CN116384568B - 一种电动汽车充电负荷预测方法、系统、设备及介质 - Google Patents

一种电动汽车充电负荷预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN116384568B
CN116384568B CN202310303522.8A CN202310303522A CN116384568B CN 116384568 B CN116384568 B CN 116384568B CN 202310303522 A CN202310303522 A CN 202310303522A CN 116384568 B CN116384568 B CN 116384568B
Authority
CN
China
Prior art keywords
load
day
historical
typical day
typical
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
Application number
CN202310303522.8A
Other languages
English (en)
Other versions
CN116384568A (zh
Inventor
嘉有为
郭宇嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanke Smart Energy Shenzhen Co ltd
Original Assignee
Nanke Smart Energy Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanke Smart Energy Shenzhen Co ltd filed Critical Nanke Smart Energy Shenzhen Co ltd
Priority to CN202310303522.8A priority Critical patent/CN116384568B/zh
Publication of CN116384568A publication Critical patent/CN116384568A/zh
Application granted granted Critical
Publication of CN116384568B publication Critical patent/CN116384568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种电动汽车充电负荷预测方法、系统、设备及介质，包括获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据，将历史充电记录数据输入初始中心点聚类模型得到典型日聚类结果；将典型日聚类结果与历史外部环境条件数据输入判别模型得到负荷典型日判别结果；并将历史充电记录数据按负荷典型日判别结果分类输入对应的负荷预测模型得到各类负荷预测模型，将待预测日的外部环境条件数据输入负荷预测典型日判别模型以及根据判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。

