CN114202253A - 充电站负荷可调潜力评估方法、系统、存储介质及服务器 - Google Patents
充电站负荷可调潜力评估方法、系统、存储介质及服务器 Download PDFInfo
- Publication number
- CN114202253A CN114202253A CN202210103054.5A CN202210103054A CN114202253A CN 114202253 A CN114202253 A CN 114202253A CN 202210103054 A CN202210103054 A CN 202210103054A CN 114202253 A CN114202253 A CN 114202253A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- load
- database
- electricity price
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 85
- 230000005611 electricity Effects 0.000 claims description 65
- 230000006399 behavior Effects 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 51
- 230000035945 sensitivity Effects 0.000 claims description 45
- 208000019901 Anxiety disease Diseases 0.000 claims description 32
- 230000036506 anxiety Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 28
- 230000001105 regulatory effect Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 7
- 238000004880 explosion Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种充电站负荷可调潜力评估方法、系统、存储介质及服务器，方法包括对实际充电数据进行筛选和预处理，构建数据库；使用LSTM神经网络对数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；通过预先建立的用户选择隶属度函数对数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；对新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将常规未加入用户选择的负荷预测曲线与考虑用户行为决策后的负荷预测曲线进行对比，获得负荷调控容量，再对用户行为决策的影响权重进行改变，得到最大负荷调控容量及最小负荷调控容量。本发明能提高潜力评估的准确性。
Description
技术领域
本发明属于电动汽车电网调度技术领域，具体涉及一种充电站负荷可调潜力评估方法、系统、存储介质及服务器。
背景技术
随着电动汽车趋于规模化，大量的电动汽车接入电网，电动汽车将为电网提供丰富的可调度资源，但同时缺乏有效的可调度能力评估方法，在多场景、多层级情况下，难以对电动汽车聚类、多时空耦合和电网分区耦合特性进行分析，资源调控难度加大。因此，对城市内大规模电动汽车的调度潜力进行评估，可以为电力系统运行控制、充电设施规划和市场机制设计提供重要的参考依据。
目前对电动汽车可调潜力进行研究的内容主要是对其可调容量进行评估以及对调控潜力不确定性进行分析。但在评估调控潜力不确定性时，对用户出行及响应的不确定性约束条件考虑明显不足，且在考虑用户充放电偏好时常常为主观的设置响应参与度。随着车-路-网联系进一步加深，电动汽车的充电场景将更加复杂化，路网中的车流以及用户响应行为的决策都是一个动态变化的过程，需要考虑多方的充电行为影响因素，开展多视图下的电动汽车用户行为决策研究。
现有对电动汽车充电负荷可调潜力进行评估的技术方案包括以下两类：一类是通过构建概率分布函数来设置模拟场景，使用函数构建电动汽车出行行为、充电行为等行为特征，进而计算负荷可调潜力；另一类是使用停车率以及充电率等相关参数，推导得出电动汽车的出行行为，充电行为，输出负荷可调潜力。前者在函数构建上存在主观性，对已有数据进行曲线拟合会产生一定的误差，忽视了数据中的部分特征信息；而后者在推理过程中存在场景理想化问题，且基于某个特征参数进行电动汽车整体行为推导存在以小推大的弊端。
发明内容
本发明的目的在于针对上述现有技术中评估电动汽车需求响应调控过程中存在的参数设置主观化以及场景理想化的问题，提供一种充电站负荷可调潜力评估方法、系统、存储介质及服务器，对影响用户参与需求响应的因素进行动态分析，评估不同用户参与度情况下的充电站可调潜力，提高需求响应潜力评估的准确性。
为了实现上述目的，本发明有如下的技术方案：
第一方面，提供一种充电站负荷可调潜力评估方法，包括：
使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
作为优选，所述的数据库通过对实际充电数据进行筛选和预处理构建，所述对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
更进一步的，所述针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集包括：
对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
作为优选，所述使用LSTM神经网络对所述数据库进行分析，对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
作为优选，所述的用户选择隶属度函数的建立过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
更进一步的，所述通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，以此得到新的充电负荷数据库的过程如下：
