基于大数据的充电桩电力负荷预测评估方法与流程

1.本发明涉及数据处理技术领域，具体涉及基于大数据的充电桩电力负荷预测评估方法。


背景技术：

2.充电桩电力负荷预测是通过对充电桩的使用数据与环境数据进行分析，预测出未来一定时间内充电桩的电力负荷情况；通过充电桩电力负荷预测可以帮助能源供应商与电网管理者更好地规划电力资源，降低电力浪费，提高电力利用效率；而充电桩电力负荷预测主要通过加权滑动平均法对数据进行处理，根据观测时间对每个数据赋予不同大小的权重，给观测时间段较早的数据赋予较小的权重，给观测时间较晚的数据赋予较大的权重，进而实现未来一定时间内数据的预测。
3.传统的加权滑动平均法的权重由于是人为给定，所以存在部分数据的权重过大，部分数据的权重过小的情况，从而导致最终得到的预测结果与理想预测结果之间存在较大误差；为了减少误差，本发明提出来了一种根据数据的时序性、波动性、差异性以及趋势性综合得到权重参数，并将权重参数自适应赋予加权滑动平均预测窗口中每个数据的基于大数据的充电桩电力负荷预测评估方法。


技术实现要素：

4.本发明提供基于大数据的充电桩电力负荷预测评估方法，以解决现有的问题。
5.本发明的基于大数据的充电桩电力负荷预测评估方法采用如下技术方案：
6.本发明一个实施例提供了基于大数据的充电桩电力负荷预测评估方法，该方法包括以下步骤：
7.采集充电桩的电能消耗数据，构成时序数据序列，所述时序数据序列中每个元素记为时序数据；
8.将滑动平均窗口中最后一个时序数据以外的每个时序数据记为第一时序数据，将滑动平均窗口中最后一个时序数据记为目标数据，根据第一时序数据的时序序号得到滑动平均窗口中每个第一时序数据的时序权重影响参数；根据时序数据序列得到滑动平均窗口中每个第一时序数据的稳定影响因子与变化影响因子；
9.对时序数据序列进行拟合得到拟合曲线，根据拟合曲线得到滑动平均窗口中每个第一时序数据的趋势影响因子；根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中每个第一时序数据的特征权重影响参数；
10.根据特征权重影响参数与时序权重影响参数得到滑动平均窗口中目标数据的权重，滑动平均窗口在时序数据序列依次滑动，当滑动完成之后所有滑动平均窗口中的目标数据的权重记为时序数据序列中所有时序数据的权重；
11.根据时序数据序列与权重进行充电桩电力负荷预测评估。
12.优选的，所述根据第一时序数据的时序序号得到滑动平均窗口中每个第一时序数
据的时序权重影响参数，包括的具体方法为：
[0013][0014]
式中，xi表示滑动平均窗口内第i个第一时序数据的时序权重影响参数；t1表示滑动平均窗口长度；j表示滑动平均窗口内第j个时序数据的序号。
[0015]
优选的，所述根据时序数据序列得到滑动平均窗口中每个第一时序数据的稳定影响因
[0016]
子与变化影响因子，包括的具体方法为：
[0017]
将该滑动平均窗口中时序数据数值的标准差记为第一标准差，获取其他滑动平均窗口的第一标准差，获取所有滑动平均窗口的第一标准差并进行最小-最大归一化处理，并将该滑动平均窗口处理后的第一标准差记为该滑动平均窗口内每个第一时序数据的稳定影响因子；
[0018]
获取每个滑动平均窗口内每个第一时序数据的稳定影响因子；
[0019]
将该滑动平均窗口中所有时序数据数值的均值记为第一均值，将该滑动平均窗口中每个第一时序数据数值与第一均值的差值记为第一差值，获取该滑动平均窗口中所有的第一差值，将第一差值进行最小-最大归一化处理，将处理后的第一差值记为变化影响因子；
[0020]
获取每个滑动平均窗口内每个第一时序数据的变化影响因子。
[0021]
优选的，所述根据拟合曲线得到滑动平均窗口中每个第一时序数据的趋势影响因子，
[0022]
包括的具体方法为：
[0023]
将每个时序数据在拟合曲线中对应的数据记为拟合数据；将每个时序数据与对应拟合数据的差值绝对值记为第一绝对值；获取时序数据序列中所有的第一绝对值，对所有的第一绝对值进行最小-最大归一化处理，将处理后的第一绝对值记为趋势影响因子；
[0024]
获取每个滑动平均窗口中每个第一时序数据的趋势影响因子。
[0025]
