电动汽车充电容量需求预测方法及相关装置

技术领域

本发明涉及电动汽车充电需求预测领域，特别涉及电动汽车充电容量需求预测方法及相关装置。

背景技术

随着电动汽车迅速普及，对许多小区配电系统造成很大冲击。原有配电系统大多未对此情景进行充分预估和规划设计，充电桩的超预期大量接入，很可能造成配电容量负荷过载，引起跳闸或烧坏设备。需要从多个时间维度对小区电动汽车充电容量需求进行预测预警，及时采取措施防范问题的发生。现有技术为基于稳定性分析，预测小区月度用电量，或者获取小区居民用户分项用电的历史样本数据，基于Adaboost迭代算法预测剧名小区分项负荷数据。小区电动汽车充电需求与小区规模、停车位数量等因素直接相关，现有技术均属于常规电力电量预测，未针对小区特征、电动汽车充电行为特征进行优化，预测准确率和效率都难以满足小区电动汽车充电需求预测需求。

发明内容

本发明的目的在于提供电动汽车充电容量需求预测方法及相关装置，以解决现有技术因缺少考虑小区规模、停车位数量等因素导致的预测准确率低和效率低的问题。

为实现上述目的，本发明采用以下技术方案：

本发明一方面，提供电动汽车充电容量需求预测方法，包括：

采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

将预处理后的数据划分为训练集、验证集和测试集；

构造GRU神经网络模型，并对GRU神经网络模型进行训练，使用测试集对训练好的GRU神经网络模型进行预测。

进一步的，小区属性数据包括：小区户数、小区固定车位数量、小区共享车位数量、小区充电桩数量、小区类别、小区房价、小区建造年代和小区住户历史用电量分布。

进一步的，小区属性数据预处理得到按照时间序列分组后的数据：

将数据转化为小时、日、周频度，并分别采用均值方差归一化的标准化处理，具体如下：

其中：其中x为要归一化的值，x

进一步的，训练集、验证集和测试集的划分具体为：

6：2：2。

进一步的，所述构造GRU神经网络模型，包括：

z

r

其中z

进一步的，所述对GRU神经网络模型进行训练，具体为：

GRU为时序模型，使用平均绝对误差作为损失函数，即各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均，使用均方对数误差作为网络的监控指标，即对数损失函数的平均值的平方，进行整体训练。

进一步的，使用测试数据集在训练好的使用测试集在训练好的GRU神经网络模型中进行预测，分别得出小时、日、周频度的预测结果，即未来一段时间小区电动汽车的充电容量。

本发明另一方面，提供一种电动汽车充电容量需求预测系统，包括：

采集模块，用于采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

预处理模块，用于将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

数据划分模块，用于将预处理后的数据划分为训练集、验证集和测试集；

训练预测模块，用于构造GRU神经网络模型，并对模型进行训练，使用测试数据集对训练好的模型进行预测。

本发明再一方面，提供一种计算机设备，包括存储器、处理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电动汽车充电容量需求预测方法的步骤。

本发明再一方面，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计算机程序，所述计算机程序被处理器执行时实现电动汽车充电容量需求预测方法的步骤。

与现有技术相比，本发明有以下技术效果：

本发明基于循环神经网络和GRU循化门单元，结合小区电动汽车聚合后的充电功率数据，以及小区属性数据，进行深度学习预测，提高电动汽车充电容量需求预测的准确度，相比传统机器学习模型及传统循环神经网络模型，预测准确率更高，误差更小。

进一步的，本发明将采集的数据转化为小时、日、周频度，并分别采用均值方差归一化的标准化处理，对应短期、中期、长期预测，有效预测短期、中期、长期充电容量需求，支持配电网规划运行管理决策。

附图说明

图1为本发明流程框架图。

图2为本发明整体流程图。

图3为本发明系统示意图。

图4为本发明GRU神经网络模型示意图。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1所示，本发明提供一种实施例，一种电动汽车充电容量需求预测方法，步骤如下：

电动汽车充电容量需求预测方法，包括：

采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

将预处理后的数据划分为训练集、验证集和测试集；

构造GRU神经网络模型，并对GRU神经网络模型进行训练，使用测试集对训练好的GRU神经网络模型进行预测。

本发明基于循环神经网络和GRU循化门单元，结合小区电动汽车聚合后的充电功率数据，以及小区属性数据，进行深度学习预测，提高电动汽车充电容量需求预测的准确度，相比传统机器学习模型及传统循环神经网络模型，预测准确率更高，误差更小。

本发明还提供一种实施例，如图2所示，具体包括：

1.将居民区电动汽车充电容量数据。

收集居民区电动汽车聚合后的充电功率、小区户数、小区固定车位数量、小区共享车位数量、小区充电桩数量、小区类别、小区房价、小区建造年代、小区住户历史用电量分布；

2.进行预处理。

3.将预处理后的数据划分为训练集、验证集和测试集。

居民区电动汽车充电容量数据进行预处理的具体过程：

2)将数据转化为小时、日、周频度，并分别进行标准化：采用均值方差归一化，公示如下：

其中：其中x为要归一化的值，x

3)对数据进行时间序列分组。

4.构造GRU神经网络模型，网络结构如图4所示：

z

r

/>

图4中，由x

5.使用平均绝对误差作为损失函数，使用均方对数误差作为网络的监控指标，进行整体训练。

6.使用测试数据集在步骤4训练好的模型中进行预测，分别得出小时、日、周频度的预测结果。

不同模型预测结果对比：

其中，RMSE为均方根误差，MAPE为平均绝对百分误差。上表描述了在不同预测模型下，均方根误差和平均绝对百分误差的对比。

本发明再一实施例中，提供一种电动汽车充电容量需求预测系统，如图3所示，能够用于实现上述的电动汽车充电容量需求预测方法，具体的，该系统包括：

采集模块，用于采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

预处理模块，用于将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

数据划分模块，用于将预处理后的数据划分为训练集、验证集和测试集；

训练预测模块，用于构造GRU神经网络模型，并对模型进行训练，使用测试数据集对训练好的模型进行预测。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。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。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于电动汽车充电容量需求预测方法的操作。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电动汽车充电容量需求预测方法的相应步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。