CN113869551A - 一种考虑数据相关性的电动汽车充电负荷预测方法 - Google Patents
一种考虑数据相关性的电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN113869551A CN113869551A CN202110978765.2A CN202110978765A CN113869551A CN 113869551 A CN113869551 A CN 113869551A CN 202110978765 A CN202110978765 A CN 202110978765A CN 113869551 A CN113869551 A CN 113869551A
- Authority
- CN
- China
- Prior art keywords
- data
- charging load
- electric vehicle
- correlation
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
-
- 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
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种考虑数据相关性的电动汽车充电负荷预测方法,包括以下步骤:步骤1、采集电动汽车充电负荷历史数据;步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析,计算电动汽车充电负荷历史数据与实时数据之间的相关系数;步骤3、基于步骤2计算获得的相关系数,选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据;步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据,采用LSTM算法进行预测,得出预测结果。本发明可以有效减少数据处理的工作量,简化预测方法同时提高预测精度。
Description
技术领域
本发明属于电动汽车负荷数据分析技术领域,涉及电动汽车充电负荷预测方法,尤其是一种考虑数据相关性的电动汽车充电负荷预测方法。
背景技术
随着能源环境问题的日渐凸显,为落实国家能源发展战略,构建清洁、高效、安全、可持续的现代能源体系,电动汽车得到了大力发展。2018—2020年公共服务车辆中,每年新增电动汽车数量已提高至30%~50%。3月20日,中国发展高层论坛2021年会"汽车业的新革命"分论坛上,中国电动汽车百人会副理事长兼秘书长张永伟表示,根据预测,2030年前后,中国电动汽车的保有量应该在8000万辆的规模区间。电动汽车普及对电力需求端的结构将产生较大影响,将会是未来一段时间新的电力需求及负荷增长点。
电动汽车充电行为具有随机性与波动性特点,其充电特征可能受使用者习惯、系统荷电状态等多因素制约,而随着电动汽车逐渐规模化,电动汽车的无序充电和随机性将导致电网峰值负荷增加、配电网不平衡运行以及系统谐波等相关问题;同时,电动汽车作为一个移动式储能设备,在实现合理的充电管理后,可以在电网削峰填谷、协同消纳新能源等方面提供助力。而现有的电动汽车充电负荷预测方法具有预测难度大,预测可信度不高等缺点。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、简便使用且预测结果可靠的考虑数据相关性的电动汽车充电负荷预测方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种考虑数据相关性的电动汽车充电负荷预测方法,包括以下步骤:
步骤1、采集电动汽车充电负荷历史数据;
步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析,计算电动汽车充电负荷历史数据与实时数据之间的相关系数;
步骤3、基于步骤2计算获得的相关系数,选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据;
步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据,采用LSTM算法进行预测,得出预测结果。
而且,所述步骤1的具体方法为:收集某地区当天和十个典型日的电动汽车充电负荷历史数据。
而且,所述步骤2的具体方法为:利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性,得到电动汽车充电负荷历史数据与实时数据之间的相关系数,其计算公式为:
其中,rxy表示样本相关系数,Sxy表示样本协方差,Sx表示x的样本标准差,Sy表示y的样本标准差。在此情境下,x代表十个典型日的数据,y代表当天的数据。
而且,所述步骤3的具体方法为:
按照相关系数由大到小排序,选取相关系数最大的前五组数据,即相关性最高的五组数据作为预测的电动汽车充电负荷数据。
而且,所述步骤4的具体步骤包括:
(1)将步骤3得到的作为预测的电动汽车充电负荷数据作为xt输入,首先对每个时点的负荷数据xt进行遗忘门忘记阶段处理,计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
(2)接着对ft进行输入门细胞状态更新阶段处理,计算公式如下:
(3)最后对Ct进行输出门输出阶段的处理,计算公式如下:
Ot=σ(Wo·[ht-1,xt]+bo)
ht=Ot*tanh(Ct)
(4)一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息ht-1,与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值ht。