Description

一种电动汽车充电负荷预测方法、系统、设备及介质
技术领域
本发明涉及电动汽车充电负荷相关技术领域，尤其是涉及一种电动汽车充电负荷预测方法、系统、设备及介质。
背景技术
由于不可再生能源进一步紧缺和匮乏，拥有低污染和低价格特性的电动汽车得到了迅速的发展。随着世界范围内电动汽车保有量以及渗透率的不断增长，电动汽车大规模接入电网已成为一种趋势。电动汽车的大规模并网会对电网的规划布局、优化调度以及需求响应产生巨大影响。因此，作为电动汽车的主要充电场所，对电动汽车充电场站的负荷预测能够有效缓解电动汽车充电负荷对电网的冲击，同时对电网以及电动汽车充电场站的运营规划提供帮助，具有重要的研究意义。
由于电动汽车个体的行驶规律以及充电行为涉及的因素十分复杂，具有较强的随机性，这使得传统的时序预测方法和回归分析方法已经难以适应于大规模并网的电动汽车负荷预测问题。在现有技术中，通常借助深度神经网络来学习历史负荷数据中的规律特征，以实现短期的场站负荷预测，但目前这类方法通常将所有历史数据作为训练样本训练预测模型，而忽略了不同典型日场景下充电场站充电用能需求的差异性，从而导致场站负荷预测的准确性不高，最终影响了后续的电网以及充电场站规划调度质量。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种电动汽车充电负荷预测方法、系统、设备及介质，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。
本发明的第一方面，提供了一种电动汽车充电负荷预测方法，包括如下步骤：
获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；
构建初始的中心点聚类模型，将所述历史充电记录数据输入所述初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；
构建初始的负荷预测典型日判别模型，将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果；
构建若干个初始的负荷典型日的负荷预测模型，将所述历史充电记录数据按所述负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；
将待预测日的外部环境条件数据输入所述负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据所述待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
根据本发明的实施例，至少具有如下技术效果：
本方法通过获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果；构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。
根据本发明的一些实施例，所述将所述历史充电记录数据输入所述初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果，包括：
计算所述历史充电记录数据的第i天与第j天的动态事件规整距离，并根据所述动态事件规整距离构建距离矩阵；
根据预设的聚类类别数量与所述距离矩阵将所述历史充电记录数据输入所述初始中心点聚类模型进行训练，得到所述中心点聚类模型与所述典型日聚类结果。
根据本发明的一些实施例，所述将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果，包括：
筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值，其中，所述影响力因素值为日期类型、季节类型、日最高气温、日最低气温和天气类型；
将所述典型日聚类结果与所述历史外部环境条件数据的负荷典型日类别影响力因素值输入所述初始负荷预测典型日判别模型，得到所述负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果。
根据本发明的一些实施例，所述将所述历史充电记录数据按所述负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型，包括：
将所述历史充电记录数据按所述负荷典型日判别结果进行分类，得到分类后数据；
构建与负荷典型日分类数目一致的初始的负荷典型日的LSTM神经网络负荷预测模型，并将所述分类后数据分别输入对应的所述初始的负荷典型日的LSTM神经网络负荷预测模型，得到历史负荷预测值；
根据所述历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差，若所述均方根误差满足预设值或迭代次数达到最大次数则结束训练，得到所述各类负荷典型日的LSTM神经网络负荷预测模型。
根据本发明的一些实施例，所述根据所述历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差的计算公式为：
其中，MSE(y,y′)为均方根误差，yi为一个批次中第i个数据的真实值，而yi ′为模型输出的预测值。
根据本发明的一些实施例，所述筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值，包括：
通过单因素ANOVE分析方法和卡方检验相关性分析方法筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值。
根据本发明的一些实施例，所述电动汽车充电场站的历史充电记录数据包括所述电动汽车充电场站的历史日负荷曲线数据，所述历史外部环境条件数据包括所述电动汽车充电场站的历史温度数据、历史气象数据、历史季节数据和历史日期类型数据。
本发明的第二方面，提供一种电动汽车充电负荷预测系统，所述电动汽车充电负荷预测系统包括：
数据获取模块，用于获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；
典型日聚类模块，用于构建初始的中心点聚类模型，将所述历史充电记录数据输入所述初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；
负荷典型日判别模块，用于构建初始的负荷预测典型日判别模型，将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果；
各类负荷典型日负荷预测模块，用于构建若干个初始的负荷典型日的负荷预测模型，将所述历史充电记录数据按所述负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；
负荷预测模块，用于将待预测日的外部环境条件数据输入所述负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据所述待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
本系统通过获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果；构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。
本发明的第三方面，提供了一种电动汽车充电负荷预测电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的电动汽车充电负荷预测方法。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的电动汽车充电负荷预测方法。
需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种电动汽车充电负荷预测系统与现有技术之间的有益效果相同，此处不再细述。
本发明的附加方面和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