优选的，所述根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中
[0026]
每个第一时序数据的特征权重影响参数，包括的具体方法为：
[0027]
将滑动平均窗口内第一时序数据的稳定影响因子、滑动平均窗口内第一时序数据的变化影响因子与滑动平均窗口内第一时序数据的趋势影响因子的乘积记为滑动平均窗口内第一时序数据的特征权重影响参数。
[0028]
优选的，所述根据特征权重影响参数与时序权重影响参数得到滑动平均窗口中目标数
[0029]
据的权重，包括的具体方法为：
[0030][0031]
式中，ln表示时序数据序列中第n个目标数据的权重；t1表示滑动平均窗口长度；xi表示滑动平均窗口内第i个第一时序数据的时序权重影响参数；x
t1-1
表示滑动平均窗口内
第t1-1个时序数据的时序权重影响参数；b1i表示滑动平均窗口内第i个第一时序数据的特征权重影响参数；bn表示时序数据序列中第n个目标数据的特征权重影响参数。
[0032]
本发明的技术方案的有益效果是：根据时序数据序列时序位置得到滑动平均窗口中每个第一时序数据的时序权重影响参数；根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中每个第一时序数据的特征权重影响参数；根据特征权重影响参数与时序权重影响参数得到时序数据序列中所有时序数据的权重，更加有效地避免了因人为给所有时序数据固定权重对时序数据趋势和时序数据精度的影响，使预测数据更准确。
附图说明
[0033]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1为本发明基于大数据的充电桩电力负荷预测评估方法的步骤流程图。
具体实施方式
[0035]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据的充电桩电力负荷预测评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0036]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0037]
下面结合附图具体的说明本发明所提供的基于大数据的充电桩电力负荷预测评估方法的具体方案。
[0038]
请参阅图1，其示出了本发明一个实施例提供的基于大数据的充电桩电力负荷预测评估方法的步骤流程图，该方法包括以下步骤：
[0039]
步骤s001：采集时序数据序列。
[0040]
需要说明的是，传统的加权滑动平均法的权重由于是人为给定，所以存在部分时序数据的权重过大，部分时序数据的权重过小的情况，从而导致最终得到的预测结果与理想预测结果之间存在较大误差；为了减少误差，本实施例提出来了一种根据时序数据的时序性、波动性、差异性以及趋势性综合得到权重参数，并将权重参数自适应赋予加权滑动平均预测窗口中每个时序数据的基于大时序数据的充电桩电力负荷预测评估方法。
[0041]
具体的，为了实现本实施例提出的一种基于大时序数据的充电桩电力负荷预测评估方法，首先需要采集时序数据，具体过程为：
[0042]
获取近两天48小时的电能消耗数据，将每一天内每小时消耗平均电能记为时序数据，其中时序数据的数量为48。
[0043]
至此，通过上述方法得到由时序数据构成的时序数据序列。
[0044]
步骤s002：根据时序数据序列时序位置得到滑动平均窗口中除最后一个时序数据
外每个时序数据的时序权重影响参数、稳定影响因子与变化影响因子。
[0045]
需要说明的是，在传统的加权滑动平均法在对时序数据赋予权重时，只考虑了观测时序的长度对时序数据趋势的影响程度，根据时序数据的观测时序对窗口内的时序数据进行加权赋值，其中时序较小的时序数据赋予较小的权重，时序较大的时序数据赋予较大的权重；而在实施过程中，若时序数据的变化差异越大，则越属于异常数据，该时序数据对于时序数据预测影响较大，应赋予较小权重；若时序数据的波动程度越大，则时序数据趋势性越弱，不能更好地预测时序数据，应赋予较小权重。
[0046]
