一种基于模糊深度神经网络的电动汽车充电负荷预测方法、装置、系统及存储介质与流程

1.本发明涉及智能电网领域，具体是一种基于模糊深度神经网络的电动汽车充电负荷预测方法、装置、系统及存储介质。


背景技术：

2.随着社会、经济、科技的不断发展，人们对对能源的需求量也在不断增加。但是，化石能源作为一种不可再生能源由于人们过度开采而日益枯竭，电动汽车具有节能环保、能源利用率高而被大力推广，大规模的电动汽车接入电网，会加剧峰谷差，降低电力系统的稳定性和运行的经济效益，电动汽车充电站负荷的接入也会给电网注入大量谐波进一步地加剧了供电设备运行故障的风险。如何引导电动汽车有序充放电是解决电动汽车充电站与电网连接问题的关键。如何高效、合理地安排电动汽车有序充电，将电动汽车负荷转化为使电力系统收益的工具，提高电力系统稳定性和运行经济性，其关键在于精准的电动汽车充电站负荷预测。国内外专家学者就已经提出了各式各样的电动汽车充电站负荷预测的方法，电动汽车充电站负荷预测的主要方法有回归分析法、时间序列模型和灰色系统预测法等。随着人工智能的兴起，大量人工智能方法被用于电动汽车充电站负荷的预测当中，例如：随机森林预测模型、支持向量回归预测模型、深度神经网络预测方法。这些数据中不仅包含传统的时间序列数据，还包括交通、路道等空间特征信息数据，但这些负荷预测方法难以同时兼顾负荷时间特性和空间特性的问题，越来越多的研究人员也开始关注于电动汽车充电站负荷的时空分布特性。
3.针对上述负荷预测方法存在的问题，提出一种基于模糊深度神经网络的电动汽车充电负荷预测方法，既考虑了更多因素，又客观真实的反映了实际情况。中负荷变化随机性、不确定性较强的特点，电动汽车充电站负荷预测数据复杂多样，负荷时空随机性强，而深度学习算法又具有很强的自适应感知能力，对于这种非线性、随机性、不确定的数据，可以用于很好地拟合和预测负荷。此种方法既考虑了多种负荷预测因素同时又更加贴近实际情况，并将其应用于公交专用站、社会公共站，对提高电动汽车充电站可靠、经济运行具有重要参考价值，对预测工作产生极具意义的积极影响。


技术实现要素：

4.本发明所要解决的问题是提供一种基于模糊深度神经网络的电动汽车充电负荷预测方法、装置、系统及存储介质，在电动汽车充电时进一步建立预测模型，为提高负荷预测精度提供技术支持。
5.本发明的目的是通过以下技术方案实现的：
6.一种基于模糊深度神经网络的电动汽车充电负荷预测方法，包括如下步骤：
7.s1，对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状
况，再将其一起输入到神经网络中；
8.s2，将经过步骤s1处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；
9.s3，预训练后，使用pso对步骤s2初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷。
10.进一步的，步骤s1对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气，再将其一起输入到神经网络中，具体如下：
11.s11：对历史负荷数据进行数据预处理，包括缺损数据的填补、重复数据的检测以及异常数据的检测，具体如下：
12.(1)缺损数据的填补：缺损数据可根据日期类型相同的原则进行填补，数据填补规则如下：
13.x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)
14.式中，x(d,t)为第d天t时刻的充电负荷；x(d,t1)和x(d,t2)分别代表第d天t时刻之前时刻和之后时刻的充电负荷；x(d1,t)和x(d2,t)分别表示在第d天之前、距离第d天最近且与第d天日期类型相同的充电负荷，在第d天之后、距第d天最近且与第d天日期类型相同的充电负荷；ωk(k＝1,2,3,4)为加权系数，加权系数可以根据实际负荷状况自行调整；
15.(2)重复数据的检测：采用自适应近邻排序算法判断数据是否为重复数据：
16.首先划分自适应记录簇，将数据记录时刻作为重复数据检测的关键属性，以数据记录的时间间隔作为事件的相似距离，距离函数为：
17.d(ri,rj)＝|t
i-tj|
18.式中，ri和rj分别为第i条和第j条记录数据；ti和tj分别为第i条和第j条记录数据的时间，如果这两条数据之间的相似距离小于距离阈值φ时，则将这两条数据划分至同一簇；
19.然后进行簇内重复数据融合，通过下式判断数据是否属于重复记录的数据：
[0020][0021]
式中，fi和fj分别表示事件ri和事件rj的数据类型；wi和wj分别表示记录事件ri和事件rj的监测装置；0表示事件ri和事件rj不属于重复记录的数据，1表示事件ri和事件rj是重复记录的数据；
[0022]
(3)异常数据检测；
[0023]
采用k均值聚类方法区分异常数据和有效数据，第一步为初始化聚类中心，设定两个聚类中心c＝{c1,c2}，这两个聚类中心分别设为已知异常数据和一条已知有效数据在欧式空间上的点，将每个聚类中心cj所在集合记为gj；第二步将所有待聚类的数据放入聚类集中，计算从待聚类数据到聚类中心的欧几里得距离，其计算公式为：
[0024][0025]
式中，xi表示待聚类数据；xj表示聚类中心；d(xi,xj)代表待聚类数据到聚类中心
的欧式距离；n为该聚类数据特征的个数；
[0026]
第三步为更新聚类中心，根据每个聚类集合中包含的所有数据点更新聚类中心使得每个数据点到新聚类中心的几何均距最小，公式为：
[0027][0028]
第四步为每当有一条数据输入，就重复第二步到第四步，直至完成最后一条数据的聚类，跳出循环，完成k均值聚类；
[0029]
s12：对历史负荷数据进行预处理和标准化处理；
[0030]
min-max标准化是根据数据指标在该指标中最大值和最小值的相对位置原理，对原始数据进行线性变换，使得最终输出结果落在[0,1]之间，其转换公式为：
[0031][0032]
式中，xi(i＝1,2,
…
,n)为数据集中第i个样本，n为该数据集的样本总数量；x
min
、x
max
分别表示该样本数据中的最小值和最大值；xk(k＝1,2,
…
,n)为经过标准化处理后的值；经过min-max标准化后所有的数据都变成了在[0,1]之间无量纲数据；
[0033]
s13：采用隶属度函数对外界因素进行数字化模糊处理后再作为输入数据带入神经网络中，处理时，将温度区间划分成三个温度子空间，在保证每个空间有些许重叠的情况下分别对应相应的隶属度函数；将三个子空间划分为0℃～10℃低温段、5℃～25℃中温段、20℃～40℃高温段，三个温度段都选用三角形型隶属度函数；
[0034]
将预测日当天最高温度th分别带入隶属度函数公式中分别求出最高温度相对于低温段、中温段、高温段的3个隶属度；将预测日当天的最低温度td和平均温度ta也分别带入公式求出最低温度和平均温度相对于低温段、中温段、高温段的隶属度，经过隶属度函数模糊化后形成的9个温度数据均在[0,1]之间；
