CN116667326A - 一种电动汽车充电负荷预测方法 - Google Patents
一种电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN116667326A CN116667326A CN202310626730.1A CN202310626730A CN116667326A CN 116667326 A CN116667326 A CN 116667326A CN 202310626730 A CN202310626730 A CN 202310626730A CN 116667326 A CN116667326 A CN 116667326A
- Authority
- CN
- China
- Prior art keywords
- prediction
- representing
- load
- autoformer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 239000000463 material Substances 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims description 3
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000007858 starting material Substances 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电动汽车充电负荷预测方法,首先对电动汽车充电负荷数据处理及分析,即整理电动汽车充电负荷数据,并进行预处理与清洗,从而得到日负荷曲线;针对传统时间序列预测方法在训练数据集构造方面的不足,提出交叉训练集构造方法构造交叉训练集,交叉训练集分为水平训练集和垂直训练集;利用交叉训练集对GRU‑Autoformer模型进行训练得到两个预测模型,然后利用训练好的预测模型对待测样本进行预测;随后,对预测结果进行自适应加权求和,得到预测值;同时,利用改进的材料生成算法优化Autoformer的超参数提高模型性能;最后,结合实时测量值使用自适应卡尔曼滤波对预测结果进行校正,提高对充电负荷估计的准确性,得到最终的预测负荷。
Description
技术领域
本发明属于新能源汽车领域,涉及一种电动汽车充电负荷预测方法,尤其涉及一种基于GRU-Autoformer模型的电动汽车充电负荷预测办法。
背景技术
目前,我国电动汽车快速普及,电动汽车产业化能有效解决环境污染和能源消耗的问题。由于电动汽车用户充电需求具有时空不确定性,充电负荷时序数据具有极强的随机性和波动性,对电力系统的安全和稳定带来极大挑战。预测电动汽车充电需求可以为电力系统的运行调度提供重要参考,并且为充电设施选址以及城市规划提供依据。关于电动汽车充电负荷预测的研究方法主要分为两大类:模型驱动和数据驱动。模型驱动主要指综合考虑影响电动汽车充电负荷的相关因素,结合对应原理,建立数学模型和计算机模拟对电动汽车充电负荷进行建模预测。现有技术中,虽然在建模过程中考虑了影响电动汽车充电负荷的诸多因素,但预测分析相对主观,此类方法缺乏真实数据支撑,预测结果可信度不高。与模型驱动的电动汽车充电负荷预测相比,利用数据驱动进行预测能够深度挖掘电动汽车负荷数据的潜在趋势,预测结果具有客观性,并且简化预测模型以及预测精度高的优点。数据驱动方法是一种以负荷数据为出发点的方法,它通过将数据划分为训练集和测试集,并利用统计学习方法来学习训练集数据的特征。该方法以电动汽车负荷数据在测试集上的最小误差为训练目标,以此得到与实际负荷数据相匹配的预测生态。相对于模型支撑方法,数据驱动方法更加科学和严谨,但是容易因片面追求最小误差而陷入过拟合的局面。另外,由于需要人为设置超参数,当训练数据处于局部最小值的情况时,可能无法得到满意的结果。
根据现有的研究结果,对于数据驱动方法中的分支研究——深度学习预测,其预测准确度要高于其他方法。然而,一般电动汽车充电负荷数据具有较强的非平稳性和非线性,采用单一的深度学习模型难以达到理想的预测效果。
发明内容
发明目的:为了解决背景技术中所提出的问题,本发明提供一种电动汽车充电负荷预测方法,对电动汽车充电负荷进行较为精确的短期预测。
技术方案:本发明提出一种电动汽车充电负荷预测方法,包括以下步骤:
(1)预先获取电动汽车历史充电负荷数据,并对负荷数据进行预处理与清洗,得到日负荷曲线;
(2)将预处理后的历史充电负荷数据划分为训练集和测试集,并在训练集中获取水平训练集和垂直训练集;
(3)建立基于门控循环单元GRU和Autoformer的混合预测模型,利用改进的材料生成优化算法优化GRU-Autoformer预测模型参数,所述的改进的材料生成优化算法包括利用拉丁超立方初始化代替原来的随机初始化;
(4)对步骤(2)中获取的水平训练集和垂直训练集分别进行GRU-Autoformer训练,确定最优网络参数,得到GRU-Autoformer_H预测模型和GRU-Autoformer_L预测模型,然后分别对预测日进行负荷预测,将两个预测模型的预测结果进行线性组合加权;
