CN109325631A - 基于数据挖掘的电动汽车充电负荷预测方法和*** - Google Patents
基于数据挖掘的电动汽车充电负荷预测方法和*** Download PDFInfo
- Publication number
- CN109325631A CN109325631A CN201811197992.6A CN201811197992A CN109325631A CN 109325631 A CN109325631 A CN 109325631A CN 201811197992 A CN201811197992 A CN 201811197992A CN 109325631 A CN109325631 A CN 109325631A
- Authority
- CN
- China
- Prior art keywords
- sample
- label
- electric car
- prediction
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据挖掘的电动汽车充电负荷预测方法和***,属于数据预测技术领域。本发明方法包括:采集电动汽车充电负荷以及影响充电负荷因素的历史数据,采集影响电动汽车充电负荷因素的预测日数据;将所有数据归一化处理后构成训练样本集和预测样本集;用不同标签表示训练样本集中不同的样本特征,对标签集合进行聚类;利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;将预测样本代入到该标签对应预测模型中进行预测得到预测结果。本发明还开了一种基于数据挖掘的电动汽车充电负荷预测***。本发明技术方案通过数据间关系将电动汽车充电负荷量和所有影响因素联系起来,使得负荷预测更准确。
Description
技术领域
本发明属于数据预测技术领域,更具体地,涉及一种基于数据挖掘的电动汽车充电负荷预测方法和***。
背景技术
电动汽车(Electric Vehicle,EV)在节能减排、遏制温室效应和保障能源供应安全等方面有着传统汽车无法比拟的优势,因此电动汽车的大力发展是一种必然趋势。我国对电动汽车产业的发展非常重视。可以预计,未来将有大量电动汽车接入电网。
大规模电动汽车接入电网后的无序充电行为将引发负荷过载、电能质量下降等不利影响;作为一种分布式储能***,恰当的充电控制不仅可以抑制、消除电动汽车对电网的不利影响,而且还能为电网提供削峰填谷、调频等服务。对电动汽车的充电负荷进行预测是研究电动汽车大规模发展对电网的影响、充电站电价控制策略等的基础。
目前的电动汽车充电负荷预测方法虽然能够在一定程度上揭示电动汽车负荷特性,但难以将电动汽车充电负荷与各个影响因素联系起来,无法对各因素对充电负荷的影响程度进行定量分析。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于数据挖掘的电动汽车充电负荷预测方法和***,其目的在于对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘,定量分析各个因素对电动汽车充电负荷的影响,在此基础上构建电动汽车充电负荷预测模型,为电动汽车充电负荷预测提供了一种新的解决思路。
为实现上述目的,本发明提供了一种基于数据挖掘的电动汽车充电负荷预测方法,所述方法具体包括:
(1)采集电动汽车充电负荷以及影响充电负荷因素的历史数据;
(2)采集影响电动汽车充电负荷因素的预测日数据;
(3)历史数据归一化处理后构成训练样本集,预测日数据归一化处理后构成预测样本集;
(4)用不同标签表示训练样本集中不同的样本特征,训练样本集中所有标签构成标签集合,对标签集合进行聚类,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果;
(5)利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;
(6)按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。
进一步地,所述步骤(1)和步骤(2)中影响充电负荷的因素具体包括:电动汽车电池的额定容量、电动汽车充电效率、电动汽车初始荷电状态、居民住宅区的充电速率、用户偏好的荷电状态最大/小值、充电站的充电速率、充电站的渗透率、充电站电价策略和电动汽车的数量。
进一步地,所述步骤(3)中归一化处理具体为:
其中,x表示待处理数据,xmax和xmin分别表示数据集中的最大值和最小值。
进一步地,所述步骤(4)具体包括:
(41)用不同标签表示训练样本集的不同特征,训练样本集中所有标签构成标签集合,设标签集合T={t1,t2,...,tm},m为标签个数;
(42)计算标签ti与标签tj的共现频度cij:
其中,W(ti,tj)表示标签ti与标签tj共同出现的次数;
(43)计算标签ti的重要度aij:
由aij构成标签ti的特征向量Ai:
Ai={ai1,ai2,...,ain}
其中,n表示标签ti对应样本特征下的样本个数;φ(ti)表示与标签ti共同出现过的标签的个数;
(44)初始化聚类的类别个数为k,选择k个对象Zj,j=1,2,3,...,k作为初始聚类中心;
(45)计算准则函数J:
其中,d(Ai,Zj)表示Ai与Zj的距离;若J的值不再发生改变,则迭代结束,得到最终聚类中心Zj,j=1,2,3,...,k;
