[发明专利]充电负荷的处理方法和装置

权利要求书

1.一种充电负荷的处理方法，其特征在于，包括：

获取历史充电数据；

对所述历史充电数据进行划分，得到多个网格对应的历史数据；

利用负荷预测模型对每个网格对应的历史数据进行预测，得到所述每个网格在预设时间段内的充电负荷。

2.根据权利要求1所述的方法，其特征在于，对所述历史充电数据进行划分，得到多个网格对应的历史数据包括：

获取所述历史充电数据对应的目标区域；

按照经纬度信息对所述目标区域进行划分，得到所述多个网格；

将所述历史充电数据分配至所述多个网格，得到所述每个网格对应的历史数据。

3.根据权利要求1所述的方法，其特征在于，所述负荷预测模型是利用贝叶斯正则化算法对反向传播神经网络模型进行训练得到的。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取所述充电负荷对应的预测指标，其中，所述预测指标用于表征影响所述充电负荷的因素；

构建反向传播神经网络模型；

利用所述预测指标生成训练样本；

利用贝叶斯正则化算法和所述训练样本对所述反向传播神经网络模型进行训练，得到所述负荷预测模型。

5.根据权利要求4所述的方法，其特征在于，获取所述充电负荷对应的预测指标包括：

获取所述充电负荷对应的多个目标数据，其中，所述多个目标数据包括：运营模式、充电设施数量、用户数量、区域功能、交通流量和车位数量；

利用方差分析法对所述多个目标数据进行处理，确定每个目标数据的重要程度；

基于所述每个目标数据的重要程度，确定所述预测指标。

6.根据权利要求4所述的方法，其特征在于，所述反向传播神经网络模型包括：输入层、隐含层和输出层，其中，所述输入层的节点数基于所述预测指标的数量确定，所述输出层的节点数为1，所述隐含层的节点数利用试凑法基于所述输入层的节点数和所述输出层的节点数确定。

7.根据权利要求4所述的方法，其特征在于，利用所述预测指标生成训练样本包括：

对所述预测指标进行归一化处理，得到归一化数据；

基于所述归一化数据生成所述训练样本。

8.根据权利要求4所述的方法，其特征在于，利用贝叶斯正则化算法和所述预测指标对所述反向传播神经网络模型进行训练，得到所述负荷预测模型包括：

将所述训练样本输入至所述反向传播神经网络模型，得到所述训练样本的预测结果；

基于所述训练样本的原始结果和所述训练样本的预测结果，得到均方误差；

获取所述反向传播神经网络模型的网络参数的平方和均值；

基于所述均方误差和所述平方和均值，得到所述反向传播神经网络模型的总误差；

基于所述总误差对所述反向传播神经网络模型的正则化参数进行更新，得到所述负荷预测模型。

9.根据权利要求8所述的方法，其特征在于，基于所述总误差对所述反向传播神经网络模型的正则化参数进行更新，得到所述负荷预测模型包括：

判断所述总误差是否大于预设误差，且训练次数是否达到预设次数；

如果所述总误差小于所述预设误差，或所述训练次数达到所述预设次数，则确定所述负荷预测模型训练完成；

如果所述总误差大于所述预设误差，且所述训练次数未达到所述预设次数，则基于预设学习速率更新所述正则化参数。

10.根据权利要求9所述的方法，其特征在于，基于预设学习速率更新所述正则化参数包括：

获取所述总误差的雅克比矩阵；

利用高斯牛顿逼近法对所述雅克比矩阵进行求解，得到有效参数个数；

基于所述均方误差，所述平方和均值，所述有效参数个数和所述预设学习速率，得到更新后的正则化参数。