CN114418174A - 电动汽车充电负荷预测方法 - Google Patents
电动汽车充电负荷预测方法 Download PDFInfo
- Publication number
- CN114418174A CN114418174A CN202111519006.6A CN202111519006A CN114418174A CN 114418174 A CN114418174 A CN 114418174A CN 202111519006 A CN202111519006 A CN 202111519006A CN 114418174 A CN114418174 A CN 114418174A
- Authority
- CN
- China
- Prior art keywords
- charging
- load
- nodes
- prediction
- electric vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 9
- 125000004432 carbon atom Chemical group C* 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了电动汽车充电负荷预测方法,包括:建立影响电动汽车充电站负荷的特征集合,根据最大信息系数选择得到构建图G(V,E)的节点;计算各节点间的互信息,选择互信息较大的k个节点建立邻接关系,构建邻接矩阵;将邻接矩阵、图G(V,E)的节点输入GCN网络模型中进行预测,得到预测结果。通过分析影响电动汽车充电负荷的特征变量,获取特征变量的邻接矩阵,采用GCN网络模型进行负荷预测,能提高电动汽车充电负荷的预测精度,有利于电力系统的运行调度,同时还可以为充电设施选址以及城市规划提供重要依据,削减电网成本,提高充电用户满意度及提高充电站的经济效益。
Description
技术领域
本发明属于电力负荷预测方法技术领域,涉及一种电动汽车充电负荷预测方法。
背景技术
随着经济社会的不断发展和城市规模的不断扩大,人类对以石油为代表的资源需求与日俱增,能源危机和环境问题日益凸显。交通领域构成了石油消费的主要份额,目前占石油消费量的一半以上。和其他领域相比,交通领域的温室气体排放量增速明显。近年来随着汽车保有量近乎指数级的增长,节能减排压力巨大。截至2020年底,中国水电、风电、光伏发电、生物质发电已经分别连续16年、11年、6年和3年稳居全球首位。 2010年以来,中国新能源汽车快速增长,销量占全球新能源汽车的超50%,目前中国也是全球新能源汽车保有量最多的国家,电动汽车产业化能有效解决环境污染和能源消耗的问题。大规模电动汽车的随机性充电需求对于电力系统安全和稳定是一个巨大的挑战。预测电动汽车充电需求可以为电力系统的运行调度提供重要参考,同时还为充电设施选址以及城市规划提供重要依据。目前,电动汽车充电需求预测的主要研究方法分为两大类:基于模型驱动和基于数据驱动的预测方法,研究人员在前者方法上已取得丰硕的成果,而后者方法的研究还处于探索阶段。模型驱动方法利用数理统计建立概率模型,在此基础上采用蒙特卡洛模拟法进行预测。此类方法因为缺乏真实数据支撑,难以反映现实情况。
随着大数据时代的到来,基于数据驱动的预测方法得到了更多的重视。有学者研究了决策树、人工神经网络和支持向量回归等机器学习方法在电动汽车充电需求预测中的应用,证明了数据驱动预测方法较模型驱动方法预测精度更高。但对于单一充电站,因其体量小,负荷波动性大,受周围充电站影响较大,单纯采用时序预测导致预测精度较低。
发明内容
本发明的目的是提供一种电动汽车充电负荷预测方法,解决了现有技术中存在的预测精度较低的问题。
本发明所采用的技术方案是,电动汽车充电负荷预测方法,包括以下步骤:
步骤1、建立影响电动汽车充电站负荷的特征集合,根据最大信息系数选择得到构建图G(V,E)的节点;
步骤2、计算各节点间的互信息,选择互信息较大的k个节点建立邻接关系,构建邻接矩阵;
步骤3、将邻接矩阵、图G(V,E)的节点输入GCN网络模型中进行预测,得到预测结果。
还包括步骤4,采用平均绝对误差、均方根误差、决定系数作为评价指标对预测结果进行分析。
本发明的特点还在于:
特征集合包括温度、湿度、气压、电价、天气、风力、日期。
根据最大信息系数选择得到构建图G(V,E)的节点具体过程为:对温度、湿度、气压、电价、目标充电站充电负荷进行归一化,对天气、风力、日期进行量化,得到特征变量,再通过最大信息系数选出与目标充电站充电负荷具有较强相关性的特征变量作为构建图G(V,E)的节点。
邻接矩阵A表示为:
本发明的有益效果是:
本发明的电动汽车充电负荷预测方法,通过分析影响电动汽车充电负荷的特征变量,获取特征变量的邻接矩阵,采用GCN网络模型进行负荷预测,能提高电动汽车充电负荷的预测精度,有利于电力系统的运行调度,同时还可以为充电设施选址以及城市规划提供重要依据,削减电网成本,提高充电用户满意度及提高充电站的经济效益。
附图说明
图1是本发明电动汽车充电负荷预测方法的流程图;
图2是本发明电动汽车充电负荷预测方法中GCN提取空间特征示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
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、建立影响电动汽车充电站负荷的特征集合如表1,根据最大信息系数选择得到构建图G(V,E)的节点;
表1特征集合
特征 | 单位 |
温度 | ℃ |
湿度 | % |
气压 | Pa |
天气类型 | / |
风力 | / |
日期类型 | / |
目标充电站电价 | 元/千瓦时 |
周围充电站负荷 | kW |
周围充电站电价 | 元/千瓦时 |
特征集合包括温度、湿度、气压、电价、天气、风力、日期。为了方便研究各影响因素对电动汽车充电负荷的影响,首先要对各影响因素进行量化处理,由于温度、湿度、电价等本身就是数值类型的数据,无需实施量化,所以采用标准化处理对温度、湿度、气压、电价、目标充电站充电负荷进行归一化,具体计算公式如下:
上式中,x,z分别为处理前后数据,μ是数据集的均值,σ是数据集的标准差。
对天气、风力、日期进行量化,得到特征变量,具体如下:
量化天气类型
晴、阴、多云、小雨、中雨、大雨、小雪、中雪、大雪是天气状况经过量化后的类型。通过综合分析西安市的负荷特性情况,将所有天气状况量化,得到的结果:0.1代表大雪,0.2代表中雪,0.3代表小雪,0.4代表大雨,0.5 代表中雨,0.6代表小雨,0.8、0.9和1分别代表阴天、多云和晴天。
量化风力类型
一级,二级,三级,四级,五级,六级,七级是风力状况经过量化后的类型。将所有风力状况量化,得到的结果:0.1代表一级风力,0.2代表二级风力,0.3代表三级风力,0.4代表四级风力,0.5代表五级风力,0.6代表六级风力,0.7代表七级风力。
量化日期类型
将所有天数归于两种类型:工作日,非工作日。将其进行量化,得到的结果:0.1代表工作日,0.2代表非工作日。
再通过最大信息系数MIC选出与目标充电站充电负荷具有较强相关性的特征变量作为构建图G(V,E)的节点。
上式中,Ω(x,y)表示大小为xy的二维网格集合,X(G),Y(G)表示基于网格Ω(x,y)的离散变量,I(X(G),Y(G))表示其互信息,B为最大网格数,建议取 B=n0.6。
通过分析可以认为与目标充电站充电负荷的相关性在0.3以上的系统参数与目标充电站充电负荷具有相关性;相关系数在0.6以上,表明与目标充电站充电负荷具有较强的相关性。因此可以使用相关性在0.3以上的当前变量作为构建图G(V,E)的节点,图G=(V,E)由顶点集合V和边集合E构成。
步骤2、计算各节点间的互信息,选择互信息较大的k个节点建立邻接关系,构建邻接矩阵A;
步骤2.1、计算各节点间的互信息,两个离散随机变量X和Y的互信息通过下式表示:
上式中,p(x,y)为随机变量(X,Y)的联合分布,p(x),p(y)为随机变量(X,Y) 的边缘分布。
步骤2.2、选择互信息较大的k个节点作为邻接节点,建立邻接关系,得到邻接矩阵A;k值的大小不同,整个图的联系紧密程度也不同。当k取值较小,图上的节点邻接关系稀疏,无法深度的融合相关性节点之间的特征信息;当k取值较大,邻接关系则过于稠密,过度融合相关性不强的变量之间的特征信息,因此k的选择不同会影响预测模型的预测效果。采用实验误差法设置不同的最近邻变量选择个数k,进行GCN预测模型的训练学习,并计算预测指标选择合理的k值;
步骤3、将图G(V,E)的节点、邻接矩阵A输入GCN网络模型中进行预测,得到预测结果;
图卷积神经网络利用图的边与顶点连接的结构信息以及附属于图结构的属性信息,对隐含的图信息进行抽取。GCN网络模型中的图卷积分层传播公式可表示为:
X(l+1)=σ[D-1/2 AD-1/2 X(l) W(l)] (5);
上式中,A=A+IN,IN为n阶单位矩阵,D是图的度矩阵,D=∑A,σ为激活函数,X(l)是第l层网络的输入,W为需要训练的权重矩阵;
在预测之前,需要GCN网络模型进行训练,训练过程中采用实验误差法,分别设置GCN层数为1-3层。第一层GCN的输出矩阵成为第二层GCN 新的节点特征矩阵,通过若干层GCN网络进行特征信息融合和维度变换,在每个节点特征与其邻接的节点特征进行融合后,结果作为全连接矩阵的输入,最终得出预测值,并计算预测指标选择合理的层数。
图卷积神经网络关注的是图中以某节点为中心,k阶邻居之内的信息,对于每个节点,其上的滤波器参数是共享的。单层GCN只能提取一阶邻居的信息。为了提取图中更广泛节点的信息,可以通过堆积多层图卷积神经网络实现。具体为,如图2所示,单层GCN可被用于提取中心点①临近顶点②、③、④、⑤上的信息,通过多层堆积,卷积层感受域随着卷积层的增加而变大并获得更加抽象的信息表示。图中,经过两层GCN,中心点①获得了临近顶点②、③、④、⑤、⑥、⑦、⑧、⑨上的信息,经过三层GCN,中心点①获得了临近顶点②、③、④、⑤、⑥、⑦、⑧、⑨、⑩上的信息。
步骤4、采用平均绝对误差MAE、均方根误差RMSE、决定系数R2作为评价指标对所述预测结果进行分析。
上式中,为样本预测值,yi为样本测量值,为样本均值,MAE考虑实际应用时的允许误差,RMSE最直接的表示模型预测精度,总体来说, MAE、RMSE描述了预测值与实际值的差异程度,R2则描述了预测值与实际值的相似程度。
通过以上方式,本发明的电动汽车充电负荷预测方法,通过分析影响电动汽车充电负荷的特征变量,获取特征变量的邻接矩阵,采用GCN网络模型进行负荷预测,能提高电动汽车充电负荷的预测精度,有利于电力系统的运行调度,同时还可以为充电设施选址以及城市规划提供重要依据,削减电网成本,提高充电用户满意度及提高充电站的经济效益。
Claims (5)
1.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、建立影响电动汽车充电站负荷的特征集合,根据最大信息系数选择得到构建图G(V,E)的节点;
步骤2、计算各节点间的互信息,选择互信息较大的k个节点建立邻接关系,构建邻接矩阵;
步骤3、将所述邻接矩阵、图G(V,E)的节点输入GCN网络模型中进行预测,得到预测结果。
2.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,还包括步骤4,采用平均绝对误差、均方根误差、决定系数作为评价指标对所述预测结果进行分析。
3.根据权利要求1所述的电动汽车充电负荷预测方法,其特征在于,所述特征集合包括温度、湿度、气压、电价、天气、风力、日期。
