CN114444803A - 电动汽车充电站充电负荷预测方法、系统、终端及介质 - Google Patents
电动汽车充电站充电负荷预测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN114444803A CN114444803A CN202210113554.7A CN202210113554A CN114444803A CN 114444803 A CN114444803 A CN 114444803A CN 202210113554 A CN202210113554 A CN 202210113554A CN 114444803 A CN114444803 A CN 114444803A
- Authority
- CN
- China
- Prior art keywords
- regressor
- basic
- hyper
- data set
- charging
- 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
- 238000005457 optimization Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000010354 integration Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000013256 coordination polymer Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000013585 weight reducing agent Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000010792 warming 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种电动汽车充电站充电负荷预测方法及系统，首先构建充电负荷原始数据集，利用LGBM框架生成基础回归器群，使用TPE算法在MongDB空间搜索超参数进行优化，使用Adaboost结构对基础回归器群进行串行优化构成最终充电负荷预测模型，最终充电负荷预测模型可以预测超短期尺度内的充电负荷，得到的充电负荷预测曲线更负荷实际情况。同时提供了一种相应的终端及介质。本发明基于集成学习，对涉及充电站充电负荷的数据进行学习生成模型，该模型可以输出超短期时间尺度内的预测充电值，从而得出未来充电站的充电负荷曲线，为充电站的选址、扩容、运营和调控提供决策基础。
Description
技术领域
本发明涉及电动汽车充电站充电负荷预测技术领域，具体地，涉及一种基于集成学习的电动汽车充电站充电负荷预测方法、系统、终端及介质。
背景技术
化石资源的有限供应、空气污染、气候变化和全球变暖促使未来的交通系统采用更高效和可持续的方法。电动汽车(EV)的出现被认为是通过减少对石油的依赖和随之而来的空气污染来维持城市交通的有效替代品。电动汽车凭借着其使用电池、超级电容器和燃料电池作为能源，不依赖化石燃料，也不排放污染气体的优点在总体市场的占有率大幅度提高。根据国际能源机构(IEA)的一份报告，在其可持续发展情景下，全球电动汽车库存预计将在2030年达到2.5亿辆。
电动汽车充电功率具有不确定性、时变性；充电时间具有高随机性、时段聚集性。电动汽车用户的充电行为给电网的安全运维、实时调度带来了挑战。精确的电动汽车充电站充电负荷预测是提高充电站安全、经济运行的重要措施，也是支撑充电基础设施新建、扩容规划决策的重要基础。国内外专家学者对电动汽车充电负荷预测做了大量研究，主要有以下方法。基于CGAN对抗学习复杂的非线性数据之间的联系，减少了特征值的偏差提高了预测精度，但训练数据仅包含单一类型数据，缺少泛化能力。基于降噪自编码器、奇异谱分析和长短期记忆神经网络构建综合电力预测模型，降低了噪声干扰提高了预测精度，但模型较为复杂对平台计算资源有较高要求。基于BP-ANN神经网络提取数据特征向量，CNN神经网络提取图像特征，通过多层BP-ANN神经网络进行短期预测，但模型训练时间过长，难以部署。基于改进的随机森林与密度聚类组合，通过叠加各分量预测值来获取负荷预测值，但模型构建复杂，泛化能力较低。基于道路模型，通过Dijkstra路径寻优算法在出行链上预测EV充电负荷概率密度函数，但时间尺度长，无法面对超短期的负荷预测。
发明内容
本发明针对现有技术中存在的上述不足，提供了一种基于集成学习的电动汽车充电站充电负荷预测方法、系统、终端及介质，尤其适用于为一个运营中的充电站提供超短期(即控制尺度在一小时以内)充电符合预测。
根据本发明的一个方面，提供了一种电动汽车充电站充电负荷预测方法，包括：
构建充电站充电负荷原始数据集，并将所述原始数据集划分不同的权值，作为输入数据集；
