基于IndRNN的电动汽车充电负荷预测方法与流程

本发明属于电动汽车充电负荷预测领域，具体是一种基于indrnn的电动汽车充电负荷预测方法。

背景技术：

1、“双碳”背景下，电动汽车的普及率正在迅速增加。政府制定了一系列政策和鼓励措施，以推动电动汽车的采用，包括购车补贴、充电基础设施建设和碳排放减少目标。然而，电动汽车的广泛应用也带来了电力系统的新挑战，特别是与充电负荷相关的挑战，电动汽车充电负荷预测在这一背景下变得至关重要。准确的充电负荷预测可以帮助电力系统运营商更好地规划和管理电力供应，以满足电动汽车的充电需求，同时确保电力网络的稳定性。

2、目前的电动汽车短期充电负荷预测大多采用数据驱动法、模型法和组合法三大类。模型法仅限于充电负荷的真实数据不足，该类方法多以建立数学模型来仿真真实的充电行为模拟，其预测的真实性与准确性通常存在局限。数据驱动法通常采用真实的历史充电负荷数据，更能体现电动汽车充电负荷预测的真实性和可靠性。数据驱动法主要采用人工智能方法进行充电负荷预测。

3、电动汽车充电负荷预测的准确率对电力系统的运行和充电站的运行都有着至关重要的作用。深度学习模型、机器学习模型和组合预测模型是电动汽车充电负荷预测的主流方法。

4、但是，目前应用于电动汽车充电负荷预测的方法大多都采用的是rnn模型；虽然rnn模型在大多数情况下会有较好的预测效果，但是rnn模型无法处理序列信息太长的问题，并且其模型在反向传播的过程中，由于在时间上参数共享，往往会产生梯度消失的情况或者梯度爆炸的情况，这样会对预测结果产生较大的影响，从而使得算法整体的预测精度不高，严重降低了电动汽车充电负荷预测的准确率。

技术实现思路

1、本发明的目的在于解决现有的电动汽车充电负荷预测的问题，提出一种基于indrnn的电动汽车短期充电负荷预测方法。

2、本发明采取以下技术方案：一种基于indrnn的电动汽车充电负荷预测方法，包括：

3、s100：根据电动汽车充电负荷的历史数据，采集电动汽车充电负荷的特征；

4、s200：计算特征之间的相关性和特征与目标任务之间的相关性来评估每个特征的价值，并将采集的特征进行排序；

5、s300：构建电动汽车短期负荷预测模型，将排完序的特征逐一加入电动汽车短期负荷预测模型，进行负荷预测；

6、s400：计算误差指标，通过比较误差指标来确定最佳的输入特征；

7、s500：对步骤s300选取的特征作为电动汽车短期充电负荷预测的特征，输入电动汽车短期负荷预测模型进行预测，得出预测结果。

8、在一些实施例中，步骤s100中，所述特征具体包括：

9、日期特征，包括时间；

10、节假日特征，包括假期；

11、电动汽车的数量特征，包括电动汽车的数量和电动汽车数量^2；

12、气象特征，包括最高气温、最低气温、平均气温、湿度、降雨量、最高温度+湿度、湿度^2、最低温度+湿度、平均温度^2、最高温度-最低温度、降雨量+最低气温、(最高温度-最低温度)^2、湿度平均值^2、最高气温+降雨量、平均气温+湿度、最高气温^2、最低气温^2、平均气温×湿度、湿度×降雨量、平均气温×降雨量、湿度的方差、降雨量的方差。

13、在一些实施例中，步骤s200包括：

14、s201：计算历史负荷数据、气象数据和待预测负荷数据之间的相关性；

15、s202：进行归一化处理；

16、s203：按照最大相关最小冗余进行排序。

17、4.根据权利要求3所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s201的过程如下：

18、假设初始特征向量的集合为 s，输入特征向量的维度为m，即；为已选的输入特征向量集合， l为剩余特征向量集合；在从特征子集选择第n个特征时，在选择该特征后，使下式成立：

19、。

20、5.根据权利要求4所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s203的排序过程如下：

21、1）初始集合s由全部输入特征组成，确定子集k：由任意与输出变量相关的输入变量组成，初始为空集；

22、2）计算集合s中与目标值相关性最大的特征作为第一个加入子集的元素；

23、3）以式为目标，从剩余的特征中选择一个特征加入子集k中；

24、4）重复步骤3），直至剩余的集合为空集，得到初始特征集合按照值的降序排序。

25、在一些实施例中，步骤s300中，所述电动汽车短期负荷预测模型采用indrnn模型。

26、在一些实施例中，步骤s400中，选取平均绝对百分比误差和均方根误差作为评价指标：

27、mape的计算公式为：；

28、rmse的计算公式为：；

29、式中：为k时刻的电动汽车充电负荷真实数据；为电动汽车充电负荷真实数据的平均值；为本方法提出模型预测的k时刻的电动汽车充电负荷预测值；q为测试集中的数据点数。

30、与现有技术相比，本发明在互信息的背景下，提出一种基于最大相关最小冗余和独立循环神经网络的电动汽车短期负荷预测模型。首先，对输入的特征进行排序并选取合适的特征变量，既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。然后，用选取的输入特征变量输入到独立循环神经网络模型进行训练和预测。接着，用独立循环神经网络模型与长短期记忆网络网络和门控循环单元做对比，独立循环神经网络能处理更长的序列信息，并且解决了循环神经网络的梯度消失和梯度爆炸的问题。最后，用实际充电站的数据进行验证，验证了本文所提方法的优越性。

技术特征：

1.一种基于indrnn的电动汽车充电负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s100中，所述特征具体包括：

3.根据权利要求1所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s200包括：

4.根据权利要求3所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s201的过程如下：

5.根据权利要求4所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s203的排序过程如下：

6.根据权利要求1所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述s300中，所述电动汽车短期负荷预测模型采用indrnn模型。

7.根据权利要求1所述的基于indrnn的电动汽车充电负荷预测方法，其特征在于，所述步骤s400中，选取平均绝对百分比误差和均方根误差作为评价指标：

技术总结
本发明属于电动汽车充电负荷预测领域，具体是一种基于IndRNN的电动汽车充电负荷预测方法。包括：S100：根据电动汽车充电负荷的历史数据，采集电动汽车充电负荷的特征；S200：计算特征之间的相关性和特征与目标任务之间的相关性来评估每个特征的价值，并将采集的特征进行排序；S300：构建电动汽车短期负荷预测模型，将排完序的特征逐一加入电动汽车短期负荷预测模型，进行负荷预测；S400：计算误差指标，通过比较误差指标来确定最佳的输入特征；S500：对步骤S300选取的特征作为电动汽车短期充电负荷预测的特征，输入电动汽车短期负荷预测模型进行预测，得出预测结果。

技术研发人员：顾玮,段敬,张栋,郝晓伟,薛泓林,安毅,段婕,王迪
受保护的技术使用者：国网山西省电力公司信息通信分公司
技术研发日：
技术公布日：2024/4/24