读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
第二方面，提供一种充电站负荷可调潜力评估系统，包括：
未加入用户选择的负荷曲线预测模块，用于使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
数据库更新模块，用于通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
评估模块，用于对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
作为优选，所述的数据库由数据库构建模块通过对实际充电数据进行筛选和预处理构建；所述数据库构建模块对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
更进一步的，所述数据库构建模块对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
所述数据库构建模块对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
作为优选，所述未加入用户选择的负荷曲线预测模块对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
作为优选，所述数据库更新模块建立用户选择隶属度函数的过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
更进一步的，所述数据库更新模块读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；
使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的充电站负荷可调潜力评估方法。
第四方面，提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的充电站负荷可调潜力评估方法。
相较于现有技术，本发明的第一方面至少具有如下的有益效果：
使用了一种考虑用户行为决策的LSTM神经网络预测模型，相对于常规预测，其日间峰值更低，负荷高峰期持续时间更短，且有效填补了日间负荷高低峰之间的空余部分，夜间负荷低谷期有效进行调控，实现了削峰填谷的目标。本发明在对电动汽车的出行特征、时间特征以及电量特征进行分析过程中，考虑了用户自身的内部特征和其所处的外部特征，对用户选择充放电行为的影响因素进行分析，重点分析用户决策的动态变化和随机变化，针对影响电动汽车参与需求响应的多源因素间的耦合关系问题进行分析，考虑了各因素间的互动联系，构建影响因素的动态变化逻辑体系，从而能够有效挖掘内外部因素影响用户决策的潜力。
可以理解的是，上述本发明第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例充电站负荷可调潜力评估方法流程图；
图2为本发明实施例所使用的2020年1月-2021年8月的北京市电动汽车充电数据；
图3为本发明实施例LSTM神经网络训练过程图；
图4为本发明实施例LSTM神经网络负荷预测总体图；
图5为本发明实施例LSTM神经网络对三天常规未加入用户选择的负荷预测曲线图；
图6为本发明实施例隶属度函数的输入信息为电价补偿的曲线图；
图7为本发明实施例隶属度函数的输入信息为荷电状态的曲线图；
图8为本发明实施例隶属度函数的输入信息为电量焦虑的曲线图；
图9为本发明实施例隶属度函数的输入信息为电价敏感程度的曲线图；
图10为本发明实施例最终建立的用户选择隶属度函数成分图；
图11为本发明实施例LSTM神经网络对三天考虑用户行为决策后的负荷预测曲线图；
图12为本发明实施例将常规未加入用户选择的负荷预测曲线与考虑用户行为决策后的负荷预测曲线对比图；
图13为本发明实施例充电站负荷可调潜力评估系统结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请的实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参阅图1，图1展示了本发明一个实施例的充电站负荷可调潜力评估方法的主要步骤流程，根据图1，本发明的评估方法主要包括以下步骤：
S1、使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
S2、通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
S3、对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
在一种可选的实施方式中，步骤S1的数据库通过对实际充电数据进行筛选和预处理构建，对实际充电数据进行筛选和预处理具体包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
更进一步的，所述通过插值法进行填补，扩大有效数据集具体包括：
第一，对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
第二，对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
在一种可选的实施方式中，步骤S1对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
在一种可选的实施方式中，步骤S2所述用户选择隶属度函数的建立过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
更进一步的，步骤S2所述通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，以此得到新的充电负荷数据库的过程如下：
读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；
使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
