基于自更新混合机器学习的短期充电负荷预测方法与流程

1.本发明涉及电气工程技术领域，具体而言，涉及一种基于自更新混合机器学习的短期充电负荷预测方法。


背景技术：

2.随着社会经济高速发展，人们对出行需求随之增加，随着个人交通、共享交通、城市公共交通、铁路交通系统的发展，全球范围内，对新型交通系统的投资正在不断增长。交通运输用能也是全球能耗的重要组成部分，发达国家交通运输能耗占终端能源比重一般为20％～40％，例如美国接近40％、西班牙36％、意大利30％，日本也在24％左右。2014年全球交通运输业产生的碳排放约占全部碳排放的20％。气候变化已经成为一个严重的问题，世界各国均出台了相应政策来控制温室气体排放。内燃机汽车会增加温室气体排放，世界各地正在逐步取代内燃机在车辆中的使用。交通运输业的再电气化是全球的行业发展趋势。电动车将逐步取代燃油车。汽车行业的电动化趋势料将加速，以取代燃油消耗带来的碳排放。近年来，全球电动汽车行业发展迅猛，国内外主流车企均推出电动汽车规划，拓展电动汽车市场。经过多年的发展，电动汽车在许多重要技术领域已经取得了突破性的进展。电动汽车作为正在培育和发展的国家战略之一，是未来汽车工业的发展方向、能源革命的目标，世界各国政府都对电动汽车发展给予重大支持，并制定相关发展计划。
3.随着电动汽车越来越受欢迎，充电站遍布各个城市。准确预测电动汽车场站的充电功率是电网安全、经济运行的关键问题之一。有许多因素参与决定电动汽车的电力需求。充电站的电力需求极不稳定，而且间歇性充电行为威胁着现有电力系统的安全。一方面，电动汽车在各种场景下的充电时间均与该类用户的用电峰值时间高度重合，目前大量的无序充电行为可能造成电网容量不足、频率偏移以及日负荷峰谷差增大，对电网安全稳定运行产生负面影响。另一方面，现有的充电站、app等对电动汽车车主的充电行为影响和干预手段有限、效果较差，进一步放大了无序充电的负面后果。受电动汽车驾驶行为、定价及随机因素影响，ev充电负荷预测极具挑战性。识别有价值的充电特性是提高预测精度的关键。
4.有学者针对电动汽车充电站负荷预测进行了研究，可归纳为两类充电负荷预测方法。第一类方法主要使用电动汽车(ev)驾驶特点，采用驾驶特性作为主要信息来训练预测模型，包括荷电状态(soc)、行程时间、充电时间、车辆型号等。第二类充电负荷预测方法则利用充电站历史数据对充电需求进行预测。对这两种预测方法的比较研究发现两者的准确性相当方法。关于电动汽车充电站负荷预测的文献大多采用常见的方法soc、行驶距离、车型、节假日等特征。近年来，得益于人工智能技术的快速发展，机器学习模型如支持向量机(svm)、支持向量回归(svr)、随机森林(rf)、人工神经网络(ann)等已被用于解决电网的不同挑战，其中部分算法被用于预测电动汽车充电站的电力需求。然而，现有基于单一模型的预测方法难以充分利用影响充电需求的外部因素，难以应对极端情况下充电需求的突变，预测准确率常常达不到预期。


技术实现要素：

5.本发明的目的包括提供了一种基于自更新混合机器学习的短期充电负荷预测方法，其能够结合多种模型的预测方法，充分利用影响充电需求的外部因素，应对极端情况下充电需求的突变，达到较高的准确率。
6.本发明的实施例可以这样实现：
7.本发明提供一种基于自更新混合机器学习的短期充电负荷预测方法，方法包括：
8.s1：从电动汽车充电场站采集历史充电功率数据、并处理，形成带有时间戳信息的充电功率数据库；
9.s2：采集与s1中历史充电功率数据同时间尺度的历史天气信息，并获取未来的天气预报信息；
10.s3：将历史充电功率数据、历史天气信息和天气预报信息形成预测模型所需的特征向量；
11.s4：利用s3中的特征向量形成样本库；
12.s5：利用样本库采用n种机器学习算法训练出n个预测模型，n≥2；
13.s6：对s5中产生的n个预测模型按照均方根误差从小到大的顺序排序，选取前x个最优模型，其中，n≥x；
14.s7：采集实时充电功率数据、实时天气信息和天气预报信息；
15.s8：将s7中采集到的实时充电功率数据、实时天气信息和天气预报信息形成预测模型所需的特征向量；
