一种充电桩的电力负荷预测方法及相关组件与流程

1.本发明涉及计算机技术领域，特别涉及一种充电桩的电力负荷预测方法、装置、设备及存储介质。


背景技术：

2.随着新能源汽车保有量的快速增长，充电桩的需求量也急剧增长。随之而来的充电桩的运行数据如电力数据等也会越来越繁杂，管理起来就会相对困难。现有技术中通过对充电桩运行数据进行采集分析，其数据应用仅止步于数据应用层面，虽然可以有效监测充电桩状态，保障充电桩运行可靠性，然其电力数据并未得到充分利用，在新型电力系统领域的价值并未体现。充电桩历史运行数据冗余且缺少价值挖掘的问题较为突出。
3.因此，上述技术问题亟待本领域技术人员解决。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种充电桩的电力负荷预测方法、装置、设备及存储介质，能够提高充电桩的用电负荷数据的利用率并在最大程度上提高预测精准度。其具体方案如下：
5.本技术的第一方面提供了一种充电桩的电力负荷预测方法，包括：
6.获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；
7.利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；
8.根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。
9.可选的，所述利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，包括：
10.将所述输入序列中每一时刻的电力负荷与相关特征串联成向量表示得到新的所述输出序列；
11.基于所述卷积神经网络的平移不变性通过滑动窗口方式依次对新的所述输出序列进行第一处理得到与所述输入序列对应的所述输出特征。
12.可选的，所述卷积神经网络为一维cnn网络；其中，所述一维cnn网络由conv1d层和maxpooling1d层堆叠得到并包含全局池化层或flatten层。
13.可选的，所述长短期记忆网络为循环层堆叠结构，深度学习链接库为keras库，底层依赖框架为tensorflow框架，损失函数为均方误差，优化算法为rmsprop算法。
14.可选的，所述长短期记忆网络的循环层堆叠结构由3个网络层构成，每个网络层中的神经元数量依次为32、64和128，每个网络层间加入随机失活dropout。
15.可选的，其特征在于，所述根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测之后，还包括：
16.计算所述预测模型的由所述输出电力负荷组成的所述输出序列的误差值，并根据所述误差值对预测结果进行调整。
17.可选的，所述计算所述预测模型的由所述输出电力负荷组成的所述输出序列的误差值，包括：
18.基于第一关系式计算所述预测模型的由所述输出电力负荷组成的所述输出序列的平均绝对百分比误差；所述第一关系式为：
[0019][0020]
其中，m为所述输出序列中的负荷值个数，ti为真实负荷值，为模型预测负荷值，e
mape
表征了模型对负荷预测的相对偏离程度，e
mape
值与预测精确度负相关。
[0021]
本技术的第二方面提供了一种充电桩的电力负荷预测装置，包括：
[0022]
获取输入模块，用于获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；
[0023]
模型处理模块，用于利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；
[0024]
预测模块，用于根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。
[0025]
本技术的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述充电桩的电力负荷预测方法。
[0026]
本技术的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述充电桩的电力负荷预测方法。
[0027]
本技术中，先获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；然后利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；最后根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。可见，本技术通过对充电桩的用电负荷进行预测计算从而能够对充电桩电力数据特征进行充分挖掘，提高充电桩的用电负荷数据的利用率。同时预测模型是一个组合模型，卷积神经网络和长短期记忆网络的搭配处理在最大程度上提高预测精准度。
附图说明
[0028]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0029]
图1为本技术提供的一种充电桩的电力负荷预测方法流程图；
[0030]
图2为本技术提供的一种yn-lstm组合模型结构图；
[0031]
