CN114140176B - 一种负荷聚集平台的可调容量预测方法及装置 - Google Patents

一种负荷聚集平台的可调容量预测方法及装置 Download PDF

Info

Publication number
CN114140176B
CN114140176B CN202210113193.6A CN202210113193A CN114140176B CN 114140176 B CN114140176 B CN 114140176B CN 202210113193 A CN202210113193 A CN 202210113193A CN 114140176 B CN114140176 B CN 114140176B
Authority
CN
China
Prior art keywords
load
charging
historical
data
charging pile
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.)
Active
Application number
CN202210113193.6A
Other languages
English (en)
Other versions
CN114140176A (zh
Inventor
张杨
吕建
刘海峰
郑松松
陈婧韵
杨杨
栾捷
朱晓黎
沈恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
State Grid Zhejiang Electric Vehicle Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, State Grid Zhejiang Electric Vehicle Service Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210113193.6A priority Critical patent/CN114140176B/zh
Publication of CN114140176A publication Critical patent/CN114140176A/zh
Application granted granted Critical
Publication of CN114140176B publication Critical patent/CN114140176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种负荷聚集平台的可调容量预测方法及装置，方法包括：获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息；划分不同类型充电桩；根据各类型充电桩在各时间尺度的历史值对相应时间维度的预测模型进行训练，得到各类型充电桩在各时间维度的负荷预测模型；利用各类型充电桩中的各充电桩在各时间尺度的负荷数据、预测辅助数据及相应时间维度的负荷预测模型得到各类型充电桩中各充电桩在各时间维度的负荷预测值；根据各时间尺度下各充电桩的负荷预测值、最小充电功率值及负荷调节信息得到各时间维度下的可调容量。本申请公开的上述技术方案，对负荷聚集平台的可调容量进行预测，并提高预测准确性。

