本发明涉及电力负荷预测，尤其涉及一种基于相似周和深度学习模型的电动汽车短期负荷预测方法、装置及存储介质。
背景技术：
1、随着电动汽车渗透率的逐年攀升，其庞大的随机负荷对配电网安全稳定运行的影响也越来越大。同时，在电动汽车与电网双向互动技术的研究愈加成熟的情况下，其对能精确预测电动汽车负荷的技术需求在逐步增加。现有的电动汽车负荷预测多采用模型驱动，然而，模型驱动缺乏真实负荷数据，其负荷预测结果与真实值相差较多且不够稳定。
2、近年来，随着人工智能的快速发展以及大多数城市的电力系统搭建了电动汽车充电站监测平台为电动汽车负荷预测开拓了新的研究方向，即数据驱动，将采样的历史负荷数据输入深度学习网络模型来进行电动汽车的负荷预测，数据驱动在负荷预测上有着更高的精准度和实用性。但由于电动汽车负荷序列存在非线性和特征不明显等特点，单一预测模型难以达到理想的预测精度，且深度学习模型超参数的选取通常使用经验试凑法，也会使得模型预测精度达不到最佳。
3、同时，由于终端数据采集器或人工操作不当等原因，历史负荷数据通常会有许多空白值，甚至会出现长时间数据异常的情况，这会导致输入到深度学习模型的数据集质量过低，从而影响到预测精度，提取相似日进行数据集的重构是常见提高数据集质量的方法，但电动汽车充电站历史负荷数据有着特征不明显与非线性等特点，而相似日的选取通常需要明显的特征。
4、现有公开了一种电动汽车负荷预测方法(专利申请号为：cn202211559258.6)，其包括：获取电动汽车负荷大样本数据，处理所述大样本数据，以使得所述大样本数据归一化；构建lstm模型，将归一化后的所述大样本数据输入所述lstm模型，归一化后的所述大样本数据包括训练集以及测试集，利用所述训练集对所述lstm模型进行训练；所述测试集经过训练后的所述lstm模型处理，得到大样本电动汽车的预测负荷。本发明能够准确预测大样本电动汽车负荷，提高小样本电动汽车负荷预测精度，为电网调度提供依据，提高电动汽车充电的安全性。
5、该公开方案使用lstm对大样本数据进行预测任务，提高了电动汽车负荷预测精度，但是没有对输入数据集进行进一步处理，使用原始数据集会增大预测模型的负担和预测时间，低质量的数据集输入也会影响预测精度；此外，该方案没有对预测模型的参数进行优化，可能导致模型预测效果达不到最佳；且该方案使用lstm单一预测模型，容易出现过拟合影响预测精度的情况。
技术实现思路
1、本发明的目的是为了解决现有技术存在的传统模型驱动预测精度低且不够稳定，单一深度学习模型难以达到理想预测精度，历史负荷数据集质量低，且相似日提取效果差，以及深度学习模型超参数选取困难等问题，而提供的基于相似周和深度学习模型的电动汽车短期负荷预测方法、装置及存储介质。
2、为了实现上述的技术特征，本发明的目的是这样实现的：基于相似周和深度学习模型的电动汽车短期负荷预测方法，包括以下步骤：
3、步骤s1：获取电动汽车充电站的历史充电数据及特征信息；
4、步骤s2：在历史充电数据中筛选出与预测周最相似的a个最优相似周序列，加入特征信息构建相似周数据集；
5、步骤s3：对相似周数据集的所有负荷序列进行ceemdan模态分解处理得到n个模态分量，并对特征信息及模态分量进行归一化处理；
6、步骤s4：将归一化后的特征信息及模态分量输入到cnn-gru深度学习模型中，对模型进行训练，得到最终的电动汽车短期负荷预测模型；
7、步骤s5：将预测日与其前六天组成预测周，输入到电动汽车短期负荷预测模型中，得到n个归一化的模态分量预测数据；
8、步骤s6：对模态分量预测数据进行反归一化并叠加得到预测日电动汽车负荷数据。
9、所述步骤s1中特征信息包括温度、湿度、交通车流量及是否节假日信息。
10、所述步骤s2中相似周序列筛选方式为皮尔逊相关系数和动态时间规整的加权式，具体为：
11、皮尔逊相关系数：
12、
13、dp(x,y)＝1-p；
14、式中，xi和yi为相似周和预测周在相同周日期和相同时刻的负荷值，和分别为相似周和预测周的负荷均值，n为序列长度，p(x,y)为皮尔逊相关系数，dp(x,y)为皮尔逊相关系数的综合度量值。
15、动态时间规整：
16、e(x,y)＝||xi-yj||2；
