[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

说明书

本发明公开了一种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，包括：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训练集的样本进行训练并预测；对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，建立满足一定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，基于集成预测器得到集成学习预测结果。本发明能够在满足一定覆盖率的基础上有效降低预测区间宽度，并且有较快的求解速度。

技术领域

本发明涉及电动汽车技术领域，具体涉及一种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。

背景技术

大力发展新能源汽车对促进我国交通领域节能减排、推进汽车行业技术变革、提升我国汽车制造业在国际中核心竞争力具有重要意义。新能源电动汽车换电模式具有购车成本底、高效补能、延长电池寿命等优势，有效缓解了新能源电动汽车续航里程焦虑等现象，为新能源产业技术革新与发展来新机遇。虽然我国电动汽车数量急剧增长，但是换电模式普及率较低，其主要原因有换电站服务率较低、换电站运营成本较高以及电池标准不统一等。

为提高换电站服务质量、减少换电站运营成本、推动电动汽车换电模式的发展，换电站运营商需要准确预测电动汽车的换电需求，为此需要对电动汽车换电需求进行准确预测。但是当前经济发展迅速，人们行为具有高度的不确定性，对于这样不确定性高，且发展复杂的系统，采用点预测的方式进行预测的可靠性比较低，而使用区间预测为决策提供数据支持能够成为一种更稳定可靠的解决方法，更符合实际状况。目前也有许多区间预测方法，如如基于预测模型如神经网络的Delt方法，基于后验分布的Bayesian方法，均值方差方法、分位数回归以及计算量大但实施比较简单的自举法(Bootstrap)方法。这些方法都是基于统计学习方法进行预测，且其依赖的单一的机器学习方法有本身的工作偏向。为了能够使得预测的区间宽度更窄且能够保证预测的点能够落到预测的区间内达到一定的覆盖率，所以通过即结合多种基学习器构建集成预测器来提高预测准确率。集成预测方法有投票法(voting)、袋装法(bagging)、提升法(boosting)、堆叠法(stacking)等等，这些集成学习方法在预测方面的效果都比单一的方法进行预测有着更好的性能。

发明内容

针对现有技术中存在的上述问题，本发明提供一种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，其可在满足一定的覆盖率下使得预测的区间更窄、更准确。

本发明公开了一种电动汽车分时段换电需求区间预测的集成学习方法，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，建立满足一定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。

作为本发明的进一步改进，所述数据集为T＝{(x₁,Y₁),...,(x_n,Y_n)}，