CN113627661A

CN113627661A - 一种电动汽车充电负荷预测的方法

Info

Publication number: CN113627661A
Application number: CN202110878590.8A
Authority: CN
Inventors: 尚龙龙; 胡冉; 康文韬; 邓世聪; 慈海; 陈昆; 阳浩
Original assignee: Shenzhen Power Supply Bureau Co Ltd
Current assignee: Shenzhen Power Supply Bureau Co Ltd
Priority date: 2021-08-02
Filing date: 2021-08-02
Publication date: 2021-11-09

Abstract

本发明提供一种电动汽车充电负荷预测的方法，包括，步骤S1，获取电动汽车充电站的历史负荷数据；步骤S2，通过预设的FHMM模型对所述历史负荷数据进行分解，获得电动汽车充电站的历史状态数据；步骤S3，根据所述历史状态数据通过预设的预测模型进行充电站状态的预测，获得电动汽车充电站的功率负荷数据；步骤S4，根据所述功率负荷数据确定总充电功率负荷曲线，并根据总充电功率负荷曲线对电动汽车充电负荷进行预测。本发明基于扎实的物理概念的预测显著提高了结果的准确性，并且由于模型的可解释性强，对于充电站的经济运行及能量管理能给出更可靠的结论和建议。

Description

一种电动汽车充电负荷预测的方法

技术领域

本发明涉及大数据分析技术领域，特别是涉及一种电动汽车充电负荷预测的方法。

背景技术

非侵入式负荷分解(non-intrusive load monitoring，NILM)是一种应用于一般电力系统负荷预测的技术，它通过对用电设备的有功功率、无功功率等特征的提取，将总线上的电量消耗分解为各个设备的消耗，并给出各个设备的运行时长、启停时间等信息。NILM技术的实现方法有多种，在负荷分解算法上主要分为有监督和无监督两类。隐马尔可夫(Hidden Markov Model，HMM)是一种关于时序的概率模型，用来描述一个含有隐含未知参数的马尔可夫过程，它用于传统的一般电力系统的非侵入式负荷分解，是一种无监督方法。因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)是HMM的扩展，它的特点是将HMM的隐状态分解为若干层，从而降低转移矩阵维度，极大程度上简化计算。

电动汽车充电负荷预测是开展电动汽车接入对电网的影响分析、配电网规划与控制运行、电动汽车与电网双向互动及电动汽车与其他能源、交通等系统协调研究的基础。由于电动汽车的充电行为具有时间上和空间上的随机性，充电负荷的预测涉及十分复杂的影响因素，不同的考虑角度将形成不同的负荷预测模型和结果。现有的充电负荷预测方法主要有传统的统计学方法和人工智能方法两类，前者包括多元线性回归、相似日期分析法等，后者包括人工神经网络、支持向量机、小波分析法等。

但是，在现有的技术中，传统的方法是将一般电力系统负荷预测的方法应用于电动汽车充电负荷预测，忽视了电动汽车充电行为的灵活性、随机性等特点，如，中国专利《一种电动汽车充电设备负荷预测方法及相关装置》[申请号：202010475475.1]，使用相似日期法分析气象、交通因素对电动汽车充电负荷的影响，但未能说明一般电力负荷预测与电动汽车负荷预测的区别，预测结果不体现电动汽车充电负荷灵活、随机的特性。人工智能的方法以机器学习为主，一方面需要大量的历史负荷数据作来训练模型，另一方面机器学习算法属于“黑箱”模型，在数据的输入和结果的输出之间缺少明确的物理意义作为基础，模型的可解释性差。如，中国专利《一种电动汽车负荷预测方法》[申请号：201810487159.9]，利用遗传算法优化神经网络对电动汽车充电负荷进行预测，但模型的优化过程仅仅是数学过程，无法从物理层面给出合理的解释。又如中国专利《一种短期电动汽车充电负荷预测方法及系统》[申请号：201910869302.5]，利用近邻传播方法对样本库中的样本进行数据挖掘，利用卷积神经网络构建模型。该方法能通过模型的优化训练提高预测速度，但其仍然聚焦于模型本身，而未挖掘预测结果背后的充电行为特征，缺少物理概念的支撑。随着电动汽车的规模化应用日益扩大，电动汽车充电站的经济运行及能量管理、城市基础设施规划建设等领域急需有效的、物理意义清晰的充电负荷预测方法。

发明内容

本发明的目的在于，提出一种电动汽车充电负荷预测的方法，解决现有方法忽视了电动汽车的充电行为具有时间上和空间上的随机性特点，导致准确度低的技术问题。

一方面，提供一种电动汽车充电负荷预测的方法，包括以下步骤：

步骤S1，获取电动汽车充电站的历史负荷数据；

步骤S2，通过预设的FHMM模型对所述历史负荷数据进行分解，获得电动汽车充电站的历史状态数据；

步骤S3，根据所述历史状态数据通过预设的预测模型进行充电站状态的预测，获得电动汽车充电站的功率负荷数据；

步骤S4，根据所述功率负荷数据确定总充电功率负荷曲线，并根据总充电功率负荷曲线对电动汽车充电负荷进行预测。

优选地，在步骤S2中，所述预设的FHMM模型包括：

λ^*＝(Π^*,A^*,Φ^*)

其中，λ^*表示FHMM模型的参数；Π^*表示充电站的初始状态概率矩阵；A^*表示充电站的从初始状态向充电状态转移的概率矩阵；Φ^*表示充电站充电状态的概率矩阵。

优选地，所述充电站的初始状态概率矩阵通过以下公式表示：

其中，

表示充电站的初始状态概率，即表示充电状态在初始时刻t＝1的概率矩阵，N^p表示充电站的总状态个数，

表示充电站初始状态下，第p个充电桩的第i个充电状态，，

表示

状态的概率。

优选地，所述充电站的从初始状态向充电状态转移的概率矩阵通过以下公式表示：

其中，N^p表示充电站的总状态个数，

表示充电站从初始状态向充电状态转移的概率，，P(S_1j,S_2j,...S_pj|S_1i,S_2i,...S_pi)表示状态S_pi转移到状态S_pj的概率，S表示充电状态，S_pi表示第p个充电桩的第i个充电状态，S_pj表示第p个充电状态。

优选地，所述充电站充电状态的概率矩阵通过以下公式表示：

P(O_i|S_1i,S_2i,...S_pi),1≤i≤N^p

其中，N^p表示充电站的总状态个数，S表示充电状态，P(O_i|S_1i,S_2i,...S_pi)表示在充电状态为S_pi的条件下可观测状态为O_i的概率，O_i表示第i个可观测状态，即充电站的第i个性能指标，S_pi表示第p个充电桩的第i个充电状态。

优选地，所述步骤S2包括：

根据性能指标的最大值确定t时刻的最优充电状态；

将t时刻的最优充电状态输入性能函数进行迭代计算，得到t时刻之前的最优充电状态序列，输出为电动汽车充电站的历史状态数据。

优选地，所述性能指标的最大值根据以下公式进行计算：

其中，g_O(S)表示全时段性能指标；max_S表示全时段性能指标的最大值；T表示全时段序列长度，t∈1,2,...T；Q_T(s_T)表示T时刻的充电状态下，T时刻的性能指标；S表示充电状态；s_T表示T时刻的充电状态；

表示T时刻的充电状态的最大值，即最优充电状态。

优选地，所述性能函数通过以下公式表示：

Q₁(S₁)＝lgP(S₁)+lgP(O₁∣S₁)

其中，Q₁(S₁)表示初始充电状态下，初始性能指标，即t＝1时刻的充电状态下，t＝1时刻的性能指标；P(S₁)是初始充电状态概率，即t＝1时刻的充电状态概率；P(O_t∣S_t)是t时刻充电状态S_t的条件下，性能指标为O_t的概率；P(S_t∣S_t-1)是充电状态从S_t-1转移到S_t的转移概率，即t-1时刻充电状态转移到t时刻充电状态的概率；S表示充电状态；Q_t-1(S_t-1)表示t-1时刻充电状态下，t-1时刻的性能指标；

表示t-1时刻充电状态的最优值；Q_t(S_t)表示t时刻充电状态下，t时刻的性能指标。

优选地，所述步骤S3包括：

将电动汽车充电站的历史状态数据输入预设的预测模型，确定每个工作状态对应的高斯分布的概率；

从所有的高斯分布的概率分布中随机抽样，在每个工作状态下用相应的高斯分布随机产生功率值，将所有的功率值输出为电动汽车充电站的功率负荷数据。

优选地，所述步骤S4包括：

将电动汽车充电站的功率负荷数据依次叠加组成电动汽车充电站的总充电功率负荷曲线；其中，所述电动汽车充电站的总充电功率负荷曲线表示电动汽车充电时充电站状态与电动汽车充电负荷值对应关系；

当对电动汽车充电负荷进行预测时，根据电动汽车充电时充电站状态通过查询电动汽车充电站的总充电功率负荷曲线，确定对应的电动汽车充电负荷值。

综上，实施本发明的实施例，具有如下的有益效果：

本发明提供的电动汽车充电负荷预测的方法，通过将因子隐马尔可夫模型(FHMM)用于电动汽车充电负荷的分解，用电动汽车充电行为的预测代替直接的充电负荷预测，再通过蒙特卡洛模拟将充电行为预测结果还原为充电负荷曲线。能够明确地分析出充电负荷变化背后的用户行为规律，基于扎实的物理概念的预测显著提高了结果的准确性，并且由于模型的可解释性强，对于充电站的经济运行及能量管理能给出更可靠的结论和建议。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例中一种电动汽车充电负荷预测的方法的主流程示意图。

图2为本发明实施例中单辆电动汽车的典型充电功率曲线图。

图3为本发明实施例中FHMM模型的结构图。

图4为本发明实施例中负荷预测结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

以某充电站的实际应用为案例，结合附图对本发明的方法再做进一步详细的说明。所选充电站数据的基本信息如下表所示：

由于所选充电站是专用的物流车充电站，车型比较单一，可通过充电桩的历史数据获取其典型充电功率曲线，如图2所示，同样划分为恒流阶段和恒压阶段。

电动汽车的充电阶段分为恒流阶段和恒压阶段，因此，对于正在充电的电动汽车，其充电状态可判断为“恒流充电”或“恒压充电”两种情况，则电动汽车处于两种充电状态的概率计算如公式：

其中，P(S_i)表示电动汽车处于S_i状态的概率，i表示充电状态，取值为0或1，分别代表“恒流充电”和“恒压充电”，t_i代表i状态持续的时间，T代表一次充电过程的总时长；

对于充电站内的单个充电桩来说，其工作状态为有车充电和空闲两种，其中有车充电的状态与电动汽车的充电状态相对应，分为“恒流充电”和“恒压充电”，由此，充电桩的工作状态即有恒流充电、恒压充电、空闲三种。

如图1所示，为本发明提供的一种电动汽车充电负荷预测的方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：

步骤S1，获取电动汽车充电站的历史负荷数据；

步骤S2，通过预设的FHMM模型对所述历史负荷数据进行分解，获得电动汽车充电站的历史状态数据；可以理解的是，这是隐马尔可夫模型所解决的问题中的解码问题，用Viterbi算法求解问题，寻找最可能的隐含状态序列，即充电站历史负荷数据下各充电桩最可能处于的工作状态。

具体实施例中，建立单个充电桩HMM模型时，隐含状态链S是充电桩的状态序列，序列长度为一天96个点；可观状态链O是充电站的功率负荷序列，序列长度为一天96个点；初始状态概率矩阵Π是初始时刻0点时充电桩处于3种工作状态的概率矩阵；转移概率矩阵A是充电桩不同工作状态之间的转移概率；发射概率矩阵B是当充电桩处于某个工作状态时，相应输出的功率负荷值的概率，由于输出的功率负荷是连续的，而不是某个或几个特定的值，因此用高斯分布描述充电桩处于某个工作状态时输出的功率负荷，矩阵B的行向量{b_jk}|_1≤k≤M由高斯分布g_j(μ_j,σ_j ²)代替，其中j表示第几行，μ_j,σ_j ²分别时第j个高斯分布的均值和方差，用高斯分布参数矩阵Φ＝{g_j(μ_j,σ_j ²)}|_1≤j≤N来代替矩阵B＝{bjk}|_{j＝1,2,..,N,k＝1,2,..M}；

由此，单个充电桩HMM模型的参数可以表示为λ_p＝(Π_p,A_p,Φ_p)；Π_p是第p个充电桩的初始状态概率矩阵

用于计算充电桩处于各个状态的概率进行初始化；A_p是第p个充电桩的转移概率矩阵a_ij＝P(S_j|S_i),1≤i,j≤N；Φ_p是第p个充电桩的发射概率矩阵

隐马尔可夫(Hidden Markov Model，HMM)是一种关于时序的概率模型，它可以用5个元素来描述，包括2个状态集合和3个概率矩阵，即模型参数集合λ＝(Π,A,B)：

a)隐含状态集合S，也称隐含状态链。状态之间的转移是马尔可夫过程，

即当前的状态只与上一个状态有关，这一性质用数学式可表达为公式：

P{X(t_n)＝x_n∣X(t_n-1)＝x_n-1,…,X(t₁)＝x₁}＝P{X(t_n)＝x_n∣X(t_n-1)＝x_n-1}

其中，X(t)是与时间有关的状态变量，x是状态，n是状态个数，P{X(t_n)＝x_n∣X(t_n-1)＝x_n-1,…,X(t₁)＝x₁}表示在前1个到前n-1个状态发生的条件下当前状态为x_n的概率；P{X(t_n)＝x_n∣X(t_n-1)＝x_n-1}表示在前1个状态发生的条件下当前状态为x_n的概率，两个概率相等说明当前状态只与上一个状态有关，而与之前的状态都无关；

b)可观状态集合O＝{O₁,O₂...O_T}，也称可观状态链。与隐含状态链有关，可以直接观测到，T是时间序列长度；

c)初始状态概率矩阵Π＝{π₁,π₂...π_N}，表示隐含状态链在初始时刻的概率矩阵,N是隐含状态的总个数；

d)转移概率矩阵A＝{a_ij}|_{i,j＝1,2,.,N}，是指各个隐含状态之间的转移概率组成的矩阵，矩阵元素的表达式如公式所示:

a_ij＝P(S_j|S_i),1≤i,j≤N

其中a_ij是矩阵A的第i行第j列元素，S表示状态，P(S_j|S_i)是状态i转移到状态j的概率，N是隐含状态的总个数；

e)发射概率矩阵B＝{b_jk}|_{j＝1,2,..,N,k＝1,2,..M}，是由隐含状态形成可观状态的概率组成的矩阵，矩阵元素的表达式如公式所示：

b_jk＝P(O_k|S_j),1≤k≤M,1≤j≤N

其中b_jk是矩阵B的第j行第k列元素，P(O_k|S_j)是在隐含状态为S_j的条件下可观状态为O_k的概率，M是可观状态的总个数，N为隐含状态的总个数；

隐马尔可夫模型主要解决3类问题：评估问题，给定可观状态集合O和模型参数λ＝(Π,A,B)，计算产生该可观状态链的概率；解码问题，给定可观状态集合O和模型参数λ＝(Π,A,B)，求解最有可能产生该状态链的隐含状态链；学习问题，给定观测序列，使模型下输出观测序列的概率最大，从而求解模型参数；

在本实施例中，电动汽车充电功率负荷曲线以日为单位进行预测，每15分钟一个预测点，即一天24小时内共96个预测点，在应用隐马尔可夫模型时，历史数据钟功率负荷曲线是给定的，那么96个功率负荷点即为HMM的可观状态链；对于充电桩，其工作状态有空闲、恒流充电、恒压充电3种，是不能从历史数据中直接观测到的，因此充电桩的工作状态是HMM的隐含状态；

进一步地分析隐含状态集合，每个充电桩有3种隐含状态，假设一个充电站有20根充电桩，则在特定的某个时间充电站的总隐含状态将有3²⁰种组合，状态之间的转移概率矩阵A的维度是3²⁰×3²⁰，计算量大，模型训练的难度高，因此，引入因子隐马尔可夫模型(FHMM)；

FHMM是HMM的扩展，HMM是用一条隐含状态链表示总隐含状态的转移过程，而FHMM是在此基础上将一条总隐含状态链分解为多条链，每条链之间彼此独立，每条链独立地进行状态转移，但输出的总隐含状态是每条链状态的总和，这样，每条链表示一根充电桩地状态转移，转移概率矩阵A的维度是3×3，模型训练时需要计算20个3×3的矩阵，大大降低了矩阵维度和计算量，FHMM的结构如图3所示，其中

表示第p条隐含状态链在t时刻的状态，对应单个充电桩的工作状态；

表示总隐含状态链在t时刻的状态，对应充电站所有桩的总工作状态；

表示t时刻的可观状态，对应t时刻的总功率负荷；p是隐含状态链的个数，对应p个充电桩。

在包含p个充电桩的充电站总FHMM的建模中，每个充电桩的工作状态转移过程都是互相独立的，即每个HMM模型都是FHMM模型的子链，根据FHMM模型的结构，FHMM模型的参数可表示为：

λ^*＝(Π^*,A^*,Φ^*)

Π^*是充电站的初始状态概率矩阵：

其中，

表示充电站初始状态下，第p个充电桩的第i个充电状态，，

表示

状态的概率；

A^*是充电站的从初始状态向充电状态转移的概率矩阵：

其中，N^p表示充电站的总状态个数，

表示充电站从初始状态向充电状态转移的概率，，P(S_1j,S_2j,...S_pj|S_1i,S_2i,...S_pi)表示状态S_pi转移到状态S_pj的概率，S表示充电状态，S_pi表示第p个充电桩的第i个充电状态，S_pj表示第p个充电站的第j个状态；

Φ^*是充电站充电状态的概率矩阵：

P(O_i|S_1i,S_2i,...S_pi),1≤i≤N^p

再具体地，HMM模型的参数估计是隐马尔可夫模型所解决的问题中的学习问题，期望最大(Expectation Maximization，EM)算法是解决学习问题的常用方法；EM算法从初始的参数λ⁰出发，迭代估计最优的参数λ^*，迭代过程包括以下两个步骤：

E步骤：计算对数似然函数的期望；

L(λ,λ^k)＝E(lg(P((S,O)|λ))λ^k,O)

其中，λ＝(Π,A,Φ)，与前述λ_p＝(Π_p,A_p,Φ_p)为同一概念，估计p个HMM模型参数的过程相同，所以省略下角标；P((S,O)|λ))为隐含状态S和可观状态O的联合概率分布，k表示第k次迭代；

M步骤：求解使对数似然函数期望最大的参数；

迭代EM步骤，直到收敛：λ^k+1→λ^k，即得到最优参数λ^*；

基于p个HMM模型的参数计算FHMM模型的参数，FHMM的参数计算如下：

P(O_i|S_1i,S_2i,...S_pi)～N(μ^*,σ^*2)

