CN109508830A - 一种电动汽车时空动态负荷预测的方法 - Google Patents
一种电动汽车时空动态负荷预测的方法 Download PDFInfo
- Publication number
- CN109508830A CN109508830A CN201811360331.0A CN201811360331A CN109508830A CN 109508830 A CN109508830 A CN 109508830A CN 201811360331 A CN201811360331 A CN 201811360331A CN 109508830 A CN109508830 A CN 109508830A
- Authority
- CN
- China
- Prior art keywords
- time dynamic
- space
- matrix
- dynamic load
- neural networks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 230000000694 effects Effects 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000011068 loading method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 18
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电动汽车时空动态负荷预测的方法,包括:将充电桩负荷数据进行预处理;根据充电负荷数据和充电桩位置信息构建时空动态负荷矩阵;将时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵;将时空动态负荷归一化矩阵划分为训练集和测试集;根据训练集训练,得到二维空洞因果卷积神经网络模型;测试模型,若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小,则根据模型进行预测,并进行反归一化,否则,调整二维空洞因果卷积神经网络模型超参数,重新获取二维空洞因果卷积神经网络模型。本申请中的二维空洞因果卷积神经网络模型能够充分考虑时间和空间,实现对电动汽车时空动态负荷的精准预测。
Description
技术领域
本申请涉及电力***运行和负荷预测技术领域,尤其涉及一种电动汽车时空动态负荷预测的方法。
背景技术
电动汽车因其节能减排、绿色环保等特点,被认为是解决当今能源紧张、环境问题的有益途径之一,从而受到各国政府和企业大力支持和推广。由于电动汽车用户需求和行为的不确定性与相互差异,未来大规模电动汽车充电负荷具有时间和空间上的随机性、间歇性和波动性等不确定特点,将给电网的安全运行和优化调度带来困难,因此需要对电动汽车充电负荷进行有效的预测。
目前,电动汽车负荷预测的方式主要包括两种。第一,采用数学模型预测电动汽车负荷的方法,该方法从电动汽车日行驶里程、日停放需求时空分布特性入手,分析充电需求。具体采用蒙特卡洛模拟方法,仿真电动汽车在不同时间和空间内的停放、驾驶以及充电行为,预测电动汽车充电负荷的时空分布特性。第二,基于历史数据采用统计学习模型进行预测的方法,用模型学习历史数据的潜在规律,从而达到预测电动汽车充电负荷的时空分布特性的效果。
上述第一种方法中,在综合考虑充电负荷的时空特性时,需要考虑对的因素太多,数学模型太过复杂,难以保证预测精度,第二种方法中,针对电动汽车负荷预测此类方法只考虑了时间维度预测,而没有考虑电动汽车负荷所带来的空间随机性。因此,亟需设计一种能够准确预测到电动汽车的时空动态负荷的方法。
发明内容
本申请提供了一种电动汽车时空动态负荷预测的方法,以解决现有技术中无法精准有效的对电动汽车时空动态负荷进行预测的技术问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种电动汽车时空动态负荷预测的方法,所述方法包括:
步骤S101:将充电桩负荷数据进行预处理;
步骤S102:根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵;
步骤S103:将所述时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵;
步骤S104:将所述时空动态负荷归一化矩阵划分为训练集和测试集;
步骤S105:根据所述训练集训练,得到二维空洞因果卷积神经网络模型;
步骤S106:根据所述测试集测试所述二维空洞因果卷积神经网络模型的结果,若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小,则进行步骤S107,否则,调整所述二维空洞因果卷积神经网络模型超参数,返回步骤S105;
步骤S107:根据所述二维空洞因果卷积神经网络模型进行预测,并进行反归一化。
优选的,在上述电动汽车时空动态负荷预测的方法中,所述将充电桩负荷数据进行预处理,包括:
查看所述充电桩负荷数据中的缺失值和异常值;
将所述缺失值和所述异常值去掉,并根据拉格朗日差值法填充有效值。
优选的,在上述电动汽车时空动态负荷预测的方法中,根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵,包括:
步骤S301:构建坐标轴,确定充电桩的坐标,并计算每个充电桩负荷覆盖的范围;
步骤S302:将所有充电桩负荷覆盖范围内填上第一时刻充电桩的负荷量并累加,得到第一时刻的负荷矩阵式中,是坐标为(x,y)点的负荷量;
步骤S303:按时间顺序重复步骤S302,直到电动汽车负荷数据所包含的时长T中所有时刻都构建成二维负荷矩阵,并整理时空序列D={D1,D2,...,DT},D∈RT×X×Y。
优选的,在上述电动汽车时空动态负荷预测的方法中,所述将所述时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵,包括:
所述时空动态负荷归一化矩阵中,
式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值。
优选的,在上述电动汽车时空动态负荷预测的方法中,将所述时空动态负荷归一化矩阵划分为训练集和测试集,包括:所述时空动态负荷归一化矩阵数据中80%为训练集,20%为训练集。
优选的,在上述电动汽车时空动态负荷预测的方法中,所述根据所述训练集训练,得到二维空洞因果卷积神经网络模型,包括:
将位置为x、y、z的第l层第j个的数据进行卷积,卷积结果为:且卷积核为(2*w*h),感受野的大小r=2L- 1Ri,式中,d=2l-1,Ri是三维卷积核第一维的大小,且Ri=2;
将所述卷积结果依次堆叠,形成所述二维空洞因果卷积神经网络模型M(·)。
优选的,在上述电动汽车时空动态负荷预测的方法中,根据所述二维空洞因果卷积神经网络模型进行预测,包括:
预测值
式中,N=r。
优选的,在上述电动汽车时空动态负荷预测的方法中,所述二维空洞因果卷积神经网络模型M(·)的目标函数为:
式中,W、b为预测网络结构的参数,γ为正则项的权重,Dture为真实值。
优选的,在上述电动汽车时空动态负荷预测的方法中,调整所述二维空洞因果卷积神经网络模型超参数,包括:
通过adam随机梯度下降法求得使目标函数最小的二维空洞因果卷积神经网络模型参数。
优选的,在上述电动汽车时空动态负荷预测的方法中,所述进行反归一化包括:Xi=X′i×Xmax,
式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值。
与现有技术相比,本申请的有益效果为:
本申请提供了一种电动汽车时空动态负荷预测的方法,将充电桩负荷数据进行预处理,根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵,将所述时空动态负荷矩阵进行归一化处理,将归一化之后的时空动态负荷矩阵划分为训练集和测试集,根据所述训练集训练,得到二维空洞因果卷积神经网络模型,根据所述测试集测试所述二维空洞因果卷积神经网络模型的结果,若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小,则根据所述二维空洞因果卷积神经网络模型进行预测,并进行反归一化,否则,调整所述二维空洞因果卷积神经网络模型超参数,重新计算二维空洞因果卷积神经网络模型。本申请中的二维空洞因果卷积神经网络模型能够学习到空间维度的信息,且能够接受到长期的历史输入,使二维空洞因果卷积神经网络模型能够学习到时间维度信息,最终实现对电动汽车时空动态负荷的精准预测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电动汽车时空动态负荷预测的方法的流程示意图;
图2为本发明实施例提供的充电桩分布图;
图3为本发明实施例提供的二维空洞卷积神经网络图;
图4为本发明实施例提供的预测结果图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
参见图1,为本发明实施例提供的一种电动汽车时空动态负荷预测的方法的流程示意图。结合图1可得,本申请中电动汽车时空动态负荷预测的方法包括:
步骤S101:将充电桩负荷数据进行预处理;
先查看所述充电桩负荷数据中的缺失值和异常值,再将所述缺失值和所述异常值去掉,并根据拉格朗日差值法填充有效值。充电桩负荷数据在采集、传输、存储过程中都可能产生缺失值,直接查看即可得出,异常值需要通过箱线图和实际情况结合判断得出,如负值、过大值和过小值等。充电桩负荷数据的质量对模型预测精度有很大的影响,因此需要提前对异常值和缺失值重新填充合理的值,通过拉格朗日差值法对异常值和缺失值进行填充。
步骤S102:根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵;
电动汽车负荷具有时间和空间上的随机性,为了更好的预测这种时空动态性,需要将充电桩上的负荷进行时空维度的刻画。参见图2,本发明实施例提供的充电桩分布图,如图2中所示,根据10个充电桩的经纬度分布,建立一个长、宽为X、Y的矩阵,其中X、Y的大小根据充电桩在地图上的实际位置分布确定,图2中X、Y分别选取的值为40,构建矩阵的步骤包括:
步骤S301:构建坐标轴,确定充电桩的坐标,并计算每个充电桩负荷覆盖的范围,每个充电桩的覆盖范围是自己坐标为中心的一个L×L正方形;
步骤S302:将所有充电桩负荷覆盖范围内填上第一时刻充电桩的负荷量并累加,得到第一时刻的负荷矩阵式中,是坐标为(x,y)点的负荷量;
步骤S303:按时间顺序重复步骤S302,直到电动汽车负荷数据所包含的时长T中所有时刻都构建成二维负荷矩阵,并整理时空序列D={D1,D2,...,DT},D∈RT×X×Y。
步骤S103:将所述时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵;
为了数据处理的方便,加快网络学习速度,本申请中对时空动态负荷矩阵进行归一化,所述时空动态负荷归一化矩阵中,式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值。
步骤S104:将所述时空动态负荷归一化矩阵划分为训练集和测试集;
所述时空动态负荷归一化矩阵数据中前80%作为训练集,后20%作为训练集。
步骤S105:根据所述训练集训练,得到二维空洞因果卷积神经网络模型;
本申请中建立来预测未来K个时间点的充电桩时空动态负荷矩阵,需要建立一个根据过去S个时间点观测值,预测未来K个时间点的因果***p,因果***p是由本申请中提出的一种二维空动因果卷积神经网络,其构想是将应用在空间维度的三维卷积结构和一维空洞因果卷积结构相结合组成二维空洞因果卷积神经网络,也就是将一维空洞卷积的一维卷积替换为三维卷积,具体地,卷积过程如下:
将位置为x、y、z的第l层第j个的数据进行卷积,卷积结果为:且卷积核为(2*w*h),感受野的大小r=2L- 1Ri,式中,d=2l-1,Ri是三维卷积核第一维的大小,且Ri=2,将所述卷积结果依次堆叠,形成所述二维空洞因果卷积神经网络模型M(·)。
感受野的大小r=2L-1Ri,表示可以学习多长时间步数的历史负荷数据来预测未来负荷数据,本申请中设定Ri=2,可以减二维空洞因果卷积神经网络模型M(·)参数,从而学习到更多过去值。参见图3,为本发明实施例提供的二维空洞卷积神经网络图。图3给出了当L=3时的结构,每层都由两个矩阵卷积成下一层的矩阵。图3中采用过去8个时刻的历史负荷热量数据预测未来一个时刻的负荷热量,由此可见该模型构建了一个利用过去负荷热量条件,用一个带参数模型去预测接下来Dt+N负荷值的深度学习模型M(·)。
步骤S106:根据所述测试集测试所述二维空洞因果卷积神经网络模型的结果,若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小,则进行步骤S107,否则,调整所述二维空洞因果卷积神经网络模型超参数,返回步骤S105;
所述二维空洞因果卷积神经网络模型M(·)的目标函数为:式中,W、b为预测网络结构的参数,γ为正则项的权重,Dture为真实值,通过adam随机梯度下降法求得使目标函数最小的二维空洞因果卷积神经网络模型参数W、b。
步骤S107:根据所述二维空洞因果卷积神经网络模型进行预测,并进行反归一化。
预测值式中,N=r,网络M(·)通过输入得到Dpre。反归一化包括:Xi=X′i×Xmax,式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值,图4为本发明实施例提供的两个时刻的预测结果图。
本申请以充电桩时空动态负荷预测为研究对象,以时空动态负荷的精准预测为目标,最终建立了一种能充分考虑时间和空间的二维空洞因果卷积神经网络预测模型。本发明实施例提供的电动汽车时空动态负荷预测的方法中,首先向三维卷积核所属时间维度添加空洞因子,从而构成二维空洞卷积层,使模型可以学习到空间维度的信息,然后通过此类层的堆叠构成整个网络,保证网络能够接受到长期的历史输入,使模型能够学习到时间维度信息,最终实现对电动汽车时空动态负荷的精准预测。
由于以上实施方式均是在其他方式之上引用结合进行说明,不同实施例之间均具有相同的部分,本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是,在本说明书中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (10)
1.一种电动汽车时空动态负荷预测的方法,其特征在于,所述方法包括:
步骤S101:将充电桩负荷数据进行预处理;
步骤S102:根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵;
步骤S103:将所述时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵;
步骤S104:将所述时空动态负荷归一化矩阵划分为训练集和测试集;
步骤S105:根据所述训练集训练,得到二维空洞因果卷积神经网络模型;
步骤S106:根据所述测试集测试所述二维空洞因果卷积神经网络模型的结果,若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小,则进行步骤S107,否则,调整所述二维空洞因果卷积神经网络模型超参数,返回步骤S105;
步骤S107:根据所述二维空洞因果卷积神经网络模型进行预测,并进行反归一化。
2.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,所述将充电桩负荷数据进行预处理,包括:
查看所述充电桩负荷数据中的缺失值和异常值;
将所述缺失值和所述异常值去掉,并根据拉格朗日差值法填充有效值。
3.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,所述根据所述充电负荷数据和充电桩位置信息构建时空动态负荷矩阵,包括:
步骤S301:构建坐标轴,确定充电桩的坐标,并计算每个充电桩负荷覆盖的范围;
步骤S302:将所有充电桩负荷覆盖范围内填上第一时刻充电桩的负荷量并累加,得到第一时刻的负荷矩阵式中,是坐标为(x,y)点的负荷量;
步骤S303:按时间顺序重复步骤S302,直到电动汽车负荷数据所包含的时长T中所有时刻都构建成二维负荷矩阵,并整理时空序列D={D1,D2,...,DT},D∈RT×X×Y。
4.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,将所述时空动态负荷矩阵进行归一化处理,得到时空动态负荷归一化矩阵,包括:
所述时空动态负荷归一化矩阵中,
式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值。
5.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,将所述时空动态负荷归一化矩阵划分为训练集和测试集,包括:所述时空动态负荷归一化矩阵数据中80%为训练集,20%为训练集。
6.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,所述根据所述训练集训练,得到二维空洞因果卷积神经网络模型,包括:
将位置为x、y、z的第l层第j个的数据进行卷积,卷积结果为:
且卷积核为(2*w*h),感受野的大小r=2L-1Ri,式中,d=2l-1,Ri是三维卷积核第一维的大小,且Ri=2;
将所述卷积结果依次堆叠,形成所述二维空洞因果卷积神经网络模型M(·)。
7.根据权利要求6所述的电动汽车时空动态负荷预测的方法,其特征在于,根据所述二维空洞因果卷积神经网络模型进行预测,包括:
预测值
式中,N=r。
8.根据权利要求6所述的电动汽车时空动态负荷预测的方法,其特征在于,所述二维空洞因果卷积神经网络模型M(·)的目标函数为:
式中,W、b为预测网络结构的参数,γ为正则项的权重,Dture为真实值。
9.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,调整所述二维空洞因果卷积神经网络模型超参数,包括:
通过adam随机梯度下降法求得使目标函数最小的二维空洞因果卷积神经网络模型参数。
10.根据权利要求1所述的电动汽车时空动态负荷预测的方法,其特征在于,所述进行反归一化包括:Xi=X'i×Xmax,
式中,Xmax是所有矩阵元素中的最大值,Xi是i矩阵元素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811360331.0A CN109508830B (zh) | 2018-11-15 | 2018-11-15 | 一种电动汽车时空动态负荷预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811360331.0A CN109508830B (zh) | 2018-11-15 | 2018-11-15 | 一种电动汽车时空动态负荷预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508830A true CN109508830A (zh) | 2019-03-22 |
CN109508830B CN109508830B (zh) | 2022-09-02 |
Family
ID=65748588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811360331.0A Active CN109508830B (zh) | 2018-11-15 | 2018-11-15 | 一种电动汽车时空动态负荷预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508830B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
CN112215406A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112508301A (zh) * | 2020-12-21 | 2021-03-16 | 北京梧桐车联科技有限责任公司 | 电动车辆的充电负荷预测方法、装置及存储介质 |
CN116562476A (zh) * | 2023-07-12 | 2023-08-08 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160428A (zh) * | 2015-08-19 | 2015-12-16 | 天津大学 | 高速公路电动汽车快速充电站的规划方法 |
CN106004725A (zh) * | 2016-06-23 | 2016-10-12 | 海南电力技术研究院 | 车载终端和有序充电方法 |
CN106849109A (zh) * | 2017-03-15 | 2017-06-13 | 国网江苏省电力公司连云港供电公司 | 一种用于规模化充电桩接入的城市配网负荷调控方法 |
CN107176051A (zh) * | 2017-06-22 | 2017-09-19 | 国网天津市电力公司 | 基于时空电价模式的电动汽车充电桩管理*** |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
-
2018
- 2018-11-15 CN CN201811360331.0A patent/CN109508830B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160428A (zh) * | 2015-08-19 | 2015-12-16 | 天津大学 | 高速公路电动汽车快速充电站的规划方法 |
US20180240047A1 (en) * | 2015-08-19 | 2018-08-23 | Tianjin University | Planning method of electric vehicle fast charging stations on the expressway |
CN106004725A (zh) * | 2016-06-23 | 2016-10-12 | 海南电力技术研究院 | 车载终端和有序充电方法 |
CN106849109A (zh) * | 2017-03-15 | 2017-06-13 | 国网江苏省电力公司连云港供电公司 | 一种用于规模化充电桩接入的城市配网负荷调控方法 |
CN107176051A (zh) * | 2017-06-22 | 2017-09-19 | 国网天津市电力公司 | 基于时空电价模式的电动汽车充电桩管理*** |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
Non-Patent Citations (3)
Title |
---|