采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
利用所述充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的预测。
可选地，所述构建充电站充电负荷原始数据集，包括：
将实际负荷数据、负荷影响条件数据和随机噪声数据进行数据插补、变量转换和增加扰动的操作，构建得到原始数据集。
可选地，所述原始数据集包括：
作为实际负荷数据的历史负荷数据Te；
作为负荷影响条件数据的充电时间T、连接时间Tc、充电功率P、最大功率MP、起始充电时间Ts、截止充电时间Tp、汽车识别码Tr、充电桩编码CP、气象条件数值和节假日数值。
可选地，所述采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，包括：
选择LGBM框架对所述输入数据集进行基础回归器的生成；
对每一个基所述础回归器构建MongoDB结构的超参数空间；
使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化。
可选地，所述选择LGBM框架对所述输入数据集进行基础回归器的生成，包括：
选择LGBM框架，以所述输入数据集作为输入，根据所述LGBM框架对所述输入数据集进行学习，得到多个基础回归器，用于生成基础回归器群；
根据方差增益确定所述输入数据集的分割点
式中：n为训练数据集中特征的数量，j为算法中选择到的特征，xi为数据的输入空间，d为数据的分割点，Al为梯度表现更大的一部分训练数据，Bl为Al剩余部分抽样构建的数据集，gi为梯度空间，a为Al和Ar剩余部分中抽取的较小的部分，b为Al和Ar剩余部分中抽取的较大的部分，
为在分割点d上l部分抽取的梯度中的特征，Ar为Al剩余梯度表现更小的部分，Br为Ar剩余部分抽样构建的数据集，
为在分割点d上r部分抽取的梯度中的特征；
得到基础回归器的近似误差ε(d)为：
式中：Ca,b为归一化后的gi梯度空间中最大的数据点，δ为数据点选择的概率，D为分割点d上最大的梯度值；
所述对每一个所述基础回归器构建MongoDB结构的超参数空间，使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化，包括：
对于生成的初始基础回归器群，选取其学习率、生长最大深度、迭代次数、叶片节点个数、缩分实例、L1正则化和L2正则化参数作为超参数的构建类别；基于MongoDB架构，构建MongoDB结构的超参数搜索空间；
基于所述超参数搜索空间，采用TPE算法获得满足条件的超参数进行并行优化；使用同一类超参数中较低的数值和较高的数值同时构建模型，使用损失函数SMAPE分别评价模型的性能，其中，所述损失函数SMAPE表示如下：
式中：n为基础回归器的最大数目，At为生成模型的现有性能，Ft为模型的预计性能；
计算超参数构建的模型的SMAPE值，选择SMAPE值大于所有基础回归器SMAPE的2分之1分位数的超参数组用于下一轮迭代，不断选择超参数进行建立-评价-优化的过程后，输出具有最优选择超参数组合的经过优化后的基础回归器群。
可选地，所述选取所述基础回归器群中损失函数SMAPE表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，包括：
使用Adaboost算法选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；
对于所述集成的回归器模型，选择基础回归器数量、基础回归器的权重缩减系数和误差函数类型作为超参数的构建类型，基于MongoDB架构，构建MongoDB结构的用于存放超参数取值的空间；使用TPE算法获得满足条件的超参数作为选定的超参数并进行并行优化。
可选地，所述使用Adaboost算法选取所述基础回归器群中损失函数SMAPE表现最大的基础回归器群进行串行集成，包括：
对所述基础回归器群计算其中每一个基础回归器的加权回归误差率∈m：
式中，Gm(xi)为任意抽取的基础回归器，
为某个基础回归器的初始权值；yi为预测的实际结果，II为指示函数，当括号里的式子为真时，整个式子值为1，括号里的式子为假时，整个式子值为0，N为基础回归器的最大数目；
对所述基础回归群计算任意抽取的基础回归器Gm(xi)在最终回归器中的权重系数αm：
根据所述加权回归误差率∈m更改所述权重系数αm，更新所述输入数据集的权值分布，得到数据集的新的权值分布，用于下一轮迭代；
经过上述步骤，完成对所述基础回归器群的串行集成。
根据本发明的第二个方面，提供了一种电动汽车充电站充电负荷预测系统，包括：
输入数据集构建模块，该模块构建充电站充电负荷原始数据集，并将所述原始数据集划分不同的权值，作为输入数据集；
基础回归器群构建模块，该模块采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
充电负荷预测模型构建模块，选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
超短期预测模块，该模块利用所述充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的超短期预测。
根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。
根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。
由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：
本发明提供的电动汽车充电站充电负荷预测方法、系统、终端及介质，基于集成思想，首先构建充电负荷原始数据集，利用LGBM框架生成基础回归器群，使用TPE算法在MongDB空间搜索超参数进行优化，使用Adaboost结构对基础回归器群进行串行优化构成最终充电负荷预测模型，最终充电负荷预测模型可以预测超短期尺度内的充电负荷，得到的充电负荷预测曲线更负荷实际情况。
本发明提供的电动汽车充电站充电负荷预测方法、系统、终端及介质，克服了超短期充电负荷预测问题数据的大体量、高时效、高计算资源的难题，基于集成学习，对涉及充电站充电负荷的数据进行学习生成模型，该模型可以输出超短期时间尺度内的预测充电值，从而得出未来充电站的充电负荷曲线，为充电站的选址、扩容、运营和调控提供决策基础。
本发明提供的电动汽车充电站充电负荷预测方法、系统、终端及介质，在第一层通过LGBM算法学习原始数据集，进行基础回归器群的构建；在第二层以Adaboost模式对第一步的基础回归器群进行串行构建，最终集成为一个充电负荷预测模型。
本发明提供的电动汽车充电站充电负荷预测方法、系统、终端及介质，预测区域内电动车充电负荷数值的时间尺度可以极低，进而实现超短期尺度的充电负荷预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中电动汽车充电站充电负荷预测方法的工作流程图。
图2为本发明一优选实施例中用于存储超参数建立的超参数空间结构。
图3为本发明一优选实施例中电动汽车充电站充电负荷预测方法的工作示意图。
图4为本发明一实施例中电动汽车充电站充电负荷预测系统的组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
图1为本发明一实施例提供的电动汽车充电站充电负荷预测方法的工作流程图。
如图1所示，该实施例提供的电动汽车充电站充电负荷预测方法，可以包括如下步骤：
S100，构建充电站充电负荷原始数据集，并将原始数据集划分不同的权值，作为输入数据集；
S200，采用输入数据集生成基础回归器，并对基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
S300，选取基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
S400，利用充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的预测。
在该实施例的S100中，作为一优选实施例，构建充电站充电负荷原始数据集，可以包括如下步骤：
将实际负荷数据、负荷影响条件数据和随机噪声数据进行数据插补、变量转换和增加扰动的操作，构建得到原始数据集。
在该实施例的S100中，作为一优选实施例，原始数据集包括：
作为实际负荷数据的历史负荷数据Te；
作为负荷影响条件数据的充电时间T、连接时间Tc、充电功率P、最大功率MP、起始充电时间Ts、截止充电时间Tp、汽车识别码Tr、充电桩编码CP、气象条件数值和节假日数值。
在该实施例的S200中，作为一优选实施例，采用输入数据集生成基础回归器，并对基础回归器构建超参数空间，对选定的超参数进行并行优化，可以包括如下步骤：
S201，选择LGBM框架对输入数据集进行基础回归器的生成；
S202，对每一个基础回归器构建MongoDB结构的超参数空间；
S203，使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化。
在该实施例的S201中，作为一优选实施例，选择LGBM框架对输入数据集进行基础回归器的生成，可以包括如下步骤：
S2011，选择LGBM框架，以输入数据集作为输入，根据LGBM框架对输入数据集进行学习，得到多个基础回归器，用于生成基础回归器群；
S2012，根据方差增益确定输入数据集的分割点
式中：n为训练数据集中特征的数量，j为算法中选择到的特征，xi为数据的输入空间，d为数据的分割点，Al为梯度表现更大的一部分训练数据，Bl为Al剩余部分抽样构建的数据集，gi为梯度空间，a为Al和Ar剩余部分中抽取的较小的部分，b为Al和Ar剩余部分中抽取的较大的部分，
为在分割点d上l部分抽取的梯度中的特征，Ar为Al剩余梯度表现更小的部分，Br为Ar剩余部分抽样构建的数据集，
