CN106156895A - 一种基于模糊c均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，选取充换电站的日充电负荷作为样本数据，单日负荷状态可由当日的6个时间点的负荷来标记；分析影响电动汽车充电负荷的特征变量，运用模糊C均值聚类分析法对样本和预测日数据进行聚类，选取与预测日相似度最高的负荷数据作为ε‑SVR的训练集；在训练集中，按照时间进行排序，选取初始3日的负荷数据作为输入量，第4日的负荷数据作为输出量，运用分步网格搜索法训练ε‑SVR的松弛变量参数C和RBF核函数中的宽度参数σ；以距离目标预测日最近的3日的负荷数据作为输入变量代入训练完成的ε‑SVR，计算得出预测日的充电负荷，重复进行6遍，形成预测日完整的负荷分布情况。

Description

一种基于模糊C均值聚类和分步网格搜索支持向量回归的电 动汽车充电负荷预测方法

技术领域

本发明涉及一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法。

背景技术

随着经济发展和工业化程度的不断提高，大气污染、节能减排问题日益突出。燃油汽车排放的尾气已成为空气污染的主要因素之一。由于燃油汽车在使用过程中会产生大量的有毒气体，给空气环境带来沉重负担，因此我国车辆排放法规也日益严格，交通运输设备转型发展迫在眉睫。以节能、低噪声、零排放为特点的电动汽车逐渐受到人们的青睐和政府的支持，充换电配套设施也已初具规模。与之相伴的是，电动汽车使用比例的提高加将带来大规模的阶段性电力需求，对电网系统的负荷承载能力乃至安全稳定运行产生负面影响。

目前，电动汽车充电负荷预测的方法主要分为三大类。一是传统电力负荷的预测方法，主要有：回归法、时间序列，小波分析、基于灰色模型以及神经网络等方法，由于这些方法都需要丰富的样本数据，电动汽车又是刚刚兴起，因此数据的缺乏导致预测结果出现较大偏差。二是基于统计学理论的用户行为建模法，主要是运用蒙特卡洛模拟用户充电行为来预测电动汽车充电需求，这类方法需要以传统汽车的驾驶规律为参考依据，如果行为分析出现偏差导致拟合估计不准确，就会导致预测的系统性误差。三是基于统计学习理论的支持向量机(SVM)预测方法，该方法能够在模型的经验风险和泛化风险之间寻求最佳平衡，同时解决小样本问题，能够取得较好的效果，但目前相关研究还处在初期阶段。刘文霞，徐晓波，周樨结合遗传算法(GA)和支持向量机对电动汽车充电负荷进行预测，取得了较好的预测效果，但GA算法程序比较复杂，对初始种群的选择有一定的依赖性，且容易陷入局部优化解而无法达到全局最优。

发明内容

本发明的目的是提供一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法。该方法克服了电动汽车充电样本有限的约束，避免了支持向量机参数寻优陷入局部最优解，在缩短预测时间的同时提高了预测精度。

为实现上述目的，本发明采用下述技术方案：

一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，包括以下步骤：

1)选取某个时间段内充换电站的日充电负荷作为样本数据，对一天的24个小时按照每4个小时为一份，等分成6份，记为6个关键的时间点，每个时间点的负荷数据为该4个小时内的最高负荷，则某一日的负荷状态可由当日的6个时间点的负荷来标记，记为：f_t＝{f_1t,f_2t,f_3t,f_4t,f_5t,f_6t}，其中：t表示日期数；

2)分析影响电动汽车充电负荷的特征变量，主要有最高气温、天气状态以及日期类型，运用模糊C均值聚类分析法对样本和预测日数据进行聚类，选取与预测日相似度最高的负荷数据作为ε-SVR的训练集；

3)在训练集中，按照时间进行排序，选取初始3日的负荷数据作为输入量，第4日的负荷数据作为输出量，运用分步网格搜索法训练ε-SVR的松弛变量参数C和RBF核函数中的宽度参数σ；

4)以距离目标预测日最近的3日的负荷数据作为输入变量代入训练完成的ε-SVR，计算得出预测日的充电负荷，这里由于每日的完整负荷都是由当日的6个负荷值来描述的，因此以上过程要重复进行6遍，以最终形成预测日完整的负荷分布情况。

进一步地，步骤2)中的天气状态包括晴、小雨、中雨和大雨；日期类型包括工作日和节假日。

进一步地，步骤3)具体步骤如下：对选取出的样本按照时间先后进行排序，以前3日的负荷数据为输入量，第4日的负荷数据为输出量，运用分步K-CV网格搜索法优化ε^-SVR的冗余参数C和RBF参数σ，其中：第一步优化选择K＝5，选取相对较大的步长Cstep＝1和σstep＝1；第二步优化选择K＝3，选取相对较小的步长Cstep＝0.5和σstep＝0.5，在优化和训练过程中，ε取0.01。

