CN117172390A - 一种基于场景划分的充电量预测方法与终端 - Google Patents
一种基于场景划分的充电量预测方法与终端 Download PDFInfo
- Publication number
- CN117172390A CN117172390A CN202311444644.5A CN202311444644A CN117172390A CN 117172390 A CN117172390 A CN 117172390A CN 202311444644 A CN202311444644 A CN 202311444644A CN 117172390 A CN117172390 A CN 117172390A
- Authority
- CN
- China
- Prior art keywords
- charging
- charge
- scene
- day
- optical storage
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 383
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003287 optical effect Effects 0.000 claims abstract description 66
- 230000015654 memory Effects 0.000 claims description 17
- 230000003203 everyday effect Effects 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 14
- 230000002354 daily effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 35
- 210000004027 cell Anatomy 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及充电量预测技术领域，特别涉及一种基于场景划分的充电量预测方法与终端，获取光储充检站的历史充电数据，并对历史充电数据进行统计；获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测；对光储充检站的历史充电数据进行统计，根据每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量进行场景划分，进而选择不同的预测模型进行充电量预测，使预测模型更贴合具体场景，提高光储充检站实现充电量预测的准确度。
Description
技术领域
本发明涉及充电量预测技术领域，特别涉及一种基于场景划分的充电量预测方法与终端。
背景技术
随着电动汽车的普及率越来越高，作为配套的充电场站也越来越多，其中一类充电场站称为光储充检站，具备光伏+储能+充电+检测的功能，场站在日常运行中，合理安排储能设施充电时间有利于降低运营成本，满足峰时充电需求，构建一个充电量预测方法对光储充检站能量调度具有重要意义。
对于光储充检站，由于建站区域定位不一样，有商业区、生活区、工业区等，不同区域的场站历史充电趋势不太一致，且波动性较大，难以通过统一的充电量预测方法对各个光储充检站实现充电量的准确预测，这是目前充电场站充电量预测亟需解决的一大问题。
发明内容
本发明所要解决的技术问题是：提供一种基于场景划分的充电量预测方法与终端，提高光储充检站实现充电量预测的准确度。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于场景划分的充电量预测方法，包括步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种基于场景划分的充电量预测终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
本发明的有益效果在于：本发明的一种基于场景划分的充电量预测方法与终端，对光储充检站的历史充电数据进行统计，根据每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量进行场景划分，进而选择不同的预测模型进行充电量预测，使预测模型更贴合具体场景，提高光储充检站实现充电量预测的准确度。
附图说明
图1为本发明实施例的一种基于场景划分的充电量预测方法的流程图；
图2为本发明实施例的一种基于场景划分的充电量预测终端的结构图；
图3为本发明实施例的一种基于场景划分的充电量预测方法的具体流程示例图；
图4为本发明实施例的一种基于场景划分的充电量预测方法的不稳定小充电量场景预测模型的结构示例图；
图5为本发明实施例的一种基于场景划分的充电量预测方法的稳定小充电量场景预测模型的结构示例图；
