CN115730635A - 一种电动汽车负荷预测方法 - Google Patents

Abstract

本发明涉及一种电动汽车负荷预测方法，其包括：获取电动汽车负荷大样本数据，处理所述大样本数据，以使得所述大样本数据归一化；构建LSTM模型，将归一化后的所述大样本数据输入所述LSTM模型，归一化后的所述大样本数据包括训练集以及测试集，利用所述训练集对所述LSTM模型进行训练；所述测试集经过训练后的所述LSTM模型处理，得到大样本电动汽车的预测负荷。本发明能够准确预测大样本电动汽车负荷，提高小样本电动汽车负荷预测精度，为电网调度提供依据，提高电动汽车充电的安全性。

Description

一种电动汽车负荷预测方法

技术领域

本发明涉及负荷预测技术领域，尤其是指一种电动汽车负荷预测方法。

背景技术

近些年来，随着电动汽车行业的蓬勃发展。作为智能电网和智能交通网集成关键环节的电动汽车的研究热度正在持续上升，在日常生活中，电动汽车的数量和使用率也在迅速提高，其充电负荷对电网的运行和调度都产生着不可忽略的作用。因此，电动汽车的负荷预测是一个重要环节，无论是对于电网调度、电力市场交易、充电站规划建设，还是对用户的经济、便捷出行都具有重要意义。

传统的电力负荷预测方式有回归分析法、相似日法等等。随着分布式电源和电动汽车等新型负荷类型的大规模接入,对传统的负荷预测方法带来了极大挑战。相比于传统的电力负荷,考虑不同的充电方式、出行规律、充电效率、充电频率等特点，电动汽车充电负荷时间上的分布与电力负荷的规律不同。此外，电动汽车充电负荷受出行路况、天气、运营状态等多因素的影响,在时间上具有较大的随机性。因此，有必要设计一种能够准确预测电动汽车负荷的方法。

发明内容

本发明所要解决的技术问题在于克服现有技术中存在的不足，提供一种电动汽车负荷预测方法，其能准确预测大样本电动汽车负荷，提高小样本电动汽车负荷预测精度，为电网调度提供依据，提高电动汽车充电的安全性。

按照本发明提供的技术方案，所述电动汽车负荷预测方法包括：

获取电动汽车负荷大样本数据，处理所述大样本数据，以使得所述大样本数据归一化；

构建LSTM模型，将归一化后的所述大样本数据输入所述LSTM模型，归一化后的所述大样本数据包括训练集以及测试集，利用所述训练集对所述LSTM模型进行训练；利用训练后的所述LSTM模型处理所述测试集，得到大样本电动汽车的预测负荷。

在本发明的一个实施例中，所述电动汽车负荷预测方法还包括：

构建DANN模型，将经过训练后的所述LSTM模型迁移至所述DANN模型，形成LSTM-DANN模型；

获取电动汽车负荷小样本数据，并输入所述LSTM-DANN模型；将所述测试集作为源域数据，并在所述源域数据中引入梯度反转层，将所述小样本数据作为目标域数据，对所述LSTM-DANN模型进行训练，以使得所述目标域数据预测精度向所述源域数据预测精度方向更新。

在本发明的一个实施例中，根据离散化公式处理所述大样本数据，以使得所述大样本数据归一化，所述离散化公式为：

其中，x_i(t)为电动汽车在时段t的实际负荷值，x_i′(t)为电动汽车在时段t的归一化负荷值，x_i,max(t)为电动汽车充电负荷中的最大负荷值，x_i,min(t)为电动汽车充电负荷中的最小负荷值。

在本发明的一个实施例中，所述LSTM模型包括输入门、遗忘门、输出门以及内部记忆单元，所述输入门用于控制当前时刻输入的大样本数据保存到所述内部记忆单元的数量，所述遗忘门用于控制上一时刻的大样本数据保存到当前时刻的数量，所述输出门用于控制所述内部记忆单元内的大样本数据输出到所述LSTM模型当前时刻输出的数量。

在本发明的一个实施例中，所述遗忘门的计算公式为：f_t＝σ(W_fx_t+U_fh_t-1+b_f)