[0035]
s14：日类型数据处理：周一至周五即工作日取1，周六、周日即周末取0.5；
[0036]
s15：天气因素的处理：通过查阅气象数据获得预测日的降水概率，降水概率细致地表示预测日当天的天气状况，能够反映当天的晴雨天气，并且降水概率代表的天气状况数据均在(0,1)内；
[0037]
通过上述处理将历史负荷数据、温度、日类型、天气因素的输入量规格化到[0,1]内，便于输入网络进行预测。
[0038]
进一步的，步骤s2将经过步骤s1处理的负荷数据作为脉冲神经网络snn的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化，具体如下：
[0039]
构建深度神经网络模型框架，数据的传输参数包括：时间步长、学习率、输入维度、输出维度、批尺寸、批数、隐藏层神经元个数、深度神经元个数、深度神经网络层数，数据在进入神经网络之前被分为若干批次，再将每个批次以时间步长为单位进行分割，数据首先进入输入层，再经过隐藏层，接着经过若干个深度层进行时序预测，最后经过隐藏层和输出层输出数据；
[0040]
将snn神经网络神经元间的信息连通机制融合到深度神经网络隐藏层之间，神经元的连接激活模型为i&f模型，snn采用脉冲发放时间进行编码，脉冲神经元将外界信息编
码成脉冲触发时间，触发时间作为输入，i&f神经元等效电路用如下方程描述：
[0041][0042]
式中，u(t)是神经元的膜电位，cs是神经元的膜电容，g
l
是神经元的漏电导率，e
l
是反向电势，i(t)是神经元的输入电流；
[0043]
当突触后神经元的膜电位u(t)根据上式累加到阀值电压u
th
时，将被激发产生一个脉冲，该脉冲出现的时间ta作为该神经元的输出，该神经元发出一个脉冲之后，膜电位立刻复位到复位电压u
res
，并且持续一个时长为t
ref
的不应期，在不应期期间，即使有很强的信号输入，神经元也不再积累膜电位，不应期之后，该神经元从新进行膜电位的积累；
[0044]
深度神经网络预测模型具有三层结构：输入层、隐含层以及输出层，输入神经元e对输出神经元f第k条突触未经加权的贡献，由下式求得：
[0045][0046]
式中，dk是两神经元间第k条突触的延时，是其中第k条突触的权重；
[0047]
对应的脉冲响应函数表达式为：
[0048][0049]
式中，τ是对应的膜电位延时时间常数；
[0050]
输入神经元e对输出神经元f的综合贡献为：
[0051][0052]
在tf时刻，输出神经元f的膜电位uf(t)达到其阀值，tf即为该神经元的输出，对于突触k在时刻t的权值更新大小wk(t)为：
[0053][0054]
其中，s
target
(t)表示目标脉冲序列，s
out
(t)表示实际输出脉冲序列，表示突触输入脉冲，w(s)定义了脉冲时间相关性决定的突出可塑性，a表示non-hebbian项，当a取正值的时候w(s)表示使用stdp，当a取负值的时候w(s)表示使用anti-stdp；
[0055]
根据训练过程stdp神经突触前后脉冲神经元的脉冲发放情况更新对应神经突触连接权值，接收第一组负荷数据作为输入用于训练，输出更新后权值，并以该权值作为下一轮的训练目标权值起始值，随后接收第二组负荷数据作为输入用于训练，再次进行权值更新，后续训练过程同上，则深度神经网络每一层神经元的权值完成了初始化，再利用pso算法对权值进行精调。
[0056]
进一步的，预训练后，使用pso对s2中初始化的模糊深度神经网络各层之间权参量精细化微调，预训练和精调后便已建立好模糊深度神经网络预测模型，再输入预测数据便可得到预测的负荷，具体如下：
[0057]
对整个深度神经网络构架进行精细化调整，根据目标误差公式和训练进行调整，目标误差公式如下：
[0058]
[0059]
其中，y是真实数据，y'是预测数据；
[0060]
将初始化后的深度snn模型各层之间的权值作为粒子的位置信息，在算法优化过程中不断更新粒子的速度和位置，从而在全局中搜索最优解，提高深度神经网络的训练效率；
[0061]
粒子的搜索速度和位置的迭代公式为：
[0062]vid
(k+1)＝wv
id
(k)+c1r1(pbest
id
(k)-x
id
(k))+c2r2(gbestd(k)-x
id
(k))
[0063]
x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0064]
其中，v
id
(k)和x
id
(k)分别表示第i个粒子在第k次迭代中第d维上的速度和位置；w表示惯性系数；c1、c2表示加速常数；r1、r2表示0～1之间的随机数；pbest
id
(k)表示第i个粒子历史最优位置中第d维上的位置；gbestd(k)表示群体历史最优位置中第d维上的位置；w采用动态惯性系数，从0.9随迭代次数增加递减至0.4；
[0065]
对整个深度神经网络构架进行精细化调整后即建立模糊深度神经网络模型，再输入预测数据便可得到预测的负荷。
[0066]
一种基于模糊深度神经网络的电动汽车充电负荷预测装置，包括：
[0067]
数据处理模块，用于对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中；
[0068]
模型训练及构建模块，用于将经过数据处理模块处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；
[0069]
负荷预测模块，用于在模型训练及构建模块预训练后，使用pso对初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷。
[0070]
进一步的，数据处理模块对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中，具体包括：
[0071]
s11：对历史负荷数据进行数据预处理，包括缺损数据的填补、重复数据的检测以及异常数据的检测，具体如下：
[0072]
(1)缺损数据的填补：缺损数据可根据日期类型相同的原则进行填补，数据填补规则如下：
[0073]
x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)
[0074]
式中，x(d,t)为第d天t时刻的充电负荷；x(d,t1)和x(d,t2)分别代表第d天t时刻之前时刻和之后时刻的充电负荷；x(d1,t)和x(d2,t)分别表示在第d天之前、距离第d天最近且与第d天日期类型相同的充电负荷，在第d天之后、距第d天最近且与第d天日期类型相同的充电负荷；ωk(k＝1,2,3,4)为加权系数，加权系数可以根据实际负荷状况自行调整；
[0075]
(2)重复数据的检测：采用自适应近邻排序算法判断数据是否为重复数据：
[0076]