图6为本发明实施例的一种基于场景划分的充电量预测方法的稳定大充电量场景预测模型的结构示例图；
图7为本发明实施例的一种基于场景划分的充电量预测方法的不稳定大充电量场景预测模型的结构示例图；
图8为本发明实施例的一种基于场景划分的充电量预测方法的LSTM单元结构示例图；
图9为本发明实施例的一种基于场景划分的充电量预测方法的全连接层示例图；
图10为本发明实施例的一种基于场景划分的充电量预测方法的充电时间的重叠程度统计示例图；
标号说明：
1、一种基于场景划分的充电量预测终端；2、处理器；3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
Repeat：重复，深度学习框架中，表示一份数据被重复复制多份。
Concatenation（连接）： 在深度学习中，"concatenate" 表示将两个或多个张量按照某个轴（通常是某个维度）连接起来，从而形成一个更大的张量。
Dense：Dense Layer（密集层）： Dense 层是神经网络中的一种基本层，其中每个神经元（或节点）与前一层中的每个神经元都有连接。
LSTM（长短时记忆）：LSTM是一种RNN单元，用于处理序列数据。
多层LSTM：多层LSTM（Long Short-Term Memory）是一种深度学习神经网络架构，它是循环神经网络（RNN）的一种变种，专门用于处理序列数据，如文本、时间序列或音频数据。
GRU：GRU (Gated Recurrent Unit) 门控循环单元：GRU 是一种循环神经网络单元，用于处理序列数据，如自然语言文本、时间序列和音频信号。GRU 类似于长短时记忆（LSTM）单元，它包含一个记忆单元，用于存储先前的信息，以便更好地捕获序列中的长期依赖性。
Transformer：Transformer（变换器）：Transformer 是一种神经网络架构，专门用于序列到序列（sequence-to-sequence）任务，例如机器翻译、文本生成、文本分类和问答系统。它引入了自注意力机制，这是一种能够在输入序列中建立全局依赖性的机制，而不需要像 RNN 那样进行逐步处理。
Attention（注意力）：注意力是一种机制，允许深度学习模型动态地分配重要性或权重给输入的不同部分，而不是一概而论地处理所有输入。
Fenture Encoding：（特征编码）是深度学习和机器学习领域的一个名词，指的是将原始数据中的特征转换为模型可接受的形式的过程。
Embedding：嵌入层（Embedding Layer）：用于将文本或分类数据嵌入到低维度的向量空间中。
OneHot：独热编码，用于将分类数据编码为二进制向量的方法。
Plus：加法，是英语中的加法操作符，用于将两个数或值相加。
请参照图1，一种基于场景划分的充电量预测方法，包括步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
从上述描述可知，本发明的有益效果在于：本发明的一种基于场景划分的充电量预测方法与终端，对光储充检站的历史充电数据进行统计，根据每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量进行场景划分，进而选择不同的预测模型进行充电量预测，使预测模型更贴合具体场景，提高光储充检站实现充电量预测的准确度。
进一步的，步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景。
由上述描述可知，根据每天充电时间的重叠程度，划分为（充电时间）稳定或不稳定的充电场景，并根据每天的充电时长和充电量划分为大充电量或小充电量的充电场景，场景划分更加全面合理。
进一步地，所述重叠程度的计算具体为：
将一天时间进行时段划分，并记录各时段是否存在充电行为，生成每天各时段充电情况的二进制数组；
对预设天数的充电情况的所述二进制数组进行时段重叠统计，根据充电情况相同的时段数n，计算重叠程度：
Overlap=n/24；
步骤S22具体为：
判断所述重叠程度Overlap是否大于预设的稳定阈值，若是则划分为稳定的充电场景，否则划分为不稳定的充电场景。
由上述描述可知，通过以上方式，罗列每天各时段是否存在充电情况，以计算充电情况的重叠程度，从而判断属于稳定或不稳定的充电场景。
进一步地，步骤S23具体为：
根据每天的充电时长、每个时长的充电量，计算光储充检站平均每天的实际充电总量P_CHARGE；
获取光储充检站的充电桩数量N和各充电桩的充电功率Pi，i≤N，计算光储充检站每小时的额定充电总功率W：
；
若所述实际充电总量P_CHARGE>k*24*W，则划分为大充电量场景，否则划分为小充电量场景；
其中，k表示预设比值。
由上述描述可知，根据充电桩每天的额定充电总量和实际充电总量，结合预设比值来确定其属于大充电量场景或小充电量场景，更贴合各光储充检站的实际情况。
进一步地，步骤S3具体为：
