[发明专利]充电站功率利用率预测模型的训练方法、装置及介质

说明书

本发明提供了一种充电站功率利用率预测模型的训练方法、装置及介质，包括以下步骤：构建充电站的样本数据集；样本数据集中包括：样本充电站的样本特征和实际功率利用率；样本特征包括充电站的属性特征、周围的预设区域内其他场所的属性特征、距离满足预设距离条件的其他充电站的属性特征；根据所述样本数据集中特征的属性，生成交叉特征和统计特征；从样本特征和生成的交叉特征和统计特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型，对待预测充电站的功率利用率进行更精确的预测。

技术领域

本发明涉及充电站运行及规划领域，具体而言，涉及一种充电站功率利用率预测模型的训练方法、装置及介质。

背景技术

随着电池充电技术不断的发展，以及对于环境保护越来越重视，电动车已经逐渐成为一种很普遍的交通工具，因此，城市中也需要合理规划公用充电站，尽可能的使每个建成的充电站的功率利用率尽可能的高，才能充分发挥充电站的作用，这就要求在新修建充电站时，预先对各个预备地点的充电站的功率利用率进行预测。

目前，市场现有充电设施的功率利用率的测算方法，通常通过人工经验判断，大致的估计过程是：运营商根据自身的功率利用率数据，通过相似区域的功率利用率范围和经验，对新修建的充电站大致估算出功率利用率的近似值，所得到的充电站的功率利用率不够精确可靠。

发明内容

本发明的目的在于提供一种充电站功率利用率预测模型的训练方法、装置及介质，其能够预测充电站的功率利用率。

本发明是这样实现的：

本申请提供一种充电站功率利用率预测模型的训练方法，包括以下步骤：

构建样本充电站的样本数据集；所述的样本数据集中包括：样本充电站的样本特征和该样本充电站实际功率利用率；所述样本特征包括样本充电站的属性特征、样本充电站周围的预设区域内其他场所的属性特征、与样本充电站之间的距离满足预设距离条件的其他充电站的属性特征；

根据所述样本数据集中样本特征的属性，生成表征样本充电站数据分布的统计特征；

根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征；

从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征；

构建包括所述目标特征和样本充电站实际功率利用率的训练数据集；

利用训练数据集对梯度提升树模型进行训练，得到训练好的功率利用率预测模型；其中，所述功率利用率预测模型用于对待预测充电站的功率利用率进行预测。

在一些实施例中，根据所述样本数据集中样本特征的属性，生成表征多个样本特征协同作用于样本充电站实际功率利用率的交叉特征，包括以下步骤：

从样本数据集中的样本特征中选择指定的多个样本特征；

根据所述的样本特征的属性，将若干个样本特征进行交叉得到交叉特征。

在一些实施例中，所述的充电站功率利用率预测模型的训练方法的从样本数据集的样本特征、生成的统计特征和交叉特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征，包括以下步骤：通过互信息法，从样本数据集的样本特征和生成的特征中筛选得到实际影响所述样本充电站实际功率利用率的目标特征。

在一些实施例中，利用训练数据集对梯度提升树模型进行训练时还通过贝叶斯优化算法(Bayesian Optimization)对梯度提升树模型的超参数进行挑选，得到包括挑选出的超参数的训练好的功率利用率预测模型，以改进梯度提升树模型的超参数。