【技术实现步骤摘要】
本专利技术涉及电力系统领域，具体涉及一种基于多特征混合数据输入的充电负荷预测方法及系统。
技术介绍
1、在全球低碳化转型与我国实施碳达峰、碳中和战略的背景下，城市电网将面临以电动汽车为代表的电气化负荷剧增的巨大挑战。准确的电动汽车充电负荷预测模型将有效缓解电动汽车在接入后对电网运行造成的影响，并对充电基础设施的规划与运行提供重要的基础支撑。在当前电动汽车充电负荷预测领域中，研究主要分为概率建模方法与数据驱动方法。其中，概率建模方法通过分析电动汽车出行与使用特性来演算充电行为，基于概率模型来模拟充电负荷的时空特性，该类方法具有较好的研究通用性，但在建模过程中难以全面考虑各类因素，概率模型与实际工况有偏差。数据驱动方法利用实际历史数据建立预测模型，能更好反映真实工况，但现有技术大多仅采用历史时序数据作为输入，未考虑不同城市功能网格特征对充电负荷造成的潜在影响，对于城市网格的充电负荷预测精度不高，预测能力滞后。
技术实现思路
1、为了解决现有技术大多仅采用历史时序数据作为输入，对于城市网格的充电...
【技术保护点】
1.一种基于多特征混合数据输入的充电负荷预测方法，其特征在于,包括：
2.如权利要求1所述的方法，其特征在于，所述充电负荷预测模型的训练包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述充电负荷预测值和所述训练集中的充电负荷真实值结合损失函数进行迭代优化，得到训练好的充电负荷预测模型，包括：
4.如权利要求2所述的方法，其特征在于，所述将所述训练集中的充电负荷历史时序数据带入循环神经网络中，由循环神经网络中的门控循环神经单元输出充电负荷时序特征矩阵，包括：
5.如权利要求3所述的方法，其特征在于，所述获取充电负...
【技术特征摘要】
1.一种基于多特征混合数据输入的充电负荷预测方法，其特征在于,包括：
2.如权利要求1所述的方法，其特征在于，所述充电负荷预测模型的训练包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述充电负荷预测值和所述训练集中的充电负荷真实值结合损失函数进行迭代优化，得到训练好的充电负荷预测模型，包括：
4.如权利要求2所述的方法，其特征在于，所述将所述训练集中的充电负荷历史时序数据带入循环神经网络中，由循环神经网络中的门控循环神经单元输出充电负荷时序特征矩阵，包括：
5.如权利要求3所述的方法，其特征在于，所述获取充电负荷历史时序数据和网格属性数据数据，并对数据进行预处理包括：
6.如权利要求1所述的方法，其特征在于，所述充电负荷历史时序数据包括：
7.如权利要求2所述的方法，其特征在于，由训练集中充电负荷历史网格属性数据构建网格属性特征矩阵，包括：
8.如权利要求7所述的方法，其特征在于，所述网格静态属性数据包括：天气类型、...
【专利技术属性】
技术研发人员：廖家齐，刘海璇，王会超，刘瑜俊，夏俊荣，于若英，栗峰，华光辉，滕菲，沙洲，梁兆洪，李政，高山，
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。