CN117291304A - 电动汽车充放电可调节能力预测方法、装置、设备及介质 - Google Patents
电动汽车充放电可调节能力预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117291304A CN117291304A CN202311277948.7A CN202311277948A CN117291304A CN 117291304 A CN117291304 A CN 117291304A CN 202311277948 A CN202311277948 A CN 202311277948A CN 117291304 A CN117291304 A CN 117291304A
- Authority
- CN
- China
- Prior art keywords
- charge
- prediction
- discharge
- adjustable capacity
- data
- 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 49
- 238000007599 discharging Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 95
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种电动汽车充放电可调节能力预测方法、装置、设备及介质,其中,方法包括:确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据;预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标;对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。由此,解决了现有技术过度极度依赖所采集的数据质量,无法直接预测电动汽车集群的充放电可调节能力、单体电动汽车行为的预测误差较大等问题。
Description
技术领域
本申请涉及电动汽车充电服务技术领域,特别涉及一种电动汽车充放电可调节能力预测方法、装置、设备及介质。
背景技术
随着全球气候变化和环境保护的日益严重,清洁能源和可再生能源的需求与日俱增,电动汽车被视为一种能够减少化石燃料消耗和温室气体排放的交通工具,因此在全球范围内得到了广泛的关注和推广,大规模电动汽车的接入,可能导致电网的负荷峰值增加,从而增加对电网的压力;此外,随机和不可预测的充电行为可能导致电网的运行不稳定。然而,如果能够合理地利用和管理这些充电需求,电动汽车也可以作为一种灵活的负荷,为电网提供频率调节、需求响应和储能等服务。
近年来,通过控制电动汽车的充放电行为来为电网提供支持服务的概念已经得到了广泛的关注,目前,一些现有技术可基于电动汽车用户历史充电行为的特征数据,构建了决策树模型,能够对预测日集群电动汽车充电负荷可调容量进行准确预测,完成对电动汽车的精准调控,保障电网的安全经济运行以及电动汽车用户的充电体验;此外,部分现有技术还可先对单个用户的充电行为构建决策模型并计算其预测日的功率曲线,进而通过每个用户设定的可削减比例得到电动汽车集群在预测日的可调容量。
综上所述,现有技术评估电动汽车充放电可调节能力,过度极度依赖所采集的数据质量;此外,现有技术仅可对单个用户的充电负荷曲线进行确定,无法直接预测电动汽车集群的充放电可调节能力,而单体电动汽车行为的预测误差较大,进而导致其充放电可调节能力预测误差极大,该问题亟待解决。
发明内容
本申请提供一种电动汽车充放电可调节能力预测方法、装置、设备及介质,以解决现有技术过度极度依赖所采集的数据质量,无法直接预测电动汽车集群的充放电可调节能力、单体电动汽车行为的预测误差较大等问题。
本申请第一方面实施例提供一种电动汽车充放电可调节能力预测方法,应用于离线训练阶段,包括以下步骤:获取至少一辆电动汽车的所有历史充放电订单信息;基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的聚合充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标;采集所述至少一辆电动汽车的训练辅助数据,基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用所述可调节能力预测模型,输出所述至少一辆电动汽车的充放电调节能力预测结果。
可选地,在本申请的一个实施例中,所述基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的聚合充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标,包括:逐一评估所述所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到所述每条历史充放电订单信息的时序指标;基于所述每条历史充放电订单信息的时序指标,计算所述所有历史充放电订单信息的聚合充放电可调节能力指标;利用预设切割策略对所述聚合充放电可调节能力指标进行切割和修正,得到所述逐天聚合充放电可调节能力指标。