目前对电动汽车充电负荷可调潜力进行评估的技术方案包括以下两类：1)通过构建概率分布函数来设置模拟场景，使用函数构建电动汽车出行行为，充电行为等行为特征，进而计算负荷可调潜力；2)使用停车率，充电率等相关参数，推导得出电动汽车的出行行为，充电行为，输出负荷可调潜力。前者在函数构建上存在主观性，对已有数据进行曲线拟合会产生一定的误差，忽视了数据中的部分特征信息；而后者在推理过程中存在场景理想化问题，且基于某个特征参数进行电动汽车整体行为推导存在以小推大的弊端。路网中的车流、用户响应行为的决策都是一个动态变化的过程，需要考虑多方的充电行为影响因素，开展多视图下的电动汽车用户行为决策研究，本发明的充电站负荷可调潜力评估方法通过对影响用户参与需求响应的因素进行动态分析，评估不同用户参与度情况下的充电站可调潜力。
实施例2
依托于国家电网有限公司提供的2020年1月-2021年8月的北京市电动汽车充电数据，对本发明充电站负荷可调潜力评估方法展开进一步的详细说明。
首先，进行数据预处理。该数据库如图2，该数据库中的数据包含充电桩信息、充电站信息、聚合商信息以及充电信息等。通过对几类信息交叉整理，可以初步得到某电动汽车充电的时刻、充电功率、所使用充电桩、充电桩所在充电站及充电站所在地理位置等有效信息。单日充电数据以每15分钟进行一次收集，划分为96个时间节点。在此基础上，对数据集进行分析整理：删除大量空白数据、无效数据；部分有效充电数据之间存在短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集；统计31天的北京市某区某居民区充电站的充电负荷数据，作为数据库进行后续处理。设定的规则如下：
1)充电功率存在先上升，上升至最高充电功率保持持续充电，即将充满时再缓慢下降的曲线变化，因此对数据库中瞬间上升至最高功率或下降至0的数据进行适当填补，使用平均数插值对充电数据的两端进行填补，公式描述为：
2)充电行为具有一定的持续性，一般用户选择充电后不会短时离开，因此对数据库中较为接近的两充电数据中的0数据进行适当填补，通过计算平均数对两数据中间空白部分进行填补，扩大数据库，公式描述为：
其次，使用MATLAB构建LSTM神经网络对以上数据库进行分析，对电动汽车充电负荷进行预测。具体步骤如下：
1)读取该数据库，构建一维时间序列矩阵，横坐标为时间节点，以15分钟为一个单位，纵坐标为该时间节点充电站的充电负荷；
2)对训练数据和测试数据进行分区。序列的前90％用于训练，后10％用于测试。此处为前28天训练，后3天测试；
3)为了获得较好的拟合并防止训练发散，将训练数据标准化为具有零均值和单位方差的标准化数据，计算表达式如下：
4)定义LSTM网络架构，并创建LSTM回归网络。设计了具有两层隐藏层的LSTM网络，每层具有100个隐含单元。为防止过拟合，设置掉落率为0.1的丢弃层。利用ADAM算法进行250轮训练。为防止梯度爆炸，将梯度阈值设置为1。指定初始学习率0.005，在125轮训练后通过乘以因子0.2来降低学习率。
5)使用训练完成的神经网络模型进行测试，使用观测集对未来几天的负荷波动进行预测并交叉验证。
6)对预测数据去标准化，并计算误差。
根据验证结果，可以发现该训练下的负荷预测较为准确，均方根误差为53.1107，决定系数R2为0.8484。训练过程如图3所示，预测对比图如图4及图5所示。由此电动汽车负荷预测结果得到常规未加入用户选择的负荷预测曲线，作为基准曲线为后续工作做准备。
再次，构建用户特征隶属度函数。用户选择充电与否时，对其充电行为产生影响的主要因素分为外部因素和内部因素。进一步的，所述外部因素包括电价补偿、荷电状态以及时间日期等，内部因素包括用户电量焦虑、电价敏感程度以及出行焦虑等。本发明的实施例主要考虑外部的电价补偿因素及荷电状态因素，内部的电量焦虑因素及电价敏感程度，对用户选择特征进行构建隶属度函数，模糊控制用户选择行为。以下是构建隶属度函数过程：
1)添加隶属度函数的输入信息，输入信息为电价补偿、荷电状态、电量焦虑以及电价敏感程度，其各自的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布，各自的隶属度函数模型如图6，图7，图8，图9，公式判别依据分别如下：
(1)电价补偿：
(2)荷电状态：
(3)电量焦虑：
(4)电价敏感程度：
2)添加隶属度函数的输出信息，为接受调控和不接受调控；
3)设定适当的隶属度函数规则，初步使得模型输出具有合理性；
4)通过对隶属度函数的输出进行可视化操作，调整所设定的规则，使得整个模型具有合理性。本发明实施例最终建立的用户选择隶属度函数成分如图10所示。
通过建立的用户选择隶属度函数，对数据库中每一辆电动汽车的充电行为进行预测，以此得到新的充电数据库。此处，隶属度函数的输入信息与时间序列相关。首先，读取原充电开始时刻及充电结束时刻，充电时段很短的充电场景其调控价值较低，不参与调控；其次，使用高斯分布函数按下式计算开始充电时刻的荷电状态，计算表达式如下：
再次，按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc (20)
然后，按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
最后，按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度及电价补偿四个信息作为输入，通过构建的隶属度函数得到输出，即是否参与调控。
若参与，该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段。依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
根据新的充电负荷数据库进行LSTM神经网络预测，预测方法如上所述，可以得到三天考虑用户行为决策后的负荷预测曲线图，如图11所示。
将两曲线进行对比，可以获得常规负荷调控容量，如图12所示。进一步的，对用户行为决策的影响权重进行改变，可以分别得到最大负荷调控容量及最小负荷调控容量。
从常规符合调控容量对比图可以得出以下结论，考虑用户行为决策的LSTM神经网络预测模型相对于常规预测，其日间峰值更低，负荷高峰期持续时间更短，且有效填补了日间负荷高低峰之间的空余部分，夜间负荷低谷期有效进行调控，实现了削峰填谷的目标。