(5)通过对电动汽车充电设施设置充电功率采样观测点,使用测量值对GRU-Autoformer预测结果进行自适应卡尔曼滤波误差校正,得到符合系统状态的预测结果。
进一步地,所述步骤(1)实现过程如下:
筛选有用的信息,包括车牌号、交易电量、充电开始时间和充电结束时间;根据预处理后电动汽车的负荷数据,计算电动汽车充电负荷值p,处理成15min时间间隔的日负荷值,从而得到日负荷曲线;电动汽车充电负荷值p:
进一步地,所述步骤(2)实现过程如下:
水平训练集为水平地采集一段时序上连续的历史数据样本;垂直训练集为从历史数据中挑选出与待预测时刻具有相同时间属性的离散样本;
将历史充电负荷数据按日期属性分为了85个子集:对于非节假日而言,一个月份的相同星期组成一个子集,一个星期为7天,一年有12个月,由此可以得到84个子集;所有节假日组成另一个子集,得到85个数据子集。
进一步地,步骤(3)所述混合预测模型构建过程如下:
GRU内部逻辑结构关系如下式:
zt=σ(W(z)pt+W(z)xt-1) (2)
rt=σ(W(r)pt+W(r)xt-1) (3)
x’t=tanh(Wpt+rt×Wxt-1) (4)
xt=zt×ht-1+(1-zt)×x’t (5)
式中:pt表示第t个负荷数据、zt表示t时刻的更新门、rt表示t时刻的重置门、W(z)表示更新门的权重、W(r)表示重置门的权重、W表示更新门与上一时刻重置门记忆内容权重矩阵、σ表示sigmoid函数,tanh表示tanh函数、“×”是矩阵Hadamard积,xt'为之前时刻电动汽车充电负荷特性,xt为当下时刻负荷特性;
将GRU挖掘的电动汽车负荷特性xt作为Autoformer的输入;通过Autoformer内的序列分解单元,基于滑动平均思想,平滑在周期项,突出趋势项:
其中,x为待分解的隐变量,xc,xs分别为趋势项和周期项,将上述公式记为xc,xs=SeriesDecomp(x),将上述序列分解单元嵌入Autoformer层间;
在Encoder部分,逐步消除趋势项,得到周期项;构建自相关机制,聚合不同周期的相似子过程,实现信息聚合:
其中,AutoCorrelation为自相关机制,表示编码器l-1层的输入,/>表示编码器l层第一次序列分解后的周期项,FeedForward表示前馈单元,/>表示编码器l层第二次序列分解后的周期项;
在Decoder部分,对趋势项与周期项分别建模;其中,对于周期项,自相关机制利用序列的周期性质,聚合不同周期中具有相似过程的子序列;对于趋势项,使用累积的方式,逐步从预测的隐变量中提取出趋势信息:
其中,表示编码器N层的输入,/>分别表示解码器l层第一、二、三次序列分解后的趋势项,w表示分解后的趋势项累加到总的趋势项之间的权重,/>表示解码器l层输出的趋势项;
通过自相关机制来实现高效的序列级连接,从而扩展信息效用;不同周期的相似相位之间通常表现出相似的子过程,利用这种序列固有的周期性来设计自相关机制,其中,包含基于周期的依赖发现和时延信息聚合;
基于周期的依赖发现:基于随机过程理论,对于实离散时间过程{xt},如下计算其自相关系数:
其中,自相关系数Rxx(τ)表示序列{xt}与它的τ延迟{xt-T}之间的相似性,即周期长度为τ的置信度为R(τ);
时延信息聚合:首先使用Roll()操作进行信息对齐,再进行信息聚合,然后使用query、key、value的形式:
其中,SoftMax为SoftMax函数。
进一步地,步骤(3)所述采用改进的材料生成优化算法优化GRU-Autoformer模型参数的实现过程如下:
设置材料生成优化算法的目标函数为Autoformer模型中的权重,编码器层数,解码器层数,将这三个参数作为算法的输入,设置上下限;适应度值为训练集误差指标;
在优化过程的第一阶段,是在搜索空间随机确定的,现通过拉丁超立方初始化方法代替原来的随机初始化,其公式如下:
其中,为第i个材料的第j个元素的下界,/>为第i个材料的第j个元素的上界,Cj表示第i个材料所在的子搜索空间,RFP为全排列操作,n表示材料种类,d表示问题维度,PTEi表示第i个材料的初始化值,rand是[0,1]区间内的一个随机数;
材料Mat由多个周期元素PTEj组成:
Mat=[PTE1 PTE2…PTEj…PTEd](17)
其中,d是每种材料中元素的数量;
对每个PTE使用连续概率分布来配置化合物,该化合物被视为新的PTE,如下所示:
其中,r1和r2分别为[1,n]和[1,d]区间内的均匀分布随机整数;是从Mat中随机选择的PTE;e-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量;/>表示新材料的位置,即新生成Autoformer的权重,编码器层数,解码器层数的值;
基于随机选择的初始元素来计算选择新元素/>的概率如下所示:
其中,μ是对应于所选随机PTE分布的均值或期望值;σ是标准差;σ2是方差;e是自然对数的自然基;
新创建的PTE用于生产新材料Matnew1,然后将其作为新的备选解添加到初始材料列表Mat中:
通过化学反应概念对生产新材料的过程进行数学建模,确定一个整数随机数,该数与参与化学反应的初始材料的数量有关;然后生成t个整数随机数(mj)以确定选定材料在初始材料中的位置,新解是其他解的线性组合;对于每种材料,还计算了参与因子P,不同的材料将参与不同过程的反应,数学表示如下:
