[發明專利]一種用于預測充電樁系統充電量的方法

有效

• 申請號: 201810874219.2
• 申請日: 2018-08-03
• 公開（公告）號: CN109146156B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 申彥明;師曉明;王宇新
• 申請（專利權）人: 大連理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 梅洪玉;劉秋彤

本發明提供一種用于預測充電樁系統充電量的方法，屬于充電汽車充電樁領域。該方法首先利用充電量數據的周期性特點，還利用充電量數據的時間序列性特點和趨勢性特點，大幅提高了對數據的利用和預測精度，其次考慮到外部特征節假日、充電樁所在區域對充電量的影響，將其加入到預測模型中，大幅提高了預測精度和對特殊值的預測。本發明的方法不僅大幅提高短時充電量預測的準確度，而且能夠在較高的準確度下預測長時充電量。

技術領域

本發明屬于充電汽車充電樁領域，具體涉及一種用于預測充電樁系統充電量的方法。

背景技術

充電樁系統充電量數據具有周期性、時間序列性和趨勢性?，F階段，對充電量數據預測的方法主要是基于其周期性：基于周期性的歷史平均值預測。

基于周期性的歷史平均值預測，取歷史同一時刻充電量的平均值作為預測值。比如要預測今天12點的充電量，則取前一周或一個月每天12點的充電量的平均值作為預測值。歷史平均值能夠較好的利用數據周期性的特點進行預測，預測結果相對較好，但是預測結果具有滯后性。當短期有特殊事件發生時，比如，充電優惠活動，短期內充電量大幅增加，歷史平均值很難捕捉這種變化，預測效果在這種情況下非常差。而且，歷史平均值無法預測未來長時間的充電量。

神經網絡最開始是受生物神經系統的啟發，為了模擬生物神經系統而出現的，由大量的節點(或稱神經元)之間相互聯接構成。神經網絡根據輸入的變化，對權值進行調整，改善系統的行為，自動學習到一個能夠解決問題的模型。LSTM(長短記憶網絡)是RNN(循環神經網絡)的一種特殊形式，有效地解決多層神經網絡訓練的梯度消失和梯度爆炸問題，能夠處理長時時間依賴序列。LSTM能夠捕獲充電量數據的時間序列特性，使用LSTM模型能夠有效提高預測精度。

LSTM網絡由LSTM單元組成，LSTM單元由單元，輸入門，輸出門和遺忘門組成。

遺忘門：決定從上一個單元的輸出狀態中丟棄多少信息，公式如下：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)

其中，f_t是遺忘門的輸出，x_t是輸入序列，h_t-1是上一個單元的輸出，σ_g表示sigmoid函數，W_f表示輸入的權重參數矩陣，U_f表示上一個單元輸出的權重參數矩陣，b_f表示偏差參數向量。

輸入門：決定讓多少新的信息加入到Cell狀態中，并對單元狀態C進行更新，公式如下：

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)

其中，c_t表示當前單元的單元狀態，σ_g和σ_c表示sigmoid函數，表示矩陣乘積，W_i表示輸入的權重參數矩陣，U_i表示上一個單元輸出的權重參數矩陣，b_i表示偏差參數向量，f_t是遺忘門的輸出，c_t-1是上一個單元的單元狀態，表示矩陣乘積，W_c表示輸入的權重參數矩陣，U_c表示上一個單元輸出的權重參數矩陣，b_c表示偏差參數向量。

輸出門：基于當前的單元狀態輸出結果。