可选地,在本申请的一个实施例中,所述基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,包括:对所述训练辅助数据进行预处理,得到所述训练辅助数据的标准化数据;基于预设训练预测日期和所述逐天聚合充放电可调节能力指标,划分所述标准化数据,得到划分结果,并根据所述划分结果构建所述人工神经网络模型的训练数据集和验证数据集;通过所述训练数据集和所述验证数据集训练并优化所述人工神经网络模型,以生成所述可调节能力预测模型。
本申请第二方面实施例提供一种电动汽车充放电可调节能力预测方法,应用于在线预测阶段,其中,包括以下步骤:确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据;预处理所述辅助预测数据,得到所述辅助预测数据的标准化预测数据,并将所述标准化预测数据输入至预先训练的可调节能力预测模型,生成所述至少一辆电动汽车的充放电可调节能力的预测指标,其中,所述可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;对所述预测指标进行反标准化和还原操作,得到所述至少一辆电动汽车在所述目标预测日期的充放电可调节能力指标。
可选地,在本申请的一个实施例中,所述确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据,包括:基于所述目标预测日期,确定所述充放电可调节能力的第一辅助预测日期和第二辅助预测日期;获取所述第一辅助预测日期至所述目标预测日期内,所述至少一辆电动汽车的所有充放电行为的订单信息,并计算所述订单信息的可调节能力指标;获取所述第一辅助预测日期至所述第二辅助预测日期内,所述至少一辆电动汽车的行驶数据,并采集所述目标预测日期的天气信息和节假日信息;基于所述可调节能力指标、所述行驶数据、所述天气信息和所述节假日信息,构建所述充放电可调节能力的辅助预测数据。
本申请第三方面实施例提供一种电动汽车充放电可调节能力预测装置,应用于离线训练阶段,包括:第一获取模块,用于获取至少一辆电动汽车的所有历史充放电订单信息;评估模块,用于基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的聚合充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标;训练模块,用于采集所述至少一辆电动汽车的训练辅助数据,基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用所述可调节能力预测模型,输出所述至少一辆电动汽车的充放电调节能力预测结果。
可选地,在本申请的一个实施例中,所述评估模块包括:分析单元,用于逐一评估所述所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到所述每条历史充放电订单信息的时序指标;第一计算单元,用于基于所述每条历史充放电订单信息的时序指标,计算所述所有历史充放电订单信息的聚合充放电可调节能力指标;切割单元,用于利用预设切割策略对所述聚合充放电可调节能力指标进行切割和修正,得到所述逐天聚合充放电可调节能力指标。
可选地,在本申请的一个实施例中,所述训练模块包括:预处理单元,用于对所述训练辅助数据进行预处理,得到所述训练辅助数据的标准化数据;划分单元,用于基于预设训练预测日期和所述逐天聚合充放电可调节能力指标,划分所述标准化数据,得到划分结果,并根据所述划分结果构建所述人工神经网络模型的训练数据集和验证数据集;生成单元,用于通过所述训练数据集和所述验证数据集训练并优化所述人工神经网络模型,以生成所述可调节能力预测模型。
本申请第四方面实施例提供一种电动汽车充放电可调节能力预测装置,应用于在线预测阶段,包括:第二获取模块,用于确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据;预测模块,用于预处理所述辅助预测数据,得到所述辅助预测数据的标准化预测数据,并将所述标准化预测数据输入至预先训练的可调节能力预测模型,生成所述至少一辆电动汽车的充放电可调节能力的预测指标,其中,所述可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;还原模块,用于对所述预测指标进行反标准化和还原操作,得到所述至少一辆电动汽车在所述目标预测日期的充放电可调节能力指标。
可选地,在本申请的一个实施例中,所述第二获取模块包括:确定单元,用于基于所述目标预测日期,确定所述充放电可调节能力的第一辅助预测日期和第二辅助预测日期;第二计算单元,用于获取所述第一辅助预测日期至所述目标预测日期内,所述至少一辆电动汽车的所有充放电行为的订单信息,并计算所述订单信息的可调节能力指标;采集单元,用于获取所述第一辅助预测日期至所述第二辅助预测日期内,所述至少一辆电动汽车的行驶数据,并采集所述目标预测日期的天气信息和节假日信息;构建单元,用于基于所述可调节能力指标、所述行驶数据、所述天气信息和所述节假日信息,构建所述充放电可调节能力的辅助预测数据。
