CN109325631A - 基于数据挖掘的电动汽车充电负荷预测方法和*** - Google Patents

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

基于数据挖掘的电动汽车充电负荷预测方法和***

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，x_max和x_min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,...,t_m}，m为标签个数；

(42)计算标签t_i与标签t_j的共现频度c_ij：

其中，W(t_i,t_j)表示标签t_i与标签t_j共同出现的次数；

(43)计算标签t_i的重要度a_ij：

由a_ij构成标签t_i的特征向量A_i：

A_i＝{a_i1,a_i2,...,a_in}

其中，n表示标签t_i对应样本特征下的样本个数；φ(t_i)表示与标签t_i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Z_j,j＝1,2,3,...,k作为初始聚类中心；

(45)计算准则函数J：

其中，d(A_i,Z_j)表示A_i与Z_j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Z_j,j＝1,2,3,...,k；

(46)计算每个标签t_i与Z_j,j＝1,2,3,...,k的相似度s_ij：

(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Z_j,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，y_j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，β_0,j表示标签j对应样本线性回归得到的常数回归系数，β_i,j表示标签j对应样本特征下样本i的回归系数，ε_j～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(x_i,x_j)是核函数：α_i和表示拉格朗日乘子，满足0≤α_i,其中C是惩罚系数；b表示常数；x_i表示第i个样本的值；x_j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，Z_j表示第j个中心对象，A_i表示第i个对象，n表示对象A_i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，x_max和x_min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,...,t_m}，m为标签个数；如表2所示：

表2

(2)计算标签t_i与标签t_j的共现频度c_ij：

其中，W(t_i,t_j)表示标签t_i与标签t_j共同出现的次数；

(3)计算标签t_i的重要度a_ij，该值越大说明标签t_i在整个资源集合中越重要：

由a_ij构成标签t_i的特征向量A_i：

A_i＝{a_i1,a_i2,...,a_in}

其中，n表示标签t_i对应样本特征下的样本个数；φ(t_i)表示与标签t_i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Z_j,j＝1,2,3,...,k作为初始聚类中心；

(5)计算准则函数J：

其中，d(A_i,Z_j)表示A_i与Z_j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Z_j,j＝1,2,3,...,k；

(6)计算每个标签t_i与Z_j,j＝1,2,3,...,k的相似度s_ij：

(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Z_j,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，y_j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，β_0,j表示标签j对应样本线性回归得到的常数回归系数，β_i,j表示标签j对应样本特征下样本i的回归系数，ε_j～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(x_i)表示向量机模型，x＝[x₁,x₂...x_n]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(x_i,x_j)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；x_i表示第i个样本的值；x_j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，x_max和x_min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,...,t_m}，m为标签个数；

(42)计算标签t_i与标签t_j的共现频度c_ij：

其中，W(t_i,t_j)表示标签t_i与标签t_j共同出现的次数；

(43)计算标签t_i的重要度a_ij：

由a_ij构成标签t_i的特征向量A_i：

A_i＝{a_i1,a_i2,...,a_in}

其中，n表示标签t_i对应样本特征下的样本个数；φ(t_i)表示与标签t_i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Z_j,j＝1,2,3,...,k作为初始聚类中心；

(45)计算准则函数J：

其中，d(A_i,Z_j)表示A_i与Z_j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Z_j,j＝1,2,3,...,k；

(46)计算每个标签t_i与Z_j,j＝1,2,3,...,k的相似度s_ij：

(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Z_j,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，y_j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，β_0,j表示标签j对应样本线性回归得到的常数回归系数，β_i,j表示标签j对应样本特征下样本i的回归系数，ε_j～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(x_i,x_j)是核函数：α_i和表示拉格朗日乘子，满足其中C是惩罚系数；b表示常数；x_i表示第i个样本的值；x_j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，Z_j表示第j个中心对象，A_i表示第i个对象，n表示对象A_i中的数据个数。