专利交易市场

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。

本发明公开一种短期电动汽车充电负荷预测方法及系统。本发明建立日负荷预测模型时，利用近邻传播方法对样本库中的样本进行数据挖掘，可有效提高预测模型的预测效率。同时，本发明充分利用卷积神经网络的特征提取优势，利用RGB颜色映射方法将样本中的充电负荷数值转换成图像数据，同时还考虑了季节、气象、温度、节假日和交通量对充电负荷的影响，能够极大地提高预测模型的预测精度。在此基础上，利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，然后基于最优初始权值和最优初始阈值对卷积神经网络进行训练，能够有效减少由于网络中神经元的初始化随机给定导致的网络训练时间长的问题，进一步提高了预测模型的预测速度。

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。