【技术实现步骤摘要】
本专利技术属于换电需求预测，具体涉及一种基于自回归综合移动平均模型的换电需求预测方法及系统。
技术介绍
1、目前，电动汽车普遍依赖于充电桩补充电池电能，但是这种传统的充电模式现阶段存在许多问题，不仅包括充电时间长、无序充电导致峰上加峰等问题，还存在交直流充电差异性、同时段充电需求可控性差等问题。
2、电动汽车换电站相较于传统的充电桩，换电站可以有效地解决充电耗时长的问题，且对于有长途行驶需求的电动汽车，换电模式可以极大地削减由动力电池容量限制带来的出行不便。另外换电站也能更好的自主响应电网调度，降低峰谷差。然而，目前的换电站无法预知到客户到换电站的换电需求，进而无法调整换电站对电池的充电策略，在满足用户换电需求的同时与电网友好互动。
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基于自回归综合移动平均模型的换电需求预测方法，包括：基于待预测指标在设定时间段内的指标数据，构建自回归综合移动平均模型；
2、基于待预测时间段和所述设定时间段内的指标数据，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值；
3、其中，所述设定时间段与所述待预测时间段之间的时间间隔不超过预设时间阈值。
4、优选的，所述基于待预测指标在设定时间段内的指标数据，构建自回归综合移动平均模型，包括：
5、采集待预测指标在设定时间段内的指标数据，得到训练数据集；
6、将所述训练数据集中的指标数据序列分解为趋势分
7、基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型。
8、优选的，所述基于待预测时间段和所述设定时间段内的指标数据，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值，包括：
9、将观测时间序列、所述趋势分量序列的平稳序列和所述周期分量序列作为输入，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值；
10、其中，所述观测时间序列为所述待预测时间序列与所述周期分量序列对应的时间序列的集合。
11、优选的，所述基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型，包括：
12、基于所述趋势分量序列，确定自回归综合移动平均模型的参数p、d和q；
13、基于所述参数p、d和q，以及平稳序列和所述时间序列，得到自回归综合移动平均模型的初始函数表达式；
14、当参数d＝0时，将所述初始函数表达式与所述周期分量序列叠加，得到自回归综合移动平均模型的最终函数表达式；
15、当参数d≠0时，将所述初始函数表达式反差分处理后与所述周期分量序列叠加，得到自回归综合移动平均模型的最终函数表达式；
16、其中，当参数d＝0时，所述平稳序列即为所述趋势分量序列；
17、当参数d≠0时，所述平稳序列由所述趋势分量序列差分处理后得到。
18、优选的，所述自回归综合移动平均模型的初始函数表达式为：
19、
20、当参数d＝0时，所述自回归综合移动平均模型的最终函数表达式为：
21、
22、当参数d≠0时，所述自回归综合移动平均模型的最终函数表达式为：
23、
24、其中，yt为第t时刻的平稳序列预测值，yt-p为输入的第t-p时刻的平稳序列值，y't为参数d＝0时第t时刻模型最终预测值，y”t为参数d≠0时第t时刻模型最终预测值，t属于待预测时间段，st为周期分量序列输入项，c为常数项，为p阶自回归过程的系数，θq为q阶移动平均过程误差项系数，εt与εt-j为误差常数，j＝1,2,…,q；为组合数，i＝1,...,d，tt-i为第t-i时刻原始趋势分量数据。
25、优选的，确定自回归综合移动平均模型的参数d，具体包括：
26、对所述趋势分量序列进行平稳性检验；
27、若检验结果为所述趋势分量序列平稳，则d取0；
28、若检验结果为所述趋势分量序列不平稳，则对所述趋势分量序列进行差分处理，直至得到平稳序列，得到所述平稳序列时的差分阶数即为参数d。
29、优选的，确定自回归综合移动平均模型的参数p，具体包括：
30、基于所述平稳序列，利用偏自相关函数方法确定参数p；
31、确定自回归综合移动平均模型的参数q，具体包括：
32、基于所述平稳序列，利用自相关函数方法确定参数q。