Description

一种负荷聚集平台的可调容量预测方法及装置
技术领域
本申请涉及可调容量预测技术领域，更具体地说，涉及一种负荷聚集平台的可调容量预测方法及装置。
背景技术
光伏、风电等新能源在能源利用中的比重持续增长，而新能源出力的不确定性及不稳定性使其对电力系统的调节能力和自愈能力的要求不断提高。其中，利用需求响应相关技术来充分发挥用户侧的可调资源，实现用户侧与发电侧之间的荷源协调，可以大幅度降低系统的建设成本和运行成本。并且随着通信技术和先进控制技术的发展，完全可以以负荷聚集商的名义将各个地理上集中或者分散的可调节负荷资源集中起来，进行优化控制，参与电能量市场和辅助服务市场，从而实现收益最大化。
由于电动汽车具有天然的灵活可调和响应迅速的特点，因此，电动汽车可以作为用户侧需求响应的重要资源。但由于电动汽车单体的功率大小而且较为分散，因此，电动汽车需要通过充电桩聚集到电动汽车充电负荷聚集商的负荷聚集平台，接受负荷聚集平台的统一调度和控制，从而参与电能量和辅助服务市场。但电动汽车负荷参与电网调峰调频服务尚处于摸索阶段，现有技术方案中往往没有针对电动汽车负荷聚集商，并且往往只考虑负荷预测，没有对可调容量展开进一步的预测，而且均只停留在理论研究阶段，没有实际的工程经验。而且现有的负荷预测是对整个电网或者整个地域，没有考虑充电桩类型、不同时间尺度等因素的影响，因此，会导致负荷预测的准确性比较低。
综上所述，如何对电动汽车充电负荷聚集商对应的负荷聚集平台的可调容量进行预测，并提高预测的准确性，是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的是提供一种负荷聚集平台的可调容量预测方法及装置，用于对电动汽车充电负荷聚集商对应的负荷聚集平台的可调容量进行预测，并提高预测的准确性。
为了实现上述目的，本申请提供如下技术方案：
一种负荷聚集平台的可调容量预测方法，包括：
获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值；
根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩；
根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；
利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值；
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各时间维度下的可调容量，并对各所述时间维度下的可调容量进行上报。
优选的，得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值，包括：
从获取到的所述历史负荷数据中得到以小时为时间尺度及以15分钟为时间尺度分别对应的历史负荷数据，从所述天气数据中得到两个所述时间尺度分别对应的温度历史信息，从所述市场信息中得到所在电网节点在两个所述时间尺度分别对应的历史实时电价，从所述充电用户信息中得到两个所述时间尺度分别对应的SOC，获取所述负荷聚集平台的历史调控幅度值；
从所述天气数据中得到预测日中以15分钟为时间尺度对应的温度预测值，从所述市场信息中得到预测日的油价数据，获取以15分钟为时间尺度对应的所在日的节假日历史信息及预测日的节假日历史信息。
优选的，根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对日前预测模型进行训练，得到各类型的充电桩的日前负荷预测模型，包括：
利用WT方法对各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩所在的电网节点在以15分钟为时间尺度对应的历史实时电价得到所述负荷聚集平台对应的加权电价数据，利用WPCA方法对加权电价数据进行处理，得到处理后的加权电价数据；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、所述负荷聚集平台的历史调控幅度值、预测日的节假日信息、预测日的油价数据及预测日的温度预测值，分别对各类型的充电桩的日前LSTM模型进行训练，得到各类型的充电桩的日前负荷预测模型。
优选的，根据各类型的充电桩以小时为时间尺度的历史负荷数据及预测辅助数据历史值对小时前预测模型进行训练，得到各类型的充电桩的小时前负荷预测模型，包括：
利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中在以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；所述目标充电桩为有充电车辆在充电的充电桩；
利用WPCA方法对加权电价数据及历史加权SOC进行处理，得到处理后的加权电价数据及处理后的历史加权SOC；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及所述负荷聚集平台的历史调控幅度值，分别对各类型的充电桩的小时前LSTM模型进行训练，得到各类型的充电桩的小时前负荷预测模型。
优选的，根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对15分钟前预测模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型，包括：
根据各类型的充电桩中在以15分钟为时间尺度处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；所述目标充电桩为有充电车辆在充电的充电桩；
利用各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、所述负荷聚集平台的历史调控幅度值及预测分钟的负荷数据，分别对各类型的充电桩的15分钟前LSTM模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型。
优选的，在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型之后，还包括：
利用各类型的充电桩在各时间维度的负荷预测模型，得到各类型的充电桩在各时间维度对应的预测负荷数据；
根据各类型的充电桩在各时间维度对应的预测负荷数据与相应的历史负荷数据，分别判断各类型的充电桩在相应时间维度对应的负荷预测模型是否合格；
若存在相应类型的充电桩在相应时间维度对应的负荷预测模型不合格，则对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理，或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整，并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练，直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
优选的，根据各时间尺度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各相应时间维度下的可调容量，包括：
利用
Figure 378964DEST_PATH_IMAGE001
得到所述负荷聚集平台的可调容量的日前预测值
Figure 416190DEST_PATH_IMAGE002
；
Figure 570091DEST_PATH_IMAGE003
为所述负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 921438DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure 539501DEST_PATH_IMAGE005
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和，
Figure 685311DEST_PATH_IMAGE006
为不愿意和因自身原因不能参加负荷调节的充电桩的数量，
Figure 841355DEST_PATH_IMAGE007
为第
Figure 527551DEST_PATH_IMAGE008
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率；
利用
Figure 203383DEST_PATH_IMAGE009
得到所述负荷聚集平台的可调容量的小时前预测值
Figure 582412DEST_PATH_IMAGE010
或15分钟前预测值
Figure 976484DEST_PATH_IMAGE010
；
Figure 404055DEST_PATH_IMAGE011
为所述负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 731131DEST_PATH_IMAGE012
为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure 733591DEST_PATH_IMAGE013
为下一个时刻在线的愿意参加负荷调节的充电用户的数量，
Figure 349380DEST_PATH_IMAGE014
为下一个时刻在线的愿意参加负荷调节的第
Figure 642958DEST_PATH_IMAGE015
个充电用户最小充电功率，
Figure 293382DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和，
Figure 686317DEST_PATH_IMAGE017
下一个时刻在线的不愿意参加负荷调节的第
Figure 851719DEST_PATH_IMAGE015
个充电用户的充电功率，
Figure 138869DEST_PATH_IMAGE018
为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
优选的，还包括：
在所述负荷聚集平台不参与电网调节的空档时段，对不处于SOC与1的差值小于或等于阈值的充电用户的充电功率参考值上叠加一个扰动分量，并获取功率反馈值；
若所述功率反馈值未发生变化，则从所述负荷聚集平台在各所述时间维度下的可调容量中核减所述充电用户对应的充电功率。
优选的，在获取负荷聚集平台包含的充电桩的历史负荷数据之后，还包括：
判断获取到的历史负荷数据中是否存在缺失数据；
若是，则对缺失数据进行标准预处理。
一种负荷聚集平台的可调容量预测装置，包括：
获取模块，用于获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值；
划分模块，用于根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩；
训练模块，用于根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；
得到负荷预测值模块，用于利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值；
得到可调容量模块，用于根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各时间维度下的可调容量，并对各所述时间维度下的可调容量进行上报。
本申请提供了一种负荷聚集平台的可调容量预测方法及装置，其中，该方法包括：获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到充电桩在各时间尺度对应的历史负据及预测辅助数据历史值；根据充电桩的信息将负荷聚集平台包含的充电桩划分为不同类型的充电桩；根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度的对应的负荷预测值；根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相应的负荷调节信息，得到负荷聚集平台在各时间维度下的可调容量，并对各时间维度下的可调容量进行上报。
本申请公开的上述技术方案，获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到负荷聚集平台包含的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值，然后，将负荷聚集平台包含的充电桩划分为不同类型的充电桩，并利用各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在各时间维度对应的负荷预测模型，以通过充电桩类型划分以及利用不同时间尺度对应的预测辅助数据来对相应时间维度的预测模型训练而使得不同类型的充电桩采用各自在相应时间维度对应的预测模型进行相应时间维度的负荷预测，从而提高负荷预测的准确性和精度，且在进行各类型的充电桩在相应时间维度的负荷预测之后，根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及相应的负荷调节信息来相应得到负荷聚集平台在各时间维度下的可调容量并进行可调容量的上报，从而实现对电动汽车充电负荷聚集商的负荷聚集平台的可调容量的预测，而且在进行可调容量预测时通过将充电桩类型、时间尺度、预测辅助数据、充电桩的最小充电功率值及负荷调节信息的影响考虑在内而提高可调容量预测的准确性和精度。
附图说明
为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为电动汽车充电负荷聚集上参与现货市场和辅助服务时长的示意图；
图2为本申请实施例提供的一种负荷聚集平台的可调容量预测方法的流程图；
图3为本申请实施例提供的负荷聚集平台可调容量预测的整体架构图；
图4为本申请实施例提供的日前预测模型训练的示意图；
图5为本申请实施例提供的小时前预测模型训练的示意图；
图6为本申请实施例提供的15分钟前预测模型训练的示意图；
图7为本申请实施例提供的一种负荷聚集平台的可调容量预测装置的结构示意图。
具体实施方式
在通过降低碳排放以改善全球气候与环境的大环境下，光伏、风电等新能源在能源利用中的比重将会持续增长。新能源出力的不确定性及不稳定性使其对电力系统的调节能力和自愈能力的要求不断提高。如果单纯地从电源端可调的角度考虑，只利用传统的同步发电机甚至专用的备用电厂和调峰调频机组来提供调峰、调频等调节措施，考虑到煤耗以及机组损耗，这会造成系统建设成本和运行成本的大幅度提高。并且传统同步机组的特点是惯性大，响应速度慢且调节精度低，难以满足新能源机组出力快速变化带来的快速调节要求。仅靠电源侧调节难以维持高比例新能源下的电力系统的经济性和稳定运行。因此需要利用需求响应相关技术来充分发挥用户侧的可调资源，实现用户侧与发电侧之间的荷源协调，可以大幅度降低系统的建设成本和运行成本。并且随着通信技术和先进控制技术的发展，完全可以以负荷聚集商的名义将各个地理上集中或者分散的可调节负荷资源集中起来，进行优化控制，参与电能量市场和辅助服务市场，从而实现收益的最大化。
由于电动汽车具有天然的灵活可调和响应迅速的特点，电动汽车可以作为用户侧需求响应的重要资源。但是由于电动汽车单体的功率太小且较为分散，因此电动汽车需要通过充电桩聚集到电动汽车充电负荷聚集商（简称EVA）的负荷聚集平台，接受平台的统一调度和控制，从而参与电能量和辅助服务市场。而电动汽车充电负荷聚集商除了用最小的成本购买电量从而满足电动汽车的充电需求以外，还可以在电能量市场中通过电能买卖进行套利，并且通过提供辅助服务而获利。为了满足这些需求，EVA必须要对负荷聚集平台所聚集负荷的基线负荷进行准确预测，并且在基线负荷的基础上，对其可调容量进行准确的预估，才能参与电能量现货市场和辅助服务市场。具体可以参见图1，其示出了电动汽车充电负荷聚集上参与现货市场和辅助服务时长的示意图。
但是，由于电动汽车负荷参与电网调峰调频服务尚处于摸索阶段，尤其是调频服务，在国内目前还没有展开试点。目前，现有的技术方案往往没有针对电动汽车充电负荷聚集商的，并且往往只考虑整个地域或整个电网中电动汽车充电桩负荷预测，没有对可调容量展开进一步的预测，而且均只停留在理论研究阶段，没有实际的工程经验。而且现有在进行负荷预测时，存在如下缺点：1）只考虑简单的电量数据，没有对车辆本身的信息、用户参与调节的意愿等有可能影响可调容量的信息进行收集；2）在进行负荷预测时没有考虑到对充电桩进行分类管理并且进行预测。不同类型的充电桩对应的充电功率时段分布特点是有所不同的。比如公交车充电桩、家用充电桩以及公共充电桩的功率分布特性是完全不同的，如果不进行区分建模，而是直接对所有的充电桩进行统一预测，会导致预测精度的降低；3）现有技术往往将已有的负荷减去所有平台在线的电动汽车充电功率的最小值作为可以下调的功率。而在实际当中，电动汽车在接近满电量的时候，其功率会维持在一个较小的值，在这种情况下电动汽车本身是无法进行功率下调的。如果不考虑这种情况，会造成可调容量预测值偏高；4）没有充分考虑用户的意愿对于可调容量预测结果的影响。负荷聚集平台下并非所有的充电桩都愿意参与调节。用户分为两种，一种是签订了固定协议的充电用户，这种充电桩是直接接受平台调控；另外一种是不签订固定协议的灵活充电用户，而这种充电桩的可调容量要看灵活充电用户在进行扫码充电时是否选择在充电期间接受平台的调控。因此，在已有的方案中，没有考虑这部分用户进行剔除，从而导致可调容量的增加；5）没有针对不同的时间尺度预测的特点对预测方法进行区分。不同时间尺度的预测，其精度要求，所需要的历史数据都是不一样的，而现有并不对其进行区分，因此，则会导致精度的下降。
为此，本申请提供一种负荷聚集平台的可调容量预测方法及装置，不仅实现对电动汽车充电负荷聚集商对应的负荷聚集平台的可调容量的预测，而且可以提高负荷预测以及可调容量预测的准确性和精度。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图2和图3，其中，图2示出了本申请实施例提供的一种负荷聚集平台的可调容量预测方法的流程图，图3示出了本申请实施例提供的负荷聚集平台可调容量预测的整体架构图。本申请实施例提供的一种负荷聚集平台的可调容量预测方法，可以包括：
S11：获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值。
首先，要对影响预测以及申报结果的相关数据进行采集。具体地，可以采集电动汽车充电负荷聚集商的负荷聚集平台所包含的充电桩的信息、充电桩的历史负荷数据、充电桩所在区域的天气数据、充电用户信息及市场信息；其中，充电桩的信息具体可以包括交/直流桩属性、公交专用桩/公共充电桩/小区公共充电桩/小区私有充电桩属性，固定协议签约/灵活签约属性，额定功率等属性，对应平台ID（具体即为每个充电桩在负荷聚集平台中所对应的ID），待机/关机/运行/正常/调节状态、充电桩所在电网节点，其中，充电桩所在电网节点以电力现货市场下电网等值后所在的电网节点为准，主要用于区分不同区域的节点电价；历史负荷数据具体是以每15分钟为一个时间节点而进行采集和获取；天气数据具体可以包括温度、降雨降雪等数据，刷新频率可以为1小时（也即可以每隔1小时则进行一次天气数据获取），当然，刷新频率也可以为其他值，本申请对此不做限定；充电用户信息具体可以包括车辆私家车/网约车，是否接受调控标志、车辆的SOC（State of Charge，荷电状态）、充电目标（电量百分比）、默认充电功率；市场信息包括实时电价及油价数据。现货开放之后还包括日内和日前的96节点电价信息。另外，还可以获取节假日信息、重大事件、负荷聚集平台的历史调控幅度值等。需要说明的是，上述提及的数据获取过程具体可以由图3中的数据采集模块进行实现的。通过采集上述数据可以为预测模型训练和预测提供详实的基础，以便于提高模型训练和预测的准确性。
在获取上述信息之后，可以从上述获取到的信息中得到各充电桩在各时间尺度对应的历史负荷数据以及在各时间尺度对应的预测辅助数据历史值，其中，这里提及的时间尺度具体可以为以15分钟为时间尺度、以1小时为时间尺度，当然，也可以包含其他时间尺度和/或可以为其他时间尺度，也即根据各时间尺度的训练需求而获取相应的预测辅助数据，从而便于提高模型训练的准确性及精度。
S12：根据充电桩的信息将负荷聚集平台包含的充电桩划分为不同类型的充电桩。
在步骤S11的基础上，可以根据获取到的充电桩的信息中的交/直流桩属性、公交专用桩/公共充电桩/小区公共充电桩/小区私有充电桩属性等而将负荷聚集平台所包含的充电桩进行分类和分组，也即可以划分为不同类型的充电桩，具体地，可以将负荷聚集平台的充电桩划分为工商业性质的公用交流桩、公用直流桩、公交车专用充电桩、小区直流公用桩、小区交流公用桩和小区私家车专用交流桩。
S13：根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型。
在将负荷聚集平台中的充电桩划分为不同类型的充电桩之后，每个类型的充电桩都要针对不同的时间尺度进行预测模型建立。具体地，可以根据各类型的充电桩在各时间尺度对应的历史负荷数据以及在各时间尺度对应的预测辅助数据来对相应时间维度的预测模型进行训练，从而得到各类型的充电桩在相应时间维度对应的负荷预测模型。其中，在以15分钟为时间尺度时，相应时间维度具体可以包含有日前和15分钟前这两个，在以小时为时间尺度时，相应时间维度具体为小时前。
通过上述过程可以对充电桩进行分类、对每个类型的充电桩均进行不同时间维度的预测模型的训练，且在预测模型训练时采用相应时间尺度各自对应的历史负荷数据以及预测辅助数据进行训练，从而提高最终得到的负荷预测模型的准确性和精度。
需要说明的是，上述步骤S11至步骤S13属于模型训练的过程。当通过步骤S11至步骤S13得到各类型的充电桩在相应时间维度对应的负荷预测模型之后，后续每次进行可调容量预测时均可以直接利用训练得到的各类型的充电桩在各时间维度的负荷预测模型来进行负荷预测，也即可以在第一次对该负荷聚集平台的可调容量进行预测的过程中执行上述模型训练的过程，而后续对该负荷聚集平台进行可调容量预测时则无需每次均执行上述模型训练的过程，而是可以直接执行下述预测过程，以提高负荷预测以及可调容量预测的准确性。当然，也可以定时执行上述步骤S11至步骤S13的过程，以获取新的训练数据（训练数据具体指的是上述步骤S11至步骤S13中训练时所用到的数据），并利用新的训练数据对各类型的充电桩在各时间维度的预测模型进行训练，以对负荷预测模型进行更新等，从而提高负荷预测模型的精度和准确性。
S14：利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度的对应的负荷预测值。
在本申请中，在对电动汽车充电负荷聚集商的负荷聚集平台进行负荷预测及可调容量预测时，可以获取每个充电桩在各时间尺度的负荷数据、各时间尺度对应的预测辅助数据（这里提及的预测辅助数据与上述步骤S11中提及的相应的预测辅助数据类型相同，只是这里是用于进行负荷预测的相应值）。
在得到负荷聚集平台中的各类型的充电桩在各时间维度对应的负荷预测模型之后，可以利用各类型的充电桩中每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，分别得到各类型的充电桩中的每个充电桩在各时间维度的负荷预测值。
其中，上述得到充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值、模型训练以及负荷预测具体可以由图3中的数据处理和负荷预测模块进行实现，数据处理和负荷预测模块主要负责对收集的相关数据进行预处理、存储、建模，并且通过对关键信息进行实时监控、在必要时发出人工干预的指令和参考值。
通过上述过程可知，本申请可以利用各类型的充电桩在相应时间维度的负荷预测模型来进行相应时间维度的负荷预测，以实现在负荷预测时而将充电桩类型、时间尺度、不同时间尺度预测所需的辅助数据考虑在内，从而便于提高负荷预测的准确性和精度。
需要说明的是，在预测得到各类型的充电桩中的每个充电桩在各时间维度对应的负荷预测值之后，可以由人工根据是否存在节假日、负荷预测值悬崖式下跌的情况，若存在其中的至少一种，则可以通过人工干预的方式来对负荷预测值进行调整，也即负荷聚集平台的可调容量预测系统可以接收人工调整的相应的负荷预测值，并利用人工调整的相应的负荷预测值参与可调容量预测，以便提高可调容量预测的准确性。
S15：根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相应的负荷调节信息，得到负荷聚集平台在各时间维度下的可调容量，并对各时间维度下的可调容量进行上报。
在步骤S14的基础上，对于每个时间维度而言，可以将负荷聚集平台中各充电桩在该时间维度的负荷预测值进行相加而得到负荷聚集平台在该时间维度对应的负荷预测值，通过该方式可以得到负荷聚集平台在各时间维度对应的负荷预测值。之后，可以根据各时间维度对应的负荷预测值、最小充电功率及从充电用户信息或充电桩的信息中获取到的与时间尺度对应的负荷调节信息（具体即为是否愿意参加负荷调节的信息）而得到负荷聚集平台分别在各时间维度下的可调容量，从而实现对电动汽车充电负荷聚集商的可调容量的预测，而且通过上述过程可知，本申请在可调容量预测时，将充电桩类型、时间尺度、预测辅助数据、充电桩的最小充电功率值及负荷调节信息等的影响考虑在内，从而可以提高可调容量预测的准确性。
另外，在得到负荷聚集平台在各时间维度下的可调容量之后，可以将各时间维度下的可调容量进行上报，具体可以上报至交易中心以及电网相关机构等，以便进行后续相关操作。其中，可调容量预测以及上报过程可以由图3中的在线评估和申报模块进行实现。
本申请公开的上述技术方案，获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到负荷聚集平台包含的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值，然后，将负荷聚集平台包含的充电桩划分为不同类型的充电桩，并利用各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在各时间维度对应的负荷预测模型，以通过充电桩类型划分以及利用不同时间尺度对应的预测辅助数据来对相应时间维度的预测模型训练而使得不同类型的充电桩采用各自在相应时间维度对应的预测模型进行相应时间维度的负荷预测，从而提高负荷预测的准确性和精度，且在进行各类型的充电桩在相应时间维度的负荷预测之后，根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及相应的负荷调节信息来相应得到负荷聚集平台在各时间维度下的可调容量并进行可调容量的上报，从而实现对电动汽车充电负荷聚集商的负荷聚集平台的可调容量的预测，而且在进行可调容量预测时通过将充电桩类型、时间尺度、预测辅助数据、充电桩的最小充电功率值及负荷调节信息的影响考虑在内而提高可调容量预测的准确性和精度。
本申请实施例提供的一种负荷聚集平台的可调容量预测方法，得到充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值，可以包括：
从获取到的历史负荷数据中得到以小时为时间尺度及以15分钟为时间尺度分别对应的历史负荷数据，从天气数据中得到两个时间尺度分别对应的温度历史信息，从市场信息中得到所在电网节点在两个时间尺度分别对应的历史实时电价，从充电用户信息中得到两个时间尺度分别对应的SOC；
从天气数据中得到预测日中以15分钟为时间尺度对应的温度预测值，从市场信息中得到预测日的油价数据，获取以15分钟为时间尺度对应的所在日的节假日历史信息及预测日的节假日历史信息。
在本申请中，时间尺度具体可以指的是以小时为时间尺度及以15分钟为时间尺度这两种，相应时间维度具体指的是与以小时为时间尺度对应的小时前这一时间维度（该时间维度即实现提前1小时预测），与以15分钟为时间尺度对应的15分钟前这一时间维度（实现提前15分钟预测）及日前这一时间维度（实现提前一天预测）。
对于以小时为时间尺度而言，则可以从历史负荷数据中得到以小时为时间尺度对应的历史负荷数据，其中，当以每15分钟为一个时间节点而进行历史负荷数据获取时，则可以将每小时中的4个时间节点的历史负荷数据进行平均，从而得到每天24点的历史负荷数据，需要说明的是，在获取以小时为时间尺度对应的历史负荷数据之后，可以在进行预测模型训练时可以根据需要而将其中的一些以小时为时间尺度对应的历史负荷数据作为预测小时的历史负荷数据，以作为训练数据中的模型输出数据而参与模型训练。另外，可以从天气数据中得到以小时为时间尺度对应的温度历史信息，从市场信息中得到所在电网节点在以小时为时间尺度分别对应的历史实时电价，从充电用户信息中得到以小时为时间尺度对应的SOC，并获取负荷聚集平台的历史调控幅度值，以便于基于获取到的这些数据进行小时前预测模型的训练。需要说明的是，在进行小时前负荷预测时，除了不进行预测小时对应的负荷数据的获取外，其余数据获取与上述类似，本申请在此不再赘述。通过在小时模型训练和预测中除了将温度、实时电价这些公共信息考虑在内外，还将充电用户信息中得到的SOC考虑在内，从而便于提高小时前预测模型的准确性和精度，进而提高负荷预测的准确性和精度。
对于以15分钟为时间尺度而言，当其对应的时间维度为15分钟前时，其得到充电桩在以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值的过程与以小时为时间尺度类似，只是当以每15分钟为一个时间节点而进行历史负荷数据获取时，则直接将获取到的历史负荷数据作为15分钟前时间尺度对应的历史负荷数据，其余过程与上述类似，不再赘述。通过在15分钟前预测模型训练和预测中将温度、实时电价这些公共信息考虑在内外，还将充电用户信息中得到的SOC考虑在内，从而便于提高15分钟前预测模型的准确性和精度，进而提高负荷预测的准确性和精度。
对于以15分钟为时间尺度而言，当其对应的时间维度为日前时，其得到充电桩在该时间尺度对应的历史负荷数据及预测辅助数据历史值的过程具体为：获取以15分钟为时间尺度对应的所在日中的历史负荷数据，其中，一些所在日对应的历史负荷数据可以作为预测日的历史负荷数据（这里提及的预测日指的是在模型训练中用于进行负荷预测的第二天，也即预测日对应的历史负荷数据用于作为训练数据中的模型输出数据，所在日指的是在模型训练中用于作为模型输入的时间，也即所在日对应的历史负荷数据用于作为训练数据中的模型输入数据，例如在利用从1月1日至1月30日的历史负荷数据作为模型输入，而1月31日的历史负荷数据作为模型输出而进行训练时，则1月1日至1月30日即作为所在日，1月31日即作为预测日，在利用1月1日至1月31日的历史负荷数据作为模型输入，2月1日的历史负荷数据作为模型输出时，则1月1日至1月31日即作为所在日，2月1日即作为预测日，由此可知，预测日的历史负荷数据可以从所在日的历史负荷数据中进行获取，而无需再额外进行获取）；从天气数据中得到以15分钟为时间尺度对应的所在日的温度历史信息及预测日的温度预测值，从市场信息中得到所在电网节点的历史实时电价及预测日的油价数据；获取以15分钟为时间尺度对应的所在日的节假日信息及预测日对应的节假日历史信息及负荷聚集平台的历史调控幅度值，以便于基于得到的这些数据分别对各类型的充电桩在日前预测模型进行训练。需要说明的是，在进行日前负荷预测时，除了不进行预测日对应的负荷数据的获取外（其具体通过所得到的日前负荷预测模型进行训练而得到），其余数据获取与上述类似，本申请在此不再赘述。通过前述过程可知，本申请在进行日前预测模型训练和负荷预测时，考虑了现货的实时电价对于负荷预测的影响，并且还考虑了日前电价的预测值、第二天的油价、第二天的温度预测值以及节假日信息的影响，因此，则可以提高最终得到的日前负荷预测模型的准确性和精度，进而提高负荷预测的准确性和精度。
参见图4，其示出了本申请实施例提供的日前预测模型训练的示意图。本申请实施例提供的一种负荷聚集平台的可调容量预测方法，根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对日前预测模型进行训练，得到各类型的充电桩的日前负荷预测模型，可以包括：
利用WT方法对各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩所在的电网节点在以15分钟为时间尺度对应的历史实时电价得到负荷聚集平台对应的加权电价数据，利用WPCA方法对加权电价数据进行处理，得到处理后的加权电价数据；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、负荷聚集平台的历史调控幅度值、预测日的节假日信息、预测日的油价数据及预测日的温度预测值，分别对各类型的充电桩的日前LSTM模型进行训练，得到各类型的充电桩的日前负荷预测模型。
考虑到对于日前预测，需要提前一天对第二天的96个节点的数据进行预测，属于多跨步预测，预测的难度相对较大，需要较多的相关数据和较为复杂的预测模型。
具体地，日前负荷预测除了考虑历史负荷数据P（即历史负荷数据主要指的是用于作为训练数据中的模型输入数据的历史负荷数据）这一基本信息以外，还考虑到相关信息包括历史实时电价、历史温度、历史节假日信息以及负荷聚集平台的历史调控幅度值K* 。此外，还考虑第二天（即预测日）的节假日信息、第二天的油价数据以及第二天的温度预测值。而这三部分数据由于其对预测结果的影响不同要做不同的处理。
电动汽车充电负荷序列容易受到噪声的影响，因此在对充电负荷时序数据进行建模分析前，要对其历史信息进行降噪处理。降噪的根本目是在保留原始信号的主要数据特征的基础上尽可能地去除噪声信息。传统的降噪方法有平滑滤波、移动平均了滤波、简单非线性噪声消除以及线性傅里叶滤波等。电动汽车充电负荷时间序列数据不仅含有噪声，还普遍具有非线性、非平稳、高波动的特点。而这些传统的降噪方法并不能有效的去除电动汽车充电负荷时间序列数据中的噪声成分。而WT（Wavelet Transform，小波变换）方法有能力处理非平稳且不规则的负荷时间序列数据，并且保留更多的原始信息。因此，需要采用WT方法对直接影响预测结果的基本历史信息历史负荷数据P进行小波降噪，从而获取更多的趋势信息。也即上述提及的第一类的基本历史信息历史负荷数据P可以通过WT方法进行降噪处理，也即各类型的充电桩在以15分钟为时间尺度对应的所在日的历史负荷数据均可以通过WT方法进行降噪处理，以分别得到各类型的充电桩所对应的降噪后的历史负荷数据。
对于第二类相关历史信息而言，其包括相关节点的历史实时电价所形成的负荷聚集平台加权电价数据、节假日历史信息、温度历史信息和负荷聚集平台的历史调控幅度值。对于相关节点的历史实时电价所形成的负荷聚集平台加权电价数据而言，具体可以利用
Figure 643799DEST_PATH_IMAGE019
计算负荷聚集平台加权电价数据
Figure 269953DEST_PATH_IMAGE020
，其中，
Figure 125913DEST_PATH_IMAGE021
为负荷聚集平台中第
Figure 698977DEST_PATH_IMAGE022
个充电桩所在电网节点的历史实时电价，
Figure 855152DEST_PATH_IMAGE023
是第
Figure 370316DEST_PATH_IMAGE022
个充电桩的额定充电功率，
Figure 182414DEST_PATH_IMAGE024
是负荷聚集平台所包含的充电桩的总数，由此可知，本申请充分考虑了电力现货开发情景下，充电桩所处地区的节点电价对于充电负荷预测的影响，并且是通过所有在线充电桩所在节点的加权节点电价的计算来充分评估对充电负荷预测的影响。需要说明的是，除了负荷聚集平台加权电价以外，其他信息的波动和噪声都可以忽略不计，因此，需要对负荷聚集平台加权电价做WPCA（Wavelet Principle Component Analysis，小波主要成分分析）方法处理。
具体地，在得到负荷聚集平台对应的加权电价数据之后，可以利用WPCA方法对负荷聚集平台对应的加权电价数据进行处理，得到处理后的加权电价数据。其中，WPCA方法是通过对普通小波降噪方法直接拓展实现的。首先，利用多个普通小波对多变量信号的每一维度进行小波分解，得到分解后的小波系数矩阵。然后，通过小波系数矩阵估计整体的噪声大小，并选取合适的阈值对小波系数矩阵进行阈值处理。接着，利用主成分分析技术对阈值化后的小波系数矩阵进行主成分提取，并去除小波系数矩阵中的次要成分。最后，将去除次要成分的小波系数矩阵进行小波逆变换，重构出原始的多变量信号。总之，WPCA 降噪方法通过普通小波对多变量信号降噪的同时，利用 PCA技术保留原始多维数据的主要成分，并去除次要成分，进而实现更强降噪的效果，同时也保留了原始多变量信号间的相关信息。
电动汽车充电负荷时间序列数据具有长记忆性，而普通的神经网络不具有记忆能力。传统的神经网络认为输入的样本之间是相互独立的，即当前的输出仅与当前的输入有关，而与先前的输入无关。因此，传统的神经网络不能有效地利用序列信息，对时间序列分析和处理的效果也并不理想。虽然递归神经网络RNN能够对时间序列数据很好地进行建模，但是由于其存在梯度爆炸和梯度消失的问题，时间序列的长期依赖关系很难学习。而长短期记忆网络（LSTM）是一种利用记忆细胞状态对抗梯度消失和梯度爆炸的有效结构。因此，在得到各类型的充电桩在日前时间尺度所对应的降噪后的历史负荷数据以及处理后的加权电价数据之后，对于每个类型的充电桩而言，可以将其对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、负荷聚集平台的历史调控幅度值，一起形成5维历史数据输入到LSTM中作为训练数据，且第二天的节假日信息、第二天的油价数据及第二天的温度预测值也作为训练数据而送入到LSTM中（也即前面的数据均可以作为训练数据中的模型输入数据而送入到LSTM中），并可以将第二天的历史负荷数据作为LSTM的输出（也即将第二天的历史负荷数据作为训练数据中的模型输出数据而送入到LSTM中），以进行训练，从而对应得到各类型的充电桩的日前负荷预测模型。之后，将相应的数据通过日前负荷预测模型之后，则可以形成第二天的96个时间节点的负荷预测值，也即利用日前负荷预测模型进行负荷预测的方式与图4所示的训练流程，在此不再赘述。
通过上述过程可知，本申请对于日前预测而言，其采用WT-WPCA-LSTM三种技术相结合进行日前负荷预测的混合模型训练流程，以提高日前负荷预测模型的准确性和精度，并提高日前负荷预测的准确性。而且通过上述过程可知，在日前预测中考虑了现货的实时电价对于负荷预测的影响，并且还考虑日前电价的预测值，第二天的油价以及节假日信息的影响，也就是说，在LSTM训练时不只考虑了历史信息的影响，还考虑了第二天的相关预测信息的历史值对于预测结果的影响，以提高模型精度和准确性。
参见图5，其示出了本申请实施例提供的小时前预测模型训练的示意图。本申请实施例提供的一种负荷聚集平台的可调容量预测方法，根据各类型的充电桩以小时为时间尺度的历史负荷数据及预测辅助数据历史值对小时前预测模型进行训练，得到各类型的充电桩的小时前负荷预测模型，可以包括：
利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；目标充电桩为有充电车辆在充电的充电桩；
利用WPCA方法对加权电价数据及历史加权SOC进行处理，得到处理后的加权电价数据及处理后的历史加权SOC；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及负荷聚集平台的历史调控幅度值，分别对各类型的充电桩的小时前LSTM模型进行训练，得到各类型的充电桩的小时前负荷预测模型。
在本申请中，在小时前预测中，由于时间维度较日前小，因此，不需要考虑温度的变化和油价的变化对负荷预测结果的影响。但是，需要考虑电动汽车的SOC对下一个时刻负荷水平变化的影响。这是因为电动汽车在接近满电量状态时，其充电功率会维持在一个较小的水平。因此，除了历史负荷数据，SOC也会直接影响下一个时间点的负荷。但是，每一辆车的SOC是不一样的。一般充电桩的负荷聚集平台没有对电动车辆的实时SOC进行采集，更别说是用于预测分析。而在本申请中，则对负荷聚集平台上在线的每一辆电动车辆的SOC进行实时采集。但是，单台电动汽车的SOC无法决定平台的充电功率，但是通过负荷聚集平台的所有在线电动车辆的SOC进行加权计算，就可以由此评估加权SOC对下一个时刻的负荷的影响。因此，小时前负荷预测的WT-WPCA-LSTM的模型训练流程如图5所示。
其中，电动汽车充电负荷聚集商的负荷聚集平台的历史加权SOC的计算公式如下所示：
Figure 621486DEST_PATH_IMAGE025
其中，
Figure 101009DEST_PATH_IMAGE026
为第i个有充电车辆在充电的充电桩（即目标充电桩）所对应的充电车辆的SOC，
Figure 272227DEST_PATH_IMAGE027
为该充电车辆的额定充电功率，
Figure 633938DEST_PATH_IMAGE028
为负荷聚集平台在以小时为时间尺度中所包含的目标充电桩的数量，
Figure 63651DEST_PATH_IMAGE029
为负荷聚集平台的历史加权SOC。
另外，根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价，利用
Figure 866522DEST_PATH_IMAGE030
计算负荷聚集平台加权电价数据
Figure 192330DEST_PATH_IMAGE031
，其中，
Figure 447862DEST_PATH_IMAGE032
为在以小时为时间尺度中第i个处于充电状态的充电桩所在电网节点的历史实时电价，
Figure 431999DEST_PATH_IMAGE033
是第i个处于充电状态的充电桩的额定充电功率，
Figure 138311DEST_PATH_IMAGE034
是负荷聚集平台在以小时为时间尺度中所包含的处于充电状态的充电桩的总数，由此可知，在以小时为时间尺度中，在进行加权电价数据计算时，只考虑处于充电状态的充电桩的汇总，以提高加权电价数据计算的准确性。
之后，可以利用WPCA方法对加权电价数据及历史加权SOC进行处理，得到处理后的加权电价数据及处理后的历史加权SOC。另外，可以利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理，得到各类型的充电桩对应的降噪后的历史负荷数据。需要说明的是，这里提及的历史负荷数据指的是用于作为训练数据中的模型输入数据的历史负荷数据。
在上述基础上，对于每个类型的充电桩而言，可以将其对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及负荷聚集平台的历史调控幅度值一起形成5维历史数据输入到LSTM中作为训练数据，且预测小时的负荷数据可以作为LSTM的输出（也即将预测小时的负荷数据作为训练数据中的模型输出数据而送入到LSTM中），以进行训练，从而对应得到各类型的充电桩的小时前负荷预测模型。
需要说明的是，利用小时前负荷预测模型进行负荷预测的方式与图5所示的训练流程类似，在此不再赘述。
通过上述过程可知，本申请对于以小时为时间尺度而言，其采用WT-WPCA-LSTM三种技术相结合进行小时前负荷预测的混合模型训练流程，而且还将加权SOC考虑在内，从而提高小时前负荷预测模型的准确性和精度，并提高小时前负荷预测的准确性。而且通过在小时前负荷预测中充分考虑SOC对负荷预测的影响后，在进行可调容量计算时则可以不需要再挨个进行核减，以大幅度提高效率和精确度。
参见图6，其示出了本申请实施例提供的15分钟前预测模型训练的示意图。本申请实施例提供的一种负荷聚集平台的可调容量预测方法，根据各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对15分钟前预测模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型，可以包括：
根据各类型的充电桩中在以15分钟为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中在以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；目标充电桩为有充电车辆在充电的充电桩；
利用各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、负荷聚集平台的历史调控幅度值及预测分钟的负荷数据，分别对各类型的充电桩的15分钟前LSTM模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型。
在本申请中，对于15分钟前预测而言，由于其时间尺度很短，其数据的变换相对平缓，因此，不需要对相关信息做滤波处理，可以直接输入到LSTM模型当中进行训练。
需要说明的是，其进行加权电价数据和历史加权SOC的计算过程与以小时为时间尺度过程中的相应计算过程类似，在此不再赘述。
对于每个类型的充电桩而言，可以将以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、负荷聚集平台的历史调控幅度值及预测分钟的负荷数据一起形成5维历史数据输入到LSTM中作为训练数据，且预测分钟的负荷数据可以作为LSTM的输出（也即将预测分钟的负荷数据作为训练数据中的模型输出数据而送入到LSTM中），以进行训练，从而对应得到各类型的充电桩的15分钟前负荷预测模型。
需要说明的是，利用15分钟前负荷预测模型进行负荷预测的方式与图6所示的训练流程类似，在此不再赘述。
通过上述过程可知，本申请对于以15分钟为时间尺度而言，其采用LSTM技术进行15分钟前负荷预测模型训练流程，而且还将加权SOC考虑在内，从而提高15分钟前负荷预测模型的准确性和精度，并提高15分钟前负荷预测的准确性。而且通过在15分钟前负荷预测中充分考虑SOC对负荷预测的影响后，在进行可调容量计算时则可以不需要再挨个进行核减，以大幅度提高效率和精确度。
通过上述三个时间维度的预测模型训练和预测可知，本申请针对不同类型的充电桩分别利用各自的历史数据信息和公共历史信息进行建模预测，这样大大提高预测模型的准确性。而且在上述三个时间维度的预测中，还考虑的负荷聚集平台的调控幅度值的历史数据对于负荷预测的影响，这样可以免掉因为参加调节而引起的负荷预测误差，从而提高模型训练和负荷预测的准确性。另外，只在日前预测和小时前预测这种数据密度相对较低的情况下采用小波变换滤波对基本历史信息进行滤波，采用小波主要成分对相关信息进行滤波；而在15分钟前预测这种高数据密度情况下，不考虑滤波处理，从而提高了不同时间尺度的预测精度以及效率。
本申请实施例提供的一种负荷聚集平台的可调容量预测方法，在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在时间维度的负荷预测模型之后，还可以包括：
利用各类型的充电桩在各时间维度对应的负荷预测模型，得到各类型的充电桩在各时间维度对应的预测负荷数据；
根据各类型的充电桩在各时间维度对应的预测负荷数据与相应的历史负荷数据，分别判断各类型的充电桩在相应时间维度的负荷预测模型是否合格；
若存在相应类型的充电桩在相应时间维度的负荷预测模型不合格，则对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理，或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整，并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练，直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
具体可以参见图4-图6，在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在各时间维度的负荷预测模型之后，可以分别利用各类型的充电桩在各时间维度的负荷预测模型，得到各类型的充电桩在各时间维度的预测负荷数据，即得到对应的回测结果。之后，可以根据各类型的充电桩在各时间维度对应的预测负荷数据与相应时间维度对应的历史负荷数据，分别计算各类型的充电桩在各时间维度对应的平方根误差RMS、平均绝对误差MAE和平均绝对误差百分比MAPE这三个评估指标：
Figure 916911DEST_PATH_IMAGE035
、
Figure 456477DEST_PATH_IMAGE036
、
Figure 978725DEST_PATH_IMAGE037
Figure 536614DEST_PATH_IMAGE038
为相应的历史负荷数据，
Figure 220537DEST_PATH_IMAGE039
为利用负荷预测模型预测得到的相应的预测负荷数据，
Figure 778557DEST_PATH_IMAGE040
为当前类型的充电桩中参与评估指标计算的充电桩个数。
在计算得到各类型的充电桩在各时间维度对应的平方根误差RMS、平均绝对误差MAE和平均绝对误差百分比MAPE之后，可以将各类型的充电桩在各时间维度对应的三个评估指标分别与相对应的阈值进行比较，若对应的评估值均小于相对应的阈值，则确定相应类型的充电桩在相应时间维度的负荷预测模型合格。
若对应的三个评估指标中至少有一个不小于相对应的阈值，则确定相应类型的充电桩在相应时间维度的负荷预测模型不合格。此时，则可以对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理，或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整，然后，利用处理或调整（与前述提及的处理或调整相对应）后数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练，并在训练完成后，利用相应类型的充电桩在相应时间维度的负荷预测模型，得到相应类型的充电桩在相应时间维度的预测负荷数据，且进行判断……直至相应类型的充电桩在相应时间维度的负荷预测模型合格。
通过上述过程可以利用回测结果对应的评估指标来判断训练得到的负荷预测模型的准确性，在准确性不达标时，对缺失数据处理和训练数据的选择进行不断的调整，从而对训练的负荷预测模型进行修正迭代，直至满足要求，以提高训练得到的负荷预测模型的准确性，从而提高负荷预测及容量预测的准确性。
本申请实施例提供的一种负荷聚集平台的可调容量预测方法，根据各时间尺度下每个充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相应的负荷调节信息，得到负荷聚集平台在各时间维度下的可调容量，可以包括：
利用
Figure 104496DEST_PATH_IMAGE001
得到负荷聚集平台的可调容量的日前预测值
Figure 2045DEST_PATH_IMAGE041
；
Figure 919185DEST_PATH_IMAGE003
为负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 417032DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure 281082DEST_PATH_IMAGE042
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和，
Figure 95455DEST_PATH_IMAGE006
为不愿意和因自身原因不能参加负荷调节的充电桩的数量，
Figure 386759DEST_PATH_IMAGE007
为第
Figure 122634DEST_PATH_IMAGE043
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率；
利用
Figure 587113DEST_PATH_IMAGE009
得到负荷聚集平台的可调容量的小时前预测值
Figure 442942DEST_PATH_IMAGE010
或15分钟前预测值
Figure 967465DEST_PATH_IMAGE010
；
Figure 190636DEST_PATH_IMAGE011
为负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 130910DEST_PATH_IMAGE012
为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure 919874DEST_PATH_IMAGE013
为下一个时刻在线的愿意参加负荷调节的充电用户的数量，
Figure 818560DEST_PATH_IMAGE014
为下一个时刻在线的愿意参加负荷调节的第
Figure 238347DEST_PATH_IMAGE015
个充电用户最小充电功率，
Figure 247891DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和，
Figure 156942DEST_PATH_IMAGE017
下一个时刻在线的不愿意参加负荷调节的第
Figure 695370DEST_PATH_IMAGE015
个充电用户的充电功率，
Figure 689871DEST_PATH_IMAGE018
为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
在本申请中，在根据各时间尺度下每个充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相应的负荷调节信息，得到负荷聚集平台在各时间维度下的可调容量时，对于日前预测而言，可以利用
Figure 237527DEST_PATH_IMAGE001
得到负荷聚集平台的可调容量的日前预测值
Figure 188034DEST_PATH_IMAGE044
，其中，
Figure 959681DEST_PATH_IMAGE003
为负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 566112DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure 638498DEST_PATH_IMAGE005
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和。通过前述过程可知，在日前时间尺度下不考虑SOC的影响，而是乘以一个最小功率系数，并对不能参与调节的充电桩功率进行核减，以提高可调容量预测的准确性。