17、
18、式中，e(x,y)为欧式距离，xi和yj为相似周和预测周在i和j个采样点的负荷值，e为代价矩阵，根据下述递推式求解e(1,1)到e(n,m)的最短路径；
19、
20、式中，γ(i,j)为最短路径，为上一个递推点的值，γ(i-1,j-1)、γ(i-1,j)和γ(i,j-1)为上一个递推点到该递推点的可能路径，得到：
21、
22、式中，ddtw(x,y)为动态时间规整的综合度量值，γ(n,m)为e(1,1)到e(n,m)的最短路径，m为相似周的最大采样点数量，n为预测周的最大采样点数量；
23、加权式：
24、d(x,y)＝αdp(x,y)+βddtw(x,y)；
25、其中，d(x,y)为综合相似性度量，α和β是皮尔逊相关系数和动态时间规整计算式的加权系数。
26、所述步骤s3中，ceemdan模态分解步骤具体为：
27、步骤s3.1，设原始信号为x(t)，将正态分布加入x(t)中，得到预处理序列xi(t)：
28、xi(t)＝x(t)+εδi(t)；
29、式中，i＝1,2,3,…,k，ε为噪声系数，δi为第i次的噪声，k为噪声的个数；
30、步骤s3.2，对xi(t)进行emd分解，将得到的k个模态分量的均值作为ceemdan分解的imf1：
31、
32、r1(t)＝x(t)-imf,1(t)；
33、式中，imf,1(t)即为ceemdan分解的第一个模态分量，r1(t)表示第一次分解后的余量信号，k为模态分量个数；
34、步骤s3.3，再次将噪声加入到分解后的第j阶段余量信号中，并继续emd分解：
35、
36、rj(t)＝rj-1(t)-imf,j(t)；
37、式中，imf,j(t)表示ceemdan分解得到的第j模态分量，ej-1[δi(t)]表示emd分解后的第j-1个imf分量，rj(t)表示第j阶段的余量信号，εj-1为噪声系数；
38、步骤s3.4，重复步骤s3.3，当极值点小于2或者设定的分量个数，则分解结束；此时原始信号被分解为k个信号分量和一个残余分量：
39、
40、其中，r(t)为余量信号，imf,i(t)为第i个信号分量。
41、所述步骤s3中，归一化公式具体为：
42、
43、式中，x和xone分别为归一化前、后的数据值，xmin和xmax分别为数据最小值和最小值。
44、所述步骤s4中，cnn-gru深度学习模型具体为：
45、使用cnn提取输入数据特征，并传入gru进行学习，gru的公式为：
46、zt＝σ(wz×[ht-1,xt])；
47、rt＝σ(wr×[ht-1,xt])；
48、
49、
50、式中，xt表示当前时刻输入信息，ht-1表示上一时刻的隐藏状态，zt表示更新门，rt表示复位门，表示候选隐藏状态，ht表示传递到下一时刻的隐藏状态，σ表示sigmoid函数，wz、wr、w是相应门的权重。
51、cnn-gru深度学习模型中的超参数使用麻雀搜索算法进行优化：
52、需优化的超参数包括两层cnn卷积核数量、三层gru的隐藏神经元数量以及批样本大小、学习率和最大迭代次数，并将优化后超参数的值赋给cnn-gru深度学习模型。
53、所述麻雀搜索算法包括以下步骤：
54、步骤一：发现者位置更新公式为：
55、
56、式中，表示第t次迭代中第i只麻雀的位置，β1是一个随机数，β1∈(0,1]，β2是服从正态分布的随机数，r2是警戒阈值，r2∈[0,1]，st是安全阈值，st∈[0.5,1]，l是与具有相同维度的全1矩阵；当r2＜st时，代表周围没有危险，发现者能够向更广位置觅食，当r2≥st时，代表周围有危险，发现者要转移位置觅食，tmax为最大迭代次数；
57、步骤二：加入者位置更新公式为：
58、
59、式中，为第t次迭代中种群当前最差位置，为第t次迭代中发现者最优位置，q为种群规模，a为元素全为1或-1的一行多维矩阵，当i＞0.5q时，表示当前适应度值太低，加入者需放弃当前区域，转换到其他区域继续觅食行为，当i≤0.5q时，表示当前加入者在最优位置附近进行搜索；
60、步骤三：侦查者位置更新公式为：
61、