进一步需要说明的是，加权滑动平均法会将滑动平均窗口中最大时序的时序数据之前的所有时序数据的权重累加值的均值作为最大时序的时序数据的权重，而不同时序的时序数据对最大时序的时序数据的权重存在不同程度的影响，其中由于时序较小的时序数据的权重较小，对最大时序的时序数据权重的影响程度较小；而时序较大的时序数据的权重较大，对最大时序的时序数据权重的影响程度较大，所以可根据滑动平均窗口中时序的大小顺序得到每个时序数据影响最大时序的时序数据权重的时序权重影响参数，进而得到每个时序数据调整后的权重。
[0047]
具体的，本实施例预设滑动平均窗口长度t1为7，将时序数据序列中前t1个时序数据序列记为第一个滑动平均窗口，步长为1，沿时序增大方向进行滑动，每滑动一次进行一次滑动平均窗口中最后一个时序数据权重的计算，并且将滑动平均窗口中记为该滑动平均窗口中最后一个时序数据的滑动平均窗口，滑动完毕后得到若干滑动平均窗口，本实施例不进行具体限定，其中t1可根据具体实施情况而定；本实施例以任意一个滑动平均窗口中第i个时序数据为例进行叙述，其中第i个时序数据的时序权重影响参数的计算公式为：
[0048][0049]
式中，xi表示该滑动平均窗口内第i个时序数据的时序权重影响参数，i取正整数，且i《7；t1表示该滑动平均窗口长度；j表示该滑动平均窗口内第j个时序数据的序号；表示该滑动平均窗口内最大时序的时序数据之前的所有时序数据与最大时序的时序数据之间包含的时序数据的数量。
[0050]
获取该滑动平均窗口内除最后一个时序数据外其他时序数据的时序权重影响参数，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的时序权重影响参数。
[0051]
进一步的，将该滑动平均窗口中时序数据数值的标准差记为第一标准差，获取其他滑动平均窗口的第一标准差，获取所有滑动平均窗口的第一标准差并进行最小-最大归一化处理，并将该滑动平均窗口处理后的第一标准差记为该滑动平均窗口内除最后一个时序数据外每个时序数据的稳定影响因子。
[0052]
获取该滑动平均窗口内除最后一个时序数据外其他时序数据的稳定影响因子，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的稳定影响因子。
[0053]
进一步的，将该滑动平均窗口中所有时序数据数值的均值记为第一均值，将该滑动平均窗口中除最后一个时序数据外的每个时序数据数值与第一均值的差值记为第一差值，获取该滑动平均窗口中所有的第一差值，将第一差值进行最小-最大归一化处理，将处理后的第一差值记为变化影响因子。
[0054]
获取该滑动平均窗口除最后一个时序数据外其他时序数据的变化影响因子，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的变化影响因子。
[0055]
至此，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的稳定影响因子与变化影响因子。
[0056]
步骤s003：对时序数据序列进行拟合得到拟合曲线，根据拟合曲线得到滑动平均窗口中除最后一个时序数据外其他时序数据的趋势影响因子，根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口内除最后一个时序数据外每个时序数据的特征权重影响参数。
[0057]
需要说明的是，最小二乘法可以表示时序数据的大致趋势，由于离群数据对残差平方和有较大影响，且离群数据与最小二乘法的拟合曲线的距离较大，而最小二乘法通过最小化残差平方和来拟合曲线表示时序数据的整体趋势，所以可以根据时序数据与拟合曲线对应的拟合数据之间的数值差异确定属于离群数据的时序数据，其中若数值差异越大，则说明对应的时序数据属于离群数据的概率越大，对时序数据的整体趋势影响越大，需要赋予较小的权重；若数值差异越小，则说明对应的时序数据属于离群数据的概率越小，对时序数据的整体趋势影响越小，需要赋予较大的权重；所以可以根据时序数据与最小二乘法的拟合曲线对应的拟合数据之间的数值差异得到影响时序数据权重的趋势影响因子。
[0058]
