本发明涉及汽车充电负荷预测方法，具体涉及一种基于patchtst的电动汽车充电负荷预测方法。
背景技术：
1、电动汽车的大规模使用对电网稳定性和运营效率带来了新的挑战。特别是在充电高峰期，电动汽车的集中充电行为可能导致电网负荷急剧增加，这要求电网运营者进行精准的负荷预测和合理的电力调度。当前，学术界提出了多种电动车(ev)负荷预测方案。这些方案主要分为两大类。第一类是数学统计方法，如蒙特卡罗模拟和马尔科夫链。这类方法估算充电需求，通过模拟电动车的行驶路径、数量和电池状态。第二类侧重于机器学习技术，包括集成学习、神经网络和深度学习，来预测充电需求。这些方法通常在处理大规模、复杂的时序数据时存在局限性。特别是在识别长期趋势方面，现有方法往往难以取得理想的准确性和稳定性。因此，开发一种可以提升电动汽车充电负荷预测的准确性和稳定性的方法成为研究和应用的需求。
2、申请号为202010013800.2的中国专利申请“一种电动汽车有序充电优化方法及系统”将台区电力居民基础负荷预测数据、上级电网调控要求数据、用户充电需求数据和有序充电主站的电动车充电数据输入到预先构建的有序充电双目标优化模型，确定参与有序充电调度的每辆电动汽车的充电时间和充电功率，形成充电计划下发给能源控制器，完成对电动汽车充电的有序控制。缺点：需要大量算力支持，不能预测长期充电趋势。没有考虑影响负荷的特征因素，不精确，会影响电力系统运行的稳定性。
3、申请号为202310099216.7的中国专利申请“一种基于宽度学习系统的电动车充电负荷时序建模方法、系统及介质”采用数据归一化处理，能够避免影响电动车充电负荷的原始数据之间的不同量纲的影响；根据电动车充电负荷的性能分析，确定影响电动车充电负荷的因素，采用宽度学习系统来建立电动车充电负荷时序预测模型，实现电动车充电负荷的时序预测。缺点：需要大量数据进行训练，对未训练的数据准确性较差。随机干扰容易对充电负荷产生影响。
4、申请号为202311615543.x的中国专利申请“基于神经网络电动车充电负荷预测方法、系统及存储介质”通过应用模糊评价的方法对历史负荷数据进行分类；基于灰色系统理论进一步处理挖掘负荷数据相似度，取按相关度排序的前n项历史负荷数据，根据时间顺序建立新的历史负荷数据序列；利用根据时间顺序建立新的历史负荷数据序列作为训练集训练bp神经网络，建立bp神经网络模型，基于bp神经网络模型实现电动车充电负荷预测。缺点：需要大量算力计算，为了提高精度加入了大量天气因素与日期类型等，使模型变得复杂。
5、申请号为202320094194.0的中国专利申请“电动车充电负荷时序建模系统”涉及一种电动车充电负荷时序建模系统，包括充电桩，电动车充电时连接到所述充电桩上，所述充电桩和电动车连接充电负荷数据采集装置，所述充电负荷数据采集装置将采集的数据传输到计算机设备，所述计算机设备内固化安装有宽度学习系统用以进行电动车充电负荷时序建模，实现电动车充电负荷的时序预测。缺点：随机干扰会对负荷产生影响，例如天气和日期因素，这些因素使历史数据排列的日期受到噪声污染，破坏了数据内部规律，预测不精确。
6、申请号为202310960127.7的中国专利申请“基于数据驱动的电动汽车充电负荷预测”涉及电动汽车电池领域和神经网络领域，具体公开了一种基于数据驱动的电动汽车充电负荷预测模型建立方法；通过电动汽车电池充放电设计标准与海量历史数据结合，实现基于数据驱动的电动汽车充电负荷预测模型体系的建立，可以有效对电池充电负荷进行预测。缺点：在处理大规模、复杂的时序数据存在局限性，长期预测中难以取得稳定性。
7、申请号为202310896642.3的中国专利申请“一种电动汽车充电负荷预测方法、系统及预测终端”采用了配置预测时间段，对预测时间段进行拆分，并得到电动汽车的出行开始时间、出行时段和出行结束时间并进行分类，基于分类后的电动汽车数据绘制频数分布直方图；建立电动汽车剩余电量soc与行驶里程之间的关联关系；分别计算电动汽车在第i段时间内开始充电的概率，在第i段时间内未停止充电的概率，以及第i段时间内未充满电的概率；计算在第i段时间内电动汽车正在充电的概率p；基于概率p，计算在第i段时间内电动汽车充电而产生的负荷。缺点：在处理大规模、复杂的时序数据时存在局限性。无法准确预测长期趋势。
8、申请号为202211427381.2的中国专利申请“一种北斗定位辅助的电动车辆充电需求预测方法及装置”首先获取电动车实时的位置数据，通过时间序列预测方法(da-rnn)计算所述电动车的预测轨迹；获取电动车每次采样的起始电量，根据所述起始电量建立态转移方程和观测方程，计算剩余电容量估计值；根据区域内每辆所述电动车的车辆信息、所述预测轨迹和剩余电容量估计值，计算得到所述区域内的充电需求。缺点：需要采用北斗定位辅助，计算量大，没有排除干扰因素，容易造成误差。
9、目前一些技术没有考虑随机干扰对充电负荷的影响，包含天气因素和日期类型等。这些因素使历史数据排列的日期受到噪声污染，破坏了数据内部规律，会影响预测稳定性。
10、现有算法在处理大规模、复杂的时序数据时存在局限性，特别是在识别长期趋势方面，现有方法往往难以取得理想的准确性和稳定性。
技术实现思路
1、发明目的：电动汽车的集中充电行为可能导致电网负荷急剧增加，本发明目的是为了电网运营者进行精准的负荷预测和合理的电力调度、提升电动汽车充电负荷预测的准确性和稳定性。本发明提供一种基于patchtst的电动汽车充电负荷预测方法。
2、本发明通过设计patchtst模型结合transformer架构和时间序列分块技术，基于已有时序数据，能够准确预测电动车充电需求，同时能有效处理大规模时序数据，准确捕捉长期趋势和周期性变化，提高模型对电动汽车充电负荷时间序列数据的理解能力，尤其是在预测长期趋势和周期性波动方面的准确度。
3、技术方案：本发明提供的基于patchtst的电动汽车充电负荷预测方法，包括如下步骤：
4、步骤1、输入电动汽车充电负荷数据并进行数据预处理，过程包括：
5、1.1首先进行数据清洗，以剔除异常值和缺失值，确保数据质量。
6、1.2进行特征工程，从多个维度提取对充电负荷有预测价值的特征。
7、步骤2、数据归一化。标准化处理数据，以降低不同量纲和数值范围带来的影响，确保模型训练的有效性。
8、步骤3、划分时间序列并分块处理。在patchtst模型划分时间序列阶段，将标准化后的数据分块，把时间序列数据转换为一系列时间块(patch)，以适应transformer模型处理。这些patch通过位置编码以保持时间顺序的信息。
9、步骤4、投影与位置嵌入。
10、步骤5、transformer编码器处理。上述patch时间块被送入transformer编码器，模型的这一部分负责捕捉负荷变化的时间动态特征，以及不同时间段内电动汽车充电需求的变化模式。
11、步骤6、展平加线性注意力。计算得到的注意力分数将用于加权值(value)向量，即通过注意力分数对所有的值向量进行加权求和，以获得每个元素的输出表示。
12、步骤7、反归一化。模型预测输出的归一化值需要进行反归一化处理以恢复到原始的负荷值的量纲。
13、步骤8、输出预测结果。通过步骤7将transformer编码器的输出反标准化的数据，将这些输出表示整合起来，形成最终的序列输出。
14、与现有技术相比，本发明的有益效果在于：
15、1.patchtst模型在与其他传统或新型时间序列预测模型(如seasonal naive、deepar、prophet、arima以及dlinear)进行比较时，patchtst模型将时间序列数据划分为若干小块(patch)，每个小块包含了时间序列的一部分信息，有助于模型捕捉到更细粒度的时间特征，在捕捉负荷峰值和谷值的动态变化方面预测能力更为准确，有利于预测动态变化。
16、2.本发明patchtst模型在面对更长时间序列数据时，能够维持高预测精度的能力。其通过transformer的自注意力机制，使模型能够自动识别并强化重要时间点上的特征，忽略掉不重要的信息，相比其他模型具有更高的预测准确率和更好的泛化能力，有利于在需要精确预测未来趋势和模式的应用场景中应用。
17、3.本发明patchtst模型与实际负荷曲线的吻合度很高，显示出了较好的预测准确性。同时patchtst模型相比其他模型拥有较低rmse值，其在捕捉电动汽车充电负荷动态变化上具有较高的精度和可靠性。
1.一种基于patchtst的电动汽车充电负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤1方法：
3.根据权利要求2所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤2方法：使用min-max归一化方法，将各个特征缩放到[0，1]的范围内，以消除量纲的影响并统一数据尺度，归一化处理的公式表示为，
4.根据权利要求3所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤3方法：输入时间序列x(i)，首先被划分为patches，然后生成一系列patches：通过patching过程得到的patches数量n可以表达为：
5.根据权利要求4所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤4方法：通过一个可训练的线性投影wp∈rd×p将上述patch映射到d维transformer潜在空间，应用一个位置附加编码wpos∈rd×n，patch的时间序列顺序如下：其中为送到transformer编码器的输入。
6.根据权利要求5所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤5方法：patch时间块被送入transformer编码器，采用其核心的自注意力机制：通过计算输入序列中每个位置的查询(query)、键(key)和值(value)，来捕捉序列中各时间步之间的依赖关系，编码器通过多头注意力机制学习patch之间的依赖关系，在多头注意力机制中将每个头h＝1，...，h转换成查询矩阵提取时间序列的深层特征具体如下：
7.根据权利要求6所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤6方法：计算得到的注意力分数将用于加权值(value)向量，即通过注意力分数对所有的值向量进行加权求和，以获得每个元素的输出表示。
8.根据权利要求7所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤7方法：模型预测输出的归一化值需要进行反归一化处理以恢复到原始的负荷值的量纲，具体如下：
9.根据权利要求8所述的基于patchtst的电动汽车充电负荷预测方法，其特征在于，所述步骤8方法：通过步骤7将transformer编码器的输出反标准化的数据，将这些输出表示整合起来，形成最终的序列输出，以得到最终结果