首先划分自适应记录簇，将数据记录时刻作为重复数据检测的关键属性，以数据记录的时间间隔作为事件的相似距离，距离函数为：
[0077]
d(ri,rj)＝|t
i-tj|
[0078]
式中，ri和rj分别为第i条和第j条记录数据；ti和tj分别为第i条和第j条记录数据的时间，如果这两条数据之间的相似距离小于距离阈值φ时，则将这两条数据划分至同一簇；
[0079]
然后进行簇内重复数据融合，通过下式判断数据是否属于重复记录的数据：
[0080][0081]
式中，fi和fj分别表示事件ri和事件rj的数据类型；wi和wj分别表示记录事件ri和事件rj的监测装置；0表示事件ri和事件rj不属于重复记录的数据，1表示事件ri和事件rj是重复记录的数据；
[0082]
(3)异常数据检测；
[0083]
采用k均值聚类方法区分异常数据和有效数据，第一步为初始化聚类中心，设定两个聚类中心c＝{c1,c2}，这两个聚类中心分别设为已知异常数据和一条已知有效数据在欧式空间上的点，将每个聚类中心cj所在集合记为gj；第二步将所有待聚类的数据放入聚类集中，计算从待聚类数据到聚类中心的欧几里得距离，其计算公式为：
[0084][0085]
式中，xi表示待聚类数据；xj表示聚类中心；d(xi,xj)代表待聚类数据到聚类中心的欧式距离；n为该聚类数据特征的个数；
[0086]
第三步为更新聚类中心，根据每个聚类集合中包含的所有数据点更新聚类中心使得每个数据点到新聚类中心的几何均距最小，公式为：
[0087][0088]
第四步为每当有一条数据输入，就重复第二步到第四步，直至完成最后一条数据的聚类，跳出循环，完成k均值聚类；
[0089]
s12：对历史负荷数据进行预处理和标准化处理；
[0090]
min-max标准化是根据数据指标在该指标中最大值和最小值的相对位置原理，对原始数据进行线性变换，使得最终输出结果落在[0,1]之间，其转换公式为：
[0091][0092]
式中，xi(i＝1,2,
…
,n)为数据集中第i个样本，n为该数据集的样本总数量；x
min
、x
max
分别表示该样本数据中的最小值和最大值；xk(k＝1,2,
…
,n)为经过标准化处理后的值；经过min-max标准化后所有的数据都变成了在[0,1]之间无量纲数据；
[0093]
s13：采用隶属度函数对外界因素进行数字化模糊处理后再作为输入数据带入神经网络中，处理时，将温度区间划分成三个温度子空间，在保证每个空间有些许重叠的情况下分别对应相应的隶属度函数；将三个子空间划分为0℃～10℃低温段、5℃～25℃中温段、20℃～40℃高温段，三个温度段都选用三角形型隶属度函数；
[0094]
将预测日当天最高温度th分别带入隶属度函数公式中分别求出最高温度相对于低温段、中温段、高温段的3个隶属度；将预测日当天的最低温度td和平均温度ta也分别带入
公式求出最低温度和平均温度相对于低温段、中温段、高温段的隶属度，经过隶属度函数模糊化后形成的9个温度数据均在[0,1]之间；
[0095]
s14：日类型数据处理：周一至周五即工作日取1，周六、周日即周末取0.5；
[0096]
s15：天气因素的处理：通过查阅气象数据获得预测日的降水概率，降水概率细致地表示预测日当天的天气状况，能够反映当天的晴雨天气，并且降水概率代表的天气状况数据均在(0,1)内；
[0097]
通过上述处理将历史负荷数据、温度、日类型、天气因素的输入量规格化到[0,1]内，便于输入网络进行预测。
[0098]
进一步的，模型训练及构建模块将经过数据处理模块处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化，具体包括：
[0099]
构建深度神经网络模型框架，数据的传输参数包括：时间步长、学习率、输入维度、输出维度、批尺寸、批数、隐藏层神经元个数、深度神经元个数、深度神经网络层数，数据在进入神经网络之前被分为若干批次，再将每个批次以时间步长为单位进行分割，数据首先进入输入层，再经过隐藏层，接着经过若干个深度层进行时序预测，最后经过隐藏层和输出层输出数据；
[0100]
将snn神经网络神经元间的信息连通机制融合到深度神经网络隐藏层之间，神经元的连接激活模型为i&f模型，snn采用脉冲发放时间进行编码，脉冲神经元将外界信息编码成脉冲触发时间，触发时间作为输入，i&f神经元等效电路用如下方程描述：
[0101][0102]
式中，u(t)是神经元的膜电位，cs是神经元的膜电容，g
l
是神经元的漏电导率，e
l
是反向电势，i(t)是神经元的输入电流；
[0103]
当突触后神经元的膜电位u(t)根据上式累加到阀值电压u
th
时，将被激发产生一个脉冲，该脉冲出现的时间ta作为该神经元的输出，该神经元发出一个脉冲之后，膜电位立刻复位到复位电压u
res
，并且持续一个时长为t
ref
的不应期，在不应期期间，即使有很强的信号输入，神经元也不再积累膜电位，不应期之后，该神经元从新进行膜电位的积累；
[0104]
深度神经网络预测模型具有三层结构：输入层、隐含层以及输出层，输入神经元e对输出神经元f第k条突触未经加权的贡献，由下式求得：
[0105][0106]
式中，dk是两神经元间第k条突触的延时，是其中第k条突触的权重；
[0107]
对应的脉冲响应函数表达式为：
[0108][0109]
式中，τ是对应的膜电位延时时间常数；
[0110]
输入神经元e对输出神经元f的综合贡献为：
[0111][0112]
在tf时刻，输出神经元f的膜电位uf(t)达到其阀值，tf即为该神经元的输出，对于
突触k在时刻t的权值更新大小wk(t)为：
[0113][0114]
其中，s
target
(t)表示目标脉冲序列，s
out
(t)表示实际输出脉冲序列，表示突触输入脉冲，w(s)定义了脉冲时间相关性决定的突出可塑性，a表示non-hebbian项，当a取正值的时候w(s)表示使用stdp，当a取负值的时候w(s)表示使用anti-stdp；
[0115]
根据训练过程stdp神经突触前后脉冲神经元的脉冲发放情况更新对应神经突触连接权值，接收第一组负荷数据作为输入用于训练，输出更新后权值，并以该权值作为下一轮的训练目标权值起始值，随后接收第二组负荷数据作为输入用于训练，再次进行权值更新，后续训练过程同上，则深度神经网络每一层神经元的权值完成了初始化，再利用pso算法对权值进行精调。
[0116]
进一步的，负荷预测模块在模型训练及构建模块预训练后，使用pso对初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷，具体包括：
[0117]
对整个深度神经网络构架进行精细化调整，根据目标误差公式和训练进行调整，目标误差公式如下：
[0118][0119]
其中，y是真实数据，y'是预测数据；
[0120]
将初始化后的深度snn模型各层之间的权值作为粒子的位置信息，在算法优化过程中不断更新粒子的速度和位置，从而在全局中搜索最优解，提高深度神经网络的训练效率；