图3为本技术提供的一种具体的预测结果比对图；
[0032]
图4为本技术提供的一种具体的充电桩运行数据管理系统图；
[0033]
图5为本技术提供的一种充电桩的电力负荷预测装置结构示意图；
[0034]
图6为本技术提供的一种充电桩的电力负荷预测电子设备结构图。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
目前，通过对充电桩运行数据进行采集分析，其数据应用仅止步于数据应用层面，虽然可以有效监测充电桩状态，保障充电桩运行可靠性，然其电力数据并未得到充分利用，在新型电力系统领域的价值并未体现。充电桩历史运行数据冗余且缺少价值挖掘的问题较为突出。针对上述技术缺陷，本技术提供一种充电桩的电力负荷预测方案，通过对充电桩的用电负荷进行预测计算从而能够对充电桩电力数据特征进行充分挖掘，提高充电桩的用电负荷数据的利用率。同时预测模型是一个组合模型，卷积神经网络和长短期记忆网络的搭配处理在最大程度上提高预测精准度。
[0037]
图1为本技术实施例提供的一种充电桩的电力负荷预测方法流程图。参见图1所示，该充电桩的电力负荷预测方法包括：
[0038]
s11：获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型。
[0039]
本实施例中，先获取目标充电桩的历史电力负荷得到输入序列，然后将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型。对所述目标充电桩的电力负荷进行预测可以分为单桩电负荷预测、单站负荷预测或区域场站供电负荷预测，具体根据所述目标充电桩的规模决定。
[0040]
本实施例中，所述预测模型为yn-lstm组合模型，其中，所述卷积神经网络为一维cnn网络，所述一维cnn网络由conv1d层和maxpooling1d层堆叠得到并包含全局池化层或flatten层。所述长短期记忆网络lstm为循环层堆叠结构，深度学习链接库为keras库，底层依赖框架为tensorflow框架，损失函数为均方误差，优化算法为rmsprop算法。所述长短期记忆网络的循环层堆叠结构由3个网络层构成，每个网络层中的神经元数量依次为32、64和128，每个网络层间加入随机失活dropout。
[0041]
可以理解，lstm是rnn(循环神经网络)的一种，改进模型lstm双络单元结构如图2所示。原始的rnn在训练过程中，随着时间的加长以及网络层数的增多，很容易出现梯度爆炸或梯度消失的问题，从而无法获取较早时间长距离数据的信息。lstm单元能够学习长期依赖，允许过去的信息稍后重新进入，从而解决梯度消失问题。在lstm中，每个神经元是一
个记忆细胞，细胞中有三个门：输入门、遗忘门、输出门、输人门i
t
控制有多少信息可以流入记忆细胞，遗忘门f
t
控制有多少上一时刻的记忆细胞中的信息可以累积到当前时刻的记忆细胞中，输出门o
t
控制有多少当前时刻。
[0042]
s12：利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷。
[0043]
本实施例中，将所述输入序列输入至yn-lstm组合模型之后，先利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，然后利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷。如前文所述，一维卷积神经网络分别处理每个输入序列段，一维卷积神经网络的架构与二维卷积神经网络相同，它是conv1d层和maxpooling1d层的堆叠，最后是一个全局池化层或flatten层。在lstm网络部分，通过循环层堆叠，增加网络容量，进一步提升模型预测能力，增加每层单元数或增加层数，模型设置3层lstm网络层，各层神经元数量依次为32、64、128，在每层lstm网络层间加入随机失活dropout，在每次训练迭代过程中，会随机地在神经网络中放弃25％的神经元，以避免过度拟合。程序使用python编写，基于深度学习链接库keras，底层依赖tensorflow框架，训练过程中将均方误差mse作为损失函数，使用rmsprop优化算法更新权重与偏置。
[0044]
本实施例中，yn-lstm组合模型充分利用一维线性预测数据、神经网络与长短期记忆网络在序列预测方面的优势，并借鉴自然语言处理过程中的词嵌入表示方法，将某一时刻的负荷值与其相关的特征串联成向量表示进而形成一个全新的时间序列数据。每一时刻的历史负荷均由与其相关的特征共同表示然后利用一维卷积的平移不变性使用滑动窗口方式依次将输入的时间序列数据生成特征图。也即所述一维cnn网络对进行第一处理时，先将所述输入序列中每一时刻的电力负荷与相关特征串联成向量表示得到新的所述输出序列，然后基于所述卷积神经网络的平移不变性通过滑动窗口方式依次对新的所述输出序列进行第一处理得到与所述输入序列对应的所述输出特征。在此基础上，yn-lstm组合模型利用lstm网络进行训练最后预测电力负荷。
[0045]
s13：根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。