33、优选的，所述平稳性检验包括采用迪基-富勒检验方法和科瓦特科夫斯·基菲利普·斯施密特·辛检验方法对所述趋势分量序列进行检验；
34、若迪基-富勒检验方法或科瓦特科夫斯·基菲利普·斯施密特·辛检验方法任一项检验不通过，则所述趋势分量序列不平稳。
35、基于同一专利技术构思，本专利技术还提供了一种基于自回归综合移动平均模型的换电需求预测系统包括：
36、模型构建模块，用于基于待预测指标在设定时间段内的指标数据，构建自回归综合移动平均模型；
37、预测模块，用于基于待预测时间长度和所述设定时间段内的指标数据，利用构建好的自回归综合移动平均模型得到所述预测时间长度内的指标数据预测值；
38、其中，所述设定时间段与所述待预测时间段之间的时间间隔不超过预设时间阈值。
39、优选的，所述模型构建模块具体用于：
40、采集待预测指标在设定时间段内的指标数据，得到训练数据集；
41、将所述训练数据集中的指标数据序列分解为趋势分量序列、周期分量序列和残差分量序列；
42、基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型。
43、优选的，所述预测模块具体用于：
44、将观测时间序列、所述趋势分量序列的平稳序列和所述周期分量序列作为输入，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值；
45、其中，所述观测时间序列为所述待预测时间序列与所述周期分量序列对应的时间序列的集合。
46、优选的，所述模型构建模块中，基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型，包括：
47、基于所述趋势分量序列，确定自回归综合移动平均模型的参数p、d和q；
48、基于所述参数p、d和q，以及平稳序列和所述时间序列，得到自回归综合移动平均模型的初始函数表达式；
49、当参数d＝0时，将所述初始函数表达式与所述周期分量序列叠加，得到自回归综合移动平均模型的最终函数表达式；
50、当参数d≠0时，将所述初始函数表达式反差分处理后与所述周期分量序列叠加，得到自回归综合移动平均模型本文档来自技高网...
【技术保护点】
1.一种基于自回归综合移动平均模型的换电需求预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于待预测指标在设定时间段内的指标数据，构建自回归综合移动平均模型，包括：
3.如权利要求2所述的方法，其特征在于，所述基于待预测时间段和所述设定时间段内的指标数据，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值，包括：
4.如权利要求2所述的方法，其特征在于，所述基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型，包括：
5.如权利要求4所述的方法，其特征在于，
6.如权利要求4所述的方法，其特征在于，确定自回归综合移动平均模型的参数d，具体包括：
7.如权利要求6所述的方法，其特征在于，确定自回归综合移动平均模型的参数p，具体包括：
8.如权利要求6所述的方法，其特征在于，所述平稳性检验包括采用迪基-富勒检验方法和科瓦特科夫斯·基菲利普·斯施密特·辛检验方法对所述趋势分量序列进行检验；
9.一种基于自回
10.如权利要求9所述的系统，其特征在于，所述模型构建模块具体用于：
...【技术特征摘要】
1.一种基于自回归综合移动平均模型的换电需求预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于待预测指标在设定时间段内的指标数据，构建自回归综合移动平均模型，包括：
3.如权利要求2所述的方法，其特征在于，所述基于待预测时间段和所述设定时间段内的指标数据，利用构建好的自回归综合移动平均模型得到所述预测时间段内的指标数据预测值，包括：
4.如权利要求2所述的方法，其特征在于，所述基于所述趋势分量序列、周期分量序列和所述训练数据集中的时间序列，构建自回归综合移动平均模型，包括：
5.如权利...
【专利技术属性】
技术研发人员：曹曦，海晓涛，孙健，刘晓俊，
申请(专利权)人：国网商用电动汽车投资有限责任公司，
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。