基于迁移学习的跨域电动汽车充电站负荷预测方法及系统

1.本发明涉及电动汽车充电站负荷预测技术领域，特别是涉及一种基于迁移学习的跨域电动汽车充电站负荷预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.针对电动汽车充电站负荷数据，一方面，新建充电站由于投入使用的时间较短，所以数据量较少；另一方面，一些充电站虽然已经建成并且已投入运行一段时间，但由于后期运维较差，数据可信度低。所以由于目前电动汽车充电负荷数据较少且数据可信度低的问题，负荷预测数据存在一定局限性，预测精度较低。
4.目前建筑能耗预测较为成熟，数据集丰富，基于建筑能耗预测的深度网络模型性能较好；但模型性能较好的前提是有大量的历史数据，当样本数据较少时，模型性能较差。针对电动汽车充电站负荷数据，集中突出的问题为数据量少、数据可信度低，直接利用深度网络模型进行预测，效果较差。
5.迁移学习(transfer learning)作为机器学习的一个重要分支，侧重于将已经学习过的知识迁移到应用到新的问题中。然而，若直接将建筑域的知识迁移到电动汽车充电站上，直接利用建筑能耗数据预测电动汽车充电站涉及跨域问题，两者耗能模式不同，能耗数据相似度不够，不满足迁移学习的相似度分析，所以跨域迁移之后会产生负迁移的问题。


技术实现要素：

6.为了解决上述问题，本发明提出了一种基于迁移学习的跨域电动汽车充电站负荷预测方法及系统，将源域与目标域数据分别进行趋势提取，得到源域与目标域的残差数据，根据源域残差数据进行神经网络的预训练，并经微调后迁移到目标域残差数据中，解决电动汽车充电站数据少、预测精度差以及跨域负迁移的问题。
7.为了实现上述目的，本发明采用如下技术方案：
8.第一方面，本发明提供一种基于迁移学习的跨域电动汽车充电站负荷预测方法，包括：
9.获取源域建筑能耗数据和目标域充电站能耗数据，并分别进行趋势提取，得到源域趋势预测数据和目标域趋势预测数据；
10.根据源域趋势预测数据和目标域趋势预测数据分别得到源域残差数据和目标域残差数据，将源域残差数据和目标域残差数据进行相似度分析，得到待迁移的源域残差数据；
11.根据待迁移的源域残差数据经模型预训练和模型微调后得到跨域迁移学习网络，对目标域残差数据根据跨域迁移学习网络进行预测，得到目标域残差预测数据，将目标域残差预测数据与目标域趋势预测数据叠加后得到目标域充电站负荷预测结果。
12.作为可选择的实施方式，将源域建筑能耗数据减去源域趋势预测数据得到源域残差数据，将目标域充电站能耗数据减去目标域趋势预测数据得到目标域残差数据。
13.作为可选择的实施方式，采用ddtw方法计算源域残差数据和目标域残差数据的相似度，通过设置相似度判断阈值，得到待迁移的源域残差数据。
14.作为可选择的实施方式，将待迁移的源域残差数据对lstm神经网络进行预训练，对训练后的lstm神经网络经模型微调后得到跨域迁移学习网络。
15.作为可选择的实施方式，模型微调的过程包括源域训练和目标域训练；具体地，lstm神经网络包括七个lstm层和一个全连接层，源域训练时，锁定后三层lstm层，对前四层lstm层根据待迁移的源域残差数据进行训练，保存每层lstm层的参数和权重；目标域训练时，解锁后三层lstm层，并对后三层lstm层根据目标域残差数据进行训练，前四层lstm层根据源域训练学习到的参数和权重进行目标域残差数据的训练，同时更新全连接层。
16.作为可选择的实施方式，对源域建筑能耗数据和目标域充电站能耗数据进行趋势提取之前进行数据预处理，包括采用最大-最小标准化方法进行数据归一化处理。
17.作为可选择的实施方式，对预处理后的源域建筑能耗数据和目标域充电站能耗数据采用支持向量机分别进行趋势提取。
18.第二方面，本发明提供一种基于迁移学习的跨域电动汽车充电站负荷预测系统，包括：
19.基于迁移学习的跨域电动汽车充电站负荷预测系统，其特征在于，包括：
20.趋势提取模块，被配置为获取源域建筑能耗数据和目标域充电站能耗数据，并分别进行趋势提取，得到源域趋势预测数据和目标域趋势预测数据；
21.残差提取模块，被配置为根据源域趋势预测数据和目标域趋势预测数据分别得到源域残差数据和目标域残差数据，将源域残差数据和目标域残差数据进行相似度分析，得到待迁移的源域残差数据；
22.跨域迁移模块，被配置为根据待迁移的源域残差数据经模型预训练和模型微调后得到跨域迁移学习网络，对目标域残差数据根据跨域迁移学习网络进行预测，得到目标域残差预测数据，将目标域残差预测数据与目标域趋势预测数据叠加后得到目标域充电站负荷预测结果。
23.第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
24.第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
25.与现有技术相比，本发明的有益效果为：
26.本发明提出一种基于迁移学习的跨域电动汽车充电站负荷预测方法及系统，将源域与目标域数据分别进行趋势提取，得到源域与目标域的残差数据，根据源域残差数据进行神经网络的预训练，并经微调后迁移到目标域残差数据中；解决电动汽车充电站数据少、预测精度差以及跨域负迁移的问题。