目前在评估可调控潜力时考虑的用户行为单一化，在参数设置上为主观化的，在仿真场景上为理想化的，无法有效体现出用户决策过程中的动态变化和随机变化，无法展现出内外部因素对不同职业人群，不同出行情况，不同使用场景下的影响程度，因此无法体现电动汽车用户决策影响电动汽车充放电的重要性。本发明在对电动汽车的出行特征、时间特征、电量特征进行分析过程中，进一步考虑用户自身的内部特征和其所处的外部特征，对用户选择充放电行为的影响因素进行分析，重点分析用户决策的动态变化和随机变化，针对影响电动汽车参与需求响应的多源因素间的耦合关系问题进行分析，考虑各因素间的互动联系，构建影响因素的动态变化逻辑体系，有效挖掘内外部因素影响用户决策的潜力。
以上所述的内容为本发明充电站负荷可调潜力评估方法对某居民区充电站负荷调控潜力进行评估的示例，然而此方法可扩展至任意类型充电站，有较强的适用性。
本发明在构建神经网络训练模型时，首先对比分析不同神经网络算法的训练效果，选择了最优的LSTM神经网络，该网络能有效进行时序预测；进一步对比分析了隐藏层数量对训练效果的影响，当隐藏层数量为2层时，其训练效果较好，且训练时间相较其余层数较短。
本发明构建了用户行为隶属度函数，考虑影响用户参与调控的内外部因素及其动态变化过程。由于目前在评估可调控潜力时考虑的用户行为单一化，参数设置主观化，因此本发明构建了一种多输入单输出的隶属度行为模型，基于四种内外部影响因素对用户参与调控进行模糊判断，通过数学模型将用户选择过程中的复杂变化过程进行合理表达。
另一方面，本发明基于构建的用户行为隶属度函数以及已有数据库，通过蒙特卡洛模拟生成新数据库。聚合商对选择参与调控的用户进行充电时段控制，在停驶时段内生成新充电计划，在满足用户充电需求的同时实现电网负荷的削峰填谷需求。
实施例3
请参阅图13，本发明另一实施例还提出一种充电站负荷可调潜力评估系统，包括数据库构建模块1、未加入用户选择的负荷曲线预测模块2、数据库更新模块3以及评估模块4，各模块的主要功能及用途体现在以下方面：
数据库构建模块1，用于对实际充电数据进行筛选和预处理，构建数据库；
未加入用户选择的负荷曲线预测模块2，用于使用LSTM神经网络对所述数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
数据库更新模块3，用于通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
评估模块4，用于对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
在一种可能的实施方式中，数据库构建模块1对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
更进一步的，数据库构建模块1对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
更进一步的，数据库构建模块1对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
在一种可能的实施方式中，未加入用户选择的负荷曲线预测模块2对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
进一步的，数据库更新模块3建立用户选择隶属度函数的过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
更进一步的，数据库更新模块3读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；
使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
实施例4
本发明一实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的充电站负荷可调潜力评估方法。所述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。为了便于说明，以上内容仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的，可以存储在各种电子设备形成的存储装置当中，能够实现本发明实施例方法记载的执行过程。
实施例5
本发明一实施例还提出一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1所述的充电站负荷可调潜力评估方法。同样，为了便于说明，以上仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种充电站负荷可调潜力评估方法，其特征在于，包括：
使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
2.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于：所述的数据库通过对实际充电数据进行筛选和预处理构建，所述对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
3.根据权利要求2所述的充电站负荷可调潜力评估方法，其特征在于，所述针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集包括：
对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
4.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于，所述使用LSTM神经网络对所述数据库进行分析，对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
5.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于，所述的用户选择隶属度函数的建立过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
6.根据权利要求5所述的充电站负荷可调潜力评估方法，其特征在于，所述通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，以此得到新的充电负荷数据库的过程如下：
读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；
使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
7.一种充电站负荷可调潜力评估系统，其特征在于，包括：
未加入用户选择的负荷曲线预测模块，用于使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；
数据库更新模块，用于通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；
评估模块，用于对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。
8.根据权利要求7所述的充电站负荷可调潜力评估系统，其特征在于：所述的数据库由数据库构建模块通过对实际充电数据进行筛选和预处理构建；所述数据库构建模块对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。
9.根据权利要求8所述的充电站负荷可调潜力评估系统，其特征在于：所述数据库构建模块对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：
所述数据库构建模块对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：
式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Dataleft、Dataright为相邻两充电数据。
10.根据权利要求7所述的充电站负荷可调潜力评估系统，其特征在于，所述未加入用户选择的负荷曲线预测模块对电动汽车充电负荷进行预测的步骤包括：
读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；
对数据库中的数据按训练数据和测试数据进行分区；
按下式将训练数据标准化为具有零均值和单位方差的标准化数据：
式中，u为标准化数据的均值，N为训练数据的总数，DataTraini为每一个具体训练数据，S为标准化数据的方差；
定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；
使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；
对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。
11.根据权利要求7所述的充电站负荷可调潜力评估系统，其特征在于，所述数据库更新模块建立用户选择隶属度函数的过程如下：
添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；
各输入信息的判别依据分别如下：
电价补偿：
荷电状态：
电量焦虑：
电价敏感程度：
添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；
按照隶属度函数规则获取隶属度模型输出；
通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。
12.根据权利要求11所述的充电站负荷可调潜力评估系统，其特征在于，所述数据库更新模块读取原充电开始时刻及充电结束时刻，找出充电时段小于阈值的充电场景不参与调控；
使用高斯分布函数按下式计算开始充电时刻的荷电状态：
按下式计算电量焦虑值，电量焦虑值为随着荷电状态变化的线性相关函数：
f(nervous)＝10-soc
按下式计算电价敏感程度，电价敏感程度为[0-10]均匀分布，且同一辆车的电价敏感程度在不同日期内相同：
按下式计算电价补偿，电价补偿为[0-10]均匀分布，越高补偿越多：
将开始充电时刻的荷电状态、电量焦虑值、电价敏感程度以及电价补偿四个信息作为输入，通过预先建立的用户选择隶属度函数得到输出信息，若输出信息为接受调控，则该充电段调控至当天行程结束后至第二天出行前的停车时段，停车起始时刻及结束时刻根据概率分布函数生成，调控至停车时段内任意时段；依据以上规则，对已有充电负荷时间序列进行预测，得到新的充电负荷数据库。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的充电站负荷可调潜力评估方法。
14.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的充电站负荷可调潜力评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103054.5A CN114202253A (zh) | 2022-01-27 | 2022-01-27 | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210103054.5A CN114202253A (zh) | 2022-01-27 | 2022-01-27 | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114202253A true CN114202253A (zh) | 2022-03-18 |
Family
ID=80658866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210103054.5A Pending CN114202253A (zh) | 2022-01-27 | 2022-01-27 | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202253A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759418A (zh) * | 2022-11-16 | 2023-03-07 | 重庆电力交易中心有限公司 | 一种电力零售用户的可调容量预测方法及系统 |
| CN116757877A (zh) * | 2023-08-22 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及系统 |
