CN115204512B - 多场景下基于数据驱动的车辆充电行为预测模型构建方法 - Google Patents
多场景下基于数据驱动的车辆充电行为预测模型构建方法 Download PDFInfo
- Publication number
- CN115204512B CN115204512B CN202210902190.0A CN202210902190A CN115204512B CN 115204512 B CN115204512 B CN 115204512B CN 202210902190 A CN202210902190 A CN 202210902190A CN 115204512 B CN115204512 B CN 115204512B
- Authority
- CN
- China
- Prior art keywords
- charging
- user
- dispersion
- data
- prediction model
- 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
- 238000010276 construction Methods 0.000 title claims description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000007774 longterm Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 68
- 239000006185 dispersion Substances 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000001788 irregular Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了多场景下基于数据驱动的车辆充电行为预测模型构建方法;包括如下步骤:S1、获取电动汽车公司充电数据,并进行预处理;S2、获取所需用户ID并提取该用户所有的历史充电数据;S3、判断充电要素是否集中,若集中,则转入S4,否则结束本次控制;S4、创建充电要素数据集;S5、利用要素数据集构建多维充电场景,并创建模型训练数据集;S6、通过基于随机森林的行为预测模型训练并测试数据集,计算测试集的误差大小,若过大,则转入S6重新训练,否则转入S7;S7、预测长短期内用户充电行为,得到预测结果,并结束本次控制。本发明能够为电动汽车充电提供预测信息,为后续一桩多充的功率分配提供基础。
Description
技术领域
本发明涉及电动汽车充电技术领域,特别涉及一种多场景下基于数据驱动的车辆充电行为预测模型构建方法。
背景技术
由于电动汽车数量的飞速增长,充电难题随之而来。电动汽车的充电负荷增大,充电效率不足,充电桩利用率不足等问题日益凸显。因此,如何利用一系列方法来研究不同车辆的充电功率合理分配等关键性问题,已成为大家关注的焦点。
现有电动汽车充电桩功率分配仅依靠电网负荷需求响应来硬性调节,调节的大小仅根据电网侧的要求来,在未来环境下,电动汽车数量增多,充电桩的动态调节一点是更合理的,更人性化的。在此前提下,需要提前知晓电动汽车的充电习惯,为后续的充电规划做好准备。
发明内容
本发明针对现有技术中的不足,提供一一种多场景下基于数据驱动的车辆充电行为预测模型构建方法;以解决现有技术存在的上述问题。
为实现上述目的,本发明采用以下技术方案:
一种多场景下基于数据驱动的车辆充电行为预测模型构建方法,包括以下步骤:
S1:获取电动汽车公司充电数据,并进行预处理;
S2:获取所需用户ID并提取该用户所有的历史充电数据;
S3、判断充电要素是否集中,若集中,则转入步骤S4,否则结束该用户的车辆充电行为预测模型构建;
S4、创建充电要素数据集;
S5、利用充电要素数据集的内容构建多维充电场景集,并将多维充电场景集作为车辆充电行为预测模型的数据集;
S6、构建车辆充电行为预测模型,并通过步骤S5的数据集进行训练和测试;
S7、根据处理后的车辆充电行为预测模型预测长短期内用户充电行为,得到预测结果。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中所述预处理的具体内容为:
获取各个充电站电动汽车充电实时数据,将数据中扰乱的数据类型进行删除,将数据中缺失的数据进行删除,将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据进行删除,对剩下所有的充电记录做工作日或节假日、休息日的标注,并注释充电的具体日期。
进一步地,步骤S3中所述判断充电要素是否集中的具体内容为:
S31、提取单个用户的充电地点,将充电地点通过地图转化为经纬度格式;
S32、采用散点离散度算法计算充电地点的离散度,若离散度小,则转入步骤S33,否则转入步骤S34;
S33、由于离散度小,说明该用户的充电地点集中,并转入S35;
S34、由于离散度大,说明该用户充电地点分布离散,将充电地点分为两部分或三部分,分别采用散点离散度算法计算各自的离散度,若离散度还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若离散度小,则转入步骤S35;
S35、获得用户充电地点1-3个,转入步骤S36;
S36、提取单个用户充电时间段,分离成充电开始时间和充电结束时间,并转化成小数,转入S37;
S37、将充电时间段转化为坐标形式,格式为:(充电开始时间,充电结束时间),转入 S38;
S38、采用散点离散度算法计算充电时间离散度,若离散度小,则转入步骤S39,否则转入步骤S310;
S39、由于离散度小,说明该用户的充电时间集中,并转入步骤S311;
S310、由于离散度大,说明该用户充电时间分布离散,将充电时间分为两部分或三部分,分别采用散点离散度算法计算各自的离散度,若离散度还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若离散度小,则转入步骤S311;
S311、获得用户充电时间段1-3个,转入步骤S312;
S312、提取该用户的交易电量,并计算交易电量的方差,若方差小,则转入步骤S313,否则转入步骤S314;
S313、由于方差小,说明改用交易电量平稳,并转入步骤S315;
S314、由于方差大,说明该用户交易电量不平稳,将交易电量分为两部分或三部分,分别计算各自方差,若方差还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若方差小,则转入步骤S315;
S315、获得用户交易电量1-3个,并判断该用户的充电要素均为集中。
进一步地,步骤S4的具体内容为:
S41、车辆充电行为预测模型包括用户ID,充电地点,充电时间段,交易电量要素,在确定要素后,转入S42;
S42、计算用户充电时长,即Tc=Te-Ts,其中Tc为充电时长,Te为充电结束时间,Ts为充电开始时间,转入S43;
S43、计算电动汽车充电功率,即P=Energy/Tc,P为充电功率,Energy为交易电量,转入S44;
S44、由上述内容构成电动汽车单次充电的充电要素数据集,组合起来为:
其中M为充电要素数据集,Address为充电地点,User_ID为当前用户ID。
进一步地,步骤S5中所述构建多维充电场景集的具体内容为:
S51、充电场景由多个要素构成,需要将其作为一个组合结构进行描述;
S52、充电场景构建要素分为用户要素和充电桩要素,用户要素包括充电时间、用户所在地点、充电日期、交易电量、用户ID,充电桩要素包括充电桩充电类型、充电桩使用率、充电桩地点;其中充电日期包括工作日和休息日,并转化为具体日期;充电桩类型包括快充和慢充;
S53、充电场景表述格式为:
式中,Ts,Te分别为充电开始时间和充电结束时间,Date为充电日期,Energy为交易电量,AddressU为用户所在地,IDU为用户ID,Powermax为充电桩最大充电功率,Occupancy为充电站内充电桩的使用率,AddressP为充电站所在地,括号内为要素的表达形式;
S54、将该用户每次的充电场景都按照场景表述形式进行统计,得到一个场景集,以此形成多维充电场景集。
进一步地,步骤S6的具体内容为:
S61、基于python程序,在其内导入必要的数据分析模块、可视化模块,其中数据分析模块用于对导入的数据进行分析处理,可视化模块用于构建车辆充电行为预测模型;
S62、将步骤S5得到的多维充电场景集作为车辆充电行为预测模型的数据集,由于长短期行为习惯不同,因此输入的数据集也不同,长期行为习惯数据集包含完整的要素数据,短期的数据集则缺少工作日和节假日标注;确认数据集的大小,将数据集分为训练集和测试集;
S63、确定基于随机森林的行为预测模型的层数为七层,第一层为随机森林层,第二层为BiLSTM层,第三层为GRU层,第四层为Dropout层,第五层为Batch normalization层,第六层为全连接层,第七层为分类层;
S64、确定BiLSTM层参数,其中隐藏节点为64个,输入数据维度为10个,创建BiLSTM模块,设置激活函数为sigmoid,损失函数为mse,优化器为rmsprop;
S65、确定GRU层参数,其中隐藏节点为128个,激活函数为Relu;
S66、确定分类层激活函数为softmax;
S67、设置网络迭代周期、batch-size、学习率、衰减系数参数;
S68、完成车辆充电行为预测模型的构建,并通过步骤S62中的训练集进行训练;
S69、输入步骤S62中的测试集进行验证,若误差小,则保留,否则重新进行训练并测试。
本发明的有益效果是:
1、本发明从电动汽车充电功率分配的实际方向考虑,考虑电动汽车历史充电行为,给电动汽车充电功率动态分配提供较为准确的电动汽车充电行为预测结果,减少一桩多充时因功率分配不合理而引发的一系列问题。本发明能够很好的提供电动汽车充电功率动态分配所需的电动汽车充电行为结果,减少一桩多充功率分配问题。
2、本发明提供一种多场景下基于数据驱动的车辆充电行为预测模型构建方法,为电动汽车充电功率动态分配策略提供一组较为准确的电动汽车充电行为,为降低电动汽车综合充电成本,减少一桩多充功率分配问题提供必要基础。
附图说明
图1是本发明总体方案流程示意图。
图2是本发明充电要素集中判别流程示意图。
图3是本发明充电要素集构建流程示意图。
图4是本发明充电场景构建流程示意图。
图5是本发明基于随机森林的行为预测模型搭建方法流程示意图。
图6是本发明基于随机森林的行为预测模型示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
参考图1描述本发明方法的总体流程,具体步骤如下:
步骤1.通过接口获取各个充电站电动汽车充电实时数据,将数据中无用的数据类型删除,将数据中缺失的数据删除,将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据删除,对剩下所有的充电记录做工作日或节假日、休息日的标注,并注释充电日期是星期几;
步骤2.提取单个用户的所有历史充电数据;
步骤3.判断充电要素是否集中,若集中则转入步骤4,否则转入步骤9;
步骤4.创建充电要素数据集;
步骤5.利用要素数据集构建多维充电场景,并创建模型训练数据集;
步骤6.通过基于随机森林的行为预测模型训练并测试数据集,计算测试集的误差大小,若过大,则转入步骤6重新训练,否则转入步骤7;
步骤7.预测长短期内用户充电行为,得到预测结果;
步骤8.本次控制结束(结束建模)。
为了更清楚的说明本发明,下面将对相关内容进行展开说明。
(一)充电要素集中判断方法
判断充电要素集中的具体算法主要有两种,分别为散点离散度算法和方差。
(1)散点离散度具体计算方法
获取一组坐标数据集合S={(S1i,S2i)},i=1,…,n,利用下列公式计算离散度:
其中ΣS为离散度。
(2)方差计算方法
获取一组数据S={Si},i=1,…,n,利用下列公式计算方差:
如图2所示,具体的判别流程如下:
步骤1.提取单个用户的充电地点,将充电地点通过谷歌地图转化为经纬度格式;
步骤2.采用散点离散度算法计算充电地点离散度,若离散度较小,则转入步骤3,否则转入步骤4;
步骤3.由于离散度较小,说明充电地点较为集中,确定该用户习惯充电地点,转入步骤 5;
步骤4.由于离散度较大,说明该用户充电地点分布较散,将充电地点分为两部分或三部分,分别计算其离散度,若离散度还是很大,说明该用户充电习惯并不规律,排除该用户,结束该步骤,若离散度较小,转入步骤5;
步骤5.获得用户充电地点1-3个,转入步骤6;
步骤6.提取该用户的充电时间段,分离成充电开始时间和充电结束时间,并转化成小数,转入步骤7;
步骤7.将充电时间段转化为坐标形式,即(充电开始时间,充电结束时间),转入步骤 8;
步骤8.采用散点离散度算法计算充电时间离散度,若离散度较小,则转入步骤9,否则转入步骤10;
步骤9.由于离散度较小,说明充电时间较为集中,确定该用户习惯充电时间,转入步骤 11;
步骤10.由于离散度较大,说明该用户充电时间分布较散,将充电时间分为两部分或三部分,分别计算其离散度,若离散度还是很大,说明该用户充电习惯并不规律,排除该用户,结束该步骤,若离散度较小,转入步骤11;
步骤11.获得用户充电时间段1-3个,转入步骤12;
步骤12.提取该用户的交易电量,并计算交易电量的方差,若方差较小,则转入步骤13,否则转入步骤14;
步骤13.由于方差较小,说明交易电量较为平稳,确定该用户习惯交易电量,转入步骤 15;
步骤14.由于方差较大,说明该用户交易电量不平稳,将交易电量分为两部分或三部分,分别计算其方差,若方差还是很大,说明该用户充电习惯并不规律,排除该用户,结束该步骤,若方差较小,转入步骤15;
步骤15.获得用户交易电量1-3个;
(二)电动汽车充电要素集创建方法
步骤1.电动汽车充电要素集由用户ID,充电时间段,充电地点,交易电量等要素构成,在确定要素后,转入步骤2;
步骤2.计算用户充电时长,即Tc=Te-Ts,其中Tc为充电时长,Te为充电结束时间,Ts为充电开始时间,转入步骤3;
步骤3.计算电动汽车充电功率,即P=Energy/Tc,P为充电功率,Energy为交易电量,转入步骤4;
步骤4.由上述要素可以构成电动汽车单次充电的充电要素集:
其中M为充电要素集。
(三)充电场景搭建方法
电动汽车充电是一个复杂的行为活动,用户根据不同的情况来决策。充电场景由多个要素构成,因此要将其作为一个组合结构来描述。场景构建要素分为用户要素和充电桩要素,用户要素包括充电时间、用户所在地点、充电日期、交易电量、用户ID,充电桩要素包括充电桩充电类型(其中在下面的表述格式中没有体现出充电桩类型,这是因为充电桩包含快充和慢充,而这已经可以通过充电桩最大功率体现出来了)、充电桩使用率、充电桩地点。其中充电日期包括工作日和休息日,并转化为星期日期;充电桩类型包括快充和慢充。因此充电场景表述形式为:
(四)用户充电行为习惯模型搭建方法
本发明提出一种基于历史数据的用户充电行为习惯模型,分为短期行为习惯和长期行为习惯。基于上述条件,用户充电行为已经形成一定的习惯,因此用户接下来的充电行为可以通过人工智能算法来预测。
短期行为习惯和长期行为习惯的要素不同,短期行为习惯的数据相较于长期行为习惯来说要短许多,由于并不需要对节假日等非工作日作出判断,因此只需要大概一个月的数据量,便可以很好地获得最终的结果。短期行为习惯主要研究的是以下几点内容:
(1)用户平时在哪个时间段充电?
(2)用户平时在哪个地点充电?
(3)用户平时的交易电量是多少?
围绕着这三个问题获得短期行为习惯的输出结果。
长期行为习惯主要研究一个用户长期以来形成的充电习惯,包含了节假日期间的充电行为,因此相较于短期行为习惯来说,长期行为习惯需要考虑到节假日和休息日的判定,由于规定的节假日较多,因此本发明暂时只考虑一些重要的节假日,如春节,五一劳动节和十一国庆节,所需要的数据量需要达到3-5年。长期行为习惯主要研究的是以下几点内容:
(1)该日是否为节假日或休息日?
(2)该日用户在哪个时间段充电?
(3)该日用户在哪个地点充电?
(4)该日用户的交易电量是多少?
围绕着这四个问题获得长期行为习惯的输出结果。
不管是短期行为习惯还是长期行为习惯,二者的思路都是一样的。其中使用VSCode软件中的Python语言来编写程序,按照下列步骤来进行:
步骤1.导入必要的数据分析模块、可视化模块(这是在python程序中的模块,是在数据处理和画图时候用到);
步骤2.读取所有充电数据并做数据处理,剔除无用的数据类型,删除交易电量少于0.1kwh 的记录,对剩下所有的充电记录做工作日或节假日、休息日的标注,并注释充电日期是星期几;
步骤3.获取用户ID并提出该用户所有历史充电记录;
步骤4.创建该用户充电要素集,并搭建用户充电场景,创建模型训练数据集,由于长短期行为习惯不同,因此输入数据集也不同,长期行为习惯数据集是完整的充电要素集,短期的则缺少工作日和节假日标注,确认数据集的大小;
步骤5.确定基于随机森林的行为预测模型的层数为七层,第一层为随机森林层,第二层为BiLSTM层,第三层为GRU层,第四层为Dropout层,第五层为Batch normalization层,第六层为全连接层,第七层为分类层;
步骤6.确定BiLSTM层参数,隐藏节点为64个,输入数据维度为10个,创建BiLSTM模型,设置激活函数为sigmoid,损失函数为mse,优化器为rmsprop;
步骤7.确定GRU层参数,隐藏节点为128个,激活函数为Relu;
步骤8.确定分类层激活函数为softmax;
步骤9.设置网络迭代周期,batch-size,学习率,衰减系数等参数;
步骤10.确定模型建立后对训练集进行训练;
步骤11.输入测试集进行验证,若误差较小,则保留,否则重新进行训练并测试。
内容补充:关于充电要素数据集的作用,是用来在其基础上构建场景集的,因为充电要素数据集是单次充电的一些要素,而场景集除了单次充电的一些要素外还包括充电站中充电桩等要素;换一句话说是利用充电要素集中的数据进一步构建场景集。
关于场景集的作用,是用来作为模型数据集,然后分为训练集和测试集,用来对模型进行训练和测试。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (3)
1.一种多场景下基于数据驱动的车辆充电行为预测模型构建方法,其特征在于,包括以下步骤:
S1:获取电动汽车公司充电数据,并进行预处理;
S2:获取所需用户ID并提取该用户所有的历史充电数据;
S3、判断充电要素是否集中,若集中,则转入步骤S4,否则结束该用户的车辆充电行为预测模型构建;
S4、创建充电要素数据集;
S5、利用充电要素数据集的内容构建多维充电场景集,并将多维充电场景集作为车辆充电行为预测模型的数据集;
S6、构建车辆充电行为预测模型,并通过步骤S5的数据集进行训练和测试;
S7、根据处理后的车辆充电行为预测模型预测长短期内用户充电行为,得到预测结果;
步骤S3中所述判断充电要素是否集中的具体内容为:
S31、提取单个用户的充电地点,将充电地点通过地图转化为经纬度格式;
S32、采用散点离散度算法计算充电地点的离散度,若离散度小,则转入步骤S33,否则转入步骤S34;
S33、由于离散度小,说明该用户的充电地点集中,并转入S35;
S34、由于离散度大,说明该用户充电地点分布离散,将充电地点分为两部分或三部分,分别采用散点离散度算法计算各自的离散度,若离散度还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若离散度小,则转入步骤S35;
S35、获得用户充电地点1-3个,转入步骤S36;
S36、提取单个用户充电时间段,分离成充电开始时间和充电结束时间,并转化成小数,转入S37;
S37、将充电时间段转化为坐标形式,格式为:(充电开始时间,充电结束时间),转入S38;
S38、采用散点离散度算法计算充电时间离散度,若离散度小,则转入步骤S39,否则转入步骤S310;
S39、由于离散度小,说明该用户的充电时间集中,并转入步骤S311;
S310、由于离散度大,说明该用户充电时间分布离散,将充电时间分为两部分或三部分,分别采用散点离散度算法计算各自的离散度,若离散度还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若离散度小,则转入步骤S311;
S311、获得用户充电时间段1-3个,转入步骤S312;
S312、提取该用户的交易电量,并计算交易电量的方差,若方差小,则转入步骤S313,否则转入步骤S314;
S313、由于方差小,说明改用交易电量平稳,并转入步骤S315;
S314、由于方差大,说明该用户交易电量不平稳,将交易电量分为两部分或三部分,分别计算各自方差,若方差还是大,说明该用户充电习惯并不规律,排除该用户,结束该用户的车辆充电行为预测模型构建,若方差小,则转入步骤S315;
S315、获得用户交易电量1-3个,并判断该用户的充电要素均为集中;
步骤S4的具体内容为:
S41、车辆充电行为预测模型包括用户ID,充电地点,充电时间段,交易电量要素,在确定要素后,转入S42;
S42、计算用户充电时长,即Tc=Te-Ts,其中Tc为充电时长,Te为充电结束时间,Ts为充电开始时间,转入S43;
S43、计算电动汽车充电功率,即P=Energy/Tc,P为充电功率,Energy为交易电量,转入S44;
S44、由上述内容构成电动汽车单次充电的充电要素数据集,组合起来为:
其中M为充电要素数据集,Address为充电地点,User_ID为当前用户ID;
步骤S5中所述构建多维充电场景集的具体内容为:
S51、充电场景由多个要素构成,需要将其作为一个组合结构进行描述;
S52、充电场景构建要素分为用户要素和充电桩要素,用户要素包括充电时间、用户所在地点、充电日期、交易电量、用户ID,充电桩要素包括充电桩充电类型、充电桩使用率、充电桩地点;其中充电日期包括工作日和休息日,并转化为具体日期;充电桩类型包括快充和慢充;
S53、充电场景表述格式为:
式中,Ts,Te分别为充电开始时间和充电结束时间,Date为充电日期,Energy为交易电量,AddressU为用户所在地,IDU为用户ID,Powermax为充电桩最大充电功率,Occupancy为充电站内充电桩的使用率,AddressP为充电站所在地,括号内为要素的表达形式;
S54、将该用户每次的充电场景都按照场景表述形式进行统计,得到一个场景集,以此形成多维充电场景集。
2.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方法,其特征在于,步骤S1中所述预处理的具体内容为:
获取各个充电站电动汽车充电实时数据,将数据中扰乱的数据类型进行删除,将数据中缺失的数据进行删除,将数据中充电时间不满10分钟或交易电量不满0.1kwh的数据进行删除,对剩下所有的充电记录做工作日或节假日、休息日的标注,并注释充电的具体日期。
3.根据权利要求1所述的一种多场景下基于数据驱动的车辆充电行为预测模型构建方法,其特征在于,步骤S6的具体内容为:
S61、基于python程序,在其内导入必要的数据分析模块、可视化模块,其中数据分析模块用于对导入的数据进行分析处理,可视化模块用于构建车辆充电行为预测模型;
S62、将步骤S5得到的多维充电场景集作为车辆充电行为预测模型的数据集,由于长短期行为习惯不同,因此输入的数据集也不同,长期行为习惯数据集包含完整的要素数据,短期的数据集则缺少工作日和节假日标注;确认数据集的大小,将数据集分为训练集和测试集;
S63、确定基于随机森林的行为预测模型的层数为七层,第一层为随机森林层,第二层为BiLSTM层,第三层为GRU层,第四层为Dropout层,第五层为Batch normalization层,第六层为全连接层,第七层为分类层;
S64、确定BiLSTM层参数,其中隐藏节点为64个,输入数据维度为10个,创建BiLSTM模块,设置激活函数为sigmoid,损失函数为mse,优化器为rmsprop;
S65、确定GRU层参数,其中隐藏节点为128个,激活函数为Relu;
S66、确定分类层激活函数为softmax;
S67、设置网络迭代周期、batch-size、学习率、衰减系数参数;
S68、完成车辆充电行为预测模型的构建,并通过步骤S62中的训练集进行训练;
S69、输入步骤S62中的测试集进行验证,若误差小,则保留,否则重新进行训练并测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902190.0A CN115204512B (zh) | 2022-07-29 | 2022-07-29 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902190.0A CN115204512B (zh) | 2022-07-29 | 2022-07-29 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204512A CN115204512A (zh) | 2022-10-18 |
CN115204512B true CN115204512B (zh) | 2024-04-12 |
Family
ID=83585029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902190.0A Active CN115204512B (zh) | 2022-07-29 | 2022-07-29 | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204512B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
CN111967696A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于神经网络的电动汽车充电需求预测方法、系统及装置 |
CN112149915A (zh) * | 2020-10-09 | 2020-12-29 | 国网江苏省电力有限公司无锡供电分公司 | 一种充电站充电负荷预测方法和系统 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN114331542A (zh) * | 2021-12-30 | 2022-04-12 | 智光研究院(广州)有限公司 | 一种电动汽车充电需求预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807647B (zh) * | 2021-07-28 | 2022-07-05 | 合肥工业大学 | 基于云边协同的电动汽车充电调度方法和系统 |
-
2022
- 2022-07-29 CN CN202210902190.0A patent/CN115204512B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN112149915A (zh) * | 2020-10-09 | 2020-12-29 | 国网江苏省电力有限公司无锡供电分公司 | 一种充电站充电负荷预测方法和系统 |
CN111967696A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于神经网络的电动汽车充电需求预测方法、系统及装置 |
CN114331542A (zh) * | 2021-12-30 | 2022-04-12 | 智光研究院(广州)有限公司 | 一种电动汽车充电需求预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于历史交易数据的充电需求预测;李树鹏;刘亚丽;吕金炳;于艳成;孟达;;电气应用(第19期);全文 * |
基于改进随机森林算法的电动汽车充电预测;毛为真;李永攀;陆轶祺;解大;;上海节能(第11期);全文 * |
大数据背景下的充电站负荷预测方法;黄小庆;陈颉;陈永新;杨夯;曹一家;江磊;;电力系统自动化(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115204512A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN111159533B (zh) | 一种基于用户画像的智能充电服务推荐方法和系统 | |
CN109936128A (zh) | 一种规模化电动汽车接入条件下的动态需求响应方法 | |
CN114004450A (zh) | 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型 | |
CN112613637A (zh) | 充电负荷的处理方法和装置 | |
CN111564861A (zh) | 一种充放电时间段的求解方法、装置、设备以及存储介质 | |
Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
CN114202253A (zh) | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 | |
Jin et al. | Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability | |
CN115660725A (zh) | 多维度能源用户画像的刻画方法 | |
Zhang et al. | A safe reinforcement learning-based charging strategy for electric vehicles in residential microgrid | |
Zeng et al. | Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization | |
CN115204512B (zh) | 多场景下基于数据驱动的车辆充电行为预测模型构建方法 | |
CN114580251A (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
CN113947013A (zh) | 基于混合深度神经网络建模的锅炉短期NOx排放预测方法 | |
CN117473742A (zh) | 一种可视化的电动汽车充电站充电负荷实时仿真方法 | |
CN116109380A (zh) | 一种多虚拟电厂和负荷聚合商的分布式交易方法 | |
CN115470985A (zh) | 一种电动汽车充电负荷的预测方法及系统 | |
CN109600757A (zh) | 基站扩容的预测方法、装置、计算机设备和存储介质 | |
CN112766665A (zh) | 一种基于风险等级的电费回收风险防控方法 | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
CN116050677B (zh) | 一种电动汽车充电负荷可调容量预测方法 | |
Ren et al. | Scenario-Based Optimal Real-Time Charging Strategy of Electric Vehicles with Bayesian Long Short-Term Memory Networks | |
Guo et al. | A Novel Hybrid Demand Response Model under a Distributed Reputation Framework |
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 |