对于小时前预测及15分钟前预测而言，可以利用
Figure 459823DEST_PATH_IMAGE009
对应得到负荷聚集平台的可调容量的小时前预测值
Figure 136792DEST_PATH_IMAGE010
或15分钟前预测值
Figure 122197DEST_PATH_IMAGE010
，其中，
Figure 839353DEST_PATH_IMAGE011
为负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 206531DEST_PATH_IMAGE045
为下一个时刻（即与小时前预测对应的时刻或与15分钟前预测对应的时刻）在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure 726505DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和。通过前述过程可知，本申请在小时前和15分钟前，对在线充电桩的最小功率进行核减，并对不同意参与调节的充电桩功率进行核减，以提高可调容量预测的准确性。
本申请实施例提供的一种负荷聚集平台的可调容量预测方法，还可以包括：
在负荷聚集平台不参与电网调节的空档时段，对不处于SOC与1的差值小于或等于阈值的充电用户的充电功率参考值上叠加一个扰动分量，并获取功率反馈值；
若功率反馈值未发生变化，则从负荷聚集平台在各时间维度下的可调容量中核减充电用户对应的充电功率。
在本申请中，在对各时间维度下的可调容量进行上报之前，可以对负荷聚集平台进行小扰动在线评估。具体地，考虑到有些充电桩由于升级或者其他原因导致的不可调节，因此，需要负荷聚集平台不参与电网调节的空档时段，对不处于SOC与1的差值小于或等于阈值的充电用户（也即对不处于接近满电量状态的充电用户）进行小扰动在线测试。具体可以在其充电功率参考值上叠加一个较小的扰动分量，比如10%左右，并获取功率反馈值。
如果功率反馈值不发生变化，则考虑该充电用户对应的充电桩在下一个时刻可能不能参与调节，要在评估时对其进行核减，具体可以记在
Figure 970842DEST_PATH_IMAGE046
当中（具体地，对于日前而言，则记在
Figure 336096DEST_PATH_IMAGE005
中，对于小时前或15分钟前，则记在
Figure 646860DEST_PATH_IMAGE016
中），即从负荷聚集平台在各时间维度下的可调容量中核减充电用户对应的充电功率，以提高可调容量预测的准确性。
通过在线小小扰动评估的方式对在线充电桩的可调节性进行实时评估，一旦发现充电桩出现非SOC状态而无法调节的情况，则立刻将该充电桩标记为不可调节的充电桩，在进行可调容量评估时对其进行核减，以提高可调容量预测的准确性。
本申请实施例提供的一种负荷聚集平台的可调容量预测方法，在获取负荷聚集平台包含的充电桩的历史负荷数据之后，还可以包括：
判断获取到的历史负荷数据中是否存在缺失数据；
若是，则对缺失数据进行标准预处理。
由于车网互动基本还处于试点准备节点，因此，在实际当中往往会存在数据缺失的问题，为此，在获取负荷聚集平台包含的充电桩的历史负荷数据之后，可以判断获取到的历史负荷数据中是否存在缺失数据，如果存在缺失数据，则需要对缺失数据进行特殊处理，其中，本申请是对缺失数据进行标准预处理。具体地，本申请寻找与缺失数据最为接近的两个相似时间节点的历史负荷数据，并对这两个时间节点的历史负荷数据进行标准化预处理，以便于提高模型训练速度和预测精度。其中，常用的标准预处理方法有最大最小值标准化和均值方差标准化两种方法。
本申请实施例还提供了一种负荷聚集平台的可调容量预测装置，参见图7，其示出了本申请实施例提供的一种负荷聚集平台的可调容量预测装置的结构示意图，可以包括：
获取模块71，用于获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值；
划分模块72，用于根据充电桩的信息将负荷聚集平台包含的充电桩划分为不同类型的充电桩；
训练模块73，用于根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；
得到负荷预测值模块74，用于利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度的对应的负荷预测值；
得到可调容量模块75，用于根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相应的负荷调节信息，得到负荷聚集平台在各时间维度下的可调容量，并对各时间维度下的可调容量进行上报。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，获取模块71可以包括：
第一得到单元，用于从获取到的历史负荷数据中得到以小时为时间尺度及以15分钟为时间尺度分别对应的历史负荷数据，从天气数据中得到两个时间尺度分别对应的温度历史信息，从市场信息中得到所在电网节点在两个时间尺度分别对应的历史实时电价，从充电用户信息中得到两个时间尺度分别对应的SOC；
第二得到单元，用于从天气数据中得到预测日中以15分钟为时间尺度对应的温度预测值，从市场信息中得到预测日的油价数据，获取以15分钟为时间尺度对应的所在日的节假日历史信息及预测日的节假日历史信息。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，训练模块73可以包括：
第一降噪处理单元，用于利用WT方法对各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
第三得到单元，用于根据各类型的充电桩所在的电网节点在以15分钟为时间尺度对应的历史实时电价得到负荷聚集平台对应的加权电价数据，利用WPCA方法对加权电价数据进行处理，得到处理后的加权电价数据；
第一训练单元，用于利利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、负荷聚集平台的历史调控幅度值、预测日的节假日信息、预测日的油价数据及预测日的温度预测值，分别对各类型的充电桩的日前LSTM模型进行训练，得到各类型的充电桩的日前负荷预测模型。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，训练模块73可以包括：
第二降噪处理单元，用于利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
第一计算单元，用于根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；目标充电桩为有充电车辆在充电的充电桩；
第四得到单元，用于利用WPCA方法对加权电价数据及历史加权SOC进行处理，得到处理后的加权电价数据及处理后的历史加权SOC；
第二训练单元，用于利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及负荷聚集平台的历史调控幅度值，分别对各类型的充电桩的小时前LSTM模型进行训练，得到各类型的充电桩的小时前负荷预测模型。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，训练模块73可以包括：
第二计算单元，用于根据各类型的充电桩中在以15分钟为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中在以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；目标充电桩为有充电车辆在充电的充电桩；
第三训练单元，用于利用各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、负荷聚集平台的历史调控幅度值及预测分钟的负荷数据，分别对各类型的充电桩的15分钟前LSTM模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，还可以包括：
得到预测负荷数据模块，用于在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在时间维度的负荷预测模型之后，利用各类型的充电桩在各时间维度对应的负荷预测模型，得到各类型的充电桩在各时间维度对应的预测负荷数据；
第一判断模块，用于根据各类型的充电桩在各时间维度对应的预测负荷数据与相应的历史负荷数据，分别判断各类型的充电桩在相应时间维度的负荷预测模型是否合格；
处理调整模块，用于若存在相应类型的充电桩在相应时间维度的负荷预测模型不合格，则对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理，或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整，并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练，直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，得到可调容量模块75可以包括：
第一得到可调容量单元，用于利用
Figure 400053DEST_PATH_IMAGE001
得到负荷聚集平台的可调容量的日前预测值
Figure 268039DEST_PATH_IMAGE047
；
Figure 499300DEST_PATH_IMAGE003
为负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 398992DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure 588665DEST_PATH_IMAGE005
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和，
Figure 396477DEST_PATH_IMAGE006
为不愿意和因自身原因不能参加负荷调节的充电桩的数量，
Figure 634692DEST_PATH_IMAGE007
为第
Figure 139622DEST_PATH_IMAGE008
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率；
第二得到可调容量单元，用于利用
Figure 483885DEST_PATH_IMAGE009
得到负荷聚集平台的可调容量的小时前预测值
Figure 277529DEST_PATH_IMAGE010
或15分钟前预测值
Figure 101126DEST_PATH_IMAGE010
；
Figure 116356DEST_PATH_IMAGE011
为负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 647831DEST_PATH_IMAGE048
为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure 289290DEST_PATH_IMAGE013
为下一个时刻在线的愿意参加负荷调节的充电用户的数量，
Figure 400466DEST_PATH_IMAGE014
为下一个时刻在线的愿意参加负荷调节的第
Figure 129256DEST_PATH_IMAGE015
个充电用户最小充电功率，
Figure 769316DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和，
Figure 105927DEST_PATH_IMAGE017
下一个时刻在线的不愿意参加负荷调节的第
Figure 473323DEST_PATH_IMAGE015
个充电用户的充电功率，
Figure 276194DEST_PATH_IMAGE018
为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，还可以包括：
叠加模块，用于在负荷聚集平台不参与电网调节的空档时段，对不处于SOC与1的差值小于或等于阈值的充电用户的充电功率参考值上叠加一个扰动分量，并获取功率反馈值；
核减模块，用于若功率反馈值未发生变化，则从负荷聚集平台在各时间维度下的可调容量中核减充电用户对应的充电功率。
本申请实施例提供的一种负荷聚集平台的可调容量预测装置，还可以包括：
第二判断模块，用于在获取负荷聚集平台包含的充电桩的历史负荷数据之后，判断获取到的历史负荷数据是否存在缺失数据；
标准化处理模块，用于若获取到的历史负荷数据中存在缺失数据，则对缺失数据进行标准预处理。
本申请提供的一种负荷聚集平台的可调容量预测装置中相关部分的说明可以参见本申请实施例提供的一种负荷聚集平台的可调容量预测方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要负荷与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种负荷聚集平台的可调容量预测方法，其特征在于，包括：
获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值；
根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩；
根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；
利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值；
