【技术实现步骤摘要】
本专利技术属于电动汽车充电站负荷预测，具体涉及一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法和相关装置。
技术介绍
1、在低碳能源结构发展的驱动下，电动汽车逐渐成为内燃机汽车的可靠替代品。然而，电动汽车、电动汽车充电站的大规模使用带来了电力的需求激增，激增的电力需求会极大地扰乱配电网的安排计划。为了解决这一问题，研究人员提出了定价策略和智能充电在内的解决方案。上述方案的准确实施需要精确理解充电行为，因此，为了解决日益增加的电动汽车规模对电网的影响，电动汽车的充电行为预测具有重要意义。
2、充电行为的预测内容主要包括充电持续时间预测、充电负荷预测。其中充电负荷对电网有最直接的影响。针对电动汽车的负荷预测，根据聚合水平的不同可以分为以车辆为中心的预测方法和以电动汽车供电设备为中心的预测方法。第一类方法预测电动汽车的单独输出，电动汽车用户的充电行为具有随机性，容易受到日程安排的干扰。第二类方法通常以充电站或区域为研究对象，预测未来一段时间内的充电负荷。一般采用长短时记忆网络、人工神经网络、循环神经网络等。
3、现有研究中，电动汽车充电负荷预测大都以历史充电数据直接作为模型的输入。预测模型通常采用机器学习算法。除上述算法以外，其他相关研究还采用了支持向量回归、k近邻算法等。
4、然而现有研究在充电站充电负荷预测中通常未充分考虑poi特征，这一不足导致预测模型无法准确反映不同区域的实际充电需求分布。由于忽略了区域内商业区、住宅区、工业区和公共服务设施等功能属性规律，模型的预测
技术实现思路
1、有鉴于此，本专利技术旨在提供一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法和相关装置，结合poi信息反映区域内商业区、住宅区、工业区和公共服务设施的分布，准确把握不同区域电动汽车充电需求的时空分布特点，从而提升模型的预测精度。
2、为了实现上述目的，本专利技术提供的技术方案如下：
3、第一方面，本专利技术提供了一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法，包括如下步骤：
4、获取待预测充电站的历史充电数据和所属区域的poi信息；
5、依据poi信息和历史充电数据，利用预先训练好的电动汽车充电站负荷预测模型进行预测，得到充电站的负荷预测结果；
6、其中，电动汽车充电站负荷预测模型是基于informer网络和rao-1算法，利用充电站对应的poi信息和历史充电数据训练得到的模型，rao-1算法用于优化informer网络训练过程中的超参数。
7、进一步地，poi信息为功能划分信息，不同功能划分的poi点按不同半径构建缓冲区，所属区域的功能划分由所属区域内各种缓冲区的占比决定。
8、进一步地，poi信息按照下式进行确定：
9、
10、式中，为功能划分值，是包含k个研究区域的区域，是研究区域中的第i类poi点缓冲区域，是研究区域中第i类poi的数量。
11、进一步地，基于informer网络训练得到的电动汽车充电站负荷预测模型的网络架构包括：编码器和解码器；
12、编码器采用概率稀疏自注意力机制，用于从poi信息和历史充电数据中提取并编码关键特征；
13、解码器用于根据关键特征生成预测值。
14、进一步地，利用rao-1算法优化informer网络训练过程中的超参数的流程，包括：
15、初始化候选种群，训练基于informer网络的预测模型并计算损失函数值，候选种群为预测模型待优化的超参数集合；
16、辨别最优候选解和最差候选解；
17、基于最优候选解和最差候选解更新候选种群，训练预测模型并重新计算损失函数值；
18、判断模型性能是否提升，若是，则将更新的候选种群作为当前最优解，若否，则当前最优解不更新；
19、判断是否达到最大迭代次数，若否，则重新辨别候选解并更新当前最优解；若是，则获取最优解以及对应的预测模型。
20、进一步地，基于最优候选解和最差候选解更新候选种群，按照下式进行：
21、
22、式中，和分别为第次迭代个候选解的第个元素更新后和更新前的候选解，为[0，1]的随机值，和分别为所述最优候选解和最差候选解。
23、进一步地，超参数包括：
24、学习率、丢弃率、批处理大小和最大迭代次数。
25、第二方面，本专利技术提供了一种结合poi信息的rao-1-informer电动汽车充电站负荷预测装置，包括：
26、数据获取模块，用于获取待预测充电站的历史充电数据和所属区域的poi信息；
27、预测模块，用于依据poi信息和历史充电数据，利用预先训练好的电动汽车充电站负荷预测模型进行预测，得到充电站的负荷预测结果；
28、其中，电动汽车充电站负荷预测模型是基于informer网络和rao-1算法，利用充电站对应的poi信息和历史充电数据训练得到的模型，rao-1算法用于优化informer网络训练过程中的超参数。
29、相应地，本专利技术还提供了一种计算机设备，设备包括处理器以及存储器：
30、存储器用于存储计算机程序，并将计算机程序的指令发送至处理器；
31、处理器根据计算机程序的指令执行如第一方面的一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法。
32、相应地，本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面的一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法。
33、综上，本专利技术提供了一种结合poi信息的rao-1-informer电动汽车充电站负荷预测方法和相关装置，包括获取待预测充电站的历史充电数据和所属区域的poi信息；依据poi信息和历史充电数据，利用预先训练好的电动汽车充电站负荷预测模型进行预测，得到充电站的负荷预测结果；其中，电动汽车充电站负荷预测模型是基于informer网络和rao-1算法，利用充电站对应的poi信息和历史充电数据训练得到的模型，rao-1算法用于优化informer网络训练过程中的超参数。本专利技术结合了poi信息，有助于准确把握不同区域电动汽车充电需求的时空分布特点，同时融合了rao-1启发式算法的参数优化能力与informer模型的长序列数据处理优势，提升了模型的预测精度。
本文档来自技高网...【技术保护点】
1.结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，所述POI信息为功能划分信息，不同功能划分的POI点按不同半径构建缓冲区，所述所属区域的功能划分由所述所属区域内各种缓冲区的占比决定。
3.根据权利要求2所述的结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，所述POI信息按照下式进行确定：
4.根据权利要求1所述的结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，基于Informer网络训练得到的所述电动汽车充电站负荷预测模型的网络架构包括：编码器和解码器；
5.根据权利要求1所述的结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，利用Rao-1算法优化所述Informer网络训练过程中的超参数的流程，包括：
6.根据权利要求5所述的结合POI信息的Rao-1
7.根据权利要求1或5所述的结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法，其特征在于，所述超参数包括：
8.结合POI信息的Rao-1-Informer电动汽车充电站负荷预测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述设备包括处理器以及存储器：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种结合POI信息的Rao-1-Informer电动汽车充电站负荷预测方法。
...【技术特征摘要】
1.结合poi信息的rao-1-informer电动汽车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的结合poi信息的rao-1-informer电动汽车充电站负荷预测方法，其特征在于，所述poi信息为功能划分信息，不同功能划分的poi点按不同半径构建缓冲区，所述所属区域的功能划分由所述所属区域内各种缓冲区的占比决定。
3.根据权利要求2所述的结合poi信息的rao-1-informer电动汽车充电站负荷预测方法，其特征在于，所述poi信息按照下式进行确定：
4.根据权利要求1所述的结合poi信息的rao-1-informer电动汽车充电站负荷预测方法，其特征在于，基于informer网络训练得到的所述电动汽车充电站负荷预测模型的网络架构包括：编码器和解码器；
5.根据权利要求1所述的结合poi信息的rao-1-informer电动汽车充电站负荷预测方...
【专利技术属性】
技术研发人员：原吕泽芮，王扬，段舒尹，林心昊，蔡永翔，刘胤良，李跃，徐玉韬，郑友卓，欧阳广泽，谈竹奎，喻磊，徐敏，刘通，
申请(专利权)人：南方电网科学研究院有限责任公司，
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。