【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種電動汽車充電負(fù)荷的預(yù)測方法，它可以顯著提高極端場景下充電負(fù)荷的預(yù)測精度，屬于數(shù)據(jù)處理。
技術(shù)介紹
1、近年來，隨著電動汽車行業(yè)的快速發(fā)展，電動汽車的數(shù)量和使用率迅速增加，其充電負(fù)荷對電網(wǎng)運(yùn)行和調(diào)度產(chǎn)生了顯著影響。因此，電動汽車充電負(fù)荷的精準(zhǔn)預(yù)測變得至關(guān)重要。
2、數(shù)據(jù)驅(qū)動模型在電動汽車充電負(fù)荷預(yù)測領(lǐng)域中已經(jīng)成為一種普遍應(yīng)用的方法。中國專利公開號為cn116205367a的專利技術(shù)專利公開了一種基于ssa-svm模型的電動汽車負(fù)荷預(yù)測方法、系統(tǒng)及設(shè)備，其負(fù)荷預(yù)測方法是，首先對歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理；在svm預(yù)測模型基礎(chǔ)上加入ssa優(yōu)化算法，初始化麻雀種群參數(shù)后，確定svm模型的參數(shù)范圍；選取電動汽車負(fù)荷預(yù)測值和真實(shí)值的均方根rms作為ssa優(yōu)化算法的適應(yīng)度函數(shù)，直至滿足條件從而得出最優(yōu)函數(shù)值；將計算出的最優(yōu)函數(shù)值輸入svm模型中，得到基于ssa優(yōu)化算法的改進(jìn)型svm預(yù)測模型；使用基于ssa優(yōu)化算法的改進(jìn)型svm預(yù)測模型對訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集進(jìn)行學(xué)習(xí)和訓(xùn)練，得到優(yōu)化后的svm預(yù)測模型；基于優(yōu)化后的svm模型對電動汽車進(jìn)行負(fù)荷預(yù)測，最后，輸出預(yù)測數(shù)據(jù)值。然而，數(shù)據(jù)驅(qū)動模型的性能往往受到訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量的制約。
3、對電動汽車而言，其充電負(fù)荷受天氣、用戶行為、特殊事件等因素的影響，易形成極端場景。極端場景相較于常規(guī)場景屬于小概率事件，由于其數(shù)據(jù)數(shù)量少，預(yù)測模型對該場景下的電動汽車充電負(fù)荷通常難以準(zhǔn)確地預(yù)測。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的
2、本專利技術(shù)所述問題是以下述技術(shù)方案解決的：
3、一種電動汽車充電負(fù)荷的預(yù)測方法，所述方法包括以下步驟：
4、a.利用歷史電動汽車充電負(fù)荷數(shù)據(jù)構(gòu)建場景樣本集，并將場景樣本集分成訓(xùn)練樣本集和測試樣本集；
5、b.使用支持向量機(jī)構(gòu)建場景分類模型；
6、c.利用場景分類模型識別極端場景預(yù)測樣本：
7、利用訓(xùn)練樣本集和測試樣本集對場景分類模型進(jìn)行訓(xùn)練和測試，將場景樣本集輸入到測試合格的場景分類模型，識別出極端場景預(yù)測樣本；
8、d.構(gòu)建基于bi-timegan的極端場景充電負(fù)荷數(shù)據(jù)生成模型；
9、e.利用極端場景充電負(fù)荷數(shù)據(jù)生成模型構(gòu)造增強(qiáng)的極端場景預(yù)測樣本：
10、將極端場景預(yù)測樣本輸入到極端場景充電負(fù)荷數(shù)據(jù)生成模型，生成虛擬極端場景預(yù)測樣本，再將真實(shí)的極端場景預(yù)測樣本與虛擬極端場景預(yù)測樣本合并，得到增強(qiáng)的極端場景預(yù)測樣本；
11、f.構(gòu)建基于lstm的時序預(yù)測模型，得到增強(qiáng)充電負(fù)荷預(yù)測模型；
12、g.利用增強(qiáng)充電負(fù)荷預(yù)測模型對未來時刻充電負(fù)荷進(jìn)行預(yù)測。
13、上述電動汽車充電負(fù)荷的預(yù)測方法，利用歷史電動汽車充電負(fù)荷數(shù)據(jù)構(gòu)建場景樣本集的具體方法如下：對收集的歷史電動汽車充電負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失值填充、異常值檢測、異常值修正和歸一化處理，將預(yù)處理后的數(shù)據(jù)集使用滑動窗口法劃分為場景樣本，得到場景樣本集。
14、上述電動汽車充電負(fù)荷的預(yù)測方法，所述滑動窗口的寬度為天。
15、上述電動汽車充電負(fù)荷的預(yù)測方法，所述場景分類模型包括：
16、①超平面
17、給定n維特征空間，支持向量機(jī)分類模型的目標(biāo)在于尋找一個n-1維的超平面以劃分n維特征空間所有的樣本，超平面的定義如下：
18、wtx′+b＝0
19、w為超平面法向量，決定超平面方向；t表示轉(zhuǎn)置；wt表示轉(zhuǎn)置后的超平面法向量；x′為超平面上的點(diǎn)；b為偏置項(xiàng)；
20、②支持向量
21、支持向量與超平面的距離為不同類別樣本的分類距離，支持向量滿足如下定義：
22、yi(wtx0+b)＝1
23、yi為第i個樣本的標(biāo)簽，取值為-1/1；x0為支持向量；
24、若存在超平面能將n維特征空間中所有樣本正確劃分，則特征空間中任一點(diǎn)x滿足如下公式：
25、
26、③分類距離
27、支持向量與超平面之間的距離為分類距離，其定義如下：
28、
29、式中，d0為分類距離；