16.s9：将s8中生成的特征向量作为s6中x个最优模型的输入，分别得出x个预测结果；
17.s10：对s9中得到的x个预测结果进行加权平均，得出最终充电负荷预测结果。
18.在可选的实施方式中，在执行完s7之后，方法还包括：
19.将s7中采集到实时充电功率数据定期输送到s1中的充电功率数据库，实现对充电功率数据库的定期更新；将s7中采集到实时充电功率数据、实时天气信息和天气预报信息分别作为s3中的历史充电功率数据、历史天气信息和天气预报信息，重新形成预测模型所需的特征向量，进而继续按照s4至s6的方式选取前新的x个最优模型，完成对x个最优模型的更新。
20.本发明实施例提供的基于自更新混合机器学习的短期充电负荷预测方法的有益效果包括：
21.1.采集历史充电功率数据、历史天气信息和天气预报信息训练预测模型，能够充分利用影响充电需求的外部因素，提高预测模型应对极端情况下充电需求突变的能力，提高预测准确率；
22.2.采用n种机器学习算法训练出n个预测模型，选取前x个最优模型，利用x个最优模型分别得出x个预测结果，对x个预测结果进行加权平均，得出最终充电负荷预测结果，能够结合多种模型预测的优势，提高本方法的适用范围和预测准确率。
附图说明
23.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为本发明实施方式提供的基于基于自更新混合机器学习的短期充电负荷预测方法的流程图；
25.图2为训练出1个预测模型的流程图；
26.图3为实施例中采集到的ev充电负荷历史数据；
27.图4为实施例中ev充电负荷历史数据与ev充电负荷真实数据的对比结果。
具体实施方式
28.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
29.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
31.需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
32.请参考图1，本实施例提供了一种基于基于自更新混合机器学习的短期充电负荷预测方法(以下简称：方法)，该方法应用于电动汽车充电场站，该预测方法包括以下步骤：
33.s1：从电动汽车充电场站采集历史充电功率数据、并处理，形成带有时间戳信息的充电功率数据库。
34.具体的，对选定的电动汽车充电场站以预设时间间隔采集历史充电功率数据，其中，时间长度可以是数月至数年，预设时间间隔可以是15分钟、30分钟、1小时等。
35.针对提取的数据中明显错误的坏数据应当剔除，并以插值方式修复坏数据，其中，坏数据包括极大值、极小值或缺失数据等。处理后的数据以表格形式存储，并形成带有时间戳信息的充电功率数据库。
36.s2：采集与s1中历史充电功率数据同时间尺度的历史天气信息，并获取未来的天气预报信息。
37.具体的，历史天气信息包括温度、湿度、风速和光照强度。未来的天气预报信息可以是未来七日的天气预报信息。
38.s3：将历史充电功率数据、历史天气信息和天气预报信息形成预测模型所需的特征向量。
39.具体的，(1)将历史充电功率数据和历史天气信息中的时间戳信息形成特征向量的方式如下：
40.根据时间戳信息，计算得出被预测充电负荷相应的小时、周中/周末、日期、月份、工作日信息，即hour_series、weekday_series、day_series、month_series、workday_
series；以日前预测为例，每一类信息取未来1天的数据，共24*4＝96维。
41.(2)将历史充电功率数据形成特征向量的方式如下：
42.从历史充电功率数据中取历史3天的充电场站功率信息，即evload_series，形成一维向量，共96*3＝288维。
43.(3)将历史天气信息和天气预报信息形成特征向量的方式如下：
