本发明涉及充换电负荷预测领域，具体涉及基于时序迁移学习算法的城市充换电负荷预测方法及系统。
背景技术：
1、发展电动汽车成为了减少碳排放、改善空气质量和推动清洁能源发展的重要举措。电动汽车的普及和发展将对城市充换电系统产生重大影响，充换电负荷预测的准确性和稳定性将成为保障电动汽车充换电设施运行和城市能源规划的关键。然而，由于城市充换电网格之间的数据差异性和不平衡性，传统的负荷预测方法在不同城市充换电网格之间难以实现良好的迁移性能。
2、当前主流的城市充换电负荷预测方法主要包括基于统计模型的方法、机器学习方法和深度学习方法。基于统计模型的方法如arima(自回归综合移动平均模型)等，通过对历史负荷数据进行时间序列分析和建模，来预测未来的负荷情况。机器学习方法如支持向量机(svm)、随机森林(random forest)等，通过对历史负荷数据的特征进行学习和建模，来进行负荷预测。深度学习方法如循环神经网络(rnn)、长短期记忆网络(lstm)等，通过对历史负荷数据的复杂时序特征进行学习和建模，来实现高精度的负荷预测。然而，这些方法在不同城市充换电网格之间的迁移性能较差，往往需要在目标域重新进行模型训练，无法充分利用源域的模型和数据。
技术实现思路
1、为了解决现有技术在不同城市充换电网格之间的迁移性能较差的问题，本发明提出了基于时序迁移学习算法的城市充换电负荷预测方法，包括：
2、采用自适应人工鱼群算法对预先构建的源域网格电动汽车充换电负荷预测模型中的门控循环单元的待整定权重矩阵进行整定，得到门控循环单元的矩阵参数；
3、基于时序迁移学习算法结合目标域网格电动汽车充换电负荷数据，将源域网格电动汽车充换电负荷预测模型迁移至目标域网格，得到目标域网格电动汽车充换电负荷预测模型；
4、基于源域网格电动汽车充换电负荷预测模型和所述目标域网格电动汽车充换电负荷预测模型对城市充换电负荷进行预测；
5、其中，所述源域网格电动汽车充换电负荷预测模型是基于源域网格负荷预测数据和门控循环单元构建。
6、可选的，所述源域网格电动汽车充换电负荷预测模型的构建包括：
7、获取具有源域网格电动汽车充换电数据特征的负荷预测数据，对所述负荷预测数据进行处理得到负荷预测数据集，其中，所述处理包括整合和标注；
8、基于所述负荷预测数据集对门控循环单元进行训练，得到源域网格电动汽车充换电负荷预测模型。
9、可选的，所述采用自适应人工鱼群算法对预先构建的源域网格电动汽车充换电负荷预测模型中的门控循环单元的待整定权重矩阵进行整定，得到门控循环单元的矩阵参数，包括：
10、s301：将源域网格内的电动汽车作为鱼，所有电动汽车构成鱼群，对自适应人工鱼群算法的参数进行初始化，其中，自适应人工鱼群算法参数包括：鱼群中的觅食鱼的数量、觅食鱼对待整定权重矩阵参数可行解探索的最大轮次和觅食鱼的觅食位置；
11、s302：基于门控循环单元的预测点数和门控循环单元的预测点的真实值和预测值计算自适应人工鱼群算法的觅食位置食物丰富度；
12、s303：基于自适应人工鱼群周边觅食位置搜索算法探索新的觅食位置；
13、s304：基于所述觅食位置对应的食物丰富度，基于轮盘赌算法概率选择本轮自适应人工鱼群算法觅食位置对应的食物源选择本轮自适应人工鱼群算法觅食位置对应的食物源；
14、s305：根据当前轮次是否达到觅食鱼对待整定权重矩阵参数可行解探索的最大轮次判断是否结束自适应人工鱼群算法，若已达到，则输出当前食物丰富度最高的觅食位置，作为门控循环单元的矩阵参数；若否，则转到s302。
15、可选的，所述觅食位置食物丰富度按下式计算：
16、
17、式中，yf为食物丰富度，i为鱼群觅食探索空间中的食物源位置，ny为门控循环单元的预测点数；分别为门控循环单元第i个预测点的真实值和预测值。
18、可选的，所述觅食位置按下式计算：
19、
