[发明专利]电动汽车分时段换电需求区间预测的集成学习方法及系统

权利要求书

1.一种电动汽车分时段换电需求区间预测的集成学习方法，其特征在于，包括：

构建数据集并进行预处理，将预处理后的数据集分为训练集和测试集；

选择k个基学习器，采用交叉验证方式让每个基学习器对所述训练集的样本进行训练并预测，得到训练集中每个样本的预测区间；

对所述测试集中的每一个输入样本，通过灰色关联分析选择该输入样本的最佳相似日训练集；

根据各基学习器在最佳相似日训练集中的预测结果，建立想要达到的覆盖率的区间宽度最小化的优化模型，并采用带权重系数的L1范数作为正则项；

基于优化模型求解得到的集成预测器的所需要的权重系数，得到集成预测器，基于所述集成预测器得到集成学习预测结果；其中，所述集成预测器的输出是各基学习器的输出、排序结果、基础特征、日前换电需求预测结果在各时段的均值的线性加权组合；

其中，

所述数据集为T＝{(x₁,Y₁),...,(x_n,Y_n)}，

式中，T为数据集，x_i为第i个样本，i取1,…,n，n为样本数；为样本i的第j个特征，j取1,…,m，m为特征数；Y_i为样本i的标签，即电动汽车在每个时间段的换电需求量，i取1,…,n；

所述数据集的特征包括：

x⁽¹⁾为星期，编码从1到7；

x⁽²⁾为是否为周末，是则编码为1，否则为0；

x⁽³⁾为天气，分为晴天、阴天、雨天或雪天，并分别编码为1，2，3；

x⁽⁴⁾为当日的最高气温值；

x⁽⁵⁾为当日的最低气温值；

x⁽⁶⁾为时刻，将一天分为12个时间段，每两个小时作为一个时间段，并分别编码为1，3，5，7，9，11，13，15，17，19，21，23；

x⁽⁷⁾为上周同一天在对应时间段的所有电动汽车换电需求量；

x⁽⁸⁾为预测日的前一天在对应时间段所有电动汽车的换电需求量；

x⁽⁹⁾为所有电动汽车在预测日前一天的行驶里程；

x⁽¹⁰⁾为所有电动汽车在预测日前一天在对应时间段的行驶里程；

x⁽¹¹⁾～x⁽¹⁵⁾分别为在预测日前一天所有车辆结束行驶时，其电池剩余量在区间[0,20％]、[20％,40％]、[40％,60％]、[60％,80％]、[80％,100％]的车辆占所有电动汽车的比例；

x⁽¹⁶⁾～x⁽²⁰⁾分别为在预测日前一天在对应时间段其电池剩余量在区间[0,20％]、[20％,40％]、[40％,60％]、[60％,80％]、[80％,100％]的车辆占所有电动汽车的比例；

所述优化模型为：

f_i^L≤f_i^Lz≤f_i^L+1

f_i^U-1≤f_i^Uz≤f_i^U

f_i^Lz≤f_i^Uz

y_i≤f_i^Uz+B_i(1-z_i)

y_i≥f_i^Lz+B_i(1-z_i)

z_i∈{0,1},f_i^Uz,f_i^Lz为整数

式中，M为相似日训练集中样本个数，f_i^U为集成预测器预测区间的上界，f_i^L为集成预测器预测的区间下界；由于该值为连续值，而电动汽车换电数量都为整数值，所以上界进行向下取整，下界进行向上取整，f_i^Uz和f_i^Lz为取整后的上界与下界；θ₁,θ₂,θ₃为正则项的系数,其他类似，每个α都是权重系数；α₀,β₀为常数项；sort[]为对括号内的元素从小到大进行排序；P为想要达到的覆盖率；为样本x_d,h的第k个特征；pre(x_d,h)为第d天预测值，并根据如下公式得到在每个时间段的预测值：

其中，α^Tf_d为在第d天得到的预测值，Y_D,h为第D天第h时间段的实际换电需求,Y_D为第D天的电动汽车总换电需求；

通过随机森林进行点预测时计算的每个特征的重要性系数，根据重要性系数按从大到小进行排序，按照重要性系数选择前四个特征；所选择的特征为前一天对应时刻行驶里程(x⁽¹⁰⁾)、前一天日行驶里程(x⁽⁹⁾)、前一天对应时刻电池剩余量(SOC)在区间[20％,40％]的电动汽车数量占总数量的比例(x⁽¹⁷⁾)、为预测日的前一天在对应时间段所有电动汽车的换电需求量(x⁽⁸⁾)。