44.从历史天气信息中取历史3天的天气信息，包括温度、湿度、风速、光照强度，形成一维向量，即temperature_series、humidity_series、windspeed_series、irradiation_series、temperatureforecast_series、humidityforecast_series、windspeedforecast_series、irradiationforecast_series；同时取未来1天的天气预报信息，形成一维向量，共96*4＝384维。
45.这样，在预测模型的训练中考虑到历史天气信息和天气预报信息，具体包括温度、湿度、风速、光照强度，可以在预测模型的预测结果中考量到天气对充电功率的影响，提高预测准确率。
46.s4：利用s3中的特征向量形成样本库。
47.具体的，首先，将s3中的特征向量形成样本。
48.将s3中的特征向量合并，形成一维向量，作为样本的输入信息，即[evload_series,hour_series、weekday_series、day_series、month_series、workday_series,temperature_series、humidity_series、windspeed_series、irradiation_series、temperatureforecast_series、humidityforecast_series、windspeedforecast_series、irradiationforecast_series]。
[0049]
样本的输出信息是电动汽车充电场站被预测的充电功率，即[evload_forecast_series]。
[0050]
然后，使用滑动窗口，将采集到的所有样本形成样本库。
[0051]
最后，按时间先后顺序将样本库按统一格式拆分为训练集、验证集和测试集，其中，训练集、验证集和测试集的占比分别为70％、20％和10％。这样，训练集的占比较高，可以使模型训练充分，预测更加精准。
[0052]
s5：利用样本库采用n种机器学习算法训练出n个预测模型，n≥2。
[0053]
具体的，采用多种先进的机器学习算法训练出n个预测模型，例如深度神经网络(dnn)模型、lstm与dnn混合模型、svr模型、gbm模型、arima模型等。
[0054]
请查阅图2，训练出1个预测模型具体包括以下步骤：
[0055]
s51：设定超参数范围。
[0056]
s52：初始化模型i。
[0057]
s53：以训练集的样本训练模型i。
[0058]
s54：在验证集中评判模型i的性能。
[0059]
s55：判断是否i＞max_tune。若否，则返回执行s52；若是，则执行s56。
[0060]
s56：选出在验证集中性能最优的模型作为输出的预测模型。
[0061]
以深度神经网络模型为例，需要对样本库中所有样本进行归一化；进而设定超参数范围，包括：隐藏层个数、隐藏层神经元个数、激活函数、batch大小、超参数搜索总数max_tune。以训练集的样本训练不同超参数组合的模型，并在验证集中评判每组超参数组合所
生成的模型的性能，其中性能以均方根误差评判：
[0062][0063]
其中，rmse是均方根误差；x
obs，i
是真实值；x
model，i
是模型预测值；n是样本总数。
[0064]
记录每组模型性能，当完成所有超参数模型训练，选出在验证集中表现最优模型，作为该算法的模型输出。也就是说，选出在验证集中性能最优的模型作为输出的预测模型。
[0065]
其余算法模型采用类似逻辑，训练出各自超参数调节后的最优模型，作为备选的预测模型。这样，利用n个机器学习算法即可训练处n个预测模型，且每个预测模型都是各自机器学习算法训练处的最优模型。
[0066]
s6：对s5中产生的n个预测模型按照均方根误差从小到大的顺序排序，选取前x个最优模型，其中，n≥x。
[0067]
s7：采集实时充电功率数据、实时天气信息和天气预报信息。
[0068]
具体的，从电动汽车充电场站采集实时充电功率数据、并按照s1中的方式处理。按照s2的方式采集与s7中实时充电功率数据同时间尺度的实时天气信息，并获取未来的天气预报信息。
[0069]
s8：将s7中采集到的实时充电功率数据、实时天气信息和天气预报信息形成预测模型所需的特征向量。
[0070]
具体的，s8运用的方式与s3相同。
