【技术实现步骤摘要】
本专利技术涉及电动车充电桩总线辨识模型构建，尤其涉及一种电动车充电桩总线辨识模型构建方法及系统。
技术介绍
1、随着汽车生产技术的提升，电动车保有量逐年上升，电动车充电的可调节特性为需求侧响应带来更多的空间。电动车充电桩总线辨识模型是一种利用用户总线型有功功率数据来识别电动车充电桩充电有功功率的方法，可以有效地监测和管理电动车充电桩的运行状态，为电力系统的优化调度和电动车充电的智能控制提供数据支持。但是，现有的电动车充电桩总线辨识模型构建仍存在以下主要问题：
2、(1)同时包含用户总线型有功功率数据与对应的电动车充电桩充电有功功率数据的数据集构建依赖于布设大量量测设备进行采集，成本较高，导致现有数据集规模较小，难以构建准确的电动车充电桩总线辨识模型；
3、(2)现有的电动车充电桩总线辨识模型直接估计电动车充电桩功率波形的方式波动较大，缺乏结合电动车充电特性数学模型的校正方法，导致模型输出的辨识结果偏离电动车充电桩的正常充电特性。
4、(3)现有的电动车充电桩总线辨识模型对于输入总线功率波形的细节特征与长期时序关联关系的捕捉能力较弱，且计算复杂度较高，难以满足实际应用需要。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴
3、因此，本专利技术提供了一种电动车充电桩总线辨识模型构建方法及系统，能够解决
技术介绍
中提到的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案，一种电动车充电桩总线辨识模型构建方法，包括：
5、获取用户总线型有功功率数据以及电动车充电桩的有功功率数据，结合概率统计，生成电动车充电桩总线辨识数据集；
6、对所述电动车充电桩总线辨识数据集进行预处理；
7、基于一维卷积-改进自注意力机制联合结构与自适应模板嵌入搭建电动车充电桩总线辨识模型，结合所述预处理后的数据完成模型训练以及构建。
8、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述结合概率统计，生成电动车充电桩总线辨识数据集包括：
9、根据居民用车的问卷调查获取开始充电时间，构建开始充电时间高斯混合概率模型p(xbegin|θbegin)如下：
10、
11、
12、其中，θbegin为所有开始充电时间高斯分布函数的概率统计值集合，为第i个开始充电时间高斯分布函数的统计值集合，为第i个开始充电时间高斯分布函数的均值，为第i个开始充电时间高斯分布函数的标准差，nbegin为开始充电时间高斯分布的函数数量，指第i个开始充电时间高斯分布函数的加权值，xbegin为开始充电时间；
13、将调查得到的开始充电时间按各时刻计算概率值，通过最小化开始充电时间高斯混合概率模型推测概率值与真实概率值的差距求出θbegin与
14、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述结合概率统计，生成电动车充电桩总线辨识数据集还包括：
15、随机抽取单天的用户总线型有功功率数据与单次充电过程的电动车充电桩的有功功率数据；
16、随机选取总线型有功功率数据的采样时间，输入开始充电时间高斯混合概率模型得到当前采样时间的开始充电概率；
17、再按该开始充电概率进行抽样；
18、若抽样结果为开始充电，则将单次充电过程的电动车充电桩的有功功率数据以该采样时间为起始点叠加至用户总线型有功功率数据；
19、若抽样结果为不开始充电，则随机选取下一个总线型有功功率数据的采样时间，直至得到为开始充电的抽样结果；
20、重复以上过程num次，得到共有num天样本的电动车充电桩总线辨识数据集。
21、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述对所述电动车充电桩总线辨识数据集进行预处理包括：数据集划分、标准化与滑动窗切割，
22、所述数据集划分包括从共num天样本的电动车充电桩总线辨识数据集中，随机抽取rtrain％的样本用于生成电动车充电桩总线辨识训练集，剩余样本用于生成电动车充电桩总线辨识验证集；
23、所述标准化包括统计电动车充电桩总线辨识训练集与验证集的数据均减去电动车充电桩总线辨识训练集的平均值μtrain，再与标准差σtrain相除；
24、所述滑动窗切割包括以宽为w个采样点的滑动窗，分别对电动车充电桩总线辨识训练集的总线数据与对应的电动车充电桩有功功率数据以步长s进行切割，形成电动车充电桩总线辨识训练集；再以同样宽为w个采样点的滑动窗，对电动车充电桩总线辨识验证集的总线数据与对应的电动车充电桩有功功率数据以步长s进行切割，形成电动车充电桩总线辨识验证集。
25、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述基于一维卷积-改进自注意力机制联合结构包括：输入的用户总线型有功功率数据首先经过一维卷积层进行细节特征提取，再通过加入可学习瓶颈结构的改进自注意力机制实现细节特征至电动车充电桩有功功率数据的输出映射，其中第t个通道中的第p个位置的一维卷积值o(p,t)的计算公式如下所示：
