CN116544910A - 一种电动汽车充电行为预测方法及系统 - Google Patents
一种电动汽车充电行为预测方法及系统 Download PDFInfo
- Publication number
- CN116544910A CN116544910A CN202310425528.2A CN202310425528A CN116544910A CN 116544910 A CN116544910 A CN 116544910A CN 202310425528 A CN202310425528 A CN 202310425528A CN 116544910 A CN116544910 A CN 116544910A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- charging behavior
- image
- 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
- 230000006399 behavior Effects 0.000 claims abstract description 142
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种电动汽车充电行为预测方法及系统,包括:对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。将一维的时间序列数据转化为多维图像,在保留特征变量时间序列性的同时,增强不同特征变量间的关联性,同时通过对用户充电行为图像进行扩增,解决用户行为数据少以及不同类别数据集不平衡的问题。
Description
技术领域
本发明涉及能源行业用电预测技术领域,特别是涉及一种电动汽车充电行为预测方法及系统。
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。
通过对电动汽车充电行为进行预测可以为充电桩的功率分配、用户未来用电行为策略等提供指导作用。现有的电动汽车充电行为预测的方法大多采用充电行为时间序列数据进行预测,但是该方式存在以下问题:
(1)小数据集问题;时间序列数据的整体数量和数据集中不同类别数据量的差异对于最终预测结果的精度有一定的影响,因此当数据量较少时,容易造成预测精度较差的问题。传统时间序列增强方法缺乏对全局关联关系的考量,生成的数据往往难以捕捉真实的规律,因此对预测模型的提升性能有限。
(2)忽略周期性等关联特征;充电行为数据是典型的一维时间序列数据,时序预测模型往往采用目标预测数据附近的数据作为输入数据;然而,充电行为具有典型的周期性特征,而现有方法尚未充分考虑和利用该类特征,该类特征的考虑和使用有利于提升预测精准度。
除此之外,不同时间段充电行为数据的数据量不同,所以在预测时还存在数据不平衡的问题。
发明内容
为了解决上述问题,本发明提出了一种电动汽车充电行为预测方法及系统,将一维的时间序列数据转化为多维图像,在保留特征变量时间序列性的同时,增强不同特征变量间的关联性,同时通过对用户充电行为图像进行扩增,解决用户行为数据少以及不同类别数据集不平衡的问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种电动汽车充电行为预测方法,包括:
对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
作为可选择的实施方式,根据历史用户充电行为中的充电开始时间和充电停止时间,将历史用户充电行为进行不同类别的划分。
作为可选择的实施方式,将每条历史用户充电行为转换为时间序列数据的过程包括:
将历史用户充电行为中的充电开始时间和充电停止时间转化成十进制数据,将十进制数据的充电开始时间和充电停止时间,按电动汽车充电状态进行初步转化;其中,电动汽车充电状态包括未充电状态和充电状态,将未充电状态赋值为0,将充电状态赋值为1;将初步转化的数据以设定的单位时间段重新组成时间序列数据。
作为可选择的实施方式,将时间序列数据转换为用户充电行为图像前,将时间序列数据中的所有数据均乘255,完成单个时间序列数据中数据点到图像像素点的转换。
作为可选择的实施方式,将用户充电行为图像进行数据扩增的过程包括:
根据设定的图像大小对用户充电行为图像的尺寸进行统一;
基于滑动窗口对统一尺寸后的用户充电行为图像进行图像分割;
基于拼接方法将分割后的用户充电行为图像进行拼接,以将用户充电行为图像从尺寸上的缩减补充到维度深度上的扩展。
作为可选择的实施方式,根据设定的滑动步长,将每一张统一尺寸后的用户充电行为图像分割为三张高度和宽度均为滑动步长的灰度图像;
将三张高度和宽度均为滑动步长的灰度图像进行拼接操作,得到通道数目为3,高度和宽度均为滑动步长的彩色图像。
作为可选择的实施方式,所述预测模型包括编码模块,其中,对输入的用户充电行为图像进行序列编码,同时根据图像位置进行位置编码,将两种编码相结合后输入编码模块。
第二方面,本发明提供一种电动汽车充电行为预测系统,包括:
预处理模块,被配置为对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
图像生成模块,被配置为将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
行为预测模块,被配置为基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
