[发明专利]一种用于预测充电桩系统充电量的方法

摘要

本发明提供一种用于预测充电桩系统充电量的方法，属于充电汽车充电桩领域。该方法首先利用充电量数据的周期性特点，还利用充电量数据的时间序列性特点和趋势性特点，大幅提高了对数据的利用和预测精度，其次考虑到外部特征节假日、充电桩所在区域对充电量的影响，将其加入到预测模型中，大幅提高了预测精度和对特殊值的预测。本发明的方法不仅大幅提高短时充电量预测的准确度，而且能够在较高的准确度下预测长时充电量。

主权项

1.一种用于预测充电桩系统充电量的方法，其特征在于，步骤如下：第一步，将充电量数据进行预处理(1)时间粒度划分：将所有充电量数据按一小时的时间粒度处理为每小时的充电量数据；(2)对数据进行标准化：采用最小值最大值对每小时的充电量数据进行标准化，公式如下：其中，x表示充电量原始值，xmin表示充电量原始值的最小值，xmax表示充电量原始值的最大值，max为归一化的上限值，min为归一化的下限值，[min,max]表示归一化后的区间，x*为标准化后的结果；第二步，将预处理后的充电量数据划分为训练集、验证集和测试集；在每个数据集中，不同模型采用的数据有以下几种类型：时间序列深度学习模型中采用时间序列数据：周期性深度学习模型中采用周期序列数据：趋势性深度学习模型中采用趋势序列数据：外部特征模型中采用外部特征数据：Fn；其中，n表示当前时刻，t表示时间序列的步长，p表示周期序列的步长，q表示趋势序列的步长；s_i表示在第n时刻的充电量，表示第n时刻的前i天的日内相同时刻的充电量，表示前i周的某天的第n时刻的充电量；表示包括第n时刻的前t个时刻的充电量集合，表示包括第n时刻当天的前p天日内相同时刻的充电量集合，表示包括第n时刻当前周的前q周的某天日内相同时刻的充电量集合，F_n表示在第n时刻的外部特征，包括节假日、位置区域、天气和气温；第三步、构建预测模型，预测模型包括周期性深度学习模型、时间序列深度学习模型、趋势性深度学习模型和外部特征模型，各个模型的结构及训练机制如下：(1)周期性深度学习模型：是一个基于注意力Attention机制的多层长短记忆网络LSTM模型，隐含层包含两层长短记忆网络LSTM的编码器Encoder、两层长短记忆网络LSTM的解码器Decoder和三层全连接神经网络，解码器Decoder的结构与编码器Encoder相同；周期性深度学习模型的实现细节：将周期序列数据输入编码器Encoder，取编码器Encoder的所有输出，并给所有输出分配不同的权重，再作为解码器Decoder的输入，解码器Decoder的所有输出最后输入到三层全连接神经网络，三层全连接神经网络的输出为周期性深度学习模型的输出；(2)时间序列深度学习模型：是一个基于新的编码器‑解码器机制的多层长短记忆网络LSTM模型，包含预训练部分和预测部分；预训练部分包括两层长短记忆网络LSTM的编码器Encoder、两层长短记忆网络LSTM的解码器Decoder和一层全连接层神经网络，预测部分包括预训练部分的两层长短记忆网络LSTM的编码器Encoder和三层全连接神经网络；预训练部分的实现细节：将时间序列数据输入编码器Encoder，编码器Encoder的最后一个单元的单元状态作为解码器Decoder的第一个单元的初始单元状态，解码器Decoder的所有输出输入到一层全连接层神经网络，得到的输出即使预训练的输出；预测部分的实现细节：将时间序列数据输入编码器Encoder，编码器Encoder的最后一个单元的输出再输入到三层全连接神经网络，三层全连接层神经网络的输出即为预测部分的输出结果，也是时间序列深度学习模型的输出；(3)趋势性深度学习模型的结构组成及实现细节与周期性深度学习模型完全相同；(4)外部特征模型：包括三层全连接神经网络；实现细节：取周期性深度学习模型、时间序列深度学习模型和趋势性深度学习模型的输出，以及外部特征数据Fn组合成一个一维向量，将该一维向量作为三层全连接神经网络输入，经过三层全连接神经网络，最终输出预测结果；步骤四、使用训练集数据对时间序列深度学习模型的预训练部分进行预训练，提前优化时间序列深度学习模型的参数，避免在整体训练时将参数优化到局部最优点；用零状态初始化编码器Encoder的第一个单元的单元状态，将输入数据即前t₁小时的充电量输入到编码器Encoder，获得编码器Encoder的输出；取编码器Encoder最后一个单元的单元状态作为解码器Decoder的第一个单元的初始单元状态，再将时间序列数据即前t′₁小时的充电量输入到解码器Decoder，获得解码器Decoder的所有输出，再使用一层全连接神经网络对Decoder的所有输出进行计算最终得到预测值；充电量真值为计算预测值和充电量真值的损失函数值，当预训练部分的损失函数值降低至0.05以下时停止预训练；步骤五、使用训练集数据和验证集数据对步骤三建立的4种模型进行整体训练将输入数据输入到4种模型中，同时对4种模型进行整体训练，外部特征模型所输出的结果就是最终的预测值；计算每次训练后的预测值和充电量真值的损失函数值，最小化损失函数值，将模型的参数训练到目标值；根据模型在训练集、验证集上的效果，不断调试模型的超参数，在减小过拟合的条件下提高预测精度；所述的输入数据包括：时间序列数据周期序列数据趋势序列数据外部特征数据F_n和充电量真值为步骤六，使用测试集数据并利用步骤五训练好的模型进行短时预测；输入数据为：时间序列数据周期序列数据趋势序列数据外部特征数据F_n和充电量真值为外部特征模型所输出的结果就是最终的短时预测值；步骤七，使用测试集数据并利用步骤五训练好的模型进行长时预测；输入数据为：时间序列数据周期序列数据趋势序列数据外部特征数据F_n；经过一次预测后，得到下一个时刻的充电量s_n+1，将预测值s_n+1做为真实值放入输入数据中，重新构造输入数据：时间序列数据周期序列数据趋势序列数据外部特征数据F_n+1，再将输入数据输入到模型中，预测得到下一个时刻的充电量s_n+2；将预测值sn+2做为真实值放入输入数据中，重新构造输入数据，如此反复，直到得到目标时间区间的预测值。