【技术实现步骤摘要】
本专利技术涉及充电站预测，特别涉及一种电动汽车充电设施充电负荷预测方法。
技术介绍
1、随着新能源汽车产业的快速发展，电动汽车的数量持续增长，充电设施的需求也随之增加。在推动绿色出行和可持续发展的背景下，充电基础设施的合理布局与科学规划是电动汽车大规模推广的关键。然而，目前在对充电设施进行负荷预测时，对于不同层级以及不同场景没有进行考虑，导致负荷预测值不准确，资源配置不合理。目前负荷特性提取方法包括指标均值选取法、符号分段聚合法、日最大负荷选取法、非参数核密度估计法。
2、总的来说，现有电力规划方法在充电设施分类以及充电设施充电负荷预测两个方面，依然存在较多的不足指出，为此，提出了一种电动汽车充电设施充电负荷预测方法来解决上述问题。
技术实现思路
1、本专利技术提供了一种电动汽车充电设施充电负荷预测方法，将历史充电特征和充电站附近的交通流量实时信息输入改进的bilstm模型与xgboost模型进行充电设施负荷预测，能够精准预测充电站的充电负荷，在充分考虑输入数据实时变化的前提下实现充电站充电负荷精准预测。
2、本专利技术提供了一种电动汽车充电设施充电负荷预测方法，包括：
3、分析电动汽车充电站的充电设施情况，并计算充电设施容量大小；
4、获取历史充电特征，并将所述历史充电特征输入改进的bilstm模型中得到第一充电设施负荷预测值；
5、将充电站附近的交通流量实时信息作为输入数据，将所述输入数据输入预设的xgboost模型中
6、根据所述第一充电设施负荷预测值和第二充电设施负荷预测值计算电动汽车充电设施总充电负荷预测值；
7、根据所述充电设施容量大小和电动汽车充电设施总充电负荷预测值对所述充电站的充电设施进行启停调整。
8、进一步地，所述获取历史充电特征，并将所述历史充电特征输入改进的bilstm模型中得到第一充电设施负荷预测值的步骤，包括：
9、将充电站历史充电负荷、天气、温度、日期等数据作为输入，构造历史充电负荷统计量和与日期相关的新特征，作为历史充电特征；
10、采用ssa优化算法对历史充电负荷数据继续进行处理，迭代后确定vmd模型的惩罚因子α和模态数k；
11、对历史充电负荷数据进行vmd分解，得到k个模态分量，其中非周期性模态分量imf1进入中间层获取影响特征因素，后与周期性模态分量imf2、imfk一同进入bilstm层；
12、在bilstm层中对非周期性模态分量基于特征因素进行预测，对周期性模态分量直接基于历史充电负荷数据进行预测；
13、进入输出层，将所有预测结果进行模态重构，得到第一充电设施负荷预测值。
14、进一步地，所述采用ssa优化算法对历史充电负荷数据继续进行处理，迭代后确定vmd模型的惩罚因子α和模态数k的步骤，包括：
15、vmd确定模态个数，然后根据信号分解个数自适应匹配中心频率、有限带宽，通过高斯解调将信号分解为一系列包含多个不同频率、时序性较强且幅度相对平稳的模态分量信号，将信号的噪声集中在第1个模态中；
16、采用ssa对这2个vmd模型中的惩罚因子α和模态数k进行最优值求解。
17、进一步地，所述将充电站附近的交通流量实时信息作为输入数据，将所述输入数据输入预设的xgboost模型中得到第二充电设施负荷预测值的步骤，包括：
18、交通流量数据由百度地图基于海量的交通出行大数据、车辆轨迹大数据和位置定位大数据等挖掘计算所得，包括拥堵指数和平均速度；
19、将交通流量数据输入预设的xgboost模型，得到第二充电设施负荷预测值；其中，xgboost以减小残差为目标，不断构建子模型、生成预测值，直到残差能够满足误差要求。
20、进一步地，所述交通流量数据中，拥堵指数的计算公式为：
21、
22、其中，η为拥堵指数；ts为车辆实际行程时间；tc为车辆畅通行程时间；vc为车辆畅通情况下平均车速；vs为车辆实际平均车速。
23、进一步地，所述根据所述第一充电设施负荷预测值和第二充电设施负荷预测值计算电动汽车充电设施总充电负荷预测值的步骤，包括：
24、将所述第二充电设施负荷预测值减去所述第二充电设施负荷预测值，得到充电设施预测残差值；
25、将所述充电设施预测残差值加上所述第一充电设施负荷预测值，得到电动汽车充电设施总充电负荷预测值。
26、进一步地，所述根据所述充电设施容量大小和电动汽车充电设施总充电负荷预测值对所述充电站的充电设施进行启停调整的步骤包括：
27、当所述充电设施容量大小大于电动汽车充电设施总充电负荷预测值时，开启所述充电站的所有充电设施进行待用充电；
28、当所述充电设施容量大小小于等于电动汽车充电设施总充电负荷预测值时，根据单个充电设施容量停止部分充电设施的使用。
29、本专利技术还提供了一种电动汽车充电设施充电负荷预测装置，包括：
30、第一计算模块，用于分析电动汽车充电站的充电设施情况，并计算充电设施容量大小；
31、第一预测模块，用于获取历史充电特征，并将所述历史充电特征输入改进的bilstm模型中得到第一充电设施负荷预测值；
32、第二预测模块，用于将充电站附近的交通流量实时信息作为输入数据，将所述输入数据输入预设的xgboost模型中得到第二充电设施负荷预测值；
33、第二计算模块，用于根据所述第一充电设施负荷预测值和第二充电设施负荷预测值计算电动汽车充电设施总充电负荷预测值；
34、调整模块，用于根据所述充电设施容量大小和电动汽车充电设施总充电负荷预测值对所述充电站的充电设施进行启停调整。
35、本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
36、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
37、本专利技术的有益效果为：
38、本专利技术将历史充电特征和充电站附近的交通流量实时信息输入不同的模型中进行预测，充分利用数据的实时变化，采用改进的bilstm模型与xgboost模型进行不同数据的充电设施负荷预测。改进的bilstm模型对天气、温度等实时变化小的特征进行模型训练，xgboost模型对实时变化大的交通流数据进行模型完善，从而更好地适应环境因素的实时变化。将充电负荷预测范围精确到以充电站为单位，以能够精准预测充电站的充电负荷，在充分考虑输入数据实时变化的前提下实现充电站充电负荷精准预测。
本文档来自技高网...【技术保护点】
1.一种电动汽车充电设施充电负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的电动汽车充电设施充电负荷预测方法，其特征在于，所述获取历史充电特征，并将所述历史充电特征输入改进的BiLSTM模型中得到第一充电设施负荷预测值的步骤，包括：
3.根据权利要求2所述的电动汽车充电设施充电负荷预测方法，其特征在于，所述采用SSA优化算法对历史充电负荷数据继续进行处理，迭代后确定VMD模型的惩罚因子α和模态数K的步骤，包括：
4.根据权利要求1所述的电动汽车充电设施充电负荷预测方法，其特征在于，所述将充电站附近的交通流量实时信息作为输入数据，将所述输入数据输入预设的XGBoost模型中得到第二充电设施负荷预测值的步骤，包括：
5.根据权利要求1所述的电动汽车充电设施充电负荷预测方法，其特征在于，所述交通流量数据中，拥堵指数的计算公式为：
6.根据权利要求1所述的电动汽车充电设施充电负荷预测方法，其特征在于，所述根据所述第一充电设施负荷预测值和第二充电设施负荷预测值计算电动汽车充电设施总充电负荷预测值的步骤，包括：
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。