CN113869551A - 一种考虑数据相关性的电动汽车充电负荷预测方法 - Google Patents

Abstract

本发明涉及一种考虑数据相关性的电动汽车充电负荷预测方法，包括以下步骤：步骤1、采集电动汽车充电负荷历史数据；步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析，计算电动汽车充电负荷历史数据与实时数据之间的相关系数；步骤3、基于步骤2计算获得的相关系数，选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据；步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据，采用LSTM算法进行预测，得出预测结果。本发明可以有效减少数据处理的工作量，简化预测方法同时提高预测精度。

Description

一种考虑数据相关性的电动汽车充电负荷预测方法

技术领域

本发明属于电动汽车负荷数据分析技术领域，涉及电动汽车充电负荷预测方法，尤其是一种考虑数据相关性的电动汽车充电负荷预测方法。

背景技术

随着能源环境问题的日渐凸显，为落实国家能源发展战略，构建清洁、高效、安全、可持续的现代能源体系，电动汽车得到了大力发展。2018—2020年公共服务车辆中，每年新增电动汽车数量已提高至30％～50％。3月20日,中国发展高层论坛2021年会"汽车业的新革命"分论坛上,中国电动汽车百人会副理事长兼秘书长张永伟表示,根据预测,2030年前后,中国电动汽车的保有量应该在8000万辆的规模区间。电动汽车普及对电力需求端的结构将产生较大影响，将会是未来一段时间新的电力需求及负荷增长点。

电动汽车充电行为具有随机性与波动性特点，其充电特征可能受使用者习惯、系统荷电状态等多因素制约，而随着电动汽车逐渐规模化，电动汽车的无序充电和随机性将导致电网峰值负荷增加、配电网不平衡运行以及系统谐波等相关问题；同时，电动汽车作为一个移动式储能设备，在实现合理的充电管理后，可以在电网削峰填谷、协同消纳新能源等方面提供助力。而现有的电动汽车充电负荷预测方法具有预测难度大，预测可信度不高等缺点。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、简便使用且预测结果可靠的考虑数据相关性的电动汽车充电负荷预测方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种考虑数据相关性的电动汽车充电负荷预测方法，包括以下步骤：

步骤1、采集电动汽车充电负荷历史数据；

步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析，计算电动汽车充电负荷历史数据与实时数据之间的相关系数；

步骤3、基于步骤2计算获得的相关系数，选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据；

步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据，采用LSTM算法进行预测，得出预测结果。

而且，所述步骤1的具体方法为：收集某地区当天和十个典型日的电动汽车充电负荷历史数据。

而且，所述步骤2的具体方法为：利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性，得到电动汽车充电负荷历史数据与实时数据之间的相关系数，其计算公式为：

其中，r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差。在此情境下，x代表十个典型日的数据，y代表当天的数据。

而且，所述步骤3的具体方法为：

按照相关系数由大到小排序，选取相关系数最大的前五组数据，即相关性最高的五组数据作为预测的电动汽车充电负荷数据。

而且，所述步骤4的具体步骤包括：

(1)将步骤3得到的作为预测的电动汽车充电负荷数据作为x_t输入，首先对每个时点的负荷数据x_t进行遗忘门忘记阶段处理，计算公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

(2)接着对f_t进行输入门细胞状态更新阶段处理，计算公式如下：

(3)最后对C_t进行输出门输出阶段的处理，计算公式如下：

O_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝O_t*tanh(C_t)

(4)一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息h_t-1，与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值h_t。

本发明的优点和有益效果：

本发明提出一种考虑数据相关性的电动汽车充电负荷预测方法，通过电动汽车充电负荷历史数据与实时数据进行数据相关性分析，并选取相关系数最大的数据作为用来进行预测的负荷数据，本发明可以有效减少数据处理的工作量，简化预测方法同时提高预测精度。对电动汽车的充电需求进行合理预测对于电网平稳运行、电动汽车充电负荷调度、有序充电策略研究等方面都具有重要意义。

附图说明

图1为本发明的处理流程图；

图2为本发明的预测结果图；

图3为本发明的误差百分比结果图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种考虑数据相关性的电动汽车充电负荷预测方法，如图1所示，包括以下步骤：

步骤1、采集电动汽车充电负荷历史数据；

在本实施例中，收集研究对象，即收集某地区电动汽车充电负荷历史数据作为相关性处理的基础数据。

收集研究对象，即当天与十个典型日(D-1天至D-10天)的某地区充电负荷数据作为相关性处理的基础数据。

步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析，计算电动汽车充电负荷历史数据与实时数据之间的相关系数；

在本实施例中，利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性，得到电动汽车充电负荷历史数据与实时数据之间的相关系数。

对电动汽车充电负荷历史数据(即：基础数据)与当天真实实时数据进行数据相关性分析，利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性，得到电动汽车充电负荷历史数据(即：基础数据)与实时数据之间的相关系数。

本发明采用相关系数法，相关系数是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱。

所述步骤2的相关系数的计算公式如(1)所示：

其中，r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差。在此情境下，x代表十个典型日的数据，y代表当天的数据。

步骤3、基于步骤2计算获得的相关系数，选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据。

利用相关系数分析电动汽车充电负荷历史数据(即：基础数据)的相关性，并选出相关系数最大的前五组数据作为用来进行预测的负荷数据。按照相关系数由大到小排序，选取相关系数最大的前五组数据，即相关性最高的五组数据作为用于预测的电动汽车充电负荷数据。

步骤4、对步骤3选取的用于预测的电动汽车充电负荷数据，采用LSTM算法进行预测，得出预测结果。

所述步骤4的具体步骤包括：

将步骤3选取的用于预测的电动汽车充电负荷数据作为x_t输入，首先对每个时点的负荷数据x_t进行遗忘门忘记阶段处理，计算公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

接着对遗忘门忘记阶段处理得到的结果f_t进行输入门细胞状态更新阶段处理，计算公式如下：

最后对C_t进行输出门输出阶段的处理，计算公式如下：

O_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝O_t*tanh(C_t)

一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息h_t-1，与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值h_t。

在本实施例中，LSTM具有与RNN大体一致的结构，但是重复的模块拥有不同的结构。与RNN的单一神经网络层不同，LSTM有四个网络层，并且以一种非常特殊的方式进行交互。通过这样的方式，对以往的容易失真的信息进行筛选整合成为一个新的信息并保留下来，与同时进入的新信息以一定的比例叠加，最后通过tanh函数输出。并且LSTM长短期记忆网络能够捕获长时间片依赖，决定那些信息需要被留下，哪些信息又需要被遗忘。

下面通过具体算例对本发明作进一步说明：

步骤1：收集研究对象，本例中收集某地区当天、D-1天至D-10天的充电负荷数据作为相关性处理的基础数据，详情如表1所示；

步骤2：对基础数据进行数据相关性分析，利用Excel软件计算每一天的数据与当天真实数据的相关性，得到基础数据之间的相关系数；

相关系数的计算公式如(1)所示：

其中，r_xiy表示第i组样本的相关系数，S_xiy表示D-i天与当天数据的协方差，S_xi表示xi即D-1天至D-10天这十个典型日的样本标准差，S_y表示因变量y即当天数据的样本标准差。根据公式，我们需要先计算D-1天至D-10天这十天以及当天真实数据的样本标准差，再计算D-1天至D-10天与当天数据之间的协方差，根据公式(1)得到预测数据之间的相关系数。

采取了所收集数据的前200个进行计算，得到D-1天至D-10天这十天以及当天真实数据的样本标准差分别为：

S_x1＝15518.7702，S_x2＝15306.236，S_x3＝15234.1388，

S_x4＝15170.64539，S_x5＝15365.59057，S_x6＝15411.0932，

S_x7＝15365.21298，S_x8＝15183.83278，S_x9＝15254.04272，

S_x10＝15335.72268，S_y＝15563.67394.

得到D-1天至D-10天与当天数据之间的协方差分别为：

S_x1y＝230556230.1，S_x2y＝226709123.7，S_x3y＝224826730.8.

S_x4y＝225406997.5,S_x5y＝230894694.9,S_x6y＝234740896.6,

S_x7y＝234712143.6,S_x8y＝229462672.7,S_x9y＝231249625.3,

S_x10y＝233008103.1.

根据相关系数计算公式进行计算可得D-1天至D-10天与当天数据的相关系数分别为r_x1y＝0.9546，r_x2y＝0.9517，r_x3y＝0.9482.r_x4y＝0.9547，r_x5y＝0.9655，r_x6y＝0.9787，r_x7y＝0.9815，r_x8y＝0.9710，r_x9y＝0.9741，r_x10y＝0.9762(四舍五入保留四位小数)

标准差就是选取的十个典型日的数据分别的标准差，协方差是十个典型日的数据分别与当天的数据进行计算得到的。验证的是选取的十个典型日与当天的相关性程度。

步骤3：利用相关系数分析基础数据的相关性，并选出用来进行预测的负荷数据。

根据步骤2中的数据可以得到D-1天至D-10天与当天的数据相关性排序如下：S_x7y＞S_x6y＞S_x10y＞S_x9y＞S_x8y＞S_x5y＞S_x4y＞S_x1y＞S_x2y＞S_x3y。

其中与当天数据相关性最高的五天即D-7天、D-6天、D-10天、D-9天、D-8天，因此选择这五天作为预测的负荷数据。

步骤4：对选出的负荷数据采用LSTM算法进行预测，得出预测结果。

LSTM是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

LSTM区别于RNN的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。

一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。

其内部对信息的处理过程如下：

第一阶段：遗忘门忘记阶段。这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会“忘记不重要的，记住重要的”。具体来说，这一决定由所谓“遗忘门层”的S形网络层做出。它接收上个细胞的遗留信息h_t-1和外部信息x_t，并且对细胞状态C_t-1中的每一个数来说输出值都介于0和1之间。1表示“完全接受这个”，0表示“完全忽略这个”。遗忘公式如(2)所示：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (2)

其中，f_t表示经过遗忘门处理之后的数据信息；W_f表示权重矩阵；b_f表示遗忘门所对应的偏置向量；h_t-1表示上个细胞的遗留信息；x_t表示所输入的外部数据信息；σ表示对数据进行遗忘门忘记处理。

第二阶段：输入门细胞状态更新阶段。这个阶段将本阶段的输入有选择性地进行“记忆”。这里分成两部分，第一部分，一个所谓“输入门层”的S形网络层确定哪些信息需要更新；第二部分，一个tanh形网络层创建一个新的备选值向量

可以用来添加到细胞状态。在下一步中我们将上面的两部分结合起来，产生对状态的更新。

将上面两步得到的结果相加，即可得到更新状态之后的C_t。所以细胞更新状态公式如(3)所示：

其中，C_t表示更新后的细胞状态；f_t表示经过遗忘门处理之后的数据信息；C_t-1表示细胞更新前的状态；

为tanh形网络层创建的新备选值向量；i_t为输入门计算的既定参数。

第三阶段：输出门输出阶段。这个阶段将决定哪些将会被当成当前状态的输出。首先我们运行S形网络层，用来确定细胞状态中的哪些部分可以输出。然后，我们把细胞状态输入tanh(把数值调整到-1和1之间)再和S形网络层的输出值相乘，这样我们就可以输出想要输出的部分。输出公式如(4)(5)所示：

O_t＝σ(W_o·[h_t-1，x_t]+b_o) (4)

h_t＝O_t*tanh(C_t) (5)

符号意义同上。

采用MATLAB软件对数据进行LSTM预测，其预测结果如表2所示，预测结果图如图2所示，其中，预测输出是根据相关系数最高的五组预测的负荷数据所得到的预测结果，期望输出则是当天的真实数据。从上图2的预测结果来看，二者的拟合程度良好。

步骤5：采用误差分析法对预测结果进行分析，评估预测方法的准确性。

在此预测结果基础上，采用误差分析法进行对结果的说明。误差计算公式如(6)所示：

C_t＝(Q_ct-Q_yt)/Q_ct (6)

其中，C_t表示t时刻的误差百分比，Q_ct表示t时刻的实际值，Q_yt表示t时刻的预测值。误差分析法能够有效评估预测精度，证明预测的准确性。

其误差预测百分比结果图如图3所示，本次预测结果的误差范围为：(-0.1,0.16],最大预测误差为16％。证明预测方法良好，可信度较高。并且整个预测方法的计算量不大，计算难度也相对容易，可操作性较高。

表1：

表2：

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种考虑数据相关性的电动汽车充电负荷预测方法，其特征在于：包括以下步骤：

步骤1、采集电动汽车充电负荷历史数据；

步骤2、对步骤1所采集的电动汽车充电负荷历史数据与实时数据进行数据相关性分析，计算电动汽车充电负荷历史数据与实时数据之间的相关系数；

步骤3、基于步骤2计算获得的相关系数，选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据；

步骤4、对步骤3选取相关性高的电动汽车充电负荷历史数据作为预测的电动汽车充电负荷数据，采用LSTM算法进行预测，得出预测结果。

2.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法，其特征在于：所述步骤1的具体方法为：收集某地区当天和十个典型日的电动汽车充电负荷历史数据。

3.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法，其特征在于：所述步骤2的具体方法为：利用Excel软件计算每一天的电动汽车充电负荷历史数据与当天真实数据的相关性，得到电动汽车充电负荷历史数据与实时数据之间的相关系数，其计算公式为：

其中，r_xy表示样本相关系数，S_xy表示样本协方差，S_x表示x的样本标准差，S_y表示y的样本标准差。在此情境下，x代表十个典型日的数据，y代表当天的数据。

4.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法，其特征在于：所述步骤3的具体方法为：

按照相关系数由大到小排序，选取相关系数最大的前五组数据，即相关性最高的五组数据作为预测的电动汽车充电负荷数据。

5.根据权利要求1所述的一种考虑数据相关性的电动汽车充电负荷预测方法，其特征在于：所述步骤4的具体步骤包括：

(1)将步骤3得到的作为预测的电动汽车充电负荷数据作为x_t输入，首先对每个时点的负荷数据x_t进行遗忘门忘记阶段处理，计算公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

(2)接着对f_t进行输入门细胞状态更新阶段处理，计算公式如下：

(3)最后对C_t进行输出门输出阶段的处理，计算公式如下：

O_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝O_t*tanh(C_t)

(4)一个时点的负荷数据经过以上三个门阶段处理之后的负荷数据成为上个细胞的遗留信息h_t-1，与新时点的负荷数据再次参与三个门阶段的递归处理。最终得到一天内96个时点的负荷预测值h_t。

Images