(19)中华 人民共和国 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 202111444016.8 (22)申请日 2021.11.30 (71)申请人 国网浙江省电力有限公司嘉兴供电 公司 地址 314001 浙江省嘉兴 市南湖区城北路 99号 (72)发明人 顾韬　王文华　黄颖　张杨　张宏　 闫威　金烨　陆勇　厉俊　周青睐　 李南　胡滨　沈月秀　施力欣　 周舟　李文涛　沈欢庆　朱斌泉　 冯国平　鞠林浩　李颖　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 代理人 尉伟敏(51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于生成对抗网络的电动汽车充电负荷聚 类预测方法 (57)摘要 本发明公开了基于生成对抗网络的电动汽 车充电负荷聚类预测方法， 包括以下步骤 （1） 获 取电动汽车充电样本， 分为工作日和非工作日； （2） 对工作日和非工作日的电动汽车充电样本进 行聚类分析， 分成若干类； （3） 分别计算工作日和 非工作日分类后各类的日充电负荷， 得到每一类 多天的历史充电负荷数据； （4） 将各类历史数据、 天气信息和噪声向量分别送入生成对抗网络； （5） 通过生 成对抗网络进行训练得到电动汽车充 电负荷的预测值； 本发明解决了传统人工神经网 络样本不足的问题， 提高了生 成对抗网络的泛化 能力； 克服了电动汽车充电负荷预测偏差较大的 问题， 提高了准确性； 增强了对不同群体的针对 性预测效果。 权利要求书2页 说明书7页 附图3页 CN 114358119 A 2022.04.15 CN 114358119 A 1.基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 包括以下步骤： (1)获取电动汽车充电样本， 分为工作日和非工作日； (2)对工作日和非工作日的电动汽车充电样本进行聚类分析， 分成若干类； (3)分别计算工作日和非工作日分类后各类的日充电负荷， 得到每一类多天的历史充 电负荷数据； (4)将各类历史数据、 天气信息和噪声向量分别送入生成对抗网络； (5)通过生成对抗网络进行训练得到电动汽车充电负荷的预测值。 2.根据权利要求1所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述生成对抗网络包括生成模型和判别模型， 由生成对抗网络进行电动汽车充电 负荷的预测的具体过程 为： S1： 各类历史数据作为真实样本， 由生成模型模拟真实样本产生虚拟 样本； S2： 将生成模型 所产生的虚拟 样本及真实样本送入判别模型； S3： 由判别模型输出 结果， 经过半监督回归环 节得到预测值； S4： 根据预测值及误差公式计算 误差， 更新判别模型参数； S5： 反向传播 误差， 更新 生成模型参数； S6： 判断是否训练模拟完成所有训练样本， 如果是进入步骤S7； 否则返回步骤S1； S7： 判断迭代次数 是否达到设定值， 如果是， 则结束训练； 否则返回步骤S1。 3.根据权利要求1所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 步骤(2)中， 所述聚类分析采用高斯混合模型分别将 工作日和非工作日 的电动汽车 充电样本分为 三类。 4.根据权利要求3所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述高斯混合模型分类采用E M算法更新迭代； 通过EM算法求得各项参数， EM算法用于含有隐变量的概率模型参数的最大似然估计， 分为求期望和求极大值两个步骤。 5.根据权利要求2所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述 生成模型的生成虚拟 样本具体方法为： S11： 将一维真实数据样本转换为 二维数据样本， 并作为卷积层的输入； S12： 将多个低维图像映射到高维数据空间生成虚拟样本， 以模拟真实样本的复杂分 布； S13： 将二维虚拟数据样本转换为 一维数据， 以匹配判别模型的输入维数； S14： 将虚拟 样本Pfake和真实样本Plabeled送入判别模型。 6.根据权利要求5所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述 生成模型的误差函数为： LG＝||E·f(Pfake)‑E·f(Plabeled)||2； f(Pfake)和f(Plabeled)代表判别模型中间层输出， E代表期望函数， LG为生成模型的误差 值。 7.根据权利要求2所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述判别模型进行 数据预测的具体方法为： S21： 将电动汽车充电负荷数据的虚拟 样本和真实样本作为判别模型的输入；权　利　要　求　书 1/2 页 2 CN 114358119 A 2S22： 将输入样本转换为特 征映射； S23： 对输入样本进行 卷积和池化 运算， 得到输入样本的高维特 征表示； S24： 将回归层连接到判别模型末尾的全连接层， 对电动汽车充电负荷数据进行非线性 回归环节计算， 得到预测数据。 8.根据权利要求6所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法， 其特 征在于， 所述判别模型的误差函数为： LD＝Lunsup+Lsup Lunsup＝‑||E·f(Pfake)‑E·f(Plabeled)||2 和 分别代表下一时刻的预测值和真实值， Lsup为监督部分误差值， Lunsup为非监 督部分误差值， LD为判别模型的总误差值。权　利　要　求　书 2/2 页 3 CN 114358119 A 3