【技術實現步驟摘要】
本專利技術涉及電動汽車負荷預測，具體涉及一種電動汽車充電負荷預測方法和系統。
技術介紹
1、目前，隨著新能源產業急速發展，電動汽車大規模接入電網，使得電動汽車與電網的互動關系也受到了極大的關注，隨著充電負荷的無序接入增加電網調度難度，趨勢也更加復雜化，導致電網不穩定性增加；因此，需要通過對電動汽車進行充電負荷預測用以解決上述問題；
2、現有技術中對電動汽車的充電負荷預測主要停留在充電負荷的時間分布特性上，考慮因素單一，未深入考慮不同影響因素對電動汽車充電負荷分布上的影響，而實際上電動汽車的充電負荷受到多元化因素的影響，且電動汽車又具有時間和空間上的隨機性，不同的考慮將會得到不同的充電負荷預測結果，若只考慮時間分布特性的充電負荷預測易造成供電不足影響電網穩定性等問題，已經無法滿足建設充電設施、優化電網調度等方面的需求。
技術實現思路
1、為解決當前電動汽車規模大規模接入電網，充電負荷的無序接入增加電網調度難度，導致電網不穩定性增加的問題，本專利技術提出一種電動汽車充電負荷預測方法，包括：
2、獲取待預測電動汽車的充電關聯數據；
3、根據所述充電關聯數據進行特征提取，得到對應的關聯特征數據；
4、基于所述關聯特征數據，利用預先構建的充電負荷預測模型，得到所述電動汽車的負荷預測數據；
5、基于所述負荷預測數據和獲取到的電網負荷，為所述電動汽車制定充電計劃；
6、其中，所述充電負荷預測模型是以所述電動汽車的歷史充電關聯
7、可選的，所述充電負荷預測模型包括如下的構建過程：
8、以所述電動汽車的所述歷史充電關聯數據作為訓練數據的輸入數據；
9、以所述電動汽車的所述實際充電負荷數據作為訓練數據的輸出數據；
10、基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型。
11、可選的，所述基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型，包括：
12、步驟s1：將所述輸入數據輸入至所述非線性自回歸神經網絡，得到對應的預測數據；
13、步驟s2：初始化參數值，并以所述預測數據和所述輸出數據之間的殘差平方和作為損失函數；
14、步驟s3：根據所述預測數據、所述輸出數據和所述損失函數，計算對應的損失函數值；
15、步驟s4：根據當前的參數值和損失函數值，計算對應的雅可比矩陣和殘差向量；
16、步驟s5：根據所述雅可比矩陣和所述殘差向量，更新參數值，并基于更新后的參數值和所述輸入數據，得到新的預測數據，根據所述新的預測數據，判斷當前的損失函數值是否收斂，若是，執行步驟s6；若否，執行步驟s4；
17、步驟s6：計算所述新的預測數據和所述實際充電負荷數據之間的擬合度，若所述擬合度大于設定的擬合閾值，根據所述更新后的參數值，得到充電負荷預測模型，并停止執行；若所述擬合度不大于所述擬合閾值，執行步驟s4。
18、可選的，所述充電關聯數據包括如下的獲取過程：
19、獲取所述電動汽車的各充電影響數據和對應時間段下的所述電動汽車的實際充電負荷數據；
20、利用皮爾遜相關系數法計算各充電影響數據與所述實際充電負荷數據之間的相關性；
21、根據所述各充電影響數據與所述實際充電負荷數據之間的相關性，選取相關性大于設定數值的充電影響數據作為充電關聯數據。
22、可選的，所述皮爾遜相關系數法對應的計算式如下：
23、
24、其中，r表示充電影響數據和實際充電負荷數據之間的相關性；xi表示第i個數據點的充電影響數據；表示充電影響數據的均值；yi表示第i個數據點的實際充電負荷數據；表示實際充電負荷數據的均值；i＝1…n；n表示數據點個數。
25、可選的，所述充電影響數據包括下述的一種或多種：充電方式、充電起始時間、充電頻率、充電時長、電池類型、電池容量和荷電狀態。
26、可選的，所述根據所述充電關聯數據進行特征提取，得到對應的關聯特征數據，包括：
27、對所述充電關聯數據進行數據預處理，得到關聯處理數據；
28、根據所述關聯處理數據進行特征選擇，得到所述關聯處理數據對應的特征子集；
29、將所述關聯處理數據對應的特征子集進行特征整合，得到關聯特征數據；
30、其中，所述數據預處理包括下述的一種或多種：異常值清洗、缺失值填充和時間序列統一。
