买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网江苏省电力有限公司南京供电分公司

摘要：本发明涉及基于逐级分解模型的充电站利用率预测方法，包括：采集历史上充电站利用率数据，以及相应的天气数据和日期数据，作为原始数据；构建逐级分解预测模型并训练，将待测时间段前的原始数据输入至逐级分解预测模型中，得到充电站利用率预测值；逐级分解预测模型包括深层信息融合层和残差分解预测层；深层信息融合层运用注意力编码方法对输入数据进行深度提取及融合，得到信息融合序列并输入至残差分解预测层；残差分解预测层使用残差分解方法对当前层输入数据进行逐级分解，每级得到不同细粒度的预测序列和残差序列，最后将所有层级的预测序列和末层经过全连接层的残差序列进行加和得到最终预测结果。本发明实现充电站利用率的预测。

主权项：1.基于逐级分解模型的充电站利用率预测方法，其特征在于：包括步骤S100：采集历史上充电站利用率数据，以及相应的天气数据和日期数据，作为原始数据；步骤S200：对原始数据进行预处理；步骤S300：构建用于充电站利用率预测的逐级分解预测模型并基于原始数据对逐级分解预测模型进行训练，其中，逐级分解预测模型包括：深层信息融合层和残差分解预测层；原始数据作为输入数据输入至深层信息融合层中，深层信息融合层运用注意力编码方法对输入数据中耦合信息进行深度提取及融合，得到信息融合序列并输入至残差分解预测层；深层信息融合层的工作方法为：取预测时段前T个时间点的历史充电站利用率数据，以及相应的天气数据、日期数据，设共有N类特征，即逐级分解预测模型的输入序列为一个长度为T，维度为N的序列；将输入序列送入深层信息融合层中，以得到信息融合序列；具体包括：首先，深层信息融合层在输入序列的第一个位置插入一个基于标准正态分布随机初始化的标志序列；其次，深层信息融合层采用注意力编码方法进行信息融合，具体为：先将包含标志序列的长度为T，维度为N+1的输入序列分别乘以三个不同的大小为N+1*N+1的参数矩阵，分别得到查询矩阵Q，键矩阵K和值矩阵V，接着将查询矩阵Q和键矩阵K相乘得到注意力矩阵，然后将注意力矩阵通过softmax函数进行归一化，再将归一化注意力矩阵乘以值矩阵V，从而得到注意力编码方法的输出序列；最后，深层信息融合层提取注意力编码方法输出序列第一个位置的子序列，并将其送入全连接层以进一步提取深层信息，得到深层信息融合层输出的长度为T的信息融合序列；残差分解预测层使用残差分解的方法对当前层输入数据进行逐级分解，每级得到不同细粒度的预测序列和残差序列，最后将所有层级的预测序列和末层经过全连接层的残差序列进行加和得到最终预测结果；残差分解预测层的工作方法为：残差分解预测层由多个层级组件构成，每个层级组件的输出包括层级预测序列和层间残差序列两部分；层级预测序列长度为H，层间残差序列长度为T；每个层级组件的输入为前一层级组件输出的层级残差序列，最后将所有层级组件输出的层级预测序列和末层输出的经过全连接层重构的层间残差序列相加，便得到了最终的预测结果；层级组件由多个分解模块构成，每个分解模块的输出包括模块预测序列和模块回溯序列两部分；模块预测序列长度为H，模块回溯序列长度为T；每个分解模块的输入为前一分解模块输入序列与前一分解模块输出的模块回溯序列的残差，最后将所有的分解模块输出的模块预测序列相加，便得到了层级组件输出的层级预测序列；而最后一个分解模块的输入与该分解模块输出的模块回溯序列的残差，即层级组件输出的层间残差序列；分解模块是残差分解预测层的基本组成单元，由一维卷积、多层感知机和插值函数组成；分解模块的输入先经过一维卷积进行降采样，接着将降采样后的序列分别通过两个不同的多层感知机，从而将其重构为两组用于后续插值运算的参数序列θf和θb；最后将上述两组参数序列带入插值函数中，分别将两组参数序列扩展至模型输出的预测长度H和模型输入的长度T，即得到模块预测序列和模块回溯序列；步骤S400：将待测时间段前的历史充电站利用率数据、天气数据和日期数据，输入至训练好的逐级分解预测模型中，得到未来预设时间内的充电站利用率预测值。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司南京供电分公司 基于逐级分解模型的充电站利用率预测方法和系统