一种深度学习多模型的电动汽车充电站短期负荷预测方法技术

本发明专利技术公开了一种深度学习多模型的电动汽车充电站短期负荷预测方法，包括CNN主模块、LSTM主模块和Transformer主模块，融合CNN获取的负荷曲线特征、LSTM获取的上下文信息和Transformer中多注意力机制获取的全局信息；本发明专利技术所提方法综合了两种输入输出方式的结果，一种是输入为同时刻的多维历史数据、输出为同时刻的预测数据，一种是输入为相邻的多维历史与预测数据、输出为相邻时刻的预测数据，提升电动汽车充电站短期负荷预测的准确性。

【技术实现步骤摘要】

本专利技术涉及负荷预测，特别涉及一种深度学习多模型的电动汽车充电站短期负荷预测方法。

技术介绍

1、电动汽车充电桩工作时，产生的谐波会影响电网的电压和电流质量，进而影响其他用电设备的正常运行，需要及时掌握电动汽车充电桩充电规律，以平衡三相充电负载，降低谐波影响。此外，不同数量电动汽车的充电需求大小和充电时间分布，会对电力系统形成不同的负荷，掌握电动汽车充电负荷的规律，有利于引导电动汽车错峰充电，有助于电网及时扩容满足用户用电需求，而负荷预测是提前掌握用户用电情况的有效技术之一。

2、电力负荷预测包括居民负荷预测、工业负荷预测、区域负荷预测等。早期的负荷预测方法主要是基于传统机器学习的方法，主要有灰度预测法、svm预测法、神经网络预测法等，相对而言，引入负荷影响因素后，一些有规律的负荷预测准确性较好。比如，居民负荷与居民生活习惯、天气、节假日等密切相关，其预测的结果准确度高。而电动汽车充电负荷预测相对较难，主要原因有电动汽车的机动性、电动汽车数量的快速增长、充电时间随机性大等，传统机器学习方法在电动汽车充电站负荷预测上表现不佳。随着深度学习技术的本文档来自技高网...

【技术保护点】

1.一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，将方法的网络模型进行两种输入输出方式的训练，得到同一模型的两种参数P1和P2；

3.根据权利要求2所述的一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，对模型参数P1和模型参数P2，进一步综合处理，为得到某一天的负荷预测值X，输入模型参数P1所需的历史数据，在模型参数P1得到的预测值为X’，输入模型参数P2所需的历史数据，在模型参数P2得到的预测值为X”，两者进行加权平均，X＝αX’+(...

【技术特征摘要】

1.一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，将方法的网络模型进行两种输入输出方式的训练，得到同一模型的两种参数p1和p2；

3.根据权利要求2所述的一种深度学习多模型的电动汽车充电站...

【专利技术属性】
技术研发人员：熊小舟，胡兵，褚红亮，余腾龙，汪庆文，王松，
申请(专利权)人：国网江西省电力有限公司信息通信分公司，
类型：发明
国别省市：