CN114692956A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114692956A CN114692956A CN202210241319.8A CN202210241319A CN114692956A CN 114692956 A CN114692956 A CN 114692956A CN 202210241319 A CN202210241319 A CN 202210241319A CN 114692956 A CN114692956 A CN 114692956A
- Authority
- CN
- China
- Prior art keywords
- charging
- kernel
- load prediction
- learning machine
- layer
- 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 29
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007619 statistical method 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了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,包括:构建电动汽车充电负荷影响因素集合,并基于历史数据形成样本数据;对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;归一化获取到的充电站正常运行期间的历史数据集;对归一化后的充电站正常运行期间的历史数据集进行特征提取,得到特征数据;构建多层优化核极限学习机负荷预测模型;通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。本发明具有实时性较好、准确度较高等优点。
Description
技术领域
本发明涉及配电网的技术领域,尤其涉及到一种基于多层优化核极限学习机的充电设施负荷预测方法、系统、计算机及存储介质。
背景技术
作为应对能源危机与环境污染的有效手段之一,近年来电动汽车的保有量呈爆发式增长。近年来,电动汽车的制造技术不断提高,制造成本也不断降低,电动汽车的推广逐渐受到了政府的重视和民众的关注。随着电动汽车渗透率的不断提高,其充电和运行有可能为电力系统和交通系统的安全与经济带来负面的影响甚至挑战。因此,作为对充电站进行规划与调度的前提,需要对电动汽车充电设施接入配电网的负荷进行正确的预测,从而实现对充电设施接入配电网的影响评价和业扩评估。
传统的充电设施负荷预测方法有以下几种:①基于能量守恒原理进行负荷预测,将加油站的售油量等效变换为充电站的售电量,并采用等负荷距离法进行分配;②以出行链作为基本单元,利用时间、空间和电量等特征量来描述电动汽车的充电和运行状态,以得到充电设施负荷的时空分布;③基于充电设施的历史负荷数据,提取相关特征信息的概率密度函数,再利用蒙特卡洛法随机抽取进行模拟。
但上述传统充电设施负荷预测方法中,基于能量守恒原理的充电设施负荷预测方法未考虑到电动汽车和燃油汽车之间的差异性;以出行链作为基本单元的充电设施负荷预测方法需对研究区域内的所有电动汽车进行集中仿真模拟,处理规模庞大,实时性较差;统计方法得到的概率密度函数参数波动大,得到的充电设施负荷预测结果并不精确。
而且,传统的充电设施负荷预测方法存在一定的局限性,主要是所需要的电动用户的出行数据和充电偏好、交通网的拓扑结构和实时流量等收集比较困难,导致数据收集不完整,基于此得到的结果也并不可靠。
发明内容
本发明的目的在于克服现有技术的不足,提供一种实时性较好、准确度较高的基于多层优化核极限学习机的充电设施负荷预测方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于多层优化核极限学习机的充电设施负荷预测方法,包括:
构建电动汽车充电负荷影响因素集合,并基于历史数据形成样本数据;
对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
归一化获取到的充电站正常运行期间的历史数据集;
对归一化后的充电站正常运行期间的历史数据集进行特征提取,得到特征数据;
构建多层优化核极限学习机负荷预测模型;
通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;
通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。
进一步地,所述电动汽车充电负荷影响因素包括电动汽车历史充电数据、充电站交通流量、气象情况、电动汽车保有量、充电站周边基础设施情况;
其中,所述电动汽车历史充电数据包括每辆电动汽车的充电电量、充电时间、充电功率、电池容量;
所述气象情况包括温度、降水量、天气。
进一步地,进行特征提取包括:电动汽车充电负荷影响因素的时序变量组成二维向量,利用卷积核对二维向量进行卷积运算,得到特征映射向量,即特征数据。
进一步地,通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练具体包括:
A1、设置隐含层初始值n=0;
A2、n=n+1;
A3、通过编码器生成正交随机输入层权重和隐含层偏置,包括公式:
(1)式中:W、B和I分别表示输入权重矩阵、隐含层阈值矩阵和单位矩阵;
A4、通过解码器求解输出层权重β:
H=G(WX+B) (2)
(2)、(3)式中,H和X分别表示隐含层的输出矩阵和输入矩阵,G(·)表示激活函数,λ表示正则化系数;
A5、将输出层权重的转置作为原网络结构输入层权重,包括公式::
