本發(fā)明涉及清潔能源負(fù)荷預(yù)測(cè)，具體涉及一種基于改進(jìn)沙貓群算法的電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)方法。

背景技術(shù)：

1、在當(dāng)今社會(huì)，隨著新能源科技快速發(fā)展，電動(dòng)汽車(chē)的應(yīng)用越來(lái)越廣泛。準(zhǔn)確預(yù)測(cè)電動(dòng)汽車(chē)電池soc剩余量對(duì)于車(chē)主合理行程規(guī)劃以及電池管理都具有至關(guān)重要的意義。

2、傳統(tǒng)的充電電池剩余soc預(yù)測(cè)方法，如基于統(tǒng)計(jì)學(xué)的方法，往往依賴(lài)于大量的歷史數(shù)據(jù)以及較為嚴(yán)格的假設(shè)條件，在面對(duì)復(fù)雜多變的實(shí)際情況時(shí)，預(yù)測(cè)精度有限。例如，線性回歸模型雖然簡(jiǎn)單易用，但無(wú)法有效捕捉充電數(shù)據(jù)中的非線性特征。

3、近年來(lái)，基于深度學(xué)習(xí)的模型，如卷積神經(jīng)網(wǎng)絡(luò)(cnn)和長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)，因其在處理復(fù)雜數(shù)據(jù)和時(shí)間序列方面的優(yōu)勢(shì)，被應(yīng)用于電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)有著不錯(cuò)的相性。cnn能夠自動(dòng)提取數(shù)據(jù)中的空間特征，而lstm則擅長(zhǎng)處理時(shí)間序列中的長(zhǎng)期依賴(lài)關(guān)系。然而，cnn-lstm模型在實(shí)際應(yīng)用中，其參數(shù)設(shè)置較為復(fù)雜，不同的參數(shù)組合會(huì)對(duì)預(yù)測(cè)性能產(chǎn)生顯著影響。若參數(shù)選擇不當(dāng)，模型容易陷入局部最優(yōu)解，導(dǎo)致預(yù)測(cè)精度不高、泛化能力較差等問(wèn)題。

4、智能優(yōu)化算法具有較好的全局搜索能力，但未經(jīng)適應(yīng)性改進(jìn)的優(yōu)化算法在實(shí)際應(yīng)用中也存在收斂速度慢、易早熟等不足。因此，如何挑選適用于電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)的優(yōu)化算法并進(jìn)行改進(jìn)，使其能夠更有效地優(yōu)化cnn-lstm模型的參數(shù)，進(jìn)而提高預(yù)測(cè)的準(zhǔn)確性，成為了當(dāng)前研究的重點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為解決背景技術(shù)中提到的問(wèn)題，本發(fā)明提供了一種基于改進(jìn)沙貓群算法的電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)方法，結(jié)合cnn在處理空間數(shù)據(jù)上的優(yōu)勢(shì)和lstm在處理長(zhǎng)時(shí)間序列數(shù)據(jù)以及具有長(zhǎng)期依賴(lài)關(guān)系的數(shù)據(jù)上的優(yōu)勢(shì)，利用差分進(jìn)化隨機(jī)到最優(yōu)1型策略改進(jìn)沙貓群優(yōu)化算法優(yōu)化并建立電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)模型，更準(zhǔn)確更快速獲取預(yù)測(cè)結(jié)果。

2、技術(shù)方案：

3、本發(fā)明公開(kāi)一種基于改進(jìn)沙貓群算法的電動(dòng)汽車(chē)充電電池剩余soc預(yù)測(cè)方法，所述方法包括如下步驟：

4、s1采集電動(dòng)汽車(chē)歷史充電數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行進(jìn)行空值填充和歸一化預(yù)處理；

5、s2根據(jù)影響充電后電池剩余soc因素：電流、充電電量、充電效率、時(shí)間、電池額定容量，構(gòu)建特征矩陣，作為充電電池剩余soc預(yù)測(cè)模型的輸入；

6、s3搭建基于cnn-lstm混合神經(jīng)網(wǎng)絡(luò)的充電電池剩余soc預(yù)測(cè)模型；

7、s4使用差分進(jìn)化隨機(jī)到最優(yōu)1型變異策略改進(jìn)的沙貓群優(yōu)化算法優(yōu)化預(yù)測(cè)模型；

8、s5在優(yōu)化后的預(yù)測(cè)模型中輸入所述特征矩陣，進(jìn)行充電電池剩余soc預(yù)測(cè)。

9、進(jìn)一步地，s1所述空值填充的方法如下：

10、

11、式中，yk為缺失時(shí)刻填充數(shù)據(jù)；yk-1為前一周的相同周日期時(shí)刻soc值；yk+1為后一周的相同周日期同時(shí)刻soc值；

12、對(duì)電流、充電電量、充電效率、電池額定容量進(jìn)行歸一化處理，歸一化公式為：

13、

14、式中：x為歸一化前樣本數(shù)據(jù)；xone為歸一化后數(shù)值；xmax和xmin分別為歸一化前樣本數(shù)據(jù)中最大值和最小值。

15、進(jìn)一步地，s2所述充電電池剩余soc預(yù)測(cè)模型特征矩陣構(gòu)建步驟如下：

16、獲取模型輸入輸出關(guān)系：

17、

18、其中i(k-m)×1,q(k-m)×1，η(k-m)×1,t(k-m)×1,c(k-m)×1為輸入特征向量x，分別代表電流、充電電量、充電效率、時(shí)間、電池額定容量；為模型輸出量y，即充電后的電池剩余soc；k為當(dāng)前樣點(diǎn)時(shí)刻，k+1為待遇測(cè)時(shí)刻；k-m為待預(yù)測(cè)時(shí)刻前m+1個(gè)時(shí)刻，包含k時(shí)刻；

19、模型的輸入特征矩陣x為：

20、x＝[i(k+m)×1,q(k+m)×1，η(k+m)×1,t(k+m)×1,c(k+m)×1]

21、式中，i(m+1)×1、q(m+1)×1、η(k+m)×1、t(k+m)×1、c(k+m)×1分別為電壓、電流和充電電量的列向量。

22、式中，i(m+1)×1、q(m+1)×1、η(k+m)×1、t(k+m)×1、c(k+m)×1分別為電流、充電電量、充電效率、時(shí)間、電池額定容量的列向量。其中，的函數(shù)f計(jì)算公式為：

23、

24、在充電效率相同的情況下，結(jié)合上述公式，其公式如下：

25、

26、進(jìn)一步地，s3所述基于cnn-lstm混合神經(jīng)網(wǎng)絡(luò)的充電電池剩余soc預(yù)測(cè)模型搭建步驟如下：

27、s301數(shù)據(jù)處理：關(guān)閉報(bào)警、清空工作區(qū)與圖形窗口，讀取excel數(shù)據(jù)，計(jì)算樣本總數(shù)，按5:1劃分訓(xùn)練集和測(cè)試集，提取并歸一化輸入特征與輸出標(biāo)簽，整理成適合神經(jīng)網(wǎng)絡(luò)的輸入格式；

28、s302網(wǎng)絡(luò)構(gòu)建：定義輸入層，經(jīng)序列折疊層進(jìn)行卷積運(yùn)算，依次添加含16個(gè)過(guò)濾器、步長(zhǎng)為1的卷積層，批量歸一化層，relu激活層，池化窗口2×2、步長(zhǎng)2的最大池化層，通過(guò)序列展開(kāi)層與平滑層后，接入輸出為最后時(shí)間步的lstm層、單頭2鍵和查詢(xún)通道的自注意力層、丟棄率0.1的dropout層、輸出維度1的全連接層及回歸層；

29、s303訓(xùn)練設(shè)置：采用adam優(yōu)化器進(jìn)行訓(xùn)練；

30、s304訓(xùn)練與預(yù)測(cè)：訓(xùn)練模型并記錄時(shí)間，用訓(xùn)練好的模型預(yù)測(cè)，反歸一化預(yù)測(cè)結(jié)果并轉(zhuǎn)換為合適數(shù)據(jù)格式。

31、進(jìn)一步地，s4所述改進(jìn)的沙貓群優(yōu)化算法優(yōu)化充電電池剩余soc預(yù)測(cè)模型的具體步驟如下：

32、s401對(duì)差分進(jìn)化策略進(jìn)行初始化

33、隨機(jī)生成初始種群其中n是種群大小，每個(gè)個(gè)體是一個(gè)d維向量；

34、s402對(duì)于每個(gè)個(gè)體(當(dāng)前代為t)，生成一個(gè)新的變異個(gè)體vit+1，隨機(jī)選擇三個(gè)不同的個(gè)體和以及當(dāng)前最好的個(gè)體計(jì)算變異向量：

35、

36、其中f是縮放因子，取值在(0,2)之間；

37、s403生成試驗(yàn)向量對(duì)于每個(gè)維度j(j＝1,2,...,d)，以一定的概率cr決定是否從變異向量vit+1或當(dāng)前個(gè)體中選擇值：

38、

39、其中j0是隨機(jī)選擇的一個(gè)維度，確保至少有一個(gè)維度來(lái)自變異向量；

40、s404將試驗(yàn)向量與當(dāng)前個(gè)體進(jìn)行比較選擇適應(yīng)度更好的個(gè)體進(jìn)入下一代，如果則否則

41、s405改進(jìn)后的沙貓群優(yōu)化算法計(jì)算過(guò)程如下，計(jì)算結(jié)束后輸出最優(yōu)適應(yīng)度值和最佳位置：

42、r＝2×rg×rand(0,1)-rg

43、

44、p(t+1)＝pb(t)-r·prnd·cos(θ)

45、r＝rg×rand(0,1)

46、prnd＝|rand(0,1)·pbc(t)-pc(t)|

47、pc(t+1)＝r·(pbc(t)-rand(0,1)·pc(t))

48、式中，r為控制搜索和攻擊之間轉(zhuǎn)換的引導(dǎo)參數(shù)，rand(0,1)為(0,1))內(nèi)均勻分布的隨機(jī)數(shù)，rg為常規(guī)的靈敏度范圍，sm為沙丘貓的聽(tīng)覺(jué)特性，t為種群當(dāng)前迭代次數(shù)，t為種群最大迭代次數(shù)，θ為沙貓?jiān)诠綦A段移動(dòng)的方向一個(gè)隨機(jī)角度，r為每個(gè)種群個(gè)體的靈敏度范圍，prnd為距離，pbc(t)為全局最優(yōu)解，pc(t)為當(dāng)前位置，pc(t+1)為種群更新后的位置。

49、進(jìn)一步地，基于改進(jìn)后的沙貓群算法，對(duì)預(yù)測(cè)模型進(jìn)行超參數(shù)優(yōu)化：

50、輸入層設(shè)置，使用序列折疊層對(duì)圖像序列的時(shí)間步長(zhǎng)進(jìn)行獨(dú)立的卷積運(yùn)算，添加卷積層，16個(gè)過(guò)濾器，步長(zhǎng)為1，第一層池化層，包括2x1大小的池化窗口，步長(zhǎng)為2，獨(dú)立的卷積運(yùn)行結(jié)束后，將序列恢復(fù)，初始種群規(guī)模設(shè)置為5；最大進(jìn)化代數(shù)設(shè)置為10；

51、參數(shù)的下限中，學(xué)習(xí)率設(shè)置為0.001，lstm的神經(jīng)元個(gè)數(shù)設(shè)置為10，注意力機(jī)制的鍵值設(shè)置為2，正則化參數(shù)設(shè)置為0.0001；參數(shù)上限中對(duì)應(yīng)參數(shù)分別設(shè)置為0.01，50，50，0.001。

52、進(jìn)一步地，所述預(yù)測(cè)模型選用自適應(yīng)調(diào)整學(xué)習(xí)率的adam算法作為模型梯度的優(yōu)化算法，采用早停法防止lstm網(wǎng)絡(luò)過(guò)擬合；

53、早停法優(yōu)化過(guò)程如下：

54、構(gòu)建一個(gè)基于動(dòng)態(tài)預(yù)測(cè)窗口的早停模型，其數(shù)學(xué)公式如下：

55、設(shè)訓(xùn)練過(guò)程的時(shí)間步為t(每次迭代t增加1)，驗(yàn)證頻率為τ(每τ次迭代驗(yàn)證一次)，驗(yàn)證時(shí)刻記為tv＝τ,2τ,3τ,...。在第tv次迭代時(shí)的驗(yàn)證損失為lv(tv)。定義動(dòng)態(tài)預(yù)測(cè)窗口的寬度為耐心值p，通過(guò)歷史驗(yàn)證損失預(yù)測(cè)未來(lái)p步的損失趨勢(shì)。

56、采用加權(quán)指數(shù)平滑預(yù)測(cè)未來(lái)?yè)p失：

57、

58、其中，α∈(0,1)是平滑因子，控制歷史損失的權(quán)重衰減速度。

59、若連續(xù)p次預(yù)測(cè)的驗(yàn)證損失均不優(yōu)于當(dāng)前最優(yōu)損失則停止訓(xùn)練：

60、

61、其中，括號(hào)內(nèi)部條件滿足時(shí)取1，否則取0。

62、引入自適應(yīng)參數(shù)α的更新規(guī)則，使其隨訓(xùn)練階段變化：

63、

64、其中，β時(shí)衰減系數(shù)，tmax是最大訓(xùn)練迭代次數(shù)。隨著訓(xùn)練進(jìn)行，預(yù)測(cè)更依賴(lài)近期損失。

65、進(jìn)一步地，所述充電電池剩余soc預(yù)測(cè)模型通過(guò)selfattentionlayer添加自注意力機(jī)制。

66、有益效果：

67、1.本發(fā)明通過(guò)改進(jìn)的沙貓群算法優(yōu)化cnn-lstm-attention模型，融合各網(wǎng)絡(luò)優(yōu)勢(shì)，綜合考慮多種參數(shù)，使其精準(zhǔn)適配不同時(shí)間空間下的電池soc預(yù)測(cè)，進(jìn)一步體現(xiàn)本發(fā)明的通用性和前瞻性。

68、2.本發(fā)明通過(guò)對(duì)沙貓群算法的改進(jìn)，避免局部最優(yōu)，快速尋得模型最優(yōu)參數(shù)，縮短訓(xùn)練時(shí)間，能及時(shí)適應(yīng)充電負(fù)荷動(dòng)態(tài)變化，保證預(yù)測(cè)時(shí)效性，利于電動(dòng)汽車(chē)及時(shí)充電調(diào)配。

69、3.本發(fā)明在優(yōu)化模型過(guò)程中，改進(jìn)的沙貓群算法使cnn-lstm-attention模型在保持高預(yù)測(cè)精度的同時(shí)，通過(guò)對(duì)模型參數(shù)優(yōu)化路徑的分析，增強(qiáng)了可解釋性，幫助本領(lǐng)域技術(shù)人員更直觀理解各網(wǎng)絡(luò)層在處理充電數(shù)據(jù)時(shí)的作用機(jī)制，為進(jìn)一步優(yōu)化模型及實(shí)際應(yīng)用中的決策制定提供更清晰的理論支持。