30、④間隔距離
31、空間中任一點(diǎn)x與超平面的距離定義如下：
32、
33、式中，d為采樣點(diǎn)x與超平面的間隔距離；
34、通過間隔距離d與分類距離d0的比較，實(shí)現(xiàn)極端場景與常規(guī)場景的分類；
35、上述電動汽車充電負(fù)荷的預(yù)測方法，所述極端場景充電負(fù)荷數(shù)據(jù)生成模型包括對抗組件、自動編碼組件和聯(lián)合訓(xùn)練：
36、⑴、對抗組件
37、對抗組件包括生成器和鑒別器：
38、生成器：
39、
40、生成器的計算公式如下：
41、
42、式中，zs表示向量空間中的靜態(tài)向量；表示向量空間中的動態(tài)向量；為生成器生成的潛在向量空間中的靜態(tài)空間編碼；hs表示潛在向量空間中的靜態(tài)空間編碼；表示潛在向量空間中的時態(tài)空間編碼；表示生成器生成的潛在向量空間中的時態(tài)空間編碼；表示上一時刻生成器生成的潛在向量空間中的時態(tài)空間編碼；zt表示當(dāng)前時刻的時態(tài)特征隨機(jī)向量；gs是靜態(tài)特征的生成器網(wǎng)絡(luò)，它將靜態(tài)特征zs生成潛在空間編碼表示時態(tài)特征的生成器網(wǎng)絡(luò)，它將和zt生成
43、鑒別器：
44、
45、鑒別器計算公式如下：
46、
47、式中，表示前一步中隱藏狀態(tài)；表示后一步中隱藏狀態(tài)；表示前一步中循環(huán)函數(shù)；表示后一步中循環(huán)函數(shù)；表示上一時刻的前一步隱藏狀態(tài)；表示上一時刻的后一步隱藏狀態(tài)；ds表示潛在空間中的靜態(tài)空間編碼的鑒別器；表示潛在空間中的時態(tài)空間編碼的鑒別器；表示潛在空間中靜態(tài)空間編碼的分類結(jié)果；表示潛在空間中時態(tài)空間編碼的分類結(jié)果；表示時態(tài)空間編碼的鑒別結(jié)果；表示鑒別器接受的潛在空間時態(tài)空間編碼；表示鑒別器接受的潛在空間靜態(tài)空間編碼；
48、⑵、自動編碼組件
49、嵌入函數(shù)：
50、
51、恢復(fù)函數(shù)：
52、
53、⑶、聯(lián)合訓(xùn)練
54、重構(gòu)損失：
55、
56、無監(jiān)督損失：
57、
58、監(jiān)督損失：
59、
60、式中，lr表示重構(gòu)損失；表示從數(shù)據(jù)分布p中采樣的所有時態(tài)和動態(tài)向量的期望值；s表示原始數(shù)據(jù)的靜態(tài)向量；表示重構(gòu)后的向量空間中的靜態(tài)向量；xt表示原始數(shù)據(jù)的時態(tài)向量；；表示重構(gòu)后的向量空間中的動態(tài)向量；es表示靜態(tài)向量的嵌入函數(shù)；表示動態(tài)向量的嵌入函數(shù)；rs表示靜態(tài)潛在編碼的恢復(fù)函數(shù)；表示動態(tài)潛在編碼的恢復(fù)函數(shù)；lu表示無監(jiān)督損失；ls表示監(jiān)督損失；ht表示當(dāng)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，利用歷史電動汽車充電負(fù)荷數(shù)據(jù)構(gòu)建場景樣本集的具體方法如下：對收集的歷史電動汽車充電負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失值填充、異常值檢測、異常值修正和歸一化處理，將預(yù)處理后的數(shù)據(jù)集使用滑動窗口法劃分為場景樣本，得到場景樣本集。
3.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述滑動窗口的寬度為天。
4.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述場景分類模型包括：
5.根據(jù)權(quán)利要求1所述的一種電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述極端場景充電負(fù)荷數(shù)據(jù)生成模型包括對抗組件、自動編碼組件和聯(lián)合訓(xùn)練：
6.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述增強(qiáng)充電負(fù)荷預(yù)測模型包括：
7.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，利用增強(qiáng)充電負(fù)荷預(yù)測模型對未來時刻充電負(fù)荷進(jìn)行預(yù)測的具體方法如下：
【技術(shù)特征摘要】
1.一種電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，利用歷史電動汽車充電負(fù)荷數(shù)據(jù)構(gòu)建場景樣本集的具體方法如下：對收集的歷史電動汽車充電負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失值填充、異常值檢測、異常值修正和歸一化處理，將預(yù)處理后的數(shù)據(jù)集使用滑動窗口法劃分為場景樣本，得到場景樣本集。
3.根據(jù)權(quán)利要求1所述的電動汽車充電負(fù)荷的預(yù)測方法，其特征是，所述滑動窗口的寬度為天。
4....
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊揚(yáng)洋，蕭睿，賀玲玲，劉紅宇，王得水，譚娟，曾彪，趙新睿，
申請(專利權(quán))人：中能建城市投資發(fā)展有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。