一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质

技术领域

本申请涉及智能电网应用的技术领域，具体为一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质。

背景技术

随着全球对节能减排和绿色制造的呼声越来越高，绿色低碳发展已成为全球发展的大趋势。由于电动汽车(EV)的低碳环保优势，越来越多的国家开始推广电动汽车。然而，电动汽车的充电负荷预测是确保电网安全和稳定的关键。此外，充电负荷具有非线性、随机性、间歇性等特点。如何建立一个准确的电动汽车充电负荷时间序列预测模型是至关重要的。

目前，对充电负荷预测的研究主要有传统预测方法和基于机器学习的方法。传统的预测方法主要包括：线性回归法、数理统计法等。例如，采用蒙特卡洛模拟方法建立充电站负荷预测模型。传统的建模方法大多依靠经验进行建模，并不准确。同时，需要大量不同类型的数据进行模型验证，这可能导致泛化效果不佳。

近年来，机器学习方法开始受到越来越多专家学者的关注，并被应用于众多领域。基于机器学习的充电负荷预测方法也成为智能电网领域的一个热门话题。例如，有些专家学者建立了一种基于改进的随机森林和密度聚类相结合的预测方法来预测短期负荷频率域，但模型结构比较复杂。三种时间建模方法，即递归神经网络、长短期记忆(LSTM)和门控递归单元，被用来预测公共汽车充电站的负荷。提出了一种基于分层建模的电动汽车充电负荷预测方法，对荷兰的一个地区进行日前和前一小时的预测。开发了一个基于LSTM的超短期电动汽车充电负荷预测模型。上述基于机器学习的建模方法可以挖掘负荷变化序列中的时间序列特征，而不需要手动设置大量的参数，建模简单有效。

在上述背景下，为了实现电动汽车充电负荷的优化调度，前提就是需要建立准确的时序预测模型，故本发明专利提出一种基于宽度学习系统的电动车充电负荷时序建模方法。该建模方法能够考虑不同因素对充电负荷的影响，以及充电负荷的时间序列特征。

发明内容

本申请实施例的目的在于提供一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质，为进一步提升电动车充电效率提供支撑，进而为实现智能电网绿色节能发展奠定基础。

为实现上述目的，本申请提供如下技术方案：

第一方面，本申请实施例提供一种基于宽度学习系统的电动车充电负荷时序建模方法，包括以下具体步骤：

(1)电动车充电负荷影响因素的确定

根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

(2)电动车充电负荷相关数据归一化处理

采集实际现场的电动车充电负荷的相关数据，利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据，共获得358组数据，其中前258组样本数据进行模型训练，剩下的100组数据进行模型测试；

(3)基于宽度学习系统的电动车充电负荷时序预测模型建立

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

(4)电动车充电负荷的时序预测

将步骤(2)中的归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

所述建立基于宽度学习系统的电动车充电负荷时序预测模型具体如下：

(1)由影响电动车充电负荷的因素和电动车充电负荷组成的训练样本数据集为

其中，ψ是激励函数；

F

(2)F

其中，ξ是双曲正切函数，

E

(3)所有特征节点和增强节点都连接到宽度学习模型的输出，则宽度学习模型的输出为：

Y＝[F

其中，W是宽度学习模型的输出权值；输出权值W由伪逆的脊回归近似获得，即：

W＝(ΩΩ

其中，η是岭参数；I是单位矩阵；Y为电动车充电负荷的时序预测值集合。

第二方面，本申请实施例提供一种基于宽度学习系统的电动车充电负荷时序建模系统，包括，

影响因素确定模块，

用以根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

数据归一化处理模块，

利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据；

时序预测模型建立模块，

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

时序预测模块，

将归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

第三方面，本申请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有程序代码，所述程序代码被处理器执行时，实现如上所述的基于宽度学习系统的电动车充电负荷时序建模方法的步骤。

与现有技术相比，本申请的有益效果是：本申请采用数据归一化处理，能够避免影响电动车充电负荷的原始数据之间的不同量纲的影响；根据电动车充电负荷的性能分析，确定影响电动车充电负荷的因素，采用宽度学习系统来建立电动车充电负荷时序预测模型，能够实现电动车充电负荷的准确时序预测，为进一步提升电动车充电效率提供支撑，进而为实现智能电网绿色节能发展奠定基础。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中一种基于宽度学习系统的电动车充电负荷时序建模方法的流程图；

图2为本发明实施例中一种基于宽度学习系统的电动车充电负荷时序建模系统框图；

图3为本发明实施例中电动车充电负荷时序预测结果与实际值的对比图；

图4为本发明实施例中电动车充电负荷时序预测结果的相对误差结果图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

如图1所示，一种基于宽度学习系统的电动车充电负荷时序建模方法，包括以下具体步骤：

(1)电动车充电负荷影响因素的确定

根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

(2)电动车充电负荷相关数据归一化处理

采集实际现场的电动车充电负荷的相关数据，利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据，共获得358组数据，其中前258组样本数据进行模型训练，剩下的100组数据进行模型测试；

(3)基于宽度学习系统的电动车充电负荷时序预测模型建立

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

(4)电动车充电负荷的时序预测

将步骤(2)中的归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

所述建立基于宽度学习系统的电动车充电负荷时序预测模型具体如下：

(1)由影响电动车充电负荷的因素和电动车充电负荷组成的训练样本数据集为

其中，ψ是激励函数；

F

(2)F

其中，ξ是双曲正切函数，

E

(3)所有特征节点和增强节点都连接到宽度学习模型的输出，则宽度学习模型的输出为：

Y＝[F

其中，W是宽度学习模型的输出权值；输出权值W由伪逆的脊回归近似获得，即：

W＝(ΩΩ

其中，η是岭参数；I是单位矩阵；Y为电动车充电负荷的时序预测值集合。

如图2所示，一种基于宽度学习系统的电动车充电负荷时序建模系统，包括，

影响因素确定模块1，

用以根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

数据归一化处理模块2，

利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据；

时序预测模型建立模块3，

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

时序预测模块4，

将归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

将电动车充电负荷时序预测值与实际值进行对比，得到如图3所示的结果；

由图3可知，电动车充电负荷的预测值与样本值十分接近。另外，电动车充电负荷时序预测值与实际值的预测误差结果如图4所示，由图4可知，电动车充电负荷预测值的预测误差在[-80,20]KWh之内。因此，所述基于宽度学习系统的电动车充电负荷时序预测模型能准确的按照时间顺序进行电动车充电负荷的准确有效预测，有利于推动电动车充电负荷的优化调度

本发明的有益效果是：采用数据归一化处理，能够避免影响电动车充电负荷的原始数据之间的不同量纲的影响；根据电动车充电负荷的性能分析，确定影响电动车充电负荷的因素，采用宽度学习系统来建立电动车充电负荷时序预测模型，能够实现电动车充电负荷的准确时序预测，为进一步提升电动车充电效率提供支撑，进而为实现智能电网绿色节能发展奠定基础。

一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如权利要求1或2所述的一种基于宽度学习系统的电动车充电负荷时序建模方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。