(46)计算每个标签ti与Zj,j=1,2,3,...,k的相似度sij:
(47)对比所有标签和所有聚类中心的相似度,将各个标签归入相似度最大的聚类中心所在类,得到聚类结果;
(48)以每个类中标签的均值作为新的聚类中心Zj,j=1,2,3,...,k,重复步骤(46)~(47),得到最终聚类结果。
进一步地,所述步骤(5)具体为:
(51)对聚类结果中同一类中标签对应样本特征下的训练样本进行相关性分析,找出和电动汽车充电负荷值成线性相关的样本,其他样本设为非线性相关样本;
(52)利用线性相关样本构建多元线性回归模型预测电动汽车充电负荷值;
(53)利用非线性相关样本构建支持向量机模型预测电动汽车充电负荷值。
进一步地,所述步骤(52)中多元线性回归模型具体为:
其中,yj表示充电负荷预测结果,表示标签j对应样本特征下样本i的归一化值,β0,j表示标签j对应样本线性回归得到的常数回归系数,βi,j表示标签j对应样本特征下样本i的回归系数,εj~N(0,σ2)表示标签j对应样本特征下样本的误差,该误差呈均值为0,方差为σ2的正态分布;m表示标签个数;n表示标签j对应特征下样本个数。
进一步地,所述步骤(53)中支持向量机模型具体为:
其中,K(xi,xj)是核函数:αi和表示拉格朗日乘子,满足0≤αi,其中C是惩罚系数;b表示常数;xi表示第i个样本的值;xj表示第j个样本的值;n表示样本的个数;
其中,σ2表示正态分布中的方差值。
按照本发明的另一方面,本发明提供了一种基于数据挖掘的电动汽车充电负荷预测***,所述***具体包括:
数据采集模块,用于采集电动汽车充电负荷以及影响充电负荷的因素的历史数据;采集预测日影响电动汽车充电负荷的因素的数据;
数据预处理模块,用于将历史数据归一化处理后构成训练样本集,预测日数据归一化处理后构成预测样本集;
聚类模块,用于用不同标签表示训练样本集中不同的样本特征,训练样本集中所有标签构成标签集合,对标签集合进行聚类,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果;
预测模型构建模块,用于利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;
预测模块,用于按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。
进一步地,所述预测模型构建模块具体包括:
预测分类单元,用于对聚类结果中同一类中标签对应样本特征下的训练样本进行相关性分析,找出和电动汽车充电负荷值成线性相关的样本,其他样本设为非线性相关样本;
线性预测构建单元,再利用线性相关样本构建多元线性回归模型预测电动汽车充电负荷值;
非线性预测构建单元,再利用非线性相关样本构建支持向量机模型预测电动汽车充电负荷值。
进一步地,所述聚类模块中采用皮尔森相关系数计算对象与中心对象的距离具体为:
其中,Zj表示第j个中心对象,Ai表示第i个对象,n表示对象Ai中的数据个数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下技术特征及有益效果:
(1)本发明对能影响电动汽车充电负荷的各种因素进行了全面的数据挖掘,定量分析各个因素对电动汽车充电负荷的影响,使得本发明方法电动汽车充电负荷预测模型预测更准确;
(2)本发明中,对标签集合进行聚类后,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果,实现了预测影响因素特征标签的有序化组织,解决标签描述资源准确率低、组织混乱、存在语义模糊等问题;
(3)本发明方法将和电动汽车充电负荷线性相关的因素和非线性相关的因素分开分析建模,得到的预测模型更准确。
附图说明
图1是为本发明方法的步骤流程示意图;
图2是为本发明方法中多元线性回归模型预测误差频率分布直方图;
图3是为本发明方法中多元线性回归模型充电负荷预测值曲线图;
图4是为本发明方法中SVM预测误差频率分布直方图;
图5是为本发明方法中SVM充电负荷预测值曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明具体包括以下步骤:
步骤1:采集电动汽车充电负荷以及影响充电负荷因素的历史数据;
步骤2:采集影响电动汽车充电负荷因素的预测日数据;
步骤3:历史数据归一化处理后构成训练样本集,预测日数据归一化处理后构成预测样本集;
步骤4:用不同标签表示训练样本集中不同的样本特征,训练样本集中所有标签构成标签集合,对标签集合进行聚类,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果;
步骤5:利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;
步骤6:按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。
所述步骤1中的采集10000辆电动汽车在预测日以前电动汽车充电负荷值以及影响充电负荷的因素的历史数据,所述因素包括电动汽车电池的额定容量、电动汽车充电效率、电动汽车初始荷电状态、居民住宅区的充电速率、用户偏好的荷电状态最大/小值、充电站的充电速率、充电站的渗透率、充电站电价策略和电动汽车的数量。其中电动汽车电池的额定容量、电动汽车充电效率根据电动汽车型号确定,电动汽车初始荷电状态由电动汽车记录仪提供,居民住宅区的充电速率、用户偏好的荷电状态最大/小值由电动汽车用户提供,充电站的充电速率、充电站的渗透率、充电站电价策略根据充电站提供的数据确定;
