CN119448201A 一种电动汽车充电负荷预测方法 （淮阴工学院）

本发明公开了一种电动汽车充电负荷预测学习器和元学习器，基学习器包括DCformer、以LightGBM作为误差预测模型，得到最终预测2S1、预先获取城镇居民区的电动汽车历史充电负荷数据S3、将相关性高的充电负荷数据作为stacking集成采用最大信息系数MIC挖掘变量间的线性和非线性关系以及变量间的重要性程度，其使用DCformer模型作为集成模型的第一个初级学习器，DCformer在transformer的基在计算MHA时插入两个Compose函数实现多3LightGBM使用叶子优先的分裂策略，每次选择最具信息增益采用圆混沌映射策略初始化代替NOA原有的v=1-sin(⃞+2-)74具体取值如下：2于INOA优化LightGBM模型的参设置星鸦优化算法NOA的目标函数为LightGBM模型的参数学习率L、叶子节点数N和最在迭代过程中根据训练误差指标确定最佳适应度值对应的在经过S3步骤后，stacking集成模型的框架已搭建完成，在步骤5获得验证集误差序列后，以LightGBM模型为误差校正模型，6[0012]进一步地，步骤S1所述电动汽车历史充电负荷数据包括所研究区域充电负荷数7[0014]采用最大信息系数MIC挖掘变量间的线性和非线性关系以及变量间的重要性程[0020]使用DCformer模型作为集成模型的第一个初级学习器，DCformer在transformerθ)(3)[0025]其中，w⃞,wf,wyeRnoh是第i个头的投影矩阵，woeRHDh×Dm为输出投影矩和Dm分别代表多头维度和模型维度；O代表输出，在DCMHA中先沿第一个维度进行Stack操[0026]使用BiTCN模型作为集成模型的第二个初级学习器，BiTC[0031]LightGBM使用叶子优先的分裂策略，每次选择最具信息增益的叶子节点进行分8和Lj是向量，包括优化问题中第j维的上界和下界；γ是根据莱维飞行产生的随机数，具体取值如下：[0046]NOA算法会在觅食阶段和储存阶段在某一结点转换，保证算法勘探和开发之间平9[0050]设置星鸦优化算法NOA的目标函数为LightGBM模型的参数学习率L、叶子节点数N[0063]S1、预先获取城镇居民区的电动汽车历史充电负荷数据，并使用最大信息系数[0065]采用最大信息系数MIC有效挖掘变量间的线性和非线性关系以及变量间的重要性负荷为模型输出，利用最大信息系数MIC选取与充电负荷特征关系程度最大的几个特征作神经网络ANN模型作为集成模型的基学习器，将轻量级梯度提升机LightGBM模型作为集成[0072]使用DCformer模型作为集成模型的第一个初级学习器，DCformer在transformer[0073]Transformer最重要的模块就是多头注意力机制MHA，而DCformer的DCMHA模块则θ)(3)和Dm分别代表多头维度和模型维度；O代表输出，在DCMHA中先沿第一个维度进行Stack操[0079]通过动态组合注意力头的方式，DCFormer能够更好地捕负荷预测方向，LightGBM能够有效处理充电负荷这种动态变化的时间序列数据，并且[0088]设置星鸦优化算法NOA的目标函数为LightGBM模型的参数学习率L、叶子节点数N[0092]星鸦优化算法NOA的位置更新方式主要为觅食和储存策略，其中本发明在位置更和Lj是向量，包括优化问题中第j维的上界和下界；γ是根据莱维飞行产生的随机数，[0103]该算法会在觅食阶段和储存阶段在某一结点转换，保证算法勘探和开发之间平