【技術實現步驟摘要】
本專利技術涉及充電負荷預測，尤其涉及一種結合序列分解與特征提取的電動汽車充電負荷預測方法、系統及存儲介質。
技術介紹
1、電力系統運行過程中需要確保電力供應與需求的平衡，從而維持系統的穩定性和可靠性。然而，電動汽車廣泛使用成為目前用電趨勢，其充電需求的隨機性給電力系統的需求端帶來了不確定性，極大增加了電力調度的難度。因此，電力系統需要準確的負荷預測，以幫助提前安排發電計劃，確保電力供需平衡。
2、電力負荷預測是根據歷史數據對未來幾小時或幾天的電力負荷進行預測。傳統的時間序列預測方法為基于統計的回歸模型。然而，回歸模型忽略多個自變量之間可能存在復雜的相互作用，并且不太適合對長期依賴關系進行建模。深度學習的模型能更好處理長期且復雜的時序關系。常見的適合時序預測的神經網絡結構包括多層感知機(mlp)、卷積網絡、循環神經網絡和基于transformer的網絡。這些模型都是從時間序列的角度捕捉不同時間步之間的相關性，用序列的自相關性構建歷史數據和未來數據的聯系進行預測。
3、長期時間序列預測的一個核心問題是方法應該能夠表達地捕捉長期依賴性。然而上述方法都是局限在時間序列本身進行預測，容易陷入局部預測過擬合。對于一個時間序列，頻率包含周期信息，在高頻提取短期依賴性時還可以用低頻提取長期依賴性。基于頻率的神經網絡提取負荷序列的頻譜特征，先預測出未來序列的頻譜，再通過傅里葉逆變換轉換回時域。
4、由于充電行為的隨機性，負荷數據在時域和頻域上都很復雜且存在大量噪聲，這種數據特性增加了神經網絡模型在提取有效特征和
技術實現思路
1、針對現有技術存在負荷數據隨機且噪聲大量的缺陷，本專利技術提出一種結合序列分解與特征提取的電動汽車充電負荷預測方法、系統及存儲介質，用變分模態分解(vmd)產生多條特征清晰的子序列，再通過頻率特征提取預測頻譜，解決了時序模型對長期依賴性的忽略和噪聲引起的預測偏差導致預測結果誤差大的技術問題。
2、在本專利技術的實施例中，一種結合序列分解與特征提取的電動汽車充電負荷預測方法，包括以下步驟：
3、s1、獲取充電站的運行數據，對運行數據進行標準化處理，并按照比例分為訓練集、驗證集和測試集，對每個集合的運行數據進行變分模態分解，生成多個本征模態函數；
4、s2、將每個本征模態函數補零擴充數據長度，然后使用快速傅里葉變換得到頻率分辨率更高的頻譜數據；
5、s3、使用數據切片將每個頻譜數據分為多個連續的頻段再拼接，將一維數據轉化為二維數據；把二維數據輸入基于復數域計算的多層感知機，用以增強頻譜數據；
6、s4、基于復數域注意力模塊和殘差模塊構建預測模型，將增強后的頻譜數據輸入所構建的預測模型中，通過復數域注意力模塊和殘差模塊提取數據特征頻率組合，對所有本征模態函數加權求和作為預測模型的輸出；
7、s5、預測一段歷史數據，讓未來序列在數據趨勢性上和歷史數據保持一致；根據時序的均方誤差和頻譜的平均絕對值誤差計算真實數據和預測數據的差值，得到時域頻域混合損失；將該混合損失作為損失函數更新預測模型參數，實現對預測模型的訓練。
8、在本專利技術的實施例中，一種結合序列分解與特征提取的電動汽車充電負荷預測系統，基于所述預測方法，包括以下模塊：
9、本征模態函數生成模塊，獲取充電站的運行數據，對運行數據進行標準化處理，并按照比例分為訓練集、驗證集和測試集，對每個集合的運行數據進行變分模態分解，生成多個本征模態函數；
10、頻譜數據生成模塊，將每個本征模態函數補零擴充數據長度，然后使用快速傅里葉變換得到頻率分辨率更高的頻譜數據；
