【技术实现步骤摘要】
电动车辆的充电负荷预测方法、模型训练方法及装置
[0001]本申请涉及计算机
,特别涉及一种电动车辆的充电负荷预测方法、模型训练方法及装置。
技术介绍
[0002]电动车辆(electric vehicle,EV)是指以车载电源为动力,用电机驱动车轮行驶的一种车辆,EV一般需要接入配电网完成充电。如此,精确预测EV的充电负荷(即,配电网需向EV提供的充电电量)成为确保配电网可靠、安全且经济化运行的基础。
[0003]相关技术中,一般根据模糊聚类算法、遗传算法或神经网络算法来预测EV的充电负荷。
[0004]但是,相关技术的预测方法的预测精度均较低。
技术实现思路
[0005]本申请实施例提供了一种电动车辆的充电负荷预测方法、模型训练方法及装置,可以解决相关技术中充电负荷预测精度较低的问题。所述技术方案如下:
[0006]一方面,提供了一种电动车辆的充电负荷预测方法,所述方法包括:
[0007]获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;
[0008]将所述充电负荷预测信息输入至目标预测模型;
[0009]根据所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;
[0010]其中,所述目标预测模型为基于多条验证样本对具有目标模型结构的目标备选预测模型验证得到的,所述目标模型结构基于多个初始模型结构中适应度最大的目标初始模型结构确定,所述目标初始模型结构基于多条第一训练样本确定;每个所述初始模型结构均具有隐含层和连接权, ...
【技术保护点】
【技术特征摘要】
1.一种电动车辆的充电负荷预测方法,其特征在于,所述方法包括:获取充电负荷预测信息,所述充电负荷预测信息包括:时间和天气信息;将所述充电负荷预测信息输入至目标预测模型;根据所述目标预测模型的输出结果,确定所述电动车辆的充电负荷;其中,所述目标预测模型为基于多条验证样本对具有目标模型结构的目标备选预测模型验证得到的,所述目标模型结构基于多个初始模型结构中适应度最大的目标初始模型结构确定,所述目标初始模型结构基于多条第一训练样本确定;每个所述初始模型结构均具有隐含层和连接权,且不同初始模型结构具有的隐含层数和连接权均不同,所述目标预测模型的泛化误差小于误差阈值,每条所述第一训练样本和每条所述验证样本均包括:时间样本和天气信息样本。2.根据权利要求1所述的方法,其特征在于,在所述获取充电负荷预测信息之前,所述方法还包括:获取样本集合,所述样本集合包括多条第一训练样本和多条验证样本;对所述多个初始模型结构分别进行初始化处理,得到与所述多个初始模型结构一一对应的多个个体,每个所述个体包括用于指示对应的初始模型结构的隐含层数的结构码,以及用于指示对应的初始模型结构的连接权的连接权码;采用所述多条第一训练样本训练所述多个个体中的每个个体,以在所述多个个体中选择个体适应度最大的一个目标个体;基于所述目标个体得到目标备选预测模型;采用所述多条验证样本验证所述目标备选预测模型的泛化误差;若所述目标备选预测模型的泛化误差小于所述误差阈值,则将所述目标备选预测模型确定为目标预测模型;若所述目标备选预测模型的泛化误差不小于所述误差阈值,则重新选择样本集合进行训练和验证,直至训练得到的目标备选预测模型的泛化误差小于所述误差阈值为止。3.根据权利要求2所述的方法,其特征在于,所述采用所述多条第一训练样本训练所述多个个体中的每个个体,以在所述多个个体中选择个体适应度最大的一个目标个体,包括:基于所述多条第一训练样本确定每个个体的适应度;依次采用箱线图法和比例选择法,基于各个所述个体的适应度,对多个个体进行筛选,得到多个备选个体;依次采用箱线图法和禁忌搜索算法,对所述多个备选个体进行筛选,得到目标个体。4.根据权利要求2或3所述的方法,其特征在于,所述样本集合还包括多条第二训练样本;每条所述第二训练样本包括:时间样本和天气信息样本;所述基于所述目标个体得到目标备选预测模型,包括:基于所述目标个体,得到具有备选隐含层数和备选连接权的备选预测模型;采用所述多条第二训练样本训练所述备选预测模型,以调整所述备选预测模型的备选隐含层数和备选连接权,得到具有目标隐含层数和目标连接权的目标备选预测模型。5.根据权利要求4所述的方法,其特征在于,在对所述多个初始模型结构分别进行初始化处理之前,所述方法还包括:基于所述多条第一训练样本确定连接权最大值和连接权最小值;
所述对所述多个初始模型结构分别进行初始化处理,得到与所述多个初始模型结构一一对应的多个个体,包括:对于每个初始模型结构,采用对应的结构码和连接权码...
【专利技术属性】
技术研发人员:刘飞,
申请(专利权)人:北京梧桐车联科技有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。