本发明的优点和有益效果:
本发明提出一种考虑数据相关性的电动汽车充电负荷预测方法,通过电动汽车充电负荷历史数据与实时数据进行数据相关性分析,并选取相关系数最大的数据作为用来进行预测的负荷数据,本发明可以有效减少数据处理的工作量,简化预测方法同时提高预测精度。对电动汽车的充电需求进行合理预测对于电网平稳运行、电动汽车充电负荷调度、有序充电策略研究等方面都具有重要意义。
附图说明
图1为本发明的处理流程图;
图2为本发明的预测结果图;
图3为本发明的误差百分比结果图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种考虑数据相关性的电动汽车充电负荷预测方法,如图1所示,包括以下步骤:
步骤1、采集电动汽车充电负荷历史数据;
在本实施例中,收集研究对象,即收集某地区电动汽车充电负荷历史数据作为相关性处理的基础数据。
收集研究对象,即当天与十个典型日(D-1天至D-10天)的某地区充电负荷数据作为相关性处理的基础数据。
步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析,计算电动汽车充电负荷历史数据与实时数据之间的相关系数;
在本实施例中,利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性,得到电动汽车充电负荷历史数据与实时数据之间的相关系数。
对电动汽车充电负荷历史数据(即:基础数据)与当天真实实时数据进行数据相关性分析,利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性,得到电动汽车充电负荷历史数据(即:基础数据)与实时数据之间的相关系数。
本发明采用相关系数法,相关系数是反应变量之间关系密切程度的统计指标,相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关,-1表示两个变量完全负相关,0表示两个变量不相关,数据越趋近于0表示相关关系越弱。
所述步骤2的相关系数的计算公式如(1)所示:
其中,rxy表示样本相关系数,Sxy表示样本协方差,Sx表示x的样本标准差,Sy表示y的样本标准差。在此情境下,x代表十个典型日的数据,y代表当天的数据。
步骤3、基于步骤2计算获得的相关系数,选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据。
利用相关系数分析电动汽车充电负荷历史数据(即:基础数据)的相关性,并选出相关系数最大的前五组数据作为用来进行预测的负荷数据。按照相关系数由大到小排序,选取相关系数最大的前五组数据,即相关性最高的五组数据作为用于预测的电动汽车充电负荷数据。
步骤4、对步骤3选取的用于预测的电动汽车充电负荷数据,采用LSTM算法进行预测,得出预测结果。
所述步骤4的具体步骤包括:
将步骤3选取的用于预测的电动汽车充电负荷数据作为xt输入,首先对每个时点的负荷数据xt进行遗忘门忘记阶段处理,计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
接着对遗忘门忘记阶段处理得到的结果ft进行输入门细胞状态更新阶段处理,计算公式如下:
最后对Ct进行输出门输出阶段的处理,计算公式如下:
Ot=σ(Wo·[ht-1,xt]+bo)
ht=Ot*tanh(Ct)
一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息ht-1,与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值ht。
在本实施例中,LSTM具有与RNN大体一致的结构,但是重复的模块拥有不同的结构。与RNN的单一神经网络层不同,LSTM有四个网络层,并且以一种非常特殊的方式进行交互。通过这样的方式,对以往的容易失真的信息进行筛选整合成为一个新的信息并保留下来,与同时进入的新信息以一定的比例叠加,最后通过tanh函数输出。并且LSTM长短期记忆网络能够捕获长时间片依赖,决定那些信息需要被留下,哪些信息又需要被遗忘。
下面通过具体算例对本发明作进一步说明:
步骤1:收集研究对象,本例中收集某地区当天、D-1天至D-10天的充电负荷数据作为相关性处理的基础数据,详情如表1所示;
步骤2:对基础数据进行数据相关性分析,利用Excel软件计算每一天的数据与当天真实数据的相关性,得到基础数据之间的相关系数;
相关系数的计算公式如(1)所示:
其中,rxiy表示第i组样本的相关系数,Sxiy表示D-i天与当天数据的协方差,Sxi表示xi即D-1天至D-10天这十个典型日的样本标准差,Sy表示因变量y即当天数据的样本标准差。根据公式,我们需要先计算D-1天至D-10天这十天以及当天真实数据的样本标准差,再计算D-1天至D-10天与当天数据之间的协方差,根据公式(1)得到预测数据之间的相关系数。
采取了所收集数据的前200个进行计算,得到D-1天至D-10天这十天以及当天真实数据的样本标准差分别为:
Sx1=15518.7702,Sx2=15306.236,Sx3=15234.1388,
Sx4=15170.64539,Sx5=15365.59057,Sx6=15411.0932,
Sx7=15365.21298,Sx8=15183.83278,Sx9=15254.04272,
Sx10=15335.72268,Sy=15563.67394.
得到D-1天至D-10天与当天数据之间的协方差分别为:
Sx1y=230556230.1,Sx2y=226709123.7,Sx3y=224826730.8.
