CN113988426A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113988426A CN113988426A CN202111274352.2A CN202111274352A CN113988426A CN 113988426 A CN113988426 A CN 113988426A CN 202111274352 A CN202111274352 A CN 202111274352A CN 113988426 A CN113988426 A CN 113988426A
- Authority
- CN
- China
- Prior art keywords
- load
- electric vehicle
- data
- clustering
- daily
- 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 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000004138 cluster model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 2
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 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
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及系统,包括采集电动汽车日负荷数据并获取该时间段内的每日气象数据;建立FCM相似日聚类模型,进行负荷相似日聚类;将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和得到该类别各个日期的总日负荷数据;训练得到针对不同负荷相似日的训练后的LSTM神经网络;采用改进LSTM神经网络对各负荷相似日所对应的电动汽车负荷分别进行预测,进而得到总的电动汽车负荷预测值。本发明改进LSTM神经网络具有更好的预测稳定性和更高的效率。
Description
技术领域
本发明属于电动汽车技术领域,尤其是机器学习技术应用于电动汽车负荷预测领域,具体涉及一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及预测系统。
背景技术
随着环境的恶化和不可再生能源的逐渐匮乏,电动汽车以其低污染和低价格的特点在全世界范围内迅速发展,电动汽车的保有量正在迅速增长。随着电动汽车的渗透率不断增加,其并网后的充电负荷对电网的运行与调度有着巨大的影响。因此,电动汽车负荷预测有利于缓解充电负荷对电网的冲击,也为充电设施的建设提供依据,同时对电网的安全运行有着巨大的现实意义。
由于电动汽车的类型和种类较多,不同电动汽车的出行习惯和行驶规律有着不同的特点,这使得电动汽车负荷预测有着较大的难度。因此,各种聚类分析方法逐渐运用到了负荷预测的过程中。近年来,对电动汽车负荷的聚类方法开展了大量的研究,具体有K均值(K-means)聚类算法、密度峰值聚类算法、谱聚类算法和模糊C均值(fuzzy C-means,FCM)算法等。公开号为CN106156895A的专利一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法,将模糊C均值聚类和支持向量机结合对电动汽车充电负荷进行预测,取得了较好的预测效果,但是支持向量机通常会陷入学习速度慢、收敛速度慢等问题。
公开号为CN112132351A的专利电动汽车充电负荷聚类预测方法及装置,结合了模糊C均值聚类和最小二乘法支持向量机进行负荷聚类预测,但是考虑天气数据时并未涉及降水量这一重要因素,这对负荷预测的准确性有着一定的影响。
一般的电力负荷预测的方法有时间序列预测法、回归分析法等。随着大规模电动汽车并网,传统的负荷预测方法已经不能适应电动汽车负荷的随机性和时空特性。相对于传统电力负荷的预测方法,普遍应用于电动汽车负荷预测领域的人工智能算法精度更高、预测效果更好。这种人工智能算法包括浅层网络算法和深度学习算法。浅层网络的局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近,表征输入数据分布式表示,并展现了强大的从少数样本集中学习数据集本质特征的能力。电动汽车充电负荷曲线为关于时间的函数曲线,其负荷数据具有较强的时序性。LSTM神经网络是一种改进后的循环神经网络,可用解决RNN无法处理长距离的依赖的问题和网络梯度消失的问题。由于LSTM广泛应用于时间序列问题,选用该方法处理充电负荷时间序列,对电动汽车负荷进行有效的预测。公开号为CN113255900A的专利一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法,使用了Bi-LSTM神经网络方法进行电动汽车负荷预测,其网络输入特征未考虑降水量这一重要因素,对负荷预测的准确度有着影响。
发明内容
为解决现有技术中的不足,本申请提供一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及系统,能够有效对电动汽车群体进行充电负荷预测,为电网的负荷预测和调度提供依据,提高电网的稳定性,解决传统预测方法学习速度慢、收敛速度慢以及神经网络训练时间较长的问题。
为了实现上述目标,本发明采用如下技术方案:
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,包括以下步骤:
步骤1:针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据,并获取该时间段内的每日气象数据;
