[发明专利]基于长短期记忆网络的用户离家时间预测方法

说明书

本发明涉及一种基于长短期记忆的用户离家时间预测方法，包括以下步骤：步骤1：用户的历史出行数据的记录；步骤2：分别对用户历史回家时间和历史离家时间、这二类数据进行归一化处理，历史初始SOC以及历史目标SOC因为取值处于0到1的区间，无需进行归一化处理；步骤3：对历史数据进行分组，按照表1对应选取输入量和输出量，即组输入量应有9个输入元素；步骤4：对步骤3中产生的数据组进行分组；步骤5：对LSTM网络进行参数设置并对预测网络进行训练；步骤6：用户离家时间的预测值的获取。步骤7：特殊情况应对。该用户离家时间预测模型相较于传统的用户自主设置的方式，能有效减小误差，避免功率浪费以及恶性竞争问题。

技术领域

本发明属于电力系统主动配电网技术领域，特别涉及一种基于长短期记忆网络的用户离家时间预测方法。

背景技术

现有的电动汽车充电方式包括换电池、无线充电和充电桩充电三种。

换电池充电模式的优点是“充电”速度快，甚至快于传统燃油汽车的加油速度。不过这一模式也存在明显的缺点，基本建设的初始成本过高、蓄电池缺乏统一标准以及换电过程可能产生安全隐患等一系列问题使得这一模式难以得到推广。无线充电是指不以电缆为介质进行能量传递，而是通过电磁感应等途径，优点是充电过程方便，缺点则是受制于技术的成熟度和相关材料的研制，这一技术尚未成熟，因此也就难以得到推广。

充电桩充电又可以分为快速充电和常规充电。目前市面的电动汽车普遍都支持这两种充电方式，通常情况下用户会使用所购车品牌专属的壁挂式充电桩，当用户在小区以外时，较为常见的有各个电动汽车品牌的充电站以及国家电网运营的充电站。

快速充电是指以较大的功率对电动汽车进行充电，通常是常规充电功率的数十倍以上。这一充电模式的优点是充电速度快，缺点则是费用相对较高以及对电网的要求更高。常规充电又称为慢充，是指以较小的功率对电动汽车进行充电，该模式下充电功率通常为7kW，市面上大部分纯电动汽车的慢充时间在5到10小时之间。常规充电模式的缺点十分明显，充电时间较长，优点则是对充电的条件要求不高以及安装和使用成本相对低。对于居民小区电动汽车用户而言，一方面考虑到私家车的停留时间较长，通常超过10个小时，正好满足了常规充电对于充电时长的要求；另一方面在私家车停驶的时间内，居民小区的功率曲线大部分时间处于功率低谷，电动汽车的大量并网对电网的影响大大减小。因此从这两方面考虑，常规充电既能很好的满足用户的充电需求，又能减小电动汽车并网对电网的影响，是居民小区用户的首选方案。但是常规充电模式充电时间长，为了提高充电桩利用率，有必要预测充电用户的离家时间。

MLR是常见的预测手段，一般是通过在自变量和因变量之间建立回归方程来建立预测模型。MLR的优点是模型简单，但是其适用范围小，不适用于非线性因果关系的分析。

BP神经网络适用于解决输入与输出之间存在复杂非线性关系的情况，通常只需要对参数进行设置后，导入数据就可以得到训练完的神经网络。BP神经网络的非线性拟合能力较为突出，同时还具有一定的自学习和自适应能力，通过不过优化参数矩阵优化模型。正是因为以上的优点，国内外已经有很多专家学者基于BP神经网络在诸多领域进行应用和研究。但是，BP神经网络实际上属于一种局部搜索的寻优方法，初始化生成的权值矩阵的生成对于模型的效果有一定的影响，可能会导致优化结果收敛于局部最小点的情况出现。另外，隐含层数量以及各层的神经元数量都支持调节，并且网络的性能受这两部分影响，也正是因为此，隐含层数和各层神经元的数量尚未有固定的计算方式，通常都是依靠经验公式进行计算。此外，BP神经网络还有着收敛速度慢的缺点，以及容易出现梯度爆炸的问题。

为了解决长期依赖问题以及长期信息记忆问题，大量的优化理论被应用于优化循环神经网络，许多改进算法得以提出，如神经历史压缩器(Neural History Compressor,NHC)、独立循环神经网络(Independent RNN，IRNN)和独LSTM网络等网络，其中LSTM网络因其在解决涉及长时间跨度问题上有着优异的性能，因此成为应用最为广泛的方法之一。