其中,Matm是从初始Mat中随机选择的第m种材料;pm是Matm参与的正态高斯分布因子;Matnew2是该化学反应模型生成的新材料;
考虑到化合物和化学反应构型方法,总体备选方案组合如下:
计算新材料的适应度值,新材料取代最差的适应度值的材料,根据所创造的材料和替代过程更新全局最优解,将最好的适应度值对应的材料的所在的位置作为输出,更新Autoformer模型的权重、编码器层数、解码器层数。
进一步地,步骤(4)所述将两个预测模型的预测结果进行线性组合加权,实现过程如下:
式中,分别为GRU-Autoformer_H和GRU-Autoformer_L的预测值;k1、k2为权重系数;yt为组合预测值;设有m个预测样本,/>为第i种预测模型第t个样本的拟合预测值,Yt为第t个样本的实际值,其预测的绝对误差为/>令et=yt-Yt,则有/>
权重系数k1、k2,由平方和误差最小来求,其表达式为:
权重系数的求解用下列模型:
式中,RT=[1,1],ki≥0(i=1,2);对上式用拉格朗日乘子法求解,得:
进一步地,步骤(5)所述的自适应卡尔曼滤波包括预测、更新,实现过程如下:
假设电动汽车充电观测系统以及估计系统均为线性离散系统,认为一天中任意时刻,全网电动汽车充电负荷存在如下关系:
式中:Pt为系统t时刻电动汽车充电负荷;为系统参数,不全为0,表达t时刻以前负荷对t时刻的影响;ut为系统噪声;
而对于系统观测量,存在如下关系:
yt=Pt+vt(28)
式中:yt为对电动汽车充电负荷的直接观测量;vt为在观测过程中产生的噪声;
式(27)、式(28)使用卡尔曼滤波状态空间方程表达为:
式中,xt=[Pt,…,Pt-n+1]T;转移矩阵A为状态转移矩阵,B为系统模型参数;C为行矩阵,C=[1 0…0]1×n;wt代表t时刻的过程噪声;
假设系统状态为t,根据系统的上一个状态预测出现在的状态:
xt|t-1=Axt-1|t-1+But (30)
式中:xt|t-1是利用上一状态预测出的现在状态的结果;xt-1|t-1是上一状态最优的结果;ut是现在状态的控制量;
通过上一时刻电动汽车负荷预测的最优结果不断参与迭代本时刻的预测,本时刻预测结果xt|t-1对应的协方差U可以更新为:
Ut|t-1=AUt-1|t-1AT+Q (31)
式中,Q为系统过程的协方差;
根据上一状态最优值得到的现在状态的预测值和现在状态重新测量的测量值,得到现在状态t时最优化估算值为:
xt|t=xt|t-1+Kt[yt-cxt|t-1] (32)
式中,Kt为卡尔曼增益,c表示测量系统的参数:
其中,R为测量噪声vt的协方差;
卡尔曼增益与协方差还存在关系:
Ut|t=(1-Ktc)Ut|t-1 (34)
为了增强对电动汽车负荷预测数据的抗干扰能力,实现自适应性,引入自适应遗忘因子λt:
Ht=ht-QQTα-Ot (36)
Lt=QQTRt-1 (37)
式中,Ot代表t时刻量测噪音方差矩阵;ht代表t时刻过程噪声方差;Ht代表t时刻噪声误差方差;Lt代表t时刻的卡尔曼估计误差增益因子;Rt-1代表t-1时刻的卡尔曼估计误差协方差;δt代表t时刻的新息;ω代表卡尔曼滤波器的记忆长度;
将计算出来的自适应遗忘因子λt引入公式(32),得到现在状态t时最优化估算值:
xt|t=λtxt|t-1+Kt[yt-cxt|t-1] (39)
在任意t时刻,通过GRU-Autoformer模型预测得到xt作为初始值;同时,通过测量值yt对xt进行卡尔曼滤波修正,得到t+1时刻系统充电功率估算的最优值。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明针对传统时间序列预测方法在训练数据集构造方面的不足,提出交叉训练集构造方法构造交叉训练集,交叉训练集分为水平训练集和垂直训练集;交叉训练集既能够反应负荷数据跨时段的波动规律,又能够捕获其短期内的波动趋势;
2、本发明采用GRU网络提取负荷数据特征,适用于数据特征复杂度高,上下联系紧密的时序负荷数据,有效提高了模型的稳定性和收敛速度,增强了模型整体的泛化能力和鲁棒性,有助于提高预测精度,维持电网稳定;
3、通过对GRU-Autoformer预测电动汽车充电总功率的方法进行分析,提出了结合实时测量值使用自适应卡尔曼滤波对GRU-Autoformer预测结果进行修正的方法,在传统的卡尔曼滤波中加入自适应遗忘因子对外界噪声的抗干扰能力,对电动汽车充电负荷进行较为精确的短期预测。
附图说明
图1为本发明的流程图。
图2为GRU-Autoformer预测模型实现流程图;
图3为改进的材料生成优化算法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种电动汽车充电负荷预测方法,如图1所示,具体包括以下步骤:
步骤1:预先获取电动汽车充电负荷数据,并对负荷数据进行预处理与清洗,得到日负荷曲线。
对电动汽车负荷数据进行数据清洗与处理;筛选有用的信息,包括车牌号、交易电量、充电开始时间和充电结束时间;根据预处理后电动汽车的负荷数据,计算电动汽车充电负荷值p,处理成15min时间间隔的日负荷值,从而得到日负荷曲线;计算电动汽车充电负荷值p:
步骤2:将原始负荷数据划分为训练集和测试集,在训练集中获取水平训练集和垂直训练集,水平训练集和垂直训练集被称为交叉训练集。
水平训练数据构造方法为水平地采集一段时序上连续的历史数据样本作为训练集,垂直训练数据构造方法从历史数据中挑选出与待预测时刻具有相同时间属性的离散样本作为训练集。
将所有历史数据按日期属性分为了85个子集。对于非节假日而言,一个月份的相同星期组成一个子集,一个星期为7天,一年有12个月,由此可以得到84个子集;所有节假日组成另一个子集,得到85个数据子集。
步骤3:如图2所示,建立基于门控循环单元GRU和Autoformer的混合预测模型,利用改进的材料生成优化算法优化GRU-Autoformer的模型参数。其中,改进的材料生成优化算法包括利用拉丁超立方初始化代替原来的随机初始化。
步骤3.1:GRU内部逻辑结构关系如下式:
zt=σ(W(z)xt+W(z)xt-1) (2)
rt=σ(W(r)xt+W(r)xt-1) (3)
x’t=tanh(Wxt+rt×Wxt-1) (4)
xt=zt×xt-1+(1-zt)×x’t (5)
式中:pt表示第t个负荷数据、zt表示t时刻的更新门、rt表示t时刻的重置门、W(z)表示更新门的权重、W(r)表示重置门的权重、W表示更新门与上一时刻重置门记忆内容权重矩阵、σ表示sigmoid函数,tanh表示tanh函数、“×”是矩阵Hadamard积,x’t为之前时刻电动汽车充电负荷特性,xt为当下时刻负荷特性。
步骤3.2:将GRU挖掘的电动汽车负荷特性ht作为Autoformer的输入。
通过Autoformer内的序列分解单元,基于滑动平均思想,平滑在周期项,突出趋势项:
其中,x为待分解的隐变量,xc,xs分别为趋势项和周期项,将上述公式记为xc,xs=SeriesDecomp(x)。将上述序列分解单元嵌入Autoformer层间。
在Encoder部分,逐步消除趋势项,得到周期项。而基于这种周期性,设计自相关机制,聚合不同周期的相似子过程,实现信息聚合:
其中,AutoCorrelation为自相关机制,表示编码器l-1层的输入,/>表示编码器l层第一次序列分解后的周期项,FeedForward表示前馈单元,/>表示编码器l层第二次序列分解后的周期项。
在Decoder部分,对趋势项与周期项分别建模。其中,对于周期项,自相关机制利用序列的周期性质,聚合不同周期中具有相似过程的子序列;对于趋势项,使用累积的方式,逐步从预测的隐变量中提取出趋势信息:
其中,表示编码器N层的输入,/>分别表示解码器l层第一、二、三次序列分解后的趋势项,w表示分解后的趋势项累加到总的趋势项之间的权重,/>表示解码器l层输出的趋势项。
通过自相关机制来实现高效的序列级连接,从而扩展信息效用。不同周期的相似相位之间通常表现出相似的子过程,利用这种序列固有的周期性来设计自相关机制,其中,包含基于周期的依赖发现和时延信息聚合。
基于周期的依赖发现:基于随机过程理论,对于实离散时间过程{xt},如下计算其自相关系数:
其中,自相关系数表示序列{xt}与它的τ延迟{xt-T}之间的相似性,将这种时延相似性看作未归一化的周期估计的置信度,即周期长度为τ的置信度为/>
时延信息聚合:首先使用Roll()操作进行信息对齐,再进行信息聚合,依然使用query、key、value的形式。
其中,SoftMax为SoftMax函数。
如图3所示,改进的材料生成优化算法步骤如下:
设置材料生成优化算法的目标函数为Autoformer模型中的权重,编码器层数,解码器层数,将这三个参数作为算法的输入,设置上下限;适应度值为训练集误差指标。
在优化过程的第一阶段,是在搜索空间随机确定的,现通过拉丁超立方初始化方法代替原来的随机初始化,其公式如下:
其中,为第i个材料的第j个元素的下界,/>为第i个材料的第j个元素的上界,Cj表示第i个材料所在的子搜索空间,RFP为全排列操作,n表示材料种类,d表示问题维度,PTEi表示第i个材料的初始化值,rand是[0,1]区间内的一个随机数。
材料Mat由多个周期元素PTEj组成:
Mat=[PTE1 PTE2…PTEj…PTEd](17)
其中,d是每种材料中元素的数量。
对每个PTE使用连续概率分布来配置化合物,该化合物被视为新的PTE,如下所示:
其中,r1和r2分别为[1,n]和[1,d]区间内的均匀分布随机整数;是从Mat中随机选择的PTE;e-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量;/>表示新材料的位置。
基于随机选择的初始元素来计算选择新元素/>的概率如下所示:
其中,μ是对应于所选随机PTE分布的均值或期望值;σ是标准差;σ2是方差;e是自然对数的自然基。
新创建的PTE用于生产新材料(Matnew1),然后将其作为新的备选解添加到初始材料列表(Mat)中:
通过化学反应概念对生产新材料的过程进行数学建模,确定一个整数随机数(t),该数与参与化学反应的初始材料的数量有关。然后生成t个整数随机数(mj)以确定选定材料在初始材料中的位置,新解是其他解的线性组合。对于每种材料,还计算了参与因子(p),因为不同的材料将参与不同过程的反应,数学表示如下:
其中,Matm是从初始Mat中随机选择的第m种材料;pm是Matm参与的正态高斯分布因子;Matnew2是该化学反应模型生成的新材料。
考虑到化合物和化学反应构型方法,总体备选方案组合如下:
计算新材料的适应度值,新材料取代最差的适应度值的材料,根据所创造的材料和替代过程更新全局最优解,将最好的适应度值对应的材料的所在的位置作为输出,更新Autoformer模型的权重、编码器层数、解码器层数。
步骤4:对步骤2中两个方向的数据集分别进行GRU-Autoformer训练,确定最优网络参数,得到GRU-Autoformer_H和GRU-Autoformer_L预测模型,然后分别对预测日进行负荷预测,将两个预测模型的预测结果进行线性组合加权。
线性权重组合法具体为:
式中,分别为GRU-Autoformer_H和GRU-Autoformer_L的预测值;k1、k2为权重系数;yt为组合预测值。设有m个预测样本,/>为第i种预测模型第t个样本的拟合预测值,Yt为第t个样本的实际值,其预测的绝对误差为/>令et=yt-Yt,则有/>
权重系数k1、k2,由平方和误差最小来求,其表达式为:
权重系数的求解用下列模型,即:
式中,RT=[1,1],ki≥0(i=1,2)。对上式用拉格朗日乘子法求解,得:
步骤5:通过对电动汽车充电设施设置充电功率采样观测点,使用测量值对GRU-Autoformer模型预测结果进行自适应卡尔曼滤波误差校正,得到符合系统状态的预测结果。
自适应卡尔曼滤波包括预测、更新:假设电动汽车充电观测系统以及估计系统均为线性离散系统,可以认为一天中任意时刻,全网电动汽车充电负荷存在如下关系:
式中:Pt为系统t时刻电动汽车充电负荷;为系统参数,不全为0,表达t时刻以前负荷对t时刻的影响;ut为系统噪声。
而对于系统观测量,存在如下关系:
yt=Pt+vt (28)
式中:yt为对电动汽车充电负荷的直接观测量;vt为在观测过程中产生的噪声。
式(27)、式(28)可使用卡尔曼滤波状态空间方程表达为:
式中,xt=[Pt,…,Pt-n+1]T;转移矩阵A为状态转移矩阵,B为系统模型参数;C为行矩阵,C=[1 0…0]1×n;wt代表t时刻的过程噪声。
假设系统状态为t,可以根据系统的上一个状态预测出现在的状态:
xt|t-1=Axt-1|t-1+But (30)
式中:xt|t-1是利用上一状态预测出的现在状态的结果;xt-1|t-1是上一状态最优的结果;ut是现在状态的控制量,如果没有控制量,可以为0。
通过上一时刻电动汽车负荷预测的最优结果不断参与迭代本时刻的预测。在这个基础上,本时刻预测结果xt|t-1对应的协方差U可以更新为:
Ut|t-1=AUt-1|t-1AT+Q (31)
式中,Q为系统过程的协方差。
然后根据上一状态最优值得到的现在状态的预测值和现在状态重新测量的测量值,可以得到现在状态t时最优化估算值为:
xt|t=xt|t-1+Kt[yt-cxt|t-1] (32)
式中,Kt为卡尔曼增益,c表示测量系统的参数。
其中,R为测量噪声vt的协方差。
卡尔曼增益与协方差还存在关系:
Ut|t=(1-Ktc)Ut|t-1 (34)
为了增强对电动汽车负荷预测数据的抗干扰能力,实现自适应性,引入自适应遗忘因子λt:
其中:
Ht=ht-QQTα-Ot (36)
Lt=QQTRt-1 (37)
式中,Ot代表t时刻量测噪音方差矩阵;ht代表t时刻过程噪声方差;Ht代表t时刻噪声误差方差;Lt代表t时刻的卡尔曼估计误差增益因子;Rt-1代表t-1时刻的卡尔曼估计误差协方差;δt代表t时刻的新息;ω代表卡尔曼滤波器的记忆长度。
将上述计算出来的自适应遗忘因子λt引入公式(32),得到现在状态t时最优化估算值:
xt|t=λtxt|t-1+Kt[yt-cxt|t-1] (39)
在任意t时刻,都可以通过GRU-Autoformer模型预测得到xt作为初始值。同时,通过测量值yt对xt进行卡尔曼滤波修正,得到t+1时刻系统充电功率估算的最优值。
通过对GRU-Autoformer预测电动汽车充电总功率的方法进行分析,提出了结合实时测量值使用自适应卡尔曼滤波对GRU-Autoformer预测结果进行修正的方法,在传统的卡尔曼滤波中加入自适应遗忘因子对外界噪声的抗干扰能力,对电动汽车充电负荷进行较为精确的短期预测。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种电动汽车充电负荷预测方法,其特征在于,包括如下步骤:
(1)预先获取电动汽车历史充电负荷数据,并对负荷数据进行预处理与清洗,得到日负荷曲线;
(2)将预处理后的历史充电负荷数据划分为训练集和测试集,并在训练集中获取水平训练集和垂直训练集;
(3)建立基于门控循环单元GRU和Autoformer的混合预测模型,利用改进的材料生成优化算法优化GRU-Autoformer预测模型参数,所述的改进的材料生成优化算法包括利用拉丁超立方初始化代替原来的随机初始化;
(4)对步骤(2)中获取的水平训练集和垂直训练集分别进行GRU-Autoformer训练,确定最优网络参数,得到GRU-Autoformer_H预测模型和GRU-Autoformer_L预测模型,然后分别对预测日进行负荷预测,将两个预测模型的预测结果进行线性组合加权;
(5)通过对电动汽车充电设施设置充电功率采样观测点,使用测量值对GRU-Autoformer预测结果进行自适应卡尔曼滤波误差校正,得到符合系统状态的预测结果。
