[发明专利]考虑用户充电行为特征数据驱动的电动汽车负荷预测方法

权利要求书

1.一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，包括以下步骤：

1)根据电动汽车的分类，采用和声搜索获取每一类电动汽车对应的最优随机森林参数，具体包括以下步骤：

11)数据预处理：剔除损坏的历史数据，将数据填补完整，并划分为训练数据和检验数据两部分；

12)建立和声记忆库HM：分别在取值范围内随机选择HMS组的初始参数并根据训练数据训练随机森林模型，再通过检验数据获取每组参数所得误差θ从而构建和声记忆库；

13)生成新参数并更新和声记忆库；用产生的新参数训练随机森林，得到新的模型误差θ′，θ′当小于和声记忆库中的最大的一个θ值，则将新参数x′_i及新的模型误差θ'更新到和声记忆库HM中，重复步骤13)，直到迭代次数达到设定值；

14)获取最优随机森林参数：将更新后的和声记忆库中误差最小的一组参数作为该类电动汽车的最优随机森林参数；

2)通过并行回归随机森林建立单辆电动汽车的日前充电负荷预测模型，输入预测日的SOC特征属性，得到当前电动汽车的日前充电负荷预测曲线，具体包括以下步骤：

21)根据当前电动汽车的类型获取对应的最优随机森林参数；

22)采用预测日前4周的历史数据作为SOC训练集S1训练回归随机森林，并每次预测前更新训练数据集；

23)利用Bagging算法对SOC训练集S1进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的SOC单车随机森林预测模型；

24)输入当前车辆预测日的SOC特征属性，得到当前车辆SOC预测曲线；

25)对当前车辆SOC预测曲线进行分段线性拟合，得到充电区间(t₁,t₂)以及充电区间内SOC曲线的拟合函数S_i＝k_i*t+b_i，得到当前车辆发生在预测日充电区间(t₁,t₂)时段的充电功率p_i＝k_i*C_i，其中，b_i为拟合函数的拟合常数，k_i为拟合函数的拟合斜率，即充电速率，C_i为当前车辆的电池容量；

3)通过并行分类随机森林建立单辆电动汽车的充电位置预测模型，输入预测日的充电位置特征属性，得到该电动汽车充电的充电位置预测结果，具体包括以下步骤：

31)根据当前电动汽车的类型获取对应的最优随机森林参数；

32)利用Bagging算法对充电位置训练集S2进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的充电位置随机森林预测模型；

33)输入当前车辆预测日的充电位置特征属性，预测当前车辆的充电位置；

4)重复步骤1)-3)，直到区域内所有电动汽车全部预测完成，累计发生在同一充电位置的充电负荷，进而得到区域内的充电负荷及其时空分布。

2.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤11)中，采用Python中的数据填充函数fillna将数据填补完整。

3.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤12)中，和声记忆库HM的表示形式为：

其中，为第HMS组参数的第4个参数，θ^HMS为采用第HMS组参数训练的随机森林模型所产生的误差。