步骤2:建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类;
步骤3:将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
步骤4:从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,对改进LSTM神经网络进行训练,得到针对不同负荷相似日的训练后的LSTM神经网络;
步骤5:根据当前负荷数据和气象数据,采用步骤4训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测,对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
本发明进一步包括以下优选方案:
优选地,所述步骤1中的日负荷数据为对每辆电动汽车一日内每隔固定时间所统计的离散充电数据,所述气象数据包括温度和降水量。
优选地,步骤1中,采集电动公交车的数据,时间段设定为31天,固定时间为30分钟。
优选地,步骤2建立的FCM相似日聚类模型,聚类过程中,将关于同一聚类中心的距离和隶属度函数都为最小,类内距离最小,类间距离最大的日负荷数据作为同一相似日的日负荷。
优选地,步骤2中,建立FCM相似日聚类模型方法如下:
设电动汽车日负荷样本集合为:
X={x1,x2,…,xn}∈Rn (1)
式中,xj(j=1,2,…,n)为第j个日负荷样本;n为日负荷样本个数;
则第k个日负荷样本为xk={xk1,xk2,…,xkp},p为日负荷曲线的实测数据点的数量;
假设有c个聚类中心:H={h1,h2,…,hc},则隶属度矩阵为:
U=(uij)c×n (2)
式中,uij为样本xj关于i类的隶属度;
建立FCM相似日聚类模型为:
式中,m为模糊度加权指数;c为聚类的簇数。
优选地,步骤2中,采用寻优策略求解FCM相似日聚类模型,具体包括:
1)初始化:给定聚类簇数c、模糊度加权系数m、最大迭代次数T和阈值η;初始化隶属度矩阵;
2)根据式(6),更新聚类中心H={h1,h2,…,hc};
3)根据式(7),更新隶属度矩阵U=(uij)c×n;
4)计算J(U,H)的函数值,如果J(U,H)≤η或者迭代次数达到了最大值T,循环停止并且输出结果;否则返回步骤2)继续迭代循环;
5)根据隶属度最大原则确定样本类别,从而得到电动汽车日负荷的聚类结果。
优选地,步骤4中,提取改进LSTM网络的输入特征,包括:负荷点日期、负荷点时刻、负荷点星期、每日时刻总数、负荷点温度、负荷点降雨量以及预测点前一时刻的负荷值。
优选地,步骤4所述改进LSTM,其隐含层将上一时刻的输出和当前时刻输入进行卷积运算处理,以提取历史输出和当前输入的时序关联性特征;
同时增加上一时刻细胞状态作为输入,进一步选择保留和遗忘历史细胞状态中的信息,对细胞状态信息进行挖掘。
优选地,步骤4所述改进LSTM神经网络还将LSTM中的输入门和遗忘门用交叉耦合的共享门代替实现网络训练时间改进。
优选地,步骤4中,对改进LSTM神经网络进行训练,通过观测训练时的损失值来衡量模型训练的效果,当所设参数能使每一类训练损失值达到收敛且趋于稳定,则为该类最佳参数,从而得到针对不同负荷相似日的训练后的改进LSTM神经网络。
优选地,步骤4中,还采用平均绝对百分误差MAPE、平均绝对误差MAE以及均方根误差RMSE来评价改进LSTM神经网络的预测效果,平均绝对百分误差MAPE、平均绝对误差MAE以及均方根误差RMSE分别为:
本发明还公开了一种实现上述的基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测方法的电动汽车充电负荷预测系统,包括:
电动汽车历史日负荷采集模块,用于针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据;
气象数据采集模块,用于获取设定时间内每日气象数据;
聚类分析模块,用于建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类,并将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
LSTM神经网络数据输入模块,用于从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,并将其输入到改进LSTM神经网络;
LSTM神经网络数据训练模块,用于利用输入的总日负荷数据和气象数据训练改进的改进LSTM神经网络,得到针对不同负荷相似日的训练后的LSTM神经网络;
LSTM神经网络数据预测模块,用于根据当前负荷数据和气象数据,采用训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测;
电动汽车总预测负荷计算模块,用于对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
本申请所达到的有益效果:
本发明利用FCM模糊C均值聚类对一定数量的电动汽车日负荷进行聚类分析,得到不同相似日类型负荷;然后选取温度、降水量等影响负荷的气象因素和聚类后相似日负荷数据作为输入特征,基于改进LSTM神经网络对不同负荷类别的总日负荷分别进行训练网络参数,对各个类别总负荷进行预测;最后,根据预测结果分析该方法的有效性,并将各簇的预测负荷相加求得该数量电动汽车的负荷预测值。
1、本发明改进LSTM神经网络,将当前输入和上一时刻输出进行卷积运算,进一步挖掘其内在联系,此外还将输入门和遗忘门用交叉耦合的共享门代替,减少系统固有变量,有效降低网络训练时间。改进LSTM神经网络具有出色的特征学习能力,并且可以用较少的参数表示复杂的功能。
