[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

说明书

本发明提供了一种基于桩群预测充电量的动态定价系统，包括数据模块，数据模块对数据处理包括时间粒度划分和对数据进行标准化，数据模块连接有预测模型单元，预测模型单元包括周期性深度学习模型、时间序列深度学习模型和外部特征模型，数据模块将处理后的数据经过周期性深度学习模型和时间序列深度学习模型传递连接至外部特征模型，外部特征模型外连接有定价模块，定价模块计算后的定价数据通过输出模块输出；本发明利用充电桩每个时间点的使用频率实现动态定价，解决了现有的充电桩都为固定电价方法，无论桩群的利用率高低，均使用统一的价格，不利于充电桩的使用和推广，不利于充电桩实现最优化的定价问题。

技术领域

本发明属于电动汽车充电桩定价技术领域，具体涉及一种基于桩群预测充电量的动态定价系统及方法。

背景技术

现阶段，充电平台主要采取固定电价方法，无论桩群的利用率高低，均使用统一的价格。本发明提出根据充电桩的利用率，实现动态定价，从而提高系统的整体收益。

对充电量数据预测的方法主要是基于周期性的历史平均值。该方法取历史同一时刻充电量的平均值作为预测值。比如要预测今天12点的充电量，则取前一周或一个月每天12点的充电量的平均值作为预测值。历史平均值能够较好的利用数据周期性的特点进行预测，预测结果相对较好，但是预测结果具有滞后性。当短期有特殊事件发生时，比如，充电优惠活动，短期内充电量大幅增加，历史平均值很难捕捉这种变化，预测效果在这种情况下非常差。而且，历史平均值无法预测未来长时间的充电量。

神经网络最开始是受生物神经系统的启发，为了模拟生物神经系统而出现的，由大量的节点（或称神经元）之间相互联接构成。神经网络根据输入的变化，对权值进行调整，改善系统的行为，自动学习到一个能够解决问题的模型。LSTM(长短记忆网络)是RNN(循环神经网络)的一种特殊形式，有效地解决多层神经网络训练的梯度消失和梯度爆炸问题，能够处理长时时间依赖序列。LSTM能够捕获充电量数据的时间序列特性，使用LSTM模型能够有效提高预测精度。

LSTM网络由LSTM单元组成，LSTM单元由单元，输入门，输出门和遗忘门组成。

遗忘门：决定从上一个单元的输出状态中丢弃多少信息，公式如下：

其中，是遗忘门的输出，是输入序列，是上一个单元的输出，表示sigmoid函数，表示输入的权重参数矩阵，表示上一个单元输出的权重参数矩阵，表示偏差参数向量。

输入门：决定让多少新的信息加入到Cell状态中，并对单元状态C进行更新，公式如下：

其中，表示当前单元的单元状态，和表示sigmoid函数，表示矩阵乘积，表示输入的权重参数矩阵，表示上一个单元输出的权重参数矩阵，表示偏差参数向量，是遗忘门的输出，是上一个单元的单元状态，表示矩阵乘积，表示输入的权重参数矩阵，表示上一个单元输出的权重参数矩阵，表示偏差参数向量。

输出门：基于当前的单元状态输出结果。

其中，表示当前单元的输出，和表示sigmoid函数，表示矩阵乘积，表示输入的权重参数矩阵，表示上一个单元输出的权重参数矩阵，表示偏差参数向量。

发明内容

本发明要解决现有的充电桩都为固定电价方法，无论桩群的利用率高低，均使用统一的价格，不利于充电桩的使用和推广，不利于充电桩实现最优化的定价问题，为此提供了一种基于桩群预测充电量的动态定价系统。

本发明解决其技术问题采用的技术方案是：