4.根据权利要求3所述的电动汽车充电负荷预测方法,其特征在于,根据最大信息系数选择得到构建图G(V,E)的节点具体过程为:对所述温度、湿度、气压、电价、目标充电站充电负荷进行归一化,对所述天气、风力、日期进行量化,得到特征变量,再通过最大信息系数选出与目标充电站充电负荷具有较强相关性的特征变量作为构建图G(V,E)的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519006.6A CN114418174A (zh) | 2021-12-13 | 2021-12-13 | 电动汽车充电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519006.6A CN114418174A (zh) | 2021-12-13 | 2021-12-13 | 电动汽车充电负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418174A true CN114418174A (zh) | 2022-04-29 |
Family
ID=81265004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111519006.6A Pending CN114418174A (zh) | 2021-12-13 | 2021-12-13 | 电动汽车充电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418174A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544309A (zh) * | 2022-09-22 | 2022-12-30 | 中国人民解放军海军航空大学 | 基于gcn的改进最近邻数据互联方法 |
CN115631847A (zh) * | 2022-10-19 | 2023-01-20 | 哈尔滨工业大学 | 基于多组学特征的早期肺癌诊断系统、存储介质及设备 |
CN116702978A (zh) * | 2023-06-07 | 2023-09-05 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN117010567A (zh) * | 2023-08-07 | 2023-11-07 | 大连理工大学 | 基于静态时空图的化工过程动态预测方法 |
CN117010567B (zh) * | 2023-08-07 | 2024-06-28 | 大连理工大学 | 基于静态时空图的化工过程动态预测方法 |
-
2021
- 2021-12-13 CN CN202111519006.6A patent/CN114418174A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544309A (zh) * | 2022-09-22 | 2022-12-30 | 中国人民解放军海军航空大学 | 基于gcn的改进最近邻数据互联方法 |
CN115544309B (zh) * | 2022-09-22 | 2024-03-19 | 中国人民解放军海军航空大学 | 基于gcn的改进最近邻数据互联方法 |
CN115631847A (zh) * | 2022-10-19 | 2023-01-20 | 哈尔滨工业大学 | 基于多组学特征的早期肺癌诊断系统、存储介质及设备 |
CN115631847B (zh) * | 2022-10-19 | 2023-07-14 | 哈尔滨工业大学 | 基于多组学特征的早期肺癌诊断系统、存储介质及设备 |
CN116702978A (zh) * | 2023-06-07 | 2023-09-05 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN116702978B (zh) * | 2023-06-07 | 2024-02-13 | 西安理工大学 | 考虑突发事件特征的电动汽车充电负荷预测方法及装置 |
CN117010567A (zh) * | 2023-08-07 | 2023-11-07 | 大连理工大学 | 基于静态时空图的化工过程动态预测方法 |
CN117010567B (zh) * | 2023-08-07 | 2024-06-28 | 大连理工大学 | 基于静态时空图的化工过程动态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest solar power forecast based on classification optimization | |
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN106651660B (zh) | 基于g1-熵权法寻找电网静态薄弱点的综合评价方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
Lai et al. | Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations | |
Sheng et al. | An optimized prediction algorithm based on XGBoost | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
Zhang et al. | Hybrid model for renewable energy and load forecasting based on data mining and EWT | |
Zhang et al. | A data transfer method based on one dimensional convolutional neural network for cross-building load prediction | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
Lin et al. | A Novel Multi-Model Stacking Ensemble Learning Method for Metro Traction Energy Prediction | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |