[发明专利]一种基于桩群预测充电量的动态定价系统及方法

权利要求书

1.一种基于桩群预测充电量的动态定价系统，包括数据模块（1），所述数据模块（1）对数据处理包括时间粒度划分和对数据进行标准化，其特征在于：所述数据模块（1）连接有预测模型单元（2），所述预测模型单元（2）包括周期性深度学习模型（3）、时间序列深度学习模型（4）和外部特征模型（5），所述数据模块（1）将处理后的数据经过周期性深度学习模型（3）和时间序列深度学习模型（4）传递连接至外部特征模型（5），所述外部特征模型（5）外连接有定价模块（9），所述定价模块（9）计算后的定价数据通过输出模块（10）输出。

2.根据权利要求1所述的一种基于桩群预测充电量的动态定价系统，其特征在于：所述周期性深度学习模型（3）和时间序列深度学习模型（4）均包括编码器（6）、解码器（7）和神经网络单元（8），所述编码器（6）连接至解码器（7），所述解码器（7）连接至神经网络单元（8）。

3.根据权利要求2所述的一种基于桩群预测充电量的动态定价系统，其特征在于：所述外部特征模型（5）包括三层全连接神经网络单元（501），所述三层全连接神经网络单元（501）还连接有数据特征模块（11）。

4.根据权利要求1所述的一种基于桩群预测充电量的动态定价系统的方法，其特征包括以下步骤：

步骤一、将充电量进行预处理，通过数据处理单元对时间进行小时粒度划分，对数据进行标准化；

步骤二、将预处理后的充电量数据划分为训练集、验证集和测试集；

步骤三、将划分后的充电量数据通过预测模型单元（2）构建预测模型，包括周期性深度学习模型（3）、时间序列深度学习模型（4）和外部特征模型（5）；

步骤四、使用训练集数据对时间序列深度学习模型（4）的预训练部分进行预训练，提前优化时间序列深度学习模型（4）的参数，避免在整体训练时将参数优化到局部最优点；

步骤五、使用训练集数据和验证集数据对步骤三建立的3种模型进行整体训练；

步骤六、使用测试集数据并利用步骤五训练好的模型进行短时预测；

步骤七、使用测试集数据并利用步骤五训练好的模型进行长时预测；

步骤八、利用预测结果实现动态定价。

5.根据权利要求4所述的一种基于桩群预测充电量的动态定价系统的方法，其特征在于：所述步骤一的计算方法为：

其中，表示充电量原始值，表示充电量原始值的最小值，表示充电量原始值的最大值，为归一化的上限值，为归一化的下限值，表示归一化后的区间，为标准化后的结果。

6.根据权利要求4所述的一种基于桩群预测充电量的动态定价系统的方法，其特征在于：所述步骤二和步骤三的计算方法为：

时间序列深度学习模型（4）中采用时间序列数据：

；

周期性深度学习模型（3）中采用周期序列数据：

；

外部特征模型（5）中采用外部特征数据：；

其中，n表示当前时刻，t表示时间序列的步长，p表示周期序列的步长；表示在第n时刻的充电量，表示第n时刻的前i天的相同时刻的充电量，表示前i周的某天的第n时刻的充电量；表示包括第n时刻的前t个时刻的充电量集合，表示包括第n时刻当天的前p天日内相同时刻的充电量集合，表示在第n时刻的外部特征，包括节假日、位置区域、天气。