CN117993963A - 一种基于时空组态的多充电桩场站用电量预测方法 - Google Patents
一种基于时空组态的多充电桩场站用电量预测方法 Download PDFInfo
- Publication number
- CN117993963A CN117993963A CN202410397589.7A CN202410397589A CN117993963A CN 117993963 A CN117993963 A CN 117993963A CN 202410397589 A CN202410397589 A CN 202410397589A CN 117993963 A CN117993963 A CN 117993963A
- Authority
- CN
- China
- Prior art keywords
- data
- charging pile
- space
- station
- prediction
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时空组态的多充电桩场站用电量预测方法，包括以下步骤：S1、建立数据库；S2、处理异常数据；S3、数据聚合；S4、填补缺失数据；S5、数据建模；S6、预测结果输出；S7、存入数据库。本发明所要解决的技术问题是提供一种基于时空组态的多充电桩场站用电量预测方法，旨在通过建立时空网络模型，从空间角度搭建不同充电桩场站之间的关联性，增强每个充电桩场站用电量的预测精准下，并且进一步引入实例归一化策略提高模型预测未来的泛化性，能够更好的预测趋势性，进而进一步合理的利用市场电价，降低充电桩场站的充电成本。
Description
技术领域
本发明涉及充电场站电量预测技术领域，特别是一种基于时空组态的多充电桩场站用电量预测方法。
背景技术
充电桩的用电量预测是一个非常重要的问题，一次有效的电量预测可以帮助场站合理的规划用电操作，帮助场站在电价较低的情况提高用电利用率，降低场站的用电成本，提高场站收益率。
现有对于充电桩的用电量预测方法角度，整体上可以分为以下几个类别：
1.统计分析：传统的统计分析技术在充电桩的用电量预测中使用的最多，比如Arima、Prophet等，其中prophet是由Meta提出的一种新颖的统计分析方法，其通过统计过去时间的均值、方差、趋势等计算未来的数值。
2.机器学习：传统的机器学习学习方法较多，比如RandomForest、Xgboost等，其通过建立树型结构，不同的叶子分支代表不同的预测数值
3.深度学习：在深度学习方法，也有一些对于这种问题的解决策略，比如LSTM、TCN等，这些方法尝试性建立复杂网络模型解决预测性问题。
现有对于充电桩的用电量预测目前主要集中在单一区域而言，没有考虑不同区域的关联性，同时在预测未来趋势的泛化性上没有较好的改善，对于场站的要求较高：
1.统计分析策略在预测的时候更倾向于超短期的预测，对于长时间的预测误差较大
2.传统的机器学习方法预测泛化性不好，比如RandomForest和Xgboost对于未来趋势性上升的数据无法预测到，具有明显的预测边界
3.对于深度学习方法，如LSTM和TCN，在建模的时候更倾向于单场站建模，没有很好的考虑充电桩场站之间的关系。
发明内容
本发明所要解决的技术问题是提供一种基于时空组态的多充电桩场站用电量预测方法，旨在通过建立时空网络模型，从空间角度搭建不同充电桩场站之间的关联性，增强每个充电桩场站用电量的预测精准下，并且进一步引入实例归一化策略提高模型预测未来的泛化性，能够更好的预测趋势性，进而进一步合理的利用市场电价，降低充电桩场站的充电成本。
为解决上述技术问题，本发明所采用的技术方案是：一种基于时空组态的多充电桩场站用电量预测方法，包括以下步骤：
S1、建立数据库；
S2、处理异常数据；
S3、数据聚合；
S4、填补缺失数据；
S5、数据建模；
S6、预测结果输出；
S7、存入数据库。
优选的，所述步骤S1中数据库包括：a、充电桩数据，即充电桩坐标、充电桩类型、充电桩用电数据；b、外部数据，即天气数据、车流量数据；针对上述数据，建立mysql的数据库实现数据存储。
优选的，所述步骤S2采用3sigma策略，通过正态分布的置信度，将个别离群点提取并调整为相邻数据，确保数据在分布上的有效连续性。
优选的，所述步骤S3在数据聚合时，采用线性插值法对齐不同数据的时间粒度。
优选的，所述步骤S4中对于缺失值，采用线性插值的方式进行弥补，确保整个数据的连续性。
优选的，所述步骤S5中数据建模包括：a、通过空间的多场站关联性，使得不同的场站能够与相邻场站的用电量建立联系；b、解决泛化性问题，使得场站的用电量预测能够长时间高精度稳定运行。
优选的，步骤S6在完成步骤S5后进行实际的预测工作，步骤S7基于S6的预测结果，导入到S1中所建立的Mysql数据库中进行存储。