根据光储充检站所属的稳定/不稳定、大充电量/小充电量的充电场景，选择预先训练的相应的预测模型进行充电量预测。
由上述描述可知，根据划分的稳定/不稳定、大充电量/小充电量的充电场景选择预测模型，保证模型选择的准确有效。
请参照图2，一种基于场景划分的充电量预测终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
从上述描述可知，本发明的有益效果在于：本发明的一种基于场景划分的充电量预测方法与终端，对光储充检站的历史充电数据进行统计，根据每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量进行场景划分，进而选择不同的预测模型进行充电量预测，使预测模型更贴合具体场景，提高光储充检站实现充电量预测的准确度。
进一步的，步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景。
由上述描述可知，根据每天充电时间的重叠程度，划分为（充电时间）稳定或不稳定的充电场景，并根据每天的充电时长和充电量划分为大充电量或小充电量的充电场景，场景划分更加全面合理。
进一步地，所述重叠程度的计算具体为：
将一天时间进行时段划分，并记录各时段是否存在充电行为，生成每天各时段充电情况的二进制数组；
对预设天数的充电情况的所述二进制数组进行时段重叠统计，根据充电情况相同的时段数n，计算重叠程度：
Overlap=n/24；
步骤S22具体为：
判断所述重叠程度Overlap是否大于预设的稳定阈值，若是则划分为稳定的充电场景，否则划分为不稳定的充电场景。
由上述描述可知，通过以上方式，罗列每天各时段是否存在充电情况，以计算充电情况的重叠程度，从而判断属于稳定或不稳定的充电场景。
进一步地，步骤S23具体为：
根据每天的充电时长、每个时长的充电量，计算光储充检站平均每天的实际充电总量P_CHARGE；
获取光储充检站的充电桩数量N和各充电桩的充电功率Pi，i≤N，计算光储充检站每小时的额定充电总功率W：
；
若所述实际充电总量P_CHARGE>k*24*W，则划分为大充电量场景，否则划分为小充电量场景；
其中，k表示预设比值。
由上述描述可知，根据充电桩每天的额定充电总量和实际充电总量，结合预设比值来确定其属于大充电量场景或小充电量场景，更贴合各光储充检站的实际情况。
进一步地，步骤S3具体为：
根据光储充检站所属的稳定/不稳定、大充电量/小充电量的充电场景，选择预先训练的相应的预测模型进行充电量预测。
由上述描述可知，根据划分的稳定/不稳定、大充电量/小充电量的充电场景选择预测模型，保证模型选择的准确有效。
本发明的一种基于场景划分的充电量预测方法与终端，适用于光储充检站的充电量预测，尤其适用于存在因位置、环境等原因导致不同场站工作情况存在较大差异的情况下的充电量预测。
请参照图1及图10，本发明的实施例一为：
一种基于场景划分的充电量预测方法，包括步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
所述重叠程度的计算具体为：
将一天时间进行时段划分，并记录各时段是否存在充电行为，生成每天各时段充电情况的二进制数组；
对预设天数的充电情况的所述二进制数组进行时段重叠统计，根据充电情况相同的时段数n，计算重叠程度：
Overlap=n/24；
本实施例中，每天划分为24小时，该时段内存在充电行为记为1，不存在充电行为记为0。根据近3天充电时段数据判断重叠程度，近3天同时段充电情况一致，该时段定义为充电情况，记为1，否则记为0，如图10所示，24个时段中有21个时段充电情况重叠，定义重叠程度为21/24=0.875。S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
步骤S22具体为：
判断所述重叠程度Overlap是否大于预设的稳定阈值，若是则划分为稳定的充电场景，否则划分为不稳定的充电场景。
本实施例中，将稳定阈值设为0.5。重叠程度值>0.5，定义为稳定场景，否则为不稳定场景。在其他等同实施例中，稳定阈值可根据实际需求调整。
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景；
步骤S23具体为：
根据每天的充电时长、每个时长的充电量，计算光储充检站平均每天的实际充电总量P_CHARGE；
获取光储充检站的充电桩数量N和各充电桩的充电功率Pi，i≤N，计算光储充检站每小时的额定充电总功率W：
；
若所述实际充电总量P_CHARGE>k*24*W，则划分为大充电量场景，否则划分为小充电量场景；
其中，k表示预设比值。
本实施例中，假定某场站充电桩数量N，各充电桩功率均为P，则该场站总的额定充电总功率为NP，一天24小时，如果一个场站一天充电量P_CHARGE>0.2*24*NP，则定义为大充电量场景，否则定义为小充电量场景。
本实施例中，预设比值取0.2，在其他等同实施例中可根据实际需求调整该比值。
