[发明专利]一种深度多部时空神经网络的电动汽车负荷预测方法

权利要求书

1.一种深度多部时空神经网络的电动汽车负荷预测方法，其特征在于包括：

(S1)建立电动汽车负荷的表示模型：根据充电桩的位置将充电桩充电负荷用二维矩阵表示，得到电动汽车空间负荷矩阵，并根据各二维矩阵的时间顺序整理成时长T的时空动态负荷序列A{A₁,A₂,…,A_t},A∈R^t×x×y，A_t为时间t的电动汽车空间负荷矩阵，其中a_t(x,y)是坐标为(x,y)点的负荷量；电动汽车空间负荷矩阵A_t的表达式为：

(S2)采用步骤S1中建立的表示模型对充电桩的经纬分布以及负荷进行建模，得到实际的时空动态负荷序列；

(S3)构建深度多部时空动态神经网络，并采用训练数据对其进行训练；

(S4)将实际的时空动态负荷序列输入到训练好的时空动态神经网络得到预测结果。

2.根据权利要求1所述的一种深度多部时空神经网络的电动汽车负荷预测方法，其特征在于，步骤S2具体包括：

(S21)构建坐标轴，确定所有充电桩的坐标；

(S22)计算出每个充电桩负荷覆盖的范围，每个充电桩的覆盖范围是自己坐标为中心的一个正方形；

(S23)将所有充电桩负荷覆盖范围内填上该时刻充电桩的负荷量并累加，得到该时刻的电动汽车空间负荷矩阵；

(S24)重复步骤S21至S23，将目标时间段内各时刻的电动汽车空间负荷矩阵组成时空动态负荷序列。

3.根据权利要求1所述的一种深度多部时空神经网络的电动汽车负荷预测方法，其特征在于，步骤S3中深度多部时空动态神经网络包括多个依次连接的单元，每个单元包括：

ConvLSTM结构，用于接收输入数据或者前级单元的输出数据；

三维卷积核，用于接收输入数据或者前级单元的输出数据；

融合层，用于对ConvLSTM结构以及三维卷积核的输出进行融合，得到该单元的输出数据；

最后一个单元的输出数据采用三维卷积核作为输出层进行处理。

4.根据权利要求3所述的一种深度多部时空神经网络的电动汽车负荷预测方法，其特征在于，ConvLSTM结构的表达式为：

其中：X_t表示输入；W_xf、b_f表示遗忘门权重和偏置；W_xi、b_i表示输入门的权重和偏置；W_xc、b_c表示更新值的权重和偏置；W_xo、b_o表示更新值的权重和偏置；σ(g)代表sigmiod激活函数、tanh(g)代表双曲正切激活函数，“*”表示卷积计算，“⊙”代表Hadamard乘法。