[发明专利]负荷预测模型的训练方法及训练装置、存储介质、设备

权利要求书

1.一种用于电动汽车充电站的负荷预测模型的训练方法，其特征在于，所述训练方法包括：

获取充电站若干时刻的历史负荷状态数据，每一时刻的所述历史负荷状态数据包括多类历史变量数据以及相应的真实负荷数据；

利用预设模型依次对每一时刻的每一类历史变量数据进行单独预测，以生成多组预测负荷数据；

根据强化学习方法，并利用多组所述预测负荷数据和所述真实负荷数据对待训练的负荷预测模型的权重数据组进行训练。

2.根据权利要求1所述的用于电动汽车充电站的负荷预测模型的训练方法，其特征在于，获取所述充电站的历史负荷状态数据之后，所述训练方法还包括：

对多类所述历史负荷状态数据进行相空间重构，以生成多类重构变量数据和重构后的真实负荷数据。

3.根据权利要求2所述的用于电动汽车充电站的负荷预测模型的训练方法，其特征在于，利用预设模型依次对每一时刻的每一类历史变量数据进行单独预测，以生成多组预测负荷数据的方法包括：

将每一时刻的每一类重构变量数据依次输入到循环门单元网络模型，循环门单元网络模型输出多组预测负荷数据。

4.根据权利要求1所述的用于电动汽车充电站的负荷预测模型的训练方法，其特征在于，所述强化学习方法为Q学习方法，利用多组所述预测负荷数据和所述真实负荷数据对待训练的负荷预测模型的权重数据组进行训练的方法包括：

构建并初始化状态矩阵和动作矩阵，其中所述状态矩阵由待训练的权重数据组构成，所述动作矩阵由权重的变化量构成；

状态矩阵按照预设策略执行动作矩阵，以更新权重数据组；

根据更新后的权重数据组、多组预测负荷数据和重构后的真实负荷数据计算损失函数，并根据所述损失函数计算奖励因子；

根据所述奖励因子更新状态矩阵和动作矩阵；

重复上述步骤直至满足迭代条件。

5.根据权利要求4所述的用于电动汽车充电站的负荷预测模型的训练方法，其特征在于，所述损失函数的计算公式为：

其中，w₁，w₂…w_i为待训练的权重数据组，X₁，X₂…X_i为多类历史变量数据，f(X₁)，f(X₂)…f(X_i)为多组预测负荷数据，Y为真实负荷数据，N为历史变量数据的组数。

6.一种用于电动汽车充电站的负荷预测模型的训练装置，其特征在于，所述训练装置包括：

获取模块，用于获取充电站若干时刻的历史负荷状态数据，每一时刻的所述历史负荷状态数据包括多类历史变量数据以及相应的真实负荷数据；

预测模块，用于依次对每一时刻的每一类历史变量数据进行单独预测，以生成多组预测负荷数据；

训练模块，用于根据强化学习方法，并利用多组所述预测负荷数据和所述真实负荷数据对待训练的负荷预测模型的权重数据组进行训练。

7.根据权利要求6所述的用于电动汽车充电站的负荷预测模型的训练装置，其特征在于，所述训练装置还包括：

数据重构模块，用于对多类所述历史负荷状态数据进行相空间重构，以生成多类重构变量数据和重构后的真实负荷数据。

8.根据权利要求6所述的用于电动汽车充电站的负荷预测模型的训练装置，其特征在于，所述训练模块包括：

初始化单元，用于构建并初始化状态矩阵和动作矩阵，其中所述状态矩阵由待训练的权重数据组构成，所述动作矩阵由权重的变化量构成；

执行单元，用于使状态矩阵按照预设策略执行动作矩阵，以更新权重数据组；

计算单元，用于根据更新后的权重数据组、多组预测负荷数据和重构后真实负荷数据计算损失函数，并根据所述损失函数计算奖励因子；

更新单元，用于根据所述奖励因子更新状态矩阵和动作矩阵。