2、本发明中不同负荷相似日训练出的改进LSTM神经网络之间是独立的,各个网络的参数均不同,因此相对于现有的负荷预测技术,具有更好的稳定性和更高的效率。若采用单一改进LSTM网络的预测方法,其结果在数值上会比较准确,但预测值在时间上可能产生的明显滞后,而本发明的多网络方法的预测值在时间上可以更好地跟踪真实值。
3、本发明同时考虑相似日负荷数据以及天气数据中降水量、温度等影响因素,将其作为网络输入特征,进一步提高了负荷预测的可靠性。
附图说明
图1为本发明基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测方法流程示意图;
图2为本发明基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测方法流程实施例示意图;
图3为发明基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测系统结构示意图;
图4为本发明实施例中改进LSTM神经网络结构图;
图5为本发明实施例中类1训练和预测值示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和2所示,本发明的一种基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测方法,包括以下步骤:
步骤1:针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据,并获取该时间段内的气象数据;
具体实施时,日负荷数据为对每辆电动汽车一日内每隔固定时间所统计的离散充电数据,所述气象数据包括温度和降水量(气象数据用于聚类后在训练网络中作为输入特征量);
优选地,采集电动公交车的数据,时间段设定为31天,固定时间为30分钟。
本发明使用数据为电动公交车的数据,若使用不同类型车的数据本质上是一样的,但是聚类效果会不好,对本发明模型来说意义不大。
步骤2:建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类;
具体实施时,将设定时间段内即31天的负荷聚类为12个负荷相似日负荷。
建立的FCM相似日聚类模型,聚类过程中,将关于同一聚类中心的距离和隶属度函数都为最小,类内距离最小,类间距离最大的日负荷数据作为同一相似日的日负荷,相似日负荷为电动汽车日负荷曲线形态相似的数据群构成。
由于聚类考虑日负荷数据的相似性,一个类别内的日负荷数据在形态上是相似的,即步骤2从大量日负荷数据中日负荷曲线形态相似的若干组数据。
具体的,建立FCM相似日聚类模型方法如下:
设电动汽车日负荷样本集合为,
X={x1,x2,…,xn}∈Rn (1)
式中,xj(j=1,2,…,n)为第j个日负荷样本;n为日负荷样本个数,则第k个日负荷样本为xk={xk1,xk2,…,xkp},p为日负荷曲线的实测数据点的数量;
假设有c个聚类中心H={h1,h2,…,hc},则模糊划分矩阵为:
U=(uij)c×n (2)
式中,uij为样本xj关于i类的隶属度,因此上述矩阵又称隶属度矩阵。
建立FCM相似日聚类模型为:
式中,m为模糊度加权指数;c为聚类的簇数。
采用寻优策略求解FCM相似日聚类模型,具体包括:
1)初始化:给定聚类簇数c、模糊度加权系数m、最大迭代次数T和阈值η;初始化隶属度矩阵,并满足式(3)(4)。
2)根据式(6),更新聚类中心H={h1,h2,…,hc};
3)根据式(7),更新隶属度矩阵U=(uij)c×n;
4)计算J(U,H)的函数值,如果J(U,H)≤η或者迭代次数达到了最大值T,循环停止并且输出结果;否则返回步骤2)继续迭代循环;
5)根据隶属度最大原则确定样本类别,从而得到电动汽车日负荷的聚类结果。
步骤3:将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
由于每隔30分钟统计一次充电负荷,一辆车的日负荷数据为一个48维的列向量,每一个类别的数据组里都有不同日期的负荷数据,该类别内相同日期的列向量数据求和即为该类别内该日期的总负荷。
步骤4:从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,对改进LSTM神经网络进行训练,得到针对不同负荷相似日的训练后的LSTM神经网络;
具体实施时,提取改进LSTM网络的输入特征,包括:负荷点日期、负荷点时刻、负荷点星期、每日时刻总数、负荷点温度、负荷点降雨量以及预测点前一时刻的负荷值。
每隔30分钟统计一次充电负荷,这个时间点对应的负荷即为负荷点,包括:
负荷点日期,即为负荷点对应的1-31日中的某一天;
负荷点时刻,即为负荷点对应的时间点,如11:30、12:00;
负荷点星期,即为负荷点对应的星期类别,如星期一、星期二。
改进LSTM结构如图4所示,与LSTM相比,改进LSTM隐含层结构主要有3点区别:
1)将上一时刻的输出Ht-1和当前时刻输入Xt进行卷积运算处理,能够充分提取历史输出和当前输入的时序关联性特征。
2)考虑到储存单元对输出结果的影响,增加上一时刻细胞状态Ct-1作为输入,进一步选择保留和遗忘历史细胞状态中的信息,可以更加充分地对细胞状态信息进行挖掘。
3)为了减少固有变量,提高模型训练速度,将LSTM中的遗忘门、输入门和输出门由交叉耦合的新门代替。
进一步的,t时刻改进LSTM输入门状态it更新:
it=σ(Wx*Xt+Wh*Ht-1+Wc*Ct-1+bi) (8)
t时刻细胞状态Ct更新:
Ct=it·Ct-1+(1-it)·(Wx*Xt+Wh*Ht-1+Wc*Ct-1+bc) (9)
t时刻输出门状态ot更新:
ot=σ(Wx*Xt+Wh*Ht-1+Wc*Ct-1+bo) (10)
t时刻改进LSTM输出:
Ht=ot·tanh(Ct) (11)
式中,Wx、Wh、Wc为权重矩阵,bi、bc、bo为状态偏置项。
以各簇的总日负荷数据作为该簇的改进LSTM神经网络输入,选取LSTM网络的输入特征有:负荷点日期、负荷点时刻、每日时刻总数、负荷点星期、负荷点温度、负荷点降雨量以及预测点前一时刻的负荷值。对改进LSTM神经网络进行训练,通过观测训练时的损失值来衡量模型训练的效果。当所设参数能使每一类训练损失值达到收敛且趋于稳定,则为该类最佳参数,从而得到针对不同簇的训练后的改进LSTM神经网络。
评价LSTM预测模型时,选择平均绝对百分误差(MAPE),平均绝对误差(MAE)以及均方根误差(RMSE)来描述预测效果。
不同负荷相似日训练出的改进LSTM神经网络之间是独立的,各个网络的参数均不同,因此相对于现有的负荷预测技术,具有更好的稳定性和更高的效率。
若采用单一改进LSTM网络的预测方法,其结果在数值上会比较准确,但预测值在时间上可能产生的明显滞后,而本发明的多网络方法的预测值在时间上可以更好地跟踪真实值。
步骤5:根据当前负荷数据和气象数据,采用步骤4训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测,可获得各类预测日的电动汽车充电负荷预测值,对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
图3为发明基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测系统结构示意图。如图3所示,电动汽车充电负荷预测系统包括:
电动汽车历史日负荷采集模块,用于针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据,作为系统的样本库;
气象数据采集模块,用于获取设定时间内每日气象数据,作为电动汽车日负荷的重要影响因素;
聚类分析模块,用于建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类,并将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
LSTM神经网络数据输入模块,用于从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,并将其输入到改进LSTM神经网络;
LSTM神经网络数据训练模块,用于利用输入的总日负荷数据和气象数据训练改进的改进LSTM神经网络,得到针对不同负荷相似日的训练后的LSTM神经网络;
LSTM神经网络数据预测模块,用于根据当前负荷数据和气象数据,采用训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测;
电动汽车总预测负荷计算模块,用于对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
实施例1:
一种基于FCM相似日聚类和改进LSTM的电动汽车充电负荷预测方法,包括:
步骤1:针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据,并获取该时间段内的气象数据;
采用某市2020年12月全天所有电动公交车充电负荷数据作为试验数据,进一步的,其中包含101个电动公交车的编号、每次充电电量、充电开始时间以及充电结束时间。电动公交车的日负荷曲线以30分钟为间隔收集充电负荷得到。
利用爬虫技术从中国气象数据网获得2020年12月该市的气象数据,包括温度和降雨量。此处假设每日的气象数据保持不变,取每日上午八点的气象数据作为该日的气象输入特征。
步骤2:建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类;
101辆电动公交车31天的日负荷数据共为3131组数据,对这些数据进行FCM聚类,得出适合的分类。初次聚类后,3131组数据共分为12类,将这12类充电类型的聚类中心Ci(i=1,2,…,12)作为FCM的初始聚类中心,再进行FCM聚类。
经过迭代优化,分析每个数据在每个分类集合Si的隶属度情况,可分析得所有类别的隶属度都较高,基本保持在0.6~0.8的水平,因此12个聚类中心均可保留。
步骤3:将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
共12类电动公交车的日负荷数据,需计算每类的总负荷数据为预测做准备。由于每隔30分钟统计一次充电负荷,一辆车的日负荷数据为一个48维的列向量。每一个类别的数据组里都有不同日期的负荷数据,该类别内相同日期的列向量数据求和即为该类别内该日期的总负荷,所有日期的列向量均求和即得到该类别的总日负荷。
步骤4:从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,对改进LSTM神经网络进行训练,得到针对不同负荷相似日的训练后的LSTM神经网络;
步骤5:根据当前负荷数据和气象数据,采用步骤4训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测,对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
以12类总日负荷数据作为12个改进LSTM网络的输入,其它网络输入特征包括负荷电日期、负荷点时刻、每日时刻总数、负荷点星期、负荷点温度、负荷点降雨量以及预测点前一时刻的负荷值。利用输入数据进行负荷训练与预测,对每类数据按照8:2划分训练集与测试集。在建立改进LSTM网络结构后,可以通过观测训练时的损失值来衡量模型训练的效果。当所设参数能使每一类训练损失值达到收敛且趋于稳定,则为该类最佳参数,得到各类别LSTM网络预测性能如表1所示。由表1可知,由于各类群体自身特征不同,预测性能也各不相同。分析表格数据可知,12类数据均可达到最佳预测效果,每类损失值均能收敛且达到稳定。
表1各类改进LSTM结构参数与预测性能
将各类预测日结果累加,可得到最终总日负荷预测结果,图5所示为类1的训练和预测值。
分别对几个日期进行负荷预测,可得预测MAPE误差如表2所示。
表2预测模型MAPE误差
预测日 | MAPE百分比 |
12月1日 | 10.13 |
12月15日 | 7.23 |
12月31日 | 7.19 |
综上所述,本发明利用FCM模糊C均值聚类对一定数量的电动汽车日负荷进行聚类分析,得到不同相似日类型负荷;然后选取温度、降水量等影响负荷的气象因素和聚类后相似日负荷数据作为输入特征,基于改进LSTM神经网络对不同负荷类别的总日负荷分别进行训练网络参数,对各个类别总负荷进行预测;最后,根据预测结果分析该方法的有效性,并将各簇的预测负荷相加求得该数量电动汽车的负荷预测值。
1、本发明改进LSTM神经网络,将当前输入和上一时刻输出进行卷积运算,进一步挖掘其内在联系,此外还将输入门和遗忘门用交叉耦合的共享门代替,减少系统固有变量,有效降低网络训练时间。改进LSTM神经网络具有出色的特征学习能力,并且可以用较少的参数表示复杂的功能。
2、本发明中不同负荷相似日训练出的改进LSTM神经网络之间是独立的,各个网络的参数均不同,因此相对于现有的负荷预测技术,具有更好的稳定性和更高的效率。若采用单一改进LSTM网络的预测方法,其结果在数值上会比较准确,但预测值在时间上可能产生的明显滞后,而本发明的多网络方法的预测值在时间上可以更好地跟踪真实值。
3、本发明同时考虑相似日负荷数据以及天气数据中降水量、温度等影响因素,将其作为网络输入特征,进一步提高了负荷预测的可靠性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (12)
1.一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
所述方法包括以下步骤:
步骤1:针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据,并获取该时间段内的每日气象数据;
步骤2:建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类;
步骤3:将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
步骤4:从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,对改进LSTM神经网络进行训练,得到针对不同负荷相似日的训练后的LSTM神经网络;
步骤5:根据当前负荷数据和气象数据,采用步骤4训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测,对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
2.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
所述步骤1中的日负荷数据为对每辆电动汽车一日内每隔固定时间所统计的离散充电数据,所述气象数据包括温度和降水量。
3.根据权利要求2所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤1中,采集电动公交车的数据,时间段设定为31天,固定时间为30分钟。
4.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤2建立的FCM相似日聚类模型,聚类过程中,将关于同一聚类中心的距离和隶属度函数都为最小,类内距离最小,类间距离最大的日负荷数据作为同一相似日的日负荷。
7.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤4中,提取改进LSTM网络的输入特征,包括:负荷点日期、负荷点时刻、负荷点星期、每日时刻总数、负荷点温度、负荷点降雨量以及预测点前一时刻的负荷值。
8.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤4所述改进LSTM,其隐含层将上一时刻的输出和当前时刻输入进行卷积运算处理,以提取历史输出和当前输入的时序关联性特征;
同时增加上一时刻细胞状态作为输入,进一步选择保留和遗忘历史细胞状态中的信息,对细胞状态信息进行挖掘。
9.根据权利要求8所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤4所述改进LSTM神经网络还将LSTM中的输入门和遗忘门用交叉耦合的共享门代替实现网络训练时间改进。
10.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法,其特征在于:
步骤4中,对改进LSTM神经网络进行训练,通过观测训练时的损失值来衡量模型训练的效果,当所设参数能使每一类训练损失值达到收敛且趋于稳定,则为该类最佳参数,从而得到针对不同负荷相似日的训练后的改进LSTM神经网络。
12.一种实现权利要求1-11任意一项所述的基于FCM聚类和LSTM的电动汽车充电负荷预测方法的电动汽车充电负荷预测系统,其特征在于:
所述系统包括:
电动汽车历史日负荷采集模块,用于针对设定数量的电动汽车,采集设定历史时间段内的各电动汽车日负荷数据;
气象数据采集模块,用于获取设定时间内每日气象数据;
