【技术实现步骤摘要】
本申请涉及负荷预测，具体涉及一种电动汽车充电负荷预测方法及其装置。
技术介绍
1、电动汽车与配电网之间广泛而频繁的相互作用增加了电力系统的运行风险。同时，这些相互作用导致了许多新的电力商业应用，如提前数小时内调度、日前调度、机组承诺、能源交易等等。因此，寻找一种准确、高效的方法来预测电动汽车充电负荷的不确定性是当务之急。
技术实现思路
1、本申请的目的在于提出一种电动汽车充电负荷预测方法，以解决电动汽车充电负荷的预测问题。
2、为实现上述目的，本申请实施例提供一种电动汽车充电负荷预测方法，包括：
3、获取待预测日的特征序列，所述特征序列包括多种不同类型的特征；
4、将所述特征序列输入预先训练好的电动汽车充电负荷预测模型进行预测，得到所述待预测日的电动汽车充电负荷预测值；
5、其中，在训练过程中，所述电动汽车充电负荷预测模型运用两阶段特征选择模型对多种不同类型的特征进行筛选和权重分配，并采用多头注意力机制进行训练。
6、优选地，采用多头注意力机制进行训练后得到多个注意力头，且每种类型的特征具有一个对应的特征权重；
7、所述电动汽车充电负荷预测模型中，所述多个注意力头分别根据输入的特征序列的多种特征及其特征权重进行处理得到多个注意力结果，所述多个注意力结果进行加权求和得到特征表示，最后根据所述特征表示获得所述待预测日的电动汽车充电负荷预测值。
8、优选地，所述多种不同类型的特征具体根据以下方式确定：p>
9、获取电动汽车充电负荷数据集，根据所述数据集获得充电负荷和外部特征；
10、运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重；
11、所述外部特征包括每个充电日的平均温度、峰值电价、平电价、谷电价、是否为工作日以及天气条件，其中是否为工作日以及天气条件转换为对应的数值变量。
12、优选地，所述运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重，具体包括：
13、在第一阶段中，基于pearson相关性分析法确定每一外部特征与充电负荷之间的相关系数，并根据所述相关系数选取相关性满足预设要求的一些外部特征，这些外部特征的相关系数用作特征的初始权值；
14、在第二阶段中，使用独立的门控残差网络对第一阶段选取的一些外部特征进行选择，并引入相关系数作为特征的初始权值，通过softmax函数输出一组特征选择权值；选择后的特征即是要输入电动汽车充电负荷预测模型的多种不同类型的特征，对应权重为该一组特征选择权值。
15、优选地，所述待预测日的电动汽车充电负荷预测值包括多个不同时间步的充电负荷预测值，每个时间步的充电负荷预测值包括不同置信水平对应的分位数的充电负荷预测值。
16、本申请实施例还提供一种电动汽车充电负荷预测装置，包括：
17、特征获取模块，用于获取待预测日的特征序列，所述特征序列包括多种不同类型的特征；
18、负荷预测模块，用于将所述特征序列输入预先训练好的电动汽车充电负荷预测模型进行预测，得到所述待预测日的电动汽车充电负荷预测值；
19、其中，在训练过程中，所述电动汽车充电负荷预测模型运用两阶段特征选择模型对多种不同类型的特征进行筛选和权重分配，并采用多头注意力机制进行训练。
20、优选地，所述电动汽车充电负荷预测模型采用多头注意力机制进行训练后得到多个注意力头，且每种类型的特征具有一个对应的特征权重；所述电动汽车充电负荷预测模型中，所述多个注意力头分别根据输入的特征序列的多种特征及其特征权重进行处理得到多个注意力结果，所述多个注意力结果进行加权求和得到特征表示，最后根据所述特征表示获得所述待预测日的电动汽车充电负荷预测值。
21、优选地，所述多种不同类型的特征具体根据以下方式确定：
22、获取电动汽车充电负荷数据集，根据所述数据集获得充电负荷和外部特征；
23、运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重；
24、所述外部特征包括每个充电日的平均温度、峰值电价、平电价、谷电价、是否为工作日以及天气条件，其中是否为工作日以及天气条件转换为对应的数值变量。
25、优选地，所述运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重，具体包括：
26、在第一阶段中，基于pearson相关性分析法确定每一外部特征与充电负荷之间的相关系数，并根据所述相关系数选取相关性满足预设要求的一些外部特征，这些外部特征的相关系数用作特征的初始权值；
27、在第二阶段中，使用独立的门控残差网络对第一阶段选取的一些外部特征进行选择，并引入相关系数作为特征的初始权值，通过softmax函数输出一组特征选择权值；选择后的特征即是要输入电动汽车充电负荷预测模型的多种不同类型的特征，对应权重为该一组特征选择权值。
28、优选地，所述待预测日的电动汽车充电负荷预测值包括多个不同时间步的充电负荷预测值，每个时间步的充电负荷预测值包括不同置信水平对应的分位数的充电负荷预测值。
29、本申请实施例通过在电动汽车充电负荷预测模型(神经网络)的特征权重学习部分引入相关先验知识，建立特征增强机制，提高模型收敛的准确性；引入门控残差网络作为外部特征滤波器，减少了对弱特征的非线性处理，从而降低了模型复杂度；采用多头注意机制，捕捉历史序列的特征，提高鲁棒性。
30、本申请实施例未详述的细节和优点在具体实施方式中详细说明。
本文档来自技高网...【技术保护点】
1.一种电动汽车充电负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用多头注意力机制进行训练后得到多个注意力头，且每种类型的特征具有一个对应的特征权重；
3.根据权利要求2所述的方法，其特征在于，所述多种不同类型的特征具体根据以下方式确定：
4.根据权利要求3所述的方法，其特征在于，所述运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述待预测日的电动汽车充电负荷预测值包括多个不同时间步的充电负荷预测值，每个时间步的充电负荷预测值包括不同置信水平对应的分位数的充电负荷预测值。
6.一种电动汽车充电负荷预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述电动汽车充电负荷预测模型采用多头注意力机制进行训练后得到多个注意力头，且每种类型的特征具有一个对应的特征权重；所述电动汽车充电负荷预测模型中，所述多个注意力头分别根据输入的特征序列的多种特征及其特征权重进行处理得到多
8.根据权利要求7所述的装置，其特征在于，所述多种不同类型的特征具体根据以下方式确定：
9.根据权利要求8所述的装置，其特征在于，所述运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重，具体包括：
10.根据权利要求4所述的装置，其特征在于，所述待预测日的电动汽车充电负荷预测值包括多个不同时间步的充电负荷预测值，每个时间步的充电负荷预测值包括不同置信水平对应的分位数的充电负荷预测值。
...【技术特征摘要】
1.一种电动汽车充电负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用多头注意力机制进行训练后得到多个注意力头，且每种类型的特征具有一个对应的特征权重；
3.根据权利要求2所述的方法，其特征在于，所述多种不同类型的特征具体根据以下方式确定：
4.根据权利要求3所述的方法，其特征在于，所述运用两阶段特征选择模型对所述外部特征进行筛选和权重分配，得到多种不同类型的特征及其权重，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述待预测日的电动汽车充电负荷预测值包括多个不同时间步的充电负荷预测值，每个时间步的充电负荷预测值包括不同置信水平对应的分位数的充电负荷预测值。
6.一种电动汽车充电负荷预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述电动汽车充...
【专利技术属性】
技术研发人员：唐文俊，刘国伟，何山，赵宇明，刘子俊，许银亮，
申请(专利权)人：深圳供电局有限公司，
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。