26、
27、其中，numc为输入数据的通道数，numf为卷积核的个数，length表示卷积核在输入数据上的位置偏移量，str指卷积计算的滑动步长，fea(p·str+length,u)表示输入数据第u个通道中位置p•str至位置p·str+length的向量，ker(v,u,t)指第v个卷积核中对应第u个输入通道与第t个输出通道的卷积向量；
28、改进自注意力机制的计算公式a(q,k,v)如下所示：
29、
30、
31、其中，q、k、v分别为输入的特征查询向量、特征键向量、特征值向量，e为瓶颈结构的维度变换矩阵，dk为特征键向量的维度数，zj为softmax函数输入向量z的第j维数值，m为z的维度数，zl为softmax函数输入向量z的第j维数值。
32、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述自适应模板嵌入包括：先拼接单天内电动车充电桩总线辨识模型的输出，再按下式生成自适应模板b：
33、
34、其中，b(g)指自适应模板的第g个值，g指拼接后模型输出连续大于零的计数值。
35、作为本专利技术所述的电动车充电桩总线辨识模型构建方法的一种优选方案，其中：所述基于一维卷积-改进自注意力机制联合结构与自适应模板嵌入搭建电动车充电桩总线辨识模型包括：
36、所述模型训练先将拼接后的数据进行归本文档来自技高网...
【技术保护点】
1.一种电动车充电桩总线辨识模型构建方法，其特征在于，包括：
2.如权利要求1所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述结合概率统计，生成电动车充电桩总线辨识数据集包括：
3.如权利要求2所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述结合概率统计，生成电动车充电桩总线辨识数据集还包括：
4.如权利要求3所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述对所述电动车充电桩总线辨识数据集进行预处理包括：数据集划分、标准化与滑动窗切割，
5.如权利要求4所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述基于一维卷积-改进自注意力机制联合结构包括：输入的用户总线型有功功率数据首先经过一维卷积层进行细节特征提取，再通过加入可学习瓶颈结构的改进自注意力机制实现细节特征至电动车充电桩有功功率数据的输出映射，其中第t个通道中的第p个位置的一维卷积值o(p,t)的计算公式如下所示：
6.如权利要求5所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述自适应模板嵌入包括：先拼接单天内电动车充电桩总线辨
7.如权利要求6所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述基于一维卷积-改进自注意力机制联合结构与自适应模板嵌入搭建电动车充电桩总线辨识模型包括：
8.一种电动车充电桩总线辨识模型构建系统，其特征在于，包括：数据集获取与计算模块、预处理模块以及模型构建与训练模块，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种电动车充电桩总线辨识模型构建方法，其特征在于，包括：
2.如权利要求1所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述结合概率统计，生成电动车充电桩总线辨识数据集包括：
3.如权利要求2所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述结合概率统计，生成电动车充电桩总线辨识数据集还包括：
4.如权利要求3所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述对所述电动车充电桩总线辨识数据集进行预处理包括：数据集划分、标准化与滑动窗切割，
5.如权利要求4所述的电动车充电桩总线辨识模型构建方法，其特征在于，所述基于一维卷积-改进自注意力机制联合结构包括：输入的用户总线型有功功率数据首先经过一维卷积层进行细节特征提取，再通过加入可学习瓶颈结构的改进自注意力机制实现细节特征至电动车充电桩有功功率数据的输出映射，其中第t个通道中的第p个位置的一维卷积值o...
【专利技术属性】
技术研发人员：谈竹奎，邓松，刘斌，陈敦辉，张秋雁，曹雷，王冕，欧家祥，代湘蓉，殷子皓，肖艳红，胡厚鹏，张俊玮，
申请(专利权)人：贵州电网有限责任公司，
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。