应的预测模型为待测日功率预测使用的预测模型。
作为优选,所述的步骤(5)的具体流程为:选用步骤(4)选定的预测模型,将待测日的特征数据xtest进行归一化处理,然后输入选定的预测模型得到待测日的电动汽车日充放电功率的预测结果,记为ytest,将预测结果ytest进行反归一化,得到最终的电动汽车日充放电功率的预测值。
本发明的有益效果:本方法有效解决不同样本的相同类型特征具有高相似度导致聚类结果不确定性增加、聚类不准确导致的预测效果不佳的问题,使其获得较好的预测效果,能够准确预测电动汽车的日充放电功率,对于电网的安全稳定运行具有重大的意义,应用前景广阔。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1,本具体实施方式采用以下技术方案:一种电动汽车日充放电功率预测方法,其步骤为:
(1)采集相关特征数据,构建样本特征矩阵、功率数据矩阵和待测日特征数据向量。
采集预测地的全天充放电功率数据,以及相关的温度和天气信息、日期类型信息、车辆信息和充放电价格信息。所述的天气信息包括晴天、阴天、雨天;日期类型信息包含是否周末、是否法定节假日信息;车辆信息包含车辆数量信息。采集数据的时间分辨率设置为1h,以一天的数据作为一个数据样本,在一个样本中,温度、天气情况、充放电价格信息和车辆数量这四个特征分别获取对应时间分辨率的24个特征值,日期类型取一个特征值。取预测日前N天的全天相关特征数据,构建影响电动汽车充放电的样本特征矩阵X如下:
式(1)中,xi(n)表示第i个样本中第n个特征的值。i=1,2,…,N,n=1,2,…,97。
在特征样本值的排序中,前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征。
构建对应的N天的样本日充放电功率数据矩阵:
式(2)中,yi(j)表示第i天第j小时时的电动汽车充放电功率。i=1,2,…,N,j=1,2,…,24。
构建待测日的特征数据向量,记为xtest,其特征如下:
式(3)中,x(n)为待测日样本中的第n个特征值,n=1,2,…,97。前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征。
(2)对样本特征矩阵X中的样本进行聚类。利用改进的模糊C-均值聚类方法对样本特征矩阵X中的N个特征样本进行聚类,找到c个聚类中心。
①确定类别数c,确定迭代次数t,确定模糊度区间的下限和上限分别是m1和m2,且m1<m2。
②计算专家意见系数w。在聚类之前,根据专家系统对N个样本分成c类,并根据每一类占总样本的个数,将每一类划分成不同的重要度等级,共c个等级,但是被划分到同一类中的样本具有相同的重要度等级,所以每个样本的重要度等级记为ai,i=1,2,…,N,当样本i和样本j聚类到同一类时,ai=aj。专家意见系数计算如下:
和/>是第i个样本对应模糊度下限的专家意见系数和模糊度上限对应的专家意见系数。按照c的取值不同,重要度等级从1-c进行取整排列,规定重要度等级ai越大,重要性越高,因此最高的重要度等级为ai=c
③构建改进的模糊C-均值聚类的目标函数:
式(6)中和/>是专家意见系数,uij和/>分别是对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值,/>是第i个样本xi对聚类中心vj的欧氏距离。该式中:
式(7)、(8)中,dik,djk均为欧氏距离,m1是模糊度区间下限,m2是模糊度区间上限。
④随机初始化得到c个聚类中心,V=[v1,v2,…,vc]。
⑤根据聚类中心计算模糊隶属度区间
⑥计算改进后的聚类中心。聚类中心更新如下:
式(9)中,uij和分别是步骤⑤计算得到的对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值。
⑦计算目标函数F,当|F(t)-F(t-1)|<ε或达到迭代次数时,迭代结束,输出聚类中心矩阵,得到c个类别,将N个样本分为c类;否则返回步骤⑤进行下一次迭代。
(3)电动汽车日充放电功率的预测模型训练。
将样本特征矩阵X中的样本按照步骤(2)的分类结果取出,分别组成c个训练样本矩阵,记为X1,X2,…,Xc,分别对应聚类结果c类。将日充放电功率数据矩阵Y按照步骤(2)的分类结果,对应训练样本矩阵X1,X2,…,Xc,取出对应的功率数据,形成训练功率矩阵,分别记为Y1,Y2,…,Yc,与训练样本矩阵X1,X2,…,Xc组成c个预测模型的训练数据样本。分别对X1,X2,…,Xc和Y1,Y2,…,Yc进行归一化处理后,作为c个遗传算法优化的反向传播神经网络模型的训练样本进行模型训练,分别训练得到c个预测模型。
(4)计算待测日与各聚类中心的欧式距离并选取预测模型。
分别计算待测日的特征数据向量xtest与c类聚类中心V=[v1,v2,…,vc]的欧氏距离,记为d2=[dtest1 2,dtest2 2,…,dtestc 2],分别对应待测日特征数据向量xtest与c个聚类中心的欧氏距离。选择欧氏距离最小的类别对应的预测模型为待测日功率预测使用的预测模型。
(5)预测电动汽车日充放电功率。
选用步骤(4)选定的预测模型,将待测日的特征数据xtest进行归一化处理,然后输入选定的预测模型得到待测日的电动汽车日充放电功率的预测结果,记为ytest,将预测结果ytest进行反归一化,得到最终的电动汽车日充放电功率的预测值。
本具体实施方式对传统的模糊C-均值聚类算法进行改进,采用一种模糊度区间代替传统的固定模糊值的方式,改善模糊C-均值聚类算法对于这样不确定性的处理能力,同时,在模糊C-均值聚类的目标函数中加入考虑专家意见之后的权值,使得分类的结果更加准确,同时在聚类中心的计算方法上也做了对应的改进。该方法的原理是将特征具有高相似性的电动汽车日充放电功率样本进行聚类,利用改进的模糊C-均值聚类方法进行聚类之后的样本数据具有种类内高相似性,种类之间特征差别较大的特点;然后,将完成聚类之后的样本按照不同的种类分别训练遗传算法优化的反向传播神经网络模型,得到该类型对应的预测模型,这样,在进行功率预测时,选择一个和待测日特征最接近的预测模型进行预测,得到更好的预测结果。
本具体实施方式有效处理由于特征的高相似性导致的聚类过程中出现的不确定性问题,对具有高相似性特征的样本进行准确聚类,利用这些准确聚类之后的样本分别训练出来的模型具有更好的预测效果,可以获得更准确的电动汽车日充放电功率的预测值,有利于电力系统的安全稳定运行,具有广阔的市场应用前景。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种电动汽车日充放电功率预测方法,其特征在于,其步骤为:
(1)采集相关数据,构建样本矩阵;
(2)对样本特征矩阵进行聚类;
(3)电动汽车日充放电功率的预测模型训练;
(4)计算待测日与各聚类中心的欧式距离并选取预测模型;
(5)预测电动汽车日充放电功率;
所述的步骤(1)的具体流程为:采集预测地的全天充放电功率数据,以及相关的温度和天气信息、日期类型信息、车辆信息和充放电价格信息;所述的天气信息包括晴天、阴天、雨天,日期类型信息包含是否周末、是否法定节假日信息,车辆信息包含车辆数量信息;采集数据的时间分辨率设置为1h,以一天的数据作为一个数据样本,在一个样本中,温度、天气情况、充放电价格信息和车辆数量这四个特征分别获取对应时间分辨率的24个特征值,日期类型取一个特征值;取预测日前N天的全天相关特征数据,构建影响电动汽车充放电的样本特征矩阵X如下:
式(1)中,xi(n)表示第i个样本中第n个特征的值,i=1,2,…,N,n=1,2,…,97;
在特征样本值的排序中,前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征;
构建对应的N天的样本日充放电功率数据矩阵:
式(2)中,yi(j)表示第i天第j小时时的电动汽车充放电功率;i=1,2,…,N,j=1,2,…,24;
构建待测日的特征数据向量,记为xtest,其特征如下:
式(3)中,x(n)为待测日样本中的第n个特征值,n=1,2,…,97,前1-24个是温度特征,25-48个是天气特征,49-72个是价格特征,73-96个是车辆数量特征,第97个是日期类型特征;
所述的步骤(2)的具体流程为:
①确定类别数c,确定迭代次数t,确定模糊度区间的下限和上限分别是m1和m2,且m1<m2;
②计算专家意见系数w:在聚类之前,根据专家系统对N个样本分成c类,并根据每一类占总样本的个数,将每一类划分成不同的重要度等级,共c个等级,但是被划分到同一类中的样本具有相同的重要度等级,所以每个样本的重要度等级记为ai,i=1,2,…,N,当样本i和样本j聚类到同一类时,ai=aj,专家意见系数计算如下:
和/>是第i个样本对应模糊度下限的专家意见系数和模糊度上限对应的专家意见系数;
③构建改进的模糊C-均值聚类的目标函数:
式(6)中和/>是专家意见系数,/>和/>分别是对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值,/>是第i个样本xi对聚类中心vj的欧氏距离;该式中:
式(7)、(8)中,dik,djk均为欧氏距离,m1是模糊度区间下限,m2是模糊度区间上限;
④随机初始化得到c个聚类中心,V=[v1,v2,…,vc];
⑤根据聚类中心计算模糊隶属度区间
⑥计算改进后的聚类中心,聚类中心更新如下:
式(9)中,和/>分别是步骤⑤计算得到的对应模糊度区间下限m1和上限m2的模糊隶属度区间的下限值和上限值;
⑦计算目标函数F,当|F(t)-F(t-1)|<ε或达到迭代次数时,迭代结束,输出聚类中心矩阵,得到c个类别,将N个样本分为c类;否则返回步骤⑤进行下一次迭代。
2.根据权利要求1所述的一种电动汽车日充放电功率预测方法,其特征在于,所述的步骤(3)的具体流程为:将样本特征矩阵X中的样本按照步骤(2)的分类结果取出,分别组成c个训练样本矩阵,记为X1,X2,…,Xc,分别对应聚类结果c类;将日充放电功率数据矩阵Y按照步骤(2)的分类结果,对应训练样本矩阵X1,X2,…,Xc,取出对应的功率数据,形成训练功率矩阵,分别记为Y1,Y2,…,Yc,与训练样本矩阵X1,X2,…,Xc组成c个预测模型的训练数据样本;分别对X1,X2,…,Xc和Y1,Y2,…,Yc进行归一化处理后,作为c个遗传算法优化的反向传播神经网络模型的训练样本进行模型训练,分别训练得到c个预测模型。
3.根据权利要求1所述的一种电动汽车日充放电功率预测方法,其特征在于,所述的步骤(4)的具体流程为:分别计算待测日的特征数据向量xtest与c类聚类中心V=[v1,v2,…,vc]的欧氏距离,记为d2=[dtest1 2,dtest2 2,…,dtestc 2],分别对应待测日特征数据向量xtest与c个聚类中心的欧氏距离;选择欧氏距离最小的类别对应的预测模型为待测日功率预测使用的预测模型。
4.根据权利要求1所述的一种电动汽车日充放电功率预测方法,其特征在于,所述的步骤(5)的具体流程为:选用步骤(4)选定的预测模型,将待测日的特征数据xtest进行归一化处理,然后输入选定的预测模型得到待测日的电动汽车日充放电功率的预测结果,记为ytest,将预测结果ytest进行反归一化,得到最终的电动汽车日充放电功率的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665460.6A CN113393035B (zh) | 2021-06-16 | 2021-06-16 | 一种电动汽车日充放电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665460.6A CN113393035B (zh) | 2021-06-16 | 2021-06-16 | 一种电动汽车日充放电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393035A CN113393035A (zh) | 2021-09-14 |
CN113393035B true CN113393035B (zh) | 2023-09-01 |
Family
ID=77621298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110665460.6A Active CN113393035B (zh) | 2021-06-16 | 2021-06-16 | 一种电动汽车日充放电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393035B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116722528A (zh) * | 2023-05-07 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于电动汽车交流v2g的电网负荷智能预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN110007652A (zh) * | 2019-03-22 | 2019-07-12 | 华中科技大学 | 一种水电机组劣化趋势区间预测方法与系统 |
CN110659788A (zh) * | 2018-06-29 | 2020-01-07 | 中国电力科学研究院有限公司 | 一种用户侧综合能源系统的供需平衡分析方法和系统 |
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN112381157A (zh) * | 2020-11-18 | 2021-02-19 | 湖北工业大学 | 一种基于樽海鞘群算法优化的模糊c均值聚类方法 |
-
2021
- 2021-06-16 CN CN202110665460.6A patent/CN113393035B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN110659788A (zh) * | 2018-06-29 | 2020-01-07 | 中国电力科学研究院有限公司 | 一种用户侧综合能源系统的供需平衡分析方法和系统 |
CN110007652A (zh) * | 2019-03-22 | 2019-07-12 | 华中科技大学 | 一种水电机组劣化趋势区间预测方法与系统 |
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN112381157A (zh) * | 2020-11-18 | 2021-02-19 | 湖北工业大学 | 一种基于樽海鞘群算法优化的模糊c均值聚类方法 |
Non-Patent Citations (1)
Title |
---|
"基于模糊粗糙集与改进聚类的神经网络风速预测";刘兴杰;《中国电机工程学报》;20140705;第34卷(第19期);第3162-3169页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113393035A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109752656B (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN110068774A (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN110610225A (zh) | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 | |
CN112330028A (zh) | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 | |
CN113515512B (zh) | 一种工业互联网平台数据的质量治理及提升方法 | |
CN113534938B (zh) | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN113988426A (zh) | 一种基于fcm聚类和lstm的电动汽车充电负荷预测方法及系统 | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
CN113393035B (zh) | 一种电动汽车日充放电功率预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116703464A (zh) | 电动汽车充电需求建模方法、装置、电子设备及存储介质 | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
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 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115545473A (zh) | 一种基于lstm的生活垃圾投放趋势智能预测方法 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN111882114A (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN116613745A (zh) | 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 |
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 |