专利交易市场

本发明公开了充电桩负荷预测方法及系统，涉及电网协同控制技术领域，本发明基于车桩交互动态时序构建的预测模型，通过实时捕捉电动汽车与充电桩的双向数据交互，结合动态电池指纹库，使负荷预测不再局限于桩端历史数据，动态预测引擎依据电池SoC、SOH及温度的参数，精准适配恒流/恒压阶段的功率计算，生成的负荷曲线能实时反映电池状态变化对充电行为的影响，让预测结果更贴合实际充电场景，为电网调度提供了精准的负荷预判，使电网能根据预测提前调整电力分配，同时为充电桩运营提供了精准的负荷参考，实现了车、桩、网数据的深度融合与协同响应。

一种基于copula算法的电动汽车充电站负荷预测方法，包括以下步骤1)用户分类，2)分类拟合数据，3)扩充数据4)输出电动汽车充电站负荷曲线。本发明首先将用户进行分类，利用AIC准则和BIC准则选取核函数和copula函数，采用核密度函数拟合数据，结合copula算法得出包含数据之间的耦合关系的扩充数据，该扩充数据能够真实反映用户的实际充电行为，得到的预测曲线更符合实际情况。

本发明提供了考虑光伏用户的馈线短期负荷预测方法，包括：采集负荷数据样本；收集自然气候数据并进行异常数据处理和归一化处理；建立传统馈线负荷短期负荷预测模型；建立光伏发电负荷短期负荷预测模型；综合传统馈线负荷和光伏发电负荷的短期负荷预测结果，得到考虑光伏用户的馈线短期负荷预测结果。本发明提供的预测方法，将考虑光伏用户的馈线负荷分解成传统馈线负荷和光伏发电负荷，通过分析两者所对应的负荷影响因素，更有针对性地输出传统馈线负荷和光伏发电负荷的短期负荷预测值，再综合得出考虑光伏用户的馈线负荷的短期负荷预测结果，所得到的预测结果精度高，较好地满足电网企业对电力负荷预测的需求。

本发明公开了一种电动汽车充电负荷预测方法，首先对电动汽车充电负荷数据处理及分析，即整理电动汽车充电负荷数据，并进行预处理与清洗，从而得到日负荷曲线；针对传统时间序列预测方法在训练数据集构造方面的不足，提出交叉训练集构造方法构造交叉训练集，交叉训练集分为水平训练集和垂直训练集；利用交叉训练集对GRU‑Autoformer模型进行训练得到两个预测模型，然后利用训练好的预测模型对待测样本进行预测；随后，对预测结果进行自适应加权求和，得到预测值；同时，利用改进的材料生成算法优化Autoformer的超参数提高模型性能；最后，结合实时测量值使用自适应卡尔曼滤波对预测结果进行校正，提高对充电负荷估计的准确性，得到最终的预测负荷。