20、式中，为当前可行解探索轮次下鱼群觅食位置中的新食物位置；fad(t)为自适应人工鱼群算法的自适应系数；k与l为不同于i的鱼群觅食探索空间中的食物源位置，为第i个食物位置，为第k个食物位置，为第l个食物位置，为食物丰富度最高的食物位置。
21、可选的，所述基于时序迁移学习算法结合目标域网格电动汽车充换电负荷数据，将源域网格电动汽车充换电负荷预测模型迁移至目标域网格，得到目标域网格电动汽车充换电负荷预测模型，包括：
22、s401：在迁移起始阶段，冻结源域网格电动汽车充换电负荷预测模型中门控循环单元所有隐含层的前l层不进行训练；
23、s402：利用目标域网格电动汽车充换电负荷数据对源域网格电动汽车充换电负荷预测模型中门控循环单元未被冻结的隐含层进行训练；
24、s403:逐步解冻源域网格电动汽车充换电负荷预测模型中门控循环单元被冻结的隐含层；
25、s404：利用平均绝对误差值评估目标域网格电动汽车充换电负荷预测模型的训练效果；
26、s405：若目标域网格电动汽车充换电负荷预测模型的训练效果不再提升，则停止对目标域网格电动汽车充换电负荷预测模型进行训练，将当前目标域网格电动汽车充换电负荷预测模型作为目标域网格电动汽车充换电负荷预测模型；否则转至步骤s402。
27、再一方面本发明还提供了一种基于时序迁移学习算法的城市充换电负荷预测系统，包括：
28、参数整定模块，用于采用自适应人工鱼群算法对预先构建的源域网格电动汽车充换电负荷预测模型中的门控循环单元的待整定权重矩阵进行整定，得到门控循环单元的矩阵参数；
29、迁移模块，用于基于时序迁移学习算法结合目标域网格电动汽车充换电负荷数据，将源域网格电动汽车充换电负荷预测模型迁移至目标域网格，得到目标域网格电动汽车充换电负荷预测模型；
30、预测模块，用于基于源域网格电动汽车充换电负荷预测模型和所述目标域网格电动汽车充换电负荷预测模型对城市充换电负荷进行预测；
31、其中，所述源域网格电动汽车充换电负荷预测模型是基于源域网格负荷预测数据和门控循环单元构建；
32、可选的，所述参数整定模块具体用于：
33、s301：将源域网格内的电动汽车作为鱼，所有电动汽车构成鱼群，对自适应人工鱼群算法的参数进行初始化，其中，自适应人工鱼群算法参数包括：鱼群中的觅食鱼的数量、觅食鱼对待整定权重矩阵参数可行解探索的最大轮次和觅食鱼的觅食位置；
34、s302：基于门控循环单元的预测点数和门控循环单元的预测点的真实值和预测值计算自适应人工鱼群算法的觅食位置食物丰富度；
35、s303：基于自适应人工鱼群周边觅食位置搜索算法探索新的觅食位置；
36、s304：基于所述觅食位置对应的食物丰富度，基于轮盘赌算法概率选择本轮自适应人工鱼群算法觅食位置对应的食物源选择本轮自适应人工鱼群算法觅食位置对应的食物源；
37、s305：根据当前轮次是否达到觅食鱼对待整定权重矩阵参数可行解探索的最大轮次判断是否结束自适应人工鱼群算法，若已达到，则输出当前食物丰富度最高的觅食位置，作为门控循环单元的矩阵参数；若否，则转到s302。
38、可选的，所述觅食位置食物丰富度按下式计算：
39、
40、式中，yf为食物丰富度，i为鱼群觅食探索空间中的食物源位置，ny为门控循环单元的预测点数；分别为门控循环单元第i个预测点的真实值和预测值。
41、可选的，所述觅食位置按下式计算：
42、
43、式中，为当前可行解探索轮次下鱼群觅食位置中的新食物位置；fad(t)为自适应人工鱼群算法的自适应系数；k与l为不同于i的鱼群觅食探索空间中的食物源位置，为第i个食物位置，为第k个食物位置，为第l个食物位置，为食物丰富度最高的食物位置。
44、可选的，还包括模型构建模块，用于：
45、获取具有源域网格电动汽车充换电数据特征的负荷预测数据，对所述负荷预测数据进行处理得到负荷预测数据集，其中，所述处理包括整合和标注；
