【技术实现步骤摘要】
本专利技术属于电动汽车充电站，具体涉及一种数据驱动的电动汽车充电站负荷预测方法及系统。
技术介绍
1、受全球能源危机与环境污染问题的影响，人类逐渐意识到环境保护的重要性。在低碳能源结构发展的驱动下，电动汽车逐渐成为内燃机汽车的可靠替代品。根据国际能源署的报道，经过十年的快速增长，到2020年底，全球电动汽车的数量达到1000万辆，2020年的电动汽车注册量增加了41％。然而，电动汽车、电动汽车充电站的大规模使用带来了电力的需求激增，激增的电力需求会极大地扰乱配电网的安排计划。为了解决这一问题，研究人员提出了定价策略和智能充电在内的解决方案。上述方案的准确实施需要精确理解充电行为，因此，为了解决日益增加的电动汽车规模对电网的影响，电动汽车的充电行为预测具有重要意义。
2、充电行为的预测内容主要包括充电持续时间预测、充电负荷预测，其他的预测内容包括下次充电时间、充电费用等，其中充电负荷对电网有直接影响从而得到了最为广泛的关注。针对电动汽车的负荷预测，根据聚合水平的不同可以分为以车辆为中心的预测方法、以电动汽车供电设备为中心的预测方法。第一类方法预测电动汽车的单独输出，电动汽车用户的充电行为具有随机性，容易受到日程安排的干扰。hu等人基于机器思维理论范式，考虑用户的历史充电习惯和短期内充电需求的变化趋势预测短期内的充电负荷需求。shahriar等人基于用户的历史充电数据和天气预报数据，采用机器学习算法预测一次充电过程的负荷需求。arias等人在预测过程中将交通状态、汽车电池状态也作为预测模型的输入以提升预测精度。第二类方法
技术实现思路
1、有鉴于此，本专利技术旨在提供一种数据驱动的电动汽车充电站负荷预测方法及系统，以解决现有针对电动汽车充电站负荷短期预测存在的上述问题。
2、为了解决上述技术问题，本专利技术提供以下技术方案：
3、第一方面，本专利技术提供了一种数据驱动的电动汽车充电站负荷预测方法，包括如下步骤：
4、基于电动汽车充电站负荷时间序列的特征构建基于数据驱动的预测模型；
5、设定预测模型中用于进行数据挖掘的机器学习算法；
6、采用基于集群智能思想的方法对机器学习算法进行超参数优化；
7、以最小化预测误差的目标对预测模型进行训练，并采用训练好的预测模型对电动汽车充电站的负荷进行预测。
8、进一步的，基于数据驱动的预测模型的表达式，具体如下：
9、ht＝f(ht)+et
10、其中，ht表示t时段的充电负荷，ht表示预测时间t以前24小时内逐小时的负荷序列，f表示机器学习算法，et表示模型误差。
11、进一步的，机器学习算法，具体包括：
12、增强回归树、支持向量回归和人工神经网络；
13、支持向量回归采用ε-svm模型；
14、人工神经网络采用含1个隐藏层的多层感知器，其隐藏层采用tanh激活函数，输出层采用线性激活函数，并采用levenberg-marquardt优化算法进行神经元权重优化。
15、进一步的，进行超参数优化时，具体采用基于集群智能思想的rao-1算法。
16、进一步的，进行超参数优化时的待优化超参数，具体包括：
17、对于增强回归树，包括弱学习器个数、学习率和弱学习器的最大分类次数；
18、对于支持向量回归，包括不敏感系数、惩罚系数和核函数控制系数；
19、对于人工神经网络，包括隐藏层神经元个数。
20、进一步的，利用rao-1算法进行超参数优化，具体包括：
21、初始化候选种群，训练预测模型并计算相应的优化函数值；
22、辨别最优候选解与最差候选解；
23、更新种群，重新训练预测模型并计算相应的优化函数值；
24、判断模型性能是否提升，若提升，则更新解，否则，保留旧解；
25、判断是否达到最大迭代次数，若是，则获取最优解以及对应的预测模型。
26、第二方面，本专利技术提供了一种数据驱动的电动汽车充电站负荷预测系统，包括：
27、模型构建单元，用于基于电动汽车充电站负荷时间序列的特征构建基于数据驱动的预测模型；
28、模型设定单元，用于设定预测模型中用于进行数据挖掘的机器学习算法；
29、优化单元，用于采用基于集群智能思想的方法对机器学习算法进行超参数优化；