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:
本发明提出一种电动汽车充电行为预测方法及系统,将一维的时间序列数据转化为多维的图像后,在保留特征变量时间序列性的同时,增强了不同特征变量之间的关联性,充分考虑充电行为的周期性特征,同时通过数据的升维,完成表征的转换,凸显数据性质,进一步发现更多的数据规律和信息,丰富数据特征,进一步提高预测的精准度。
本发明提出一种电动汽车充电行为预测方法及系统,通过对用户充电行为图像进行数据扩增,解决用户行为数据少以及不同类别的数据集不平衡的问题。
本发明提出一种电动汽车充电行为预测方法及系统,通过对用户充电行为进行聚类,可以向不同类别的用户给出未来用电行为策略,以合理规划用户充电行为,提高效率,从而实现电动汽车充电需求精准预测和保障用户有序充电可靠性。
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提供的电动汽车充电行为预测方法整体流程示意图;
图2为本发明实施例1提供的图像转换示意图;
图3为本发明实施例1提供的图像处理示意图;
图4为本发明实施例1提供的Transformer主干网络架构图。
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
本实施例提出一种电动汽车充电行为预测方法,包括:
对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
如图1所示,在数据预处理阶段,将获取的历史用户充电行为进行数据聚类和数据格式化处理,以得到不同类别的用户充电行为和时间序列数据,具体地:
本实施例采用k-means聚类算法,根据历史用户充电行为中的充电开始时间和充电停止时间,将历史用户充电行为划分为不同类别;
k-means聚类算法的思想是对空间k个点为中心进行聚类,对空间中靠近k个聚类中心的对象进行归类,通过迭代方法,逐次更新聚类中心的值,直到得到符合要求的聚类中心。
k-means聚类算法过程如下:
(1)选择多个类别的中心点,组成集合K,记中心点为各个类别所对应的中心点为/>其中k∈K;
(2)对任意一个空间中存在的样本点xi,求其到各类中心的距离,将该样本点归类到与其距离最短的中心所在的类:
(3)完成聚类后,重新计算每个类别的聚类中心:
其中,Ck为第k个聚类中心所属的簇;
重复步骤(2)-(3),直到k个类的聚类中心不再改变,或者达到一定的迭代次数,则迭代结束,否则继续迭代。
将每条历史用户充电行为转换为时间序列数据的过程包括:
首先,读取历史用户充电行为中的充电开始时间和充电停止时间等具有“YYYY-MM-DD-HH-MM-SS”格式的数据;其中,Y是年份,M是月份,D是日期,H是小时,M是分钟,S是秒数;
然后,将上述格式的数据转化成十进制数据,并将十进制数据的充电开始时间和充电停止时间,按照电动汽车充电的两种状态进行时间序列数据的初步转化;其中,两种状态包括未充电状态为0和充电状态为1;
最后,将初步转化完成的用户第i天的充电行为以设定的单位时间段重新组成时间序列数据zi(t),由此得到完整的用户充电行为的时间序列数据集。
由于传统的时间序列数据预测方法存在诸多问题,如数据集扩展问题、数据关联性问题等,由此,本实施例将一维的时间序列数据转化为二维图像后,一方面将原始数据化繁为简,使得接下来的数据形式更加适配模型;另一方面,转化为二维图像之后,实际是实现了数据的升维过程,完成了表征的转换,可以凸显数据的性质,进一步发现更多数据间的规律和信息,丰富数据特征,以进一步提高预测精准度。
在本实施例中,将时间序列数据转换为二维图像之前,需要进行数据预处理;由于时间序列数据是按照电动汽车充电的两种状态进行赋值的,即未充电状态为0,充电状态为1,因此为了更加方便带入此后的模型进行训练、测试和预测,将时间序列数据中的所有数据均乘上255,完成单个时间序列数据中数据点到图像像素点的转换。
在本实施例中,时间序列数据转化为图像的过程包括:
令时间序列数据zi(t)为任意一个用户一个月中第i天充电行为的时间序列数据;那么,在图像转化过程中,将一个用户的某一个月中每一天的时间序列数据视作一个特征变量,且考虑到转化后的图像将用作未来用户充电行为的预测,因此将该用户所有的特征变量以时间序列的形式进行排列,即将第一天的时间序列数据z1(t)放置在图像的第一行,第二天的时间序列数据z2(t)放置在图像的第二行,剩余的特征变量以此类推,如图2所示,由此构成用户充电行为图像。
由于一个用户一个月的充电行为数据只能构成一张灰度图像,因此本实施例对用户充电行为图像通过深度卷积对抗网络(DCGAN)进行数据扩增;具体包括:
首先将用户充电行为图像进行图像处理,以更加合理的送入到DCGAN网络中进行数据扩展。送入到DCGAN网络中的图像尺寸需要经过人为设定,本实施例将图像尺寸定为30*30的图像大小,涉及到以下两方面的考虑:
(1)图像大小与模型的计算量问题;一般来说,出于实用性的考虑,对于一个网络模型,输入的图像尺寸越大,模型的参数或者计算量也会随之上升,因此,为了减少模型运算的负荷,同时考虑源数据的数据形式,将图像大小定为30*30。
(2)Transformer网络本身对于图像的要求;Transformer模型在位置编码阶段会根据输入图像的大小产生一个固定的patch size用于将图像分割为若干个patch,进而映射成特征向量并进行位置编码。因此,如果不提前统一规划输入图像的大小,由于patch的尺寸的固定,分割出来的patch数目就会变化,进而影响特征图尺寸,之后的位置编码也就无法一一对应。因此,在设计中将图像的大小统一尺寸。
