[发明专利]一种电动汽车时空动态负荷预测的方法

权利要求书

1.一种电动汽车时空动态负荷预测的方法，其特征在于，所述方法包括：

步骤S101：将充电桩负荷数据进行预处理，包括：查看所述充电桩负荷数据中的缺失值和异常值；将所述缺失值和所述异常值去掉，并根据拉格朗日差值法填充有效值；

步骤S102：根据所述充电桩负荷数据和充电桩位置信息构建时空动态负荷矩阵，包括：步骤S301：构建坐标轴，确定充电桩的坐标，并计算每个充电桩负荷覆盖的范围；步骤S302：将所有充电桩负荷覆盖范围内填上第一时刻充电桩的负荷量并累加，得到第一时刻的负荷矩阵式中，是坐标为(x,y)点的负荷量；步骤S303：按时间顺序重复步骤S302，直到电动汽车负荷数据所包含的时长T中所有时刻都构建成二维负荷矩阵，并整理时空序列D＝{D₁,D₂,...,D_T},D∈R^T×X×Y，式中，X、Y是代表充电装的地理空间位置坐标；

步骤S103：将所述时空动态负荷矩阵进行归一化处理，得到时空动态负荷归一化矩阵，包括：所述时空动态负荷归一化矩阵中，式中，X_max是所有矩阵元素中的最大值，X_i是i矩阵元素值，X′_i为处理后的归一化矩阵；

步骤S104：将所述时空动态负荷归一化矩阵划分为训练集和测试集；

步骤S105：根据所述训练集训练，得到二维空洞因果卷积神经网络模型；

步骤S106：根据所述测试集测试所述二维空洞因果卷积神经网络模型的结果，若二维空洞因果卷积神经网络模型中的参数使得目标函数在测试集上最小，则进行步骤S107，否则，调整所述二维空洞因果卷积神经网络模型超参数，返回步骤S105；

步骤S107：根据所述二维空洞因果卷积神经网络模型进行预测，并进行反归一化。

2.根据权利要求1所述的电动汽车时空动态负荷预测的方法，其特征在于，将所述时空动态负荷归一化矩阵划分为训练集和测试集，包括：所述时空动态负荷归一化矩阵数据中80％为训练集，20％为训练集。

3.根据权利要求1所述的电动汽车时空动态负荷预测的方法，其特征在于，所述根据所述训练集训练，得到二维空洞因果卷积神经网络模型，包括：

将位置为x、y、z的第l层第j个的数据进行卷积，卷积结果为：且卷积核为(2*w*h)，感受野的大小r＝2^L-1R_i，式中，x、y、z为三维结构的充电桩位置，d＝2^l-1，R_i是三维卷积核第一维的大小，且R_i＝2；

将所述卷积结果依次堆叠，形成所述二维空洞因果卷积神经网络模型M(·)。

4.根据权利要求3所述的电动汽车时空动态负荷预测的方法，其特征在于，根据所述二维空洞因果卷积神经网络模型进行预测，包括：

预测值

式中，N＝r。

5.根据权利要求3所述的电动汽车时空动态负荷预测的方法，其特征在于，所述二维空洞因果卷积神经网络模型M(·)的目标函数为：

式中，W、b为预测网络结构的参数，γ为正则项的权重，D_ture为真实值。

6.根据权利要求1所述的电动汽车时空动态负荷预测的方法，其特征在于，调整所述二维空洞因果卷积神经网络模型超参数，包括：

通过adam随机梯度下降法求得使目标函数最小的二维空洞因果卷积神经网络模型参数。

7.根据权利要求1所述的电动汽车时空动态负荷预测的方法，其特征在于，所述进行反归一化包括：X_i＝X′_i×X_max，

式中，X_max是所有矩阵元素中的最大值，X_i是i矩阵元素值。