【技术实现步骤摘要】
本专利技术涉及电动汽车换电站，具体为一种基于数据驱动的换电站换电需求预测方法及系统。
技术介绍
1、随着电动汽车的普及，换电站作为电动汽车能源补给的重要场所，其运营效率和服务质量对于整个电动汽车产业的发展至关重要。与电动汽车充电站不同的是，换电站通过电池循环流通来满足电动汽车车主的补能需求，准确掌握换电站的换电需求规律是提升换电站运营效率、优化换电站电池储备数量、制订换电站参与电网调控策略、分析换电站运行对电网影响程度等问题的必要基础。因此，研究换电站特定时段内的换电需求预测方法具有重要意义。
2、当前，对换电站换电需求预测的方法主要集中于电动汽车用户行为模拟与时间序列预测两种。其中，用户行为建模多用蒙特卡洛模拟算法，但在换电站实际运营中，这种方法由于外部数据获取难度大、准确性低，常常导致行为分析误差较大；而时间序列预测多通过统计学模型、神经网络、机器学习等进行预测，但现有方法多数仅基于历史数据，较少考虑影响换电需求的相关因素，导致预测精度不高。
3、因此，本专利技术提供了一种科学、全面的方法和技术，综合考虑基于换电订单、季节、气象等多维度影响因素，基于电力大数据构建换电站需求预测模型，实现对换电站换电需求的精准预测，助力换电站对外客户服务提升、对内能效管理及电网调度业务提升。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何合理配置电池储备，减少拥挤排队现象，提升换电服务水平，提高客户满意度。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于数据驱动的换电站换电需求预测方法，包括：
4、收集换电站每日换电订单数据；
5、对收集到的数据进行预处理，使用异常检测算法识别订单量统计异常的数据点；
6、分析数据中的关键影响因素，构建组合预测模型，设计预测模型准确度评价指标，对模型的准确性、稳定性进行优化调整；
7、将优化后的模型用于换电站需求预测。
8、作为本专利技术所述的基于数据驱动的换电站换电需求预测方法的一种优选方案，其中：所述预处理包括，对收集到的数据进行清洗和归一化处理，其中清洗过程删除无效或错误的数据记录，使用异常检测算法与历史订单数据对比分析识别订单量统计异常的数据点并剔除。
9、作为本专利技术所述的基于数据驱动的换电站换电需求预测方法的一种优选方案，其中：所述分析数据中的关键影响因素包括，通过分析换电站换电订单数据，结合节假日、季节因素提取有价值的特征，分析每日、每周、每月的换电订单变化、不同季节下的换电订单变化；分析特定的时间模式下的换电趋势；分析天气因素对电池更换需求的影响。
10、作为本专利技术所述的基于数据驱动的换电站换电需求预测方法的一种优选方案，其中：所述构建组合预测模型包括，利用prophet模型和lstm神经网络模型的优势互补，构建组合模型；
11、prophet模型时序模拟分析，运用prophet模型，输入换电站近一年的日换电24点数据、每日每小时订单需求数量、节假日信息，进行数据拟合分析，输出时间序列预测值lt'；
12、prophet模型拟合残差分析，根据输出的拟合时间序列预测值，计算拟合值与原始时间序列的残差数据集et，计算方式如下：
13、et＝y(t)-lt'
14、其中，y(t)表示原始换电订单时间序列数据，lt'表示模型拟合值；et表示prophet模型拟合残差；
15、lstm模型训练残差数据集，运用lstm对残差数据集进行训练学习，探索残差数据集中包括的非线性数据规律，最终输出残差预测值数组；
16、nlt'＝f(et-1,et-2,...,et-n)+εt
17、其中，nlt'表示经过lstm模型训练后输出的预测残差数据序列，f(et-1,et-2,...,et-n)表示lstm模型中训练模拟的基本流程关系，εt表示模型产生的随机误差；
18、换电站换电需求预测结果，综合prophet-lstm模型预测结果，计算最终预测值，最终预测结果如下：
19、y'＝lt'+nlt'
20、其中，y'表示模型最终预测时间序列值，lt'表示prophet模型拟合值，nlt'表示经过lstm模型训练后输出的预测残差数据序列。
21、作为本专利技术所述的基于数据驱动的换电站换电需求预测方法的一种优选方案，其中：所述prophet模型包括，prophet时间序列预测模型通过分析换电订单数据的周期性、趋势性、节假日等特征，根据时间序列数据自身特点，采用加法或乘法模型获得最终预测值；模型具体表示为：
22、y(t)＝g(t)+s(t)+h(t)+ε(t)
23、其中，g(t)代用以表征换电站换电订单趋势发展情况，可以拟合换电订单数据中的非周期变化值；s(t)表示周期项；ε(t)表示为模型预测存在的误差，用以表征预测模型难以预测的非线性特征，取值服从正态分布；h(t)表示节假日因素项；
24、
25、其中，c表示预测模型的承载量限制，k表示换电订单增长率，m表示数据偏移量；在实际情况中，预测模型承载量和增长率均处于动态变化之中，进一步将模型的承载量和增长率设为随时间t变化的函数，表示为：
26、
27、其中，c(t)表示随时间变化的最大渐近数据；k+a(t)t表示数据随时间变化的动态增长率，δ表示增长率的变化量；m+a(t)tγ表示偏置参数，γ表示时序数据转折点处趋势变化的速率；
28、s(t)在模型中表征换电站换电订单时序数据的季节性变化趋势，通过傅里叶级数拟合，计算逻辑为：
29、
30、其中，p表示预测对象获取的时间序列数据长度，n表示在该时间序列长度下囊括的周期，an、bn表示模型中的待估算项；
31、所述h(t)包括，以单独的假期表示一个时间窗口，表征节假日对时间序列的改变程度，计算公式表示为：
32、
33、z(t)＝[(1(t∈di),...,1(t∈dl)]
34、k＝(k1,...,kl)t
35、其中，i表示假期持续时长，ki表示节假日因素对预测结果的影响程度，di表示一个判断函数，其取值为1时表示t时段处于节假日，其取值为0时表示非节假日时段。
36、作为本专利技术所述的基于数据驱动的换电站换电需求预测方法的一种优选方案，其中：所述lstm神经网络模型包括，lstm模型可以处理时间跨度较大的时间序列数据，模型由遗忘门、输入门和输出门组成；
37、数据标准化处理；原始时间序列数据过大或过小都会影响各模块的训练效率，因此对数据进行归一化处理；
38、
39、其中，xn表示原始序列，x’表示标准化后的时间序列；
40、使用标准化后数据进行数据训练；进行数据的初始化和本文档来自技高网...
【技术保护点】
1.一种基于数据驱动的换电站换电需求预测方法，其特征在于，包括：
2.如权利要求1所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述预处理包括，对收集到的数据进行清洗和归一化处理，其中清洗过程删除无效或错误的数据记录，使用异常检测算法与历史订单数据对比分析识别订单量统计异常的数据点并剔除。
3.如权利要求1或2所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述分析数据中的关键影响因素包括，通过分析换电站换电订单数据，结合节假日、季节因素提取有价值的特征，分析每日、每周、每月的换电订单变化、不同季节下的换电订单变化；分析特定的时间模式下的换电趋势；分析天气因素对电池更换需求的影响。
4.如权利要求3所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述构建组合预测模型包括，利用Prophet模型和LSTM神经网络模型的优势互补，构建组合模型；
5.如权利要求4所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述Prophet模型包括，Prophet时间序列预测模型通过分析换电订单数据的周期性、趋势性、
6.如权利要求5所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述LSTM神经网络模型包括，LSTM模型可以处理时间跨度较大的时间序列数据，模型由遗忘门、输入门和输出门组成；
7.如权利要求6所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述设计预测模型准确度评价指标包括，对模型的准确性、稳定性进行优化调整；为验证本专利技术设计的换电站换电需求预测模型的有效性，利用平均绝对误差和均方根误差作为预测精准度评价指标，计算方法表示为：
8.一种采用如权利要求1-7任一所述方法的基于数据驱动的换电站换电需求预测系统，其特征在于：
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基于数据驱动的换电站换电需求预测方法的步骤。
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基于数据驱动的换电站换电需求预测方法的步骤。
...【技术特征摘要】
1.一种基于数据驱动的换电站换电需求预测方法，其特征在于，包括：
2.如权利要求1所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述预处理包括，对收集到的数据进行清洗和归一化处理，其中清洗过程删除无效或错误的数据记录，使用异常检测算法与历史订单数据对比分析识别订单量统计异常的数据点并剔除。
3.如权利要求1或2所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述分析数据中的关键影响因素包括，通过分析换电站换电订单数据，结合节假日、季节因素提取有价值的特征，分析每日、每周、每月的换电订单变化、不同季节下的换电订单变化；分析特定的时间模式下的换电趋势；分析天气因素对电池更换需求的影响。
4.如权利要求3所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述构建组合预测模型包括，利用prophet模型和lstm神经网络模型的优势互补，构建组合模型；
5.如权利要求4所述的基于数据驱动的换电站换电需求预测方法，其特征在于：所述prophet模型包括，prophet时间序列预测模型通过分析换电订单数据的周期性、趋势性、节...
【专利技术属性】
技术研发人员：韩帅，吴宁，张龙飞，林锐，肖静，陈卫东，郭敏，莫宇鸿，孙乐平，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
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。