YUNFEI MU 等: ""a Spatial-Temporal model for grid impact analysis of plug-in electric vehicles"", 《APPLIED ENERGY》 * |
张洪财 等: ""考虑时空分布的电动汽车充电负荷预测方法"", 《电力***自动化》 * |
肖建华 等: ""基于考虑时空分布的电动汽车充电负荷预测方法"", 《自动化应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
US11740603B2 (en) | 2019-05-29 | 2023-08-29 | Siemens Aktiengesellschaft | Power load prediction method and apparatus, and storage medium |
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
CN112215406A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112215406B (zh) * | 2020-09-23 | 2024-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112508301A (zh) * | 2020-12-21 | 2021-03-16 | 北京梧桐车联科技有限责任公司 | 电动车辆的充电负荷预测方法、装置及存储介质 |
CN112508301B (zh) * | 2020-12-21 | 2024-05-17 | 北京梧桐车联科技有限责任公司 | 电动车辆的充电负荷预测方法、装置及存储介质 |
CN116562476A (zh) * | 2023-07-12 | 2023-08-08 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
CN116562476B (zh) * | 2023-07-12 | 2023-10-13 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109508830B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508830A (zh) | 一种电动汽车时空动态负荷预测的方法 | |
CN108427041B (zh) | 雷电预警方法、***、电子设备和存储介质 | |
CN107247938B (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
Masseran et al. | An analysis of wind power density derived from several wind speed density functions: The regional assessment on wind power in Malaysia | |
CN107529651A (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN107730115A (zh) | 一种基于ahp的多源位置轨迹数据的质量评估方法 | |
CN108985521A (zh) | 光伏发电***的输出功率预测方法、装置、设备及介质 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和*** | |
CN108182484A (zh) | 基于网格化技术和bp神经网络的空间负荷预测方法 | |
CN107688906A (zh) | 多方法融合的输电线路气象要素降尺度分析***及方法 | |
CN109460874B (zh) | 一种基于深度学习的有义波高预测方法 | |
CN106803135A (zh) | 一种光伏发电***输出功率的预测方法及装置 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域***负荷预测方法 | |
CN103544385A (zh) | 顾及空间异质性的多尺度空间负荷预测方法 | |
CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
Liu et al. | A short-term traffic flow forecasting method and its applications | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN106845705A (zh) | 地铁供电负荷预测***的回声状态神经网络负荷预测模型 | |
Chen et al. | Dynamic simulation of land use changes in Port city: A case study of Dalian, China | |
CN108764523A (zh) | 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法 | |
Guo et al. | Skewed normal cloud modified whale optimization algorithm for degree reduction of S-λ curves | |
CN116843069A (zh) | 一种基于人群活动强度特征的通勤流量估计方法及*** | |
CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |