【技术实现步骤摘要】
本专利技术涉及电动汽车负荷预测，具体涉及一种电动汽车充电负荷预测方法和系统。
技术介绍
1、目前，随着新能源产业急速发展，电动汽车大规模接入电网，使得电动汽车与电网的互动关系也受到了极大的关注，随着充电负荷的无序接入增加电网调度难度，趋势也更加复杂化，导致电网不稳定性增加；因此，需要通过对电动汽车进行充电负荷预测用以解决上述问题；
2、现有技术中对电动汽车的充电负荷预测主要停留在充电负荷的时间分布特性上，考虑因素单一，未深入考虑不同影响因素对电动汽车充电负荷分布上的影响，而实际上电动汽车的充电负荷受到多元化因素的影响，且电动汽车又具有时间和空间上的随机性，不同的考虑将会得到不同的充电负荷预测结果，若只考虑时间分布特性的充电负荷预测易造成供电不足影响电网稳定性等问题，已经无法满足建设充电设施、优化电网调度等方面的需求。
技术实现思路
1、为解决当前电动汽车规模大规模接入电网，充电负荷的无序接入增加电网调度难度，导致电网不稳定性增加的问题，本专利技术提出一种电动汽车充电负荷预测方法，包括：
2、获取待预测电动汽车的充电关联数据；
3、根据所述充电关联数据进行特征提取，得到对应的关联特征数据；
4、基于所述关联特征数据，利用预先构建的充电负荷预测模型，得到所述电动汽车的负荷预测数据；
5、基于所述负荷预测数据和获取到的电网负荷，为所述电动汽车制定充电计划；
6、其中，所述充电负荷预测模型是以所述电动汽车的历史充电关联
7、可选的，所述充电负荷预测模型包括如下的构建过程：
8、以所述电动汽车的所述历史充电关联数据作为训练数据的输入数据；
9、以所述电动汽车的所述实际充电负荷数据作为训练数据的输出数据；
10、基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型。
11、可选的，所述基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型，包括：
12、步骤s1：将所述输入数据输入至所述非线性自回归神经网络，得到对应的预测数据；
13、步骤s2：初始化参数值，并以所述预测数据和所述输出数据之间的残差平方和作为损失函数；
14、步骤s3：根据所述预测数据、所述输出数据和所述损失函数，计算对应的损失函数值；
15、步骤s4：根据当前的参数值和损失函数值，计算对应的雅可比矩阵和残差向量；
16、步骤s5：根据所述雅可比矩阵和所述残差向量，更新参数值，并基于更新后的参数值和所述输入数据，得到新的预测数据，根据所述新的预测数据，判断当前的损失函数值是否收敛，若是，执行步骤s6；若否，执行步骤s4；
17、步骤s6：计算所述新的预测数据和所述实际充电负荷数据之间的拟合度，若所述拟合度大于设定的拟合阈值，根据所述更新后的参数值，得到充电负荷预测模型，并停止执行；若所述拟合度不大于所述拟合阈值，执行步骤s4。
18、可选的，所述充电关联数据包括如下的获取过程：
19、获取所述电动汽车的各充电影响数据和对应时间段下的所述电动汽车的实际充电负荷数据；
20、利用皮尔逊相关系数法计算各充电影响数据与所述实际充电负荷数据之间的相关性；
21、根据所述各充电影响数据与所述实际充电负荷数据之间的相关性，选取相关性大于设定数值的充电影响数据作为充电关联数据。
22、可选的，所述皮尔逊相关系数法对应的计算式如下：
23、
24、其中，r表示充电影响数据和实际充电负荷数据之间的相关性；xi表示第i个数据点的充电影响数据；表示充电影响数据的均值；yi表示第i个数据点的实际充电负荷数据；表示实际充电负荷数据的均值；i＝1…n；n表示数据点个数。
25、可选的，所述充电影响数据包括下述的一种或多种：充电方式、充电起始时间、充电频率、充电时长、电池类型、电池容量和荷电状态。
26、可选的，所述根据所述充电关联数据进行特征提取，得到对应的关联特征数据，包括：
27、对所述充电关联数据进行数据预处理，得到关联处理数据；
28、根据所述关联处理数据进行特征选择，得到所述关联处理数据对应的特征子集；
29、将所述关联处理数据对应的特征子集进行特征整合，得到关联特征数据；
30、其中，所述数据预处理包括下述的一种或多种：异常值清洗、缺失值填充和时间序列统一。
31、基于同一专利技术构思，本专利技术还提供了一种电动汽车充电负荷预测系统，包括：
32、数据获取模块：用于获取待预测电动汽车的充电关联数据；
33、特征提取模块：用于根据所述充电关联数据进行特征提取，得到对应的关联特征数据；
34、负荷预测模块：用于基于所述关联特征数据，利用预先构建的充电负荷预测模型，得到所述电动汽车的负荷预测数据；
35、计划制定模块：用于基于所述负荷预测数据和获取到的电网负荷，为所述电动汽车制定充电计划；
36、其中，所述负荷预测模块中的充电负荷预测模型是以所述电动汽车的历史充电关联数据和历史时间段下的实际充电负荷数据作为训练数据，通过高斯牛顿法对非线性自回归神经网络进行训练后得到的。
37、可选的，所述负荷预测模块中的充电负荷预测模型包括如下的构建过程：
38、以所述电动汽车的所述历史充电关联数据作为训练数据的输入数据；
39、以所述电动汽车的所述实际充电负荷数据作为训练数据的输出数据；
40、基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型。
41、可选的，所述负荷预测模块中基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型，包括：
42、步骤s1：将所述输入数据输入至所述非线性自回归神经网络，得到对应的预测数据；
43、步骤s2：初始化参数值，并以所述预测数据和所述输出数据之间的残差平方和作为损失函数；
44、步骤s3：根据所述预测数据、所述输出数据和所述损失函数，计算对应的损失函数值；
45、步骤s4：根据当前的参数值和损失函数值，计算对应的雅可比矩阵和残差向量；
46、步骤s5：根据所述雅可比矩阵和所述残差向量，更新参数值，并基于更新后的参数值和所述输入数据，得到新的预测数据，根据所述新的预测数据，判断当前的损失函数值是否收敛，若是，执行步骤s6；若否，执行步骤s4；
47、步骤s6：计算所述新的预测数据和所述实际充电负荷数据之间的拟合度，若所述拟合度大于设定本文档来自技高网...
【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.如权利要求1所述的方法，其特征在于，所述充电负荷预测模型包括如下的构建过程：
3.如权利要求2所述的方法，其特征在于，所述基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型，包括：
4.如权利要求1所述的方法，其特征在于，所述充电关联数据包括如下的获取过程：
5.如权利要求4所述的方法，其特征在于，所述皮尔逊相关系数法对应的计算式如下：
6.如权利要求4任一项所述的方法，其特征在于，所述充电影响数据包括下述的一种或多种：充电方式、充电起始时间、充电频率、充电时长、电池类型、电池容量和荷电状态。
7.如权利要求1-6任一项所述的方法，其特征在于，所述根据所述充电关联数据进行特征提取，得到对应的关联特征数据，包括：
8.一种电动汽车充电负荷预测系统，其特征在于，包括：
9.如权利要求8所述的系统，其特征在于，所述负荷预测模块中的充电负荷预测模型包括如下的构建过程：
10.如
...【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.如权利要求1所述的方法，其特征在于，所述充电负荷预测模型包括如下的构建过程：
3.如权利要求2所述的方法，其特征在于，所述基于所述输入数据和所述输出数据，利用高斯牛顿法对非线性自回归神经网络进行训练，得到充电负荷预测模型，包括：
4.如权利要求1所述的方法，其特征在于，所述充电关联数据包括如下的获取过程：
5.如权利要求4所述的方法，其特征在于，所述皮尔逊相关系数法对应的计算式如下：
6.如权利要求4任一项所述的方法，其特征在于，所述充电影响数据包括下述...
【专利技术属性】
技术研发人员：田昀，钟伟东，潘博，刘伟，陈鼎，李春，范明，王科丁，徐杰，袁傲，吴琴芳，仲乾元，
申请(专利权)人：嘉兴国电通新能源科技有限公司，
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。