典型文献
基于时空耦合特性的充电站运行状态预测
文献摘要：
提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法.首先,基于充电站历史运行数据和所在区域的交通通行速度数据集,利用k-means聚类方法将充电站划分为不同类型,分析充电站运行状态在时间上的特性;建立单个充电站的"偏移量-交通-时间"三维矩阵模型,深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性.其次,将充电站状态与交通状况的时间滞后相关特性进行空间重构,利用卷积神经网络进行特征提取,通过长短期记忆网络进行时间序列预测,构建基于Keras深度学习框架的充电站运行状态多步预测模型.最后,以20个充电站的真实运行数据进行验证,并与多种预测算法进行对比,结果表明,所提方法具有较高的预测精度.
文献关键词：
充电站;运行状态;交通状况;多步预测;Keras深度学习框架
中图分类号：
作者姓名：
苏粟;李玉璟;夏明超;汤小康;韦存昊;梁方
作者机构：
北京交通大学电气工程学院,北京市 100044
文献出处：
引用格式：
[1]苏粟;李玉璟;夏明超;汤小康;韦存昊;梁方-.基于时空耦合特性的充电站运行状态预测)[J].电力系统自动化,2022(03):23-32
A类：
B类：
时空耦合特性,充电站,电站运行,运行状态预测,深度学习模型,历史运行数据,所在区域,通通,行速,means,聚类方法,偏移量,矩阵模型,深度挖掘,交通状况,滞后相关,相关特性,行空,空间重构,长短期记忆网络,时间序列预测,Keras,深度学习框架,多步预测,预测算法
AB值：
0.244713
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
