【技术实现步骤摘要】
本专利技术涉及充电场站预测，特别是一种基于深度学习的充电场站空闲状态设备数量预测方法。
技术介绍
1、通过准确预测充电场站的充电枪空闲状态设备数量，可以有效减少用户等待时间，提高用户满意度，增加用户的忠诚度。电动汽车用户将更愿意使用充电场站，从而推动电动汽车的进一步普及。除此之外，通过精确地预测充电场站的空闲状态，可以实现资源的有效分配和运营成本的降低。充电场站管理者可以更有效地规划人力和物力资源，提高经济效益。
2、充电枪空闲状态设备数量数据可以看作是一类工业的时间序列数据。传统工业场景下通常通过工程师的专家经验或机理模型，对未来某一段时间的用能需求进行预测，比如采用相似日，利用气象、星期等特征对时间序列进行预测。当工业系统的工况产生异常或者出现突发事件（如节假日）等，机理模型难以捕捉多维变量之间的非线形关系，预测准确性难以保障。同时，人工成本也很昂贵。对于大规模的充电场站的充电枪空闲状态设备数量预测来说，其应用成本也不可忽视。
3、利用传统统计模型来做时间序列预测的常用方法是用arima、指数平滑等线性模型拟合单维的时间序列历史数据，从而预测未来一段时间单个充电场站的充电枪空闲状态设备数量。为了刻画非线性关系，还可以采用lr、svm、xgboost等机器学习模型来进行单维的时间序列预测。但这类模型仍然存在无法进行多维时间序列预测、需要大量的特征工程等工作。对于深度学习模型，如lstm、dnn等，虽然可以解决多维时间序列预测的问题，并且能够刻画出数据中的非线性关系，但这类需要大量的数据进行拟合，lstm
4、1，主要依靠行业专家经验进行充电枪空闲状态设备数量预测，人工成本高昂，且通用性与可拓展性较差；
5、2，基于统计模型的建模方法，只能对单维时间序列数据进行预测，无法对建立多维度时间序列之间的相关性，也无法刻画数据中的非线性；
6、3，基于机器学习的建模方法，需要大量的特征工程工作，且无法进行多维时间序列预测；
7、4，基于深度学习的建模方法，如lstm、dnn等，虽然可以解决多维时间序列预测的问题，并且能够刻画出数据中的非线性关系，但这类需要大量的数据进行拟合，lstm这类基于rnn的模型时间复杂度较高，无法进行并行计算。
8、因此需要设计一种基于深度学习的充电场站空闲状态设备数量预测方法来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于深度学习的充电场站空闲状态设备数量预测方法，该方法通过引入先进的时间序列相关深度学习算法和数据分析技术，实现更准确的空闲状态预测，减少误差，提高预测的可靠性。为了使得模型的预测结果具有实时性和鲁棒性，开发出对应的算法服务用于实际充电场站的生产运营，提升充电用户的用户体验以及场站的运营效率。
2、为实现上述技术效果，本专利技术所采用的技术方案是：
3、一种基于深度学习的充电场站空闲状态设备数量预测方法，包括：
4、s1，分析量化影响充电站充电负荷的主客观因素，采集对应的多类型数据，并量化影响因子；影响因子包括时间特征、气象特征、价格特征以及设备状态特征；
5、s2，对步骤s1中的量化影响因子后的数据进行数据预处理：
6、s201，异常值剔除：通过箱线图法对数据中的异常值进行检测，并进行剔除；
7、s202，缺失值填充：对于存在缺失值的字段，采用线性插值的方法进行缺失值填充；
8、s203，数据归一化，对数据进行min-max归一化：
9、；
10、式中， xmax是样本数据中 x的最大值， xmin是样本数据中 x的最小值；
11、s204，数据聚合：天气、充电场站设备状态、充电场站实时电价以及充电场站剩余充电时间的数据采集频率可能不一致，针对不同频率的数据，按照统一的频率进行数据聚合，以达到数据对齐的目的；
12、s205，特征离散化：
13、通过等频分箱的方法，对训练数据中的连续型变量进行离散化处理，增强特征对异常数据的鲁棒性，将所有变量映射变换到相似的尺度上；对于数据中的类别型特征，采用one-hot独热编码进行离散化编码处理；
14、s3，建立基于transformer的充电站预测模型；
15、s4，通过充电站预测模型进行充电场站空闲状态设备数量预测，并输出基于时间和数量的点预测值。
16、优选地，步骤s1中，时间特征包括工作日和休息日、高峰期和平峰期以及白昼和夜间三类量化指标。
17、优选地，步骤s1中，价格特征包括服务费、分时成本电价以及充电场站的优惠活动力度三类量化指标。
18、优选地，步骤s1中，设备状态特征包括设备健康状态和设备使用状态两类量化指标。
19、优选地，步骤s3中，建立基于transformer的充电站预测模型包括：
20、s301，采集实时天气预报数据、实时天气数据、充电设施状态、充电设施剩余电量以及电网电价的多维度数据以及静态协变量数据；多维度数据包括观测协变量以及可预知协变量，通过步骤s2的特征分类量化影响因子；
21、s302，将步骤s301的多维度数据以及静态的协变量数据输入transformer深度学习模型，以固定频率滚动对充电场站的空闲状态设备数量进行多目标时间序列的点数据预测。
22、优选地，步骤s3中，基于transformer的充电站预测模型的结构包括编码器层，编码器层包括多头自注意力层、前馈神经网络层、残差连接层和层归一化多个子层组成；直接采用编码器进行特征提取，通过embedding层提取分钟、小时和月份电价以及不同类型协变量的时间序列周期性特征，并送入transformer的编码器中进行特征提取，最后将提取后的特征进行融合，送入线性层进行残差预测。
23、优选地，步骤s4包括，模型的预测变量采用t时刻设备空闲状态数量与t-1时刻设备空闲状态数量的残差；t时刻设备空闲状态数量本质上是在t-1时刻设备空闲状态数量的基础上，根据场站设备状态的变动进行一定的调整，预测模型不直接预测t时刻设备空闲状态数量，而根据时间序列本身的特征与各类协变量预测t时刻设备空闲状态数量与t-1时刻设备空闲状态数量的差值；t时刻表示当前采样时刻，t-1时刻表示t时刻的前一个采样点的时刻。
24、进一步地，步骤s201中，异常值剔除时采用箱线图法，通过箱线图法对数据中的异常值进行检测，并进行剔除，具体方法包括：
25、对于单个字段，具体计算过程如下：
26、计算特征的第一四分位数q1与第三四分位数q3；
27、计算iqr，iqr=q3本文档来自技高网...
【技术保护点】
1.一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S1中，时间特征包括工作日和休息日、高峰期和平峰期以及白昼和夜间三类量化指标。
3.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S1中，气象特征包括温度和天气两类量化指标。
4.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S1中，价格特征包括服务费、分时成本电价以及充电场站的优惠活动力度三类量化指标。
5.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S1中，设备状态特征包括设备健康状态和设备使用状态两类量化指标。
6.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S3中，建立基于Transformer的充电站预测模型包括：
7.根据权利要求6所述的一种基于深度学习的充电场站
8.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤S4包括：
...【技术特征摘要】
1.一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤s1中，时间特征包括工作日和休息日、高峰期和平峰期以及白昼和夜间三类量化指标。
3.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤s1中，气象特征包括温度和天气两类量化指标。
4.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤s1中，价格特征包括服务费、分时成本电价以及充电场站的优惠活动力度三类量化指标。
5.根据权利要求1所述的一种基于深度学习的充电场站空闲状态设备数量预测方法，其特征在于，步骤s1中，设备状态特征包括设备健康状态和设备使用状态两类量化指...
【专利技术属性】
技术研发人员：周静，贺伟，王枭，刘汝杰，李娟，华瑞，吴俊，
申请(专利权)人：三峡电能有限公司，
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。