充电站功率利用率预测模型的训练方法、装置及介质制造方法及图纸

本发明专利技术提供了一种充电站功率利用率预测模型的训练方法、装置及介质，包括以下步骤：构建充电站的样本数据集；样本数据集中包括：样本充电站的样本特征和实际功率利用率；样本特征包括充电站的属性特征、周围的预设区域内其他场所的属性特征、距离满足预设距离条件的其他充电站的属性特征；根据所述样本数据集中特征的属性，生成交叉特征和统计特征；从样本特征和生成的交叉特征和统计特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型，对待预测充电站的功率利用率进行更精确的预测。

【技术实现步骤摘要】
充电站功率利用率预测模型的训练方法、装置及介质
本专利技术涉及充电站运行及规划领域，具体而言，涉及一种充电站功率利用率预测模型的训练方法、装置及介质。
技术介绍
随着电池充电技术不断的发展，以及对于环境保护越来越重视，电动车已经逐渐成为一种很普遍的交通工具，因此，城市中也需要合理规划公用充电站，尽可能的使每个建成的充电站的功率利用率尽可能的高，才能充分发挥充电站的作用，这就要求在新修建充电站时，预先对各个预备地点的充电站的功率利用率进行预测。目前，市场现有充电设施的功率利用率的测算方法，通常通过人工经验判断，大致的估计过程是：运营商根据自身的功率利用率数据，通过相似区域的功率利用率范围和经验，对新修建的充电站大致估算出功率利用率的近似值，所得到的充电站的功率利用率不够精确可靠。
技术实现思路
本专利技术的目的在于提供一种充电站功率利用率预测模型的训练方法、装置及介质，其能够预测充电站的功率利用率。本专利技术是这样实现的：本申请提供一种充电站功率利用率预测模型的训练方法，包括以下步骤：构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；根据所述样本数据集中样本特征的属性，生成表征样本充电站数据分布的统计特征；根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。在一些实施例中，根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征，包括以下步骤：从样本数据集中的样本特征中选择指定的多个样本特征；根据所述的样本特征的属性，将若干个样本特征进行交叉得到交叉特征。在一些实施例中，所述的充电站功率利用率预测模型的训练方法的从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征，包括以下步骤：通过互信息法，从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。在一些实施例中，利用训练数据集对梯度提升树模型进行训练时还通过贝叶斯优化算法(BayesianOptimization)对梯度提升树模型的超参数进行挑选，得到包括挑选出的超参数的训练好的功率利用率预测模型，以改进梯度提升树模型的超参数。在一些实施例中，为了得到更优的超参数，进一步提升功率利用率预测模型的预测精度，通过贝叶斯优化算法挑选梯度提升树模型的超参数的方法具体包括以下步骤：从超参数空间选择N组超参数；利用训练数据集对梯度提升树模型进行N次训练，获取与N组超参数对应的N个指标；所述的N次训练中，梯度提升树模型的超参数分别为所述的N组超参数；所述的指标表征梯度提升树模型的预测精度；将N组超参数和N个指标组成超参数数据集；判断超参数数据集是否满足预设条件；若满足，则确定超参数数据集中最优的指标对应的超参数为最优超参数；若不满足，则重复以下超参数数据集优化步骤，直至超参数数据集满足预设条件；利用所述的超参数数据集和高斯过程回归模型，获取一组新的超参数；获取与新的超参数所对应的新指标；将新的超参数和新指标添加至超参数数据集中进行更新，得到更新后的超参数数据集；判断超参数数据集是否满足预设条件；若满足，则不再重复超参数数据集优化步骤，确定超参数数据集中最优的指标对应的超参数为最优超参数；在一些实施例中，样本数据集中的样本充电站的实际功率利用率通过以下方式得到：获取样本充电站预设时间段内每个充电桩的订单数据；利用所述的订单数据获取样本充电站的实际功率利用率。在一些实施例中，构建样本充电站的样本数据集时，所述的样本充电站的数量为多个；所述的样本充电站的样本数据集中包括：每个样本充电站的样本特征和该样本充电站的实际功率利用率。在一些实施例中，利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型后，还包括以下步骤：构建待预测充电站的初始输入数据集；所述的初始输入数据集中包括初始输入特征，所述初始输入特征包括待预测充电站的属性特征、待预测充电站周围的预设区域内其他场所的属性特征、与待预测充电站之间的距离满足预设距离条件的其他充电站的属性特征；根据所述初始输入数据集中初始输入特征的属性，生成待预测充电站数据分布的统计特征；根据所述初始输入数据集中初始输入特征的属性，生成表征多个初始输入特征协同作用于待预测充电站的功率利用率的交叉特征；从初始输入数据集的初始输入特征、以及生成的统计特征和交叉特征中筛选得到实际影响所述待预测充电站实际功率利用率的目标输入特征；构建包括所述的目标输入特征的目标输入数据集；将目标输入数据集输入训练好的功率利用率预测模型，预测得到待预测充电站的功率利用率。本申请还提供一种充电站功率利用率预测模型的训练装置，包括：第一构建模块，用于构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；第一生成模块，用于根据所述样本数据集中样本特征的属性，生成表征样本充电站数据分布的统计特征；第二生成模块，用于根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；筛选模块，用于从样本数据集的样本特征和生成的交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；第二构建模块，用于构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；训练模块，用于利用利用数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行所述的充电站功率利用率预测模型的训练方法的步骤。本专利技术的有益效果主要在于：本专利技术在样本充电站的样本特征的选择上，充分考虑了实际运营场景，使用周围环境统计信息准确还原了实际充电场景，包括样本充电站周围的预设区域内其他场所和能够与本文档来自技高网...

【技术保护点】
1.充电站功率利用率预测模型的训练方法，其特征在于，包括以下步骤：/n构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；/n根据所述样本数据集中样本特征的属性，生成表征样本充电站数据分布的统计特征；/n根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；/n从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；/n构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；/n利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。/n

【技术特征摘要】
1.充电站功率利用率预测模型的训练方法，其特征在于，包括以下步骤：
构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；
根据所述样本数据集中样本特征的属性，生成表征样本充电站数据分布的统计特征；
根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；
从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；
构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；
利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。


2.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征，包括以下步骤：
从样本数据集中的样本特征中选择指定的多个样本特征；
根据所述的样本特征的属性，将若干个样本特征进行交叉统计得到交叉特征。


3.根据权利要求2所述的充电站功率利用率预测模型的训练方法，其特征在于，从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征，包括以下步骤：通过互信息法，从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。


4.根据权利要求1所述的充电站功率利用率预测模型的训练方法，其特征在于，利用训练数据集对梯度提升树模型进行训练时，还通过贝叶斯优化算法对梯度提升树模型的超参数进行挑选，得到包括挑选出的超参数的训练好的功率利用率预测模型。


5.根据权利要求4所述的充电站功率利用率预测模型的训练方法，其特征在于，通过贝叶斯优化算法挑选梯度提升树模型的超参数包括以下步骤：
从超参数空间选择N组超参数；
利用训练数据集对梯度提升树模型进行N次训练，获取与N组超参数对应的N个指标；所述的N次训练中，梯度提升树模型的超参数分别为所述的N组超参数；所述的指标表征梯度提升树模型的预测精度；
将N组超参数和N个指标组成超参数数据集；
判断超参数数据集是否满足预设条件；
若满足，则确定超参数数据集中最优的指标对应的超参数为最优超参数；
若不满足，则重复以下超参数数据集优化步骤，直至超参数数据集满足预设条件：
利用所述的超参数数据集和高斯过程回归模型，获取一组新的超参数；
获取与新的超参数所对应的新指标；
将新的超参数和新指标添加至超参数数据集中进行更新，得到更新后的超参数数据集。

【专利技术属性】
技术研发人员：李健，杨谨畅，巩子惠，刘红志，
申请(专利权)人：中创三优北京科技有限公司，
类型：发明
国别省市：北京;11