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测；
步骤S3具体为：
根据光储充检站所属的稳定/不稳定、大充电量/小充电量的充电场景，选择预先训练的相应的预测模型进行充电量预测。
请参照图3至图7，本发明的实施例二为：
一种基于场景划分的充电量预测方法，与实施例一的区别在于，本实施例中对各场景所使用的算法提供具体说明。
本实施例中，根据对光储充检站所属的充电场景的划分，预先建立和训练有相应的预测模型，包括不稳定小充电量场景预测模型、稳定小充电量场景预测模型、不稳定大充电量场景预测模型以及稳定大充电量场景预测模型。
其中，通过不稳定小充电量场景预测模型进行充电量预测，核心在于每天24个时间段的充电量聚合成一天的充电量，将该类场景的充电量预测问题转化为充电场站每天充电量问题，避免了充电时段随机性大的问题。具体步骤如下：
1、将充电场站每天的所有充电数据进行聚合计算，获得场站的每天的总充电量数据；
2、构造近30天历史充电序列、近8周相同星期几的历史充电序列、近360天节假日信息及对应充电序列；
3、将各历史序列分别通过LSTM模型进行Encode编码，获取每个历史序列的信息；
4、通过全连接层分别将编码后的序列信息做进一步的信息抽取；
5、将各序列抽取完的信息向量做拼接；
6、将拼接完的信息使用多层LSTM进行信息解码；
7、通过全连接层将解码后的信息用于每天充电量预测。
不稳定小充电量场景预测模型的结构可参照图4所示。
稳定小充电量场景预测模型的核心在于每天24个时间段的充电量，按照充电场站所在地峰谷平电价划分时间段，聚合成每天各个时间段的充电量，将该类场景的充电量预测问题转化为充电场站每天各个时间段充电量问题，避免了各小时充电小导致的充电量波动问题，按照每天各个时间段充电量聚合，对于该类场景的充电场站，比较符合运营需求。具体步骤如下：
1、获取充电场站的峰谷平电价时段；
2、将充电场站每天的数据按照峰谷平时间段进行聚合计算，获得场站每天各个时间段的充电量；
3、构造近30天历史时段充电序列、近8周相同星期几相同时段的历史充电序列、近2周相同时段的历史充电序列、近360天节假日信息；
4、将各历史序列分别通过LSTM模型进行Encode编码，获取每个历史序列的信息；
5、通过全连接层分别将编码后的序列信息做进一步的信息抽取；
6、将各序列抽取完的信息向量做拼接；
7、将拼接完的信息进行Repeat动作，便于Seq2Seq的预测；
8、将7步骤的信息使用多层LSTM进行信息解码；
9、通过全连接层将解码后的信息用于每天每个时间段充电量预测。
稳定小充电量场景预测模型的结构可参照图5所示。
稳定大充电量场景预测模型的核心在于每天24个时间段的充电量，充电量都比较稳定，该类场景可直接进行每个时段的充电量预测。具体步骤如下：
1、将充电场站每天的数据进行聚合计算，获得场站每天每小时的充电量；
2、构造近30天历史时段充电序列、近8周相同星期几相同时段的历史充电序列、近2周相同时段的历史充电序列、近360天节假日信息、历史天气序列等；
3、将各历史序列分别通过LSTM模型进行Encode编码，获取每个历史序列的信息；
4、通过全连接层分别将编码后的序列信息做进一步的信息抽取；
5、将各序列抽取完的信息向量做拼接；
6、将拼接完的信息进行Repeat动作，便于Seq2Seq的预测；
7、将6步骤的向量与样本当天的天气信息、节假日信息做拼接；
8、将7步骤的信息使用多层LSTM进行信息解码；
9、通过全连接层将解码后的信息用于每天每个时间段充电量预测。
稳定大充电量场景预测模型的结构可参照图6所示。
不稳定大充电量场景预测模型的核心在于每天24个时间段都有充电量，但充电量波动较大，该类场景可在稳定大充电量预测模型上加上波动预测结构，对模型进行优化，直接进行每个时段的充电量预测。具体步骤如下：
1、将充电场站每天的数据按照时段进行聚合计算，获得场站每天每小时的充电量；
2、构造近30天历史时段充电序列、近8周相同星期几相同时段的历史充电序列、近2周相同时段的历史充电序列、近360天节假日信息、历史天气序列等、短期24（6、3）小时充电序列、前一小时充电数据；
3、将各历史序列分别通过LSTM模型进行Encode编码，获取每个历史序列的信息；
4、通过全连接层分别将编码后的序列信息做进一步的信息抽取；
5、将各序列抽取完的信息向量做拼接；
6、将拼接完的信息进行Repeat动作，便于Seq2Seq的预测；
7、将6步骤的信息使用多层LSTM进行信息解码；
8、通过全连接层将7步骤解码后的信息用于每天每个时间段波动充电量预测，即全连接层根据解码后的信息进行波动充电量预测；
9、将稳定大充电量预测模型的预测结果与波动充电量预测相加，获得最终充电量预测值。
不稳定大充电量场景预测模型的结构可参照图7所示。
请参照图2，本发明的实施例三为：