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,所述步骤(1)实现过程如下:
筛选有用的信息,包括车牌号、交易电量、充电开始时间和充电结束时间;根据预处理后电动汽车的负荷数据,计算电动汽车充电负荷值p,处理成15min时间间隔的日负荷值,从而得到日负荷曲线;电动汽车充电负荷值p:
3.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,所述步骤(2)实现过程如下:
水平训练集为水平地采集一段时序上连续的历史数据样本;垂直训练集为从历史数据中挑选出与待预测时刻具有相同时间属性的离散样本;
将历史充电负荷数据按日期属性分为了85个子集:对于非节假日而言,一个月份的相同星期组成一个子集,一个星期为7天,一年有12个月,由此可以得到84个子集;所有节假日组成另一个子集,得到85个数据子集。
4.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,步骤(3)所述混合预测模型构建过程如下:
GRU内部逻辑结构关系如下式:
zt=σ(W(z)pt+W(z)xt-1) (2)
rt=σ(W(r)pt+W(r)xt-1) (3)
x't=tanh(Wpt+rt×Wxt-1) (4)
xt=zt×ht-1+(1-zt)×x't (5)
式中:pt表示第t个负荷数据、zt表示t时刻的更新门、rt表示t时刻的重置门、W(z)表示更新门的权重、W(r)表示重置门的权重、W表示更新门与上一时刻重置门记忆内容权重矩阵、σ表示sigmoid函数,tanh表示tanh函数、“×”是矩阵Hadamard积,xt'为之前时刻电动汽车充电负荷特性,xt为当下时刻负荷特性;
将GRU挖掘的电动汽车负荷特性xt作为Autoformer的输入;通过Autoformer内的序列分解单元,基于滑动平均思想,平滑在周期项,突出趋势项:
其中,x为待分解的隐变量,xc,xs分别为趋势项和周期项,将上述公式记为xc,xs=SeriesDecomp(x),将上述序列分解单元嵌入Autoformer层间;
在Encoder部分,逐步消除趋势项,得到周期项;构建自相关机制,聚合不同周期的相似子过程,实现信息聚合:
其中,AutoCorrelation为自相关机制,表示编码器l-1层的输入,/>表示编码器l层第一次序列分解后的周期项,FeedForward表示前馈单元,/>表示编码器l层第二次序列分解后的周期项;
在Decoder部分,对趋势项与周期项分别建模;其中,对于周期项,自相关机制利用序列的周期性质,聚合不同周期中具有相似过程的子序列;对于趋势项,使用累积的方式,逐步从预测的隐变量中提取出趋势信息:
其中,表示编码器N层的输入,/>分别表示解码器l层第一、二、三次序列分解后的趋势项,w表示分解后的趋势项累加到总的趋势项之间的权重,/>表示解码器l层输出的趋势项;
通过自相关机制来实现高效的序列级连接,从而扩展信息效用;不同周期的相似相位之间通常表现出相似的子过程,利用这种序列固有的周期性来设计自相关机制,其中,包含基于周期的依赖发现和时延信息聚合;
基于周期的依赖发现:基于随机过程理论,对于实离散时间过程{xt},如下计算其自相关系数:
其中,自相关系数Rxx(τ)表示序列{xt}与它的τ延迟{xt-T}之间的相似性,即周期长度为τ的置信度为R(τ);
时延信息聚合:首先使用Roll()操作进行信息对齐,再进行信息聚合,然后使用query、key、value的形式:
其中,SoftMax为SoftMax函数。
5.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,步骤(3)所述采用改进的材料生成优化算法优化GRU-Autoformer模型参数的实现过程如下:
设置材料生成优化算法的目标函数为Autoformer模型中的权重,编码器层数,解码器层数,将这三个参数作为算法的输入,设置上下限;适应度值为训练集误差指标;
在优化过程的第一阶段,是在搜索空间随机确定的,现通过拉丁超立方初始化方法代替原来的随机初始化,其公式如下:
其中,为第i个材料的第j个元素的下界,/>为第i个材料的第j个元素的上界,Cj表示第i个材料所在的子搜索空间,RFP为全排列操作,n表示材料种类,d表示问题维度,PTEi表示第i个材料的初始化值,rand是[0,1]区间内的一个随机数;
材料Mat由多个周期元素PTEj组成:
Mat=[PTE1 PTE2…PTEj…PTEd](17)
其中,d是每种材料中元素的数量;
对每个PTE使用连续概率分布来配置化合物,该化合物被视为新的PTE,如下所示:
其中,r1和r2分别为[1,n]和[1,d]区间内的均匀分布随机整数;是从Mat中随机选择的PTE;e-是数学模型中用正态高斯分布表示的模拟电子丢失、获得或共享过程的概率分量;/>表示新材料的位置,即新生成Autoformer的权重,编码器层数,解码器层数的值;
基于随机选择的初始元素来计算选择新元素/>的概率如下所示:
其中,μ是对应于所选随机PTE分布的均值或期望值;σ是标准差;σ2是方差;e是自然对数的自然基;
新创建的PTE用于生产新材料Matnew1,然后将其作为新的备选解添加到初始材料列表Mat中:
通过化学反应概念对生产新材料的过程进行数学建模,确定一个整数随机数,该数与参与化学反应的初始材料的数量有关;然后生成t个整数随机数(mj)以确定选定材料在初始材料中的位置,新解是其他解的线性组合;对于每种材料,还计算了参与因子P,不同的材料将参与不同过程的反应,数学表示如下:
其中,Matm是从初始Mat中随机选择的第m种材料;pm是Matm参与的正态高斯分布因子;Matnew2是该化学反应模型生成的新材料;
考虑到化合物和化学反应构型方法,总体备选方案组合如下:
计算新材料的适应度值,新材料取代最差的适应度值的材料,根据所创造的材料和替代过程更新全局最优解,将最好的适应度值对应的材料的所在的位置作为输出,更新Autoformer模型的权重、编码器层数、解码器层数。
6.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,步骤(4)所述将两个预测模型的预测结果进行线性组合加权,实现过程如下:
式中,分别为GRU-Autoformer_H和GRU-Autoformer_L的预测值;k1、k2为权重系数;yt为组合预测值;设有m个预测样本,/>为第i种预测模型第t个样本的拟合预测值,Yt为第t个样本的实际值,其预测的绝对误差为/>令et=yt-Yt,则有
权重系数k1、k2,由平方和误差最小来求,其表达式为:
权重系数的求解用下列模型:
式中,RT=[1,1],ki≥0(i=1,2);对上式用拉格朗日乘子法求解,得:
7.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,步骤(5)所述的自适应卡尔曼滤波包括预测、更新,实现过程如下:
假设电动汽车充电观测系统以及估计系统均为线性离散系统,认为一天中任意时刻,全网电动汽车充电负荷存在如下关系:
式中:Pt为系统t时刻电动汽车充电负荷;为系统参数,不全为0,表达t时刻以前负荷对t时刻的影响;ut为系统噪声;
而对于系统观测量,存在如下关系:
yt=Pt+vt (28)
式中:yt为对电动汽车充电负荷的直接观测量;vt为在观测过程中产生的噪声;
式(27)、式(28)使用卡尔曼滤波状态空间方程表达为:
式中,xt=[Pt,…,Pt-n+1]T;转移矩阵A为状态转移矩阵,B为系统模型参数;C为行矩阵,C=[1 0…0]1×n;wt代表t时刻的过程噪声;
假设系统状态为t,根据系统的上一个状态预测出现在的状态:
xtt-1=Axt-1t-1+But (30)
式中:xt|t-1是利用上一状态预测出的现在状态的结果;xt-1|t-1是上一状态最优的结果;ut是现在状态的控制量;
通过上一时刻电动汽车负荷预测的最优结果不断参与迭代本时刻的预测,本时刻预测结果xt|t-1对应的协方差U可以更新为:
Ut|t-1=AUt-1|t-1AT+Q (31)
式中,Q为系统过程的协方差;
根据上一状态最优值得到的现在状态的预测值和现在状态重新测量的测量值,得到现在状态t时最优化估算值为:
xt|t=xt|t-1+Kt[yt-cxt|t-1] (32)
式中,Kt为卡尔曼增益,c表示测量系统的参数:
其中,R为测量噪声vt的协方差;
卡尔曼增益与协方差还存在关系:
Ut|t=(1-Ktc)Ut|t-1 (34)
为了增强对电动汽车负荷预测数据的抗干扰能力,实现自适应性,引入自适应遗忘因子λt:
其中:
Ht=ht-QQTα-Ot(36)
Lt=QQTRt-1(37)
式中,Ot代表t时刻量测噪音方差矩阵;ht代表t时刻过程噪声方差;Ht代表t时刻噪声误差方差;Lt代表t时刻的卡尔曼估计误差增益因子;Rt-1代表t-1时刻的卡尔曼估计误差协方差;δt代表t时刻的新息;ω代表卡尔曼滤波器的记忆长度;
将计算出来的自适应遗忘因子λt引入公式(32),得到现在状态t时最优化估算值:
xt|t=λtxt|t-1+Kt[yt-cxt|t-1] (39)
在任意t时刻,通过GRU-Autoformer模型预测得到xt作为初始值;同时,通过测量值yt对xt进行卡尔曼滤波修正,得到t+1时刻系统充电功率估算的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626730.1A CN116667326B (zh) | 2023-05-30 | 2023-05-30 | 一种电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626730.1A CN116667326B (zh) | 2023-05-30 | 2023-05-30 | 一种电动汽车充电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116667326A true CN116667326A (zh) | 2023-08-29 |
CN116667326B CN116667326B (zh) | 2024-02-23 |
Family
ID=87714765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626730.1A Active CN116667326B (zh) | 2023-05-30 | 2023-05-30 | 一种电动汽车充电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667326B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
