电动汽车充电容量需求预测方法及相关装置与流程

本发明涉及电动汽车充电需求预测领域，特别涉及电动汽车充电容量需求预测方法及相关装置。

背景技术：

1、随着电动汽车迅速普及，对许多小区配电系统造成很大冲击。原有配电系统大多未对此情景进行充分预估和规划设计，充电桩的超预期大量接入，很可能造成配电容量负荷过载，引起跳闸或烧坏设备。需要从多个时间维度对小区电动汽车充电容量需求进行预测预警，及时采取措施防范问题的发生。现有技术为基于稳定性分析，预测小区月度用电量，或者获取小区居民用户分项用电的历史样本数据，基于adaboost迭代算法预测剧名小区分项负荷数据。小区电动汽车充电需求与小区规模、停车位数量等因素直接相关，现有技术均属于常规电力电量预测，未针对小区特征、电动汽车充电行为特征进行优化，预测准确率和效率都难以满足小区电动汽车充电需求预测需求。

技术实现思路

1、本发明的目的在于提供电动汽车充电容量需求预测方法及相关装置，以解决现有技术因缺少考虑小区规模、停车位数量等因素导致的预测准确率低和效率低的问题。

2、为实现上述目的，本发明采用以下技术方案：

3、本发明一方面，提供电动汽车充电容量需求预测方法，包括：

4、采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

5、将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

6、将预处理后的数据划分为训练集、验证集和测试集；

7、构造gru神经网络模型，并对gru神经网络模型进行训练，使用测试集对训练好的gru神经网络模型进行预测。

8、进一步的，小区属性数据包括：小区户数、小区固定车位数量、小区共享车位数量、小区充电桩数量、小区类别、小区房价、小区建造年代和小区住户历史用电量分布。

9、进一步的，小区属性数据预处理得到按照时间序列分组后的数据：

10、将数据转化为小时、日、周频度，并分别采用均值方差归一化的标准化处理，具体如下：

11、

12、其中：其中x为要归一化的值，xscale为归一化之后的值，μ为样本的平均值，s为样本的标准差。

13、进一步的，训练集、验证集和测试集的划分具体为：

14、6：2：2。

15、进一步的，所述构造gru神经网络模型，包括：

16、zt＝σ(wz·[ht-1，xt])

17、rt＝σ(wr·[ht-1，xt])

18、

19、

20、其中zt代表更新门，用于决定要丢弃的信息和要添加的新信息；rt代表重置门，重置门用于决定丢弃先前信息的程度；ht代表候选记忆，ht-1代表上一时刻的候选记忆，代表记忆门，wz代表计算更新门的参数，wr代表计算重置门的参数，tanh为双曲正切函数，w代表计算记忆门的参数，σ代表sigmoid函数，xt代表输入数据。

21、进一步的，所述对gru神经网络模型进行训练，具体为：

22、gru为时序模型，使用平均绝对误差作为损失函数，即各单个预测值与所有预测值的算术平均值的偏差的绝对值的平均，使用均方对数误差作为网络的监控指标，即对数损失函数的平均值的平方，进行整体训练。

23、进一步的，使用测试数据集在训练好的使用测试集在训练好的gru神经网络模型中进行预测，分别得出小时、日、周频度的预测结果，即未来一段时间小区电动汽车的充电容量。

24、本发明另一方面，提供一种电动汽车充电容量需求预测系统，包括：

25、采集模块，用于采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；

26、预处理模块，用于将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；

27、数据划分模块，用于将预处理后的数据划分为训练集、验证集和测试集；

28、训练预测模块，用于构造gru神经网络模型，并对模型进行训练，使用测试数据集对训练好的模型进行预测。

29、本发明再一方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现电动汽车充电容量需求预测方法的步骤。

30、本发明再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现电动汽车充电容量需求预测方法的步骤。

31、与现有技术相比，本发明有以下技术效果：

32、本发明基于循环神经网络和gru循化门单元，结合小区电动汽车聚合后的充电功率数据，以及小区属性数据，进行深度学习预测，提高电动汽车充电容量需求预测的准确度，相比传统机器学习模型及传统循环神经网络模型，预测准确率更高，误差更小。

33、进一步的，本发明将采集的数据转化为小时、日、周频度，并分别采用均值方差归一化的标准化处理，对应短期、中期、长期预测，有效预测短期、中期、长期充电容量需求，支持配电网规划运行管理决策。

技术特征：

1.电动汽车充电容量需求预测方法，其特征在于，包括：

2.根据权利要求1所述的电动汽车充电容量需求预测方法，其特征在于，小区属性数据包括：小区户数、小区固定车位数量、小区共享车位数量、小区充电桩数量、小区类别、小区房价、小区建造年代和小区住户历史用电量分布。

3.根据权利要求1所述的电动汽车充电容量需求预测方法，其特征在于，小区属性数据预处理得到按照时间序列分组后数据的方法具体为：

4.根据权利要求1所述的电动汽车充电容量需求预测方法，其特征在于，训练集、验证集和测试集的划分具体比例为6∶2∶2。

5.根据权利要求1所述的电动汽车充电容量需求预测方法，其特征在于，所述构造gru神经网络模型，包括：

6.根据权利要求1所述的电动汽车充电容量需求预测方法，其特征在于，所述对gru神经网络模型进行训练，具体为：

7.根据权利要求3所述的电动汽车充电容量需求预测方法，其特征在于，使用测试集在训练好的gru神经网络模型中进行预测，分别得出小时、日、周频度的预测结果。

8.一种电动汽车充电容量需求预测系统，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电动汽车充电容量需求预测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电动汽车充电容量需求预测方法的步骤。

技术总结
电动汽车充电容量需求预测方法及相关装置，包括：采集小区电动汽车聚合后的充电功率数据，以及小区属性数据；将充电功率数据，以及小区属性数据进行预处理，得到按照时间序列分组后的数据；将预处理后的数据划分为训练集、验证集和测试集；构造GRU神经网络模型，并对模型进行训练，使用测试数据集对训练好的模型进行预测。本发明基于循环神经网络和GRU循化门单元的深度学习预测，可提高电动汽车充电容量需求预测的准确度，有效预测短期、中期、长期充电容量需求，支持配电网规划运行管理决策。

技术研发人员：李思纤,陆敏怡,傅敏杰,张天尘,李天宇
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2024/1/12