CN110046787A - 一种城市区域电动汽车充电需求时空预测方法 - Google Patents

Abstract

本发明公开了一种城市区域电动汽车充电需求时空预测方法，包括以下步骤：按照经纬度将城市划分为网格区域并统计各区域电动汽车充电需求历史数据；提取各区域历史数据时间序列的时间依赖属性，将各区域的五个时间依赖属性按照对应网格合并成五个时空序列3D张量；对每个时间依赖属性张量分别建立基于卷积长短期记忆神经网络的深度学习子模型，并将五个子模型的输出进行融合；对外部因素数据建立全连接层子模型，将融合结果与全连接层子模型输出再进行融合得到城市各区域电动汽车充电需求预测结果。本发明可以有效提高城市区域电动汽车充电需求预测精度，将为电力系统调度、充电设施规划等提供重要依据。

Description

一种城市区域电动汽车充电需求时空预测方法

技术领域

本发明涉及一种城市区域电动汽车充电需求时空预测方法，属于电力负荷预测领域，直接应用于城市区域电力调度或充电设施规划工作。

背景技术

汽车产业向电气化转型已成为社会可持续发展的一个重要趋势，电动汽车以其良好的环保和节能优势，成为未来汽车产业发展的重要方向。我国十分重视电动汽车的发展,已将电动汽车作为国家战略新兴产业来培养和支持。由此可见，未来我国电动汽车规模将会进一步扩大。

电动汽车数量的大规模增加以及为满足续航里程进行的充电行为会带来大规模的电力需求。与传统的电力负荷不同，城市一个区域的电动汽车的充电行为不但是时间上连续的过程。由于电动汽车具有移动性，其充电行为与用户的出行行为密切相关，电动汽车在城市区域之间的移动会导致城市不同区域的充电需求具有空间相关性。所以电动汽车的充电需求在时空分布上具有极强的随机性，预测电动汽车充电需求在时间维度和空间维度的波动是一个复杂动力系统问题。为了提高城市区域电动汽车充电需求预测的精度，我们不但要考虑时间特征，而且要充分提取城市区域之间的空间相关性。

现有的电动汽车充电需求主要研究方法可分为两大类：基于概率模型的传统预测方法和基于机器学习的智能预测方法。基于概率模型的方法主要是对电动汽车的充电行为建立概率模型，再通过蒙特卡洛模拟法生成一组随机数据模拟电动汽车群的充电行为来预测。考虑到电动汽车的接入电网区域的随机性，建立精确概率模型是很困难的，上述方法只能进行简单的估算。同时由于缺乏真实的充电数据，大部分研究模拟电动汽车充电行为与真实情况可能相差甚远。基于机器学习的智能预测方法主要是利用机器学习算法和模型，从数据驱动的角度建模，通过对历史数据的分析和训练得到预测模型来进行预测。然而绝大多数研究都是利用ANN、SVM、KNN等浅层模型做一维时间序列预测，模型学习能力和对复杂系统的表达能力有限。而且这些研究方法只是从时间特征的角度来建模，没有考虑到电动汽车充电需求的时空相关性，预测精度有待提高。

为实现上述目的，本发明采用下述技术方案：

一种城市区域电动汽车充电需求时空预测方法，该预测方法包含以下步骤：

步骤一：按照经纬度将城市划分为M×N的网格区域，通过电动汽车数据采集平台获得城市网格区域内所有电动汽车充电桩采集的电动汽车充电耗电量历史数据，并按充电桩所在网格区域累计求和获得各区域历史数据；

步骤二：获得影响电动汽车充电需求的外部因素数据，包括日期因素、天气因素；

步骤三：通过数据分析，提取各区域历史数据时间序列的时间依赖属性：原始属性、周期属性、趋势属性、均值属性和方差属性；

步骤四：将步骤三确定的各区域的五个时间依赖属性按照对应网格合并成五个时空序列3D张量：原始属性张量、周期属性张量、趋势属性张量、均值属性张量、方差属性张量；

步骤五：建立神经网络预测模型，该模型由五个基于卷积长短记忆神经网络(ConvLSTM)神经网络和一个基于全连接层的子模型组成，每个ConvLSTM子模型分别处理一个属性张量数据，而全连接层子模型处理外部因素数据；

步骤六：将历史数据和外部因素数据输入神经网络预测模型进行迭代训练，使用BPTT不断调整网络的权值和阈值，得到各个子模型的输出；

步骤七：将五个ConvLSTM子模型的输出进行加权求和，实现模型融合，再将融合结果与全连接层子模型输出进行融合得到最终预测结果。

进一步地，步骤一所述的各个区域历史数据获得过程：

获得各个区域所有充电桩采集的电动汽车充电耗电量时间序列，将时间维度上每一个相同时间戳对应的数据累计求和，合并成为一个一维时间序列，该时间序列代表城市中一个区域的电动汽车充电耗电量历史数据。

进一步地，步骤二影响电动汽车充电需求的外部因素数据的详细信息：

电动汽车用户的出行行为会受到很多外部因素的影响，而出行行为决定了充电需求的时空分布，这些外部影响因素包括天气因素和日期因素，其中天气因素包括：温度、湿度，日期因素包括：星期、节假日；

进一步地，步骤三中，时间依赖属性提取的详细过程:

(1)原始属性：按照时间序列分析的思想，很自然想到使用原始的历史数据作为原始属性作为输入。取目标时段t之前历史数据时间序列作为原始属性序列，其中l_o为原始属性序列长度。

(2)周期属性：电动汽车的充电行为与用户的出行行为密切相关，而用户每日的出行行为较为相似，例如工作日的上下班高峰时段之后会迎来充电需求高峰，而在周末和节假日又会与工作日有一定的差异性，这会导致电动汽车每日充电需求的上下波动明显具有一定的周期，并且主要以星期为单位。为了提取电动汽车的充电需求的周期性依赖，对历史数据时间序列进行采样得到周期属性序列为其中p为周期属性采样周期，l_p为周期属性序列长度。

(3)趋势属性：随着电动汽车产业的快速发展，电动汽车的数量不断增加，所以电动汽车的充电需求总体上处于上升趋势，是一个非平稳时间序列。为了体现时间维度上长期的变化趋势，提取趋势属性是有必要的。对历史数据时间序列进行采样得到趋势属性序列为其中q为趋势属性采样周期，l_q为周期属性序列长度。

(4)均值属性：电动汽车的充电过程具有时间维度上的连续性，上一个时段的充电行为可能会持续到下一个时段。所以可以将临近的一段连续时间的充电需求均值作为均值属性。取连续时间的充电需求均值得到均值属性序列其中m为连续的时段长度， l_m为均值属性序列长度

(5)方差属性：为了充分考虑临近的一段连续时间的充电需求的离散性，将临近的一段时间的充电需求方差作为方差属性。取连续时间的充电需求方差得到方差属性序列其中m为连续的时段长度，l_m为均值属性序列长度。

进一步地，步骤四中时间依赖属性合并成时间序列3D张量的详细过程:

对于任意一个时间依赖属性，将每个网格区域该属性的时间序列作为向量填入对应网格中可组成一个3D张量作为模型的输入数据。

进一步地，步骤五中神经网络预测模型如下：

卷积长短记忆神经网络(ConvLSTM)中包含卷积操作，卷积操作在输入到状态和状态到状态的转换过程中都存在。卷积操作可以提取时空数据中的空间特征，而LSTM神经网络可以提取时间维度的长期依赖关系。ConvLSTM不仅可以对时间维度建模，还可以提取空间特征，用来解决时空序列预测问题。分别建立五个基于ConvLSTM的子预测模型，每个子模型由两个ConvLSTM层组成，分别处理步骤四确定的3D张量数据。

进一步地，步骤七中模型融合具体过程如下：

对于五个ConvLSTM子模型的输出，利用公式进行模型融合。其中X_o、X_p、X_q、X_m、X_D分别表示原始属性、周期属性、趋势属性、均值属性和方差属性对应子模型的输出；X_CON表示融合后的预测结果；表示矩阵乘法；W_o、W_p、W_q、W_m、W_D分别表示对应五个时间属性模型的权重。全连接层子模型的输出为X_EXT，则该城市区域t时段的预测值

与现有技术相比，本发明的有益效果是：

本发明所述的技术方案基于时空相关性和ConvLSTM建立预测模型，同时考虑外部因素的影响，实现了城市区域电动汽车充电需求短期预测。首先划分城市区域，统计各区域充电需求数据获得历史数据时空序列；在时间维度上，为了提取时间相关性特征，根据数据分析结果，将时空序列分解为五个时间依赖属性3D张量作为模型输入。为了提取空间相关性，采用ConvLSTM建立时空序列预测模型，ConvLSTM 在输入到状态和状态到状态的转换过程中增加了卷积操作，可以挖掘到区域之间的空间相关性特征。同时卷积相比于全连接的方式，降低了模型的复杂度。本方案还充分考虑其他因素的影响，降低外界干扰因素的影响程度，相比现有的电动汽车充电需求预测方法，预测精度得到了进一步的提高。

附图说明

图1为本发明所述的一种城市区域电动汽车充电需求时空预测模型示意图；

图2为ConvLSTM的内部结构；

具体实施方案

下面结合附图对本发明作进一步说明。

本发明城市区域电动汽车充电需求时空预测方法，在时间维度将充电需求历史数据时空序列分解为五个时间依赖属性3D张量；利用卷积长短期记忆神经网络强大的时空序列建模能力，提取城市区域电动汽车充电需求的时空相关性；同时综合考虑天气、日期等因素等影响，最后通过模型融合建立深度学习模型预测城市区域电动汽车的充电需求。本发明建立的深度学习模型采用基于Tensorflow后端的Keras高层神经网络API，在Python开发环境下搭建，该方法包括如下步骤：

1)城市区域划分与数据获取

按照经纬度将城市划分为M×N的网格区域，通过电动汽车数据采集平台获得城市网格区域内所有电动汽车充电桩采集的电动汽车充电耗电量历史数据，并按充电桩所在网格区域累计求和获得各区域历史数据；通过气象数据网站获得了该城市的温度和湿度历史数据。电动汽车充电耗电量数据和天气数据采样周期都是1小时。通过日历可获取对应的星期、节假日数据。

2)缺失数据填补

在采集平台对充电桩数据采集的过程中，由于受到通信收发终端不稳定、采集平台故障或充电站停止运营等不可抗拒因素的影响，采集平台可能在一段时间内采集不到数据，导致出现数据缺失。数据缺失会导致系统中所表现出的不确定性更加显著，系统中蕴涵的确定性成分更难把握，所以有必要对缺失值进行处理。在统计学中，插值法是处理缺失数据的一种常用方法。一旦所有缺失值都被赋值填补，数据集就可以用完整数据的标准分析方法进行分析。本发明采用均值插值法填补缺失数据，考虑到数据的非平稳，我们使用缺失前后两天的测量值的均值来填补缺失数据。

3)提取时间依赖属性

(1)原始属性：按照时间序列分析的思想，很自然想到使用原始的历史数据作为原始属性作为输入。取目标时段t之前历史数据时间序列作为原始属性序列，其中l_o为原始属性序列长度。

(2)周期属性：电动汽车的充电行为与用户的出行行为密切相关，而用户每日的出行行为较为相似，例如工作日的上下班高峰时段之后会迎来充电需求高峰，而在周末和节假日又会与工作日有一定的差异性，这会导致电动汽车每日充电需求的上下波动明显具有一定的周期，并且主要以星期为单位。为了提取电动汽车的充电需求的周期性依赖，对历史数据时间序列进行采样得到周期属性序列为其中p为周期属性采样周期，p在具体实施中为一周，l_p为周期属性序列长度。

(3)趋势属性：随着电动汽车产业的快速发展，电动汽车的数量不断增加，所以电动汽车的充电需求总体上处于上升趋势，是一个非平稳时间序列。为了体现时间维度上长期的变化趋势，提取趋势属性是有必要的。对历史数据时间序列进行采样得到趋势属性序列为其中q为趋势属性采样周期，q在具体实施中为一个月，l_q为周期属性序列长度。

(4)均值属性：电动汽车的充电过程具有时间维度上的连续性，上一个时段的充电行为可能会持续到下一个时段。所以可以将临近的一段连续时间的充电需求均值作为均值属性。取连续时间的充电需求均值得到均值属性序列其中m为连续的时段长度， m在具体实施中为三天，l_m为均值属性序列长度

(5)方差属性：为了充分考虑临近的一段连续时间的充电需求的离散性，将临近的一段时间的充电需求方差作为方差属性。取连续时间的充电需求方差得到方差属性序列其中m为连续的时段长度，m在具体实施中为三天，l_m为均值属性序列长度。

4)获得时空序列3D张量

对于任意一个时间依赖属性，将每个网格区域该属性的时间序列作为向量填入对应网格中可组成一个3D张量作为模型的输入数据。

5)输入数据处理

规范化是数据处理中的一项基本工作。由于LSTM对数据规模很敏感，在我们将不同尺度的值调整到一个理论上的通用尺度后，可以消除这些特征中数值大小带来的影响，只留下这些特征的波动趋势，通常使用Z-score或最大最小值归一化。在发明中，我们采用最大最小值归一化对时空序列3D张量和天气因素数据作归一化处理，将输入向量被缩放到(0,1)范围内，最小值归一化公式如下:

对于离散型特征——星期和节假日，如果使用简单的序列对分类值进行表示，进行模型训练时可能因为数字值的不同而影响模型的训练效果，在模型训练的过程中不同的值使得同一特征在样本中的权重可能发生变化。为了让距离计算更合理，将离散型特征进行one-hot编码。

最后将经过规范化的天气因素数据和经过独热码处理的当日的星期和节假日属性历史数据进行拼接，得到外部因素输入数据。对于需要预测的t时段，我们取t-1时段的外部因素数据输入。

6)建立神经网络预测模型

TensorFlow是谷歌大脑的第二代机器学习系统，TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统，作为一个开放源代码软件库，用于进行高性能数值计算。本发明的深度学习模型主要采用基于Tensorflow后端的Keras高层神经网络API，在Python开发环境下搭建。如图 1所示，该模型由五个基于卷积长短记忆神经网络(ConvLSTM)神经网络和一个基于全连接层的子模型组成，每个ConvLSTM子模型分别处理一个属性张量数据，而全连接层子模型处理外部因素数据。对于 ConvLSTM子模型，我们设置了2个ConvLSTM层。利用公式进行模型融合。其中X_o、X_p、X_q、X_m、X_D分别表示原始属性、周期属性、趋势属性、均值属性和方差属性对应子模型的输出；X_CON表示融合后的预测结果；表示矩阵乘法；W_o、W_p、W_q、W_m、W_D分别表示对应五个时间属性模型的权重。全连接层子模型的输出为X_EXT，则该城市区域t时段的预测值

7)模型的训练

使用基于时间的反向传播算法(BPTT)算法对模型进行迭代训练，不断调整网络的权值和阈值，以使训练集累计误差达到最小。训练ConvLSTM神经网络模型的具体过程如下：

先将输入输入数据提供给输入层神经元，然后逐层将信号前向传播，直到产生输出层的结果， ConvLSTM内部结构如图2所示，ConvLSTM的内部状态计算公式如下：

ConvLSTM与LSTM相比，输入到状态和状态到状态转换中的矩阵乘法操作全部替换成卷积操作。在这些公式中，σ代表sigmoid激活函数。*表示卷积操作，表示矩阵乘法。我们用i、o与f分别表示输入门、输出门与遗忘门，W_xi、W_xo、W_xf、b_i、b_o、b_f分别是各门限层的权值和偏移量，H表示ConLSTM 的输出。ConLSTM用两个门来控制单元状态C的内容，一个是遗忘门，它决定了上一时刻的单元状态C_t-1有多少保留到当前时刻；另一个是输入门，它决定了当前时刻网络的输入i_t有多少保存到单元状态C_t，其中用于描述当前输入的单元状态。这样，我们就把ConLSTM关于当前的记忆和长期的记忆C_t-1组合在一起，形成了新的单元状态C_t。以均方误差MSE作为损失函数，使用Adam优化的梯度下降法方法训练模型。

通过梯度下降法迭代更新模型的所有的权值和阈值参数，关键点在于计算累计误差基于权重矩阵的梯度这里的E^t指的是t时段的误差，对每个时刻的误差都要计算一次。

8)模型的预测

模型训练完成后保存在计算机ROM中，预测时调用预测模型进行预测，可得到城市各区域下一时段的电动汽车充电需求预测值。使用均方根误差RMSE作为实验预测效果的评价指标。

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。对于熟悉本领域的技术人员，在上述说明的基础上还可以做出其它不同形式的改动和变形，但是凡在本发明的思想和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种城市区域电动汽车充电需求时空预测方法，其特征在于，步骤如下：

步骤一：按照经纬度将城市划分为M×N的网格区域，通过电动汽车数据采集平台获得城市网格区域内所有电动汽车充电桩采集的电动汽车充电耗电量历史数据，并按充电桩所在网格区域累计求和获得各区域历史数据；

步骤二：获得影响电动汽车充电需求的外部因素数据，包括日期因素、天气因素；

步骤三：通过数据分析，提取各区域历史数据时间序列的时间依赖属性：原始属性、周期属性、趋势属性、均值属性和方差属性；

步骤四：将步骤三确定的各区域的五个时间依赖属性按照对应网格合并成五个时空序列3D张量：原始属性张量、周期属性张量、趋势属性张量、均值属性张量、方差属性张量；

步骤五：建立神经网络预测模型，该模型由五个基于卷积长短记忆神经网络(ConvLSTM)神经网络和一个基于全连接层的子模型组成，每个ConvLSTM子模型分别处理一个属性张量数据，而全连接层子模型处理外部因素数据；

步骤六：将历史数据和外部因素数据输入神经网络预测模型进行迭代训练，使用BPTT不断调整网络的权值和阈值，得到各个子模型的输出；

步骤七：将五个ConvLSTM子模型的输出进行加权求和，实现模型融合，再将融合结果与全连接层子模型输出进行融合得到最终预测结果。

2.根据权利要求1所述的方法，其特征在于，步骤一所述的各个区域历史数据获得过程：

获得各个区域所有充电桩采集的电动汽车充电耗电量时间序列，将时间维度上每一个相同时间戳对应的数据累计求和，合并成为一个一维时间序列，该时间序列代表城市中一个区域的电动汽车充电耗电量历史数据。

3.据权利要求1所述的方法，其特征在于，步骤二影响电动汽车充电需求的外部因素数据的详细信息：

电动汽车用户的出行行为会受到很多外部因素的影响，而出行行为决定了充电需求的时空分布，这些外部影响因素包括天气因素和日期因素，其中天气因素包括：温度、湿度，日期因素包括：星期、节假日；

4.根据权利要求1所述的方法，其特征在于，步骤三中，时间依赖属性提取的详细过程:

(1)原始属性：按照时间序列分析的思想，很自然想到使用原始的历史数据作为原始属性作为输入。取目标时段t之前历史数据时间序列作为原始属性序列，其中l_o为原始属性序列长度。

(2)周期属性：电动汽车的充电行为与用户的出行行为密切相关，而用户每日的出行行为较为相似，例如工作日的上下班高峰时段之后会迎来充电需求高峰，而在周末和节假日又会与工作日有一定的差异性，这会导致电动汽车每日充电需求的上下波动明显具有一定的周期，并且主要以星期为单位。为了提取电动汽车的充电需求的周期性依赖，对历史数据时间序列进行采样得到周期属性序列为其中p为周期属性采样周期，l_p为周期属性序列长度。

(3)趋势属性：随着电动汽车产业的快速发展，电动汽车的数量不断增加，所以电动汽车的充电需求总体上处于上升趋势，是一个非平稳时间序列。为了体现时间维度上长期的变化趋势，提取趋势属性是有必要的。对历史数据时间序列进行采样得到趋势属性序列为其中q为趋势属性采样周期，l_q为周期属性序列长度。

(4)均值属性：电动汽车的充电过程具有时间维度上的连续性，上一个时段的充电行为可能会持续到下一个时段。所以可以将临近的一段连续时间的充电需求均值作为均值属性。取连续时间的充电需求均值得到均值属性序列其中m为连续的时段长度，l_m为均值属性序列长度

(5)方差属性：为了充分考虑临近的一段连续时间的充电需求的离散性，将临近的一段时间的充电需求方差作为方差属性。取连续时间的充电需求方差得到方差属性序列其中m为连续的时段长度，l_m为均值属性序列长度。

5.根据权利要求1所述的方法，其特征在于，步骤四中时间依赖属性合并成时间序列3D张量的详细过程:

对于任意一个时间依赖属性，将每个网格区域该属性的时间序列作为向量填入对应网格中可组成一个3D张量作为模型的输入数据。

6.根据权利要求1所述的方法，其特征在于，步骤五中神经网络预测模型如下：

卷积长短记忆神经网络(ConvLSTM)中包含卷积操作，卷积操作在输入到状态和状态到状态的转换过程中都存在。卷积操作可以提取时空数据中的空间特征，而LSTM神经网络可以提取时间维度的长期依赖关系。ConvLSTM不仅可以对时间维度建模，还可以提取空间特征，用来解决时空序列预测问题。分别建立五个基于ConvLSTM的子预测模型，每个子模型由两个ConvLSTM层组成，分别处理步骤四确定的3D张量数据。

7.根据权利要求1所述的方法，其特征在于，步骤七中模型融合具体过程如下：

对于五个ConvLSTM子模型的输出，利用公式进行模型融合。其中X_o、X_p、X_q、X_m、X_D分别表示原始属性、周期属性、趋势属性、均值属性和方差属性对应子模型的输出；X_CON表示融合后的预测结果；表示矩阵乘法；W_o、W_p、W_q、W_m、W_D分别表示对应五个时间属性模型的权重。全连接层子模型的输出为X_EXT，则该城市区域t时段的预测值