[发明专利]充电站充电负荷预测方法、存储介质以及电子设备

说明书

本发明公开了一种充电站充电负荷预测方法、存储介质以及电子设备，方法包括：获取充电站充电负荷的历史数据样本，记为第一历史数据样本；对第一历史数据样本进行扩充处理得到扩充后的数据样本；利用扩充后的数据样本训练N个充电负荷预测模型，其中，N为大于1的整数；将目标数据样本分别输入至训练好的N个充电负荷预测模型得到N个充电负荷预测值，其中，目标数据样本选自扩充后的数据样本；利用模拟退火算法根据N个充电负荷预测值得到最终的充电负荷预测值。该方法使用迁移学习对数据样本进行扩充，解决了新建充电站负荷历史数据少量且低频的问题，该方法使用模拟退火算法使其计算的时间复杂度和空间复杂度都较低且预测准确率较高。

技术领域

本发明涉及负荷预测技术领域，尤其涉及一种充电站充电负荷预测方法、存储介质以及电子设备。

背景技术

随着电动汽车保有量的增加，作为配套基础设施的充电站数量也在不断增加，由于充电站充电负荷预测是充电站规划、调度的基础，因此保证对充电站充电负荷预测的准确性很重要。

考虑到充电站充电负荷的影响因素存在时间、空间分布上的随机性、间歇性、波动性等不确定性特点，相关技术中提出利用统计数据或基于历史数据建模的负荷预测法，但该负荷预测法受限于历史数据量少、重要数据(如用户驾驶习惯数据、充电偏好数据等)缺失等因素，导致预测负荷准确率较低。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的在于提出一种充电站充电负荷预测方法、存储介质以及电子设备，以解决充电站负荷历史数据少量且低频的问题，降低计算的时间复杂度和空间复杂度。

为达到上述目的，本发明第一方面实施例提出了一种充电站充电负荷预测方法，所述方法包括：获取充电站充电负荷的历史数据样本，记为第一历史数据样本；对所述第一历史数据样本进行扩充处理得到扩充后的数据样本；利用所述扩充后的数据样本训练N个充电负荷预测模型，其中，N为大于1的整数；

将目标数据样本分别输入至训练好的N个充电负荷预测模型得到N个充电负荷预测值，其中，所述目标数据样本选自所述扩充后的数据样本；利用模拟退火算法根据N个所述充电负荷预测值得到最终的充电负荷预测值。

另外，本发明上述实施例的充电站充电负荷预测方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，所述利用模拟退火算法根据N个所述充电负荷预测值得到最终的充电负荷预测值，包括：基于N个所述充电负荷预测值确定模拟退火算法的初始解，并确定初始温度和终止函数；针对第k个温度Tk的每次迭代，对当前解施加随机扰动，产生新解，并计算增量Δt'＝C(S')-C(S)，其中，C()＝Max(p1,p2…,pN)，为目标评价函数，S为所述当前解，S'为所述新解，PN为第N个充电负荷预测值的预测准确率；若Δt'小于0，则接受S'作为新的当前解，否则以概率exp(-Δt'/Tk)接受S'作为新的当前解；若Δt'的绝对值小于终止阈值，则将所述新的当前解作为最优解，并利用所述最优解得到所述最终的充电负荷预测值，否则进行温度Tk的下一次迭代；待温度Tk的迭代次数达到次数阈值时，令k＝k+1，返回所述针对第k个温度Tk的每次迭代，对当前解施加随机扰动，产生新解的步骤，直至所述终止函数满足预设条件或者总迭代次数达到预设次数。

根据本发明的一个实施例，所述基于N个所述充电负荷预测值确定模拟退火算法的初始解，并确定初始温度和终止函数，包括：对应N个所述充电负荷预测值A1,A2,A3,…,AN，设置N个初始权重Wa1、Wa2、Wa3、…、WaN；确定所述初始解为S0＝F(Wa1*A1,Wa2*A2,Wa3*A3,…,WaN*AN)，所述初始温度为T(Wa1,Wa2,Wa3,…,WaN)，所述终止函数为E＝|S(ki)-100|，其中，F()为最优准确率函数，T()为初始温度函数，S(ki)为温度Tk的第i次迭代对应的解；其中，所述最优解为N个最优权重，所述最终的充电负荷预测值为N个所述最优权重与N个所述充电负荷预测值一一对应相乘后的加和。