一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及系统技术方案

本申请公开了一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及系统，包括采集电动汽车日负荷数据并获取该时间段内的每日气象数据；建立FCM相似日聚类模型，进行负荷相似日聚类；将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和得到该类别各个日期的总日负荷数据；训练得到针对不同负荷相似日的训练后的LSTM神经网络；采用改进LSTM神经网络对各负荷相似日所对应的电动汽车负荷分别进行预测，进而得到总的电动汽车负荷预测值。本发明专利技术改进LSTM神经网络具有更好的预测稳定性和更高的效率。性和更高的效率。性和更高的效率。

【技术实现步骤摘要】
一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及系统


[0001]本专利技术属于电动汽车
，尤其是机器学习技术应用于电动汽车负荷预测领域，具体涉及一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法及预测系统。

技术介绍

[0002]随着环境的恶化和不可再生能源的逐渐匮乏，电动汽车以其低污染和低价格的特点在全世界范围内迅速发展，电动汽车的保有量正在迅速增长。随着电动汽车的渗透率不断增加，其并网后的充电负荷对电网的运行与调度有着巨大的影响。因此，电动汽车负荷预测有利于缓解充电负荷对电网的冲击，也为充电设施的建设提供依据，同时对电网的安全运行有着巨大的现实意义。
[0003]由于电动汽车的类型和种类较多，不同电动汽车的出行习惯和行驶规律有着不同的特点，这使得电动汽车负荷预测有着较大的难度。因此，各种聚类分析方法逐渐运用到了负荷预测的过程中。近年来，对电动汽车负荷的聚类方法开展了大量的研究，具体有K均值(K－means)聚类算法、密度峰值聚类算法、谱聚类算法和模糊C均值(fuzzy C
‑
means，FCM)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：所述方法包括以下步骤：步骤1：针对设定数量的电动汽车，采集设定历史时间段内的各电动汽车日负荷数据，并获取该时间段内的每日气象数据；步骤2：建立FCM相似日聚类模型，将采集的日负荷数据作为模型中FCM模糊C均值聚类的输入特征量，进行负荷相似日聚类；步骤3：将每一负荷相似日内相同日期的日负荷数据对应充电时刻进行求和，得到该类别各个日期的总日负荷数据；步骤4：从各负荷相似日的总日负荷数据和相应的气象数据提取改进LSTM网络的输入特征，对改进LSTM神经网络进行训练，得到针对不同负荷相似日的训练后的LSTM神经网络；步骤5：根据当前负荷数据和气象数据，采用步骤4训练后的改进LSTM神经网络，对各负荷相似日所对应的电动汽车负荷分别进行预测，对所有负荷相似日对应的电动汽车负荷预测值求和，得到总的电动汽车负荷预测值。2.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：所述步骤1中的日负荷数据为对每辆电动汽车一日内每隔固定时间所统计的离散充电数据，所述气象数据包括温度和降水量。3.根据权利要求2所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：步骤1中，采集电动公交车的数据，时间段设定为31天，固定时间为30分钟。4.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：步骤2建立的FCM相似日聚类模型，聚类过程中，将关于同一聚类中心的距离和隶属度函数都为最小，类内距离最小，类间距离最大的日负荷数据作为同一相似日的日负荷。5.根据权利要求1所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：步骤2中，建立FCM相似日聚类模型方法如下：设电动汽车日负荷样本集合为：X＝{x1,x2,
…
,x
n
}∈R
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，x
j
(j＝1,2,
…
,n)为第j个日负荷样本；n为日负荷样本个数；则第k个日负荷样本为x
k
＝{x
k1
,x
k2
,
…
,x
kp
}，p为日负荷曲线的实测数据点的数量；假设有c个聚类中心：H＝{h1,h2,
…
,h
c
}，则隶属度矩阵为：U＝(u
ij
)
c
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)式中，u
ij
为样本x
j
关于i类的隶属度；建立FCM相似日聚类模型为：
式中，m为模糊度加权指数；c为聚类的簇数。6.根据权利要求5所述的一种基于FCM聚类和LSTM的电动汽车充电负荷预测方法，其特征在于：步骤2中，采用寻优策略求解FCM相似日聚类模型，具体包括：1)初始化：给定聚类簇数c、模糊度加权系数m、最大迭代次数T和阈值η；初始化隶属度矩阵；2)根据式(6)，更新聚类中心H＝{h1,h2,
…
,h
c
}；3)根据式(7)，...

【专利技术属性】
技术研发人员：田江，苏大威，吕洋，张琦兵，赵奇，潘琪，丁宏恩，李春，唐聪，吴博文，徐秀之，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：