为在分割点d上r部分抽取的梯度中的特征；
S2013，得到基础回归器的近似误差为：
式中：Ca,b为归一化后的gi梯度空间中最大的数据点，δ为数据点选择的概率，D为分割点d上最大的梯度值；
在该实施例的S202和S203中，作为一优选实施例，对每一个基础回归器构建MongoDB结构的超参数空间，使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化，可以包括如下步骤：
对于生成的初始基础回归器群，选取其学习率、生长最大深度、迭代次数、叶片节点个数、缩分实例、L1正则化和L2正则化参数作为超参数的构建类别；基于MongoDB架构，构建MongoDB结构的超参数搜索空间；
基于超参数搜索空间，采用TPE算法获得满足条件的超参数进行并行优化；使用同一类超参数中较低的数值和较高的数值同时构建模型，使用损失函数SMAPE分别评价模型的性能，其中，损失函数SMAPE表示如下：
式中：n为基础回归器的最大数目，At为生成模型的现有性能，Ft为模型的预计性能；
计算超参数构建的模型的SMAPE值，选择SMAPE值大于所有基础回归器SMAPE的2分之1分位数的超参数组用于下一轮迭代，不断选择超参数进行建立-评价-优化的过程后，输出具有最优选择超参数组合的经过优化后的基础回归器群。
进一步地，在一具体应用实例中，基于MongoDB架构，构建MongoDB结构的超参数搜索空间，包括如下步骤：
对于学习率取值范围为0.05-0.1，生长最大深度为3-5，迭代次数为100-1000，叶片节点个数为7-9，缩分实例为0.7-1.0、L1正则化为0-1000、L2正则化为0-1000；
每个类别的超参数的取值从小到大有序排练在MongDB的数据存储部分，对于数值在100以下的取值存储在低数值部分，100以上的取值存储在高数值部分；
在MongoDB的架构管理中首先对所有取值数据进行备份并进行自动拆分；
接下来对所有数据超参数构建类地图的索引，给每一个取值进行编号；借鉴MongoDB的结构具有4种操作特性，1)动态查询：考虑可以利用的索引，直接从缓存中读取内容和数据的增删查改；2)索引：在MongoDB类结构中为每一条数据创建了一个id的编号，作为最基本的索引；3)地理位置索引：可以根据距离等位置相关属性来做为索引编号；4)预查询：在真正搜索一个数据前，测试搜索操作的耗时，作为数据库搜索效率的检测；
以此构建MongoDB结构的超参数搜索空间。
在该实施例的S300中，作为一优选实施例，选取基础回归器群中损失函数SMAPE表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对回归器模型构建超参数空间，并对选定的超参数进行并行优化，可以包括如下步骤：
S301，使用Adaboost算法选取基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；
S302，对于集成的回归器模型，选择基础回归器数量、基础回归器的权重缩减系数和误差函数类型作为超参数的构建类型，基于MongoDB架构，构建MongoDB结构的用于存放超参数取值的空间；使用TPE算法获得满足条件的超参数作为选定的超参数并进行并行优化。
进一步地，在一具体应用实例中，基于MongoDB架构，构建MongoDB结构的用于存放超参数取值的空间的方法中，基础回归器数量设置为50-100，基础回归器的权重缩减系数为0-1，误差函数类型为线性、平方和指数三种。该方法中所采用的架构和结构与构建MongoDB结构的超参数搜索空间中的架构和结构相同，此处不再赘述。
在该实施例的S301中，作为一优选实施例，使用Adaboost结构选取基础回归器群中损失函数表现最大的基础回归器群进行串行集成，可以包括如下步骤：
S3011，对基础回归器群计算其中每一个基础回归器的加权回归误差率∈m：
式中，Gm(xi)为任意抽取的基础回归器，
为某个基础回归器的初始权值；yi为预测的实际结果，II为指示函数，当括号里的式子为真时，整个式子值为1，括号里的式子为假时，整个式子值为0，N为基础回归器的最大数目；
S3012，对基础回归群计算任意抽取的基础回归器Gm(xi)在最终回归器中的权重系数αm：
S3013，根据加权回归误差率∈m更改权重系数αm，更新输入数据集的权值分布，得到数据集的新的权值分布，用于下一轮迭代。
经过上述步骤，完成对基础回归器群的串行集成。
下面结合附图，对本发明上述实施例所提供的技术方案作进一步详细说明如下。
图2为基于MongoDB格式构建的超参数空间结构示意图。MongoDB为分布式存储格式，如图2所示，本发明上述实施例采用MongoDB格式构建超参数空间，不用每次只验证一种超参数组合，可以将所有超参数的组合采用MongoDB格式存放，使得这些组合不容易丢失，也更容易寻找。
图3为本发明一优选实施例提供的电动汽车充电站充电负荷预测方法的工作示意图。