62、式中，是当前全局最优位置，β3是一个服从标准正态分布的随机数，b是一个随机数，b∈[-1,1]，ε取值为10-50，防止所在分式的分母为0，fi为当前麻雀的适应度值，fg为当前最优适应度值，fw为当前最差适应度值。
63、一种基于相似周和深度学习模型的电动汽车短期负荷预测装置，所述装置用于实现所述预测方法，所述装置包括：
64、数据采集模块，用于获取电动汽车充电站的历史充电数据及温度、湿度、交通车流量及是否节假日信息；
65、相似周数据集构建模块，用于根据皮尔逊相关系数和动态时间规整的加权式在历史充电数据中筛选出与预测周最相似的a个最优相似周序列，加入特征信息构建相似周数据集；
66、模态分解模块，用于对相似周数据集的所有负荷序列进行ceemdan模态分解处理得到n个模态分量，并对特征信息及模态分量进行归一化处理；
67、超参数优化模块，用于将麻雀搜索算法优化的超参数赋值给cnn-gru深度学习模型；
68、深度学习模型训练模块，用于将归一化后的特征信息及模态分量输入到cnn-gru深度学习模型中，对模型进行训练；
69、电动汽车负荷预测模块，用于将预测日与其前六天组成预测周，输入到电动汽车短期负荷预测模型中，得到n个归一化的模态分量预测数据；
70、预测结果叠加模块，用于对模态分量预测数据进行反归一化并叠加得到预测日电动汽车负荷数据。
71、一种计算机可读存储介质，其存储一个或多个程序，当一个或多个程序被处理器执行时，用于实现如权利要求1-8任一所述的一种基于相似周和深度学习模型的电动汽车短期负荷预测方法。
72、本发明有如下有益效果：
73、1、本发明通过使用cnn-gru组合深度学习模型进行电动汽车负荷预测任务，以cnn模型进行输入负荷序列的特征提取，gru对提取的特征进行学习，可以在大量电动汽车历史负荷数据中充分学习，可以做到预测足够精度且实用性强。
74、2、本发明通过引入麻雀搜索能对cnn-gru深度学习模型进行超参数优化，对模型的两层cnn卷积核数量、三层gru的隐藏神经元数量以及批样本大小、学习率和最大迭代次数进行优化，可以最大限度的提高模型预测精度，且根据不同的数据集提供相应的超参数配置。
75、3、本发明通过历史负荷数据以皮尔逊相关系数和动态时间规整的加权式进行相似周曲线相似度筛选得到相似周数据集，有着更高的数据集质量以及更少的负荷序列长度，解决了历史负荷数据集质量低且相似日提取效果差等问题，同时提高预测精度以及预测速度。
1.基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：所述步骤s1中特征信息包括温度、湿度、交通车流量及是否节假日信息。
3.根据权利要求1所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：所述步骤s2中相似周序列筛选方式为皮尔逊相关系数和动态时间规整的加权式，具体为：
4.根据权利要求1所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：所述步骤s3中，ceemdan模态分解步骤具体为：
5.根据权利要求1所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：所述步骤s3中，归一化公式具体为：
6.根据权利要求1所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：所述步骤s4中，cnn-gru深度学习模型具体为：
7.根据权利要求6所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于：cnn-gru深度学习模型中的超参数使用麻雀搜索算法进行优化：
8.根据权利要求7所述基于相似周和深度学习模型的电动汽车短期负荷预测方法，其特征在于，所述麻雀搜索算法包括以下步骤：
9.一种基于相似周和深度学习模型的电动汽车短期负荷预测装置，其特征在于，所述装置用于实现权利要求1-8任意一项所述预测方法，所述装置包括：
10.一种计算机可读存储介质，其存储一个或多个程序，当一个或多个程序被处理器执行时，用于实现如权利要求1-8任一所述的一种基于相似周和深度学习模型的电动汽车短期负荷预测方法。
