一种基于注意力机制的电动汽车日充电需求曲线预测方法技术

本发明专利技术提供一种基于注意力机制的电动汽车日充电需求曲线预测方法，涉及电动汽车充电需求功率预测技术领域，包括：获取一天中各个时隙的电动汽车初始数据，并根据初始数据获取电动汽车一天的历史负荷曲线，通过蒙特卡洛算法和预设的马尔科夫模型预先模拟出电动汽车日充电需求模拟曲线，再与历史负荷曲线相结合，利用Transformer神经网络的注意力机制，最终获得电动汽车日充电需求预测曲线；本方法能够分析电动汽车日充电功率全局随机性信息和局部确定性信息之间的潜在相关性，具有一定的非线性拟合能力，通过本方法获得的电动汽车日充电需求预测曲线具有高预测精度和强鲁棒性的特点，预测性能较强。预测性能较强。预测性能较强。

【技术实现步骤摘要】
一种基于注意力机制的电动汽车日充电需求曲线预测方法


[0001]本专利技术涉及电动汽车充电需求功率预测
，更具体地，涉及一种基于注意力机制的电动汽车日充电需求曲线预测方法。

技术介绍

[0002]由于环境、能源问题日益突出，作为清洁能源汽车的代表，国内电动汽车近年来得到了快速发展，电动汽车充电负荷也表现出统计特征。随着动力电池与车辆技术的不断改善，电动汽车的规模化应用日益增大。在此背景下，对电动汽车充电需求负荷进行特征分析及预测，一方面有利于电动汽车充电站的经济运行及能量管理，并为城市基础设施规划建设等提供参考据；另一方面有利于电力系统最优分配、电网经济调度，并对电力市场交易以及发电机组最优组合研究等有着深远的意义。
[0003]计算机模拟中的蒙特卡洛法也被称为随机抽样技术或统计检验方法，该方法最重要的特点是它是一种基于概率统计理论的方法。随着科学技术的发展和电子计算机的专利技术，蒙特卡洛法以其描述物理发展特点和物理实验过程的优点，在各个领域得到了广泛的应用。
[0004]同时，Transformer神经网络由于其对于时序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，包括以下步骤：S1：获取一天中各个时隙的电动汽车初始数据，并根据获得的电动汽车初始数据获取电动汽车一天的历史负荷曲线；S2：设置电动汽车的基本参数，采用蒙特卡洛算法对获得的电动汽车初始数据进行随机采样，获得电动汽车多个时隙的采样数据，将电动汽车多个时隙的采样数据输入预设的马尔科夫模型进行计算，获得电动汽车的日充电需求模拟曲线；S3：使用预设的全局随机性信息编码器对所述日充电需求模拟曲线进行编码，使用预设的局部确定性信息编码器对所述历史负荷曲线进行编码，并设置位置编码；S4：将经过编码后的日充电需求模拟曲线、历史负荷曲线和位置编码融合，并与预设的辅助信息共同输入预设的Transformer编码器中，获得编码结果；S5：将日充电需求模拟曲线和编码结果输入预设的第一Transformer解码器中进行解码，获得全局信息解码结果，将历史负荷曲线和编码结果输入预设的第二Transformer解码器中进行解码，获得局部信息解码结果；S6：将所述全局信息解码结果和局部信息解码结果融合，获得电动汽车日充电需求预测曲线。2.根据权利要求1所述的一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，所述步骤S1中的电动汽车初始数据具体为：所述电动汽车初始数据包括：电动汽车的状态数据、电动汽车电池的电荷状态SOC数据、电动汽车起始充电时刻数据和电动汽车日行驶里程数据；所述电动汽车的状态包括：状态1：正常充电状态、状态2：快速充电状态、状态3：行驶状态和状态4：停车状态。3.根据权利要求1所述的一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，所述步骤S2中，设置电动汽车的基本参数，采用蒙特卡洛算法对获得的电动汽车初始数据进行随机采样，获得电动汽车多个时隙的采样数据，将电动汽车多个时隙的采样数据输入预设的马尔科夫模型进行计算，获得电动汽车的日充电需求模拟曲线，具体方法为：所述电动汽车的基本参数包括：电动汽车的数量、类型、最大电池容量和电池的电荷状态SOC约束；S2.1：对获得的电动汽车初始数据进行随机采样，获得电动汽车多个时隙的采样数据；S2.2：将电动汽车多个时隙的采样数据输入预设的马尔科夫模型，计算电动汽车的马尔科夫转移概率矩阵；S2.3：根据电动汽车的马尔科夫转移概率矩阵计算电动汽车的时隙状态概率分布函数；S2.4：根据所述电动汽车的时隙状态概率分布函数获得电动汽车的日充电需求模拟曲线。4.根据权利要求3所述的一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，所述步骤S2.2中，电动汽车的马尔科夫转移概率矩阵具体为：
其中，P表示电动汽车的马尔科夫转移概率矩阵，P
11
表示下个时隙电动汽车维持状态1的概率，P
12
表示电动汽车从状态1转变为状态2的概率，P
13
表示电动汽车从状态1转变为状态3的概率，P
14
表示电动汽车从状态1转变为状态4的概率；P
22
表示下个时隙电动汽车维持状态2的概率，P
21
表示电动汽车从状态2转变为状态1的概率，P
23
表示电动汽车从状态2转变为状态3的概率，P
24
表示电动汽车从状态2转变为状态4的概率；P
33
表示下个时隙电动汽车维持状态3的概率，P
31
表示电动汽车从状态3转变为状态1的概率，P
32
表示电动汽车从状态3转变为状态2的概率，P
34
表示电动汽车从状态3转变为状态4的概率；P
44
表示下个时隙电动汽车维持状态4的概率，P
41
表示电动汽车从状态4转变为状态1的概率，P
42
表示电动汽车从状态4转变为状态2的概率，P
43
表示电动汽车从状态4转变为状态3的概率。5.根据权利要求4所述的一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，所述步骤S2.3中，电动汽车的时隙状态概率分布函数具体为：一天中每个时隙的电动汽车状态概率分布函数具体为：其中，表示t时刻电动汽车正常充电状态的概率，表示t时刻电动汽车快速充电状态的概率，表示t时刻电动汽车行驶状态的概率，表示t时刻电动汽车停车状态的概率。6.根据权利要求4所述的一种基于注意力机制的电动汽车日充电需求曲线预测方法，其特征在于，所述步骤S2.4中，根据所述电动汽车的时隙状态概率分布函数获得电动汽车的日充电需求模拟曲线的具体方法为：根据以下公式获得电动汽...

【专利技术属性】
技术研发人员：周映虹，杨伟豪，杨志景，陈锐涵，尹景兴，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：