本申请第五方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上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程序,以实现如上述实施例所述的电动汽车充放电可调节能力预测方法。
本申请第六方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的电动汽车充放电可调节能力预测方法。
由此,本申请的实施例具有以下有益效果:
本申请的实施例可通过确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据;预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。由此,解决了现有技术过度极度依赖所采集的数据质量,无法直接预测电动汽车集群的充放电可调节能力、单体电动汽车行为的预测误差较大等问题。
本申请附加的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,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种应用于离线训练阶段的电动汽车充放电可调节能力预测方法的流程图;
图2为本申请的一个实施例提供的一种电动汽车充放电可调节能力预测方法的执行逻辑示意图;
图3为根据本申请实施例提供的一种应用于在线预测阶段的电动汽车充放电可调节能力预测方法的流程图;
图4为根据本申请实施例的一种应用于离线训练阶段的电动汽车充放电可调节能力预测装置的示例图;
图5为根据本申请实施例的一种应用于在线预测阶段的电动汽车充放电可调节能力预测装置的示例图;
图6为本申请实施例提供的电子设备的结构示意图。
其中,10-应用于离线训练阶段的电动汽车充放电可调节能力预测装置、20-应用于在线预测阶段的电动汽车充放电可调节能力预测装置;101-第一获取模块、102-评估模块、103-训练模块;201-第二获取模块、202-预测模块、203-还原模块;601-存储器、602-处理器、603-通信接口。
具体实施方式
下面详细描述本申请的实施例,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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的电动汽车充放电可调节能力预测方法、装置、设备及介质。针对上述背景技术中提到的问题,本申请提供了一种电动汽车充放电可调节能力预测方法,在该方法中,确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据;预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。由此,解决了现有技术过度极度依赖所采集的数据质量,无法直接预测电动汽车集群的充放电可调节能力、单体电动汽车行为的预测误差较大等问题。
具体而言,图1为本申请实施例所提供的一种应用于离线训练阶段的电动汽车充放电可调节能力预测方法的流程图。
如图1所示,该电动汽车充放电可调节能力预测方法包括以下步骤:
在步骤S101中,获取至少一辆电动汽车的所有历史充放电订单信息。
在实际执行过程中,本申请的实施例可令订单集合为每条充放电记录包括车辆到达时间ta、车辆离开时间td、需求充电量er、最大充电功率pc、最大放电功率pd、充放电过程允许的最大能量负向偏移e-以及充放电过程允许的最大能量正向偏移e+等七条数据;对于充电记录而言,其最大放电功率pd=0,最大能量负向偏移e-=0,充放电过程允许的最大能量正向偏移e+=er。
由此,本申请的实施例通过获取历史所有充放电订单信息,从而为后续对历史充电订单进行聚合充放电可调节能力评估提供可靠的数据依据和支撑。
在步骤S102中,基于每辆电动汽车的所有历史充放电订单信息,评估每辆电动汽车的聚合充放电可调节能力,得到至少一辆电动汽车的逐天聚合充放电可调节能力指标。
在获取电动汽车的所有历史充放电订单信息之后,进一步地,本申请的实施例还可对每条订单逐一进行充放电可调节能力评估,并计算所有订单组成的聚合充放电可调节能力指标,从而获取逐天聚合充放电可调节能力指标。
可选地,在本申请的一个实施例中,基于每辆电动汽车的所有历史充放电订单信息,评估每辆电动汽车的聚合充放电可调节能力,得到至少一辆电动汽车的逐天聚合充放电可调节能力指标,包括:逐一评估所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到每条历史充放电订单信息的时序指标;基于每条历史充放电订单信息的时序指标,计算所有历史充放电订单信息的聚合充放电可调节能力指标;利用预设切割策略对聚合充放电可调节能力指标进行切割和修正,得到逐天聚合充放电可调节能力指标。
需要说明的是,本申请的实施例获取逐天聚合充放电可调节能力指标的具体步骤如下所述:
1、对每条订单逐一进行充放电可调节能力评估:
对第j个订单而言,其充放电可调节能力可由功率上界功率下界P t,j、累积能量上界/>以及累积能量下界E t,j四个时序指标体现,其中,下标t为时刻下标,具体计算方式如下:
2、计算所有订单组成的聚合充放电可调节能力:
将所有订单的充放电可调节能力进行加和,可得到所有订单组成的聚合充放电可调节能力,如下所示:
3、获取逐天聚合充放电可调节能力:
将聚合充放电可调节能力进行切割和修正,若一天有T个时段,将充放电可调节能力四个指标按照每T个时进行切割,即第k日的可调节能力表示为 为满足预测需求,定义:
功率区间宽度:
功率均值:
能量区间宽度:
能量均值:
能量均值梯度:
由此,经上述处理后,本申请的实施例可得到由功率区间宽度、功率均值、能量区间宽度、能量均值梯度四条曲线表示的充放电可调节能力。
在步骤S103中,采集至少一辆电动汽车的训练辅助数据,基于逐天聚合充放电可调节能力指标和训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用可调节能力预测模型,输出至少一辆电动汽车的充放电调节能力预测结果。
在得到多个电动汽车的逐天聚合充放电可调节能力指标后,进一步地,本申请的实施例还可获取天气预报、交通、节假日数据,并对上述数据进行标准化操作,以训练人工神经网络模型(如长短期记忆网络等),如图2所示,从而精准预测未来的电动汽车充放电调节能力。
可选地,在本申请的一个实施例中,基于逐天聚合充放电可调节能力指标和训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,包括:对训练辅助数据进行预处理,得到训练辅助数据的标准化数据;基于预设训练预测日期和逐天聚合充放电可调节能力指标,划分标准化数据,得到划分结果,并根据划分结果构建人工神经网络模型的训练数据集和验证数据集;通过训练数据集和验证数据集训练并优化人工神经网络模型,以生成可调节能力预测模型。
需要说明的是,本申请的实施例可获取平均温度、最低最高温度、风速、雨量等历史天气预报数据、获取电动汽车日行驶里程、电动汽车日耗电量等车辆行驶数据以及节假日数据,其中,节假日为1,工作日为0。
其次,本申请的实施例可将充放电可调节能力、天气预报、车辆行驶数据均进行均值为0、标准差为1的标准化操作,得到标准化后的数据。
进而,在本申请的实施例中,若预测日为第K天,输入特征设定为:第K-2天的功率区间宽度、功率均值、能量区间宽度、能量均值梯度,预测日前面K-4至K-2天的电动汽车日行驶里程、电动汽车日耗电量,第K天的平均温度、最低最高温度、风速、雨量预报信息,第K天的节假日信息;输出值设定为第K天当天的功率区间宽度、功率均值、能量区间宽度、能量均值梯度,从而可将整理后输入输出按照8:2的比例划分为训练集和预测集。
之后,本申请的实施例可构建并训练人工神经网络模型。
具体地,以长短期记忆网络模型为例,本申请实施例中的模型参数包括输入门、遗忘门和输出门的权重矩阵w和偏置向量b;在选定batch数量下,可采用小批量梯度下降方法对长短期记忆网络模型模型进行训练,以更新模型权重矩阵和偏置向量;训练过程的损失函数设定为平均绝对误差(MAE),在每轮训练结束后,在测试集上验证模型的损失情况,若10轮迭代损失不下降,则选取在之前迭代中在测试集上最小的损失的模型参数作为最优模型参数。
由此,本申请的实施例通过结合气候、交通、节假日对电动汽车集群充放电可调节能力产生的影响,改善了模型的泛化性能,提高了预测可调节能力的精度。
根据本申请实施例提出的应用于离线训练阶段的电动汽车充放电可调节能力预测方法,通过获取至少一辆电动汽车的所有历史充放电订单信息;基于每辆电动汽车的所有历史充放电订单信息,评估每辆电动汽车的聚合充放电可调节能力,得到至少一辆电动汽车的逐天聚合充放电可调节能力指标;采集至少一辆电动汽车的训练辅助数据,基于逐天聚合充放电可调节能力指标和训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用可调节能力预测模型,输出至少一辆电动汽车的充放电调节能力预测结果。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。
图3为本申请实施例所提供的一种应用于在线预测阶段的电动汽车充放电可调节能力预测方法的流程图。
如图3所示,该电动汽车充放电可调节能力预测方法包括以下步骤:
在步骤S301中,确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据。
本申请的实施例可根据设置的预测日期,获取辅助电动汽车充放电可调节能力预测的相关数据,如充放电行为的所有订单信息、车辆行驶数据、天气数据以及节假日数据等,从而为电动汽车充放电可调节能力预测提供充分可靠的判据。
可选地,在本申请的一个实施例中,确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据,包括:基于目标预测日期,确定充放电可调节能力的第一辅助预测日期和第二辅助预测日期;获取第一辅助预测日期至目标预测日期内,至少一辆电动汽车的所有充放电行为的订单信息,并计算订单信息的可调节能力指标;获取第一辅助预测日期至第二辅助预测日期内,至少一辆电动汽车的行驶数据,并采集目标预测日期的天气信息和节假日信息;基于可调节能力指标、行驶数据、天气信息和节假日信息,构建充放电可调节能力的辅助预测数据。