本发明提供一种基于时空组态的多充电桩场站用电量预测方法，建立了一个完整的多充电桩场站的时空预测模型，以高精度稳定运行，从降低场站运行成本的角度提高了充电场站的收益。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的结构示意图；
图2为本发明异常检测的结构示意图；
图3为本发明空间场站关联性结构示意图；
图4为本发明归一化策略的结构示意图；
图5为本发明Revin和STID整体网络结构图；
图6为本发明充电场站用电量预测效果示意图。
具体实施方式
如图1所示，一种基于时空组态的多充电桩场站用电量预测方法，包括以下步骤：
S1、建立数据库；
S2、处理异常数据；
S3、数据聚合；
S4、填补缺失数据；
S5、数据建模；
S6、预测结果输出；
S7、存入数据库。
优选的，所述步骤S1中数据库包括：a、充电桩数据，即充电桩坐标、充电桩类型、充电桩用电数据；b、外部数据，即天气数据、车流量数据；针对上述数据，建立mysql的数据库实现数据存储。
优选的，所述步骤S2采用3sigma策略，通过正态分布的置信度，将个别离群点提取并调整为相邻数据，确保数据在分布上的有效连续性。如图2所示，图中的三角形点即为异常数值，对于异常的数值我们会选择剔除的操作，待后续进行缺失填补。
优选的，所述步骤S3在数据聚合时，采用线性插值法对齐不同数据的时间粒度。
由于不同的数据，比如充电桩数据、天气数据，时间粒度上存在不一致的情况，比如充电桩数据的相邻时间点间隔1min，天气数据的时间点间隔15min，这种情况下需要对齐时间粒度，这里我们采用线性插值的方法
优选的，所述步骤S4中对于缺失值，采用线性插值的方式进行弥补，确保整个数据的连续性。
优选的，所述步骤S5中数据建模包括：a、通过空间的多场站关联性，使得不同的场站能够与相邻场站的用电量建立联系；b、解决泛化性问题，使得场站的用电量预测能够长时间高精度稳定运行。
首先是空间场站的关联性，一般而言对于空间组态来说，描述一个空间关系主要依赖于空间距离矩阵，计算任意两个场站之间的距离形成的矩阵，在这里我们采用embedding的策略来解决当前问题，对于每一个场站赋予一个id，而该id可以映射到一个一维向量，举例如图3所示，以三个场站为例，映射P_E=4的数组，3×4为三行四列的二位矩阵，3表示3个场站，4表示每个场站的4个数据。
由于不同的场站可以映射为不同的一维向量，而这些向量之间是相同维度的，是可以通过欧式距离计算不同向量之间的关系，由此进一步引导出了不同场站之间的空间位置关系，同时这些矩阵可以在模型训练过程中学习，调整本身的数值，能够自动化的学习到不同充电场站之间复杂的关系，我们通过这种方法能够将不同场站的数据混合到一起放入到深度模型中进行训练，使得模型能够对于每个充电场站预测的时候利用到了其他场站的历史信息，提高每个充电场站预测的稳定性和精准性，对于刚投入使用的充电场站也能达到很好的预测效果，因为模型中包括其他场站的历史规律，同时由于场站id的存在，也能够学习到当前场站本身的规律。
其次是泛化性问题，对于传统机器学习无法解决的泛化性问题，一般的深度学习模型有一定的能力解决但是也不够，这里引入实例归一化策略提高泛化性预测性能。实例归一化策略主要是通过对输入进行归一化以根据均值和方差来固定其分布，输出的结果更倾向于预测数据的趋势性和变化性，而后者将输出返回到原始分布，这样输出之后的结果能够和邻近的时间具备一样的分布特性，如图4所示，图中，b-1代表原始数据，b-2代表减去样本分布之后的数据，b-3代表基于b-2预测的结果，b-4代表将b-2提取的数据分布添加到预测结果之后的数据。
从上图可以看出实例归一化策略可以应用在任意一个模型上面，这对于预测来说是一个非常好的策略。其首先通过b-1提取数据样本的均值/方差指标将数据本身的基本分布提取出来，保留数据本身的变化特性，通过b-2和b-3采用模型对于去掉基本分布的样本预测出结果之后，这种情况能够将所有样本归一到统一分布下，确保模型更好的学习到数据的变化规律，最后通过b-4将基本分布添加到预测结果中，确保输出结果与临近的时间样本遵循统一基本分布。
综合上述两种策略的方法，整体的网络结果如图5所示，采用python语言的pytorch深度学习库完成上述网络的整体建模工作。
对于每个场站的位置进行序列号编码，编码为：1，2，3，…，N，通过深度学习框架的Embedding矩阵进行映射，每个ID映射为1×P_E的矩阵，P_E代表一个数值，1×P_E代表一行P_E列的数组，对于用户的输入数据进行Revin实例归一化策略，然后对位置编码Embedding向量、输入归一化数据、外部数据三者进行线性层的神经网络映射，映射结束之后进行叠加，再继续通过一次线性层的神经网络映射和Revin反归一化策略得到预测结果。
优选的，步骤S6在完成步骤S5后进行实际的预测工作，仅需要获取图示5中的最后一个模块预测输出的数值即可。步骤S7基于S6的预测结果，导入到S1中所建立的Mysql数据库中进行存储。