如图3所示，该优选实施例提供的电动汽车充电站充电负荷预测方法，选取充电站充电负荷为训练主体，选取荷兰某新能源充电站作为负荷预测区域，该区域中包含居民区、商业写字楼以及商城，流动车辆众多，并且包含四类电动汽车充电集群。该电动汽车充电站充电负荷预测方法，基于集成学习实现，包括如下步骤：
一、数据集构建
首先构建充电站充电负荷原始数据集，将实际负荷数据、负荷影响条件数据和随机噪声数据进行数据插补、变量转换和增加扰动的操作构建为原始数据集，将原始数据集划分不同的权值作为下一层的输入。
二、生成基础回归器
选择LGBM框架对步骤一中划分好原始权值的原始数据集进行基础回归器的生成，对每个基础回归器构建MongoDB结构的超参数空间，使用TPE算法寻找合适的超参数即可进行并行优化。
三、基础回归器群串行集成
利用Adaboost结构选取生成完成的基础回归器群中损失函数表现最大的基础回归器群进行串行集成，将最后优化集成的模型同样构建MongoDB结构的超参数空间，使用TPE算法寻找合适的超参数进行并行优化。
四、输出电动汽车充电站负荷预测值
最终集成优化完的模型可以生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的超短期预测。
在该优选实施例中，步骤一中，原始数据集包括历史负荷数据Te、充电时间T、连接时间Tc、充电功率P、最大功率MP、起始充电时间Ts、截止充电时间Tp、汽车识别码Tr、充电桩编码CP、气象条件数值和节假日数值。
随机噪声数据在实验中随机加入。在该优选实施例中，步骤二中，生成基础回归器的过程如下：
2.1，以步骤一中划分好原始权值的数据集为输入，根据LGBM框架对数据集进行学习，得到数个基础回归器。根据方差增益确定训练数据的分割点，其公式为：
式中：n为训练数据集中特征的数量，j为算法中选择到的特征，xi为数据的输入空间，d为数据的分割点，Al为梯度表现更大的一部分训练数据，Bl为Al剩余部分抽样构建的数据集，gi为梯度空间，a为Al和Ar剩余部分中抽取的较小的部分，b为Al和Ar剩余部分中抽取的较大的部分，
为在分割点d上l部分抽取的梯度中的特征，Ar为Al剩余梯度表现更小的部分，Br为Ar剩余部分抽样构建的数据集，
为在分割点d上r部分抽取的梯度中的特征；
分割点用于最后在全局直方图中找出最佳划分点。
对于特征j，决策树算法选择
并计算最大增益Vj(d)。然后根据特征j*在点
将数据分割为左右子节点。根据训练数据的梯度绝对值降序排列；并保留头部部分的a×100％的数据和较大的梯度，并得到一个数据子集A；然后，对于剩余的Ac集，由(1-a)×100％的具有较小梯度的数据组成，之后进一步随机抽样一个大小为b×|Ac|的子集B；最后，根据估计的方差增益Vj(d)在子集A∪B上分割数据。
用于将B上的梯度和归一化回Ac的大小。
基础回归器的近似误差为：
进一步地：
式中：Ca,b为归一化后的gi梯度空间中最大的数据点，δ为数据点选择的概率，D为分割点d上最大的梯度值；
2.2，对于生成的基础回归器群框架选取生长最大深度、叶片节点个数、缩分实例、随机部分特征、L1正则化、L2正则化等参数以MongoDB模式构建参数搜索空间，选择TPE算法进行并行优化，输出具有最优选择超参数组合的经过优化后的基础回归器群。
在该优选实施例中，步骤三中，以Adaboost结构将基础回归器群以串行方式优化集成，其中集成过程如下：
3.1，对步骤二中生成的基础回归群计算其中每一个基础回归器的加权回归误差率∈m，其计算公式为：
其中，Gm(xi)为任意抽取的基础回归器，
为某个基础回归器的初始权值。
3.2，对步骤二中生成的基础回归群计算Gm(x)在最终回归器中的权重系数αm，其计算公式为：
根据回归误差率更改权重系数，更新训练数据集的权值分布，得到样本的新的权值分布，用于下一轮迭代。
基础回归器群易受到偏差-方差权衡的影响，而使用Adaboost算法进行集成，可以在维持模型方差和偏差平衡时增加模型的预测能力，避免因单一模型过于依赖于训练集使得在测试集与真实预测时产生回归精度降低，结果失真等问题，最终得到更强更好的模型。
在该优选实施例中，步骤三中集成学习的方式根据R2性能的强弱进行选取，其中，在选择了基础回归器后，将基础回归器集成的方式有4种：Boosting、Bagging、Blending和Stacking，通过对比，选择表现最好的Boosting大类的Adaboost来集成所有基础回归器。
在该优选实施例中，步骤四中，是否满足充电负荷预测模型由以下两个部分集成进行判断：
4.1，通过LGBM算法学习原始数据集，生成基础回归器构建为基础回归器群。
4.2，以Adaboost模式对第一步的基础回归器群进行串行集成，对最终集成的模型进行超参数调整优化后生成为最终的充电负荷预测模型。
在该优选实施例中，步骤四中，预测区域内对电动车汽车充电负荷进行预测的时间尺度极低，属于超短期尺度。
在该优选实施例中，步骤四中，输出预测值的时间尺度可控，可以根据模型输出未来一小时、一天等时间尺度的预测负荷曲线。
