[发明专利]一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质

权利要求书

1.一种基于宽度学习系统的电动车充电负荷时序建模方法，其特征在于，包括以下具体步骤：

(1)电动车充电负荷影响因素的确定

根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

(2)电动车充电负荷相关数据归一化处理

采集实际现场的电动车充电负荷的相关数据，利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据，共获得358组数据，其中前258组样本数据进行模型训练，剩下的100组数据进行模型测试；

(3)基于宽度学习系统的电动车充电负荷时序预测模型建立

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

(4)电动车充电负荷的时序预测

将步骤(2)中的归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

2.根据权利要求1所述的一种基于宽度学习系统的电动车充电负荷时序建模方法，其特征在于，所述建立基于宽度学习系统的电动车充电负荷时序预测模型具体如下：

(1)由影响电动车充电负荷的因素和电动车充电负荷组成的训练样本数据集为为第o个训练样本，作为电动车充电负荷时序预测模型的输入，Y_o为第o个电动车充电负荷，N表示训练样本数据集的总样本数；输入数据集下，把输入数据集通过特征映射得到一系列特征节点，其中第i组特征节点如下：

其中，ψ是激励函数；是权值向量；是偏差向量；m表示特征映射次数，为大于等于1的正整数；将输入数据集经过m次特征映射转化得到：

F^m＝[F₁,F₂,...,F_m].

(2)F^m用于连接到增强节点层，第j个增强节点的输出为：

其中，ξ是双曲正切函数，是随机初始化的偏差，是随机初始化的权值，n是增强节点的数目；所有的增强节点为：

Eⁿ＝[E₁,E₂,...,E_n].

(3)所有特征节点和增强节点都连接到宽度学习模型的输出，则宽度学习模型的输出为：

Y＝[F₁,F₂,...,F_m|E₁,E₂,...,E_n]W＝[F^m|Eⁿ]W

其中，W是宽度学习模型的输出权值；输出权值W由伪逆的脊回归近似获得，即：

W＝(ΩΩ^T+ηI)^-1Ω^TY,

其中，η是岭参数；I是单位矩阵；Y为电动车充电负荷的时序预测值集合。

3.一种基于宽度学习系统的电动车充电负荷时序建模系统，其特征在于，包括，

影响因素确定模块，

用以根据电动车充电性能进行分析，确定影响电动车充电负荷的因素为充电时间、充电功率、节假日、天气、温度；

数据归一化处理模块，

利用归一化公式对所有原始数据进行归一化处理，获得归一化后的电动车充电负荷的相关数据；

时序预测模型建立模块，

将影响电动车充电负荷的因素作为电动车充电负荷时序预测模型的输入，建立基于宽度学习系统的电动车充电负荷时序预测模型；

时序预测模块，

将归一化后的数据中的影响电动车充电负荷因素输入至电动车充电负荷时序预测模型中，得到电动车充电负荷的预测值。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如权利要求1或2所述的基于宽度学习系统的电动车充电负荷时序建模方法的步骤。