一种基于场景划分的充电量预测终端1，包括处理器2、存储器3以及存储在所述存储器3中并可在所述处理器2上运行的计算机程序，所述处理器2执行所述计算机程序时实现以上实施例一或二的一种基于场景划分的充电量预测方法中的步骤。
以下对文中部分技术术语进行说明：
Encoder-Decoder结构：Encoder-decoder（编码器-解码器）是机器学习中常用的框架，它包含两个主要组件：编码器Encoder和解码器decoder。编码器Encoder负责处理输入数据并以紧凑而有意义的形式捕捉其表示。在充电量预测中，输入数据可以是一系列的历史充电量。编码器通常由循环神经网络（RNN），如长短期记忆（LSTM）或门控循环单元（GRU），或更先进的模型如Transformer所组成。编码器逐步阅读输入序列，每一步更新其内部状态，并生成一个固定长度的向量表示，通常称为“上下文向量”或“思考向量”，它编码了输入序列的含义。另一方面，解码器使用编码器生成的上下文向量，并生成所需的输出序列。与编码器类似，解码器decoder通常使用RNN或Transformer来实现。它以上下文向量作为初始输入，并逐步生成输出序列，逐步产生一个元素。在每个步骤中，解码器考虑先前生成的元素和自己的内部状态，以预测序列中的下一个元素。这个过程一直持续到生成整个输出序列为止。在训练过程中，编码器-解码器模型通过最小化适当的损失函数来进行训练，该损失函数衡量预测的输出序列与真实序列之间的差异。这通过将预测序列与目标序列进行比较，并通过反向传播和梯度下降等技术调整模型的参数来实现。
LSTM：可参照图8，表示了一个单个LSTM单元，其中：x(t)表示时间步t的输入；h(t-1)表示时间步t-1的隐藏状态（上一个时间步的输出）；h(t)表示时间步t的隐藏状态（当前时间步的输出）；y(t)表示时间步t的输出。LSTM单元内部具有三个关键组件：输入门（InputGate）：控制哪些信息将被输入到LSTM单元中的记忆细胞；遗忘门（Forget Gate）：控制哪些信息将从记忆细胞中遗忘或删除；输出门（Output Gate）：控制从记忆细胞到隐藏状态的信息流，并输出给当前时间步的输出。LSTM单元的输入门、遗忘门和输出门通过sigmoid函数产生介于0和1之间的概率值。这些门的输出与记忆细胞的状态相乘，用于控制信息的流动。LSTM单元还具有一个记忆细胞（Cell），用于存储和传递信息。记忆细胞中的信息可以根据输入门、遗忘门和新的输入进行更新。整个LSTM模型可以由多个LSTM单元组成，每个单元在时间上按顺序连接，以实现对序列数据的建模和预测。
全连接层：请参照图9，表示了一个全连接层，其中：x表示输入向量（或来自上一层的输出）；y表示输出向量（或传递给下一层的输入）；W表示权重矩阵，用于将输入与输出连接起来；b表示偏置向量，用于偏移输出值。在全连接层中，每个输入与每个输出之间都有一个连接，通过矩阵乘法将输入和权重相乘，再加上偏置向量，最终得到输出向量。这个过程可以表示为以下公式：y = W * x + b。全连接层中的每个神经元都与前一层的所有神经元相连接，因此它可以捕捉到输入向量中的复杂关系。全连接层常用于深度神经网络的中间层，用于提取输入数据的高级特征，并传递给后续层进行进一步处理和预测。
Repeat：即RepeatVector，在深度学习中，RepeatVector是一种用于数据重复的操作。它的作用是将输入数据重复多次以生成一个新的张量。具体而言，RepeatVector操作接收一个输入向量，并将其重复多次来生成一个新的张量。这个操作的目的是将输入向量扩展到与目标形状相匹配的大小。它通常用于序列生成任务，其中需要将一个向量作为输入，并在每个时间步重复该向量以生成一个完整的序列。例如，假设我们有一个形状为（batch_size，input_dim）的输入向量x，并且我们希望将其重复n次以生成一个形状为（batch_size，n，input_dim）的新张量。我们可以使用RepeatVector操作来实现这个目标。RepeatVector的数学表示可以表示为：output = RepeatVector(n)(x)其中，n表示重复次数，x表示输入向量。通过使用RepeatVector操作，我们可以在序列生成任务中复制和重复输入向量以生成更长的序列。这对于一些需要利用先前的上下文信息的模型（如递归神经网络或序列到序列模型）非常有用。需要注意的是，RepeatVector操作只是简单地将输入向量重复多次，并不具有学习参数。它是一个纯粹的数据重复操作。