图4为本发明一实施例提供的电动汽车充电站超短期充电负荷预测系统的组成模块示意图。
如图4所示，该实施例提供的电动汽车充电站超短期充电负荷预测系统，可以包括如下模块：
输入数据集构建模块，该模块构建充电站充电负荷原始数据集，并将原始数据集划分不同的权值，作为输入数据集；
基础回归器群构建模块，该模块采用输入数据集生成基础回归器，并对基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
充电负荷预测模型构建模块，选取基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
超短期预测模块，该模块利用充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的超短期预测。
需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照方法的技术方案实现系统的组成，即，方法中的实施例可理解为构建系统的优选例，在此不予赘述。
本发明一实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时可用于执行本发明上述实施例中任一项的方法，或，运行本发明上述实施例中任一项的系统。
本发明一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行本发明上述实施例中任一项的方法，或，运行本发明上述实施例中任一项的系统。
在上述两个实施例中，可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic RandomAccess Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
本发明上述实施例提供的电动汽车充电站充电负荷预测方法、系统、终端及介质，基于集成学习，首先将涉及充电站负荷的实际负荷数据、影响条件数据、随机噪声数据合并构建原始数据集，然后利用LGBM生成基础回归器群，采用Adaboost结构对基础回归器群进行串行集成预测模型，使用TPE算法在MongoDB结构的超参数空间对模型进行优化，最终集成模型对充电负荷进行超短期预测。可以输出超短期时间尺度内的预测充电值，从而得出未来充电站的充电负荷曲线，为充电站的选址、扩容、运营和调控提供决策基础。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明上述实施例中未尽事宜均为本领域公知技术。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (10)
1.一种电动汽车充电站充电负荷预测方法，其特征在于，包括：
构建充电站充电负荷原始数据集，并将所述原始数据集划分不同的权值，作为输入数据集；
采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
利用所述充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的预测。
2.根据权利要求1所述的电动汽车充电站充电负荷预测方法，其特征在于，所述构建充电站充电负荷原始数据集，包括：
将实际负荷数据、负荷影响条件数据和随机噪声数据进行数据插补、变量转换和增加扰动的操作，构建得到原始数据集。
3.根据权利要求2所述的电动汽车充电站充电负荷预测方法，其特征在于，所述原始数据集包括：
作为实际负荷数据的历史负荷数据Te；
作为负荷影响条件数据的充电时间T、连接时间Tc、充电功率P、最大功率MP、起始充电时间Ts、截止充电时间Tp、汽车识别码Tr、充电桩编码CP、气象条件数值和节假日数值。
4.根据权利要求1所述的电动汽车充电站充电负荷预测方法，其特征在于，所述采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，包括：
选择LGBM框架对所述输入数据集进行基础回归器的生成；
对每一个基所述础回归器构建MongoDB结构的超参数空间；
使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化。
5.根据权利要求4所述的电动汽车充电站充电负荷预测方法，其特征在于，所述选择LGBM框架对所述输入数据集进行基础回归器的生成，包括：
选择LGBM框架，以所述输入数据集作为输入，根据所述LGBM框架对所述输入数据集进行学习，得到多个基础回归器，用于生成基础回归器群；
根据方差增益确定所述输入数据集的分割点
式中：n为训练数据集中特征的数量，j为算法中选择到的特征，xi为数据的输入空间，d为数据的分割点，Al为梯度表现更大的一部分训练数据，Bl为Al剩余部分抽样构建的数据集，gi为梯度空间，a为Al和Ar剩余部分中抽取的较小的部分，b为Al和Ar剩余部分中抽取的较大的部分，
为在分割点d上l部分抽取的梯度中的特征，Ar为Al剩余梯度表现更小的部分，Br为Ar剩余部分抽样构建的数据集，
为在分割点d上r部分抽取的梯度中的特征；
得到基础回归器的近似误差ε(d)为：
式中：Ca，b为归一化后的gi梯度空间中最大的数据点，δ为数据点选择的概率，D为分割点d上最大的梯度值；
所述对每一个所述基础回归器构建MongoDB结构的超参数空间，使用TPE算法寻找合适的超参数作为选定的超参数进行并行优化，包括：
对于生成的初始基础回归器群，选取其学习率、生长最大深度、迭代次数、叶片节点个数、缩分实例、L1正则化和L2正则化参数作为超参数的构建类别；基于MongoDB架构，构建MongoDB结构的超参数搜索空间；
基于所述超参数搜索空间，采用TPE算法获得满足条件的超参数进行并行优化；使用同一类超参数中较低的数值和较高的数值同时构建模型，使用损失函数SMAPE分别评价模型的性能，其中，所述损失函数SMAPE表示如下：
式中：n为基础回归器的最大数目，At为生成模型的现有性能，Ft为模型的预计性能；
计算超参数构建的模型的SMAPE值，选择SMAPE值大于所有基础回归器SMAPE的2分之1分位数的超参数组用于下一轮迭代，不断选择超参数进行建立、评价和优化的过程后，输出具有最优选择超参数组合的经过优化后的基础回归器群。
6.根据权利要求1所述的电动汽车充电站充电负荷预测方法，其特征在于，所述选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，包括：
使用Adaboost算法选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；
对于所述集成的回归器模型，选择基础回归器数量、基础回归器的权重缩减系数和误差函数类型作为超参数的构建类型，基于MongoDB架构，构建MongoDB结构的用于存放超参数取值的空间；使用TPE算法获得满足条件的超参数作为选定的超参数并进行并行优化。
7.根据权利要求6所述的电动汽车充电站充电负荷预测方法，其特征在于，所述使用Adaboost算法选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，包括：
对所述基础回归器群计算其中每一个基础回归器的加权回归误差率∈m：
式中，Gm(xi)为任意抽取的基础回归器，
为某个基础回归器的初始权值；yi为预测的实际结果，
为指示函数，当括号里的式子为真时，整个式子值为1，括号里的式子为假时，整个式子值为0，N为基础回归器的最大数目；
对所述基础回归群计算任意抽取的基础回归器Gm(xi)在最终回归器中的权重系数αm：
根据所述加权回归误差率∈m更改所述权重系数αm，更新所述输入数据集的权值分布，得到数据集的新的权值分布，用于下一轮迭代；
经过上述步骤，完成对所述基础回归器群的串行集成。
8.一种电动汽车充电站充电负荷预测系统，其特征在于，包括：
输入数据集构建模块，该模块构建充电站充电负荷原始数据集，并将所述原始数据集划分不同的权值，作为输入数据集；
基础回归器群构建模块，该模块采用所述输入数据集生成基础回归器，并对所述基础回归器构建超参数空间，对选定的超参数进行并行优化，获得基础回归器群；
充电负荷预测模型构建模块，选取所述基础回归器群中损失函数表现最大的基础回归器群进行串行集成，得到集成的回归器模型；对所述回归器模型构建超参数空间，并对选定的超参数进行并行优化，得到充电负荷预测模型；
超短期预测模块，该模块利用所述充电负荷预测模型生成给定时间尺度下的未来的充电负荷预测值，进行充电站充电负荷的超短期预测。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210113554.7A CN114444803A (zh) | 2022-01-30 | 2022-01-30 | 电动汽车充电站充电负荷预测方法、系统、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210113554.7A CN114444803A (zh) | 2022-01-30 | 2022-01-30 | 电动汽车充电站充电负荷预测方法、系统、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444803A true CN114444803A (zh) | 2022-05-06 |
Family
ID=81371131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210113554.7A Pending CN114444803A (zh) | 2022-01-30 | 2022-01-30 | 电动汽车充电站充电负荷预测方法、系统、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444803A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
