【技术实现步骤摘要】
本专利技术涉及电动汽车的换电需求预测领域；具体地，涉及一种基于深度学习的换电站换电需求预测方法。
技术介绍
1、随着汽车电动化进程的深化，电动汽车的规模日益增大，汽车电动化环保减排、降低运营成本等优点，对减少城市交通碳排放、缓解能源危机具有重大影响，且符合未来可持续发展的趋势。充电与换电是电动汽车的两种补能方式，慢充方式补能时间长，挤占有效运营时间；快充方式在一定程度可提高补能效率，但有损电池使用寿命，而换电模式补能速度快、电池可控性强等优点，可以节省电动汽车用户的充电时间，还可以减轻用户的里程焦虑。因此，换电站的服务能否满足电动汽车用户的需求，其运营效率和服务质量直接关系到电动汽车普及的进程和用户的使用体验，无论对于客户对换电站的搜索和预定、车站运营商的实时操作（例如价格调整），还是对于电池调度输送、再充电，研究换电站的换电需求预测十分重要。
2、目前，基于换电站历史数据的需求预测的研究很少，传统数学统计法主要包括趋势外推法、指数平滑、时间序列预测法、卡尔曼滤波和灰色模型，现代预测法包括机器学习、深度学习。目前，越来越多的研究者用深度学习实现对时间序列的信息提取，循环神经网络(rnn)是时间序列预测中常用的深度学习模型，rnn具有记忆力，通过不同时刻的参数共享，实现对时间序列的信息提取。rnn的变体，如长短期记忆网络(lstm)、双向长短期记忆网络（bi-lstm）、门控循环单元网络(gru)、双向门控循环单元网络（bi-gru），这些变体通过改进和扩展标准rnn模型，有效地增强了时间序列预测的精度和稳定性，使其在
3、很多研究者因为单一模型结构简单而且收敛速度快，采用单一模型对时间序列数据进行信息提取，但单一模型通常具有局限性，其预测精度有限，难以预测波动较大，时间尺度较长的时间序列，在提取深层次特征，处理长时间序列方面仍存在不足。因此，越来越多研究者使用混合模型进行时间序列预测，对单一模型进行组合，可以克服特征提取较为单一的缺点。
4、考虑到当前大多数研究侧重于时序特征的提取，忽略了换电需求与外部影响因素之间的深层隐含关系，换电需求预测的准确率仍有待提高，因此需要深度挖掘换电需求与外部影响因素的隐含信息。
5、已有文献《一种基于时间序列的电动汽车换电需求预测方法及系统》，中国专利公开号为cn114943386a，使用换电历史换电记录，采用n个长短期记忆网络模型来预测换电需求数和阶梯电价，来合理配置充电方式，提高换电站的运营效益。
6、已有文献《一种基于数据驱动的换电站换电需求预测方法及系统》，中国专利公开号为cn118014137a，使用收集到的换电站每日换电订单数据，采用prophet模型和长短时记忆网络（lstm）模型构建组合模型的方法，实现对换电站换电需求的精准预测。
7、时间卷积网络（tcn）能够捕捉时序信息，其处理时间序列的能力优于循环神经网络及其变体，能够构建长时序依赖关系。双向门控循环单元（bigru）则能通过前向和反向处理，使得模型在考虑当前时间步的同时，也综合了前后文信息，更全面地捕捉时间序列中的前后依赖信息，提高了换电需求预测的准确性。自注意力（self-attention）机制动态调整对不同时间步的关注，突出关键特征，提高模型的解释性和准确性。
8、tcn-bigru-attention混合模型能够有效结合tcn和bigru的优势，并通过自注意力机制进一步提高特征提取的精度和模型的鲁棒性。
9、模型首先通过tcn提取时间序列的特征，捕捉换电站换电历史数据、天气数据、节假日数据和日周期等变量之间的关系，然后将提取到的特征输入bigru层，充分利用前向和反向的时间依赖信息，提取各影响因素与换电需求的内在相关性。接下来，应用自注意力(self-attention)机制，获取不同时间尺度之间的联系，对重要时间步进行加权处理，最后通过flatten层和全连接层综合所有特征，输出最终的换电需求预测量，用于换电需求预测。
10、引证文章：wang s, chen a, wang p, et al. short-term electric vehiclebattery swapping demand prediction: deep learning methods[j]. transportationresearch part d: transport and environment, 2023, 119: 103746。
技术实现思路
1、鉴于上述问题，本专利技术的目的是提供一种基于深度学习的换电站换电需求预测方法，用于研究具有高预测精度和强泛化能力，并能融合多种影响因素的换电需求预测模型，能够为电动汽车换电站的运营提供更准确和高效的决策支持，以克服上述现有技术的不足。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种基于深度学习的换电站换电需求预测方法，包括以下步骤：
4、步骤a：获取换电站的历史换电数据，包括订单id、换电事件完成时间、换电站名称和车辆id；获取天气数据、节假日数据，其中，天气数据、节假日数据与换电站的历史换电数据时间匹配；
5、步骤b：对换电站的历史换电数据、天气数据、节假日数据进行预处理；由于在数据采集、传输和存储过程中，会出现设备故障、信号丢失、干扰问题，导致最终存储的数据存在误差或错误；直接使用这些有误差或错误的数据进行建模，会导致模型的准确性和可靠性下降；因此，进行数据预处理，通过修正或滤除这些误差或错误的数据，提高数据质量、消除异常数据的影响、确保数据完整性、提高模型准确性；
6、步骤c：基于深度学习tcn-bigru-attention的换电需求预测模型，tcn-bigru-attention 模型包括输入层、时间卷积网络层、双向门控循环单元网络层、self-attention层、神经网络层和全连接层；
7、步骤d：模型训练与验证，选择合适的损失函数和梯度优化算法用于提高模型的预测精度，损失函数用于衡量模型预测值与实际值之间差异，梯度优化算法通过迭代更新模型参数以最小化损失函数；
8、步骤e：模型有效性分析，选取评价指标和对比试验，验证模型的预测效果；
9、步骤f：模型预测与应用，根据训练好的模型对m个换电站的选定的不同时间间隔的换电需求预测结果；模型预测结果用于换电站的运营决策。
10、作为本专利技术的优选，在步骤b中还包括以下步骤：
11、步骤b1:数据清洗，对数据中的错误形式，包括重复数据、缺失数据、时间异常数据、超出范围数据、无关数据进行重新检查和校对；
12、步骤b2：时间切片，使用python中的pandas数据处理工具，将换电数据集按15min、30min、1h、3h、6h、12h、24h的不同时间间隔进行切片，并统计每个时间片段内的换电事件数量；
13、步骤b3：归一化处理，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的换电站换电需求预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤B中还包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤C中还包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤D中还包括以下步骤：
5.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤E中还包括以下步骤：
6.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤F中还包括以下步骤：
【技术特征摘要】
1.一种基于深度学习的换电站换电需求预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤b中还包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法，其特征在于，在步骤c中还包括以下步骤：
4.根据权...
【专利技术属性】
技术研发人员：周户星，许杨，孙宝凤，梁宏朝，崔云龙，马国栋，李迟，杨肇新，
申请(专利权)人：吉林大学，
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。