[发明专利]一种用于预测充电桩系统充电量的方法

说明书

本发明提供一种用于预测充电桩系统充电量的方法，属于充电汽车充电桩领域。该方法首先利用充电量数据的周期性特点，还利用充电量数据的时间序列性特点和趋势性特点，大幅提高了对数据的利用和预测精度，其次考虑到外部特征节假日、充电桩所在区域对充电量的影响，将其加入到预测模型中，大幅提高了预测精度和对特殊值的预测。本发明的方法不仅大幅提高短时充电量预测的准确度，而且能够在较高的准确度下预测长时充电量。

技术领域

本发明属于充电汽车充电桩领域，具体涉及一种用于预测充电桩系统充电量的方法。

背景技术

充电桩系统充电量数据具有周期性、时间序列性和趋势性。现阶段，对充电量数据预测的方法主要是基于其周期性：基于周期性的历史平均值预测。

基于周期性的历史平均值预测，取历史同一时刻充电量的平均值作为预测值。比如要预测今天12点的充电量，则取前一周或一个月每天12点的充电量的平均值作为预测值。历史平均值能够较好的利用数据周期性的特点进行预测，预测结果相对较好，但是预测结果具有滞后性。当短期有特殊事件发生时，比如，充电优惠活动，短期内充电量大幅增加，历史平均值很难捕捉这种变化，预测效果在这种情况下非常差。而且，历史平均值无法预测未来长时间的充电量。

神经网络最开始是受生物神经系统的启发，为了模拟生物神经系统而出现的，由大量的节点(或称神经元)之间相互联接构成。神经网络根据输入的变化，对权值进行调整，改善系统的行为，自动学习到一个能够解决问题的模型。LSTM(长短记忆网络)是RNN(循环神经网络)的一种特殊形式，有效地解决多层神经网络训练的梯度消失和梯度爆炸问题，能够处理长时时间依赖序列。LSTM能够捕获充电量数据的时间序列特性，使用LSTM模型能够有效提高预测精度。

LSTM网络由LSTM单元组成，LSTM单元由单元，输入门，输出门和遗忘门组成。

遗忘门：决定从上一个单元的输出状态中丢弃多少信息，公式如下：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

其中，f_t是遗忘门的输出，x_t是输入序列，h_t-1是上一个单元的输出，σ_g表示sigmoid函数，W_f表示输入的权重参数矩阵，U_f表示上一个单元输出的权重参数矩阵，b_f表示偏差参数向量。

输入门：决定让多少新的信息加入到Cell状态中，并对单元状态C进行更新，公式如下：

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

其中，c_t表示当前单元的单元状态，σ_g和σ_c表示sigmoid函数，表示矩阵乘积，W_i表示输入的权重参数矩阵，U_i表示上一个单元输出的权重参数矩阵，b_i表示偏差参数向量，f_t是遗忘门的输出，c_t-1是上一个单元的单元状态，表示矩阵乘积，W_c表示输入的权重参数矩阵，U_c表示上一个单元输出的权重参数矩阵，b_c表示偏差参数向量。

输出门：基于当前的单元状态输出结果。