Seq2Seq：Seq2Seq（Sequence-to-Sequence）是一种深度学习框架，用于处理序列到序列的任务。它基于编码器-解码器（Encoder-Decoder）架构，通过将一个序列作为输入并生成另一个序列作为输出，实现了将一个序列映射到另一个序列的功能。Seq2Seq模型由两个主要组件组成：编码器和解码器。编码器负责将输入序列编码为一个固定长度的向量表示，捕捉输入序列的语义和上下文信息。常用的编码器模型包括循环神经网络（RNN）如LSTM或GRU，以及更先进的模型如Transformer。编码器通过逐步处理输入序列中的每个元素，更新其内部状态，并最终生成一个上下文向量或称为“编码器输出”。解码器接收编码器输出和目标序列的部分输入（通常是一个特殊的起始标记），并逐步生成目标序列的元素。解码器通常也是基于RNN或Transformer实现的。在每个时间步，解码器利用前一个时间步的输出、编码器输出和自身的内部状态来生成下一个输出元素。这个过程一直持续到生成整个目标序列。在训练过程中，Seq2Seq模型通过最小化适当的损失函数（如交叉熵损失）来优化模型的参数，以使生成的序列尽可能接近目标序列。这通常涉及使用标准的反向传播和梯度下降等优化技术。总而言之，Seq2Seq模型通过编码器将输入序列编码为固定长度向量，然后通过解码器将该向量解码为输出序列，从而实现了序列到序列的映射任务。这种框架在多个领域中都有广泛应用，并取得了显著的成果。
综上所述，本发明提供的一种基于场景划分的充电量预测方法与终端，对光储充检站的历史充电数据进行统计，根据每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量进行场景划分，进而选择不同的预测模型进行充电量预测，使预测模型更贴合具体场景，提高光储充检站实现充电量预测的准确度。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于场景划分的充电量预测方法，其特征在于，包括步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
2.根据权利要求1所述的一种基于场景划分的充电量预测方法，其特征在于，步骤S3具体为：
根据光储充检站所属的稳定/不稳定、大充电量/小充电量的充电场景，选择预先训练的相应的预测模型进行充电量预测。
3.根据权利要求1所述的一种基于场景划分的充电量预测方法，其特征在于，所述重叠程度的计算具体为：
将一天时间进行时段划分，并记录各时段是否存在充电行为，生成每天各时段充电情况的二进制数组；
对预设天数的充电情况的所述二进制数组进行时段重叠统计，根据充电情况相同的时段数n，计算重叠程度：
Overlap=n/24；
步骤S22具体为：
判断所述重叠程度Overlap是否大于预设的稳定阈值，若是则划分为稳定的充电场景，否则划分为不稳定的充电场景。
4.根据权利要求1所述的一种基于场景划分的充电量预测方法，其特征在于，步骤S23具体为：
根据每天的充电时长、每个时长的充电量，计算光储充检站平均每天的实际充电总量P_CHARGE；
获取光储充检站的充电桩数量N和各充电桩的充电功率Pi，i≤N，计算光储充检站每小时的额定充电总功率W：
；
若所述实际充电总量P_CHARGE>k*24*W，则划分为大充电量场景，否则划分为小充电量场景；
其中，k表示预设比值。
5.一种基于场景划分的充电量预测终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
S1、获取光储充检站的历史充电数据，并对历史充电数据进行统计；
S2、获取并根据统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量，划分光储充检站所属的充电场景；
步骤S2包括步骤：
S21、获取统计得到的每天的充电时间的重叠程度、每天的充电时长和每个小时的充电量；
S22、根据所述重叠程度，划分为稳定或不稳定的充电场景；
S23、根据光储充检站的充电桩数量和充电桩功率，计算充电量阈值，根据每天的充电时长、每个充电时长的充电量以及所述充电量阈值，进一步划分为大充电量或小充电量的充电场景；
S3、根据光储充检站所属的充电场景选择预先训练的相应的预测模型进行充电量预测。
6.根据权利要求5所述的一种基于场景划分的充电量预测终端，其特征在于，步骤S3具体为：
根据光储充检站所属的稳定/不稳定、大充电量/小充电量的充电场景，选择预先训练的相应的预测模型进行充电量预测。
7.根据权利要求5所述的一种基于场景划分的充电量预测终端，其特征在于，所述重叠程度的计算具体为：
将一天时间进行时段划分，并记录各时段是否存在充电行为，生成每天各时段充电情况的二进制数组；
对预设天数的充电情况的所述二进制数组进行时段重叠统计，根据充电情况相同的时段数n，计算重叠程度：
Overlap=n/24；
步骤S22具体为：
判断所述重叠程度Overlap是否大于预设的稳定阈值，若是则划分为稳定的充电场景，否则划分为不稳定的充电场景。
8.根据权利要求5所述的一种基于场景划分的充电量预测终端，其特征在于，步骤S23具体为：
根据每天的充电时长、每个时长的充电量，计算光储充检站平均每天的实际充电总量P_CHARGE；
获取光储充检站的充电桩数量N和各充电桩的充电功率Pi，i≤N，计算光储充检站每小时的额定充电总功率W：
；
若所述实际充电总量P_CHARGE>k*24*W，则划分为大充电量场景，否则划分为小充电量场景；
其中，k表示预设比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444644.5A CN117172390B (zh) | 2023-11-02 | 2023-11-02 | 一种基于场景划分的充电量预测方法与终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311444644.5A CN117172390B (zh) | 2023-11-02 | 2023-11-02 | 一种基于场景划分的充电量预测方法与终端 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410317068.6A Division CN118396151A (zh) | 2023-11-02 | 一种区分场景和模型的充电量预测方法与终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172390A true CN117172390A (zh) | 2023-12-05 |
| CN117172390B CN117172390B (zh) | 2024-02-23 |
Family
ID=88930099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311444644.5A Active CN117172390B (zh) | 2023-11-02 | 2023-11-02 | 一种基于场景划分的充电量预测方法与终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172390B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325368A (zh) * | 2018-12-13 | 2020-06-23 | 国网电动汽车服务有限公司 | 一种光储式电动汽车充电站光伏功率预测方法和装置 |
| CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
| CN113627661A (zh) * | 2021-08-02 | 2021-11-09 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测的方法 |
| US20220410750A1 (en) * | 2021-06-09 | 2022-12-29 | MOEV, Inc. | System and method for smart charging management of electric vehicle fleets |
| CN115860593A (zh) * | 2022-10-19 | 2023-03-28 | 长江慧控科技(武汉)有限公司 | 储能调度方法、装置、设备及存储介质 |
| CN116436008A (zh) * | 2023-03-28 | 2023-07-14 | 福建时代星云科技有限公司 | 一种用于光储充电站的电力调度方法及终端 |
| CN116596129A (zh) * | 2023-05-04 | 2023-08-15 | 深圳供电局有限公司 | 一种电动汽车充电场站短期负荷预测模型构建方法 |
| CN116934366A (zh) * | 2023-06-21 | 2023-10-24 | 浙江安吉智电控股有限公司 | 充电场站的充电定价方法及装置、存储介质、计算机设备 |
-
2023
- 2023-11-02 CN CN202311444644.5A patent/CN117172390B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325368A (zh) * | 2018-12-13 | 2020-06-23 | 国网电动汽车服务有限公司 | 一种光储式电动汽车充电站光伏功率预测方法和装置 |
| CN113298298A (zh) * | 2021-05-10 | 2021-08-24 | 国核电力规划设计研究院有限公司 | 一种充电桩短期负荷预测方法及其系统 |
| US20220410750A1 (en) * | 2021-06-09 | 2022-12-29 | MOEV, Inc. | System and method for smart charging management of electric vehicle fleets |
| CN113627661A (zh) * | 2021-08-02 | 2021-11-09 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测的方法 |