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种电动汽车充电负荷预测方法的流程图；
图2是本发明一实施例的一种电动汽车充电负荷预测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
由于电动汽车个体的行驶规律以及充电行为涉及的因素十分复杂，具有较强的随机性，这使得传统的时序预测方法和回归分析方法已经难以适应于大规模并网的电动汽车负荷预测问题。在现有技术中，通常借助深度神经网络来学习历史负荷数据中的规律特征，以实现短期的场站负荷预测，但目前这类方法通常将所有历史数据作为训练样本训练预测模型，而忽略了不同典型日场景下充电场站充电用能需求的差异性，从而导致场站负荷预测的准确性不高，最终影响了后续的电网以及充电场站规划调度质量。
为了解决上述技术缺陷，参照图1，本发明还提供了一种电动汽车充电负荷预测方法，包括：
步骤S101、获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据。
步骤S102、构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果。
步骤S103、构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果。
步骤S104、构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型。
步骤S105、将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
本方法通过获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果；构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。
在一些实施例中，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果，包括：
计算历史充电记录数据的第i天与第j天的动态事件规整距离，并根据动态事件规整距离构建距离矩阵。
根据预设的聚类类别数量与距离矩阵将历史充电记录数据输入初始中心点聚类模型进行训练，得到中心点聚类模型与典型日聚类结果。
在一些实施例中，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果，包括：
筛选出历史外部环境条件数据中的负荷典型日类别的影响力因素值，其中，影响力因素值为日期类型、季节类型、日最高气温、日最低气温和天气类型。
将典型日聚类结果与历史外部环境条件数据的负荷典型日类别影响力因素值输入初始负荷预测典型日判别模型，得到负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果。
具体的，在一些实施例中，采集的待预测电动汽车充电场站的历史负荷数据以15分钟为颗粒度，每天包含96个时段的负荷值，以每日的96个负荷值构成该日的日负荷曲线。采集的待预测电动汽车充电场站的辅助预测数据信息包括该电动汽车充电场站所在城市的日最高最低气温、季节类型、天气类型以及日期类型。
具体的，在一些实施例中，聚类分析结果包括多类充电典型日。
具体的，在一些实施例中，为实现不同类别充电典型日的聚类，读取该电动汽车充电场站所有的历史日负荷数据，每天的数据维度为1×96。即从0:00到23:45，以15分钟为间隔，对这些日负荷数据按X1，X2，…，XN进行编号，其中，N为历史日负荷数据的总天数。
对N天数据，两两之间计算动态事件规整(DTW)距离，构建出N×N的距离矩阵M，以度量不同日负荷曲线之间的形状相似性。在距离矩阵中，第i行第j列的数据表示Xi与Xj之间的DTW距离，如下式所示：
Mi,＝DTW(Xi,Xj)。
在一些实施例中，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型，包括：
将历史充电记录数据按负荷典型日判别结果进行分类，得到分类后数据。
构建与负荷典型日分类数目一致的初始的负荷典型日的LSTM神经网络负荷预测模型，并将分类后数据分别输入对应的初始的负荷典型日的LSTM神经网络负荷预测模型，得到历史负荷预测值。
根据历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差，若均方根误差满足预设值或迭代次数达到最大次数则结束训练，得到各类负荷典型日的LSTM神经网络负荷预测模型。
在一些实施例中，根据历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差的计算公式为：
其中，MSE(y,y′)为均方根误差，yi为一个批次中第i个数据的真实值，而yi ′为模型输出的预测值。
在一些实施例中，筛选出历史外部环境条件数据中的负荷典型日类别的影响力因素值，包括：
通过单因素ANOVE分析方法和卡方检验相关性分析方法筛选出历史外部环境条件数据中的负荷典型日类别的影响力因素值。
在一些实施例中，电动汽车充电场站的历史充电记录数据包括电动汽车充电场站的历史日负荷曲线数据，历史外部环境条件数据包括电动汽车充电场站的历史温度数据、历史气象数据、历史季节数据和历史日期类型数据。
另外，参照图2，本发明的一个实施例，提供一种电动汽车充电负荷预测系统，包括数据获取模块1100、典型日聚类模块1200、负荷典型日判别模块1300、各类负荷典型日负荷预测模块1400以及负荷预测模块1500，其中：
数据获取模块1100用于获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据。
典型日聚类模块1200用于构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果。
负荷典型日判别模块1300用于构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果。
各类负荷典型日负荷预测模块1400用于构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型。
负荷预测模块1500用于将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
本系统通过获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；构建初始的中心点聚类模型，将历史充电记录数据输入初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果；构建初始的负荷预测典型日判别模型，将典型日聚类结果与历史外部环境条件数据输入初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与历史充电记录数据的负荷典型日判别结果；构建若干个初始的负荷典型日的负荷预测模型，将历史充电记录数据按负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型；将待预测日的外部环境条件数据输入负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果，能够有效提升电动汽车充电场站的负荷预测准确度，为电动汽车有序充电以及电力系统控制调度提供帮助。
需要注意的是，本系统实施例与上述的系统实施例是基于相同的发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，这里不再赘述。
本申请还提供一种电动汽车充电负荷预测电子设备，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，处理器执行计算机程序时实现：如上述的电动汽车充电负荷预测方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的电动汽车充电负荷预测方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的电动汽车充电负荷预测方法，例如，执行以上描述的图1中的方法步骤S101至步骤S105。