其中，f_t为遗忘门输出，W_f为遗忘门的权重，b_f为遗忘门的偏置，X_t为遗忘门在t时刻的输入值，h_t-1为遗忘门在t-1时刻的中间状态，σ为sigmoid函数，U_f为遗忘门的输入；

所述输入门的计算公式为：i_t＝σ(W_ix_t+U_ih_t-1+b_i)

a_t＝tanh(W_cx_t+U_ch_t-1+b_c)

C_t＝f_t*C_t-1+i_t*a_t

其中，a_t为t时刻输入内部记忆单元的输入，C_t为t时刻的内部记忆单元状态，W_i为输入门的权重，b_i为输入门的偏置，W_c为内部记忆单元的权重，b_c为内部记忆单元的偏置，U_c为内部记忆单元的输入，U_i为输入门的输入，i_t为输入门的输出，tanh为双曲正切函数。

所述输出门的计算公式为：o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t*tanh(C_t)

其中，o_t为输出门的输出，W_o为输出门的权重，U_o为，b_o为输出门的偏置。

在本发明的一个实施例中，训练所述LSTM模型后，根据均方根误差的标准差验证LSTM模型的稳定性，所述均方根误差和所述标准差算公式分别为：

其中，R_MSE为均方根误差，σ_RMSE为标准差，f′_i为预测负荷值，f_i为实际负荷值，r_j为均方根误差，

为均方根误差平均值。

在本发明的一个实施例中，对所述LSTM-DANN模型的训练方法包括以下步骤：

步骤1、提取训练后的所述LSTM模型中域分类网络的特征向量，将所述目标域数据输入预测分类器中，将所述域分类网络的特征向量以及所述目标域数据输入域分类器中；基于生成对抗网络构建损失函数，并设置阈值；

步骤2、所述预测分类器处理所述目标域数据，并输出预测分类结果；所述域分类器处理所述域分类网络的特征向量，并输出域分类结果；

步骤3、将所述预测分类结果以及域分类结果代入所述损失函数，得到损失梯度值，当所述损失梯度值达到所述阈值时，得到所需的目标域负荷预测数据，完成训练，否则，返回步骤2。

在本发明的一个实施例中，步骤1中通过CNN特征提取器提取所述LSTM模型中域分类网络的特征向量。

在本发明的一个实施例中，所述损失函数为：

其中，E为损失梯度值，θ_f为特征提取网络的特征向量，θ_y为预测分类结果，θ_d为域分类结果，

为第i个样本的标签预测损失，

为第i个样本的判别损失，n为常数。

在本发明的一个实施例中，所述梯度反转层表达式为：

R_γ(x)＝x

其中，R_γ(x)为反转层损失梯度，γ为自适应因子。

本发明的上述技术方案相比现有技术具有以下优点：

1、本发明构建LSTM模型对大样本电动汽车负荷数据进行预测，LSTM模型可以通过聚类算法将相同行为特性的电动汽车划分为同一类簇，对不用类簇进行建模分析以考虑个体的差异性，提高总负荷的精准度，为电网调度提供依据，提高电动汽车充电的安全性。

2、本发明构建LSTM-DANN模型，可以将LSTM模型中的数据直接迁移至DANN模型中，不需从头开始学习，会节省大量训练时间；LSTM-DANN模型能够使小样本数据预测精度向大样本数据预测精度方向更新，提高了在数据样本不足的情况下的预测精度，为电网调度提供依据，提高电动汽车充电的安全性。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。

图1是本发明电动车负荷预测方法的流程图；

图2是本发明LSTM模型结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1所示，为了提高大样本电动汽车负荷预测数据精度，方便电网调度，提高电动汽车的充电安全性，本发明电动汽车负荷预测方法包括：

获取电动汽车负荷大样本数据，处理所述大样本数据，以使得所述大样本数据归一化；

构建LSTM(Long Shoort Term Memory，长短期记忆神经网络)模型，将归一化后的所述大样本数据输入所述LSTM模型，归一化后的所述大样本数据包括训练集以及测试集，利用作书训练集对所述LSTM模型进行训练；所述测试集经过训练后的所述LSTM模型处理，得到大样本电动汽车的预测负荷。