需要说明的是,在本申请的实施例中,当电动汽车可调节能力预测的预测日为第K日时,则获取在第K-2天,即第一辅助预测日期内有充放电行为的所有订单,并计算其可调节能力;对完成的订单记录,若有任意一个时刻落在第K-2天内,则将其提取出来;对于在K-2天及以前便开始但至今仍未结束的充电行为,令其结束时间为当前时刻,结束电量为当前电量,得到未完成的订单记录;
将两类记录组合后,根据上述充放电可调控能力计算方法,可计算出第K-2天的聚合充放电可调节能力,并由功率区间宽度、功率均值、能量区间宽度、能量均值梯度表示。
继而,获取预测日前面K-4,即第二辅助预测日期到K-2天的电动汽车日行驶里程、电动汽车日耗电量数据,第K天的平均温度、最低最高温度、风速、雨量预报信息以及第K天的节假日信息,从而基于上述获取的第K-2天的聚合充放电可调节能力指标数据、车辆行驶数据、天气数据以及节假日数据构建充放电可调节能力的辅助预测数据。
在步骤S302中,预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成。
在构建充放电可调节能力的辅助预测数据之后,进一步地,本申请的实施例还可对上述构建的辅助预测数据进行均值、标准差进行标准化操作,并将标准化后的数据输入至预先训练的可调节能力预测模型,并通过可调节能力预测模型生成对预测日可调范围的输出结果,包括功率区间宽度、功率均值、能量区间宽度、能量均值梯度等。
在步骤S303中,对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。
在得到功率区间宽度、功率均值、能量区间宽度、能量均值梯度等对预测日可调范围的输出结果后,进一步地,本申请的实施例还需对输出结果进行反标准化和还原,以得到功率能量边界表示的充放电可调范围,该还原过程如下式所示:
可以理解的是,本申请的实施例基于电动汽车充电历史订单信息评估历史的充放电可调节能力,并结合预先训练的可调节能力预测模型,从而可以直接预测电动汽车集群的充放电可调节能力,避免了单体电动汽车行为的预测误差大的问题,显著降低了预测误差;此外,本申请实施例基于充电聚合商的历史充电记录对电动汽车充放电可调节能力进行评估和预测,在技术和成本上也易于实现。
根据本申请实施例提出的应用于在线预测阶段的电动汽车充放电可调节能力预测方法,确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据;预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。
其次,参照附图描述根据本申请实施例提出的电动汽车充放电可调节能力预测装置。
图4是本申请实施例的应用于离线训练阶段的电动汽车充放电可调节能力预测装置的方框示意图。
如图4所示,该电动汽车充放电可调节能力预测装置10包括:第一获取模块101、评估模块102以及训练模块103。
其中,第一获取模块101,用于获取至少一辆电动汽车的所有历史充放电订单信息。
评估模块102,用于基于每辆电动汽车的所有历史充放电订单信息,评估每辆电动汽车的聚合充放电可调节能力,得到至少一辆电动汽车的逐天聚合充放电可调节能力指标。
训练模块103,用于采集至少一辆电动汽车的训练辅助数据,基于逐天聚合充放电可调节能力指标和训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用可调节能力预测模型,输出至少一辆电动汽车的充放电调节能力预测结果。
可选地,在本申请的一个实施例中,评估模块102包括:分析单元、第一计算单元和切割单元。
其中,分析单元,用于逐一评估所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到每条历史充放电订单信息的时序指标。
第一计算单元,用于基于每条历史充放电订单信息的时序指标,计算所有历史充放电订单信息的聚合充放电可调节能力指标。
切割单元,用于利用预设切割策略对聚合充放电可调节能力指标进行切割和修正,得到逐天聚合充放电可调节能力指标。
可选地,在本申请的一个实施例中,训练模块103包括:预处理单元、划分单元和生成单元。
其中,预处理单元,用于对训练辅助数据进行预处理,得到训练辅助数据的标准化数据。
划分单元,用于基于预设训练预测日期和逐天聚合充放电可调节能力指标,划分标准化数据,得到划分结果,并根据划分结果构建人工神经网络模型的训练数据集和验证数据集。
生成单元,用于通过训练数据集和验证数据集训练并优化人工神经网络模型,以生成可调节能力预测模型。
根据本申请实施例提出的应用于离线训练阶段的电动汽车充放电可调节能力预测装置,包括第一获取模块,用于获取至少一辆电动汽车的所有历史充放电订单信息;评估模块,用于基于每辆电动汽车的所有历史充放电订单信息,评估每辆电动汽车的聚合充放电可调节能力,得到至少一辆电动汽车的逐天聚合充放电可调节能力指标;训练模块,用于采集至少一辆电动汽车的训练辅助数据,基于逐天聚合充放电可调节能力指标和训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用可调节能力预测模型,输出至少一辆电动汽车的充放电调节能力预测结果。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。