[0121]
粒子的搜索速度和位置的迭代公式为：
[0122]vid
(k+1)＝wv
id
(k)+c1r1(pbest
id
(k)-x
id
(k))+c2r2(gbestd(k)-x
id
(k))
[0123]
x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0124]
其中，v
id
(k)和x
id
(k)分别表示第i个粒子在第k次迭代中第d维上的速度和位置；w表示惯性系数；c1、c2表示加速常数；r1、r2表示0～1之间的随机数；pbest
id
(k)表示第i个粒子历史最优位置中第d维上的位置；gbestd(k)表示群体历史最优位置中第d维上的位置；w采用动态惯性系数，从0.9随迭代次数增加递减至0.4；
[0125]
对整个深度神经网络构架进行精细化调整后即建立模糊深度神经网络模型，再输入预测数据便可得到预测的负荷。
[0126]
一种基于模糊深度神经网络的电动汽车充电负荷预测系统，包括：计算机可读存储介质和处理器；
[0127]
所述计算机可读存储介质用于存储可执行指令；
[0128]
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。
[0129]
一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。
[0130]
本发明以模糊深度神经网络进行电动汽车的充电负荷预测，考虑了多种负荷预测
因素，使其更加贴近实际情况，可以为未来更深层次的负荷预测提供技术基础。
附图说明
[0131]
图1是本发明基于模糊深度的预测模型流程图；
[0132]
图2是本发明模糊逻辑系统流程图；
[0133]
图3是本发明温度隶属度函数曲线图；
[0134]
图4是本发明i&f神经元等效电路；
[0135]
图5是本发明的典型的snn预测模型；
[0136]
图6是本发明两脉冲神经元之间的突触示意图。
具体实施方式
[0137]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0138]
参见图1，本发明实施例提供了一种基于模糊深度神经网络的电动汽车充电负荷预测方法。首先，在训练预测模型之前对数据进行预处理和标准化处理，采用隶属度函数对温度进行数字化模糊处理后再与负荷数据一起作为输入数据带入神经网络中。然后将经过处理的负荷数据作为脉冲神经网络(snn)的训练样本，在该基础上进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化。最后使用pso对初始化的模糊深度神经网络各层之间权阈参量精细化微调，预训练和精调后便已建立好模糊深度神经网络预测模型，再输入预测数据便可得到预测的负荷。所述方法具体包括如下步骤：
[0139]
(s1)，对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况等，再将其一起输入到神经网络中；
[0140]
步骤1：对历史负荷数据进行数据预处理，包括缺损数据的填补、重复数据的检测以及异常数据的检测，具体如下：
[0141]
(1)缺损数据的填补：缺损数据可根据日期类型相同的原则进行填补，数据填补规则如下：
[0142]
x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)
[0143]
式中，x(d,t)为第d天t时刻的充电负荷；x(d,t1)和x(d,t2)分别代表第d天t时刻之前时刻和之后时刻的充电负荷；x(d1,t)和x(d2,t)分别表示在第d天之前、距离第d天最近且与第d天日期类型相同的充电负荷，在第d天之后、距第d天最近且与第d天日期类型相同的充电负荷；ωk(k＝1,2,3,4)为加权系数，加权系数可以根据实际负荷状况自行调整；
[0144]
(2)重复数据的检测：采用自适应近邻排序算法判断数据是否为重复数据：
[0145]
首先划分自适应记录簇，将数据记录时刻作为重复数据检测的关键属性，以数据记录的时间间隔作为事件的相似距离，距离函数为：
[0146]
d(ri,rj)＝|t
i-tj|
[0147]
式中，ri和rj分别为第i条和第j条记录数据；ti和tj分别为第i条和第j条记录数据的时间。如果这两条数据之间的相似距离小于距离阈值φ时，则将这两条数据划分至同一簇；
[0148]
然后簇内重复数据融合，在同一时间段内也可能产生不同类型或者不同空间是数据，这些数据不属于重复记录的数据，因此要将它们区分开来，具体判断函数为：
[0149][0150]
式中，fi和fj分别表示事件ri和事件rj的数据类型；wi和wj分别表示记录事件ri和事件rj的监测装置；0表示事件ri和事件rj不属于重复记录的数据，1表示事件ri和事件rj是重复记录的数据；
[0151]
(3)异常数据检测
[0152]
采用k均值聚类方法区分异常数据和有效数据。第一步为初始化聚类中心，设定两个聚类中心c＝{c1,c2}，这两个聚类中心可分别设为已知异常数据和一条已知有效数据在欧式空间上的点。将每个聚类中心cj所在集合记为gj。第二步将所有待聚类的数据放入聚类集中，计算从待聚类数据到聚类中心的欧几里得距离，其计算公式为：
[0153][0154]
式中，xi表示待聚类数据；xj表示聚类中心；d(xi,xj)代表待聚类数据到聚类中心的欧式距离；n为该聚类数据特征的个数；
[0155]
第三步为更新聚类中心。根据每个聚类集合中包含的所有数据点更新聚类中心使得每个数据点到新聚类中心的几何均距最小，公式为：
[0156][0157]
第四步为每当有一条数据输入，就重复第二步到第四步，直至完成最后一条数据的聚类，跳出循环，完成k均值聚类；
[0158]
步骤2：对历史负荷数据进行预处理和标准化处理；
[0159]
min-max标准化是根据数据指标在该指标中最大值和最小值的相对位置原理，对原始数据进行线性变换，使得最终输出结果落在[0,1]之间，其转换公式为：
[0160][0161]
式中，xi(i＝1,2,
…
,n)为数据集中第i个样本，n为该数据集的样本总数量；x
min
、x
max
分别表示该样本数据中的最小值和最大值；xk(k＝1,2,
…
,n)为经过标准化处理后的值；经过min-max标准化后所有的数据都变成了在[0,1]之间无量纲数据；
[0162]
步骤3：采用隶属度函数对外界因素进行数字化模糊处理后再作为输入带入神经网络中，如图2所示是本发明模糊逻辑系统流程图，处理时，将温度区间划分成三个温度子空间，在保证每个空间有些许重叠的情况下分别对应相应的隶属度函数。本文将三个子空间划分为0℃～10℃低温段、5℃～25℃中温段、20℃～40℃高温段。为方便起见，三个温度段都选用三角形型隶属度函数；
[0163]
对于0℃～10℃低温段采用偏小型三角形分布：
[0164][0165]
对于5℃～25℃中温段采用中间型三角形分布：
[0166][0167]
对于20℃～40℃高温段采用偏大型三角形分布：
[0168][0169]
将预测日当天最高温度th分别带入上述三个公式分别求出最高温度相对于低温段、中温段、高温段的3个隶属度。同理，将预测日当天的最低温度td和平均温度ta也分别带入公式求出最低温度和平均温度相对于低温段、中温段、高温段的隶属度。如图3所示是本发明温度隶属度函数曲线图，这样经过隶属度函数模糊化后形成的9个温度数据均在[0,1]之间；
[0170]
步骤4：日类型数据处理：周一至周五即工作日取1，周六、周日即周末取0.5。
[0171]
步骤5：天气因素的处理：通过查阅气象数据可以获得预测日的降水概率，降水概率可以细致地表示预测日当天的天气状况，能够反映当天的晴雨天气，并且降水概率代表的天气状况数据均在(0,1)内；
[0172]
这样就把历史负荷数据、温度、日类型、降雨概率等的输入量规格化到了[0,1]内，便于输入网络进行预测。
[0173]
(s2)，将经过步骤s1处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；
[0174]
构建深度神经网络模型框架，首先说明数据的传输参数，包括：时间步长；学习率；输入维度、输出维度；批尺寸、批数；隐藏层神经元个数、深度神经元个数、深度神经网络层数。数据在进入神经网络之前被分为了若干批次，再将每个批次以时间步长为单位进行分割。数据首先进入输入层，再经过隐藏层，接着经过若干个深度层进行时序预测，最后经过隐藏层和输出层输出数据。
[0175]
将snn神经网络神经元间的信息连通机制融合到深度神经网络隐藏层之间，神经元的连接激活模型为i&f模型，snn采用脉冲发放时间进行编码，脉冲神经元将外界信息编码成脉冲触发时间，触发时间作为输入。i&f神经元等效电路图如图4所示，可以用如下方程描述：
[0176][0177]
式中，u(t)是神经元的膜电位，cs是神经元的膜电容，g
l
是神经元的漏电导率，e
l
是反向电势，i(t)是神经元的输入电流。
[0178]
当突触后神经元的膜电位u(t)根据上式累加到阀值电压u
th
时，将被激发产生一个脉冲，该脉冲出现的时间ta作为该神经元的输出。该神经元发出一个脉冲之后，膜电位立刻复位到复位电压u
res
，并且持续一个时长为t
ref
的不应期。在不应期期间，即使有很强的信号输入，神经元也不再积累膜电位。不应期之后，该神经元从新进行膜电位的积累；
[0179]
图5为典型的snn预测模型，snn预测模型具有p
×q×
n三层结构，p表示脉冲神经网络输入层节点个数，q表示隐含层节点个数，n表示输出层节点个数。ti(i＝1,2,
…
,p)为网络的输入脉冲，th(h＝1,2,
…
,q)为隐含层的输出序列，tj(j＝1,2,
…
,n)为网络的输出序列；
[0180]
与传统的神经网络相比，snn的任意两层之间的神经元之间有更多的突触连接，如图6所示，m是两神经元e和f之间的突触个数，dk是两神经元间第k条突触的延时，是其中第k条突触的权重，是输入神经元e对输出神经元f第k条突触未经加权的贡献，由下式求得：
[0181][0182]
式中，ε(t)是对应的脉冲响应函数，其表达式为：
[0183][0184]
式中，τ是对应的膜电位延时时间常数。
[0185]
综上可知，输入神经元e对输出神经元f的综合贡献为
[0186][0187]
在tf时刻，输出神经元f的膜电位uf(t)达到其阀值，tf即为该神经元的输出，对于突触k在时刻t的权值更新大小wk(t)为：
[0188][0189]
其中，s
target
(t)表示目标脉冲序列，s
out
(t)表示实际输出脉冲序列，表示突触输入脉冲，w(s)定义了脉冲时间相关性决定的突出可塑性，a表示non-hebbian项，当a取正值的时候w(s)表示使用stdp，当a取负值的时候w(s)表示使用anti-stdp；
[0190]
根据训练过程stdp神经突触前后脉冲神经元的脉冲发放情况更新对应神经突触连接权值，接收第一组负荷数据作为输入用于训练，输出更新后权值，并以该权值作为下一轮的训练目标权值起始值。随后接收第二组负荷数据作为输入用于训练，再次进行权值更新，后续训练过程同上。则深度神经网络每一层神经元的权值完成了初始化，再利用pso算法对权值进行精调。
[0191]
(s3)，预训练后，使用pso对步骤s2初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型
得到预测的负荷；
[0192]
对整个深度神经网络构架进行精细化调整，根据目标误差公式和训练进行调整。目标误差公式如下：
[0193][0194]
其中，y是真实数据，y'是预测数据。
[0195]
将初始化后的深度snn各层之间的权值作为粒子的位置信息，在算法优化过程中不断更新粒子的速度和位置，从而在全局中搜索最优解，提高深度神经网络的训练效率；
[0196]
粒子的搜索速度和位置的迭代公式为：
[0197]vid
(k+1)＝wv
id
(k)+c1r1(pbest
id
(k)-x
id
(k))+c2r2(gbestd(k)-x
id
(k))
[0198]
x
id
(k+1)＝x
id
(k)+v
id
(k+1)
[0199]
其中，v
id
(k)和x
id
(k)分别表示第i个粒子在第k次迭代中第d维上的速度和位置；w表示惯性系数；c1、c2表示加速常数；r1、r2表示0～1之间的随机数；pbest
id
(k)表示第i个粒子历史最优位置中第d维上的位置；gbestd(k)表示群体历史最优位置中第d维上的位置；w采用动态惯性系数，从0.9随迭代次数增加递减至0.4；
[0200]
对整个深度神经网络构架进行精细化调整后即建立模糊深度神经网络模型，再输入预测数据便可得到预测的负荷。
[0201]
本发明另一方面提供一种基于模糊深度神经网络的电动汽车充电负荷预测装置，包括：
[0202]
数据处理模块，用于对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中；
[0203]
模型训练及构建模块，用于将经过数据处理模块处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；
[0204]
负荷预测模块，用于在模型训练及构建模块预训练后，使用pso对初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷。
[0205]
本发明另一方面提供了一种基于模糊深度神经网络的电动汽车充电负荷预测系统，包括：计算机可读存储介质和处理器；
[0206]
所述计算机可读存储介质用于存储可执行指令；
[0207]
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。
