一种基于深度聚类模型的充电站用电量预测方法技术

本发明专利技术公开了一种基于深度聚类模型的充电站用电量预测方法，包括：充电站数据的增强及预处理；基于深度聚类模型的特征映射，充电站所属簇的确定；基于最近邻算法的充电站电量预测。本发明专利技术方法使用深度神经网络同时学习充电站数据的特征表示和簇的分配，通过将数据映射到隐层特征空间，迭代地优化聚类目标和重构损失，减少了误差传播的可能性；进一步使用最近邻算法对充电站用电量进行预测。本方法相比于以往的充电站用电预测方法，能够挖掘到数据的隐含特征，缩小搜索空间，具有更高的预测精度。

【技术实现步骤摘要】
一种基于深度聚类模型的充电站用电量预测方法
本专利技术属于深度学习领域，具体涉及一种基于深度聚类模型的充电站用电量预测方法。
技术介绍
目前国内外针对电动汽车充电设施的数量需求研究的成果较多集中在通过预测电动汽车保有量而预测充电设施数量和用电量，也有部分研究者通过研究电动汽车充电特性来确定充电设施数量。当前充电站规划研究已经积累了较为丰富的经验，部分研究者们考虑到电动汽车产业正处于起步阶段，电动汽车充电设施建设经验较少，而加油站的建设已经较为成熟，因此通过调研加油站需求量的预测方法，可以为电动汽车充电站的需求预测提供参考。现行加油站需求预测方法主要有：依据规范推算法和工程类比法。规范推算法依据规范中提出的“城市公共加油站的服务半径宜为0.9km-1.2km，即服务区域面积为2.54km2-4.53km2”的要求建立加油站；工程类比法是指以机动车保有量为基准对加油站需求总量进行简单估算的方法，一般电动汽车站的需求预测大多考虑采用此种方法。有研究者提出对单个充电站容量需求的预测方法，认为由于电动汽车充电站的建设规模与其能提供的配电系本文档来自技高网...

【技术保护点】
1.一种基于深度聚类模型的充电站用电量预测方法，其特征在于，包括如下步骤：/n(1)训练样本获取步骤：采集各充电站原始训练数据，爬取充电站所在城市的POI数据；/n(2)训练样本生成步骤：根据POI数据对各充电站原始训练数据进行数据属性增强和数据预处理，构造充电站增强训练数据集；/n(3)模型预训练步骤：在步骤(2)构造的充电站增强训练数据集上采用堆叠去噪自编码器提取充电站训练数据的隐特征表示，对编码器和解码器参数进行预训练，其中编码器的输入为各充电站增强训练数据，编码器的输出为各充电站训练数据的初始隐特征表示；/n(4)模型训练步骤：基于深度聚类模型采用聚类损失和重构损失对充电站增强训练数据...

【技术特征摘要】
1.一种基于深度聚类模型的充电站用电量预测方法，其特征在于，包括如下步骤：
(1)训练样本获取步骤：采集各充电站原始训练数据，爬取充电站所在城市的POI数据；
(2)训练样本生成步骤：根据POI数据对各充电站原始训练数据进行数据属性增强和数据预处理，构造充电站增强训练数据集；
(3)模型预训练步骤：在步骤(2)构造的充电站增强训练数据集上采用堆叠去噪自编码器提取充电站训练数据的隐特征表示，对编码器和解码器参数进行预训练，其中编码器的输入为各充电站增强训练数据，编码器的输出为各充电站训练数据的初始隐特征表示；
(4)模型训练步骤：基于深度聚类模型采用聚类损失和重构损失对充电站增强训练数据集进行迭代学习，利用步骤(3)得到的编码器获得各充电站训练数据的初始隐特征表示，对初始隐特征表示使用K均值聚类算法，计算得到K个初始聚类中心，根据各充电站训练数据的隐特征表示和聚类中心之间的相似度构建充电站训练数据的软聚类标签分布，通过优化软聚类标签分布和辅助目标分布之间的KL散度对编码器参数和聚类中心进行迭代更新，通过优化重构损失对编码器参数和解码器参数进行迭代更新，直至模型收敛，得到充电站训练数据所属的簇和充电站训练数据的隐特征表示；
(5)充电站用电量预测步骤：对于每个待预测充电站的原始测试数据，通过POI数据对其进行数据属性增强和数据预处理，得到每个待预测充电站的增强测试数据集，并输入步骤(4)得到的模型判断其所属的簇，基于所属簇的充电站训练数据的隐特征表示，使用K近邻算法对待预测充电站的用电量进行预测。


2.根据权利要求1所述的一种基于深度聚类模型的充电站用电量预测方法，其特征在于，步骤(1)中所述爬取充电站所在城市的POI数据；具体包括：
通过分析充电站原始数据中的经纬度数据得到充电站分布的城市，通过高德地图API对该城市的所有地区进行POI数据爬取，爬取的POI数据分为五大类型，包括“高等院校”，“住宅区”，“加油站”，“餐饮服务”和“购物服务”，每个大类型包括多个小类型，其中，“住宅区”包括“住宅区”、“别墅”、“住宅小区”、“宿舍”和“社区中心”，“餐饮服务”包括“餐饮相关场所”、“中餐厅”、“外国餐厅”、“快餐厅”、“咖啡厅”和“休闲餐饮场所”，“购物服务”包括“购物相关场所”、“商场”、“便民商店”、“家电电子卖场”、“超级市场”、“花鸟鱼虫市场”、“综合市场”、“体育用品店”、“特色商业街”、“专卖店”和“化妆品店”；爬取POI数据的属性包括：经度、维度、所在区和名字；爬取完成后，将所有小类型数据分别合并到各自所属的大类型中。


3.根据权利要求1所述的一种基于深度聚类模型的充电站用电量预测方法，其特征在于，步骤(2)中所述根据POI数据对各充电站原始训练数据进行数据属性增强和数据预处理；具体方法包括：
设置阈值σ，根据充电站和POI数据的经纬度之间的欧氏距离计算第m个充电站与第n条POI数据之间的距离dmn，如果dmn＜σ，则判定第n条POI数据点在第m个充电站附近，对于每一个充电站，统计其附近不同类型的POI数据点的个数，并将该数据作为特征与充电站原始数据数属性进行拼接，
在对所有充电站数据进行属性扩充后，将数据归一化到[0，1]区间内。


4.根据权利要求1所述的一种基于深度聚类模型的充电站用电量预测方法，其特征在于，步骤(3)中所述采用堆叠去噪自编码器提取充电站训练数据的隐特征表示；具体方法包括：
堆叠去噪自编码器包含编码器和解码器两个非线性映射单元，编码器的输入为信息扩充后的充电站增强训练数据D＝[d1，d2...

【专利技术属性】
技术研发人员：马吉科，祝永晋，谢林枫，季聪，李剑，李昆明，葛崇慧，王松云，王江辉，李同哲，司加胜，周德宇，
申请(专利权)人：江苏方天电力技术有限公司，东南大学，
类型：发明
国别省市：江苏;32