Hp=G((βp)THp-1) (4)
(4)式中,Hp表示第p层隐含层的输出矩阵,第p-1层隐含层的输出矩阵Hp-1作为第p层的输入;
A6、判断n是否少于N-1,若是,则返回步骤A2,否则,否则进入步骤A7;
A7、基于优化核极限学习机训练第N层核参数和正则化系数:
ΩELM=HHT (5)
ΩELM(i,j)=h(xi)·h(xj)=K(xi,xj) (6)
(5)-(8)式中,ΩELM表示核矩阵,ΩELM(i,j)表示核矩阵第i行第j列的元素,K(xi,xj)表示核函数,γ表示径向基函数核中的核参数,优化算法对参数λ和γ进行优化;
A8、对多层优化核极限学习机负荷预测模型进行测试,直至预测误差不再减小,训练结束。
进一步地,通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测包括:
输入充电负荷预测影响因素历史数据;
对输入的充电负荷预测影响因素历史数据进行归一化;
利用与训练相同的卷积核进行卷积运算,形成多层优化核极限学习机负荷预测模型的输入数据;
将经过卷积运算的输入数据输入已训练完成的多层优化核极限学习机负荷预测模型得到输出数据,即为充电设施负荷预测结果。
为实现上述目的,本发明另外提供一种基于多层优化核极限学习机的充电设施负荷预测系统,包括集合构建模块、数据库模块、数据清洗模块、归一化模块、特征提取模块、模型构建模块、模型训练模块、模型预测模块;
所述集合构建模块,用于构建电动汽车充电负荷影响因素集合;
所述数据库模块,用于储存历史数据形成的样本数据;
所述数据清洗模块,用于对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
所述归一化模块,用于归一化获取到的充电站正常运行期间的历史数据集;
所述特征提取模块,用于对归一化后的充电站正常运行期间的历史数据集进行特征提取;
所述模型构建模块,用于构建多层优化核极限学习机负荷预测模型;
所述模型训练模块,用于通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;
所述模型预测模块,用于通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。
为实现上述目的,本发明另外提供一种计算机,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,该处理器执行所述计算机程序时实现上述基于多层优化核极限学习机的充电设施负荷预测方法的步骤。
为实现上述目的,本发明另外提供一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现上述基于多层优化核极限学习机的充电设施负荷预测方法的步骤。
与现有技术相比,本技术方案原理及优点如下:
本技术方案基于充电设施的历史负荷数据,通过多层优化核极限学习机算法构建充电设施负荷预测模型,无需收集电动用户的出行数据和充电偏好、交通网的拓扑结构和实时流量等,在降低了数据收集的难度的同时,也增强了预测结果的可靠性,此外,该模型无需对研究区域内的所有电动汽车进行集中仿真模拟,处理规模较小,故实时性较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明一种基于多层优化核极限学习机的充电设施负荷预测方法中离线训练的原理流程图;
图2为本发明一种基于多层优化核极限学习机的充电设施负荷预测方法中在线预测的原理流程图;
图3为本发明一种基于多层优化核极限学习机的充电设施负荷预测系统的连接框图。
具体实施方式
下面结合具体实施方式对本发明作进一步说明:
本实施例所述的一种基于多层优化核极限学习机的充电设施负荷预测方法,包括离线训练和在线预测两部分;
如图1所示,离线训练包括以下步骤:
S1、构建电动汽车充电负荷影响因素集合,并基于历史数据形成样本数据;
电动汽车充电负荷影响因素包括电动汽车历史充电数据、充电站交通流量、气象情况、电动汽车保有量、充电站周边基础设施情况;
其中,所述电动汽车历史充电数据包括每辆电动汽车的充电电量、充电时间、充电功率、电池容量;
所述气象情况包括温度、降水量、天气。
S2、对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
S3、归一化获取到的充电站正常运行期间的历史数据集;
S4、对归一化后的充电站正常运行期间的历史数据集进行特征提取,得到特征数据;具体包括:
电动汽车充电负荷影响因素的时序变量组成二维向量,利用卷积核对二维向量进行卷积运算,得到特征映射向量。
S5、构建多层优化核极限学习机负荷预测模型;
S6、通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练,具体包括:
A1、设置隐含层初始值n=0;
A2、n=n+1;
A3、通过编码器生成正交随机输入层权重和隐含层偏置,包括公式:
(1)式中:W、B和I分别表示输入权重矩阵、隐含层阈值矩阵和单位矩阵;
A4、通过解码器求解输出层权重β:
H=G(WX+B) (2)
、(3)式中,H和X分别表示隐含层的输出矩阵和输入矩阵,G(·)表示激活函数,λ表示正则化系数;
A5、将输出层权重的转置作为原网络结构输入层权重,包括公式::
Hp=G((βp)THp-1) (4)
(4)式中,Hp表示第p层隐含层的输出矩阵,第p-1层隐含层的输出矩阵Hp-1作为第p层的输入;
A6、判断n是否少于N-1,若是,则返回步骤A2,否则,否则进入步骤A7;
A7、基于优化核极限学习机训练第N层核参数和正则化系数:
ΩELM=HHT (5)
ΩELM(i,j)=h(xi)·h(xj)=K(xi,xj) (6)