| CN115860593A (zh) * | 2022-10-19 | 2023-03-28 | 长江慧控科技(武汉)有限公司 | 储能调度方法、装置、设备及存储介质 |
| CN116436008A (zh) * | 2023-03-28 | 2023-07-14 | 福建时代星云科技有限公司 | 一种用于光储充电站的电力调度方法及终端 |
| CN116596129A (zh) * | 2023-05-04 | 2023-08-15 | 深圳供电局有限公司 | 一种电动汽车充电场站短期负荷预测模型构建方法 |
| CN116934366A (zh) * | 2023-06-21 | 2023-10-24 | 浙江安吉智电控股有限公司 | 充电场站的充电定价方法及装置、存储介质、计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郭子瑶: "光伏型电动汽车充电站实时能量管理策略研究", 中国优秀硕士学位论文, 1 June 2021 (2021-06-01) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172390B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system | |
| Yang et al. | Deep learning‐based SCUC decision‐making: An intelligent data‐driven approach with self‐learning capabilities | |
| CN113592185B (zh) | 一种基于Transformer的电力负荷预测方法 | |
| CN109146156B (zh) | 一种用于预测充电桩系统充电量的方法 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN114519471A (zh) | 一种基于时序数据周期性的用电负荷预测方法 | |
| Wilms et al. | Combining auto-regression with exogenous variables in sequence-to-sequence recurrent neural networks for short-term load forecasting | |
| CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
| CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
| CN117674098B (zh) | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 | |
| CN112241802A (zh) | 一种风电功率的区间预测方法 | |
| CN117172390B (zh) | 一种基于场景划分的充电量预测方法与终端 | |
| CN115545503B (zh) | 一种基于并联时序卷积神经网络的电力负荷中短期预测方法及系统 | |
| CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| Rathnayaka et al. | Specialist vs generalist: A transformer architecture for global forecasting energy time series | |
| CN118396151A (zh) | 一种区分场景和模型的充电量预测方法与终端 | |
| 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 | |
| CN118133884A (zh) | 一种基于lstm模型的充电量预测方法与终端 | |
| CN114861967A (zh) | 一种电力负荷预测方法、系统、装置及存储介质 | |
| CN110909254B (zh) | 基于深度学习模型针对问答社区进行问题热度预测的方法和系统 | |
| CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 | |
| CN112446516A (zh) | 一种出行预测方法及装置 | |
| Huang et al. | Power load prediction based on an improved clock-work RNN |
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 |