基于时间特征分类与误差修正的电动汽车充电负荷预测OA

电动汽车数量的快速增长,对充电负荷预测精度提出了更高要求。为此,提出了一种基于时间特征分类、并行预测与误差修正的充电负荷预测方法。首先,基于K-means分簇方法对负荷序列进行分类标记,以分离不同负荷时间特性的时间点。其次,先利用LSTM(长短期记忆网络)和GRU(门控循环单元)对各类时间点并行独立预测,再利用CatBoost(类别提升)根据时间点类别进行预测输出的选择,并将预测结果与真实结果相减,获得历史误差序列。最后,将历史误差序列按半天、一天、一周、两周、一月以及一季度周期进行序列分解,分别利用Transformer模型进行误差成分预测,实现对预测误差的跟踪与修正,获得精确的负荷预测结果。结果表明,所提方法相较传统基准预测方法在预测精度上有所提升。