具体的，对时序数据序列进行最小二乘法曲线拟合得到拟合曲线；将每个时序数据在拟合曲线中对应的数据记为拟合数据；将每个时序数据与对应拟合数据的差值绝对值记为第一绝对值；获取时序数据序列中所有的第一绝对值，对所有的第一绝对值进行最小-最大归一化处理，将处理后的第一绝对值记为趋势影响因子。其中，最小二乘法是公知技术，本实施例不进行叙述。
[0059]
获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的趋势影响因子，获取时序数据序列中所有数据的趋势影响因子。
[0060]
进一步的，根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口内除最后一个时序数据外其他时序数据的特征权重影响参数，其中本实施例任意一个滑动平均窗口内除最后一个时序数据外任意一个时序数据的特征权重影响参数的计算公式为：
[0061]
b1＝w
×
p
×m[0062]
式中，b1表示该滑动平均窗口内该时序数据的特征权重影响参数；w表示该滑动平均窗口内该时序数据的稳定影响因子；p表示该滑动平均窗口内该时序数据的变化影响因子；m表示该滑动平均窗口内该时序数据的趋势影响因子。
[0063]
获取该滑动平均窗口除最后一个时序数据外其他时序数据的特征权重影响参数，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的特征权重影响参数。
[0064]
至此，获取每个滑动平均窗口内除最后一个时序数据外其他时序数据的特征权重影响参数。
[0065]
步骤s004：根据特征权重影响参数与时序权重影响参数得到时序数据序列中所有时序数据的权重，根据时序数据序列与对应权重进行预测评估。
[0066]
具体的，根据特征权重影响参数与时序权重影响参数得到每个滑动平均窗口中最后一个时序数据的权重，本实施例以时序数据序列中第n个时序数据为例进行叙述，计算公式为：
[0067][0068]
式中，ln表示时序数据序列中第n个时序数据的权重，n》6；t1表示滑动平均窗口长度；xi表示滑动平均窗口内第i个时序数据的时序权重影响参数；x
t1-1
表示滑动平均窗口内第t1-1个时序数据的时序权重影响参数；b1i表示滑动平均窗口内第i个时序数据的特征权重影响参数；bn表示时序数据序列中第n个时序数据对应的滑动平均窗口中特征权重影响参数的均值；
[0069]
同理，获取时序数据序列中所有时序数据的权重。
[0070]
需要说明的是，上述方法无法计算时序数据序列中前六个时序数据的权重，本实施例将时序数据序列中前六个时序数据的权重依次预设为0.001、0.002、0.003、0.004、0.005、0.006，本实施例不进行具体限定，其中时序数据序列中前六个时序数据的权重可根据具体实施情况而定。
[0071]
根据时序数据序列与对应的权重通过加权滑动平均法得到时序数据序列最后一个时刻的数据在下一时刻的预测值，该预测值就是根据近两天48小时的电能消耗数据预测出的未来一个小时充电桩电力负荷的电能消耗数据，
[0072]
预设一个电能消耗阈值u，其中本实施例以u＝200为例进行叙述，本实施例不进行具体限定，其中u可根据具体实施情况而定，若未来一小时预测的电能消耗数据大于u，则进行保护措施，本实施例不对保护措施进行具体叙述，其中加权滑动平均法是公知技术，本实施例不进行叙述。
[0073]
至此，本实施例完成。
[0074]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于大数据的充电桩电力负荷预测评估方法，其特征在于，该方法包括以下步骤：采集充电桩的电能消耗数据，构成时序数据序列，所述时序数据序列中每个元素记为时序数据；将滑动平均窗口中最后一个时序数据以外的每个时序数据记为第一时序数据，将滑动平均窗口中最后一个时序数据记为目标数据，根据第一时序数据的时序序号得到滑动平均窗口中每个第一时序数据的时序权重影响参数；根据时序数据序列得到滑动平均窗口中每个第一时序数据的稳定影响因子与变化影响因子；对时序数据序列进行拟合得到拟合曲线，根据拟合曲线得到滑动平均窗口中每个第一时序数据的趋势影响因子；根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中每个第一时序数据的特征权重影响参数；根据特征权重影响参数与时序权重影响参数得到滑动平均窗口中目标数据的权重，滑动平均窗口在时序数据序列依次滑动，当滑动完成之后所有滑动平均窗口中的目标数据的权重记为时序数据序列中所有时序数据的权重；根据时序数据序列与权重进行充电桩电力负荷预测评估。2.根据权利要求1所述基于大数据的充电桩电力负荷预测评估方法，其特征在于，所述根据第一时序数据的时序序号得到滑动平均窗口中每个第一时序数据的时序权重影响参数，包括的具体方法为：式中，x
