[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

说明书

本发明公开了用于电动汽车充电站的负荷预测模型的训练方法及训练装置、存储介质、设备。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，并利用多组预测负荷数据和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。通过使用多种历史变量数据，提升了预测精度。同时使用相空间重构技术，从输入数据中提取更多有用的信息，提高了模型的计算性能。使用GRU神经网络对输入数据进行预测，加快了计算速度，并结合Q学习算法，提升了模型的预测精度。

技术领域

本发明属于电池管理技术领域，具体地讲，涉及一种用于电动汽车充电站的负荷预测模型的训练方法及预测装置、计算机可读存储介质、计算机设备。

背景技术

能源短缺与气候变化是全世界正面临的重大挑战。以传统化石燃料作为动力的内燃机汽车排放的废气不仅对空气的造成了极大的污染，还进一步加重了温室效应。世界各国都亟需采取有效的应对措施和政策。大力发展电动汽车能够有效地解决这些问题。电动汽车是一种零排放系统，由电力驱动，在行驶过程中不会产生任何污染环境的物质。电动汽车还可使用多样化的能源包括风能、太阳能等清洁能源，因此大大降低了石化资源的消耗。同时，电动汽车的动力总成和电动机比传统的内燃机汽车更加高效和环保。

电动汽车行业的发展是大势所趋，必然会给电力能源领域带来新的变革和新的问题。随着电动汽车数量的增多，充电站的需求量自然会随之增加。充电站将会面临持续不间断使用的情况，电力系统也会面临负荷过大的问题。为了保证客户的充电需求和电力系统的稳定运行，对电动汽车充电站的负荷预测是极其必要且关键的。准确的负荷预测可以帮助电力公司合理的分配和开发电力基础设施以及载荷配置。

现有的传统技术方案如自回归滑动平均模型、自回归积分滑动平均模型不具备提取非线性特征的能力。而浅层的神经网络存在模型过拟合、随机初始化权重敏感和容易收敛于局部最优等问题。因此常导致预测结果不够准确，误差过大。

深度强化学习是机器学习中的子领域，是将深度学习与强化学习相结合的一种方法，其应用十分广泛。深度强化学习将深度学习对非线性数据隐藏特征的提取能力和强化学习的决策能力相结合，同时具有两者的优点。

传统的负荷预测算法存在的问题一般是预测性能差，鲁棒性和适应性差。电动汽车充电站负荷与外部因素有很强的相关性，而现有的方法通常只考虑单一的外部因素，会导致预测精度低。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何在模型训练过程中考虑多个外部因素，以提高模型预测精度。

(二)本发明所采用的技术方案

一种用于电动汽车充电站的负荷预测模型的训练方法，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。

优选地，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。

优选地，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：