(5)-(8)式中,ΩELM表示核矩阵,ΩELM(i,j)表示核矩阵第i行第j列的元素,K(xi,xj)表示核函数,γ表示径向基函数核中的核参数,优化算法对参数λ和γ进行优化;
A8、对多层优化核极限学习机负荷预测模型进行测试,直至预测误差不再减小,训练结束。
如图2所示,在线预测为:
通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测,具体包括:
输入充电负荷预测影响因素历史数据;
对输入的充电负荷预测影响因素历史数据进行归一化;
利用与训练相同的卷积核进行卷积运算,形成多层优化核极限学习机负荷预测模型的输入数据;
将经过卷积运算的输入数据输入已训练完成的多层优化核极限学习机负荷预测模型得到输出数据,即为充电设施负荷预测结果。
本发明还另外提供一种基于多层优化核极限学习机的充电设施负荷预测系统,如图3所示,其包括集合构建模块、数据库模块、数据清洗模块、归一化模块、特征提取模块、模型构建模块、模型训练模块、模型预测模块;
所述集合构建模块,用于构建电动汽车充电负荷影响因素集合;
所述数据库模块,用于储存历史数据形成的样本数据;
所述数据清洗模块,用于对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
所述归一化模块,用于归一化获取到的充电站正常运行期间的历史数据集;
所述特征提取模块,用于对归一化后的充电站正常运行期间的历史数据集进行特征提取;
所述模型构建模块,用于构建多层优化核极限学习机负荷预测模型;
所述模型训练模块,用于通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;
所述模型预测模块,用于通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。
本发明还另外提供一种计算机,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计算机程序时实现实现上述基于多层优化核极限学习机的充电设施负荷预测方法的步骤。
本发明还另外提供一种存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现上述基于多层优化核极限学习机的充电设施负荷预测方法的步骤。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (8)
1.基于多层优化核极限学习机的充电设施负荷预测方法,其特征在于,包括:
构建电动汽车充电负荷影响因素集合,并基于历史数据形成样本数据;
对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
归一化获取到的充电站正常运行期间的历史数据集;
对归一化后的充电站正常运行期间的历史数据集进行特征提取,得到特征数据;
构建多层优化核极限学习机负荷预测模型;
通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;
通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。
2.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法,其特征在于,所述电动汽车充电负荷影响因素包括电动汽车历史充电数据、充电站交通流量、气象情况、电动汽车保有量、充电站周边基础设施情况;
其中,所述电动汽车历史充电数据包括每辆电动汽车的充电电量、充电时间、充电功率、电池容量;
所述气象情况包括温度、降水量、天气。
3.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法,其特征在于,进行特征提取包括:电动汽车充电负荷影响因素时序变量组成二维向量,利用卷积核对二维向量进行卷积运算,得到特征映射向量,即特征数据。
4.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法,其特征在于,通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练具体包括:
A1、设置隐含层初始值n=0;
A2、n=n+1;
A3、通过编码器生成正交随机输入层权重和隐含层偏置,包括公式:
(1)式中:W、B和I分别表示输入权重矩阵、隐含层阈值矩阵和单位矩阵;
A4、通过解码器求解输出层权重β:
H=G(WX+B) (2)
(2)、(3)式中,H和X分别表示隐含层的输出矩阵和输入矩阵,G(·)表示激活函数,λ表示正则化系数;
A5、将输出层权重的转置作为原网络结构输入层权重,包括公式::
Hp=G((βp)THp-1) (4)
(4)式中,Hp表示第p层隐含层的输出矩阵,第p-1层隐含层的输出矩阵Hp-1作为第p层的输入;
A6、判断n是否少于N-1,若是,则返回步骤A2,否则,否则进入步骤A7;
A7、基于优化核极限学习机训练第N层核参数和正则化系数:
ΩELM=HHT (5)
ΩELM(i,j)=h(xi)·h(xj)=K(xi,xj) (6)
(5)-(8)式中,ΩELM表示核矩阵,ΩELM(i,j)表示核矩阵第i行第j列的元素,K(xi,xj)表示核函数,γ表示径向基函数核中的核参数,优化算法对参数λ和γ进行优化;
A8、对多层优化核极限学习机负荷预测模型进行测试,直至预测误差不再减小,训练结束。
5.根据权利要求1所述的基于多层优化核极限学习机的充电设施负荷预测方法,其特征在于,通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测包括:
输入充电负荷预测影响因素历史数据;
对输入的充电负荷预测影响因素历史数据进行归一化;