46、基于所述负荷预测数据集对门控循环单元进行训练，得到源域网格电动汽车充换电负荷预测模型。
47、可选的，迁移模块，具体用于：
48、s401：在迁移起始阶段，冻结源域网格电动汽车充换电负荷预测模型中门控循环单元所有隐含层的前l层不进行训练；
49、s402：利用目标域网格电动汽车充换电负荷数据对源域网格电动汽车充换电负荷预测模型中门控循环单元未被冻结的隐含层进行训练；
50、s403:逐步解冻源域网格电动汽车充换电负荷预测模型中门控循环单元被冻结的隐含层；
51、s404：利用平均绝对误差值评估目标域网格电动汽车充换电负荷预测模型的训练效果；
52、s405：若目标域网格电动汽车充换电负荷预测模型的训练效果不再提升，则停止对目标域网格电动汽车充换电负荷预测模型进行训练，将当前目标域网格电动汽车充换电负荷预测模型作为目标域网格电动汽车充换电负荷预测模型；否则转至步骤s402。
53、再一方面，本技术还提供了一种计算设备，包括：至少一个处理器和存储器；
54、所述存储器，用于存储一个或多个程序；
55、当所述一个或多个程序被所述至少一个处理器执行时，实现如上述所述的一种基于时序迁移学习算法的城市充换电负荷预测方法。
56、再一方面，本技术还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的一种基于时序迁移学习算法的城市充换电负荷预测方法。
57、与现有技术相比，本发明的有益效果为：
58、本发明提供了一种基于时序迁移学习算法的城市充换电负荷预测方法，包括：采用自适应人工鱼群算法对预先构建的源域网格电动汽车充换电负荷预测模型中的门控循环单元的待整定权重矩阵进行整定，得到门控循环单元的矩阵参数；基于时序迁移学习算法结合目标域网格电动汽车充换电负荷数据，将源域网格电动汽车充换电负荷预测模型迁移至目标域网格，得到目标域网格电动汽车充换电负荷预测模型；基于源域网格电动汽车充换电负荷预测模型和所述目标域网格电动汽车充换电负荷预测模型对城市充换电负荷进行预测；其中，所述源域网格电动汽车充换电负荷预测模型是基于源域网格负荷预测数据和门控循环单元构建。本发明基于时序迁移学习算法，构建具有良好迁移性的预测模型，并在目标域上进行微调，以适应不同城市充换电网格的特异性。不仅能够显著提高预测的准确性和泛化能力，还能减少对目标域大量数据的依赖，有效支持电动汽车充换电设施的运营管理，进而促进电力系统中电动汽车的发展。
1.一种基于时序迁移学习算法的城市充换电负荷预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述源域网格电动汽车充换电负荷预测模型的构建包括：
3.如权利要求1所述的方法，其特征在于，所述采用自适应人工鱼群算法对预先构建的源域网格电动汽车充换电负荷预测模型中的门控循环单元的待整定权重矩阵进行整定，得到门控循环单元的矩阵参数，包括：
4.如权利要求3所述的方法，其特征在于，所述觅食位置食物丰富度按下式计算：
5.如权利要求3所述的方法，其特征在于，所述觅食位置按下式计算：
6.如权利要求1所述的方法，其特征在于，所述基于时序迁移学习算法结合目标域网格电动汽车充换电负荷数据，将源域网格电动汽车充换电负荷预测模型迁移至目标域网格，得到目标域网格电动汽车充换电负荷预测模型，包括：
7.一种基于时序迁移学习算法的城市充换电负荷预测系统，其特征在于，包括：
8.如权利要求7所述的系统，其特征在于，所述参数整定模块具体用于：
9.一种计算机设备，其特征在于，包括：至少一个处理器和存储器；
10.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至6中任一项所述的基于时序迁移学习算法的城市充换电负荷预测方法。
