System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术申请属于电动汽车充电负荷预测领域,具体涉及一种电动汽车充电负荷预测方法和系统。
技术介绍
1、电动汽车作为一种清洁、高效的交通工具,它的兴起带来了充电需求的迅速增长,为电力系统安全可靠运行带来了新的挑战,因此,充电负荷管理成为了电动汽车普及和电网可持续运行的重要问题,充电负荷预测作为一种关键技术,能够提前预测电动汽车充电需求,为电网规划和管理提供决策支持;然而,电动汽车的充电行为受多维因素影响,传统的多项式拟合、线性回归等分析方法在对电动汽车的行为进行预测时存在维数灾、非线性拟合能力不足等问题,同时,电动汽车用户的主观意愿对电动汽车的充电行为也有着重要的影响;因此在传统电动汽车充电行为机理分析的基础上,挖掘电动汽车充电负荷历史数据信息,结合机器学习算法对电动汽车行为进行智能预测,从而提升电动汽车充电负荷预测效果。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提出一种电动汽车充电负荷预测方法,包括:
2、获取待预测的电动汽车影响条件数据和用户充电行为数据;
3、基于电动汽车影响条件数据和用户充电行为数据,采用预先构建的预测模型进行计算,得到待预测电动汽车的充电负荷预测;
4、其中,所述预测模型是以电动汽车影响条件历史数据和用户充电行为历史数据为输入数据,对应的实际充电负荷历史数据为输出数据,通过人工蜂群算法对长短期记忆网络中的参数寻优构建的。
5、优选的,所述预测模型的构建包括:
6、获取电动汽车影响条件
7、采用长短期记忆网络对电动汽车影响条件历史数据和用户充电行为历史数据进行处理,得到历史充电负荷预测数据;
8、将历史充电负荷预测数据与对应的实际充电负荷历史数据对比,通过人工蜂群算法对长短期记忆网络中待定参数寻优,使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数;
9、基于最优参数构建预测模型。
10、优选的,所述待定参数包括但不限于下面一种或多种:当前时刻输入向量映射到更新门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到更新门激活函数输出的权重矩阵、当前时刻输入向量映射到遗忘门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到遗忘门激活函数输出的权重矩阵、当前时刻输入向量映射到输出门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到输出门激活函数输出的权重矩阵、更新门激活函数输出的偏置向量、遗忘门激活函数输出的偏置向量以及输入向量与上一时刻隐藏层输出向量映射到遗忘门激活函数输出的偏置向量。
11、优选的,所述通过人工蜂群算法对长短期记忆网络中待定参数寻优使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数包括:
12、以蜂群中蜜蜂的采蜜位置对应长短期记忆网络的待定参数,并初始化人工蜂群算法参数;
13、根据长短期记忆网络输出的历史充电负荷预测数据和对应的实际充电负荷历史数据计算人工蜂群算法中随机采蜜位置适宜度,评估当前长短期记忆网络中待定参数的适配程度,直至找到适宜度为最优值的采蜜位置;
14、基于当前适宜度最优的采蜜位置通过邻域搜索算法探索新的采蜜位置;
15、采用轮盘概率公式计算出蜜蜂对新的采蜜位置选择概率直至产生选择概率最高的采蜜位置,得到该采蜜位置对应的待定参数;
16、判断人工蜂群算法计算次数是否达到最大探索次数,若是,则以当前的待定参数为最优参数,否则,则继续利用人工蜂群算法进行参数寻优,直至达到最大探索次数后得到最优参数。
17、优选的,所述初始化人工蜂群算法参数包括:
18、设置人工蜂群中的蜜蜂数量;
19、设置最大探索次数;
20、根据长短期记忆网络中的待定参数设置人工蜂群中的采蜜位置。
21、优选的,所述采蜜位置适宜度的计算式为:
22、
23、其中,f为采蜜位置适宜度,em为预测平均误差,er为预测均方根误差,np为电动汽车充电负荷预测点数,为第i个点的真实值,分别为第i个点的预测值,em是通过长短期记忆网络输出的历史充电负荷预测数据和对应的实际充电负荷历史数据计算平均误差得到的,er是通过长短期记忆网络输出的历史充电负荷预测数据和对应的实际充电负荷历史数据计算均方根误差得到的。
24、优选的,所述通过邻域搜索算法探索新的采蜜位置计算式为:
25、
26、其中,为蜜蜂i通过搜索算法探索得到的新采蜜信息,xm,i为蜜蜂i当前的采蜜位置,xgb为目前搜索轮次下所有采蜜位置中适宜度函数最高的信息,α在[0,1]之间取值。
27、优选的,所述新的采蜜位置选择概率的计算式为:
28、
29、其中,fi为蜜蜂i的采蜜位置选择概率,fi为蜜蜂i的采蜜位置适宜度函数值,n为人工蜂群中的蜜蜂数量。
30、优选的,所述影响条件数据包括但不限于下面一种或多种:温度、湿度、降水和风速,所述用户充电行为数据包括但不限于下面一种或多种:节假日状态、车辆用途、连接时长、上次充电时间、已行驶里程和出行目的地。
31、基于同一专利技术构思,本专利技术还提供了一种电动汽车充电负荷预测系统,包括:
32、数据采集模块:用于获取待预测的电动汽车影响条件数据和用户充电行为数据;