30、预测单元，用于以最小化预测误差的目标对预测模型进行训练，并采用训练好的预测模型对电动汽车充电站的负荷进行预测。
31、进一步的，在模型设定单元中，机器学习算法，具体包括：
32、增强回归树、支持向量回归和人工神经网络；
33、支持向量回归采用ε-svm模型；
34、人工神经网络采用含1个隐藏层的多层感知器，其隐藏层采用tanh激活函数，输出层采用线性激活函数，并采用levenberg-marquardt优化算法进行神经元权重优化。
35、进一步的，在优化单元中，进行超参数优化时，具体采用基于集群智能思想的rao-1算法。
36、进一步的，在优化单元中，进行超参数优化时的待优化超参数，具体包括：
37、对于增强回归树，包括弱学习器个数、学习率和弱学习器的最大分类次数；
38、对于支持向量回归，包括不敏感系数、惩罚系数和核函数控制系数；
39、对于人工神经网络，包括隐藏层神经元个数。
40、综上，本专利技术提供了一种数据驱动的电动汽车充电站负荷预测方法及系统，包括基于电动汽车充电站负荷时间序列的特征构建基于数据驱动的预测模型；设定预测模型中用于进行数据挖掘的机器学习算法；采用基于集群智能思想的方法对机器学习算法进行超参数优化；以最小化预测误差的目标对预测模型进行训练，并采用训练好的预测模型对电动汽车充电站的负荷进行预测。本专利技术针对电动汽车充电站负荷短期预测问题，设计了数据驱动的预测模型框架，能够提升电本文档来自技高网...
【技术保护点】
1.一种数据驱动的电动汽车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，所述基于数据驱动的预测模型的表达式，具体如下：
3.根据权利要求1所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，所述机器学习算法，具体包括：
4.根据权利要求3所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，进行超参数优化时，具体采用基于集群智能思想的Rao-1算法。
5.根据权利要求4所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，进行超参数优化时的待优化超参数，具体包括：
6.根据权利要求4所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，利用所述Rao-1算法进行超参数优化，具体包括：
7.一种数据驱动的电动汽车充电站负荷预测系统，其特征在于，包括：
8.根据权利要求7所述的数据驱动的电动汽车充电站负荷预测系统，其特征在于，在所述模型设定单元中，所述机器学习算法，具体包括：
9.根据权利要求8所述的数据
10.根据权利要求9所述的数据驱动的电动汽车充电站负荷预测系统，其特征在于，在所述优化单元中，进行超参数优化时的待优化超参数，具体包括：
...【技术特征摘要】
1.一种数据驱动的电动汽车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，所述基于数据驱动的预测模型的表达式，具体如下：
3.根据权利要求1所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，所述机器学习算法，具体包括：
4.根据权利要求3所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，进行超参数优化时，具体采用基于集群智能思想的rao-1算法。
5.根据权利要求4所述的数据驱动的电动汽车充电站负荷预测方法，其特征在于，进行超参数优化时的待优化超参数，具体包括：
6.根据权利要求4所...
【专利技术属性】
技术研发人员：李巍，郑雅文，白浩，梁国开，刘亦朋，廖宇峰，徐敏，刘哲，要若天，顾衍璋，
申请(专利权)人：南方电网科学研究院有限责任公司，
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。