27.本发明提出一种基于迁移学习的跨域电动汽车充电站负荷预测方法及系统，选择建筑能耗数据作为源域数据集，是鉴于建筑能耗数据集丰富且可靠性高的优势，而目标域
电动汽车充电站数据集少且可信度低，解决目前充电站数据集不足、数据质量不高的问题；将迁移方向定位到趋势预测后的残差数据，根据趋势预测后的源域残差数据训练lstm神经网络，针对目标域残差数据进行跨域迁移，避免出现负迁移情况。
28.本发明提出一种基于迁移学习的跨域电动汽车充电站负荷预测方法及系统，在模型微调策略中，源域训练时锁定后几层，目标域训练时解锁，目的后几层为适应目标域数据，已达到预测更加精准的目的，微调后网络具有较好的预测精度，具有较低的训练负担。
29.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1为本发明实施例1提供的基于迁移学习的跨域电动汽车充电站负荷预测方法流程图；
32.图2为本发明实施例1提供的基于迁移学习的跨域电动汽车充电站负荷预测方法框图；
33.图3为本发明实施例1提供的相似度分析示意图；
34.图4为本发明实施例1提供的模型微调策略示意图。
具体实施方式
35.下面结合附图与实施例对本发明做进一步说明。
36.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
37.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
39.实施例1
40.本实施例提供一种基于迁移学习的跨域电动汽车充电站负荷预测方法，如图1-图2所示，包括：
41.获取源域建筑能耗数据和目标域充电站能耗数据，并分别进行趋势提取，得到源域趋势预测数据和目标域趋势预测数据；
42.根据源域趋势预测数据和目标域趋势预测数据分别得到源域残差数据和目标域残差数据；
43.将源域残差数据和目标域残差数据进行相似度分析，得到待迁移的源域残差数
据；
44.根据待迁移的源域残差数据经模型预训练和模型微调后得到跨域迁移学习网络，对目标域残差数据根据跨域迁移学习网络进行预测，得到目标域残差预测数据，将目标域残差预测数据与目标域趋势预测数据叠加后得到目标域充电站负荷预测结果。
45.在本实施例中，将源域建筑能耗数据、目标域充电站能耗数据分别按照训练集70％、测试集30％进行划分；采用滑动时间窗长度r对训练集、测试集进行重构；本实施例以r取30为例，即滑动时间窗口切除前30条数据作为模型输入，第31条数据输入作为模型输出，形成一个时间序列窗口；滑动时间窗每向后滚动一个循环，形成一个新的时间序列窗口，直到此窗口滚动到最后的时间点，以重构后的数据来训练预测模型；具体公式如式(1)-式(2)：
[0046][0047][0048]
其中，t为源域，g为目标域，t为输出的第t个数据，r为滑动时间窗口长度，为源域输出，为源域输入；为目标域输出，为目标域输入。
[0049]
在本实施例中，在获取源域建筑能耗数据和目标域充电站能耗数据时，考虑建筑与充电站周期的相似性，采用日周期、星期周期的数据作为模型训练的输入。
[0050]
在下述的趋势提取和残差预测过程中均采用滑动时间窗口l＝30重构数据。
[0051]
在本实施例中，对源域建筑能耗数据和目标域充电站能耗数据进行数据预处理；
[0052]
具体地，采用最大-最小标准化方法进行数据归一化处理；最大-最小标准化是对原始数据进行线性变换，设mina和minb分别为数据最大值和数据最小值，将数据的原始值x通过最大-最小标准化映射到区间[0,1]的值x
′
，如公式(3)：
[0053][0054]
在本实施例中，对预处理后的源域建筑能耗数据和目标域充电站能耗数据分别进行趋势提取；具体地，采用支持向量机(svm)进行趋势提取；
[0055]
支持向量机(svm)是针对二分类问题提出的，而svr的样本最终只有一类，它所寻求的最优超平面不是svm那样使两类或多类样本点分的“最开”，而是使所有样本点离超平面的总偏差最小。
[0056]
在本实施例中，经趋势提取得到源域趋势预测数据和目标域趋势预测数据，并以此得到源域残差数据和目标域残差数据；
[0057]
具体地，将源域建筑能耗数据减去源域趋势预测数据得到源域残差数据，将目标域充电站能耗数据减去目标域趋势预测数据得到目标域残差数据，得到的源域残差数据和目标域残差数据为真正跨域迁移的对象；如式(4)-式(5)：
[0058][0059]
[0060]
其中，y
tt
为源域建筑能耗数据，为源域趋势预测数据，为源域残差数据；y
tg
为目标域充电站能耗数据，为目标域趋势预测数据，为目标域残差数据。
[0061]
在本实施例中，由于利用建筑能耗数据预测电动汽车充电站负荷涉及到跨域问题，建筑域与充电站耗能数据相似度不够，当在源域上学习到的知识对目标域上的学习产生负面作用时，便会发生“负迁移”。所以，为了解决负迁移的问题，本实施例提出趋势提取、误差迁移的方法，把迁移的对象转化为残差上，不涉及领域问题，就避免了因跨域而出现“负迁移”的情况。
[0062]
在本实施例中，将源域残差数据和目标域残差数据进行相似度分析，通过设置相似度判断阈值，得到待迁移的源域残差数据；