CN112766618A (zh) * | 2020-12-25 | 2021-05-07 | 苏艺然 | 异常预测方法及装置 |
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 |
CN114358213A (zh) * | 2022-03-08 | 2022-04-15 | 湖南大学 | 非线性时序数据预测的误差消融处理方法及系统与介质 |
WO2022121251A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 文本处理模型训练方法、装置、计算机设备和存储介质 |
CN115587672A (zh) * | 2022-11-09 | 2023-01-10 | 国网湖南省电力有限公司 | 一种配变负荷预测及重过载预警方法及系统 |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
CN116108742A (zh) * | 2022-12-13 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 |
-
2023
- 2023-05-30 CN CN202310626730.1A patent/CN116667326B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
WO2022121251A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 文本处理模型训练方法、装置、计算机设备和存储介质 |
CN112766618A (zh) * | 2020-12-25 | 2021-05-07 | 苏艺然 | 异常预测方法及装置 |
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 |
CN114358213A (zh) * | 2022-03-08 | 2022-04-15 | 湖南大学 | 非线性时序数据预测的误差消融处理方法及系统与介质 |
CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
CN115587672A (zh) * | 2022-11-09 | 2023-01-10 | 国网湖南省电力有限公司 | 一种配变负荷预测及重过载预警方法及系统 |
CN116108742A (zh) * | 2022-12-13 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116667326B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
Solgi et al. | Long short-term memory neural network (LSTM-NN) for aquifer level time series forecasting using in-situ piezometric observations | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN108711847A (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
CN114547974A (zh) | 基于输入变量选择与lstm神经网络的动态软测量建模方法 | |
CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN112508244A (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN109190800B (zh) | 一种基于spark框架的海面温度预测方法 | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN116667326B (zh) | 一种电动汽车充电负荷预测方法 | |
Huang et al. | A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting | |
CN117114184A (zh) | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 | |
CN107274024A (zh) | 一种气象台站测量日总辐射曝辐量预测优化方法 | |
CN116822743A (zh) | 一种基于两阶段分解重构与误差校正的风电功率预测方法 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 |
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 |