图5是本申请实施例应用于在线预阶段的电动汽车充放电可调节能力预测装置的方框示意图。
如图5所示,该应用于在线预测阶段的电动汽车充放电可调节能力预测装置20包括:第二获取模块201、预测模块202以及还原模块203。
其中,第二获取模块201,用于确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据。
预测模块202,用于预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成。
还原模块203,用于对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。
可选地,在本申请的一个实施例中,第二获取模块201包括:确定单元、第二计算单元、采集单元以及构建单元。
其中,确定单元,用于基于目标预测日期,确定充放电可调节能力的第一辅助预测日期和第二辅助预测日期。
第二计算单元,用于获取第一辅助预测日期至目标预测日期内,至少一辆电动汽车的所有充放电行为的订单信息,并计算订单信息的可调节能力指标。
采集单元,用于获取第一辅助预测日期至第二辅助预测日期内,至少一辆电动汽车的行驶数据,并采集目标预测日期的天气信息和节假日信息。
构建单元,用于基于可调节能力指标、行驶数据、天气信息和节假日信息,构建充放电可调节能力的辅助预测数据。
需要说明的是,前述对电动汽车充放电可调节能力预测方法实施例的解释说明也适用于该实施例的电动汽车充放电可调节能力预测装置,此处不再赘述。
根据本申请实施例提出的应用于在线预测阶段的电动汽车充放电可调节能力预测装置,包括第二获取模块,用于确定至少一辆电动汽车的目标预测日期,并基于目标预测日期,获取至少一辆电动汽车充放电可调节能力的辅助预测数据;预测模块,用于预处理辅助预测数据,得到辅助预测数据的标准化预测数据,并将标准化预测数据输入至预先训练的可调节能力预测模型,生成至少一辆电动汽车的充放电可调节能力的预测指标,其中,可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;还原模块,用于对预测指标进行反标准化和还原操作,得到至少一辆电动汽车在目标预测日期的充放电可调节能力指标。本申请根据电动汽车充电历史订单信息评估历史的充放电可调节能力,并通过人工神经网络预测未来的电动汽车充放电调节能力,从而提高评估和预测电动汽车充放电可调节能力的精度,为充电聚合商参与电力市场提供了有力的支撑。
图6为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的电动汽车充放电可调节能力预测方法。
进一步地,电子设备还包括:
通信接口603,用于存储器601和处理器602之间的通信。
存储器601,用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现,则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器601、处理器602及通信接口603,集成在一块芯片上实现,则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的电动汽车充放电可调节能力预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种电动汽车充放电可调节能力预测方法,应用于离线训练阶段,其特征在于,包括以下步骤:
获取至少一辆电动汽车的所有历史充放电订单信息;
基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标;
采集所述至少一辆电动汽车的训练辅助数据,基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用所述可调节能力预测模型,输出所述至少一辆电动汽车的充放电调节能力预测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标,包括:
逐一评估所述所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到所述每条历史充放电订单信息的时序指标;
基于所述每条历史充放电订单信息的时序指标,计算所述所有历史充放电订单信息的聚合充放电可调节能力指标;
利用预设切割策略对所述聚合充放电可调节能力指标进行切割和修正,得到所述逐天聚合充放电可调节能力指标。
3.根据权利要求1所述的方法,其特征在于,所述基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,包括:
对所述训练辅助数据进行预处理,得到所述训练辅助数据的标准化数据;