所述步骤2中确定预测日各个影响电动汽车负荷的因素的取值,所述因素同步骤1;
所述步骤3中归一化处理计算公式:
其中,x表示待处理数据,xmax和xmin分别表示数据集中的最大值和最小值。
实施例中变量的定义和取值范围如表1所示:
表1
所述步骤4中分析影响充电负荷的因素的历史数据,根据历史数据呈现出的不同特征提出m个标签,对K-means聚类算法的相似性和距离度量进行改进,利用改进后的K-means聚类算法对标签集合进行聚类得到聚类结果,具体步骤如下:
(1)用不同标签表示训练样本集的不同特征,训练样本集中所有标签构成标签集合,设标签集合T={t1,t2,...,tm},m为标签个数;如表2所示:
表2
(2)计算标签ti与标签tj的共现频度cij:
其中,W(ti,tj)表示标签ti与标签tj共同出现的次数;
(3)计算标签ti的重要度aij,该值越大说明标签ti在整个资源集合中越重要:
由aij构成标签ti的特征向量Ai:
Ai={ai1,ai2,...,ain}
其中,n表示标签ti对应样本特征下的样本个数;φ(ti)表示与标签ti共同出现过的标签的个数;
(4)初始化聚类的类别个数为k,选择k个对象Zj,j=1,2,3,...,k作为初始聚类中心;
(5)计算准则函数J:
其中,d(Ai,Zj)表示Ai与Zj的距离;若J的值不再发生改变,则迭代结束,得到最终聚类中心Zj,j=1,2,3,...,k;
(6)计算每个标签ti与Zj,j=1,2,3,...,k的相似度sij:
(7)对比所有标签和所有聚类中心的相似度,将各个标签归入相似度最大的聚类中心所在类,得到聚类结果;
(8)以每个类中标签的均值作为新的聚类中心Zj,j=1,2,3,...,k,重复步骤(6)~(7),得到最终聚类结果。从本实施例的聚类结果中可以看出,大部分电动汽车充电负荷的变化规律属于标签1、标签2以及标签4。
所述步骤5中提出电动汽车充电负荷预测方法,利用训练样本集采用多元线性回归算法、支持向量机算法分别得到不同标签情况下与电动汽车充电负荷呈线性、非线性因素下电动汽车各时段的充电负荷预测模型的具体步骤如下:
(1)对聚类结果中同一类中标签对应样本特征下的训练样本进行相关性分析,找出和电动汽车充电负荷值成线性相关的样本,其他样本设为非线性相关样本;
(2)利用线性相关样本构建多元线性回归模型预测电动汽车充电负荷值:
其中,yj表示充电负荷预测结果,表示标签j对应样本特征下样本i的归一化值,β0,j表示标签j对应样本线性回归得到的常数回归系数,βi,j表示标签j对应样本特征下样本i的回归系数,εj~N(0,σ2)表示标签j对应样本特征下样本的误差,该误差呈均值为0,方差为σ2的正态分布;m表示标签个数;n表示标签j对应特征下样本个数;
以误差平方和达到最小为条件解得各因素的回归系数,从而可实现在线性因素不同取值情况下电动汽车各时段的充电负荷值的有效预测。
(3)利用非线性相关样本构建支持向量机模型预测电动汽车充电负荷值:
运用支持向量机算法对与电动汽车充电负荷呈非线性相关的因素进行分析。依据结构风险最小化的思想构建损失函数建立支持向量机模型,并以下式所示目标函数最小化来确定回归函数:
其中,f(xi)表示向量机模型,x=[x1,x2...xn]表示包括n个影响因素的向量,y表示电动汽车充电负荷值,w表示向量机的参数;C是惩罚系数,是松弛因子,ε是不敏感损失系数,引入拉格朗日乘子,将上式转化为对下式对偶问题的求解:
其中,是拉格朗日乘子;K(xi,xj)是核函数,σ2表示正态分布中的方差值,满足Mercer条件,求解可得到最优回归函数如下所示:
其中,b表示常数;xi表示第i个样本的值;xj表示第j个样本的值;n表示样本的个数。
所述步骤6最后按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。多元线性回归模型和SVM模型得到的预测误差频率分布直方图和充电负荷预测值分别如图2~图5所示。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述方法包括以下步骤:
(1)采集电动汽车充电负荷以及影响充电负荷因素的历史数据;
(2)采集影响电动汽车充电负荷因素的预测日数据;
(3)历史数据归一化处理后构成训练样本集,预测日数据归一化处理后构成预测样本集;
(4)用不同标签表示训练样本集中不同的样本特征,训练样本集中所有标签构成标签集合,对标签集合进行聚类,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果;
(5)利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;
(6)按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。
2.根据权利要求1所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(1)和步骤(2)中影响充电负荷的因素具体包括:电动汽车电池的额定容量、电动汽车充电效率、电动汽车初始荷电状态、居民住宅区的充电速率、用户偏好的荷电状态最大/小值、充电站的充电速率、充电站的渗透率、充电站电价策略和电动汽车的数量。