Sx4y=225406997.5,Sx5y=230894694.9,Sx6y=234740896.6,
Sx7y=234712143.6,Sx8y=229462672.7,Sx9y=231249625.3,
Sx10y=233008103.1.
根据相关系数计算公式进行计算可得D-1天至D-10天与当天数据的相关系数分别为rx1y=0.9546,rx2y=0.9517,rx3y=0.9482.rx4y=0.9547,rx5y=0.9655,rx6y=0.9787,rx7y=0.9815,rx8y=0.9710,rx9y=0.9741,rx10y=0.9762(四舍五入保留四位小数)
标准差就是选取的十个典型日的数据分别的标准差,协方差是十个典型日的数据分别与当天的数据进行计算得到的。验证的是选取的十个典型日与当天的相关性程度。
步骤3:利用相关系数分析基础数据的相关性,并选出用来进行预测的负荷数据。
根据步骤2中的数据可以得到D-1天至D-10天与当天的数据相关性排序如下:Sx7y>Sx6y>Sx10y>Sx9y>Sx8y>Sx5y>Sx4y>Sx1y>Sx2y>Sx3y。
其中与当天数据相关性最高的五天即D-7天、D-6天、D-10天、D-9天、D-8天,因此选择这五天作为预测的负荷数据。
步骤4:对选出的负荷数据采用LSTM算法进行预测,得出预测结果。
LSTM是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
LSTM区别于RNN的地方,主要就在于它在算法中加入了一个判断信息有用与否的“处理器”,这个处理器作用的结构被称为cell。
一个cell当中被放置了三扇门,分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中,可以根据规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
其内部对信息的处理过程如下:
第一阶段:遗忘门忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会“忘记不重要的,记住重要的”。具体来说,这一决定由所谓“遗忘门层”的S形网络层做出。它接收上个细胞的遗留信息ht-1和外部信息xt,并且对细胞状态Ct-1中的每一个数来说输出值都介于0和1之间。1表示“完全接受这个”,0表示“完全忽略这个”。遗忘公式如(2)所示:
ft=σ(Wf·[ht-1,xt]+bf) (2)
其中,ft表示经过遗忘门处理之后的数据信息;Wf表示权重矩阵;bf表示遗忘门所对应的偏置向量;ht-1表示上个细胞的遗留信息;xt表示所输入的外部数据信息;σ表示对数据进行遗忘门忘记处理。
第二阶段:输入门细胞状态更新阶段。这个阶段将本阶段的输入有选择性地进行“记忆”。这里分成两部分,第一部分,一个所谓“输入门层”的S形网络层确定哪些信息需要更新;第二部分,一个tanh形网络层创建一个新的备选值向量可以用来添加到细胞状态。在下一步中我们将上面的两部分结合起来,产生对状态的更新。
将上面两步得到的结果相加,即可得到更新状态之后的Ct。所以细胞更新状态公式如(3)所示:
第三阶段:输出门输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。首先我们运行S形网络层,用来确定细胞状态中的哪些部分可以输出。然后,我们把细胞状态输入tanh(把数值调整到-1和1之间)再和S形网络层的输出值相乘,这样我们就可以输出想要输出的部分。输出公式如(4)(5)所示:
Ot=σ(Wo·[ht-1,xt]+bo) (4)
ht=Ot*tanh(Ct) (5)
符号意义同上。
采用MATLAB软件对数据进行LSTM预测,其预测结果如表2所示,预测结果图如图2所示,其中,预测输出是根据相关系数最高的五组预测的负荷数据所得到的预测结果,期望输出则是当天的真实数据。从上图2的预测结果来看,二者的拟合程度良好。
步骤5:采用误差分析法对预测结果进行分析,评估预测方法的准确性。
在此预测结果基础上,采用误差分析法进行对结果的说明。误差计算公式如(6)所示:
Ct=(Qct-Qyt)/Qct (6)
其中,Ct表示t时刻的误差百分比,Qct表示t时刻的实际值,Qyt表示t时刻的预测值。误差分析法能够有效评估预测精度,证明预测的准确性。
其误差预测百分比结果图如图3所示,本次预测结果的误差范围为:(-0.1,0.16],最大预测误差为16%。证明预测方法良好,可信度较高。并且整个预测方法的计算量不大,计算难度也相对容易,可操作性较高。
表1:
表2:
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种考虑数据相关性的电动汽车充电负荷预测方法,其特征在于:包括以下步骤:
步骤1、采集电动汽车充电负荷历史数据;
步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析,计算电动汽车充电负荷历史数据与实时数据之间的相关系数;
步骤3、基于步骤2计算获得的相关系数,选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据;
步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据,采用LSTM算法进行预测,得出预测结果。
2.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法,其特征在于:所述步骤1的具体方法为:收集某地区当天和十个典型日的电动汽车充电负荷历史数据。
4.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法,其特征在于:所述步骤3的具体方法为:
按照相关系数由大到小排序,选取相关系数最大的前五组数据,即相关性最高的五组数据作为预测的电动汽车充电负荷数据。
5.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法,其特征在于:所述步骤4的具体步骤包括:
(1)将步骤3得到的作为预测的电动汽车充电负荷数据作为xt输入,首先对每个时点的负荷数据xt进行遗忘门忘记阶段处理,计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
(2)接着对ft进行输入门细胞状态更新阶段处理,计算公式如下:
(3)最后对Ct进行输出门输出阶段的处理,计算公式如下:
Ot=σ(Wo·[ht-1,xt]+bo)
ht=Ot*tanh(Ct)
(4)一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息ht-1,与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值ht。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978765.2A CN113869551A (zh) | 2021-08-25 | 2021-08-25 | 一种考虑数据相关性的电动汽车充电负荷预测方法 |
US17/862,004 US20230074700A1 (en) | 2021-08-25 | 2022-07-11 | Prediction method for charging loads of electric vehicles with consideration of data correlation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978765.2A CN113869551A (zh) | 2021-08-25 | 2021-08-25 | 一种考虑数据相关性的电动汽车充电负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869551A true CN113869551A (zh) | 2021-12-31 |
Family
ID=78988219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978765.2A Pending CN113869551A (zh) | 2021-08-25 | 2021-08-25 | 一种考虑数据相关性的电动汽车充电负荷预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230074700A1 (zh) |
CN (1) | CN113869551A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386215A (zh) * | 2023-03-16 | 2023-07-04 | 淮阴工学院 | 一种基于人流量用于移动电箱的智能充电方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109025B (zh) * | 2023-04-04 | 2023-07-07 | 深圳天溯计量检测股份有限公司 | 基于大数据的电池续航测试方法 |
CN116702978B (zh) * | 2023-06-07 | 2024-02-13 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN116432985B (zh) * | 2023-06-09 | 2023-09-22 | 田凯文 | 一种基于物联网的智慧社区信息处理方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740582B (zh) * | 2016-03-16 | 2018-08-28 | 华北电力大学 | 一种复合绝缘子老化状态预测方法 |
CL2017002221A1 (es) * | 2017-09-01 | 2018-01-19 | Univ Antofagasta | Espinela de manganeso dopada con magnesio, material catódico que la comprende, método de preparación, y batería de ion litio que la comprende |
US10922358B2 (en) * | 2017-10-13 | 2021-02-16 | Kpmg Llp | System and method for analysis of structured and unstructured data |
CN111798051B (zh) * | 2020-07-02 | 2023-11-10 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
-
2021
- 2021-08-25 CN CN202110978765.2A patent/CN113869551A/zh active Pending
-
2022
- 2022-07-11 US US17/862,004 patent/US20230074700A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386215A (zh) * | 2023-03-16 | 2023-07-04 | 淮阴工学院 | 一种基于人流量用于移动电箱的智能充电方法 |
CN116386215B (zh) * | 2023-03-16 | 2024-04-19 | 淮阴工学院 | 一种基于人流量用于移动电箱的智能充电方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230074700A1 (en) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869551A (zh) | 一种考虑数据相关性的电动汽车充电负荷预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108181591B (zh) | 一种基于改进型bp神经网络的电池soc值的预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
Sun et al. | A composite uncertainty forecasting model for unstable time series: Application of wind speed and streamflow forecasting | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
Cai et al. | Remaining useful life prediction method of EV power battery for DC fast charging condition | |
Tang et al. | Parameter identification for lithium batteries: Model variable-coupling analysis and a novel cooperatively coevolving identification algorithm | |
Wang et al. | A multiple-parameter approach for short-term traffic flow prediction | |
CN112418564A (zh) | 基于lstm的充换电站换电负荷预测方法及其相关组件 | |
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 | |
CN117350336A (zh) | 充电负荷预测及模型训练方法、装置、设备及存储介质 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN111882106B (zh) | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
CN113962431A (zh) | 一种两阶段特征处理的母线负荷预测方法 |
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 |