然后,基于滑动窗口对统一尺寸后的用户充电行为图像进行图像分割;使用拼接方法将分割后的图像进行拼接,整体实现将图像从尺寸上的缩减补充到维度深度上的扩展;具体处理步骤如下:
一张二维的灰度图像有30个特征变量,每个特征变量包含90个时间序列数据点,即图像中的像素点;为了合理规划图像尺寸以便作为输入图像送入到DCGAN网路中,考虑使用滑动窗口的方法,将滑动步长设置为30,经过处理,每一张灰度图像可以初步获得三张高度和宽度均为30的二维灰度图像;
将以上获得的三张高度和宽度均为30的二维灰度图像进行拼接操作,从而获得通道数目为3,高度和宽度均为30的彩色图像,至此完成数据扩增前的图像处理任务,如图3所示。
DCGAN网络是通过将CNN网络和GAN网络结合到一起实现的,因此较一般的GAN网络,该网络具有更好的稳定,在增强图像方面,原始图像经过网络的训练也会获得关联性更好,图像质量更高的数据集。使用DCGAN网络解决以下两个问题(1)解决因为训练数据较少时导致的模型预测准确率低的问题;(2)解决不同类别用户数据集之间数据不平衡的问题。
DCGAN网络训练过程如下:
首先将生成器参数固定,更新判别器的参数并使其达到最大化。完成判别器的参数设定后,再将判别器的参数固定,优化生成器的参数并使其达到最小化。整个过程中生成器和判别器一直在不断地学习和对抗,最终得到的参数表示为:
最终生成器将会生成更加接近真实图片的数据,通过不断地迭代,从而达到只用少量的用户充电行为样本,即可获得较好的模型训练效果。
在DCGAN网络的训练过程中,生成器和判别器都是在卷积神经网络的架构进行的训练,且都运用到了深度卷积神经网络,同时为了防止模型的不稳定,在生成器的输出层和鉴别器的输入层都放弃使用了BN层;其中,卷积神经网络包含卷积层、激活函数、池化层、全连接层、softmax层;而生成器和鉴别器保留卷积神经网络的架构但是撤销了池化层,生成器使用反卷层取代卷积层。
将经过DCGAN网络增强后的用户充电行为图像进行划分,按照训练集占70%,测试集占30%的策略进行,同时将划分好的数据集送入预测模型进行训练。
在本实施例中,基于每类扩增后的用户充电行为图像构建并训练预测模型,预测模型基于Transformer模型构建,如图4所示,以通过多头自注意力机制优化用户行为预测结果,并将预测结果与真实数据进行误差求解与分析,最终得到可供用户使用的充电行为策略。
模型训练过程具体包括:
Transformer模型训练过程由四个部分组成:输入、编码模块、解码模块、输出;编码模块和解码模块都是由N个功能相同的block组成。Transformer输入是序列数据,因此,对于输入的用户充电行为图像需要进行序列编码,同时根据图像位置进行位置编码,并将两种编码相结合,经过位置编码后的数据进入到编码模块,query、key、value都是由输入数据和相应的矩阵相乘得到的,之后会进入到解码模块,query是已知的结果的图像数据输入,key、value是编码模块的输出,最后经过线性连接层和Softmax层输出概率结果,经过训练不断更新模型中的参数。
通过预测图像与真实图像进行比对与运算,对模型训练的预测精准度进行评估;此处采用推理计算损失函数,推理计算损失函数使用均方误差、平均绝对误差和决定系数三种误差计算方法进行误差计算;
其中,n为样本数量,yi为真实值,为模型预测值,/>为真实值的平均值。
通过将用户充电行为预测时段为目标来截取已知用户充电行为数据作为真实数据,并以此为标准与通过预测模型获得到的用户充电行为预测数据进行比对,同时考虑不同类别的用户,真实数据和预测数据按照用户类别进行分类和比对,并将其组合成真实数据集和预测数据集,完成对数据集的整合后,将两个数据集合中的图像数据进行tanh函数处理:
tanh函数将图像数据范围处理到0-1之间,使得数据更加合理地带入三种误差计算公式进行计算,并将计算得到的结果进行递推中位值平均数据滤波,使得获得的数据结果更加准确;该种数据滤波方法结合使用了中位值滤波方法和平均值滤波方法,既能很好地适应数据的形式同时也能排除因个别数据预测失误造成的结果偏差较大的问题,至此完成推理计算损失函数部分。
通过对预测结果和真实结果的误差评判,根据评定结果做出分析。一方面,根据分析的结果可以与传统类别的预测结果做对比,从而改进结构和方法来进一步提高预测的准确率。另一方面,用户行为数据经过k-means聚类得到了不同类别的用户充电行为,因此在实际进行用户行为预测时,也根据不同类别的用户,分别得到预测的结果并进行分析和准确度的参考,并针对不同类别的用户进一步给出合理的充电行为策略。
实施例2
本实施例提供一种电动汽车充电行为预测系统,包括:
预处理模块,被配置为对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
图像生成模块,被配置为将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
行为预测模块,被配置为基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
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)
1.一种电动汽车充电行为预测方法,其特征在于,包括:
对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