3.根据权利要求1所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(3)中归一化处理具体为:
其中,x表示待处理数据,xmax和xmin分别表示数据集中的最大值和最小值。
4.根据权利要求1所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(4)具体包括:
(41)用不同标签表示训练样本集的不同特征,训练样本集中所有标签构成标签集合,设标签集合T={t1,t2,...,tm},m为标签个数;
(42)计算标签ti与标签tj的共现频度cij:
其中,W(ti,tj)表示标签ti与标签tj共同出现的次数;
(43)计算标签ti的重要度aij:
由aij构成标签ti的特征向量Ai:
Ai={ai1,ai2,...,ain}
其中,n表示标签ti对应样本特征下的样本个数;φ(ti)表示与标签ti共同出现过的标签的个数;
(44)初始化聚类的类别个数为k,选择k个对象Zj,j=1,2,3,...,k作为初始聚类中心;
(45)计算准则函数J:
其中,d(Ai,Zj)表示Ai与Zj的距离;若J的值不再发生改变,则迭代结束,得到最终聚类中心Zj,j=1,2,3,...,k;
(46)计算每个标签ti与Zj,j=1,2,3,...,k的相似度sij:
(47)对比所有标签和所有聚类中心的相似度,将各个标签归入相似度最大的聚类中心所在类,得到聚类结果;
(48)以每个类中标签的均值作为新的聚类中心Zj,j=1,2,3,...,k,重复步骤(46)~(47),得到最终聚类结果。
5.根据权利要求1所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(5)具体为:
(51)对聚类结果中同一类中标签对应样本特征下的训练样本进行相关性分析,找出和电动汽车充电负荷值成线性相关的样本,其他样本设为非线性相关样本;
(52)利用线性相关样本构建多元线性回归模型预测电动汽车充电负荷值;
(53)利用非线性相关样本构建支持向量机模型预测电动汽车充电负荷值。
6.根据权利要求5所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(52)中多元线性回归模型具体为:
其中,yj表示充电负荷预测结果,表示标签j对应样本特征下样本i的归一化值,β0,j表示标签j对应样本线性回归得到的常数回归系数,βi,j表示标签j对应样本特征下样本i的回归系数,εj~N(0,σ2)表示标签j对应样本特征下样本的误差,该误差呈均值为0,方差为σ2的正态分布;m表示标签个数;n表示标签j对应特征下样本个数。
7.根据权利要求5所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述步骤(53)中支持向量机模型具体为:
其中,K(xi,xj)是核函数:αi和表示拉格朗日乘子,满足其中C是惩罚系数;b表示常数;xi表示第i个样本的值;xj表示第j个样本的值;n表示样本的个数;
其中,σ2表示正态分布中的方差值。
8.一种基于数据挖掘的电动汽车充电负荷预测***,其特征在于,所述***具体包括以下模块:
数据采集模块,用于采集电动汽车充电负荷以及影响充电负荷的因素的历史数据;采集预测日影响电动汽车充电负荷的因素的数据;
数据预处理模块,用于将历史数据归一化处理后构成训练样本集,预测日数据归一化处理后构成预测样本集;
聚类模块,用于用不同标签表示训练样本集中不同的样本特征,训练样本集中所有标签构成标签集合,对标签集合进行聚类,采用皮尔森相关系数计算对象与中心对象的距离后更新聚类结果;
预测模型构建模块,用于利用聚类结果中同一类中标签对应样本特征下的训练样本构建预测模型;
预测模块,用于按不同样本特征将预测样本集中样本划分到不同标签,将同一标签对应样本特征下的预测样本代入到该标签对应预测模型中进行预测得到预测结果。
9.根据权利要求8所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述预测模型构建模块具体包括:
预测分类单元,用于对聚类结果中同一类中标签对应样本特征下的训练样本进行相关性分析,找出和电动汽车充电负荷值成线性相关的样本,其他样本设为非线性相关样本;
线性预测构建单元,再利用线性相关样本构建多元线性回归模型预测电动汽车充电负荷值;
非线性预测构建单元,再利用非线性相关样本构建支持向量机模型预测电动汽车充电负荷值。
10.根据权利要求8所述的一种基于数据挖掘的电动汽车充电负荷预测方法,其特征在于,所述聚类模块中采用皮尔森相关系数计算对象与中心对象的距离具体为:
其中,Zj表示第j个中心对象,Ai表示第i个对象,n表示对象Ai中的数据个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197992.6A CN109325631A (zh) | 2018-10-15 | 2018-10-15 | 基于数据挖掘的电动汽车充电负荷预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197992.6A CN109325631A (zh) | 2018-10-15 | 2018-10-15 | 基于数据挖掘的电动汽车充电负荷预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109325631A true CN109325631A (zh) | 2019-02-12 |