[0046]
本实施例中，根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。在得到预测结果之后，可以通过与其他模型进行对比来对预测结果的精准度进行评判，具体的，可以计算所述预测模型的由所述输出电力负荷组成的所述输出序列的误差值，并根据所述误差值对预测结果进行调整。本实施例中，可以基于第一关系式计算所述预测模型的由所述输出电力负荷组成的所述输出序列的平均绝对百分比误差；所述第一关系式为：
[0047][0048]
其中，m为所述输出序列中的负荷值个数，ti为真实负荷值，为模型预测负荷值，e
mape
表征了模型对负荷预测的相对偏离程度，e
mape
值与预测精确度负相关。
[0049]
本实施例在模型训练调优之后使用训练好的模型进行某一天电力负荷预测，与单
独的cnn、lstm网络进行对比，实验结果使用平均绝对百分比误差mape作为评估指标，该mape指标描述了模型对负荷预测的相对偏离程度，其值越小，表明模型预测精度越高。图3为比对结果图，模型yn-lstm预测得到的负荷预测曲线精度最高，与实际曲线变化趋势基本一致。
[0050]
需要说明的是，上述方案是将数据挖掘技术将作用与电动汽车整体数据架构中，能够有效作用与单个站点或某区域集群场站场景下，为充电桩电力负荷预测、充电场站离散负载数据的自动收集、网供负载预测功能、模型管理以及新型电力数据管理功能。为此可将上述预测模型集成至一个管控系统中，该系统架构如图4所示，可在新能源电力系统维护、资源调度等方面提供可靠的参考依据，还可为将来新型电力系统的来规划、建设提供精准支撑。其中，充电桩电力负荷预测功能包括单桩电负荷预测、单站负荷预测和区域场站供电负荷预测等子功能。每个功能均涵盖数据预处理、模型构建、模型评估和模型预测等功能，并提供交互式模型以不断优化和改进策略机制，确保模型继续有效。除此之外，系统还提供可视组件使用户能够直观、明确地对数据进行查询、获取和分析，了解当前数据和历史数据的差异。另外，根据需要支持大数据文件的交换，提供压缩编解码器和ftp下载功能。充电场站离散负载数据的自动收集功能通过开发相关的系统集成接口，实现充电桩或场站关联设备的电力承载数据的对接，如环境数据、危险源数据等。网供负载预测是系统的核心功能，主要依赖于集约式充电场站用电负荷预测计算，主要应用数据挖掘模型包括支持向量机、神经网络、多元线性回归、logistic回归、时间序列等，支持按区域、电源类型和特性对当前/历史数据进行可视化显示和动态查询。模型管理及对系统内已有的各种预测模型和数据获取模型进行管理，并提供每个模型的原理描述等管理功能，如模型功能描述、模型示范、新模型添加、信息维护和模型结果导出。新型电力数据管理，包括新型电力系统数据特征管理、新型电力系统数据结构分类管理、新型电力系统数据应用管理等。
[0051]
图4系统包括数据源层、数据接口层、数据库层、数据挖掘层、系统应用层、集成层、用户层和优化提升层。其中，数据源层是系统需要访问的数据源，包含电桩单体电力负荷数据、单站电负荷数据、区域集群场站电力负荷数据、场站环境气象数据、线损数据等。数据接口层是系统访问数据库的接口，包括系统数据接口以及网络数据接口等。数据库层是系统调取数据的运转中心，对源数据进行临时存储、格式筛查、预处理、转换、控制、加载以及调度等，并根据预定模型对数据进行导入、存储、响应系统的各种请求。数据挖掘层主要负责管理数据挖掘过程的链接，例如扶额和预测模型的构建、负载数据预处理以及负荷预测模型的评估与发布。系统应用层根据需求进行系统定义，例如网络供电负荷预测、充电场站用电负荷预测、负载数据自动获取、系统预先维护计划等。集成层主要负责相关网站与能源系统的集成，方便信息查询与数据调取。用户层提供系统管理员、用户等访问的界面。优化提升是对算法模型进行优化，包括更新和优化模型参数以及加速海量数据的处理。使系统整体性能得到优化，并为优化策略与机制的改进提供参考。
[0052]
本实施例涉及到大量非结构化文件，并随着应用的发展不断增长，需要通过分布式文件系统来存储。如hdfs系统(hadoopdistributedfilesystem)，其有着高容错性的特点，并且设计用来部署在低廉的硬件上。hdfs能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。hdfs可以轻松管理pb级的数据，可以存储、管理上亿个文件，存储容量可以水平线性扩展。在数据结构和存储算法上，将数据的访问和存储分布在大量服务器之中，
在可靠多备份存储的同时还能将访问分布在集群中的各个服务器之上。分布式文件系统将一个文件分为多个数据块，分别将每个数据块复制存储在多个节点上，并且提供可自我校验、自我修复的能力，保证数据的高可靠性。同时支持高吞吐量访问，可消除访问瓶颈，并且可使用低成本存储和服务器构建。分布式文件系统能够实现海量数据的存储，系统支持数十pb级的容量，能够高效地管理上亿个文件，并具备优秀的在线扩容能力，当存储容量不足时，用户可以随意扩展存储空间容量，而不必中断业务运行。
[0053]