[0063]
如图3所示，具体地，采用ddtw计算源域残差数据和目标域残差数据的相似度，ddtw的输出为二者的距离，即输出结果越小，相似度越高，反之越低；
[0064]
设置相似度判断阈值，满足相似度判断阈值，则进行迁移学习，不满足则更换源域数据，直至满足相似度判断。
[0065]
ddtw通过考虑“形状”利用估计时序数据的一阶导数来解决dtw(动态时间规整)中warpingpath(扭曲路径)的连续性、单调性条件，造成了时序数据对齐过程中的各种扭曲。此时的“距离矩阵”中的元素不再是两点之间的距离，而是时序数据在两点处一阶导数的差值的平方，如下式：
[0066][0067][0068]dx
[c,q]＝[d
x
[c],d
x
[q]](8)
[0069]
其中，d
x
[q]为源域距离矩阵，d
x
[c]代表目标域距离矩阵；d
x
[c，q]代表距离代价矩阵；
[0070]
求出距离代价矩阵各个元素之间的欧氏距离之和，即为ddtw输出结果。
[0071]
在本实施例中，将某一源域残差数据根据随机分配器随机分配成n份，每份数据均与目标域残差数据进行ddtw运算，最后将n个ddtw结果求平均即为最后结果。
[0072]
在本实施例中，将待迁移的源域残差数据采用最大-最小标准化进行数据预处理后，将待迁移的源域残差数据对lstm神经网络进行预训练，经模型微调后得到跨域迁移学习网络，对目标域残差数据根据跨域迁移学习网络进行预测，得到目标域残差预测数据，将目标域残差预测数据与目标域趋势预测数据叠加后为最终预测结果。
[0073]
如图4所示，模型微调过程包括：lstm神经网络采用七个lstm层，一个全连接层的网络结构，mse作为评估网络性能的损失函数。每层单元个数为200，每个lstm层都添加dropout(0.5)，并用adam算法优化网络的训练；
[0074]
训练时包括源域训练和目标域训练；其中，源域训练，锁定lstm后三层进行源域训
练，lstm前四层根据源域数据进行预训练，保存每层lstm参数、权重；目标域训练，解锁lstm后三层，前四层根据源域学习到的参数、权重进行训练目标域数据，后三层并未更改参数、权重，适应目标域训练数据，达到更加精准的预测，同时更新全连接层，设置较小学习率(0.0001)防止过拟合。
[0075]
本实施例的模型微调策略中，源域训练时锁定后几层，目标域训练时解锁，目的后几层为适应目标域数据，已达到预测更加精准的目的，微调后网络具有较好的预测精度，具有较低的训练负担。
[0076]
在本实施例中，根据跨域迁移学习网络对目标域残差数据进行预测，得到目标域残差预测数据，目标域残差预测数据叠加目标域趋势预测数据得到目标域最终预测数据：
[0077][0078]
其中，为目标域残差预测数据，为目标域最终预测数据。
[0079]
本实施例选择建筑能耗数据作为源域数据集，是鉴于建筑能耗数据集丰富且可靠性高，而目标域电动汽车充电站数据集少且可信度低，解决目前充电站数据集不足、数据质量不高的问题；本实施例将迁移方向定位到趋势预测后的残差数据，根据趋势预测后的源域残差数据训练lstm神经网络，针对目标域残差数据进行跨域迁移，避免出现负迁移情况。
[0080]
实施例2
[0081]
本实施例提供基于迁移学习的跨域电动汽车充电站负荷预测系统，包括：
[0082]
趋势提取模块，被配置为获取源域建筑能耗数据和目标域充电站能耗数据，并分别进行趋势提取，得到源域趋势预测数据和目标域趋势预测数据；
[0083]
残差提取模块，被配置为根据源域趋势预测数据和目标域趋势预测数据分别得到源域残差数据和目标域残差数据，将源域残差数据和目标域残差数据进行相似度分析，得到待迁移的源域残差数据；
[0084]
跨域迁移模块，被配置为根据待迁移的源域残差数据经模型预训练和模型微调后得到跨域迁移学习网络，对目标域残差数据根据跨域迁移学习网络进行预测，得到目标域残差预测数据，将目标域残差预测数据与目标域趋势预测数据叠加后得到目标域充电站负荷预测结果。
[0085]
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0086]
在更多实施例中，还提供：
[0087]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
[0088]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0089]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0090]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
[0091]
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0092]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0093]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。