【技术实现步骤摘要】
本专利技术涉及配电网负荷预测，尤其涉及一种电动汽车充电负荷预测参数优化方法。
技术介绍
1、准确的电动汽车充电负荷预测对于配电网的经济运行至关重要。基于数据驱动算法的电动汽车充电负荷预测方法需要大量历史数据来训练形成有效的预测神经模型，但如果每次预测神经网络均采用统一的出行规律参数时，基于数据驱动算法的电动汽车充电负荷预测方法无法反应出行规律的差异性，将导致部分电动汽车充电用电负荷预测精度大幅降低。然而，为每一个电动汽车充电负荷分别训练合适的超参数既不现实也无必要。
技术实现思路
1、鉴以此，本专利技术的目的在于提供一种电动汽车充电负荷预测参数优化方法，以至少解决以上问题。
2、本专利技术采用的技术方案如下：
3、一种电动汽车充电负荷预测参数优化方法，所述方法包括以下步骤：
4、s1、采用线性判别分析lda，对区域内各充电站历史充电数据进行降维；
5、s2、采用基于密度的聚类算法对降维后的充电负荷数据进行聚类，按聚类结果将各充电站划分到不同类型中；
6、s3、对为充电负荷数据预测构造的长短期记忆网络预测模型超参数进行粒子群算法寻优，在满足预测模型评价指标最优的基础上确定各类充电站充电负荷模式对应预测模型的最优超参数。
7、进一步的，在步骤s1中还包括子步骤：
8、s11、对待降维负荷数据记为ei表示第i个充电站充电负荷数据；n表示所有要开展负荷预测的充电站总数；
9、s12、用hi代表第
10、
11、m为步骤s11中所述第i个充电站充电负荷数据的采样点个数，round()函数表示对括号内的数据进行四舍五入取整；
12、s13、采用线性判别分析lda，实现每个充电站充电负荷数据维度从m降维为w，在自动编码器神经网络中，按最大化类间均值和最小化类内方差，将每个充电站充电负荷数据e降维为
13、进一步的，在步骤s2中还包括子步骤：
14、s21、利用基于密度的聚类算法将各充电站充电负荷数据的降维数据集h聚类成为r个簇，聚类数r由所有要开展负荷预测的充电站总数n决定，计算公式如下：
15、
16、s22、计算任意充电站充电第i个和j个充电站充电数据的距离：
17、
18、给定邻域最少点数minpts；
19、s23、初始化核心对象集合
20、s24、遍历待降维的各充电站充电负荷对象，如果是核心对象，则加入核心对象集合ω中；
21、s25、若核心对象集合ω中对象都已处理，则算法结束，否则跳转步骤s26中；
22、s26、计算对象o的核心距离cd(o)，即将其它对象与o的距离,通过s22步骤公式计算，按从小到大排序排列得到的第minpts个值，计算满足距离d≥0.8的元素j与元素o的可达距离rd(j，o):
23、
24、其中，inf表示未定义，dj,o为对象j与对象o的距离；
25、s27、在核心对象集合ω中，随机选择一个未处理的核心对象o，将其标记为已处理，同时将其压入到有序列表p中，最后将o的ε邻域中未访问的点，根据可达距离的大小依次存放到种子集合seeds中；
26、s28、如果种子集合则跳转步骤s25，否则，从种子集合seeds中挑选可达距离最近的种子点seed，将其标记为已访问，将seed标记为已处理，同时将seed压入到有序列表p中，判断seed是否为核心对象，若是，则将seed中未访问的邻居点加入到种子集合中，重新计算可达距离，跳转步骤到s26；
27、s29、通过基于密度的聚类算法所得的聚类结果，给各充电站充电用户赋予负荷聚类标签gi为第i个充电站充电负荷聚类标签，其取值范围为{1,2,…,r},对聚类标签相等的用户，将其原始的负荷数据采样值进行加和，最终得到r组充电站充电负荷数据，r组充电站充电充电数据即代表r种充电站充电用电模式。
28、进一步的，在步骤s3中还包括子步骤：
29、s31、初始化长短期记忆网络预测模型超参数，根据经验值设置隐含层神经元个数hs和优化器学习率ir各自的取值范围，生成l个由hs和ir组成的超参数二维数组，第d个超参数二维数组表示为[hsd,ird]；
30、s32、构造r种用电模式的神经网络预测模型超参数，各个预测模型采用r类用电模式下的负荷训练集数据进行训练，训练完成后将对应的验证集数据输入模型，所得输出结果与实际负荷值的平均绝对百分比误差mape作为粒子群算法的粒子适应度值，对于任意第i类充电负荷模式下的充电负荷，循环更新所有l个超参数二维数组，第k次迭代时的第d个超参数二维数组更新计算公式如下：
31、
32、
33、
34、
35、ω＝ωmax-(ωmax-ωmin)(k/tmax)2
36、c1＝c1,ini-(c1,ini-c1,fin)(k/tmax)
37、c2＝c2,ini+(c2,fin-c2,ini)(k/tmax)
38、其中，k为当前迭代次数；tmax为最大迭代次数；分别表示第k次迭代时的第d个超参数二维数组的隐含层神经元个数、第k次迭代时优化器学习率，pid表示第d个超参数二维数组前k次迭代中的历史最优解，即mape最小；pgd表示所有l个超参数二维数组前k次迭代中的历史最优解；r1，r2为[0,1]范围内随机数；ω为惯性因子，c1和c2代表两个加速因子，c1,ini和c1,fin分别代表加速因子c1的初始值和最终值，c2,ini和c2,fin分别代表加速因子c2的初始值和最终值，ωmax和ωmin分别代表惯性因子的最大值和最小值；
39、s33、执行当负荷预测平均绝对百分比误差mape趋于稳定或循环更新参数达到最大迭代次数tmax时，停止超参数更新，获得任意第i类充电负荷模式下的长短期记忆网络预测模型最优参数:最优神经元个数hs和优化器学习率ir。
40、与现有技术相比，本专利技术的有益效果是：
41、本专利技术提供一种电动汽车充电负荷预测参数优化方法，其先对各充电站充电历史负荷数据进行降维和聚类，从而将充电负荷模式相似的充电站划分为同类；然后根据这些负荷数据分别构建长短期记忆网络预测模型，并采用粒子群算法对模型超参数进行寻优，最终得到对应于不同充电站充电用电模式的预测模型最优超参数。因此，本专利技术的技术可为高精度电动汽车充电用户负荷预测模型的训练提供最优参数，可大幅提供基于数据驱动的电动汽车充电负荷预测的模型训练效率。
本文档来自技高网...【技术保护点】
1.一种电动汽车充电负荷预测参数优化方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种电动汽车充电负荷预测参数优化方法，其特征在于，在步骤S1中还包括子步骤：
3.根据权利要求2所述的一种电动汽车充电负荷预测参数优化方法，其特征在于，在步骤S2中还包括子步骤：
4.根据权利要求3所述的一种电动汽车充电负荷预测参数优化方法，其特征在于，在步骤S3中还包括子步骤：
【技术特征摘要】
1.一种电动汽车充电负荷预测参数优化方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种电动汽车充电负荷预测参数优化方法，其特征在于，在步骤s1中还包括子步骤：
3.根...
【专利技术属性】
技术研发人员：庞松岭，赵雨楠，李琳玮，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
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。