CN112132351A - 电动汽车充电负荷聚类预测方法及装置 - Google Patents
电动汽车充电负荷聚类预测方法及装置 Download PDFInfo
- Publication number
- CN112132351A CN112132351A CN202011041068.6A CN202011041068A CN112132351A CN 112132351 A CN112132351 A CN 112132351A CN 202011041068 A CN202011041068 A CN 202011041068A CN 112132351 A CN112132351 A CN 112132351A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- day
- predicted
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012706 support-vector machine Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 10
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012843 least square support vector machine Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 101150036841 minJ gene Proteins 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及电动汽车充电负荷聚类预测方法,包括如下步骤:采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。本发明增加了对充电负荷影响因素的考虑,运用基于聚类与LS‑SVM的预测模型,能够有效提高电动汽车充电负荷预测的精度。
Description
技术领域
本发明属于电力系统自动控制技术领域,尤其涉及电动汽车充电负荷聚类预测方法及装置。
背景技术
随着大规模的电动汽车并网运行,电动汽车充电负荷增长对电力系统尤其是配电网产生的冲击日益凸显,一方面电动汽车充电负荷的变动导致线路负载率波动,供电可靠性降低,加重了配电网升级改造的难度,另一方面电动汽车的无序充电增加了负荷的峰值,需要新增装机容量,降低了系统的运行效率。而电动汽车充电负荷预测是提升电网调控能力、开展有序充放电的基础。由于电动汽车属于新兴产业,其充电负荷与传统负荷存在差异,在时空分布上具有较强的不确定性与波动性,传统负荷预测方法显然不能完全适用于电动汽车的充电负荷预测,电动汽车充电负荷受到气象、日期类型、用户行为等多种因素的影响,当前预测方法不能充分考虑这些因素,导致预测效果不佳,鉴于此,亟需对电动汽车的充电负荷进行精准的预测。
因此,基于这些问题,提供一种充分考虑日期类型、气象因素以及周属性等特点的电动汽车充电负荷聚类预测方法及装置,具有重要的现实意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种充分考虑日期类型、气象因素以及周属性等特点的电动汽车充电负荷聚类预测方法及装置。
本发明解决其技术问题是采取以下技术方案实现的:
电动汽车充电负荷聚类预测方法,包括如下步骤:
采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
进一步的,对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集的方法如下:
(1)、构建模糊C均值聚类模型,以日负荷曲线的实测数据点作为模糊聚类的特征量:
X={x1,x2,...,xn}∈Rs
式中,X为给定负荷的样本集合,S表示样本的维度,n为样本个数,即参与聚类的负荷曲线条数;
式中,U为模糊划分矩阵,V为聚类中心矩阵,uij为样本xi关于j 类的隶属度,dij为样本xj到聚类中心vi的欧式距离,m为模糊度加权指数,控制聚类的模糊程度,c为聚类的簇数;
(2)、采用轮换寻优策略求解模糊C均值聚类模型,得到待预测日的相似日负荷集合。
进一步的,采用轮换寻优策略求解模糊C均值聚类模型的方法为:
初始化:确定样本集合X的c、m和迭代误差阈值ε取值,初始隶属度矩阵U(0)=uij (0);
确定聚类中心vi:
计算隶属度uij及目标函数数值min J(l):
迭代误差判断:若满足
则迭代结束,否则返回计算新的聚类中心,继续迭代,根据隶属度最大原则确定样本类别。
进一步的,根据得到待预测日的相似日负荷集合,构造最小二乘法支持向量机预测模型,并对其进行训练:
回归估计函数为:
f(x)=ωT·φ(x)+b
s.t.yi=ωT·φ(xi)+b+ei,i=1,2,...,l
式中,ei为误差;e∈Rl×l为误差向量;C为惩罚系数,影响模型的复杂度和稳定度,可根据现有文献里对C取值过大和过小的意义进行人为设定,引入拉格朗日乘数λ,λ∈Rl×l,转化为无约束的优化问题:
由卡罗需-库恩-塔克(KKT)条件得到:
消去ω和e,上述方程的解为:
式中,E为[1,1,...,1]T;I为单位矩阵;λi=[λ1,λ2,...,λl]T;Y=[Y1,Y2,...,Yl]T;K 为径向基核函数,K表达式为:
式中,x为输入变量,xi为第i个径向基函数的中心,σ为标准化参数,||x-xi||为x-xi的范数;
最后得到最小二乘法支持向量机预测模型的最优线性回归估计函数为:
进一步的,根据得到待预测日的相似日负荷集合,对构造的最小二乘法支持向量机预测模型进行训练:
将相似日负荷集合及相关的天气信息数据作为最小二乘支持向量机模型的输入变量,输出变量为预测数据,将预测数据和实际数据进行对比,计算预测误差,若误差MAPE小于阈值,则训练结束;否则修正参数,返回重新进行模糊C均值聚类,重新训练最小二乘法支持向量机预测模型不断优化预测模型;
其中,预测数据的平均绝对百分比误差MAPE为:
进一步的,所述历史日相关的天气信息数据包括日期类型、最高与最低气温、周属性。
进一步的,对采集到的数据进行预处理包括:填补缺失数据,修正异常数据;其方法包括:
采用线性插值法对缺失数据进行处理:
式中,yn+j、yn、yn+1分别为n+j、n、n+1时点的负荷;
采用水平处理方法识别异常数据,并进行修正:
式中,y(d,t)、y(d,t-1)分别为第d天t和t-1时刻的负荷值,θ1、θ2为阈值;
数据归一化公式如下:
式中,xi为负荷样本数据,x′i为负荷数据归一化后的值,ximax、ximin分别为负荷样本最大值和最小值。
进一步的,对待测日电动汽车充电负荷进行预测时,所采集的历史日数据为待测日前至少7天的历史日数据。
电动汽车充电负荷聚类预测装置,包括:
数据采集模块,用于采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
数据处理模块,用于对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
待预测日相似日负荷集获取模块,用于对归一化的数据进行模糊C 均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
最小二乘法支持向量机预测模型获取模块,用于针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
待预测日负荷获取模块,用于将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
一种计算设备,包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行电动汽车充电负荷聚类预测方法。
本发明的优点和积极效果是:
本发明增加了对充电负荷影响因素的考虑,运用基于聚类与 LS-SVM的预测模型,能够有效提高电动汽车充电负荷预测的精度;本发明所提出的电动汽车充电负荷聚类预测方法一方面对电网的稳定可靠运行具有重要意义,有利于布局电力供需,实现电力有效供应,为电网的合理规划运营奠定基础,为输配电网络的计划管理与运行调度提供决策依据;另一方面,对于电动汽车负荷聚合商而言,本发明可以为电动汽车聚合参与市场交易提供支撑,对实施需求响应、调用负荷侧资源具有调节与促进作用。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实施例中提供的利用BP神经网络和LS-SVM方法进行负荷预测的曲线对比图;
图2为本发明实施例中提供的不同场景下进行负荷预测的曲线对比图;
图3为图2中的部分放大图;
图4为图2中的部分放大图;
图5为本发明实施例中提供的不同场景下进行负荷预测的预测误差 APE对比图;
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,或者被显示或隐含在各附图中的任意单个技术特征,仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本实施例提供的电动汽车充电负荷聚类预测方法,包括如下步骤:
采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
进一步的,对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集的方法如下:
(1)、构建模糊C均值聚类模型,以日负荷曲线的实测数据点作为模糊聚类的特征量:
X={x1,x2,...,xn}∈Rs
式中,X为给定负荷的样本集合,S表示样本的维度,n为样本个数,即参与聚类的负荷曲线条数;
式中,U为模糊划分矩阵,V为聚类中心矩阵,uij为样本xi关于j 类的隶属度,dij为样本xj到聚类中心vi的欧式距离,m为模糊度加权指数,控制聚类的模糊程度,c为聚类的簇数;
(2)、采用轮换寻优策略求解模糊C均值聚类模型,得到待预测日的相似日负荷集合。
进一步的,采用轮换寻优策略求解模糊C均值聚类模型的方法为:
初始化:确定样本集合X的c、m和迭代误差阈值ε取值,初始隶属度矩阵U(0)=uij (0);根据经验选取m为2,由于电动汽车充电负荷在工作日与非工作日的差异较大,所以c取为2;当迭代达到最优时,结果趋于稳定,因此迭代误差阈值取无穷小,这里用0.01%代替无穷小,ε=0.01%;
确定聚类中心vi:
计算隶属度uij及目标函数数值minJ(l):
迭代误差判断:若满足
则迭代结束,否则返回计算新的聚类中心,继续迭代,根据隶属度最大原则确定样本类别。
进一步的,根据得到待预测日的相似日负荷集合,构造最小二乘法支持向量机预测模型,并对其进行训练:
回归估计函数为:
f(x)=ωT·φ(x)+b
s.t.yi=ωT·φ(xi)+b+ei,i=1,2,...,l
式中,ei为误差;e∈Rl×l为误差向量;C为惩罚系数,影响模型的复杂度和稳定度,可根据现有文献里对C取值过大和过小的意义进行人为设定,引入拉格朗日乘数λ,λ∈Rl×l,转化为无约束的优化问题:
由卡罗需-库恩-塔克(KKT)条件得到:
消去ω和e,上述方程的解为:
式中,E为[1,1,...,1]T;I为单位矩阵;λi=[λ1,λ2,...,λl]T;Y=[Y1,Y2,...,Yl]T;K 为径向基核函数,K表达式为:
式中,x为输入变量,这里为若干时刻点的实测负荷值、一天中的最高温度与最低温度,日期属性、周属性和当天前三天同一时刻的负荷值, xi为第i个径向基函数的中心,σ为标准化参数,||x-xi||为x-xi的范数;
最后得到最小二乘法支持向量机预测模型的最优线性回归估计函数为:
进一步的,根据得到待预测日的相似日负荷集合,对构造的最小二乘法支持向量机预测模型进行训练:
将相似日负荷集合及相关的天气信息数据作为最小二乘支持向量机模型的输入变量,输出变量为预测数据,将预测数据和实际数据进行对比,计算预测误差,若误差MAPE小于阈值,则训练结束;否则修正参数,返回重新进行模糊C均值聚类,重新训练最小二乘法支持向量机预测模型不断优化预测模型;
其中,预测数据的平均绝对百分比误差MAPE为:
进一步的,所述历史日相关的天气信息数据包括日期类型、最高与最低气温、周属性。
进一步的,对采集到的数据进行预处理包括:填补缺失数据,修正异常数据;其方法包括:
采用线性插值法对缺失数据进行处理:
式中,yn+j、yn、yn+1分别为n+j、n、n+1时点的负荷;
采用水平处理方法识别异常数据,并进行修正:
式中,y(d,t)、y(d,t-1)分别为第d天t和t-1时刻的负荷值,θ1、θ2为阈值;θ1、θ2反映了负荷的变化,可根据历史经验人为选取,参考相关文献,这里θ1=0.05*(y(d,t-1))、θ2=0.05*(y(d,t+1))。
数据归一化公式如下:
式中,xi为负荷样本数据,xi′为负荷数据归一化后的值,ximax、ximin分别为负荷样本最大值和最小值。
进一步的,对待测日电动汽车充电负荷进行预测时,所采集的历史日数据为待测日前至少7天的历史日数据。
电动汽车充电负荷聚类预测装置,包括:
数据采集模块,用于采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
数据处理模块,用于对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
待预测日相似日负荷集获取模块,用于对归一化的数据进行模糊C 均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
最小二乘法支持向量机预测模型获取模块,用于针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
待预测日负荷获取模块,用于将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
一种计算设备,包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行上述的电动汽车充电负荷聚类预测方法;需要说明的是,计算设备可包括但不仅限于处理单元、存储单元;本领域技术人员可以理解,计算设备包括处理单元、存储单元并不构成对计算设备的限定,可以包括更多的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质,所述计算机程序被处理器执行时实现上述的电动汽车充电负荷聚类预测方法的步骤;需要说明的是,可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合;可读介质上包含的程序可以用任何适当的介质传输,包括,但不限于无线、有线、光缆,RF等等,或者上述的任意合适的组合。例如,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java,C++等,还包括常规的过程式程序设计语言,诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行,或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
作为举例,在本实施例中,以华北地区电动汽车充电负荷的预测为例,以2019年11月16日至2020年4月30日的充电负荷数据作为样本,以十五分钟为一个步长,一天共96个采样点,模拟仿真计及相似日和气象因素的电动汽车充电负荷聚类预测,结果如图1-5所示。
为了对比所用预测模型的有效性,首先将4月非工作日的负荷数据作为测试集,使用BP神经网络和LS-SVM模型进行预测结果对比:
表1BP神经网络和LS-SVM预测的MAPE对比
在对2020年4月非工作日的负荷预测中,BP神经网络预测的MAPE 大部分在20%以上,而LS-SVM的MAPE不超过2%。
设置三种场景,分别预测4月25和26日的电动汽车充电负荷:
场景1:使用单一LS-SVM预测模型,输入变量为日期类型、最高温度、最低温度、待预测非工作日前1、2、3天的同时刻负荷数据;
场景2:使用FCM与LS-SVM组合的预测模型,输入变量为待预测非工作日前1、2、3天的同时刻负荷数据;
场景3:使用FCM与LS-SVM组合的预测模型,输入变量为日期类型、最高温度、最低温度、待预测非工作日前1、2、3天的同时刻负荷数据;
需要说明的是,LS-SVM预测模型是指最小二乘法支持向量机预测模型,FCM是指模糊C均值聚类;
可看出在对2020年4月25和26日的电动汽车充电负荷的预测中,场景3的预测误差明显低于另两种场景,三种场景的MAPE分别为 1.54%、1.56%和1.46%;和场景1相比,场景3多使用了FCM聚类算法提取非工作日的相似日负荷,其预测误差减小了0.08%,和场景2比较,场景3考虑了负荷的影响因素日期类型和温度,其预测误差减小了0.1%,本发明提出的电动汽车充电负荷聚类预测方法可有效提高电动汽车充电负荷的预测精度,为输配电网络的计划管理与运行调度提供决策依据。
以上实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (10)
1.电动汽车充电负荷聚类预测方法,其特征在于,包括如下步骤:
采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
2.根据权利要求1所述的电动汽车充电负荷聚类预测方法,其特征在于:对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集的方法如下:
(1)、构建模糊C均值聚类模型,以日负荷曲线的实测数据点作为模糊聚类的特征量:
X={x1,x2,...,xn}∈Rs
式中,X为给定负荷的样本集合,S表示样本的维度,n为样本个数,即参与聚类的负荷曲线条数;
式中,U为模糊划分矩阵,V为聚类中心矩阵,uij为样本xi关于j类的隶属度,dij为样本xj到聚类中心vi的欧式距离,m为模糊度加权指数,控制聚类的模糊程度,c为聚类的簇数;
(2)、采用轮换寻优策略求解模糊C均值聚类模型,得到待预测日的相似日负荷集合。
4.根据权利要求3所述的电动汽车充电负荷聚类预测方法,其特征在于:根据得到待预测日的相似日负荷集合,构造最小二乘法支持向量机预测模型,并对其进行训练:
回归估计函数为:
f(x)=ωT·φ(x)+b
s.t.yi=ωT·φ(xi)+b+ei,i=1,2,...,l
式中,ei为误差;e∈Rl×l为误差向量;C为惩罚系数,引入拉格朗日乘数λ,λ∈Rl×l,转化为无约束的优化问题:
由卡罗需-库恩-塔克(KKT)条件得到:
消去ω和e,上述方程的解为:
式中,E为[1,1,...,1]T;I为单位矩阵;λi=[λ1,λ2,...,λl]T;Y=[Y1,Y2,...,Yl]T;K为径向基核函数,K表达式为:
式中,x为输入变量,xi为第i个径向基函数的中心,σ为标准化参数,||x-xi||为x-xi的范数;
最后得到最小二乘法支持向量机预测模型的最优线性回归估计函数为:
6.根据权利要求1所述的电动汽车充电负荷聚类预测方法,其特征在于:所述历史日相关的天气信息数据包括日期类型、最高与最低气温、周属性。
8.根据权利要求1所述的电动汽车充电负荷聚类预测方法,其特征在于:对待测日电动汽车充电负荷进行预测时,所采集的历史日数据为待测日前至少7天的历史日数据。
9.电动汽车充电负荷聚类预测装置,其特征在于:
数据采集模块,用于采集历史日电动汽车充电负荷数据及历史日相关的天气信息数据;
数据处理模块,用于对采集到的数据进行预处理,再进行归一化处理,得到新的数据集;
待预测日相似日负荷集获取模块,用于对归一化的数据进行模糊C均值聚类,以负荷实测点为模糊聚类指标,构造出待预测日相似日负荷集;
最小二乘法支持向量机预测模型获取模块,用于针对相似日负荷集,构造最小二乘法支持向量机预测模型,并对其进行训练;
待预测日负荷获取模块,用于将待预测日前三天同时刻负荷值及前三天相关的天气信息数据输入到训练好的最小二乘法支持向量机预测模型中,输出预测负荷。
10.一种计算设备,其特征在于:包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行如权利要求1至8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041068.6A CN112132351A (zh) | 2020-09-28 | 2020-09-28 | 电动汽车充电负荷聚类预测方法及装置 |
US17/362,343 US20220101097A1 (en) | 2020-09-28 | 2021-06-29 | Method and device for clustering forecasting of electric vehicle charging load |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041068.6A CN112132351A (zh) | 2020-09-28 | 2020-09-28 | 电动汽车充电负荷聚类预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132351A true CN112132351A (zh) | 2020-12-25 |
Family
ID=73843448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011041068.6A Withdrawn CN112132351A (zh) | 2020-09-28 | 2020-09-28 | 电动汽车充电负荷聚类预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220101097A1 (zh) |
CN (1) | CN112132351A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699605A (zh) * | 2020-12-28 | 2021-04-23 | 山东鲁能软件技术有限公司智能电气分公司 | 一种充电桩故障元件预测方法及系统 |
CN112766566A (zh) * | 2021-01-15 | 2021-05-07 | 佳源科技股份有限公司 | 一种基于fa-ffcm的站所终端负荷预测方法 |
CN112966868A (zh) * | 2021-03-13 | 2021-06-15 | 山东大学 | 一种建筑负荷日前预测方法及系统 |
CN113298300A (zh) * | 2021-05-14 | 2021-08-24 | 上海电机学院 | 一种基于hp滤波器及重标极差法的负荷序列聚类方法 |
CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
CN113393035A (zh) * | 2021-06-16 | 2021-09-14 | 东莞理工学院 | 一种电动汽车日充放电功率预测方法 |
CN113420905A (zh) * | 2021-03-16 | 2021-09-21 | 国网河南省电力公司安阳供电公司 | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114744662A (zh) * | 2022-06-13 | 2022-07-12 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及系统 |
CN114944662A (zh) * | 2022-07-25 | 2022-08-26 | 东南大学溧阳研究院 | 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法 |
CN116384568A (zh) * | 2023-03-16 | 2023-07-04 | 南方科技大学 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
CN116562476B (zh) * | 2023-07-12 | 2023-10-13 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
CN117301936A (zh) * | 2023-11-30 | 2023-12-29 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742263B (zh) | 2022-03-02 | 2024-03-01 | 北京百度网讯科技有限公司 | 负荷预测方法、装置、电子设备及存储介质 |
CN115759236B (zh) * | 2022-12-30 | 2024-01-12 | 北京德风新征程科技股份有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
CN116050677B (zh) * | 2023-04-03 | 2023-07-14 | 国网智慧车联网技术有限公司 | 一种电动汽车充电负荷可调容量预测方法 |
CN117172629B (zh) * | 2023-06-09 | 2024-04-05 | 湖北工业大学 | 一种基于电动运营车充电决策模型的充电方案筛选方法 |
CN117235557B (zh) * | 2023-11-14 | 2024-02-02 | 山东贺铭电气有限公司 | 基于大数据分析的电气设备故障快速诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
CN109242156A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种改进的快换式公交充电站短期负荷预测方法 |
CN110909958A (zh) * | 2019-12-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种计及光伏并网功率的短期负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
CN110991815A (zh) * | 2019-11-12 | 2020-04-10 | 国网电动汽车服务有限公司 | 一种台区电力能量调度方法及系统 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN111105104A (zh) * | 2020-02-20 | 2020-05-05 | 河南理工大学 | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 |
-
2020
- 2020-09-28 CN CN202011041068.6A patent/CN112132351A/zh not_active Withdrawn
-
2021
- 2021-06-29 US US17/362,343 patent/US20220101097A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
CN109242156A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种改进的快换式公交充电站短期负荷预测方法 |
CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
CN110991815A (zh) * | 2019-11-12 | 2020-04-10 | 国网电动汽车服务有限公司 | 一种台区电力能量调度方法及系统 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN110909958A (zh) * | 2019-12-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种计及光伏并网功率的短期负荷预测方法 |
CN111105104A (zh) * | 2020-02-20 | 2020-05-05 | 河南理工大学 | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
刘敦楠 等: "计及相似日与气象因素的电动汽车充电负荷聚类预测", 电力建设, vol. 42, no. 2, pages 43 - 49 * |
蒋燕 等: "基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究", 电力系统及其自动化, vol. 41, no. 3, pages 45 - 47 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699605A (zh) * | 2020-12-28 | 2021-04-23 | 山东鲁能软件技术有限公司智能电气分公司 | 一种充电桩故障元件预测方法及系统 |
CN112766566A (zh) * | 2021-01-15 | 2021-05-07 | 佳源科技股份有限公司 | 一种基于fa-ffcm的站所终端负荷预测方法 |
CN112966868A (zh) * | 2021-03-13 | 2021-06-15 | 山东大学 | 一种建筑负荷日前预测方法及系统 |
CN113420905A (zh) * | 2021-03-16 | 2021-09-21 | 国网河南省电力公司安阳供电公司 | 基于聚类分析与支持向量机的工商业负荷预测方法和装置 |
CN113376526A (zh) * | 2021-04-29 | 2021-09-10 | 广汽三菱汽车有限公司 | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 |
CN113298300A (zh) * | 2021-05-14 | 2021-08-24 | 上海电机学院 | 一种基于hp滤波器及重标极差法的负荷序列聚类方法 |
CN113393035B (zh) * | 2021-06-16 | 2023-09-01 | 东莞理工学院 | 一种电动汽车日充放电功率预测方法 |
CN113393035A (zh) * | 2021-06-16 | 2021-09-14 | 东莞理工学院 | 一种电动汽车日充放电功率预测方法 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114180023B (zh) * | 2021-12-08 | 2023-09-01 | 中国船舶集团有限公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
CN114744662A (zh) * | 2022-06-13 | 2022-07-12 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及系统 |
CN114744662B (zh) * | 2022-06-13 | 2022-08-26 | 华北电力大学 | 一种基于多类型电动汽车的电网调峰方法及系统 |
CN114944662A (zh) * | 2022-07-25 | 2022-08-26 | 东南大学溧阳研究院 | 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法 |
CN116384568A (zh) * | 2023-03-16 | 2023-07-04 | 南方科技大学 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
CN116384568B (zh) * | 2023-03-16 | 2024-01-30 | 南科智慧能源(深圳)有限公司 | 一种电动汽车充电负荷预测方法、系统、设备及介质 |
CN116562476B (zh) * | 2023-07-12 | 2023-10-13 | 北京中电普华信息技术有限公司 | 应用于电动汽车的充电负荷信息生成方法和装置 |
CN117301936A (zh) * | 2023-11-30 | 2023-12-29 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
CN117301936B (zh) * | 2023-11-30 | 2024-02-06 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220101097A1 (en) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132351A (zh) | 电动汽车充电负荷聚类预测方法及装置 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
US20200372588A1 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
CN112488395A (zh) | 一种配电网线损预测方法及系统 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN116526667B (zh) | 基于电流物联网反馈机制的二次融合配网馈线终端系统 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN115879602A (zh) | 一种基于瞬变气象的超短期光伏出力预测方法 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
WO2024056050A1 (zh) | 海量柔性负荷快速聚合控制方法及装置 | |
CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201225 |