[0208]
本发明另一方面提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。
[0209]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0210]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0211]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0212]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0213]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种基于模糊深度神经网络的电动汽车充电负荷预测方法，其特征在于，包括如下步骤：s1，对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中；s2，将经过步骤s1处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；s3，预训练后，使用pso对步骤s2初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷。2.根据权利要求1所述的一种基于模糊深度神经网络的电动汽车充电负荷预测方法，其特征在于，步骤s1对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气，再将其一起输入到神经网络中，具体如下：s11：对历史负荷数据进行数据预处理，包括缺损数据的填补、重复数据的检测以及异常数据的检测，具体如下：(1)缺损数据的填补：缺损数据可根据日期类型相同的原则进行填补，数据填补规则如下：x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)式中，x(d,t)为第d天t时刻的充电负荷；x(d,t1)和x(d,t2)分别代表第d天t时刻之前时刻和之后时刻的充电负荷；x(d1,t)和x(d2,t)分别表示在第d天之前、距离第d天最近且与第d天日期类型相同的充电负荷，在第d天之后、距第d天最近且与第d天日期类型相同的充电负荷；ω
k
(k＝1,2,3,4)为加权系数，加权系数可以根据实际负荷状况自行调整；(2)重复数据的检测：采用自适应近邻排序算法判断数据是否为重复数据：首先划分自适应记录簇，将数据记录时刻作为重复数据检测的关键属性，以数据记录的时间间隔作为事件的相似距离，距离函数为：d(r
i
,r
j
)＝|t
i-t
j
|式中，r
i
和r
j
分别为第i条和第j条记录数据；t
i
和t
j
分别为第i条和第j条记录数据的时间，如果这两条数据之间的相似距离小于距离阈值φ时，则将这两条数据划分至同一簇；然后进行簇内重复数据融合，通过下式判断数据是否属于重复记录的数据：式中，f
i
和f
j
分别表示事件r
i
和事件r
j
的数据类型；w
i
和w
j
分别表示记录事件r
i
和事件r
j
的监测装置；0表示事件r
i
和事件r
j
不属于重复记录的数据，1表示事件r
i
和事件r
j
是重复记录的数据；(3)异常数据检测；采用k均值聚类方法区分异常数据和有效数据，第一步为初始化聚类中心，设定两个聚类中心c＝{c1,c2}，这两个聚类中心分别设为已知异常数据和一条已知有效数据在欧式空
间上的点，将每个聚类中心c
j
所在集合记为g
j
；第二步将所有待聚类的数据放入聚类集中，计算从待聚类数据到聚类中心的欧几里得距离，其计算公式为：式中，x
i
表示待聚类数据；x
j
表示聚类中心；d(x
i
,x
j
)代表待聚类数据到聚类中心的欧式距离；n为该聚类数据特征的个数；第三步为更新聚类中心，根据每个聚类集合中包含的所有数据点更新聚类中心使得每个数据点到新聚类中心的几何均距最小，公式为：第四步为每当有一条数据输入，就重复第二步到第四步，直至完成最后一条数据的聚类，跳出循环，完成k均值聚类；s12：对历史负荷数据进行预处理和标准化处理；min-max标准化是根据数据指标在该指标中最大值和最小值的相对位置原理，对原始数据进行线性变换，使得最终输出结果落在[0,1]之间，其转换公式为：式中，x
i
(i＝1,2,
…
,n)为数据集中第i个样本，n为该数据集的样本总数量；x
min
、x
max
分别表示该样本数据中的最小值和最大值；x
k
(k＝1,2,
…
,n)为经过标准化处理后的值；经过min-max标准化后所有的数据都变成了在[0,1]之间无量纲数据；s13：采用隶属度函数对外界因素进行数字化模糊处理后再作为输入数据带入神经网络中，处理时，将温度区间划分成三个温度子空间，在保证每个空间有些许重叠的情况下分别对应相应的隶属度函数；将三个子空间划分为0℃～10℃低温段、5℃～25℃中温段、20℃～40℃高温段，三个温度段都选用三角形型隶属度函数；将预测日当天最高温度t
h
分别带入隶属度函数公式中分别求出最高温度相对于低温段、中温段、高温段的3个隶属度；将预测日当天的最低温度t
d
和平均温度t
a
也分别带入公式求出最低温度和平均温度相对于低温段、中温段、高温段的隶属度，经过隶属度函数模糊化后形成的9个温度数据均在[0,1]之间；s14：日类型数据处理：周一至周五即工作日取1，周六、周日即周末取0.5；s15：天气因素的处理：通过查阅气象数据获得预测日的降水概率，降水概率细致地表示预测日当天的天气状况，能够反映当天的晴雨天气，并且降水概率代表的天气状况数据均在(0,1)内；通过上述处理将历史负荷数据、温度、日类型、天气因素的输入量规格化到[0,1]内，便于输入网络进行预测。3.根据权利要求1所述的一种基于模糊深度神经网络的电动汽车充电负荷预测方法，其特征在于，步骤s2将经过步骤s1处理的负荷数据作为脉冲神经网络snn的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化，具体如下：
构建深度神经网络模型框架，数据的传输参数包括：时间步长、学习率、输入维度、输出维度、批尺寸、批数、隐藏层神经元个数、深度神经元个数、深度神经网络层数，数据在进入神经网络之前被分为若干批次，再将每个批次以时间步长为单位进行分割，数据首先进入输入层，再经过隐藏层，接着经过若干个深度层进行时序预测，最后经过隐藏层和输出层输出数据；将snn神经网络神经元间的信息连通机制融合到深度神经网络隐藏层之间，神经元的连接激活模型为i&f模型，snn采用脉冲发放时间进行编码，脉冲神经元将外界信息编码成脉冲触发时间，触发时间作为输入，i&f神经元等效电路用如下方程描述：式中，u(t)是神经元的膜电位，c
s
是神经元的膜电容，g
l
是神经元的漏电导率，e
l
是反向电势，i(t)是神经元的输入电流；当突触后神经元的膜电位u(t)根据上式累加到阀值电压u
th
时，将被激发产生一个脉冲，该脉冲出现的时间t
a
作为该神经元的输出，该神经元发出一个脉冲之后，膜电位立刻复位到复位电压u
res
，并且持续一个时长为t
ref
的不应期，在不应期期间，即使有很强的信号输入，神经元也不再积累膜电位，不应期之后，该神经元从新进行膜电位的积累；深度神经网络预测模型具有三层结构：输入层、隐含层以及输出层，输入神经元e对输出神经元f第k条突触未经加权的贡献，由下式求得：式中，d
k
是两神经元间第k条突触的延时，是其中第k条突触的权重；对应的脉冲响应函数表达式为：式中，τ是对应的膜电位延时时间常数；输入神经元e对输出神经元f的综合贡献为：在t
f
时刻，输出神经元f的膜电位u
f
(t)达到其阀值，t
f
即为该神经元的输出，对于突触k在时刻t的权值更新大小w
k
(t)为：其中，s
target
(t)表示目标脉冲序列，s
out
(t)表示实际输出脉冲序列，表示突触输入脉冲，w(s)定义了脉冲时间相关性决定的突出可塑性，a表示non-hebbian项，当a取正值的时候w(s)表示使用stdp，当a取负值的时候w(s)表示使用anti-stdp；根据训练过程stdp神经突触前后脉冲神经元的脉冲发放情况更新对应神经突触连接权值，接收第一组负荷数据作为输入用于训练，输出更新后权值，并以该权值作为下一轮的训练目标权值起始值，随后接收第二组负荷数据作为输入用于训练，再次进行权值更新，后续训练过程同上，则深度神经网络每一层神经元的权值完成了初始化，再利用pso算法对权值进行精调。
4.根据权利要求1所述的一种基于模糊深度神经网络的电动汽车充电负荷预测方法，其特征在于，预训练后，使用pso对s2中初始化的模糊深度神经网络各层之间权参量精细化微调，预训练和精调后便已建立好模糊深度神经网络预测模型，再输入预测数据便可得到预测的负荷，具体如下：对整个深度神经网络构架进行精细化调整，根据目标误差公式和训练进行调整，目标误差公式如下：其中，y是真实数据，y'是预测数据；将初始化后的深度snn模型各层之间的权值作为粒子的位置信息，在算法优化过程中不断更新粒子的速度和位置，从而在全局中搜索最优解，提高深度神经网络的训练效率；粒子的搜索速度和位置的迭代公式为：v
id
(k+1)＝wv
id
(k)+c1r1(pbest
id
(k)-x
id
(k))+c2r2(gbest
d
(k)-x
id
(k))x
id
(k+1)＝x
id
(k)+v
id
(k+1)其中，v
id
(k)和x
id
(k)分别表示第i个粒子在第k次迭代中第d维上的速度和位置；w表示惯性系数；c1、c2表示加速常数；r1、r2表示0～1之间的随机数；pbest
id
(k)表示第i个粒子历史最优位置中第d维上的位置；gbest
d
(k)表示群体历史最优位置中第d维上的位置；w采用动态惯性系数，从0.9随迭代次数增加递减至0.4；对整个深度神经网络构架进行精细化调整后即建立模糊深度神经网络模型，再输入预测数据便可得到预测的负荷。5.一种基于模糊深度神经网络的电动汽车充电负荷预测装置，其特征在于，包括：数据处理模块，用于对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中；模型训练及构建模块，用于将经过数据处理模块处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；负荷预测模块，用于在模型训练及构建模块预训练后，使用pso对初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷。6.根据权利要求5所述的一种基于模糊深度神经网络的电动汽车充电负荷预测装置，其特征在于，数据处理模块对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，所述输入数据包括负荷数据、温度、日类型和天气状况，再将其一起输入到神经网络中，具体包括：s11：对历史负荷数据进行数据预处理，包括缺损数据的填补、重复数据的检测以及异常数据的检测，具体如下：(1)缺损数据的填补：缺损数据可根据日期类型相同的原则进行填补，数据填补规则如下：x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)
式中，x(d,t)为第d天t时刻的充电负荷；x(d,t1)和x(d,t2)分别代表第d天t时刻之前时刻和之后时刻的充电负荷；x(d1,t)和x(d2,t)分别表示在第d天之前、距离第d天最近且与第d天日期类型相同的充电负荷，在第d天之后、距第d天最近且与第d天日期类型相同的充电负荷；ω
k
(k＝1,2,3,4)为加权系数，加权系数可以根据实际负荷状况自行调整；(2)重复数据的检测：采用自适应近邻排序算法判断数据是否为重复数据：首先划分自适应记录簇，将数据记录时刻作为重复数据检测的关键属性，以数据记录的时间间隔作为事件的相似距离，距离函数为：d(r
i
,r
j
)＝|t
i-t
j
|式中，r
i
和r
j
分别为第i条和第j条记录数据；t
i
和t
j
分别为第i条和第j条记录数据的时间，如果这两条数据之间的相似距离小于距离阈值φ时，则将这两条数据划分至同一簇；然后进行簇内重复数据融合，通过下式判断数据是否属于重复记录的数据：式中，f
i
和f
j
分别表示事件r
i
和事件r
j
的数据类型；w
i
和w
j
分别表示记录事件r
i
和事件r
j
的监测装置；0表示事件r
i
和事件r
j
不属于重复记录的数据，1表示事件r
i
和事件r
j
是重复记录的数据；(3)异常数据检测；采用k均值聚类方法区分异常数据和有效数据，第一步为初始化聚类中心，设定两个聚类中心c＝{c1,c2}，这两个聚类中心分别设为已知异常数据和一条已知有效数据在欧式空间上的点，将每个聚类中心c
j
所在集合记为g
j
；第二步将所有待聚类的数据放入聚类集中，计算从待聚类数据到聚类中心的欧几里得距离，其计算公式为：式中，x
i
表示待聚类数据；x
j
表示聚类中心；d(x
i
,x
j
)代表待聚类数据到聚类中心的欧式距离；n为该聚类数据特征的个数；第三步为更新聚类中心，根据每个聚类集合中包含的所有数据点更新聚类中心使得每个数据点到新聚类中心的几何均距最小，公式为：第四步为每当有一条数据输入，就重复第二步到第四步，直至完成最后一条数据的聚类，跳出循环，完成k均值聚类；s12：对历史负荷数据进行预处理和标准化处理；min-max标准化是根据数据指标在该指标中最大值和最小值的相对位置原理，对原始数据进行线性变换，使得最终输出结果落在[0,1]之间，其转换公式为：式中，x
i
(i＝1,2,
…
,n)为数据集中第i个样本，n为该数据集的样本总数量；x
min
、x
max
分别表示该样本数据中的最小值和最大值；x
k
(k＝1,2,
…
,n)为经过标准化处理后的值；经过
min-max标准化后所有的数据都变成了在[0,1]之间无量纲数据；s13：采用隶属度函数对外界因素进行数字化模糊处理后再作为输入数据带入神经网络中，处理时，将温度区间划分成三个温度子空间，在保证每个空间有些许重叠的情况下分别对应相应的隶属度函数；将三个子空间划分为0℃～10℃低温段、5℃～25℃中温段、20℃～40℃高温段，三个温度段都选用三角形型隶属度函数；将预测日当天最高温度t
h
分别带入隶属度函数公式中分别求出最高温度相对于低温段、中温段、高温段的3个隶属度；将预测日当天的最低温度t
d
和平均温度t
a
也分别带入公式求出最低温度和平均温度相对于低温段、中温段、高温段的隶属度，经过隶属度函数模糊化后形成的9个温度数据均在[0,1]之间；s14：日类型数据处理：周一至周五即工作日取1，周六、周日即周末取0.5；s15：天气因素的处理：通过查阅气象数据获得预测日的降水概率，降水概率细致地表示预测日当天的天气状况，能够反映当天的晴雨天气，并且降水概率代表的天气状况数据均在(0,1)内；通过上述处理将历史负荷数据、温度、日类型、天气因素的输入量规格化到[0,1]内，便于输入网络进行预测。7.根据权利要求5所述的一种基于模糊深度神经网络的电动汽车充电负荷预测装置，其特征在于，模型训练及构建模块将经过数据处理模块处理的负荷数据作为脉冲神经网络(snn)的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化，具体包括：构建深度神经网络模型框架，数据的传输参数包括：时间步长、学习率、输入维度、输出维度、批尺寸、批数、隐藏层神经元个数、深度神经元个数、深度神经网络层数，数据在进入神经网络之前被分为若干批次，再将每个批次以时间步长为单位进行分割，数据首先进入输入层，再经过隐藏层，接着经过若干个深度层进行时序预测，最后经过隐藏层和输出层输出数据；将snn神经网络神经元间的信息连通机制融合到深度神经网络隐藏层之间，神经元的连接激活模型为i&f模型，snn采用脉冲发放时间进行编码，脉冲神经元将外界信息编码成脉冲触发时间，触发时间作为输入，i&f神经元等效电路用如下方程描述：式中，u(t)是神经元的膜电位，c
s
是神经元的膜电容，g
l
是神经元的漏电导率，e
l
是反向电势，i(t)是神经元的输入电流；当突触后神经元的膜电位u(t)根据上式累加到阀值电压u
th
时，将被激发产生一个脉冲，该脉冲出现的时间t
a
作为该神经元的输出，该神经元发出一个脉冲之后，膜电位立刻复位到复位电压u
res
，并且持续一个时长为t
ref
的不应期，在不应期期间，即使有很强的信号输入，神经元也不再积累膜电位，不应期之后，该神经元从新进行膜电位的积累；深度神经网络预测模型具有三层结构：输入层、隐含层以及输出层，输入神经元e对输出神经元f第k条突触未经加权的贡献，由下式求得：
式中，d
k
是两神经元间第k条突触的延时，是其中第k条突触的权重；对应的脉冲响应函数表达式为：式中，τ是对应的膜电位延时时间常数；输入神经元e对输出神经元f的综合贡献为：在t
f
时刻，输出神经元f的膜电位u
f
(t)达到其阀值，t
f
即为该神经元的输出，对于突触k在时刻t的权值更新大小w
k
(t)为：其中，s
target
(t)表示目标脉冲序列，s
out
(t)表示实际输出脉冲序列，表示突触输入脉冲，w(s)定义了脉冲时间相关性决定的突出可塑性，a表示non-hebbian项，当a取正值的时候w(s)表示使用stdp，当a取负值的时候w(s)表示使用anti-stdp；根据训练过程stdp神经突触前后脉冲神经元的脉冲发放情况更新对应神经突触连接权值，接收第一组负荷数据作为输入用于训练，输出更新后权值，并以该权值作为下一轮的训练目标权值起始值，随后接收第二组负荷数据作为输入用于训练，再次进行权值更新，后续训练过程同上，则深度神经网络每一层神经元的权值完成了初始化，再利用pso算法对权值进行精调。8.根据权利要求5所述的一种基于模糊深度神经网络的电动汽车充电负荷预测装置，其特征在于，负荷预测模块在模型训练及构建模块预训练后，使用pso对初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型，将预测数据输入模糊深度神经网络预测模型得到预测的负荷，具体包括：对整个深度神经网络构架进行精细化调整，根据目标误差公式和训练进行调整，目标误差公式如下：其中，y是真实数据，y'是预测数据；将初始化后的深度snn模型各层之间的权值作为粒子的位置信息，在算法优化过程中不断更新粒子的速度和位置，从而在全局中搜索最优解，提高深度神经网络的训练效率；粒子的搜索速度和位置的迭代公式为：v
id
(k+1)＝wv
id
(k)+c1r1(pbest
id
(k)-x
id
(k))+c2r2(gbest
d
(k)-x
id
(k))x
id
(k+1)＝x
id
(k)+v
id
(k+1)其中，v
id
(k)和x
id
(k)分别表示第i个粒子在第k次迭代中第d维上的速度和位置；w表示惯性系数；c1、c2表示加速常数；r1、r2表示0～1之间的随机数；pbest
id
(k)表示第i个粒子历史最优位置中第d维上的位置；gbest
d
(k)表示群体历史最优位置中第d维上的位置；w采用动态惯性系数，从0.9随迭代次数增加递减至0.4；对整个深度神经网络构架进行精细化调整后即建立模糊深度神经网络模型，再输入预
测数据便可得到预测的负荷。9.一种基于模糊深度神经网络的电动汽车充电负荷预测系统，其特征在于，包括：计算机可读存储介质和处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1-4中任一项所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-4中任一项所述的基于模糊深度神经网络的电动汽车充电负荷预测方法。

技术总结
本发明提出一种基于模糊深度神经网络的电动汽车充电负荷预测方法、装置、系统及存储介质，该方法包括：S1，对历史负荷数据进行预处理和采用隶属度函数对温度进行数字化模糊处理后再对所有输入数据进行归一化处理，再将其一起输入到神经网络中；S2，将经过步骤S1处理的负荷数据作为脉冲神经网络的训练样本，进行预训练初步构建深度神经网络预测模型，完成对深度神经网络每一层神经元的权值初始化；S3，预训练后，使用PSO对步骤S2初始化的模糊深度神经网络各层之间权参量精细化微调，建立模糊深度神经网络预测模型。本发明既考虑了传统负荷预测方法难以同时兼顾负荷时间特性和空间特性的问题，又能客观反映实际情况，实用性更强。强。强。


技术研发人员：向慕超 凌在汛 冀肖彤 刘华峰 崔一铂 刘曼佳 顾一鸣 成诚 吴笑民 邓桂平 田晨丞 焦海文
受保护的技术使用者：国网湖北省电力有限公司襄阳供电公司 湖北方源东力电力科学研究有限公司
技术研发日：2023.03.10
技术公布日：2023/7/31