具体地，电动汽车具有行驶规律的差异性，会导致充电负荷的差异性较大。目前电动汽车的负荷预测方法都对于不同种类电动汽车进行群体负荷预测，比如分为共享电动汽车、电动出租车和电动私家车等等，但是由于电动汽车的充电数据庞大，并且会被用户行为所干预，因此会导致预测不准确的问题。因此可以通过聚类算法将相同行为特性的电动汽车划分为同一类簇，对不用类簇进行建模分析以考虑个体的差异性，提高总负荷的精准度。在负荷聚类时，考虑到负荷曲线趋势性和周期性的相似程度，正确衡量负荷随时间变化的形态和轮廓的相似性，才能把握用户的用电习惯和特性，从而能够较好地实现对负荷的聚类。

同时，深度学习方法在数据处理上具有显著优势，充电负荷的大小会随着用电时间有明显的变化，属于时序性很强的数据。其中循环神经网络是处理时间序列强大而有用的工具，但循环神经网络对长期依赖信息的学习能力不足，会出现梯度消失等问题。而本发明采用LSTM神经网络，能够捕获长时依赖，可以对不定长的序列数据建模并进行序列特征提取。电动汽车日负荷经过上述的数据处理及聚类后，根据得到的不同聚类群体，将不同簇分别采用LSTM神经网络进行训练，得到适用于每个群体的网络结构，从而实现较为精准的充电负荷预测。

本发明实施例以大样本数据为12天城市电动汽车负荷数据为例进行解释说明，其中，训练集为12天中前10天的城市电动汽车负荷数据，以两天为一个时段，LSTM模型根据训练集第一天和第二天的城市电动汽车负荷数据预测第三以及第四天的城市电动汽车负荷，再和实际训练集中第三以及第四天的城市电动汽车负荷进行比对，优化LSTM模型，再根据训练集第三以及第四天的城市电动汽车负荷预测第五天以及第六天，再和实际值比对，再优化LSTM模型，以此类推，经过反复优化得到训练过后的LSTM模型，通过训练过后的LSTM模型处理预测集中第十一天以及第十二天的城市电动汽车负荷数据，即可准确预测第十三以及第十四天的数据。具体实施时，大样本数据、训练时段、训练集以及预测集的数据均可以根据实际需要选择，具体以满足电动车负荷预测的目的为准。

进一步地，根据离散化公式处理所述大样本数据，以使得所述大样本数据归一化，所述离散化公式为：

其中，x_i(t)为电动汽车在时段t的实际负荷值，x_i′(t)为电动汽车在时段t的归一化负荷值，x_i，max(t)为电动汽车充电负荷中的最大负荷值，x_i，min(t)为电动汽车充电负荷中的最小负荷值。

具体地，x_i(t)表示第i个样本的实际负荷值，采用离散标准化的方法，即将数据按比例缩放，使之落入一个小的特定区间，最后使得所有负荷数据在标准化后的值∈[0，1]。

进一步地，所述LSTM模型包括输入门、遗忘门、输出门以及内部记忆单元，所述输入门用于控制当前时刻输入的大样本数据保存到所述内部记忆单元的数量，所述遗忘门用于控制上一时刻的大样本数据保存到当前时刻的数量，所述输出门用于控制所述内部记忆单元内的大样本数据输出到所述LSTM模型当前时刻输出的数量。

所述遗忘门的计算公式为：f_t＝σ(W_fx_t+U_fh_t-1+b_f)

其中，f_t为遗忘门输出，W_f为遗忘门的权重，b_f为遗忘门的偏置，X_t为遗忘门在t时刻的输入值，h_t-1为遗忘门在t-1时刻的中间状态，σ为sigmoid函数，U_f为遗忘门的输入；

所述输入门的计算公式为：i_t＝σ(W_ix_t+U_ih_t-1+b_i)

a_t＝tanh(W_cx_t+U_Ch_t-1+b_C)

C_t＝f_t*C_t-1+i_t*a_t

其中，a_t为t时刻内部记忆单元的输入，C_t为t时刻的内部记忆单元状态，W_i为输入门的权重，b_i为输入门的偏置，W_C为内部记忆单元的权重，b_C为内部记忆单元的偏置，U_C为内部记忆单元的输入，U_i为输入门的输入，i_t为输入门的输出，tanh为双曲正切函数。

所述输出门的计算公式为：o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t*tanh(C_t)

其中，o_t为输出门的输出，W_o为输出门的权重，U_o为，b_o为输出门的偏置。

具体地，如图2所示，每个门由一个σ神经网络层和一个乘法运算组成，主要是起到门控作用，因为其输出为0～1，当输出接近0或者1时，符合物理意义上的开或关。因此通过将每个矢量相加并相乘，最后可以实现充电负荷的输出。输入门、遗忘门、输出门以及内部记忆单元的具体情况以及工作原理均与现有相一致，具体为领域技术人员所熟知，此处不再赘述。

为得到精准的大样本电动汽车负荷预测数据，需要对LSTM模型进行训练，求解出输入门、遗忘门、输出门以及内部记忆单元的权重和偏置的最优解，才能得到精准的预测数据。有了LSTM模型的前向传播，LSTM模型的反向传播则很好推导，通过梯度下降法迭代更新所有的参数，关键点在于计算所有参数基于损失函数的偏导数。

为了反向传播误差，一般通过隐藏状态h(t)和c(t)的梯度δ(t)一步一步向前传播，这里定义两个梯度，t时刻隐藏状态梯度δ_h(t)，t时刻内部记忆单元梯度δ_c(t)：

为了便于推导，将损失函数L(t)分成两块，一块是时刻t位置的损失l(t)，另一块是下一时刻，即t+1时刻的损失L(t+1)，即：

而在最后的序列索引位置τ的隐藏状态梯度δ_h(τ)和内部记忆单元梯度δ_c(τ)为：

接着由δ_h(t+1)，δ_c(t+1)反向推导δ_h(t)，δ_c(t)。

δ_h(t)的梯度由本层t时刻的输出梯度误差和大于t时刻的误差两部分决定，即：

整个LSTM反向传播的难点就在于

这部分的计算。仔细观察，由于h(t)＝o(t)⊙tanh(C(t))，在第一项o(t)中，包含一个h的递推关系，第二项tanh(C(t))就复杂了，tanh函数里面又可以表示成：

C(t)＝C(t-1)⊙f(t)+i(t)⊙a(t)

tanh函数的第一项中，f(t)包含一个h的递推关系，在tanh函数的第二项中，i(t)和h(t)都包含h的递推关系，因此，最终

这部分的计算结果由四部分组成。即：

ΔC＝o(t+1)⊙[1-tanh²(C(t+1))]

而δ_t(t)的反向梯度误差由前一层δ_c(t+1)的梯度误差和本层的从h(t)传回来的梯度误差两部分组成，即：

有了δ_h(t)和δ_c(t)，计算各门的参数就比较容易，这里只给出W_f的计算过程：

进一步地，训练所述LSTM模型后，根据均方根误差的标准差验证LSTM模型的稳定性，所述均方根误差和所述标准差算

公式分别为：

其中，R_MSE为均方根误差，σ_RMSE为标准差，f_i′为预测负荷值，f_i为实际负荷值，r_j为均方根误差，

为均方根误差平均值。

具体地，均方根误差R_MSE以及标准差σ_RMSE的值越小，代表LSTM模型的稳定性越高，预测精度越准。

进一步地，为了使小样本数据预测精度向大样本数据预测精度方向更新，提高在数据样本不足的情况下的预测精度，本发明电动汽车负荷预测方法还包括：

构建DANN(Domain Adaptive Neural Network,深度对抗神经网络)模型，将经过训练后的所述LSTM模型迁移至所述DANN模型，形成LSTM-DANN模型；

获取电动汽车负荷小样本数据，并输入所述LSTM-DANN模型；将所述测试集作为源域数据，并在所述源域数据中引入梯度反转层，将所述小样本数据作为目标域数据，对所述LSTM-DANN模型进行训练，以使得所述目标域数据预测精度向所述源域数据预测精度方向更新。

对所述LSTM-DANN模型的训练方法包括以下步骤：

步骤1、提取训练后的所述LSTM模型中域分类网络的特征向量，将所述目标域数据输入预测分类器中，将所述域分类网络的特征向量以及所述目标域数据输入域分类器中；基于生成对抗网络构建损失函数，并设置阈值；

步骤2、所述预测分类器处理所述目标域数据，并输出预测分类结果；所述域分类器处理所述域分类网络的特征向量，并输出域分类结果；

步骤3、将所述预测分类结果以及域分类结果代入所述损失函数，得到损失梯度值，当所述损失梯度值达到所述阈值时，得到所需的目标域负荷预测数据，完成训练，否则，返回步骤2。

具体地，如图1所示，在目标域与源域的数据分布不同但任务相同情况下的迁移学习就是域自适应(Domai n Adaptat ion)。也就是说构建DANN模型的主要任务就是减小源域和目标域的数据分布差异，进而实现知识的迁移，源域和目标域数据同时进入DaNN模型中进行训练，在训练阶段要完成如下两个任务，第一个任务则是实现源域数据集准确分类，实现数据误差的最小化；第二个任务则是要混淆源域数据集和目标域数据集，实现域分类误差的最大化，混淆目标域数据集与源域数据集，使小样本数据预测精度向大样本数据预测精度方向更新，提高在数据样本不足的情况下的预测精度，为电网调度提供依据，提高电动汽车充电的安全性。

DaNN模型中有一种自适应方法成为基于对抗的自适应方法，即基于生成对抗网络的方法，生成对抗网络其实是两个网络的组合：生成网络负责生成模拟数据；判别网络负责判断输入的数据是真实的还是生成的。生成网络要不断优化生成的数据让判别网络判断不出来，判别网络也要优化，使判断更准确。二者关系形成对抗，因此叫对抗网络，生成网络和判别网络可以基于各自的损失函数，利用误差反向传播反向传播算法和最优化方法(如梯度下降法)来实现参数的调整，不断提高生成网络和判别网络的性能，最终生成网络和判别网络的成熟状态就是学习到了合理的映射函数。

其中生成网络的损失函数为：

L_G＝H(1,D(G(Z)))

其中，L_G表示生成网络损失，G代表生成网络，D代表判别网络，H代表交叉熵，z是输入随机数据。一般地，在对生成数据的判断中，1代表数据绝对真实，0代表数据绝对虚假。H(1,D(G(Z)))代表判断结果与1的距离。显然生成网络想取得良好的效果，让判别器将生成数据判别为真数据(即D(G(z))与1的距离越小越好)。

判别网络的损失函数为：

L_D＝H(1,D(x))+H(0,D(G(z)))

上式中，L_D表示生成网络损失，x是真实数据，H(1,D(x))代表真实数据与1的距离，H(0,D(G(z)))代表生成数据与0的距离。显然，识别网络要想取得良好的效果，就要做到，在它眼里，真实数据就是真实数据，生成数据就是虚假数据，即真实数据与1的距离小，生成数据与0的距离小。

进一步地，所述损失函数为：

其中，E为损失梯度值，θ_f为特征提取网络的特征向量，θ_y为预测分类结果，θ_d为域分类结果，

为第i个样本的标签预测损失，

为第i个样本的判别损失，n为常数。

在使用域分类器时，预测分类结果θ_y取0，在使用预测分类器时，域分类结果θ_d取0。

进一步地，为了删选掉测试集中的一些极端数据，使目标域测试结果更精确，步骤1中通过CNN(Convolutional Neural Networks，卷积神经网络)特征提取器提取所述LSTM模型中域分类网络的特征向量。

具体地，其中CNN特征提取器主要由三种模块构成：卷积层、采样层和全连接层，卷积层负责提取特征，采样层负责特征选择，全连接层负责分类。每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。输入数据进行卷积之后，提取该局部特征，一旦该局部特征被提取出来之后，它与其他特征的位置关系也随之确定下来了，每个神经元的输入和前一层的局部感受野相连，每个特征提取层都紧跟一个用来求局部平均与二次提取的计算层，也叫特征映射层，网络的每个计算层由多个特征映射平面组成，平面上所有的神经元的权重相等。

通常将输入层到隐藏层的映射称为一个特征映射，也就是通过卷积层得到特征提取层，经过pooling(用于抽取最显著的特征)之后得到特征映射层。

CNN特征提取器从一堆弱分类器里面，挑出一个最符合要求的弱分类器，用着这个弱分类器把不想要的数据剔除，保留想要的数据；然后再从剩下的弱分类器里，再挑出一个最符合要求的弱分类器，对上一级保留的数据，把不想要的数据剔除，保留想要的数据。最后，通过不断串联几个弱分类器，进过数据层筛选，删选掉测试集中的一些极端数据，例如极大或极小的负荷，最后得到所需的数据。CNN特征提取器的具体情况和工作原理均与现有相一致，此处不再赘述。

进一步地，所述梯度反转层表达式为：

R_γ(x)＝x

其中，R_γ(x)为反转层损失梯度，γ为自适应因子。

具体地，为了避免分别固定生成器与鉴别器参数的方式进行分阶段训练，使代码编写出现较大困难，DaNN模型中引入了梯度反转层(Gradient Reversal Layer,GRL),使得在反向传播过程中梯度方向自动取反，在前向传播过程中实现恒等变换，使得编程方便。梯度反转层***在CNN特征提取器和与域分类器之间，则在反向传播的过程中，域分类器的域分类损失的梯度反向传播到CNN特征提取器之前会自动取反。

如图1所示，LSTM-DANN模型具体工作流程如下：将电动汽车负荷大样本数据归一化，建立LSTM模型，将归一化后的大样本数据输入LSTM模型，并对LSTM模型进行训练，得到精准的大样本预测结果；构建DANN模型，将LSTM模型迁移至DANN模型中的LSTM层，采用CNN特征提取器提取LSTM层中域分类网络的特征向量，获取电动汽车负荷小样本数据，并将小样本数据作为目标域数据，将目标域数据输入预测分类器中，将域分类网络的特征向量以及目标域数据输入域分类器中，预测分类器用于将小样本数据按照电动汽车行驶特性进行聚类，以使得小样本数据预测更准确，将预测分类结果和域分类结果输入损失函数中，比较损失函数值和设置的阈值，并对LSTM-DANN模型训练，优化预测分类结果和域分类结果，直到损失函数值满足设置的阈值，将数据反归一化，得到精准的小样本数据。大样本数据可以是城市电动汽车负荷数据，小样本数据可以是社区微网电动汽车负荷数据，具体可以根据实际需要选择。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种电动汽车负荷预测方法，其特征在于，所述电动汽车负荷预测方法包括：

获取电动汽车负荷大样本数据，处理所述大样本数据，以使得所述大样本数据归一化；

构建LSTM模型，将归一化后的所述大样本数据输入所述LSTM模型，归一化后的所述大样本数据包括训练集以及测试集，利用所述训练集对所述LSTM模型进行训练；利用训练后的所述LSTM模型处理所述测试集，得到大样本电动汽车的预测负荷。

2.根据权利要求1所述的电动汽车负荷预测方法，其特征在于，所述电动汽车负荷预测方法还包括：

构建DANN模型，将经过训练后的所述LSTM模型迁移至所述DANN模型，形成LSTM-DANN模型；

获取电动汽车负荷小样本数据，并输入所述LSTM-DANN模型；将所述测试集作为源域数据，并在所述源域数据中引入梯度反转层，将所述小样本数据作为目标域数据，对所述LSTM-DANN模型进行训练，以使得所述目标域数据预测精度向所述源域数据预测精度方向更新。

3.根据权利要求1所述的电动汽车负荷预测方法，其特征在于：根据离散化公式处理所述大样本数据，以使得所述大样本数据归一化，所述离散化公式为：

其中，x_i(t)为电动汽车在时段t的实际负荷值，x_i′(t)为电动汽车在时段t的归一化负荷值，x_i,max(t)为电动汽车充电负荷中的最大负荷值，x_i,min(t)为电动汽车充电负荷中的最小负荷值。

4.根据权利要求1所述的电动汽车负荷预测方法，其特征在于：所述LSTM模型包括输入门、遗忘门、输出门以及内部记忆单元，所述输入门用于控制当前时刻输入的大样本数据保存到所述内部记忆单元的数量，所述遗忘门用于控制上一时刻的大样本数据保存到当前时刻的数量，所述输出门用于控制所述内部记忆单元内的大样本数据输出到所述LSTM模型当前时刻输出的数量。

5.根据权利要求4所述的电动汽车负荷预测方法，其特征在于：

所述遗忘门的计算公式为：f_t＝σ(W_fx_t+U_fh_t-1+b_f)

其中，f_t为遗忘门输出，W_f为遗忘门的权重，b_f为遗忘门的偏置，X_t为遗忘门在t时刻的输入值，h_t-1为遗忘门在t-1时刻的中间状态，σ为sigmoid函数，U_f为遗忘门的输入；

所述输入门的计算公式为：i_t＝σ(W_ix_t+U_ih_t-1+b_i)

a_t＝tanh(W_cx_t+U_ch_t-1+b_c)

C_t＝f_t*C_t-1+i_t*a_t

其中，a_t为t时刻输入内部记忆单元的输入，C_t为t时刻的内部记忆单元状态，W_i为输入门的权重，b_i为输入门的偏置，W_c为内部记忆单元的权重，b_c为内部记忆单元的偏置，U_c为内部记忆单元的输入，U_i为输入门的输入，i_t为输入门的输出，tanh为双曲正切函数。

所述输出门的计算公式为：o_t＝σ(W_ox_y+U_oh_t-1+b_o)

h_t＝o_t*tanh(C_t)

其中，o_t为输出门的输出，W_o为输出门的权重，U_o为，b_o为输出门的偏置。

6.根据权利要求1所述的电动汽车负荷预测方法，其特征在于：训练所述LSTM模型后，根据均方根误差的标准差验证LSTM模型的稳定性，所述均方根误差和所述标准差算公式分别为：

其中，R_MSE为均方根误差，σ_RMSE为标准差，f′_i为预测负荷值，f_i为实际负荷值，r_j为均方根误差，

为均方根误差平均值。

7.根据权利要求2所述的电动汽车负荷预测方法，其特征在于，对所述LSTM-DANN模型的训练方法包括以下步骤：

步骤1、提取训练后的所述LSTM模型中域分类网络的特征向量，将所述目标域数据输入预测分类器中，将所述域分类网络的特征向量以及所述目标域数据输入域分类器中；基于生成对抗网络构建损失函数，并设置阈值；

步骤2、所述预测分类器处理所述目标域数据，并输出预测分类结果；所述域分类器处理所述域分类网络的特征向量，并输出域分类结果；

步骤3、将所述预测分类结果以及域分类结果代入所述损失函数，得到损失梯度值，当所述损失梯度值达到所述阈值时，得到所需的目标域负荷预测数据，完成训练，否则，返回步骤2。

8.根据权利要求7所述的电动汽车负荷预测方法，其特征在于：步骤1中通过CNN特征提取器提取所述LSTM模型中域分类网络的特征向量。

9.根据权利要求7所述的电动汽车负荷预测方法，其特征在于，所述损失函数为：

其中，E为损失梯度值，θ_f为特征提取网络的特征向量，θ_y为预测分类结果，θ_d为域分类结果，

为第i个样本的标签预测损失，

为第i个样本的判别损失，n为常数。

10.根据权利要求2所述的电动汽车负荷预测方法，其特征在于，所述梯度反转层表达式为：

R_γ(x)＝x

其中，R_γ(x)为反转层损失梯度，γ为自适应因子。

Images