33、预测模块:用于基于电动汽车影响条件数据和用户充电行为数据,采用预先构建的预测模型进行计算,得到待预测电动汽车的充电负荷预测;
34、其中,所述预测模型是以电动汽车影响条件历史数据和用户充电行为历史数据为输入数据,对应的实际充电负荷历史数据为输出数据,通过人工蜂群算法对长短期记忆网络中的参数寻优构建的。
35、优选的,所述预测模块中预测模型的构建包括:
36、获取电动汽车影响条件历史数据、用户充电行为历史数据和对应的实际充电负荷历史数据;
37、采用长短期记忆网络对电动汽车影响条件历史数据和用户充电行为历史数据进行处理,得到历史充电负荷预测数据;
38、将历史充电负荷预测数据与对应的实际充电负荷历史数据对比,通过人工蜂群算法对长短期记忆网络中待定参数寻优,使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数;
39、基于最优参数构建预测模型。
40、优选的,所述预测模块中待定参数包括但不限于下面一种或多种:当前时刻输入向量映射到更新门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到更新门激活函数输出的权重矩阵、当前时刻输入向量映射到遗忘门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到遗忘门激活函数输出的权重矩阵、当前时刻输入向量映射到输出门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到输出门激活函数输出的权重矩阵、更新门激活函数输本文档来自技高网...
【技术保护点】
1.一种电动汽车充电负荷预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述预测模型的构建包括:
3.如权利要求2所述的方法,其特征在于,所述待定参数包括但不限于下面一种或多种:当前时刻输入向量映射到更新门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到更新门激活函数输出的权重矩阵、当前时刻输入向量映射到遗忘门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到遗忘门激活函数输出的权重矩阵、当前时刻输入向量映射到输出门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到输出门激活函数输出的权重矩阵、更新门激活函数输出的偏置向量、遗忘门激活函数输出的偏置向量以及输入向量与上一时刻隐藏层输出向量映射到遗忘门激活函数输出的偏置向量。
4.如权利要求2所述的方法,其特征在于,所述通过人工蜂群算法对长短期记忆网络中待定参数寻优使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数包括:
5.如权利要求4所述的方法,其特征在于,所述初始化人工蜂群算法参数包括:
6.如权利要求4所
7.如权利要求4所述的方法,其特征在于,所述通过邻域搜索算法探索新的采蜜位置计算式为:
8.如权利要求4所述的方法,其特征在于,所述新的采蜜位置选择概率的计算式为:
9.如权利要求1所述的方法,其特征在于,所述影响条件数据包括但不限于下面一种或多种:温度、湿度、降水和风速,所述用户充电行为数据包括但不限于下面一种或多种:节假日状态、车辆用途、连接时长、上次充电时间、已行驶里程和出行目的地。
10.一种电动汽车充电负荷预测系统,其特征在于,包括:
11.如权利要求10所述的系统,其特征在于,所述预测模块中预测模型的构建包括:
12.如权利要求11所述的系统,其特征在于,所述预测模块中通过人工蜂群算法对长短期记忆网络中待定参数寻优使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数包括:
...【技术特征摘要】
1.一种电动汽车充电负荷预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的方法,其特征在于,所述预测模型的构建包括:
3.如权利要求2所述的方法,其特征在于,所述待定参数包括但不限于下面一种或多种:当前时刻输入向量映射到更新门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到更新门激活函数输出的权重矩阵、当前时刻输入向量映射到遗忘门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到遗忘门激活函数输出的权重矩阵、当前时刻输入向量映射到输出门激活函数输出的权重矩阵、上一时刻隐藏层输出向量映射到输出门激活函数输出的权重矩阵、更新门激活函数输出的偏置向量、遗忘门激活函数输出的偏置向量以及输入向量与上一时刻隐藏层输出向量映射到遗忘门激活函数输出的偏置向量。
4.如权利要求2所述的方法,其特征在于,所述通过人工蜂群算法对长短期记忆网络中待定参数寻优使得历史充电负荷预测数据与对应的实际充电负荷历史数据误差最小,得到最优参数包括:
5.如权利要求4所述的方法,...
【专利技术属性】
技术研发人员:廖家齐,刘瑜俊,于若英,刘海璇,华光辉,夏俊荣,王明深,黄学良,高山,李政,梁兆洪,沙洲,滕菲,
申请(专利权)人:中国电力科学研究院有限公司,
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。