[0071]
s9：将s8中生成的特征向量作为s6中x个最优模型的输入，分别得出x个预测结果。
[0072]
s10：对s9中得到的x个预测结果进行加权平均，得出最终充电负荷预测结果。
[0073]
其中，对x个预测结果进行加权平均的公式如下：
[0074][0075]
式中：ev
forecast
是最终充电负荷预测结果；是最终充电负荷预测结果；分别是每个最优模型的输出；α1、α2…
α
x
分别是每个最优模型对应的权重，需要满足α1+α2+
…
+α
x
＝1.0。
[0076]
在执行完s7之后，本方法还包括以下步骤：
[0077]
将s7中采集到实时充电功率数据定期输送到s1中的充电功率数据库，实现对充电功率数据库的定期更新；将s7中采集到实时充电功率数据、实时天气信息和天气预报信息分别作为s3中的历史充电功率数据、历史天气信息和天气预报信息，重新形成预测模型所需的特征向量，进而继续按照s4至s6的方式选取前新的x个最优模型，完成对x个最优模型的更新，这样，定期更新充电功率数据库、样本库和最终的x个最优模型，可以确保该预测方法的有效性和鲁棒性。
[0078]
实施例
[0079]
请查阅图3，图3为本方法从电动汽车充电场站采集到的ev充电负荷历史数据(即s1中的历史充电功率数据)。
[0080]
请查阅图4，按照本方法的s2至s10得到了ev充电负荷预测数据(即s10中的最终充电负荷预测结果)，图4中展示了ev充电负荷历史数据与ev充电负荷真实数据的对比，可以看出，采用本方法得到的预测结果相比于真实结果差距较小、满足预测误差的要求。
[0081]
本实施例提供的基于基于自更新混合机器学习的短期充电负荷预测方法的有益效果包括：
[0082]
1.采集历史充电功率数据、历史天气信息和天气预报信息训练预测模型，能够充分利用影响充电需求的外部因素，提高预测模型应对极端情况下充电需求突变的能力，提高预测准确率；
[0083]
2.采用n种机器学习算法训练出n个预测模型，选取前x个最优模型，利用x个最优模型分别得出x个预测结果，对x个预测结果进行加权平均，得出最终充电负荷预测结果，能够结合多种模型预测的优势，提高本方法的适用范围和预测准确率；
[0084]
3.x个最优模型是经历过两层筛选得出，先是单种机器学习算法中选出最优模型，再从所有机器学习算法中选出的最优模型中选出性能最优的x个最优模型，使参与最终预测的模型精准率较高，最后还要对x个最优模型得出的x个预测结果进行加权平均，得出最终充电负荷预测结果，使预测结果的精准率进一步提高。
[0085]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，所述方法包括：s1：从电动汽车充电场站采集历史充电功率数据、并处理，形成带有时间戳信息的充电功率数据库；s2：采集与s1中历史充电功率数据同时间尺度的历史天气信息，并获取未来的天气预报信息；s3：将历史充电功率数据、历史天气信息和天气预报信息形成预测模型所需的特征向量；s4：利用s3中的特征向量形成样本库；s5：利用样本库采用n种机器学习算法训练出n个预测模型，n≥2；s6：对s5中产生的n个预测模型按照均方根误差从小到大的顺序排序，选取前x个最优模型，其中，n≥x；s7：采集实时充电功率数据、实时天气信息和天气预报信息；s8：将s7中采集到的实时充电功率数据、实时天气信息和天气预报信息形成预测模型所需的特征向量；s9：将s8中生成的特征向量作为s6中x个最优模型的输入，分别得出x个预测结果；s10：对s9中得到的x个预测结果进行加权平均，得出最终充电负荷预测结果。2.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，在执行完s7之后，所述方法还包括：将s7中采集到实时充电功率数据定期输送到s1中的充电功率数据库，实现对充电功率数据库的定期更新；将s7中采集到实时充电功率数据、实时天气信息和天气预报信息分别作为s3中的历史充电功率数据、历史天气信息和天气预报信息，重新形成预测模型所需的特征向量，进而继续按照s4至s6的方式选取前新的x个最优模型，完成对x个最优模型的更新。3.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，s1包括：对选定的电动汽车充电场站以预设时间间隔采集历史充电功率数据；针对提取的数据中错误的坏数据应当剔除，并以插值方式修复坏数据；处理后的数据以表格形式存储，并形成带有时间戳信息的充电功率数据库。4.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，在s2中，所述历史天气信息包括温度、湿度、风速和光照强度。5.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，s3包括：将历史充电功率数据和历史天气信息中的时间戳信息形成特征向量的方式如下：根据时间戳信息，计算得出被预测充电负荷相应的小时、周中/周末、日期、月份、工作日信息；每一类信息取未来1天的数据，共24*4＝96维；将历史充电功率数据形成特征向量的方式如下：从历史充电功率数据中取历史3天的充电场站功率信息，形成一维向量，共96*3＝288维；
将历史天气信息和天气预报信息形成特征向量的方式如下：从历史天气信息中取历史3天的天气信息，包括温度、湿度、风速、光照强度，形成一维向量，并取未来1天的天气预报信息，形成一维向量，共96*4＝384维。6.根据权利要求5所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，s4包括：将s3中的特征向量合并，形成一维向量，作为样本的输入信息；将电动汽车充电场站被预测的充电功率，作为样本的输出信息；使用滑动窗口，将采集到的所有样本形成样本库；按时间先后顺序将样本库按统一格式拆分为训练集、验证集和测试集。7.根据权利要求6所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，s5包括：s51：设定超参数范围；s52：初始化模型i；s53：以训练集的样本训练模型i；s54：在验证集中评判模型i的性能；s55：判断是否i＞max_tune；若否，则返回执行s52；若是，则执行s56；s56：选出在验证集中性能最优的模型作为输出的预测模型。8.根据权利要求7所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，s56包括：以均方根误差评判所生成的模型的性能，其中，均方根误差的计算公式如下：其中，rmse是均方根误差；x
obs，i
是真实值；x
model，i
是模型预测值；n是样本总数。9.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，在s5中，n种机器学习算法包括深度神经网络模型、lstm与dnn混合模型、svr模型、gbm模型、arima模型中的至少两种。10.根据权利要求1所述的基于自更新混合机器学习的短期充电负荷预测方法，其特征在于，在s10中，对x个预测结果进行加权平均的公式如下：式中：ev
forecast
是最终充电负荷预测结果；是最终充电负荷预测结果；分别是每个最优模型的输出；α1、α2…
α
x
分别是每个最优模型对应的权重，需要满足α1+α2+
…
+α
x
＝1.0。

技术总结
本发明提供了一种基于自更新混合机器学习的短期充电负荷预测方法，涉及电气工程技术领域。方法包括：将历史充电功率数据、历史天气信息和天气预报信息形成预测模型所需的特征向量，并形成样本库；利用样本库采用N种机器学习算法训练出N个预测模型，N≥2，选取前X个最优模型，利用X个最优模型分别得出X个预测结果，对X个预测结果进行加权平均，得出最终充电负荷预测结果。该方法能够结合多种模型的预测方法，充分利用影响充电需求的外部因素，应对极端情况下充电需求的突变，达到较高的准确率。率。率。


技术研发人员：刁瑞盛 禄帅 孟达 张纲 代银平 江正涛 刘磊 张波 吴春燕 程晗 任泉 丁忠祥
受保护的技术使用者：深圳华茂能联科技有限公司
技术研发日：2023.03.23
技术公布日：2023/7/25