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各时间维度下的可调容量，并对各所述时间维度下的可调容量进行上报；
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各时间维度下的可调容量，包括：
利用
Figure DEST_PATH_IMAGE001
得到所述负荷聚集平台的可调容量的日前预测值
Figure 659574DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
为所述负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 950747DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure DEST_PATH_IMAGE005
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和，
Figure 638081DEST_PATH_IMAGE006
为不愿意和因自身原因不能参加负荷调节的充电桩的数量，
Figure DEST_PATH_IMAGE007
为第
Figure 107239DEST_PATH_IMAGE008
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率；
利用
Figure DEST_PATH_IMAGE009
得到所述负荷聚集平台的可调容量的小时前预测值
Figure 637446DEST_PATH_IMAGE010
或15分钟前预测值
Figure 76518DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
为所述负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 24882DEST_PATH_IMAGE012
为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure DEST_PATH_IMAGE013
为下一个时刻在线的愿意参加负荷调节的充电用户的数量，
Figure 773265DEST_PATH_IMAGE014
为下一个时刻在线的愿意参加负荷调节的第
Figure DEST_PATH_IMAGE015
个充电用户最小充电功率，
Figure 666134DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和，
Figure DEST_PATH_IMAGE017
下一个时刻在线的不愿意参加负荷调节的第
Figure 49842DEST_PATH_IMAGE015
个充电用户的充电功率，
Figure 588400DEST_PATH_IMAGE018
为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
2.根据权利要求1所述的负荷聚集平台的可调容量预测方法，其特征在于，得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值，包括：
从获取到的所述历史负荷数据中得到以小时为时间尺度及以15分钟为时间尺度分别对应的历史负荷数据，从所述天气数据中得到两个所述时间尺度分别对应的温度历史信息，从所述市场信息中得到所在电网节点在两个所述时间尺度分别对应的历史实时电价，从所述充电用户信息中得到两个所述时间尺度分别对应的SOC，获取所述负荷聚集平台的历史调控幅度值；
从所述天气数据中得到预测日中以15分钟为时间尺度对应的温度预测值，从所述市场信息中得到预测日的油价数据，获取以15分钟为时间尺度对应的所在日的节假日历史信息及预测日的节假日历史信息。
3.根据权利要求2所述的负荷聚集平台的可调容量预测方法，其特征在于，根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对日前预测模型进行训练，得到各类型的充电桩的日前负荷预测模型，包括：
利用WT方法对各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩所在的电网节点在以15分钟为时间尺度对应的历史实时电价得到所述负荷聚集平台对应的加权电价数据，利用WPCA方法对加权电价数据进行处理，得到处理后的加权电价数据；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、所述负荷聚集平台的历史调控幅度值、预测日的节假日信息、预测日的油价数据及预测日的温度预测值，分别对各类型的充电桩的日前LSTM模型进行训练，得到各类型的充电桩的日前负荷预测模型。
4.根据权利要求2所述的负荷聚集平台的可调容量预测方法，其特征在于，根据各类型的充电桩以小时为时间尺度的历史负荷数据及预测辅助数据历史值对小时前预测模型进行训练，得到各类型的充电桩的小时前负荷预测模型，包括：
利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理，以得到各类型的充电桩对应的降噪后的历史负荷数据；
根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中在以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；所述目标充电桩为有充电车辆在充电的充电桩；
利用WPCA方法对加权电价数据及历史加权SOC进行处理，得到处理后的加权电价数据及处理后的历史加权SOC；
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及所述负荷聚集平台的历史调控幅度值，分别对各类型的充电桩的小时前LSTM模型进行训练，得到各类型的充电桩的小时前负荷预测模型。
5.根据权利要求2所述的负荷聚集平台的可调容量预测方法，其特征在于，根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对15分钟前预测模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型，包括：
根据各类型的充电桩中在以15分钟为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据，根据各类型的充电桩中以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC；所述目标充电桩为有充电车辆在充电的充电桩；
利用各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、所述负荷聚集平台的历史调控幅度值及预测分钟的负荷数据，分别对各类型的充电桩的15分钟前LSTM模型进行训练，得到各类型的充电桩的15分钟前负荷预测模型。
6.根据权利要求1至5任一项所述的负荷聚集平台的可调容量预测方法，其特征在于，在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型之后，还包括：
利用各类型的充电桩在各时间维度的负荷预测模型，得到各类型的充电桩在各时间维度对应的预测负荷数据；
根据各类型的充电桩在各时间维度对应的预测负荷数据与相应的历史负荷数据，分别判断各类型的充电桩在相应时间维度的负荷预测模型是否合格；
若存在相应类型的充电桩在相应时间维度的负荷预测模型不合格，则对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理，或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整，并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练，直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
7.根据权利要求1所述的负荷聚集平台的可调容量预测方法，其特征在于，还包括：
在所述负荷聚集平台不参与电网调节的空档时段，对不处于SOC与1的差值小于或等于阈值的充电用户的充电功率参考值上叠加一个扰动分量，并获取功率反馈值；
若所述功率反馈值未发生变化，则从所述负荷聚集平台在各所述时间维度下的可调容量中核减所述充电用户对应的充电功率。
8.根据权利要求1所述的负荷聚集平台的可调容量预测方法，其特征在于，在获取负荷聚集平台包含的充电桩的历史负荷数据之后，还包括：
判断获取到的历史负荷数据中是否存在缺失数据；
若是，则对缺失数据进行标准预处理。
9.一种负荷聚集平台的可调容量预测装置，其特征在于，包括：
获取模块，用于获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息，并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值；
划分模块，用于根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩；
训练模块，用于根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练，得到各类型的充电桩在相应时间维度的负荷预测模型；
得到负荷预测值模块，用于利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型，得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值；
得到可调容量模块，用于根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息，得到所述负荷聚集平台在各时间维度下的可调容量，并对各所述时间维度下的可调容量进行上报；
所述得到可调容量模块包括：
第一得到可调容量单元，用于利用
Figure 930520DEST_PATH_IMAGE001
得到所述负荷聚集平台的可调容量的日前预测值
Figure DEST_PATH_IMAGE019
；
Figure 638582DEST_PATH_IMAGE003
为所述负荷聚集平台中各充电桩对应的日前负荷预测值之和，
Figure 419456DEST_PATH_IMAGE004
为充电桩最小充电功率占额定功率的比例，
Figure 60522DEST_PATH_IMAGE005
为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和，
Figure 901439DEST_PATH_IMAGE006
为不愿意和因自身原因不能参加负荷调节的充电桩的数量，
Figure 113108DEST_PATH_IMAGE007
为第
Figure 697674DEST_PATH_IMAGE008
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率；
第二得到可调容量单元，用于利用
Figure 803033DEST_PATH_IMAGE009
得到所述负荷聚集平台的可调容量的小时前预测值
Figure 939485DEST_PATH_IMAGE010
或15分钟前预测值
Figure 497505DEST_PATH_IMAGE010
；
Figure 761127DEST_PATH_IMAGE011
为所述负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和，
Figure 720993DEST_PATH_IMAGE020
为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和，
Figure 903713DEST_PATH_IMAGE013
为下一个时刻在线的愿意参加负荷调节的充电用户的数量，
Figure 339242DEST_PATH_IMAGE014
为下一个时刻在线的愿意参加负荷调节的第
Figure 265610DEST_PATH_IMAGE015
个充电用户最小充电功率，
Figure 79982DEST_PATH_IMAGE016
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和，
Figure 574549DEST_PATH_IMAGE017
下一个时刻在线的不愿意参加负荷调节的第
Figure 107161DEST_PATH_IMAGE015
个充电用户的充电功率，
Figure 961854DEST_PATH_IMAGE018
为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
CN202210113193.6A 2022-01-30 2022-01-30 一种负荷聚集平台的可调容量预测方法及装置 Active CN114140176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210113193.6A CN114140176B (zh) 2022-01-30 2022-01-30 一种负荷聚集平台的可调容量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210113193.6A CN114140176B (zh) 2022-01-30 2022-01-30 一种负荷聚集平台的可调容量预测方法及装置