利用与训练相同的卷积核进行卷积运算,形成多层优化核极限学习机负荷预测模型的输入数据;
将经过卷积运算的输入数据输入已训练完成的多层优化核极限学习机负荷预测模型得到输出数据,即为充电设施负荷预测结果。
6.基于多层优化核极限学习机的充电设施负荷预测系统,其特征在于,包括集合构建模块、数据库模块、数据清洗模块、归一化模块、特征提取模块、模型构建模块、模型训练模块、模型预测模块;
所述集合构建模块,用于构建电动汽车充电负荷影响因素集合;
所述数据库模块,用于储存历史数据形成的样本数据;
所述数据清洗模块,用于对样本数据中电动汽车充电站故障、充电站检修所带来的异常历史数据进行清洗,获取充电站正常运行期间的历史数据集;
所述归一化模块,用于归一化获取到的充电站正常运行期间的历史数据集;
所述特征提取模块,用于对归一化后的充电站正常运行期间的历史数据集进行特征提取;
所述模型构建模块,用于构建多层优化核极限学习机负荷预测模型;
所述模型训练模块,用于通过提取到的特征数据对多层优化核极限学习机负荷预测模型进行训练;
所述模型预测模块,用于通过训练完成的多层优化核极限学习机负荷预测模型进行充电设施负荷预测。
7.一种计算机,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计算机程序时实现权利要求1-5任意一项所述方法的步骤。
8.一种存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241319.8A CN114692956A (zh) | 2022-03-11 | 2022-03-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241319.8A CN114692956A (zh) | 2022-03-11 | 2022-03-11 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692956A true CN114692956A (zh) | 2022-07-01 |
Family
ID=82139697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210241319.8A Pending CN114692956A (zh) | 2022-03-11 | 2022-03-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692956A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
CN116187181A (zh) * | 2023-02-01 | 2023-05-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质 |
-
2022
- 2022-03-11 CN CN202210241319.8A patent/CN114692956A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
CN116187181A (zh) * | 2023-02-01 | 2023-05-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质 |
CN116187181B (zh) * | 2023-02-01 | 2024-03-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deep-learning-based probabilistic forecasting of electric vehicle charging load with a novel queuing model | |
WO2022077693A1 (zh) | 负荷预测模型的训练方法及训练装置、存储介质、设备 | |
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
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 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
CN115858609A (zh) | 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Tan et al. | Ultra-short-term wind power forecasting based on improved LSTM | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN111509782B (zh) | 考虑充电负荷与光伏出力随机特性的概率潮流分析方法 | |
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 | |
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 | |
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 | |
CN114444803A (zh) | 电动汽车充电站充电负荷预测方法、系统、终端及介质 | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting |
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 |