如图6所示，为本发明充电场站用电量预测效果示意图，其中横坐标时间点代表一天96个时间点位，每个点位代表15分钟。纵坐标代表归一化后的用电量数值，用电量数值的单位为kW，归一化后代表百分比，取最大值进行归一化。
本发明采用了时空网络关系，通过对不同的充电桩场站节点建立embedding向量，在模型训练中合理的学习不同场站节点之间的关系，提高每个场站的预测精准度；再次通过Revin策略，通过对邻近数据的分布提取与叠加操作，在预测未来情况下保留和邻近数据一致的分布特性，确保整个预测任务的泛化性。
位置编码：1,2,3,…,N，代表N个充电场站
外部数据：包括温度、湿度、风速、降雨量，温度为摄氏度数值，湿度为0～100的百分比相对湿度取值，风速为0～正无穷的数值，单位为米/秒，降雨量为0～正无穷的数值，单位为毫米
输入数据：包括用电量、充电桩坐标，用电量为0～正无穷的数值，单位为kW，坐标为经纬度坐标。
输出数据：为预测的用电场站用电量预测值。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (5)
1.一种基于时空组态的多充电桩场站用电量预测方法，其特征在于，包括以下步骤：
S1、建立数据库；
S2、处理异常数据；
S3、数据聚合；
S4、填补缺失数据；
S5、数据建模；
S6、预测结果输出；
S7、存入数据库；
所述步骤S1中数据库包括：a、充电桩数据，包括充电桩坐标、充电桩类型、充电桩用电数据；b、外部数据，包括天气数据、车流量数据；针对上述数据，建立mysql的数据库实现数据存储；
所述步骤S5中数据建模包括：
对每个场站的位置进行序列号编码，编码为：1，2，3，…，N，通过深度学习框架的Embedding矩阵进行映射，每个ID映射为1×P_E的矩阵，P_E代表一个数值，1×P_E代表一行P_E列的数组，对于用户的输入数据进行Revin实例归一化策略，然后对位置编码Embedding向量、输入归一化数据、外部数据三者进行线性层的神经网络映射，映射结束之后进行叠加，再继续通过一次线性层的神经网络映射和Revin反归一化策略得到预测结果。
2.根据权利要求1所述一种基于时空组态的多充电桩场站用电量预测方法，其特征在于，所述步骤S2采用3sigma策略，通过正态分布的置信度，将个别离群点提取并调整为相邻数据。
3.根据权利要求1所述一种基于时空组态的多充电桩场站用电量预测方法，其特征在于，所述步骤S3在数据聚合时，采用线性插值法对齐不同数据的时间粒度。
4.根据权利要求1所述一种基于时空组态的多充电桩场站用电量预测方法，其特征在于，所述步骤S4中对于缺失值，采用线性插值的方式进行弥补。
5.根据权利要求1所述一种基于时空组态的多充电桩场站用电量预测方法，其特征在于，步骤S6在完成步骤S5后进行实际的预测工作，步骤S7基于S6的预测结果，导入到S1中所建立的Mysql数据库中进行存储；
所述实际的预测工作采用时空网络关系，通过对不同的充电桩场站节点建立embedding向量，在模型训练中学习不同场站节点之间的关系；再次通过Revin策略，进行对邻近数据的分布提取与叠加操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397589.7A CN117993963A (zh) | 2024-04-03 | 2024-04-03 | 一种基于时空组态的多充电桩场站用电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397589.7A CN117993963A (zh) | 2024-04-03 | 2024-04-03 | 一种基于时空组态的多充电桩场站用电量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117993963A true CN117993963A (zh) | 2024-05-07 |
Family
ID=90890829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410397589.7A Pending CN117993963A (zh) | 2024-04-03 | 2024-04-03 | 一种基于时空组态的多充电桩场站用电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117993963A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115080795A (zh) * | 2022-06-17 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种多充电站协同负荷预测方法及装置 |
| CN116502774A (zh) * | 2023-06-26 | 2023-07-28 | 南京信息工程大学 | 一种基于时间序列分解和勒让德投影的时间序列预测方法 |
| CN117057471A (zh) * | 2023-08-18 | 2023-11-14 | 国网福建省电力有限公司 | 一种基于图多头注意力机制的小区用电预测方法 |
-
2024
- 2024-04-03 CN CN202410397589.7A patent/CN117993963A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115080795A (zh) * | 2022-06-17 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种多充电站协同负荷预测方法及装置 |
| CN116502774A (zh) * | 2023-06-26 | 2023-07-28 | 南京信息工程大学 | 一种基于时间序列分解和勒让德投影的时间序列预测方法 |
| CN117057471A (zh) * | 2023-08-18 | 2023-11-14 | 国网福建省电力有限公司 | 一种基于图多头注意力机制的小区用电预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508275A (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN111210093A (zh) | 基于大数据的日用水量预测方法 | |
| CN114358213A (zh) | 非线性时序数据预测的误差消融处理方法及系统与介质 | |
| CN107506937B (zh) | 一种基于关联规则的水电站发电能力评估方法 | |
| CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
| CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
| CN116011633A (zh) | 区域燃气用量预测方法、系统、设备及物联网云平台 | |
| Bai et al. | Improved Markov‐chain‐based ultra‐short‐term PV forecasting method for enhancing power system resilience | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| Liu | Short‐Term Prediction Method of Solar Photovoltaic Power Generation Based on Machine Learning in Smart Grid | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN110689272A (zh) | 一种基于流式计算的敏感设备耐受特性实时在线评估方法 | |
| Basmadjian et al. | ARIMA-based forecasts for the share of renewable energy sources: The case study of Germany | |
| Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
| CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
| CN117993963A (zh) | 一种基于时空组态的多充电桩场站用电量预测方法 | |
| CN117057471A (zh) | 一种基于图多头注意力机制的小区用电预测方法 | |
| 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 | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| Miletić et al. | Day-ahead electricity price forecasting using LSTM networks | |
| CN110222877A (zh) | 一种基于自定义神经网络的负荷预测系统及负荷预测方法 | |
| Sicheng et al. | Abnormal line loss data detection and correction method | |
| Swide et al. | Energy Demand Prediction Based on Deep Learning Techniques | |
| CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 |
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 |