Family
ID=65262164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197992.6A Pending CN109325631A (zh) | 2018-10-15 | 2018-10-15 | 基于数据挖掘的电动汽车充电负荷预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325631A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198042A (zh) * | 2019-06-27 | 2019-09-03 | 上海极熵数据科技有限公司 | 一种电网储能的动态优化方法及存储介质 |
CN110543712A (zh) * | 2019-08-27 | 2019-12-06 | 华南理工大学 | 一种基于先进数据挖掘的电动汽车有序充电优化方法 |
CN110598773A (zh) * | 2019-09-02 | 2019-12-20 | 东南大学 | 一种基于数据驱动的电动汽车充放电行为聚类方法 |
CN111626514A (zh) * | 2020-05-29 | 2020-09-04 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及装置 |
CN112257027A (zh) * | 2020-10-10 | 2021-01-22 | 国网新疆电力有限公司 | 一种基于正态分布拟合的电网典型负荷日选取方法 |
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
CN112485688A (zh) * | 2020-10-12 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于多元非线性回归的退役电池储能电站寿命预测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
CN104216993A (zh) * | 2014-09-10 | 2014-12-17 | 武汉科技大学 | 一种标签共现的标签聚类方法 |
CN105205501A (zh) * | 2015-10-04 | 2015-12-30 | 北京航空航天大学 | 一种多分类器联合的弱标注图像对象检测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN106022538A (zh) * | 2016-05-31 | 2016-10-12 | 中国矿业大学 | 基于k均值聚类改进广义天气的光伏发电预测方法 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN106599037A (zh) * | 2016-11-04 | 2017-04-26 | 焦点科技股份有限公司 | 一种基于标签语义规范化推荐方法 |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
CN107633316A (zh) * | 2017-03-31 | 2018-01-26 | 北京清能互联科技有限公司 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
-
2018
- 2018-10-15 CN CN201811197992.6A patent/CN109325631A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
CN104216993A (zh) * | 2014-09-10 | 2014-12-17 | 武汉科技大学 | 一种标签共现的标签聚类方法 |
CN105205501A (zh) * | 2015-10-04 | 2015-12-30 | 北京航空航天大学 | 一种多分类器联合的弱标注图像对象检测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN106022538A (zh) * | 2016-05-31 | 2016-10-12 | 中国矿业大学 | 基于k均值聚类改进广义天气的光伏发电预测方法 |
CN106599037A (zh) * | 2016-11-04 | 2017-04-26 | 焦点科技股份有限公司 | 一种基于标签语义规范化推荐方法 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN107633316A (zh) * | 2017-03-31 | 2018-01-26 | 北京清能互联科技有限公司 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
CN107290679A (zh) * | 2017-07-03 | 2017-10-24 | 南京能瑞电力科技有限公司 | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 |
CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
CN107909211A (zh) * | 2017-11-17 | 2018-04-13 | 华北电力大学 | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 |
Non-Patent Citations (1)
Title |
---|
王娅丹等: ""标签共现的标签聚类算法研究"", 《计算机工程与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110198042A (zh) * | 2019-06-27 | 2019-09-03 | 上海极熵数据科技有限公司 | 一种电网储能的动态优化方法及存储介质 |
CN110198042B (zh) * | 2019-06-27 | 2022-12-27 | 上海极熵数据科技有限公司 | 一种电网储能的动态优化方法及存储介质 |
CN110543712A (zh) * | 2019-08-27 | 2019-12-06 | 华南理工大学 | 一种基于先进数据挖掘的电动汽车有序充电优化方法 |
CN110543712B (zh) * | 2019-08-27 | 2023-04-28 | 华南理工大学 | 一种基于先进数据挖掘的电动汽车有序充电优化方法 |
CN110598773A (zh) * | 2019-09-02 | 2019-12-20 | 东南大学 | 一种基于数据驱动的电动汽车充放电行为聚类方法 |
CN111626514A (zh) * | 2020-05-29 | 2020-09-04 | 深圳供电局有限公司 | 一种电动汽车充电负荷预测方法及装置 |
CN112257027A (zh) * | 2020-10-10 | 2021-01-22 | 国网新疆电力有限公司 | 一种基于正态分布拟合的电网典型负荷日选取方法 |
CN112257027B (zh) * | 2020-10-10 | 2024-04-09 | 国网新疆电力有限公司 | 一种基于正态分布拟合的电网典型负荷日选取方法 |
CN112485688A (zh) * | 2020-10-12 | 2021-03-12 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于多元非线性回归的退役电池储能电站寿命预测方法 |
CN112485688B (zh) * | 2020-10-12 | 2024-06-04 | 启东沃太新能源有限公司 | 一种基于多元非线性回归的退役电池储能电站寿命预测方法 |
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325631A (zh) | 基于数据挖掘的电动汽车充电负荷预测方法和*** | |
CN111091143A (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN105184402B (zh) | 一种基于决策树的个性化用户短期负荷预测算法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
Dong et al. | A short-term power load forecasting method based on k-means and SVM | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
Panapakidis et al. | Implementation of modified versions of the K-means algorithm in power load curves profiling | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN115879602A (zh) | 一种基于瞬变气象的超短期光伏出力预测方法 | |
CN111724039A (zh) | 一种向电力用户推荐客服人员的推荐方法 | |
CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Guan et al. | Customer load forecasting method based on the industry electricity consumption behavior portrait | |
CN113516294B (zh) | 一种基于城市规划的适用于电网规划的时空负荷预测方法 | |
CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
CN110458609A (zh) | 一种新店经营管理预测分析*** | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测***及其方法 | |
CN107392678A (zh) | 一种电价制定方法及*** | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、***及计算机设备 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |