(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211188648.7 (22)申请日 2022.09.27 (71)申请人 上海联联睿科能源科技有限公司 地址 200333 上海市普陀区武宁路5 09号 2006室-A 申请人 上海电器科 学研究院 　 上海电器科 学研究所(集团)有限公 司 (72)发明人 易媛　鞠晨　汤晓栋　吴小东　 奚培锋　王海杰　刘春雨　沈怀川　 (74)专利代理 机构 上海璀汇知识产权代理事务 所(普通合伙) 31367 专利代理师 王文颖 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于注意力机制的充电站充电负荷预 测方法 (57)摘要 本申请公开了一种基于注意力机制的充电 站充电负荷预测方法， 包括预测模型， 预测模型 包括特征嵌入模块、 历史数据编码模块和融合预 测模块； 从历史数据中获取充电站点时段t的特 征数据和对应于时段t的充电负荷值yt， 预测模 型计算预测充电负荷值， 通过历史数据训练得到 收敛的预测模 型， 从而用于预测未来时段的充电 负荷。 本申请根据充电站历史充电负荷数据， 采 用一个新型预测方法来对给定的未来时间段内 各充电站的充电负荷变化曲线进行预测， 更好的 为充电站的建设规划和日常运营提供数据支撑， 进而为配电网的负荷预测提供量 化分析依据。 权利要求书2页 说明书10页 附图3页 CN 115526398 A 2022.12.27 CN 115526398 A 1.一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 包括预测模型， 预测 模型包括特 征嵌入模块、 历史数据编码模块和融合预测模块； 预测模型训练步骤如下： 获取充电站点时段t的特征数据和对应于时段t的充电负荷值yt， 所有特征数据构成特 征向量rt； 提取特征向量rt中时间、 天气特 征相关的部分记为gt； 获取充电站点过去s天内时段t的历史数据， 包括 和 分别表示过去s天内时段t的日期、 时间、 天气特征与对应时间 段内的负荷值； 历史数据编码模块的输入向量 为ut和gt； 所述历史数据编码模块设有网络基础模块FA， 网络基础模块FA自输入至输出依次设有 线性层、 Batc hNorm层、 Tanh层和Dropout层； 向量X输入网络基础模块FA后得到FA(X)； 历史数据编码模块对向量ut的处理为残差连接处 理： Kt＝FA(ut+FA(ut))， 对gt同样处理得到： Qt＝FA(gt+FA(gt))； Kt与Qt相乘后做归一化处理， 得到历史数据中对应于时段t的特征数据对预测yt的影响 因子αt: αt＝softmax(Kt×Qt) 用 αt对pt进行加权和计算， 得到历史数据编码模块的输出向量Vt： 融合预测模块的输入向量 为Ot， Ot＝[rt,Vt]； 融合预测模块的输出为： 其中， Wp和bp分别表示权 重矩阵和偏移量， 是 预测模型中 需要学习训练后更新的权值； 设定均方误差损失函数LMSE， 基于随机梯度下降算法和动量 最小化损失算法进行误差反向传播并更新预测模型， 直到预测模型收敛， 得到 收敛后的预 测模型； 预测模型 预测步骤如下： 待预测时段记为t ’， 获取时段t ’的特征数据， 其中涉及天气的特征数据通过天气预报 获取， 将特 征数据代入收敛后的预测模型计算得到 即为时段t ’的预测充电负荷值。 2.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述特征数据包括xt＝[xt0,xt1,…,xtd‑1]和ht＝[ht0,ht1,…,htk‑1]， xt表示时段t所对应的d 个连续型特征数据构成的连续型特征向量， ht表示时段t所对应的k个类别型特征数据构成 的类别型特征向量； 类别型特征向量ht输入特征嵌入模块转化为连续型特征向量h ′t， 连续 型特征向量xt和连续型 特征向量h′t组合得到所述特 征向量rt＝[h′t|xt]。权　利　要　求　书 1/2 页 2 CN 115526398 A 23.如权利要求2所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述特征嵌入模块对输入的类别 型特征向量处理过程如下： 先对每一个特征进行one ‑hot 编码， 再通过乘以一个可学习的权重矩阵转化为维度为r的连续型特征向量， 其中r为模型 的超参数， 通过 先验知识和人工调试确定 。 4.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述线性层的输入输出关系式为： f(X)＝XWT+b， X表示本层的输入向量， W和b分别表示权重矩阵和 偏移量， 是预测模型中需要学习训练 后更新的权值； 所述Batc hNorm层的输入输出关系式为： μ表示输入向量X的期望， σ 为标准差， ∈为接近0的正数， γ和β 分别表示仿射变换参数 向量， 是预测模型中 需要学习训练后更新的权值； 所述Tanh层的输入输出关系式为： 5.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 输入预测模型的特 征数据设为标准 化处理后的特 征数据， 标准 化处理公式为： x′表示原始数据， μ表示原始数据的均值,S表示原始数据的标准差， x为标准化处理后 的数据。 6.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述充电负荷值设为对数化处 理后的充电负荷值， 对数化处 理公式为： y＝log(y′+1) 其中， y′表示原始数据， y表示对数化处 理后的数据。 7.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述softmax函数公式为： 8.如权利要求1所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述特征数据至少包 含充电站点信息、 充电站点所属区位信息、 天气信息、 时间信息 。 9.如权利要求8所述的一种基于注意力 机制的充电站充电负荷预测方法， 其特征在于， 所述天气信息包括当前时刻温度、 当前时刻湿度。 10.如权利要求8所述的一种基于注意力机制的充电站充电负荷预测方法， 其特征在 于， 所述时间信息包括当前时刻所处一天内小时、 分钟。权　利　要　求　书 2/2 页 3 CN 115526398 A 3