Publications (2)

Publication Number Publication Date
CN114140176A CN114140176A (zh) 2022-03-04
CN114140176B true CN114140176B (zh) 2022-04-26

Family

ID=80381798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210113193.6A Active CN114140176B (zh) 2022-01-30 2022-01-30 一种负荷聚集平台的可调容量预测方法及装置

Country Status (1)

Country Link
CN (1) CN114140176B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051384B (zh) * 2022-08-17 2022-11-15 国网浙江省电力有限公司湖州供电公司 一种调频性能评估方法、装置、设备及介质
CN117955111A (zh) * 2024-03-27 2024-04-30 佰聆数据股份有限公司 一种配变容量负载均衡方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599059A (zh) * 2019-09-20 2019-12-20 南方电网能源发展研究院有限责任公司 一种面向增量配电网用户的售电决策方法及系统
CN110689190A (zh) * 2019-09-24 2020-01-14 南方电网科学研究院有限责任公司 一种电网负荷预测方法、装置及相关设备
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101785344B1 (ko) * 2015-12-30 2017-10-17 주식회사 효성 전력 공급 제어방법 및 시스템
CN112399463B (zh) * 2019-08-12 2022-02-01 海信集团有限公司 一种信息上报的方法和设备
CN113807554A (zh) * 2020-06-11 2021-12-17 国网电力科学研究院有限公司 基于现货模式下的负荷聚合商能源优化方法和装置
CN112234638B (zh) * 2020-09-11 2023-02-10 国网山东省电力公司济南供电公司 基于负荷侧智能充电桩集群控制的电网调峰系统和方法
CN112186762B (zh) * 2020-10-10 2021-05-18 山东纳鑫电力科技有限公司 一种网源荷协同综合控制系统
CN112765149B (zh) * 2020-12-03 2023-06-09 万克能源科技有限公司 储能系统容量的计算系统及方法
CN112766695B (zh) * 2021-01-12 2023-04-07 国网四川省电力公司经济技术研究院 一种负荷聚集主体参与下的主辅联合系统的均衡运行方法
CN113222279A (zh) * 2021-05-28 2021-08-06 国网浙江桐乡市供电有限公司 一种考虑需求响应的短期负荷预测方法
CN113725864A (zh) * 2021-07-15 2021-11-30 国网上海能源互联网研究院有限公司 一种台区智能融合终端管控充电桩有序充电的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599059A (zh) * 2019-09-20 2019-12-20 南方电网能源发展研究院有限责任公司 一种面向增量配电网用户的售电决策方法及系统
CN110689190A (zh) * 2019-09-24 2020-01-14 南方电网科学研究院有限责任公司 一种电网负荷预测方法、装置及相关设备
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置

Also Published As

Publication number Publication date
CN114140176A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
AU2022200073B2 (en) Dynamic non-linear optimization of a battery energy storage system
CN111028004A (zh) 一种基于大数据技术的市场评估分析方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN115496627A (zh) 一种可调资源响应潜力的评估方法及系统
CN115313361A (zh) 一种规模化可调资源的联合优化控制方法和装置
CN109636033B (zh) 一种分布式光伏项目自发自用综合电价预测方法
Høverstad et al. Effects of data cleansing on load prediction algorithms
Yuill et al. Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks
Huang et al. Load forecasting based on deep long short-term memory with consideration of costing correlated factor
Chen et al. Toward future information market: An information valuation paradigm
CN117400771A (zh) 一种基于电动汽车的充电桩充电控制方法
CN110210755B (zh) 一种基于K_means聚类算法的用户需求响应能力评估方法
Yang et al. Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties
Nuchprayoon Forecasting of daily load curve on monthly peak day using load research data and harmonics model
Fışkın et al. Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN
CN111160767A (zh) 一种综合能源服务效益评估方法
Chane et al. Short Term Load Forecasting of Distribution Feeder Using Artificial Neural Network Technique
CN114358359A (zh) 基于电力市场发展态势感知的电费回收风险预警方法
CN112734274A (zh) 一种低碳电网运营主导影响因素挖掘及综合评估方法
Chen et al. Data Analytics in Power Markets
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
CN110490480A (zh) 一种新建输电线路经济效益量化评估方法
CN117236532B (zh) 一种基于负荷数据的用电高峰负荷预测的方法及系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221102

Address after: 313106 No. 777, Fenghuang Road, Huzhou City, Zhejiang Province

Patentee after: State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Co.

Patentee after: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

Address before: 310012 2, 530 West Wen Yi Road, Xihu District, Hangzhou, Zhejiang.

Patentee before: STATE GRID ZHEJIANG ELECTRIC VEHICLE SERVICE Co.,Ltd.

Patentee before: State Grid Zhejiang Electric Power Co., Ltd. Huzhou Power Supply Co.

Patentee before: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.