基于预设训练预测日期和所述逐天聚合充放电可调节能力指标,划分所述标准化数据,得到划分结果,并根据所述划分结果构建所述人工神经网络模型的训练数据集和验证数据集;
通过所述训练数据集和所述验证数据集训练并优化所述人工神经网络模型,以生成所述可调节能力预测模型。
4.一种电动汽车充放电可调节能力预测方法,应用于在线预测阶段,其特征在于,包括以下步骤:
确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据;
预处理所述辅助预测数据,得到所述辅助预测数据的标准化预测数据,并将所述标准化预测数据输入至预先训练的可调节能力预测模型,生成所述至少一辆电动汽车的充放电可调节能力的预测指标,其中,所述可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;
对所述预测指标进行反标准化和还原操作,得到所述至少一辆电动汽车在所述目标预测日期的充放电可调节能力指标。
5.根据权利要求4所述的方法,其特征在于,所述确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据,包括:
基于所述目标预测日期,确定所述充放电可调节能力的第一辅助预测日期和第二辅助预测日期;
获取所述第一辅助预测日期至所述目标预测日期内,所述至少一辆电动汽车的所有充放电行为的订单信息,并计算所述订单信息的可调节能力指标;
获取所述第一辅助预测日期至所述第二辅助预测日期内,所述至少一辆电动汽车的行驶数据,并采集所述目标预测日期的天气信息和节假日信息;
基于所述可调节能力指标、所述行驶数据、所述天气信息和所述节假日信息,构建所述充放电可调节能力的辅助预测数据。
6.一种电动汽车充放电可调节能力预测装置,应用于离线训练阶段,其特征在于,包括:
第一获取模块,用于获取至少一辆电动汽车的所有历史充放电订单信息;
评估模块,用于基于每辆电动汽车的所有历史充放电订单信息,评估所述每辆电动汽车的聚合充放电可调节能力,得到所述至少一辆电动汽车的逐天聚合充放电可调节能力指标;
训练模块,用于采集所述至少一辆电动汽车的训练辅助数据,基于所述逐天聚合充放电可调节能力指标和所述训练辅助数据,训练预设的人工神经网络模型,生成可调节能力预测模型,以利用所述可调节能力预测模型,输出所述至少一辆电动汽车的充放电调节能力预测结果。
7.根据权利要求6所述的装置,其特征在于,所述评估模块包括:
分析单元,用于逐一评估所述所有历史充放电订单信息中每条历史充放电订单信息的充放电可调节能力,得到所述每条历史充放电订单信息的时序指标;
第一计算单元,用于基于所述每条历史充放电订单信息的时序指标,计算所述所有历史充放电订单信息的聚合充放电可调节能力指标;
切割单元,用于利用预设切割策略对所述聚合充放电可调节能力指标进行切割和修正,得到所述逐天聚合充放电可调节能力指标。
8.根据权利要求6所述的装置,其特征在于,所述训练模块包括:
预处理单元,用于对所述训练辅助数据进行预处理,得到所述训练辅助数据的标准化数据;
划分单元,用于基于预设训练预测日期和所述逐天聚合充放电可调节能力指标,划分所述标准化数据,得到划分结果,并根据所述划分结果构建所述人工神经网络模型的训练数据集和验证数据集;
生成单元,用于通过所述训练数据集和所述验证数据集训练并优化所述人工神经网络模型,以生成所述可调节能力预测模型。
9.一种电动汽车充放电可调节能力预测装置,应用于在线预测阶段,其特征在于,包括:
第二获取模块,用于确定至少一辆电动汽车的目标预测日期,并基于所述目标预测日期,获取所述至少一辆电动汽车充放电可调节能力的辅助预测数据;
预测模块,用于预处理所述辅助预测数据,得到所述辅助预测数据的标准化预测数据,并将所述标准化预测数据输入至预先训练的可调节能力预测模型,生成所述至少一辆电动汽车的充放电可调节能力的预测指标,其中,所述可调节能力预测模型通过预设评估辅助数据训练预设人工神经网络模型生成;
还原模块,用于对所述预测指标进行反标准化和还原操作,得到所述至少一辆电动汽车在所述目标预测日期的充放电可调节能力指标。
10.根据权利要求9所述的装置,其特征在于,所述第二获取模块包括:
确定单元,用于基于所述目标预测日期,确定所述充放电可调节能力的第一辅助预测日期和第二辅助预测日期;
第二计算单元,用于获取所述第一辅助预测日期至所述目标预测日期内,所述至少一辆电动汽车的所有充放电行为的订单信息,并计算所述订单信息的可调节能力指标;
采集单元,用于获取所述第一辅助预测日期至所述第二辅助预测日期内,所述至少一辆电动汽车的行驶数据,并采集所述目标预测日期的天气信息和节假日信息;
构建单元,用于基于所述可调节能力指标、所述行驶数据、所述天气信息和所述节假日信息,构建所述充放电可调节能力的辅助预测数据。
