CN107609670B - 一种基于copula算法电动汽车充电站负荷预测方法 - Google Patents

Abstract

一种基于copula算法的电动汽车充电站负荷预测方法，包括以下步骤1)用户分类，2)分类拟合数据，3)扩充数据4)输出电动汽车充电站负荷曲线。本发明首先将用户进行分类，利用AIC准则和BIC准则选取核函数和copula函数，采用核密度函数拟合数据，结合copula算法得出包含数据之间的耦合关系的扩充数据，该扩充数据能够真实反映用户的实际充电行为，得到的预测曲线更符合实际情况。

Description

一种基于copula算法电动汽车充电站负荷预测方法

技术领域

本发明属于电动汽车充电站负荷预测领域，为一个规划建设的充电站的规模大小提供一种电动汽车充电站负荷预测方法。

背景技术

传统汽车消耗大量的化石能源，排放出大量烟雾粉尘，对环境造成污染，给人们的生活带来很大的困扰。随着电动汽车的快速发展，电动汽车逐渐走进人们的生活，减少二氧化碳的排放，消除人类对化石能源的依赖。电动汽车是一种清洁绿色的交通工具，得到政府的大力支持，在工信部预测到2030年全国电动汽车保有量将达到6000万辆。随着电动汽车的普及，充电设施急需完善，大型电动汽车充电站的建设是必要的。

由于电动汽车充电功率较大、数量较多、充电时间具有聚集性，以及用户充电行为的不确定性给电网的安全运行、需求调度带来一定的挑战。对区域性的电动汽车负荷预测为电网的规划，电动汽车充电站的选址定容提供理论依据。国内外专家学者对电动汽车负荷预测做了大量研究，主要有以下方法。基于随机数生成对总体电动汽车负荷建模，该方法采用的主要算法为模特卡罗模型，对不同类型的电动汽车的充电规律进行统计，拟合统计数据，然后采用与拟合曲线相似的曲线产生随机数计算充电负荷，其预测为宏观预测，对单个电站的预测精度较低，基于EV的时空分布模型，该方法利用电动汽车行驶、停放特征建立预测模型，但是电动汽车的起始充电时刻和起始充电时刻的SOC还是利用模特卡罗模型，基于能量等效负荷模型，此模型用等负荷距分配法将汽车加油量等效到充电量，以此为数据对电动汽车负荷预测，此方法不考虑加油和充电在持续时间、地点选择的不同，并且电动汽车行驶里程较短。

发明内容

为了克服现有的电动汽车充电站负荷预测方式的准确性较低、实用性较差的不足，本发明所要解决的技术问题是提供一种基于copula算法对电动汽车充电站的负荷预测，该方法基于copula算法，对预测区域少量电动汽车用户充电行为的调查数据，通过copula算法扩充出大量用户充电行为，从而得出一个电站的负荷曲线，为待建电站的规模大小提供理论依据及方法。

本发明解决上述技术问题的技术方案是：

一种基于copula算法的电动汽车充电站充电负荷预测方法，其特征在于，所述分析方法包括步骤如下：

1)用户分类

首先对电动汽车充电站所在区域的充电用户进行分类，根据电动汽车用户的充电时间、到达的目的地、电动汽车类型和充电方式的不同将用户分为上班集群、居民集群、电动公交车集群和流动集群，分别对不同类型的集群充电行为进行调查；

2)分类拟合数据

选择合适的核函数对步骤1)中的调查数据：起始充电时刻T_S、行驶里程D₁、下一段行驶里程D₂采用核密度分布函数分类进行拟合，之后分别求出其边缘分布函数与其对应的反函数；

3)数据扩充

利用Pearson线性相关系数求出以步骤2)中所列调查数据两两之间的相关系数矩阵P，选择合适的copula函数，结合相关系数矩阵P求出相关系数为P的随机数序列，将随机数序列代入步骤2)中得到的边缘分布对应的反函数即可得出扩充的数据；

4)输出电动汽车充电站负荷曲线

根据已行驶里程和下一段行驶里程判断是否满足充电条件，满足条件进行充电负荷曲线累加，直至满足预测区域内电动汽车数量，即可得出电动汽车充电站负荷曲线。

进一步，所述步骤1)中，充电行为调查的数据有起始充电时刻T_S、行驶里程D₁、起始充电时刻的SOCS、下一段行驶里程D₂、快充充电功率P₁、慢充充电功率P₂和续航里程d。

再进一步，所述步骤2中，求出边缘分布函数和相应反函数的过程如下：

2.1)以步骤2)所列调查数据为样本，根据赤池信息准则(AIC)和贝叶斯信息准则(BIC)对每个样本选择合适的核函数，本发明选取的核函数包括截尾正态分布、对数正态分布、截尾极值I型分布和威布尔分布等，然后采用核密度分布函数对样本进行拟合，其核密度分布函数的定义为

其中x_i为调查数据的样本点，i＝1,2,3……n，K(·)为核函数，h＞0为一个平滑参数，称为带宽。

2.2)边缘分布函数由核密度函数经积分得到，其定义为

其中F(x)为边缘分布函数，f(x)为核密度分布函数，边缘分布函数的反函数为Q_x＝F^-1(x)。

更进一步，所述步骤3中，copula函数根据AIC准则和BIC准则选取，本发明选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的过程如下：

3.1)由Pearson线性相关系数求出以步骤2中的所列调查数据的两两相关系数矩阵P，其中Pearson线性相关系数的定义为

式中X₁和X₂代表步骤2中的所列调查数据中任意两个，Cov(X₁,X₂)表示变量X₁和X₂的协方差，σ₁和σ₂分别为变量X₁和X₂的标准差，ρ的变化范围为[-1,1]，|ρ|越大说明变量X₁和X₂的相关性越大。

3.2)由均匀分布产生多维伪随机数对W₁(T_s',D₁',D'₂)产生区间为(0,1)，之后将相关系数矩阵P和多维伪随机数对代入选取的copula函数即可求出相关系数为P的随机数对W_p(T_s”,D₁”,D'₂')，然后将W_p(T_s”,D₁”,D'₂')分别代入步骤2)求出的各自边缘分布函数的反函数中即可求出扩充数据W(T_s,D₁,D₂)。

所述步骤3中copula函数根据AIC准则和BIC准则选取，本发明选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的步骤如下：

所述步骤4，是否满足充电条件通过以下两个步骤进行判断：

①第一步、通过

其中j＝1,2，S为当前SOC，S₁行驶前的SOC，确定当前SOC，②第二步、以起始充电时刻的SOCS为样本，求出置信区间，当S在置信区间内，则充电，当S不在置信区间内，则不充电，其充电功率是根据集群和充电情况所定，一般上班集群和附近居民充电为慢充，电动公交车白天为快充，夜间为慢充，流动集群为应急充电，充电功率为快充。

所述步骤4中，预测区域内电动汽车数量的是根据电动汽车充电站所处的位置不同，调查所得。

本发明的有益效果为：首先将用户进行分类，利用AIC准则和BIC准则选取核函数和copula函数，采用核密度函数拟合数据，结合copula算法得出包含数据之间的耦合关系的扩充数据，该扩充数据能够真实反映用户的实际充电行为，得到的预测曲线更符合实际情况。

附图说明

图1为本发明的一种基于copula函数电动汽车充电站负荷预测方法流程图。

图2为本发明的基于copula函数生成大量模拟数据的流程图。

具体实施方式

下面结合附图对本发明作进一步描述

参照图1和图2，一种基于copula算法电动汽车充电站负荷预测方法，本发明选取某市中心一块区域作为电动汽车充电站负荷预测区域，该区域有居民区也有商业写字楼和商城，流动车辆密集，包含四种电动汽车充电集群。所述基于copula算法电动汽车充电站负荷预测方法包括如下步骤：

1)用户分类

首先对电动汽车充电站所在区域的充电用户进行分类，根据电动汽车用户的充电时间、到达的目的地、电动汽车类型和充电方式的不同将用户分为上班集群、居民集群、电动公交车集群和流动集群，分别对不同类型的集群充电行为进行调查；

2)分类拟合数据

选择合适的核函数对步骤1)中的调查数据：起始充电时刻T_S、行驶里程D₁、下一段行驶里程D₂采用核密度分布函数分类进行拟合，之后分别求出其边缘分布函数与其对应的反函数；

3)数据扩充

利用Pearson线性相关系数求出以步骤2)中所列调查数据两两之间的相关系数矩阵P，选择合适的copula函数，结合相关系数矩阵P求出相关系数为P的随机数序列，将随机数序列代入步骤2)中得到的边缘分布对应的反函数即可得出扩充的数据；

4)输出电动汽车充电站负荷曲线

根据已行驶里程和下一段行驶里程判断是否满足充电条件，满足条件进行充电负荷曲线累加，直至满足预测区域内电动汽车数量，即可得出电动汽车充电站负荷曲线。

进一步，所述步骤1)中，充电行为调查的数据有起始充电时刻T_S、行驶里程D₁、起始充电时刻的SOCS、下一段行驶里程D₂、快充充电功率P₁、慢充充电功率P₂和续航里程d。

再进一步，所述步骤2中，求出边缘分布函数和相应反函数的过程如下：

2.1)以步骤2)所列调查数据为样本，根据赤池信息准则(AIC)和贝叶斯信息准则(BIC)对每个样本选择合适的核函数，本发明选取的核函数包括截尾正态分布、对数正态分布、截尾极值I型分布和威布尔分布等，然后采用核密度分布函数对样本进行拟合，其核密度分布函数的定义为

其中x_i为调查数据的样本点，i＝1,2,3……n，K(·)为核函数，h＞0为一个平滑参数，称为带宽。

2.2)边缘分布函数由核密度函数经积分得到，其定义为

其中F(x)为边缘分布函数，f(x)为核密度分布函数，边缘分布函数的反函数为Q_x＝F^-1(x)。

更进一步，所述步骤3中，copula函数根据AIC准则和BIC准则选取，本发明选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的过程如下：

3.1)由Pearson线性相关系数求出以步骤2中的所列调查数据的两两相关系数矩阵P，其中Pearson线性相关系数的定义为

式中X₁和X₂代表步骤2)中的所列调查数据中任意两个，Cov(X₁,X₂)表示变量X₁和X₂的协方差，σ₁和σ₂分别为变量X₁和X₂的标准差，ρ的变化范围为[-1,1]，|ρ|越大说明变量X₁和X₂的相关性越大。

3.2)由均匀分布产生多维伪随机数对W₁(T_s',D₁',D'₂)产生区间为(0,1)，之后将相关系数矩阵P和多维伪随机数对代入选取的copula函数即可求出相关系数为P的随机数对W_p(T_s”,D₁”,D'₂')，然后将W_p(T_s”,D₁”,D'₂')分别代入步骤2)求出的各自边缘分布函数的反函数中即可求出扩充数据W(T_s,D₁,D₂)。

所述步骤3中copula函数根据AIC准则和BIC准则选取，本发明选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的步骤如下：

所述步骤4，是否满足充电条件通过以下两个步骤进行判断：

4.1)通过

其中j＝1,2，S为当前SOC，S₁行驶前的SOC，确定当前SOC。

4.2)以起始充电时刻的SOCS为样本，求出置信区间，当S在置信区间内，则充电，当S不在置信区间内，则不充电。

所述步骤4其充电功率是根据集群和充电情况所定，一般上班集群和附近居民充电为慢充，电动公交车白天为快充，夜间为慢充，流动集群为应急充电，充电功率为快充。

所述步骤4)中预测区域内电动汽车数量的是根据电动汽车充电站所处的位置不同，调查所得。

最后，还需要注意的是，以上列举的仅是本发明的一种具体实施例。显然，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容直接导出或者联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1.一种基于copula算法电动汽车充电站负荷预测方法，其特征在于，所述预测方法包括步骤如下：

1)用户分类

首先对电动汽车充电站所在区域的电动汽车用户进行分类，根据电动汽车用户的充电时间、到达的目的地、电动汽车类型和充电方式的不同将电动汽车用户分为上班集群、居民集群、电动公交车集群和流动集群，分别对不同类型的集群充电行为进行调查；

2)分类拟合数据

选择核函数对步骤1)中的原始调查数据：起始充电时刻T_S、行驶里程D₁、下一段行驶里程D₂采用核密度分布函数分类进行拟合，之后分别求出核密度分布函数经积分得到的边缘分布函数和与边缘分布函数对应的反函数；

3)数据扩充

利用Pearson线性相关系数求出以步骤2)中所列调查数据两两之间的相关系数矩阵P，选择copula函数，结合相关系数矩阵P求出Pearson线性相关系数为ρ的随机数序列，将随机数序列代入步骤2)中得到的边缘分布对应的反函数即可得出扩充的数据；

4)输出电动汽车充电站负荷曲线

根据行驶里程和下一段行驶里程判断是否满足充电条件，满足条件进行充电负荷曲线累加，直至满足预测区域内电动汽车数量，即可得出电动汽车充电站负荷曲线。

2.如权利要求1所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤1)中，原始调查数据包括起始充电时刻T_S、行驶里程D₁、起始充电时刻的SOCS、下一段行驶里程D₂、快充充电功率P₁、慢充充电功率P₂和续航里程d。

3.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤2)中，求边缘分布函数和相应反函数的过程如下：

3.1)以步骤2)所列调查数据为样本，根据赤池信息准则和贝叶斯信息准则对每个样本选择核函数，核函数包括截尾正态分布、对数正态分布、截尾极值I型分布和威布尔分布，然后采用核密度分布函数对样本进行拟合，其核密度分布函数的定义为

其中x_i为所列调查数据的样本点，i＝1,2,3……n，K(·)为核函数，h＞0为一个平滑参数，称为带宽；

3.2)边缘分布函数由核密度分布函数经积分得到，其定义为

其中F(x)为边缘分布函数，f(x)为核密度分布函数，边缘分布函数的反函数为Q_x＝F^-1(x)。

4.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤3)中，copula函数根据赤池信息准则和贝叶斯信息准则选取，选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的过程如下：

3.1)由Pearson线性相关系数求出以步骤2)中的所列调查数据的两两相关系数矩阵P，其中Pearson线性相关系数的定义为

式中X₁和X₂代表步骤2)中的所列调查数据中任意两个，Cov(X₁,X₂)表示变量X₁和X₂的协方差，σ₁和σ₂分别为变量X₁和X₂的标准差，ρ的变化范围为[-1,1]，|ρ|越大说明变量X₁和X₂的相关性越大；

3.2)由均匀分布产生多维伪随机数对W₁(T_s',D′₁,D′₂)产生区间为(0,1)，之后将相关系数矩阵P和多维伪随机数对代入选取的copula函数即可求出相关系数为P的随机数对W_p(T_s”,D″₁,D″₂)，然后将W_p(T_s”,D₁”,D'₂')分别代入步骤2)求出的各自边缘分布函数的反函数中即求出扩充数据W(T_s,D₁,D₂)。

5.如权利要求2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤4)中，是否满足充电条件通过以下两个步骤进行判断，①第一步、通过

确定当前SOC，其中j＝1,2，S为当前SOC，S₁为行驶前的SOC；②第二步、以起始充电时刻的SOCS为样本，求出置信区间，当S在置信区间内，则充电，当S不在置信区间内，则不充电，其充电功率是根据集群和充电情况所定，上班集群和居民集群充电为慢充，电动公交车集群白天为快充，夜间为慢充，流动集群为应急充电，充电功率为快充。

6.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤4)中，预测区域内电动汽车数量的方法是根据电动汽车充电站所处的位置不同，调查所得。

Images