本申请还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述的电动汽车充电负荷预测方法。
该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的电动汽车充电负荷预测方法，例如，执行以上描述的图1中的方法步骤S101至步骤S105。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序单元或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序单元或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种电动汽车充电负荷预测方法，其特征在于，所述电动汽车充电负荷预测方法包括：
获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；
构建初始的中心点聚类模型，将所述历史充电记录数据输入所述初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果，具体为：
计算所述历史充电记录数据的第i天与第j天的动态事件规整距离，并根据所述动态事件规整距离构建距离矩阵；
根据预设的聚类类别数量与所述距离矩阵将所述历史充电记录数据输入所述初始中心点聚类模型进行训练，得到所述中心点聚类模型与所述典型日聚类结果；
构建初始的负荷预测典型日判别模型，将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果；
构建若干个初始的负荷典型日的负荷预测模型，将所述历史充电记录数据按所述负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型，具体为：
将所述历史充电记录数据按所述负荷典型日判别结果进行分类，得到分类后数据；
构建与负荷典型日分类数目一致的初始的负荷典型日的LSTM神经网络负荷预测模型，并将所述分类后数据分别输入对应的所述初始的负荷典型日的LSTM神经网络负荷预测模型，得到历史负荷预测值；
根据所述历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差，若所述均方根误差满足预设值或迭代次数达到最大次数则结束训练，得到所述各类负荷典型日的LSTM神经网络负荷预测模型；
将待预测日的外部环境条件数据输入所述负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据所述待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
2.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，所述将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果，包括：
筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值，其中，所述影响力因素值为日期类型、季节类型、日最高气温、日最低气温和天气类型；
将所述典型日聚类结果与所述历史外部环境条件数据的负荷典型日类别影响力因素值输入所述初始负荷预测典型日判别模型，得到所述负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果。
3.根据权利要求2所述的一种电动汽车充电负荷预测方法，其特征在于，所述根据所述历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差的计算公式为：
其中，MSE(y,y′)为均方根误差，yi为一个批次中第i个数据的真实值，而y′i为模型输出的预测值。
4.根据权利要求3所述的一种电动汽车充电负荷预测方法，其特征在于，所述筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值，包括：
通过单因素ANOVE分析方法和卡方检验相关性分析方法筛选出所述历史外部环境条件数据中的负荷典型日类别的影响力因素值。
5.根据权利要求4所述的一种电动汽车充电负荷预测方法，其特征在于，所述电动汽车充电场站的历史充电记录数据包括所述电动汽车充电场站的历史日负荷曲线数据，所述历史外部环境条件数据包括所述电动汽车充电场站的历史温度数据、历史气象数据、历史季节数据和历史日期类型数据。
6.一种电动汽车充电负荷预测系统，其特征在于，所述电动汽车充电负荷预测方法系统：
数据获取模块，用于获取电动汽车充电场站的历史充电记录数据和历史外部环境条件数据；
典型日聚类模块，用于构建初始的中心点聚类模型，将所述历史充电记录数据输入所述初始中心点聚类模型进行典型日聚类训练，得到训练好的中心点聚类模型与典型日聚类结果，具体为：
计算所述历史充电记录数据的第i天与第j天的动态事件规整距离，并根据所述动态事件规整距离构建距离矩阵；
根据预设的聚类类别数量与所述距离矩阵将所述历史充电记录数据输入所述初始中心点聚类模型进行训练，得到所述中心点聚类模型与所述典型日聚类结果；
负荷典型日判别模块，用于构建初始的负荷预测典型日判别模型，将所述典型日聚类结果与所述历史外部环境条件数据输入所述初始负荷预测典型日判别模型进行负荷典型日判别训练，得到训练好的负荷预测典型日判别模型与所述历史充电记录数据的负荷典型日判别结果；
各类负荷典型日负荷预测模块，用于构建若干个初始的负荷典型日的负荷预测模型，将所述历史充电记录数据按所述负荷典型日判别结果分类输入对应的初始负荷典型日的负荷预测模型进行负荷典型日的负荷预测训练，得到各类负荷典型日的负荷预测模型，具体为：
将所述历史充电记录数据按所述负荷典型日判别结果进行分类，得到分类后数据；
构建与负荷典型日分类数目一致的初始的负荷典型日的LSTM神经网络负荷预测模型，并将所述分类后数据分别输入对应的所述初始的负荷典型日的LSTM神经网络负荷预测模型，得到历史负荷预测值；
根据所述历史负荷预测值与对应历史时间段的真实负荷值通过损失函数计算均方根误差，若所述均方根误差满足预设值或迭代次数达到最大次数则结束训练，得到所述各类负荷典型日的LSTM神经网络负荷预测模型；
负荷预测模块，用于将待预测日的外部环境条件数据输入所述负荷预测典型日判别模型，得到待预测日的负荷典型日判别结果；根据所述待预测日的负荷典型日判别结果选取对应的负荷典型日的负荷预测模型进行负荷预测，得到待预测日的负荷预测结果。
7.一种电动汽车充电负荷预测设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至5任一项所述的一种电动汽车充电负荷预测方法。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的一种电动汽车充电负荷预测方法。
CN202310303522.8A 2023-03-16 2023-03-16 一种电动汽车充电负荷预测方法、系统、设备及介质 Active CN116384568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310303522.8A CN116384568B (zh) 2023-03-16 2023-03-16 一种电动汽车充电负荷预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310303522.8A CN116384568B (zh) 2023-03-16 2023-03-16 一种电动汽车充电负荷预测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN116384568A CN116384568A (zh) 2023-07-04
CN116384568B true CN116384568B (zh) 2024-01-30

Family

ID=86970518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310303522.8A Active CN116384568B (zh) 2023-03-16 2023-03-16 一种电动汽车充电负荷预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN116384568B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816177A (zh) * 2019-02-22 2019-05-28 广东电网有限责任公司 一种负荷聚合商短期负荷预测方法、装置及设备
CN111160617A (zh) * 2019-12-06 2020-05-15 北京国电通网络技术有限公司 一种电力日负荷预测方法及装置
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法
CN113361587A (zh) * 2021-06-02 2021-09-07 东南大学 一种基于poi信息的电动汽车充电站负荷特性聚类建模方法
CN113988426A (zh) * 2021-10-29 2022-01-28 国网江苏省电力有限公司苏州供电分公司 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
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816177A (zh) * 2019-02-22 2019-05-28 广东电网有限责任公司 一种负荷聚合商短期负荷预测方法、装置及设备
CN111160617A (zh) * 2019-12-06 2020-05-15 北京国电通网络技术有限公司 一种电力日负荷预测方法及装置
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN112561156A (zh) * 2020-12-11 2021-03-26 国网江苏省电力有限公司南通供电分公司 基于用户负荷模式分类的短期电力负荷预测方法
CN113361587A (zh) * 2021-06-02 2021-09-07 东南大学 一种基于poi信息的电动汽车充电站负荷特性聚类建模方法
CN113988426A (zh) * 2021-10-29 2022-01-28 国网江苏省电力有限公司苏州供电分公司 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

Also Published As

Publication number Publication date
CN116384568A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
Zhang et al. Deep-learning-based probabilistic forecasting of electric vehicle charging load with a novel queuing model
CN110091751B (zh) 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN112213643B (zh) 电池初始容量、电池健康状态的预测方法、系统及设备
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN111832869A (zh) 一种车辆调度方法、装置、电子设备及存储介质
CN114282821A (zh) 一种共享电动汽车的调度方法、系统及设备
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
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
CN113954680B (zh) 基于充电时段优化的电动汽车充电控制方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN116384568B (zh) 一种电动汽车充电负荷预测方法、系统、设备及介质
CN111695820B (zh) 工程车辆电子联单管理方法、装置、终端及存储介质
CN114118595A (zh) 用电负荷预测的方法、系统、存储介质及电子设备
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN113183827A (zh) 一种基于人工智能的新能源电动汽车行驶智能云中控管理平台
CN112765726A (zh) 一种寿命预测方法及装置
CN116523093A (zh) 基于随机源荷预测的能源系统的网格需求感知系统及方法
CN115257692A (zh) 一种基于视觉交通信息的phev能量管理方法及系统
CN114896482A (zh) 一种模型训练和补能意图识别方法、装置、设备及介质
CN114004276A (zh) 时间特征的处理方法、处理装置
CN108985526B (zh) 运力预测方法及装置、计算机可读存储介质、终端
CN105976270A (zh) 一种分时电价下的电动汽车充电负荷动态概率分布确定方法
Pedersen et al. Generating geospatially realistic driving patterns derived from clustering analysis of real EV driving data
US20240149740A1 (en) Public transport vehicle charging system and public transport vehicle charging method

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
TA01 Transfer of patent application right

Effective date of registration: 20231211

Address after: Room 1101, Building A7, Nanshan Zhiyuan, No. 1001 Xueyuan Avenue, Changyuan Community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong Province, 518055

Applicant after: Nanke Smart Energy (Shenzhen) Co.,Ltd.

Address before: No.1088 Xueyuan Avenue, Taoyuan Street, Nanshan District, Shenzhen, Guangdong 518055

Applicant before: SOUTH University OF SCIENCE AND TECHNOLOGY OF CHINA

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant