1.一种基于深度学习的换电站换电需求预测方法,其特征在于,包括以下步骤:步骤A:获取换电站的历史换电数据,包括订单ID、换电事件完成时间、换电站名称和车辆ID;获取天气数据、节假日数据,其中,天气数据、节假日数据与换电站的历史换电数据时间匹配;
步骤B:对换电站的历史换电数据、天气数据、节假日数据进行预处理;由于在数据采集、传输和存储过程中,会出现设备故障、信号丢失、干扰问题,导致最终存储的数据存在误差或错误;直接使用这些有误差或错误的数据进行建模,会导致模型的准确性和可靠性下降;因此,进行数据预处理,通过修正或滤除这些误差或错误的数据,提高数据质量、消除异常数据的影响、确保数据完整性、提高模型准确性;
步骤C:基于深度学习TCN-BiGRU-Attention的换电需求预测模型,TCN-BiGRU-Attention模型包括输入层、时间卷积网络层、双向门控循环单元网络层、Self-Attention层、神经网络层和全连接层;
步骤C1:输入层,模型的输入层接收多种数据,多种数据包括换电站历史数据、天气数据、节假日数据、日周期和周周期数据;多种数据被整合成一个三维张量,作为后续层的输入;
X∈R
其中,R
对每个换电站在每个时间步长上综合考虑换电历史数据、天气数据、节假日数据、日周期和周周期数据,需要将多维特征组织成向量或矩阵格式,用于输入深度学习模型;以下是每种数据的向量或矩阵格式:步骤C1.1:换电历史数据,每个时间步长的换电需求数量表示一个标量,标量或向量格式为[L],L表示每个时间步长的换电需求数量;
步骤C1.2:天气数据,包含多个天气特征,具体为温度、降雨量,在特征向量中,每个天气特征占用一个位置;每个时间步长的向量格式为W=[wW
T
D
R
S
步骤C1.3:节假日数据,标识当前时间步长是否为节假日,标量或向量格式为[H],用一个二进制标志表示,1表示节假日,0表示非节假日,即H取值为0或1;
步骤C1.4:日周期数据:当前时间步长在一天中的小时数,向量格式为[hour],hour的取值范围为0-23;
步骤C1.5;周周期数据:当前时间步长在一周中的天数,向量格式为[day],day的取值范围为1-7;
步骤C1.6:特征向量构建,每个时间步长的特征向量表示为[L,W,H,hour,day];
样本m的二维矩阵可表示为:
m个样本的三维张量可表示为:
x
X
x
需要确定样本数量m,确定所要预测的时间步长n及特征数量p;
特征确定:根据步骤B6的斯皮尔曼相关系数ρ确定特征数量,对于|ρ|≥0.3的即中等相关以上的确定为二维矩阵或三维张量的数据特征,用于提高模型的性能和鲁棒性,避免选择与目标变量关系较弱的特征;
步骤C2:时间卷积网络层,
步骤C2.1:膨胀因果卷积公式:
其中,F(s):卷积操作后的输出在位置s的值;
x:输入信号或输入张量;
*
f:卷积核;
s:当前的位置或时间步;
d:膨胀因子;
k:卷积核的大小;
f(i):卷积滤波器的函数,
X
膨胀因子d随着层数L的增加呈指数增长,d=[1,2,4,…,2步骤C2.2:残差连接公式为X
其中,δ(·)是激活函数,X
步骤C2.3:将输入张量X输入到时间卷积网络结构中,经过膨胀因果卷积后的输出张量X步骤C3:双向门控循环单元网络层,前向传播公式:
反向传播公式:
隐藏层合并公式:
其中:
经过前向和反向GRU后,合并隐藏层的输出张量为X步骤C4:Self-Attention层,计算Query、Key、Value:Q=XW其中,Query:查询向量,用于在注意力机制中表示当前时间步或位置的输入;
Key:键向量,用于表示每个输入向量的特征;
Value:值向量,表示每个输入向量的实际信息;
计算注意力权重:
加权求和:output=Self-Attention(Q,K,V)=Attention(Q,K,V)·V;
其中,X为输入矩阵,W
经过Self-Attention层后的输出张量Y步骤C5:神经网络层,用于将输入数据的多维矩阵展平成一维向量,以及将卷积层或高维层的输出转换为全连接层接受的输入形式;
输入:一个多维矩阵,
输出:一个一维向量,包含输入矩阵中的所有元素;
经过神经网络层后的输出矩阵Y
步骤C6:全连接层,将特征提取层的输出整合,并通过线性变换和非线性激活,用于最终的预测或分类任务,输出最终的预测结果,接收展平后的向量进行最终的换电需求预测;
Y
其中,Y
经过全连接层后的输出矩阵Y
步骤D:模型训练与验证,选择合适的损失函数和梯度优化算法用于提高模型的预测精度,损失函数用于衡量模型预测值与实际值之间差异,梯度优化算法通过迭代更新模型参数以最小化损失函数;
步骤E:模型有效性分析,选取评价指标和对比试验,验证模型的预测效果;
步骤F:模型预测与应用,根据训练好的模型对m个换电站的选定的不同时间间隔的换电需求预测结果;模型预测结果用于换电站的运营决策。
2.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法,其特征在于,在步骤B中还包括以下步骤:步骤B1:数据清洗,对数据中的错误形式,包括重复数据、缺失数据、时间异常数据、超出范围数据、无关数据进行重新检查和校对;
步骤B2:时间切片,使用Python中的Pandas数据处理工具,将换电数据集按15min、30min、1h、3h、6h、12h、24h的不同时间间隔进行切片,并统计每个时间片段内的换电事件数量;
步骤B3:归一化处理,将数据缩放到一个特定的范围,具体范围是[0,1]或[-1,1],使得不同特征的数据在相同的尺度上进行比较和处理;
最小-最大归一化公式如下:
X是原始数据,X
步骤B4:换电数据时间特征分析,换电需求数据呈现一定的时间依赖性,包括换电需求的日周期性、周周期性;换电需求在时间上也呈现一定的规律性,具体为高峰期与低谷期、季节性变化、周期性变化、趋势性变化,对换电站换电数据集的数据进行时间特征分析用于挖掘到数据包含的丰富信息,从而构建基于数据驱动的换电需求预测模型,提升模型的预测效果;
步骤B5:分析天气因素对换电需求的影响,包括温度、降雨量;
步骤B6:分析其他因素对换电需求的影响,包括:节假日;
步骤B7:使用斯皮尔曼相关系数计算各种影响因素与换电需求之间的相关程度;根据斯皮尔曼相关系数的绝对值大小,判断相关性的强弱;公式如下:其中ρ是斯皮尔曼相关系数,d
斯皮尔曼相关系数的值范围在-1到1之间,数值越接近1表示正相关越强,越接近-1表示负相关越强,接近0表示无相关关系;
在确定特征数量时,根据斯皮尔曼相关系数的绝对值设定一个阈值,只有超过该阈值的特征才会被选择用于模型训练;阈值范围如下:|ρ|≥0.7:高度相关,认为特征与目标变量之间有强关系;
0.3≤|ρ|≤0.7:中等相关,特征与目标变量之间有中等强度的关系;
|ρ|≤0.3:低相关,特征与目标变量之间关系较弱;
步骤B8:对换电事件、温度和节假日预处理后的数据按8:1:1的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法,其特征在于,在步骤D中还包括以下步骤:步骤D1:损失函数选择,选取均方根误差,用于衡量预测值与实际值的差异,步骤D2:优化算法选择,Adam优化器通过计算梯度的一阶矩估计以及二阶矩估计,进行参数更新;
步骤D3:模型训练,使用训练集数据进行模型训练,不断更新模型参数;
步骤D4:模型验证,使用验证集数据进行模型验证,根据验证集的表现,不断调整模型超参数,选择最佳模型结构。
4.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法,其特征在于,在步骤E中还包括以下步骤:步骤E1:选取评价指标,平均绝对百分比误差和均方根误差;
平均绝对百分比误差用于回归问题,表示预测值与真实值之间的平均绝对误差占真实值的百分比,公式如下:其中,y
均方根误差用于回归问题,表示预测值与真实值之间的平方误差的均值的平方根,公式如下:步骤E2:对比试验,用于验证所用模型在整体性能上优于现有的基准方法;
去除部分特征:逐步去除输入特征中的天气数据、节假日数据部分,比较不同特征对模型性能的影响。
5.根据权利要求1所述的一种基于深度学习的换电站换电需求预测方法,其特征在于,在步骤F中还包括以下步骤:步骤F1:在换电需求预测中,
换电需求预测的时间划分,更关注短时间内的需求变化,适应动态性较强的换电需求场景,实时性要求高;
短期预测:5分钟至1小时,适用于实时决策、实时信息推送;
中期预测:1小时至12小时,适用于运营调度和资源优化;
长期预测:12小时至24小时或更长,适用于战略规划和长期决策;
步骤F2:短期换电需求预测结果应用,实时信息推送:客户通过手机应用查询换电站的可用电池数量及排队情况,选择合理的换电时间和地点;
换电预约系统:客户提前预约换电服务,减少等待时间;
实时决策:运营商的实时操作,包括价格调整决策、电池充电决策;
步骤F3:中期换电需求预测结果应用,动态定价:鼓励客户在非高峰时段进行换电,平衡需求;
运营调度:电池及人力资源的调动,确保未来数小时的供应;
充电计划:化充电计划,避免电池过度充电或供应不足,以及根据电价合理安排充电;
步骤F4:长期换电需求预测结果应用,战略规划:制定一天的运营策略,包括库存管理和人员安排;
价格策略:制定一天的动态定价策略,平衡供需关系,优化收益;
资源配置:进行长时间段的资源配置和维护计划,确保设备和设施的正常运行。