| CN116914760A (zh) * | 2023-06-21 | 2023-10-20 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于随机森林算法的新型电力系统柔性负荷响应潜力量化评估方法 |
| CN116910637A (zh) * | 2023-04-03 | 2023-10-20 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
-
2022
- 2022-01-27 CN CN202210103054.5A patent/CN114202253A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759418A (zh) * | 2022-11-16 | 2023-03-07 | 重庆电力交易中心有限公司 | 一种电力零售用户的可调容量预测方法及系统 |
| CN116910637A (zh) * | 2023-04-03 | 2023-10-20 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
| CN116910637B (zh) * | 2023-04-03 | 2024-04-26 | 山东科技大学 | 基于改进的iga-rbf神经网络短期负荷预测方法 |
| CN116914760A (zh) * | 2023-06-21 | 2023-10-20 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于随机森林算法的新型电力系统柔性负荷响应潜力量化评估方法 |
| CN116914760B (zh) * | 2023-06-21 | 2024-07-09 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力系统柔性负荷响应潜力量化评估方法 |
| CN116757877A (zh) * | 2023-08-22 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及系统 |
| CN116757877B (zh) * | 2023-08-22 | 2023-11-28 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114202253A (zh) | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 | |
| CN108491969B (zh) | 基于大数据的空间负荷预测模型构建方法 | |
| Muelder et al. | One theory-many formalizations: Testing different code implementations of the theory of planned behaviour in energy agent-based models | |
| CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
| CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
| CN109408848A (zh) | 一种考虑径流演变时空异质性的分布式归因方法 | |
| CN110781947A (zh) | 用电负荷预测模型训练、用电负荷预测方法及装置 | |
| CN111325315A (zh) | 基于深度学习的配变停电电量损失预测的方法 | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
| CN114462683A (zh) | 基于联邦学习的云边协同多居民区负荷预测方法 | |
| Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
| CN111784019A (zh) | 电力负荷处理方法和装置 | |
| CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
| CN116740949B (zh) | 基于持续学习的时空因果预测的城市交通数据预测方法 | |
| Pilát | Controlling the charging of electric vehicles with neural networks | |
| Raju et al. | Micro-simulation of residential location choice and its variation | |
| Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
| CN113537607B (zh) | 停电预测方法 | |
| Li et al. | Spatiotemporal charging demand models for electric vehicles considering user strategies | |
| CN112766533A (zh) | 一种基于多策略改进gwo_bp神经网络的共享单车需求预测方法 | |
| CN111210088B (zh) | 一种基于时空因素的交通状态指数预测方法 | |
| CN114048886A (zh) | 基于神经网络的有效泊位组合预测方法、终端及存储介质 | |
| Li et al. | Construction Technology Safety Management under the Background of BIM and Information System Modeling | |
| Ozbay et al. | Application of stochastic learning automata for modeling departure time and route choice behavior |
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 |