31、基于同一專利技術構思，本專利技術還提供了一種電動汽車充電負荷預測系統，包括：
32、數據獲取模塊：用于獲取待預測電動汽車的充電關聯數據；
33、特征提取模塊：用于根據所述充電關聯數據進行特征提取，得到對應的關聯特征數據；
34、負荷預測模塊：用于基于所述關聯特征數據，利用預先構建的充電負荷預測模型，得到所述電動汽車的負荷預測數據；
35、計劃制定模塊：用于基于所述負荷預測數據和獲取到的電網負荷，為所述電動汽車制定充電計劃；
36、其中，所述負荷預測模塊中的充電負荷預測模型是以所述電動汽車的歷史充電關聯數據和歷史時間段下的實際充電負荷數據作為訓練數據，通過高斯牛頓法對非線性自回歸神經網絡進行訓練后得到的。
37、可選的，所述負荷預測模塊中的充電負荷預測模型包括如下的構建過程：
38、以所述電動汽車的所述歷史充電關聯數據作為訓練數據的輸入數據；
39、以所述電動汽車的所述實際充電負荷數據作為訓練數據的輸出數據；
40、基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型。
41、可選的，所述負荷預測模塊中基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型，包括：
42、步驟s1：將所述輸入數據輸入至所述非線性自回歸神經網絡，得到對應的預測數據；
43、步驟s2：初始化參數值，并以所述預測數據和所述輸出數據之間的殘差平方和作為損失函數；
44、步驟s3：根據所述預測數據、所述輸出數據和所述損失函數，計算對應的損失函數值；
45、步驟s4：根據當前的參數值和損失函數值，計算對應的雅可比矩陣和殘差向量；
46、步驟s5：根據所述雅可比矩陣和所述殘差向量，更新參數值，并基于更新后的參數值和所述輸入數據，得到新的預測數據，根據所述新的預測數據，判斷當前的損失函數值是否收斂，若是，執行步驟s6；若否，執行步驟s4；
47、步驟s6：計算所述新的預測數據和所述實際充電負荷數據之間的擬合度，若所述擬合度大于設定本文檔來自技高網...
【技術保護點】
1.一種電動汽車充電負荷預測方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述充電負荷預測模型包括如下的構建過程：
3.如權利要求2所述的方法，其特征在于，所述基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型，包括：
4.如權利要求1所述的方法，其特征在于，所述充電關聯數據包括如下的獲取過程：
5.如權利要求4所述的方法，其特征在于，所述皮爾遜相關系數法對應的計算式如下：
6.如權利要求4任一項所述的方法，其特征在于，所述充電影響數據包括下述的一種或多種：充電方式、充電起始時間、充電頻率、充電時長、電池類型、電池容量和荷電狀態。
7.如權利要求1-6任一項所述的方法，其特征在于，所述根據所述充電關聯數據進行特征提取，得到對應的關聯特征數據，包括：
8.一種電動汽車充電負荷預測系統，其特征在于，包括：
9.如權利要求8所述的系統，其特征在于，所述負荷預測模塊中的充電負荷預測模型包括如下的構建過程：
10.如
...【技術特征摘要】
1.一種電動汽車充電負荷預測方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述充電負荷預測模型包括如下的構建過程：
3.如權利要求2所述的方法，其特征在于，所述基于所述輸入數據和所述輸出數據，利用高斯牛頓法對非線性自回歸神經網絡進行訓練，得到充電負荷預測模型，包括：
4.如權利要求1所述的方法，其特征在于，所述充電關聯數據包括如下的獲取過程：
5.如權利要求4所述的方法，其特征在于，所述皮爾遜相關系數法對應的計算式如下：
6.如權利要求4任一項所述的方法，其特征在于，所述充電影響數據包括下述...
【專利技術屬性】
技術研發人員：田昀，鐘偉東，潘博，劉偉，陳鼎，李春，范明，王科丁，徐杰，袁傲，吳琴芳，仲乾元，
申請(專利權)人：嘉興國電通新能源科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。