可见，本技术实施例先获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；然后利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；最后根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。本技术实施例通过对充电桩的用电负荷进行预测计算从而能够对充电桩电力数据特征进行充分挖掘，提高充电桩的用电负荷数据的利用率。同时预测模型是一个组合模型，卷积神经网络和长短期记忆网络的搭配处理在最大程度上提高预测精准度。
[0054]
参见图5所示，本技术实施例还相应公开了一种充电桩的电力负荷预测装置，包括：
[0055]
获取输入模块11，用于获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；
[0056]
模型处理模块12，用于利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；
[0057]
预测模块13，用于根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。
[0058]
可见，本技术实施例先获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；然后利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；最后根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。本技术实施例通过对充电桩的用电负荷进行预测计算从而能够对充电桩电力数据特征进行充分挖掘，提高充电桩的用电负荷数据的利用率。同时预测模型是一个组合模型，卷积神经网络和长短期记忆网络的搭配处理在最大程度上提高预测精准度。
[0059]
在一些具体实施例中，所述模型处理模块12，具体包括：
[0060]
第一处理单元，用于利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征；
[0061]
第二处理单元，用于利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷。
[0062]
在一些具体实施例中，所述第一处理单元，具体包括：
[0063]
串联单元，用于将所述输入序列中每一时刻的电力负荷与相关特征串联成向量表示得到新的所述输出序列；
[0064]
滑动单元，用于基于所述卷积神经网络的平移不变性通过滑动窗口方式依次对新的所述输出序列进行第一处理得到与所述输入序列对应的所述输出特征。
[0065]
在一些具体实施例中，所述充电桩的电力负荷预测装置还包括：
[0066]
计算模块，用于计算所述预测模型的由所述输出电力负荷组成的所述输出序列的误差值；
[0067]
调整模块，用于根据所述误差值对预测结果进行调整。
[0068]
在一些具体实施例中，所述计算模块，具体用于基于第一关系式计算所述预测模型的由所述输出电力负荷组成的所述输出序列的平均绝对百分比误差；所述第一关系式为：
[0069][0070]
其中，m为所述输出序列中的负荷值个数，ti为真实负荷值，为模型预测负荷值，e
mape
表征了模型对负荷预测的相对偏离程度，e
mape
值与预测精确度负相关。
[0071]
进一步的，本技术实施例还提供了一种电子设备。图6是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0072]
图6为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的充电桩的电力负荷预测方法中的相关步骤。
[0073]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0074]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。
[0075]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的充电桩的电力负荷预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的电力负荷数据。
[0076]
进一步的，本技术实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的充电桩的电力负荷预测方法步骤。
[0077]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装
置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0078]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0079]
以上对本发明所提供的充电桩的电力负荷预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。