其中，μ^*,σ^*分别是FHMM模型的发射概率参数矩阵，μ^q,σ^q分别是第q个HMM模型的发射概率参数矩阵；

在本例中，充电桩的隐含状态个数N为3，充电桩的个数p为20，对应20个HMM模型，在此给出其中1个HMM的型的参数计算结果：

Π＝(0.3125,0.1354,0.5521)

再具体地，单个充电桩负荷数据的解码说明Viterbi算法的求解过程：

迭代计算性能函数Q_t(S_t)：

Q₁(S₁)＝lgP(S₁)+lgP(O₁∣S₁)

求解全时段性能指标g_O(S)的最大值：

表示T时刻的充电状态的最大值，即最优充电状态。

根据g_O(S)最大值对应该时刻的最优隐含状态

即，根据性能指标的最大值确定t时刻的最优充电状态；将t时刻的最优充电状态输入性能函数进行迭代计算，得到t时刻之前的最优充电状态序列，输出为电动汽车充电站的历史状态数据；可以理解的是，由t时刻的最优状态

带入性能函数，根据迭代计算性能函数Q_t(S_t)过程中的max问题所决定的前一时刻状态，逐步回溯得到之前时刻的最优状态序列。

步骤S3，根据所述历史状态数据通过预设的预测模型进行充电站状态的预测，获得电动汽车充电站的功率负荷数据；可以理解的是，根据分解出的历史充电站状态数据，初始化0点时充电站的工作状态；按照已有的FHMM模型进行状态转移，以一天96个点为预测序列长度，转移95次后即得到一天的预测工作状态序列。

具体实施例中，将电动汽车充电站的历史状态数据输入预设的预测模型，确定每个工作状态对应的高斯分布的概率；从所有的高斯分布的概率分布中随机抽样，在每个工作状态下用相应的高斯分布随机产生功率值，将所有的功率值输出为电动汽车充电站的功率负荷数据。

步骤S4，根据所述功率负荷数据确定总充电功率负荷曲线，并根据总充电功率负荷曲线对电动汽车充电负荷进行预测。可以理解的是，根据得到的工作状态序列(功率负荷数据)，用蒙特卡洛模拟还原充电功率负荷曲线。

具体实施例中，

将电动汽车充电站的功率负荷数据依次叠加组成电动汽车充电站的总充电功率负荷曲线；其中，所述电动汽车充电站的总充电功率负荷曲线表示电动汽车充电时充电站状态与电动汽车充电负荷值对应关系；当对电动汽车充电负荷进行预测时，根据电动汽车充电时充电站状态通过查询电动汽车充电站的总充电功率负荷曲线，确定对应的电动汽车充电负荷值。可以理解的是，基于概率的单辆电动汽车充电功率曲线分析，当充电桩处于某个工作状态时，其输出的功率负荷不是某个特定的值，而是服从特定高斯分布的连续值，因此每个工作状态对应一个高斯分布的概率模型；从已知概率分布中抽样，在每个工作状态下用相应的高斯分布随机产生功率值；建立估计量，将抽样结果依次叠加，生成功率负荷曲线，如图4。

最后，为了得到更接近实际情况的概率负荷预测结果，将以上蒙特卡洛过程重复多次，在95％的置信区间内给出负荷预测结果。

综上，实施本发明的实施例，具有如下的有益效果：

实现具象化负荷数据分析，将非侵入式负荷分解的方法应用于充电站历史负荷数据的分析，能够洞悉负荷数据背后的用户充电行为规律，具象化地解释了负荷成因。以率性预测代替确定性预测，显著提高预测精度。通过负荷的分解将功率负荷的预测转化为用户充电行为的预测，预测模型的构建过程是基于概率的，给出的预测结果也是基于概率的，常规负荷预测只给出确定的数值，无法确定预测结果可能的波动范围，因此概率性的预测结果更符合实际需求。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。