CN115249084A - 考虑周期特征的大规模电动汽车充电负荷混合预测方法 - Google Patents
考虑周期特征的大规模电动汽车充电负荷混合预测方法 Download PDFInfo
- Publication number
- CN115249084A CN115249084A CN202210026223.XA CN202210026223A CN115249084A CN 115249084 A CN115249084 A CN 115249084A CN 202210026223 A CN202210026223 A CN 202210026223A CN 115249084 A CN115249084 A CN 115249084A
- Authority
- CN
- China
- Prior art keywords
- charging load
- component
- prediction
- model
- nonlinear random
- 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
- 230000000737 periodic effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001932 seasonal effect Effects 0.000 claims description 35
- 238000005311 autocorrelation function Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly 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
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种考虑周期特征的大规模电动汽车充电负荷混合预测方法,包括:获取充电负荷数据;构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。提高大规模电动汽车充电负荷预测的精度。
Description
技术领域
本发明涉及充电负荷预测技术领域,特别是涉及一种考虑周期特征的大规模电动汽车充电负荷混合预测方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在电动汽车充电管理中,电力需求预测对于预知电动汽车的用电趋势和可能出现的峰谷负荷具有重要的意义,其预测的准确性极大的影响电动汽车充电管理的质量。然而,由于电动汽车充电行为的不可预测性、季节影响等,电动汽车的电力需求呈现出很强的非线性和不确定性特征,因此,实现电动汽车功率需求的准确预测是一项较为困难的工作。
相对于单个电动汽车的充电负荷需求预测,电网/电动汽车充电站更在意大规模电动汽车整体的充电负荷需求。现有实现电动汽车电力需求建模和预测的方法主要采用基于机器学习和统计模型的数据驱动方法。在基于机器学习的方法中,传统的机器学习模型与深度学习模型方法均被用来实现电动汽车功率需求预测,深度学习模型由于具有多层结构和深度特征提取,对非线性关系具有很强的逼近能力。除此之外,统计模型作为一种传统的数据分析模型,通过严格的数理逻辑方法实现数据的统计和分析,该统计模型结构简单,计算复杂度低,能很好地提取数据序列的总体趋势,一些常用的统计模型也被应用到电动汽车的电力需求预测/仿真中。
但是,无论是深度学习模型还是统计模型,作为典型的数据驱动模型,每种模型都有其特定的工作规则和应用场景,当预测模型只依赖于单个模型时,其预测精度往往较低。
此外,输入特征是影响数据驱动模型的关键因素,挖掘原始数据中内在或固有的特征,并应用于数据驱动模型的预测中,对于提升模型的预测精度具有重要的意义。然而,目前大多数数据驱动预测模型仅直接探索原始数据之间的关系,忽略了一些已有的规则/知识,如周期性特征。人们习惯在固定的时间给电动汽车充电;周末充电站的数量多于工作日等,这些行为导致大规模电动汽车电力需求的典型的周期性特征。然而,这些周期性特征在当前的预测方法中被忽视。
发明内容
为了解决上述问题,实现大规模电动汽车充电负荷需求的精准预测,本发明提出了一种考虑周期特征的大规模电动汽车充电负荷混合预测方法,该方法首先基于季节性差分自回归移动滑动平均模型(SARIMA)实现线性稳定趋势分量预测;然后,将预测的线性分量从原始数据中剔除得到非线性随机分量;之后,利用SARIMA的周期性参数确定非线性随机分量的周期特征;随后,将非线性随机分量的周期特征作为深度学习方法输入参数的一部分,利用深度学习方法实现非线性随机分量的预测;最后,将预测的线性趋势数据与非线性随机分量聚合相加得到最终的大规模电动汽车充电负荷需求的预测结果。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种考虑周期特征的大规模电动汽车充电负荷混合预测方法,包括:
获取充电负荷数据;
构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;
根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;
构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;
根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。
作为可选择的实施方式,采用季节性差分自回归滑动平均模型构建线性稳定趋势分量预测模型,以此进行线性稳定趋势分量的预测,提取充电负荷数据中的线性稳定趋势分量,得到基于周期性特征的线性稳定趋势分量预测结果。
作为可选择的实施方式,所述季节性差分自回归滑动平均模型的参数设置包括,根据自相关函数和偏自相关函数选择自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数的取值范围,根据信息准则在取值范围中确定准确值,以此构建最优的季节性差分自回归滑动平均模型,并确定当前的周期性参数。
作为可选择的实施方式,构建最优的季节性差分自回归滑动平均模型的过程为:根据不同的自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数下的信息准则值,选择信息准则值最低时的自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数。
作为可选择的实施方式,所述周期性参数包括周期长度和季节性自回归阶数。
作为可选择的实施方式,采用长短期记忆网络模型构建非线性随机分量预测模型,以进行非线性随机分量预测,所述非线性随机分量预测模型的输入参数包括周期性特征和同周期中与当前时刻值关系较大的之前时刻的值,由偏自相关函数确定。
作为可选择的实施方式,所述非线性随机分量为将线性稳定趋势分量从充电负荷数据中剔除,得到非线性随机分量。
作为可选择的实施方式,将线性稳定趋势分量预测结果和非线性随机分量预测结果进行聚合相加,得到充电负荷需求预测结果。
第二方面,本发明提供一种考虑周期特征的大规模电动汽车充电负荷混合预测系统,包括:
获取模块,被配置为获取充电负荷数据;
线性预测模块,被配置为构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;
周期性特征提取模块,被配置为根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;
非线性预测模块,被配置构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;
混合预测模块,被配置为根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出了一种考虑周期特征的大规模电动汽车充电负荷混合预测方法,首先基于季节性差分自回归移动滑动平均模型(SARIMA)实现线性稳定趋势分量预测;然后,将预测的线性分量从原始数据中剔除得到非线性随机分量;之后,利用SARIMA的周期性参数确定非线性随机分量的周期性特征;随后,将非线性随机分量的周期特征作为深度学习方法输入参数的一部分,利用深度学习方法实现非线性随机分量的预测;最后,将预测的线性趋势数据与非线性随机分量聚合相加得到最终的大规模电动汽车充电负荷需求的预测结果。该方法一方面创造性的提取和利用了原始数据中的周期性特征,另一方面充分发挥了统计模型和深度学习模型在分别在趋势提取和非线性成分预测和建模方面的能力,极大的提高了大规模电动汽车充电负荷预测的精度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的考虑周期特征的大规模电动汽车充电负荷混合预测方法示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于季节性差分自回归移动滑动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)和长短期记忆网络模型的大规模电动汽车充电负荷需求混合预测方法,包括:
获取历史充电负荷数据;
对历史充电负荷数据采用差分处理转换为平稳充电负荷数据,利用SARIMA模型对平稳充电负荷数据进行线性稳定趋势分量的预测与建模,构建充电负荷需求的线性稳定趋势分量预测模型,确定线性稳定趋势分量预测模型的周期性参数,所述周期性参数用于确定周期性特征;
根据线性稳定趋势分量得到历史充电负荷数据的非线性随机分量,将线性稳定趋势分量从历史充电负荷数据中剔除,即得到历史充电负荷数据的非线性随机分量;
利用周期性参数确定非线性随机分量的周期性特征;
利用深度学习方法进行非线性随机分量的预测,构建充电负荷需求的非线性随机分量预测模型;将非线性随机分量的周期性特征作为非线性随机分量预测模型的部分输入参数,同时将同一周期中与当前值关系较大的之前时刻的值共同作为非线性随机分量预测模型的输入参数,该参数由构建线性稳定趋势分量预测模型中的偏自相关函数(PACF)来确定;
根据线性稳定趋势分量预测模型和非线性随机分量预测模型分别得到充电负荷需求的线性稳定趋势分量预测结果和非线性随机分量预测结果,根据线性稳定趋势分量预测结果和非线性随机分量预测结果得到充电负荷需求预测结果。
在本实施例中,所述历史充电负荷数据为电动汽车充电电量。
在本实施例中,采用SARIMA模型进行线性稳定趋势分量预测,提取历史充电负荷数据中的线性稳定趋势分量部分,得到基于周期性特征的充电负荷需求的线性稳定趋势分量预测结果,并且将线性趋势预测结果从原始充电负荷数据中剔除,以得到非线性随机分量。
在本实施例中,线性稳定趋势分量预测模型的参数通过自相关函数(ACF)和偏自相关函数(PACF)确定,并结合周期性特征,将周期性参数也作为线性稳定趋势分量预测模型的输入参数;同时考虑到SARIMA模型的相关周期性参数,该周期性参数同样可作为非线性随机分量的周期性参数,提出非线性随机分量的周期性特性。
SARIMA模型是一种线性统计模型,作为差分自回归滑动平均模型(Autoregressive Integrated Moving Average,ARIMA)的扩展模型,考虑了季节性成分,支持含有季节性成分的时间序列数据预测;同样季节性作为周期性的一种,SARIMA模型也同样擅长于处理周期性的时间序列数据。
SARIMA模型作为ARIMA模型的扩展模型,具有与ARIMA模型相同的参数:趋势的自回归阶数p、趋势差分阶数d、趋势的移动平均阶数q;
同时,也具有不属于ARIMA模型的四个季节性因素:季节性自回归阶数P、季节性差分阶数D、季节性移动平均阶数Q、单个季节性m。
因此,将SARIMA模型定义为:
SARIMA(p,d,q)(P,D,Q)m
因为SARIMA模型是ARIMA模型的扩展,为了清楚地介绍SARIMA的理论,首先介绍ARIMA模型。ARIMA通过差分函数实现稳定过程,结合自回归模型(AR)和移动平均模型(MA)实现线性回归。
其中,AR部分表明输出变量线性依赖于前一个值和一个不可预测的随机项;AR表示为:
其中,yt是在t处的输出值,即功率值,μ是级数的均值,i是AR的阶数,γi是自相关系数,∈t是时刻t的白噪声。
MA表示输出变量线性依赖于随机项的当前值和过去的不同值;MA表示为:
其中,θj为MA模型的参数,q为MA模型的阶数。
AR和MA组合为ARMA,表示为:
考虑到ARIMA只适合描述广义平稳时间序列,因此提出了将ARIMA转化为非平稳时间序列的方法。在ARIMA中,采用差分法将非平稳时间序列转换为平稳时间序列。因此,SARIMA模型的数学公式为:
其中,L是滞后算子。
ARIMA的参数由自相关函数(ACF)、偏自相关函数(PACF)和Akaikes信息准则(AIC)确定。在ARIMA中,将不稳定时间序列通过d维差分过程转化为稳定时间序列后,采用ACF和PACF来确定p和q的范围。
ACF和PACF表示为:
然后,利用AIC确定p和q的准确值,计算不同p和q的AIC值,AIC最低的ARIMA(p,d,q)为预测模型。AIC的数学公式为:
SARIMA模型能够提取和利用季节性的周期性特征,周期性特征包括每日、每周或每月等;设时间序列yt具有周期性特征,则模型SARIMA(p,d,q)(P,D,Q)m表示为:
θq(L)=1+θ1L+θ2L2+…+θqLq;
ΘQ(Lm)=1+Θ1Lm+Θ2L2m+…+ΘQLQm。
同样的,SAMIRA模型也利用ACF、PACF和AIC来确定其参数,利用ACF和PACF选择p、q、P、Q的取值范围,利用AIC根据ACF和PACF提出的取值范围确定准确的值,根据不同的p、q、P、Q下的AIC值,选择AIC值最低时的p、q、P、Q,以此构建最优的SAMIRA模型,并确定当前的周期性参数,以根据周期性参数确定周期性特征。
在本实施例中,采用LSTM模型,基于SARIMA模型确定的周期性参数作为周期性特征,对非线性随机分量进行预测;提取的非线性随机分量的周期性特征作为LSTM训练过程的输入参数,共同作为非线性随机分量预测模型的输入参数还有同一周期中与当前值关系较大的之前时刻的值,该参数由构建线性稳定趋势分量预测模型中的偏自相关函数(PACF)来确定。
在本实施例中,所述非线性随机分量预测模型的输入参数可以表示为:
k=(yt-1,…,yt-p,yt-m,yt-2m,…yt-Pm),
式中,yt为t时刻非线性随机分量,p由偏自相关函数(PACF)确定,m为周期长度,P季节性自回归阶数。
利用LSTM构建负荷需求非线性随机分量预测模型,进行非线性随机分量的预测。
在本实施例中,在SARIMA-LSTM模型中,利用SARIMA模型提取充电负荷需求数据的线性稳定趋势分量部分,并提取周期性参数,该参数用于确定周期性特征;然后,将预测的线性稳定趋势分量部分从原充电负荷需求中去除,得到非线性随机分量;利用周期特性参数P和周期长度m确定非线性随机分量的周期特征;非线性随机分量的周期特征作为LSTM的部分输入参数,共同作为非线性随机分量预测模型的输入参数还有同一周期中与当前值关系较大的之前时刻的值,该参数由构建线性稳定趋势分量预测模型中的偏自相关函数(PACF)来确定,利用LSTM实现非线性随机分量的预测;最后将经SARIMA模型预测的负荷需求线性稳定趋势分量预测结果和经LSTM模型预测的负荷需求非线性随机分量预测结果进行聚合相加,得到最终的电动汽车充电负荷需求预测结果。
实施例2
本实施例提供一种考虑周期特征的大规模电动汽车充电负荷混合预测系统,包括:
获取模块,被配置为获取充电负荷数据;
线性预测模块,被配置为构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;
周期性特征提取模块,被配置为根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;
非线性预测模块,被配置构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;
混合预测模块,被配置为根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,包括:
获取充电负荷数据;
构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;
根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;
构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;
根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。
2.如权利要求1所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,采用季节性差分自回归滑动平均模型构建线性稳定趋势分量预测模型,以此进行线性稳定趋势分量的预测,提取充电负荷数据中的线性稳定趋势分量,得到基于周期性特征的线性稳定趋势分量预测结果。
3.如权利要求2所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,所述季节性差分自回归滑动平均模型的参数设置包括,根据自相关函数和偏自相关函数选择自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数的取值范围,根据信息准则在取值范围中确定准确值,以此构建最优的季节性差分自回归滑动平均模型,并确定当前的周期性参数。
4.如权利要求3所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,构建最优的季节性差分自回归滑动平均模型的过程为:根据不同的自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数下的信息准则值,选择信息准则值最低时的自回归阶数、趋势的移动平均阶数、季节性自回归阶数和季节性移动平均阶数。
5.如权利要求1所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,所述周期性参数包括周期长度和季节性自回归阶数。
6.如权利要求1所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,采用长短期记忆网络模型构建非线性随机分量预测模型,以进行非线性随机分量预测,所述非线性随机分量预测模型的输入参数包括周期性特征和同周期中与当前时刻值关系较大的之前时刻的值,由偏自相关函数确定。
7.如权利要求1所述的考虑周期特征的大规模电动汽车充电负荷混合预测方法,其特征在于,所述非线性随机分量为将线性稳定趋势分量从充电负荷数据中剔除,得到非线性随机分量;
或,将线性稳定趋势分量预测结果和非线性随机分量预测结果进行聚合相加,得到充电负荷需求预测结果。
8.考虑周期特征的大规模电动汽车充电负荷混合预测系统,其特征在于,包括:
获取模块,被配置为获取充电负荷数据;
线性预测模块,被配置为构建线性稳定趋势分量预测模型,对充电负荷数据采用差分处理转换为平稳充电负荷数据,对平稳充电负荷数据采用线性稳定趋势分量预测模型进行线性稳定趋势分量的预测,并确定周期性参数;
周期性特征提取模块,被配置为根据线性稳定趋势分量得到充电负荷数据的非线性随机分量,根据周期性参数确定非线性随机分量的周期性特征;
非线性预测模块,被配置构建非线性随机分量预测模型,根据周期性特征,采用非线性随机分量预测模型对非线性随机分量进行预测;
混合预测模块,被配置为根据线性稳定趋势分量的预测结果和非线性随机分量的预测结果得到充电负荷需求预测结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026223.XA CN115249084A (zh) | 2022-01-11 | 2022-01-11 | 考虑周期特征的大规模电动汽车充电负荷混合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210026223.XA CN115249084A (zh) | 2022-01-11 | 2022-01-11 | 考虑周期特征的大规模电动汽车充电负荷混合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115249084A true CN115249084A (zh) | 2022-10-28 |
Family
ID=83697733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210026223.XA Pending CN115249084A (zh) | 2022-01-11 | 2022-01-11 | 考虑周期特征的大规模电动汽车充电负荷混合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115249084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688438A (zh) * | 2023-11-13 | 2024-03-12 | 江苏盛伟燃气科技有限公司 | 一种公共综合设施燃气供气安全监测预警系统及方法 |
-
2022
- 2022-01-11 CN CN202210026223.XA patent/CN115249084A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688438A (zh) * | 2023-11-13 | 2024-03-12 | 江苏盛伟燃气科技有限公司 | 一种公共综合设施燃气供气安全监测预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842306B2 (en) | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN112130086B (zh) | 一种动力电池剩余寿命预测方法及系统 | |
CN110381515B (zh) | 基于合分模式实现小区网络流量资源指标预测的方法 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN115249084A (zh) | 考虑周期特征的大规模电动汽车充电负荷混合预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN117293824B (zh) | 电力需求预测的方法、装置和计算机可读存储介质 | |
Eljazzar et al. | Enhancing electric load forecasting of ARIMA and ANN using adaptive Fourier series | |
CN112508260A (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN116629448A (zh) | 基于经验模态分解和神经网络相结合的光伏功率预测方法 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
Wang et al. | Forecasting electricity demand using Grey-Markov model | |
CN115619563A (zh) | 一种基于神经网络的股票价格分析方法 | |
CN111382891B (zh) | 短期负荷预测方法和短期负荷预测装置 | |
CN112561186A (zh) | 一种短期电力负荷的预测方法 | |
CN111126659A (zh) | 一种电力负荷预测方法及系统 | |
CN118011220B (zh) | 一种电池组的荷电状态估计方法、系统和介质 | |
CN116544910A (zh) | 一种电动汽车充电行为预测方法及系统 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
CN118353073B (zh) | 基于经验模态分解的新能源储能优化配置方法及装置 | |
CN118260549A (zh) | 数据处理的方法、装置、电子设备和存储介质 |
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 |