i
表示滑动平均窗口内第i个第一时序数据的时序权重影响参数；t1表示滑动平均窗口长度；j表示滑动平均窗口内第j个时序数据的序号。3.根据权利要求1所述基于大数据的充电桩电力负荷预测评估方法，其特征在于，所述根据时序数据序列得到滑动平均窗口中每个第一时序数据的稳定影响因子与变化影响因子，包括的具体方法为：将该滑动平均窗口中时序数据数值的标准差记为第一标准差，获取其他滑动平均窗口的第一标准差，获取所有滑动平均窗口的第一标准差并进行最小-最大归一化处理，并将该滑动平均窗口处理后的第一标准差记为该滑动平均窗口内每个第一时序数据的稳定影响因子；获取每个滑动平均窗口内每个第一时序数据的稳定影响因子；将该滑动平均窗口中所有时序数据数值的均值记为第一均值，将该滑动平均窗口中每个第一时序数据数值与第一均值的差值记为第一差值，获取该滑动平均窗口中所有的第一差值，将第一差值进行最小-最大归一化处理，将处理后的第一差值记为变化影响因子；获取每个滑动平均窗口内每个第一时序数据的变化影响因子。4.根据权利要求1所述基于大数据的充电桩电力负荷预测评估方法，其特征在于，所述根据拟合曲线得到滑动平均窗口中每个第一时序数据的趋势影响因子，包括的具体方法为：将每个时序数据在拟合曲线中对应的数据记为拟合数据；将每个时序数据与对应拟合数据的差值绝对值记为第一绝对值；获取时序数据序列中所有的第一绝对值，对所有的第
一绝对值进行最小-最大归一化处理，将处理后的第一绝对值记为趋势影响因子；获取每个滑动平均窗口中每个第一时序数据的趋势影响因子。5.根据权利要求1所述基于大数据的充电桩电力负荷预测评估方法，其特征在于，所述根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中每个第一时序数据的特征权重影响参数，包括的具体方法为：将滑动平均窗口内第一时序数据的稳定影响因子、滑动平均窗口内第一时序数据的变化影响因子与滑动平均窗口内第一时序数据的趋势影响因子的乘积记为滑动平均窗口内第一时序数据的特征权重影响参数。6.根据权利要求1所述基于大数据的充电桩电力负荷预测评估方法，其特征在于，所述根据特征权重影响参数与时序权重影响参数得到滑动平均窗口中目标数据的权重，包括的具体方法为：式中，l
n
表示时序数据序列中第n个目标数据的权重；t1表示滑动平均窗口长度；x
i
表示滑动平均窗口内第i个第一时序数据的时序权重影响参数；x
t1-1
表示滑动平均窗口内第t1-1个第一时序数据的时序权重影响参数；b1
i
表示滑动平均窗口内第i个第一时序数据的特征权重影响参数；b
n
表示时序数据序列中第n个目标数据的滑动平均窗口中所有第一时序数据的特征权重影响参数的均值。

技术总结
本发明涉及数据处理技术领域，具体涉及基于大数据的充电桩电力负荷预测评估方法，包括：根据时序数据序列时序位置得到滑动平均窗口中每个第一时序数据的时序权重影响参数；根据时序数据序列得到滑动平均窗口中每个第一时序数据的稳定影响因子与变化影响因子；根据拟合曲线得到滑动平均窗口中每个第一时序数据的趋势影响因子；根据稳定影响因子、变化影响因子与趋势影响因子得到滑动平均窗口中每个第一时序数据的特征权重影响参数；根据特征权重影响参数与时序权重影响参数得到时序数据序列中所有时序数据的权重；根据时序数据序列与权重进行预测评估。本发明更有效避免了因人为给所有时序数据固定权重对趋势和精度的影响，使预测数据更准确。使预测数据更准确。使预测数据更准确。


技术研发人员：黄龙 顾骏 张君杰
受保护的技术使用者：浙江东鸿电子股份有限公司
技术研发日：2023.06.30
技术公布日：2023/9/14