2.如权利要求1所述的一种电动汽车充电行为预测方法,其特征在于,根据历史用户充电行为中的充电开始时间和充电停止时间,将历史用户充电行为进行不同类别的划分。
3.如权利要求1所述的一种电动汽车充电行为预测方法,其特征在于,将每条历史用户充电行为转换为时间序列数据的过程包括:
将历史用户充电行为中的充电开始时间和充电停止时间转化成十进制数据,将十进制数据的充电开始时间和充电停止时间,按电动汽车充电状态进行初步转化;其中,电动汽车充电状态包括未充电状态和充电状态,将未充电状态赋值为0,将充电状态赋值为1;将初步转化的数据以设定的单位时间段重新组成时间序列数据。
4.如权利要求1所述的一种电动汽车充电行为预测方法,其特征在于,将时间序列数据转换为用户充电行为图像前,将时间序列数据中的所有数据均乘255,完成单个时间序列数据中数据点到图像像素点的转换。
5.如权利要求1所述的一种电动汽车充电行为预测方法,其特征在于,将用户充电行为图像进行数据扩增的过程包括:
根据设定的图像大小对用户充电行为图像的尺寸进行统一;
基于滑动窗口对统一尺寸后的用户充电行为图像进行图像分割;
基于拼接方法将分割后的用户充电行为图像进行拼接,以将用户充电行为图像从尺寸上的缩减补充到维度深度上的扩展。
6.如权利要求5所述的一种电动汽车充电行为预测方法,其特征在于,根据设定的滑动步长,将每一张统一尺寸后的用户充电行为图像分割为三张高度和宽度均为滑动步长的灰度图像;
将三张高度和宽度均为滑动步长的灰度图像进行拼接操作,得到通道数目为3,高度和宽度均为滑动步长的彩色图像。
7.如权利要求1所述的一种电动汽车充电行为预测方法,其特征在于,所述预测模型包括编码模块,其中,对输入的用户充电行为图像进行序列编码,同时根据图像位置进行位置编码,将两种编码相结合后输入编码模块。
8.一种电动汽车充电行为预测系统,其特征在于,包括:
预处理模块,被配置为对历史用户充电行为进行数据聚类,并将每条历史用户充电行为转换为时间序列数据;
图像生成模块,被配置为将单个用户的一条时间序列数据作为一个特征变量,将该用户所有的特征变量以时间序列方式进行排列,由此构成用户充电行为图像,并将用户充电行为图像进行数据扩增;
行为预测模块,被配置为基于每类扩增后的用户充电行为图像构建并训练预测模型,基于训练后的预测模块,根据待测用户充电行为进行每类用户充电行为的预测。
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 |
---|---|---|---|
CN202310425528.2A CN116544910A (zh) | 2023-04-17 | 2023-04-17 | 一种电动汽车充电行为预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310425528.2A CN116544910A (zh) | 2023-04-17 | 2023-04-17 | 一种电动汽车充电行为预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116544910A true CN116544910A (zh) | 2023-08-04 |
Family
ID=87442687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310425528.2A Pending CN116544910A (zh) | 2023-04-17 | 2023-04-17 | 一种电动汽车充电行为预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116544910A (zh) |
-
2023
- 2023-04-17 CN CN202310425528.2A patent/CN116544910A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
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 | |
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
CN117252448B (zh) | 基于时空特征提取及二次分解聚合的风电功率预测方法 | |
CN117251705A (zh) | 一种每日天然气负荷预测方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN116544910A (zh) | 一种电动汽车充电行为预测方法及系统 | |
CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN116152263A (zh) | 一种基于cm-mlp网络的医学图像分割方法 | |
CN114496068A (zh) | 蛋白质二级结构预测方法、装置、设备及存储介质 | |
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 | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
CN116662766B (zh) | 基于数据二维重构的风速预测方法及装置、电子设备 |
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 |