本发明的有益效果是，

本发明将模糊C均值聚类法和分步网格搜索支持向量回归(ε-SVR)模型应用于电动汽车充电负荷预测，具有如下优势：

1、通过模糊C均值聚类法提取与预测目标日同类的样本，能够缩小取样范围，提高取样的针对性，有助于提高预测效率。

2、运用分步网格搜索法能够有效平衡搜索时间和搜索精度。通过初始粗搜索，在节省搜索时间的同时，还能够覆盖整个解空间；第二步精细化搜索则可以再初始化搜索解的局部区域提高搜索精度，使搜索结果得到进一步细化和优化。

3、ε-SVR对样本数量的要求不高，同时能够在模型的经验风险(模型在样本上的预测结果与样本真实结果之间的差值)和泛化风险(样本以外的外推风险)之间寻求最佳平衡，提高了电动汽车充电负荷预测的准确性。

附图说明

图1是本发明示意图。

具体实施方式

如图1所示，一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，包括以下步骤：

步骤1：选取30日内的电动汽车充换电站每日的24个整点时刻充电负荷数据，对每日的24个整点时刻负荷数据进行6等分，以等分时段内最高负荷作为该时段的特征负荷，则每日的负荷样本可以表述为：f_t＝{f_1t,f_2t,f_3t,f_4t,f_5t,f_6t}，t表示样本的时期数t＝1,2,…30；f_it表示该日某个时间段的负荷数值。

步骤2：以X_t＝{x_1t,x_2t,x_3t}表示样本日特征向量，其中：x_1t表示当日最高气温，x_2t表示天气状态(晴、小雨、中雨、大雨)，x_3t表示日期类型(工作日、节假日)。

步骤3：以X₀表示预测日特征向量，对{X₀,X_t}数据进行归一化，运用FCM法进行分类，提取与X₀同类的样本作为训练集。

传统聚类方法通常是要么完全属于某个类，要么完全不属于某个类，样本对各个子类的隶属度取成确定的0和1两种值，即样本只能属于所有类别中的某一类别。在很多分类问题中，分类对象之间并没有明确的界限，模糊聚类分析法应运而生。

给定待分类数据矩阵X_n×m＝{(x_ij)_n×m,i＝1,2,....,n；j＝1,2,...m}，其中i表示的数量，j表示单个样本的特征变量数量。FCM就是用隶属度约定每个数据点属于某个类的程度的一种聚类方法。FCM首先把n个样本划分成k类(1≤k≤n)，记V＝{v₁,...,v_k}为k个类的中心，其中v_i＝{v_i1,...,v_im}(i＝1,...,k)。令u_ik表示第k个样本属于第i类样本的隶属度，这里FCM算法求每个聚类中心v_i＝{v_i1,...,v_im}(i＝1,...,k)使价值函数J达到最小。

其中U为隶属度矩阵，d_ig＝||x_g-v_i||表示第g个样本到第i个类中心的距离。J(U,V)表示所有样本到各类中心的加权距离之和，权重是隶属度的p次幂。FCM的目标在约束条件下，求J(U,V)的最小值。

步骤4：对选取出的样本按照时间先后进行排序，以前3日的负荷数据为输入量，第4日的负荷数据为输出量，运用分步K-CV网格搜索法优化ε-SVR的冗余参数C和RBF参数σ，其中：第一步优化选择K＝5，选取相对较大的步长Cstep＝1和σstep＝1；第二步优化选择K＝3，选取相对较小的步长Cstep＝0.5和σstep＝0.5。在优化和训练过程中，ε取0.01。

ε-SVR通过映射δ(x)将数据的非线性预测问题转换成高维空间中的线性预测问题，设样本集X＝{(x_i,f_i),i＝1,2,....,m,x_i∈R^d,f_i∈R,d≥1}，ε-SVR的目标就是把非线性的预测问题转换为预测问题，同时在约束条件下最小化损失函数，即求解以下最优化问题：

$min\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{k}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})$

$s.t.\left\{\begin{array}{c}{w}^T\mathrm{\δ}\left(x_i\right)+b-z_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ z_i-w^T\mathrm{\δ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,i=1,\mathrm{....},m.\end{array}\right.$

其中：为函数间隔，它表示样本点与超平面的距离；为松弛变量，主要是为了消除数据结构中的噪音点。求解以上最优化问题的对偶优化问题：

$\min \frac{1}{2}{(\mathrm{\α}-{\mathrm{\α}}^{*})}^T\mathrm{\δ}{\left(x_i\right)}^T\mathrm{\δ}\left(x_j\right)(\mathrm{\α}-{\mathrm{\α}}^{*})+\mathrm{\ϵ}\underset{i=1}{\overset{m}{\Σ}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})+\underset{i=1}{\overset{m}{\Σ}}{z}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})$

$s.t.\underset{i=1}{\overset{m}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C,i=1,\mathrm{....},m.$

得出预测函数为：其中，K(x_i，x_j)表SVM的核函数，在本提案中，选用了RBF函数作为ε-SVR的核函数，表达式为：

$K(x_i,x_j)=\exp \left(\frac{-\left|\right|x_i-x_j|{|}^2}{2{\mathrm{\σ}}^2}\right).$

网格搜索法本质上是一种交叉验证方法，其思想是将原始数据按照某种规则进行分组，一部分作为训练集，另一部分作为验证集。在验证的过程中，首先用训练集对分类器进行训练得出需要优化的参数后，再利用验证集来测试训练得到的模型，以数据拟合的效果来作为评价分类器的性能指标。常见交叉验证的方法有Hold-Out Method、K-fold CrossValidation、Leave-One-Out Cross Validation。在本提案中采用了K-fold CrossValidation(K-CV)法，即将带优化参数均分成K组，然后把每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。K一般大于等于2，实际操作时一般从3开始取，只有在原始数据集合数据量小的时候才会尝试取2。

分步网格搜索的思想是分2次使用网格搜索进行参数优化。这里，初次的网格搜索选择较少的组进行交叉验证，这里选取K＝5，同时选取相对较大的步长(Cstep＝1和σstep＝1)，最终选择分类准确率较大的一组C和σ，作为粗优化的结果。然后，以粗优化选择出的C和σ为基础，再在这组参数附近选择一个小区间，采用传统方法中的小步距进行，这是验证组数可以适当减少(一般选K＝3)，从而找到最终的最优参数。

步骤6：在优化的参数基础上，继续运用训练集计算得出ε-SVR的α_i和b。

步骤7：输入距离预测日最近3日的特定时段负荷{f_i28，f_i29，f_i30}(i＝1,2,..,6)作为输入变量，代入训练好的ε-SVR计算得出该特地时段预测日的充电负荷。

整个过程重复进行6次后，预测工作完毕。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (3)

1.一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

1)选取某个时间段内充换电站的日充电负荷作为样本数据，对一天的24个小时按照每4个小时为一份，等分成6份，记为6个关键的时间点，每个时点的负荷数据为该4个小时内的最高负荷，则某一日的负荷状态可由当日的6个时间点的负荷来标记，记为：f_t＝{f_1t,f_2t,f_3t,f_4t,f_5t,f_6t}，其中：t表示日期数；

2)分析影响电动汽车充电负荷的特征变量，主要有最高气温、天气状态以及是日期类型，运用模糊C均值聚类分析法对样本和预测日数据进行聚类，选取与预测日相似度最高的负荷数据作为ε-SVR的训练集；

3)在训练集中，按照时间进行排序，选取初始3日的负荷数据作为输入量，第4日的负荷数据作为输出量，运用分步网格搜索法训练ε-SVR的松弛变量参数C和RBF核函数中的宽度参数σ；

4)以距离目标预测日最近的3日的负荷数据作为输入变量代入训练完成的ε-SVR，计算得出预测日的充电负荷，这里由于每日的完整负荷都是由当日的6个负荷值来描述的，因此以上过程要重复进行6遍，以最终形成预测日完整的负荷分布情况。

2.如权利要求1所述的一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，其特征在于，步骤2)中的天气状态包括晴、小雨、中雨和大雨；日期类型包括工作日和节假日。

3.如权利要求1所述的一种基于模糊C均值聚类和分步网格搜索支持向量回归的电动汽车充电负荷预测方法，其特征在于，步骤3)具体步骤如下：对选取出的样本按照时间先后进行排序，以前3日的负荷数据为输入量，第4日的负荷数据为输出量，运用分步K-CV网格搜索法优化ε-SVR的冗余参数C和RBF参数σ，其中：第一步优化选择K＝5，选取相对较大的步长Cstep＝1和σstep＝1；第二步优化选择K＝3，选取相对较小的步长Cstep＝0.5和σstep＝0.5，在优化和训练过程中，ε取0.01。