| CN118504792A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司济宁供电公司 | 外生变量深度融合的充电站集群负荷预测方法及系统 |
| CN118504792B (zh) * | 2024-07-18 | 2024-10-18 | 国网山东省电力公司济宁供电公司 | 外生变量深度融合的充电站集群负荷预测方法及系统 |
-
2022
- 2022-01-30 CN CN202210113554.7A patent/CN114444803A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307647A (zh) * | 2023-05-24 | 2023-06-23 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
| CN116307647B (zh) * | 2023-05-24 | 2023-08-15 | 国网山西省电力公司太原供电公司 | 电动汽车充电站选址定容优化方法、装置及存储介质 |
| CN118504792A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司济宁供电公司 | 外生变量深度融合的充电站集群负荷预测方法及系统 |
| CN118504792B (zh) * | 2024-07-18 | 2024-10-18 | 国网山东省电力公司济宁供电公司 | 外生变量深度融合的充电站集群负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
| Lu et al. | US natural gas consumption prediction using an improved kernel-based nonlinear extension of the Arps decline model | |
| 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 | |
| CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
| CN109508826B (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
| CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
| CN106570250A (zh) | 面向电力大数据的微电网短期负荷预测方法 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
| CN117994986B (zh) | 一种基于智能优化算法的交通车流量预测优化方法 | |
| CN114692956A (zh) | 基于多层优化核极限学习机的充电设施负荷预测方法及系统 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| 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 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN114444803A (zh) | 电动汽车充电站充电负荷预测方法、系统、终端及介质 | |
| CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN111898822A (zh) | 基于多相关日场景生成的充电负荷区间预测方法 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| Cheng et al. | Reactive Power Load Forecasting based on K-means Clustering and Random Forest Algorithm | |
| CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
| Ferrara et al. | A simulation tool for energy management of e-mobility in urban areas | |
| Li et al. | A Short-Term Load Forecasting Method via Model Selection Based on Random Forest |
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 |