11.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上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程序,以实现如权利要求1-5任一项所述的电动汽车充放电可调节能力预测方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的电动汽车充放电可调节能力预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277948.7A CN117291304A (zh) | 2023-09-28 | 2023-09-28 | 电动汽车充放电可调节能力预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277948.7A CN117291304A (zh) | 2023-09-28 | 2023-09-28 | 电动汽车充放电可调节能力预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117291304A true CN117291304A (zh) | 2023-12-26 |
Family
ID=89253210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277948.7A Pending CN117291304A (zh) | 2023-09-28 | 2023-09-28 | 电动汽车充放电可调节能力预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634931A (zh) * | 2024-01-25 | 2024-03-01 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
-
2023
- 2023-09-28 CN CN202311277948.7A patent/CN117291304A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634931A (zh) * | 2024-01-25 | 2024-03-01 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
CN117634931B (zh) * | 2024-01-25 | 2024-04-16 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
JP4807565B2 (ja) | 流量予測装置 | |
JP5537304B2 (ja) | 情報処理装置およびそのプログラム | |
JP2015090709A (ja) | グリッドタイ・エネルギ背景の経済的最適化のための戦略的モデリング | |
CN117291304A (zh) | 电动汽车充放电可调节能力预测方法、装置、设备及介质 | |
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN101794345A (zh) | 一种数据处理方法及装置 | |
CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
CN115102202B (zh) | 基于滚动式实时电价预测的储能控制方法 | |
Feng et al. | Scenario reduction for stochastic unit commitment with wind penetration | |
CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN116683508A (zh) | 一种目标对象储能容量的确定方法、装置及电子设备 | |
CN115291545A (zh) | 一种电力电子产品的多层控制系统及方法 | |
CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
Zhou et al. | Predictive energy management for fuel cell hybrid electric vehicles | |
JPWO2020090949A1 (ja) | 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法 | |
CN114706006A (zh) | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 | |
CN117104062A (zh) | 充电桩充电控制方法、装置、存储介质及设备 | |
CN113788007B (zh) | 一种分层式实时能量管理方法和系统 | |
CN112865235B (zh) | 电池控制方法、电子设备及存储介质 | |
CN115360741A (zh) | 现货场景下基于深度强化学习的风储灵活控制方法和装置 | |
CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
CN113949084B (zh) | 一种基于非线性分位数区间预测的充放电优化调度方法 |
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 |