一种短期电动汽车充电负荷预测方法及系统技术方案

本发明专利技术公开一种短期电动汽车充电负荷预测方法及系统。本发明专利技术建立日负荷预测模型时，利用近邻传播方法对样本库中的样本进行数据挖掘，可有效提高预测模型的预测效率。同时，本发明专利技术充分利用卷积神经网络的特征提取优势，利用RGB颜色映射方法将样本中的充电负荷数值转换成图像数据，同时还考虑了季节、气象、温度、节假日和交通量对充电负荷的影响，能够极大地提高预测模型的预测精度。在此基础上，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，然后基于最优初始权值和最优初始阈值对卷积神经网络进行训练，能够有效减少由于网络中神经元的初始化随机给定导致的网络训练时间长的问题，进一步提高了预测模型的预测速度。

A short-term electric vehicle charging load forecasting method and system

【技术实现步骤摘要】
一种短期电动汽车充电负荷预测方法及系统
本专利技术涉及智能电网
，特别是涉及一种短期电动汽车充电负荷预测方法及系统。
技术介绍
由于经济的飞速发展以及工业化进程的大力推进，全球都面临着严重的环境问题，其中传统的燃油汽车在使用过程中会排放出大量带有有害气体的汽车尾气，加剧了对大气环境的污染以及不可再生能源的消耗，所以在全球变暖、能源短缺、环保要求、经济和科技快速发展的背景之下，电动汽车这种低碳、环保的交通工具得到了广泛的推广，各国也在加快对电动汽车能量补给基础设施的建设。由于电动汽车的大量推广，未来电动汽车的保有量会不断增加，所以大规模的电动汽车会接入电网，其充放电行为势必会对电网产生不容忽视的影响。为了减小大规模电动汽车充电对大电网带来的影响，需要对电动汽车充电负荷进行预测，以便于电力调度，以及与电网的友好互动。电动汽车充电短期负荷预测是对未来的日负荷进行预测，电动汽车充电负荷具有如下特点：首先，电动汽车充电行为具有不确定性，这就给充电负荷预测带来了困难；其次，影响电动汽车充电负荷的因素很多，若不加考虑必会影响到预测的准确性。因此，如何提高电动汽车充电负荷预测的准确性，成为本领域技术人员亟需解决的技术问题。
技术实现思路
本专利技术的目的是提供一种短期电动汽车充电负荷预测方法及系统，能够快速精确地预测电动汽车充电日负荷。为实现上述目的，本专利技术提供了如下方案：一种短期电动汽车充电负荷预测方法，所述预测方法包括：获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。可选的，所述利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。可选的，所述利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。可选的，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。一种短期电动汽车充电负荷预测系统，所述预测系统包括：输入获取模块，用于获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；预测模块，用于将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立子系统包括：样本库获取模块，用于获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；聚类模块，用于利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；颜色映射模块，用于利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；目标优化模块，用于利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；神经网络确定模块，用于根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；训练模块，用于利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。可选的，所述日负荷预测模型的建立子系统还包括：属性分类模块，用于根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。可选的，所述日负荷预测模型的建立子系统还包括：归一化模块，用于对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。可选的，所述目标优化模块利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的短期电动汽车充电负荷预测方法及系统，建立用于预测充电负荷的日负荷预测模型时，利用近邻传播方法对样本库中的样本进行数据挖掘，能够有效提高日负荷预测模型的预测效率。同时，本专利技术充分利用卷积神经网络的特征提取优势，利用RGB颜色映射方法将样本中的充电负荷数值转换成图像数据，同时还考虑了季节、气象、温度、节假日和交通量对充电负荷的影响，能够极大地提高预测模型的预测精度。在此基础上，本专利技术利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，然后基于最优初始权值和最优初始阈值对卷积神经网络进行训练，能够有效减少由于网络中神经元的初始化随机给定导致的网络训练时间长的问题，进一步提高了预测模型的预测速度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种短期电动汽车充电负荷预测方法的流程图；图2为本专利技术实施例提供的一种日负荷预测模型的建立方法的流程图；图3为本专利技术实施例提供的一种短期电动汽车充电负荷预测系统的结构框图；图4为本专利技术实施例提供的一种日负荷预测模型的建立子系统的结构框图；图5为本专利技术实施例提供的预测方法的实施流程图；图6为本专利技术实施例提供的基于标签属性和AP算法的聚类流程图；图7为本专利技术实施例提供的基于RGB颜色映射原理的数据预处理示意图；图8为本专利技术实施例提供的基于改进的NSGA-Ⅱ多目标算法优化CNN的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例本文档来自技高网...

【技术保护点】
1.一种短期电动汽车充电负荷预测方法，其特征在于，所述预测方法包括：/n获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；/n将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：/n获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；/n利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；/n利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；/n利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；/n根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；/n利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。/n

【技术特征摘要】
1.一种短期电动汽车充电负荷预测方法，其特征在于，所述预测方法包括：
获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；
将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：
获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；
利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；
利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；
利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；
根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；
利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。


2.根据权利要求1所述的预测方法，其特征在于，所述利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：
根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。


3.根据权利要求1所述的预测方法，其特征在于，所述利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：
对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。


4.根据权利要求1所述的预测方法，其特征在于，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标。


5.一种短期电动汽车充电负荷预测系统，其...

【专利技术属性】
技术研发人员：窦春霞，毕晓璇，岳东，张博，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13