[发明专利]一种城市区域电动汽车充电需求时空预测方法

摘要

本发明公开了一种城市区域电动汽车充电需求时空预测方法，包括以下步骤：按照经纬度将城市划分为网格区域并统计各区域电动汽车充电需求历史数据；提取各区域历史数据时间序列的时间依赖属性，将各区域的五个时间依赖属性按照对应网格合并成五个时空序列3D张量；对每个时间依赖属性张量分别建立基于卷积长短期记忆神经网络的深度学习子模型，并将五个子模型的输出进行融合；对外部因素数据建立全连接层子模型，将融合结果与全连接层子模型输出再进行融合得到城市各区域电动汽车充电需求预测结果。本发明可以有效提高城市区域电动汽车充电需求预测精度，将为电力系统调度、充电设施规划等提供重要依据。

主权项

1.一种城市区域电动汽车充电需求时空预测方法，其特征在于，步骤如下：步骤一：按照经纬度将城市划分为M×N的网格区域，通过电动汽车数据采集平台获得城市网格区域内所有电动汽车充电桩采集的电动汽车充电耗电量历史数据，并按充电桩所在网格区域累计求和获得各区域历史数据；步骤二：获得影响电动汽车充电需求的外部因素数据，包括日期因素、天气因素；步骤三：通过数据分析，提取各区域历史数据时间序列的时间依赖属性：原始属性、周期属性、趋势属性、均值属性和方差属性；步骤四：将步骤三确定的各区域的五个时间依赖属性按照对应网格合并成五个时空序列3D张量：原始属性张量、周期属性张量、趋势属性张量、均值属性张量、方差属性张量；步骤五：建立神经网络预测模型，该模型由五个基于卷积长短记忆神经网络(ConvLSTM)神经网络和一个基于全连接层的子模型组成，每个ConvLSTM子模型分别处理一个属性张量数据，而全连接层子模型处理外部因素数据；步骤六：将历史数据和外部因素数据输入神经网络预测模型进行迭代训练，使用BPTT不断调整网络的权值和阈值，得到各个子模型的输出；步骤七：将五个ConvLSTM子模型的输出进行加权求和，实现模型融合，再将融合结果与全连接层子模型输出进行融合得到最终预测结果。