11、頻譜增強模塊，使用數據切片將每個頻譜數據分為多個連續的頻段再拼接，將一維數據轉化為二維數據；把二維數據輸入基于復數域計算的多層感知機，用以增強頻譜數據；
12、預測模型構建模塊，基于復數域注意力模塊和殘差模塊構建預測模型，將增強后的頻譜數據輸入所構建的預測模型中，通過復數域注意力模塊和殘差模塊提取數據特征頻率組合，對所有本征模態函數加權求和作為預測模型的輸出；
13、預測模型訓練模塊，預測一段歷史數據，讓未來序列在數據趨勢性上和歷史數據保持一致；根據時序的均方誤差和頻譜的平均絕對值誤差計算真實數據和預測數據的差值，得到時域頻域混合損失；將該混合損失作為損失函數更新預測模型參數，實現對預測模型的訓練。
14、在本專利技術的實施例中，還有一種存儲介質，其上存儲有計算機指令，當計算機指令被處理器執行時，實現本專利技術實施例中預測方法的各步驟。
15、從以上技術方案可以看出，本專利技術具有以下優點：
16、1、本專利技術從頻域入手預測未來時序，構建了基于復數運算的mlp和注意力結構；對頻域數據使用注意力結構提取特征頻率組合；由于注意力機制更關注低頻，本專利技術對分塊的頻域數據使用mlp增強中高頻數據。
17、2、本專利技術基于數據的時頻特征做了分解和轉換的預處理。使用變分模態分解vmd生成頻域特征更清晰的imfs并消除噪聲；基于離散傅里葉變換的特點擴展序列長度生成分辨率更高的頻域數據。vmd可以將復雜的時間序列分解為多個頻率成分明確的模態分量，從而有效地去除噪聲并簡化數據結構，提高深度學習模型預測準確率。
18、3、本專利技術的損失函數結合時域的mse和頻域的mae，可以更精確地捕捉趨勢和周期的損失。在訓練時預測一段歷史數據，用歷史數據的損失增強對數據分布的預測。
本文檔來自技高網...【技術保護點】
1.一種結合序列分解與特征提取的電動汽車充電負荷預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，步驟S1中的運行數據為充電功率數據；對運行數據進行變分模態分解包括步驟：
3.根據權利要求2所述的預測方法，其特征在于，將初始約束模型構建為：
4.根據權利要求1所述的預測方法，其特征在于，步驟S2包括：
5.根據權利要求1所述的預測方法，其特征在于，步驟S3包括：
6.根據權利要求5所述的預測方法，其特征在于，S32中的標準化處理公式為：
7.根據權利要求1所述的預測方法，其特征在于，步驟S4包括：
8.根據權利要求7所述的預測方法，其特征在于，步驟S5包括：
9.一種結合序列分解與特征提取的電動汽車充電負荷預測系統，其特征在于，所述預測系統基于權利要求1-8中任一項所述的預測方法，包括：
10.一種存儲介質，其上存儲有計算機指令，當計算機指令被處理器執行時，實現權利要求1-8中任一項所述預測方法的步驟。
【技術特征摘要】
1.一種結合序列分解與特征提取的電動汽車充電負荷預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，步驟s1中的運行數據為充電功率數據；對運行數據進行變分模態分解包括步驟：
3.根據權利要求2所述的預測方法，其特征在于，將初始約束模型構建為：
4.根據權利要求1所述的預測方法，其特征在于，步驟s2包括：
5.根據權利要求1所述的預測方法，其特征在于，步驟s3包括：
6.根據權利要求5...
【專利技術屬性】
技術研發人員：官權學，陶少聰，石伯棟，曾海鵬，譚曉軍，
申請(專利權)人：中山大學，
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。