聚类分析模块,用于建立FCM相似日聚类模型,将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量,进行负荷相似日聚类,并将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和,得到该类别各个日期的总日负荷数据;
LSTM神经网络数据输入模块,用于从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征,并将其输入到改进LSTM神经网络;
LSTM神经网络数据训练模块,用于利用输入的总日负荷数据和气象数据训练改进的改进LSTM神经网络,得到针对不同负荷相似日的训练后的LSTM神经网络;
LSTM神经网络数据预测模块,用于根据当前负荷数据和气象数据,采用训练后的改进LSTM神经网络,对各负荷相似日所对应的电动汽车负荷分别进行预测;
电动汽车总预测负荷计算模块,用于对所有负荷相似日对应的电动汽车负荷预测值求和,得到总的电动汽车负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274352.2A CN113988426A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274352.2A CN113988426A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988426A true CN113988426A (zh) | 2022-01-28 |
Family
ID=79744613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274352.2A Pending CN113988426A (zh) | 2021-10-29 | 2021-10-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988426A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN115392387A (zh) * | 2022-09-01 | 2022-11-25 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
CN115481788A (zh) * | 2022-08-31 | 2022-12-16 | 北京建筑大学 | 相变储能系统负荷预测方法及系统 |
CN116384568A (zh) * | 2023-03-16 | 2023-07-04 | 南方科技大学 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
-
2021
- 2021-10-29 CN CN202111274352.2A patent/CN113988426A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN115481788A (zh) * | 2022-08-31 | 2022-12-16 | 北京建筑大学 | 相变储能系统负荷预测方法及系统 |
CN115481788B (zh) * | 2022-08-31 | 2023-08-25 | 北京建筑大学 | 相变储能系统负荷预测方法及系统 |
CN115392387A (zh) * | 2022-09-01 | 2022-11-25 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
CN115392387B (zh) * | 2022-09-01 | 2023-08-08 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
CN116384568A (zh) * | 2023-03-16 | 2023-07-04 | 南方科技大学 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
CN116384568B (zh) * | 2023-03-16 | 2024-01-30 | 南科智慧能源(深圳)有限公司 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
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 | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN110555989B (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN111160650B (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
Huang et al. | A novel hybrid approach based on dynamic adaptive variable-weight optimization for short-term wind speed prediction | |
CN117648631B (zh) | 一种电动汽车群组的动力电池健康状态估计方法 | |
CN117634931B (zh) | 一种考虑充电行为的电动汽车调节能力预测方法及系统 | |
CN111797981B (zh) | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 | |
CN115907235A (zh) | 基于模糊样本颗粒的光伏功率超短期非参数概率预测方法 |
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 |