CN114638440B - 一种基于充电桩使用度的充电负荷超短期预测方法 - Google Patents

Abstract

一种基于充电桩使用度的充电负荷超短期预测方法，该方法包括以下步骤：S1、获取所有充电桩的充电负荷交易数据；S2、利用密度聚类算法剔除规律异常日的充电负荷，并计算得到充电桩充电负荷的日平均负荷；S3、根据充电桩充电负荷的日平均负荷，计算得到充电桩使用度；S4、融合充电负荷历史数据和充电桩使用度数据形成二维输入数据集；S5、将二维输入数据集输入构建的长短期记忆神经网络模型，经过大量的监督学习训练，并利用训练好的模型开展充电负荷超短期预测。本发明解决了交通拥堵状况对电动汽车充电负荷超短期预测的影响，提高了充电负荷预测的效率和精度。

Description

一种基于充电桩使用度的充电负荷超短期预测方法

技术领域

本发明涉及配电网负荷预测技术领域，尤其涉及一种基于充电桩使用度的充电负荷超短期预测方法。

背景技术

纯电动汽车(electric vehicle，EV)是新能源汽车的最主要实现形式，是促进绿色交通发展和提高城市智能化水平的重要基础。大量的电动汽车接入配电网进行充放电，将导致配电网局部地区功率过载、电压越限等问题。实现纯电动汽车与电网的双向互动(Vehicle to Grid)，可提高电网柔性调节能力，是保障未来城市电动汽车大规模可靠充电的重要举措。

电动汽车充电负荷超短期预测，指的是未来数小时内的充电负荷功率预测，是含充电负荷的配电网优化调度运行策略制定的前提条件。从技术角度来看，电动汽车充电负荷超短期预测也属于电力负荷预测中的研究范畴。电力负荷具有周期性、波动性和随机性。为此，学者提出了不同的处理方法来开展电力负荷预测。这些电力负荷预测方法主要分为基于模型驱动和基于数据驱动的两类方法。基于模型驱动的方法试图建立电力负荷与外界影响因素的线性或非线性的确定性表达式，并根据形成的表达式完成负荷预测，如典型的多元线性回归法和多元非线性回归方法，此类方法多用于中长期电力负荷预测，效果较好。但在处理短期和超短期电力负荷预测时，由于短期负荷受影响因素众多，且外界影响因素很难及时获取自身预测值，因此目前主要是基于数据驱动方法来实现电力负荷短期及超短期负荷预测，主要包括经典的回归分析法和时间序列法，传统的相似日法、指数平滑法、灰色预测法等方法，以及智能的专家系统法、人工神经网络法、模糊预测法等。传统与经典的短期负荷预测方法可以获得一定的短期和超短期负荷预测精度，目前广泛应用于省市地区的电力负荷预测中。但其实现需要借助丰富的人工经验，且无法挖掘用电负荷序列中的深层次非线性关系，预测精度始终无法进一步提高。基于人工智能方法的电力负荷短期预测得到广大学者的重视，是目前的研究热点。

如果不考虑交通因素，则电动汽车充电负荷的超短期与传统电力负荷的预测方法一致。但实际情况表明，电动汽车充电负荷的时间特性会受到充电桩周边交通情况的直接影响，将上述方法应用于电动汽车充电负荷超短期预测时，将面临适用性问题。为解决此问题，现有研究根据蒙特卡洛方法建立了各用途电动汽车的时空转移模型，根据电动汽车出行路径模拟来形成各充电站的充电负荷典型日曲线。为了考虑交通因素对充电负荷的影响，还有方法提出将道路等级和各时段交通信息建立电动汽车的行驶速度，并与电动汽车的荷电状态进行关联，据此形成了融合多源信息的考虑用户出行行为和充电需求的电动汽车充电负荷预测模型。上述方法均属于基于模型驱动的电动汽车充电负荷预测方法，究其原因是此前电动汽车充电负荷历史数据较少，研究的目的主要是为了得出电动汽车充电负荷对配电网的影响。这些方法可以从机理层面快速得到各区域充电负荷的典型曲线，但无法进一步提高预测精度，且如何获取全局交通信息的原点—终点(OD)矩阵也是一项非常具有挑战性的任务。但随着电动汽车接入的广泛性，V2G技术将得到实际应用，此时电动汽车充电站的超短期负荷预测准确度的提高成为亟待解决的问题。与传统电力负荷类似，数据驱动方法成为提高电动汽车充电负荷超短期负荷预测的准确度的有利工具。如何考虑交通流对充电行为的影响，借此提高基于数据驱动的电动汽车充电负荷预测的精度，是开展电动汽车充电负荷超短预测的难点。

发明内容

本发明的目的是克服现有技术中存在的预测效率和精度低的缺陷与问题，提供一种预测效率和精度高的基于充电桩使用度的充电负荷超短期预测方法。

为实现以上目的，本发明的技术解决方案是：一种基于充电桩使用度的充电负荷超短期预测方法，该方法包括以下步骤：

S1、获取所有充电桩的充电负荷交易数据；

S2、利用密度聚类算法剔除规律异常日的充电负荷，并计算得到充电桩充电负荷的日平均负荷；

S3、根据充电桩充电负荷的日平均负荷，计算得到充电桩使用度；

S4、融合充电负荷历史数据和充电桩使用度数据形成二维输入数据集；

S5、将二维输入数据集输入构建的长短期记忆神经网络模型，经过大量的监督学习训练，并利用训练好的模型开展充电负荷超短期预测。

步骤S2具体包括以下步骤：

S21、对获取的待分析区域内所有充电桩的充电负荷交易数据进行处理，得到历史N日的待分析区域内所有充电桩的充电负荷时间序列，则待分析区域内距离待预测日第i天在t时刻的总充电负荷P_i，t为：

式中，e为待分析区域内所有充电桩的数量，P_m，i，t为距离待预测日第i天的第m个充电桩在t时刻的充电负荷；

S22、利用具有噪声的密度聚类算法，对待分析区域内历史N日的充电负荷进行聚类分析，剔除规律异常日的历史日充电负荷曲线；

S23、计算剔除规律异常日后的历史N_a日下各充电桩充电负荷的日平均负荷：

式中，

为第m个充电桩历史日N_a在t时刻的充电负荷平均值，P_m，k，t为距离待预测日第j天的第m个充电桩在t时刻的充电负荷，R为剔除规律异常日的历史日充电负荷曲线后剩余的N_a日充电负荷；

S24、待分析区域内所有充电桩充电负荷的日平均负荷组成日充电负荷矩阵

为：

式中，w为日充电负荷离散化下的总采样数；

分别为第e个充电桩日平均充电负荷在第1个采样点、第2个采样点和第w个采样点。

步骤S21中，将充电负荷交易数据按起止时间排序为一列，对充电负荷交易数据进行插值补充。

步骤S3具体包括以下步骤：

S31、对日充电负荷矩阵

中的任意日充电负荷P_load进行编码：

式中，P_max为日充电负荷矩阵中的最大值，P_min为日充电负荷矩阵中的最小值，NI为从日充电负荷矩阵中的最小值到最大值之间拟分割的区间数，round(x)代表对x进行向下取整，m(P_load)代表任意日充电负荷P_load对应的所在分割区间，C(P_load)代表任意日充电负荷P_load的编码值，a和b为编码函数的两个系数；

经过编码后，日充电负荷矩阵

转换为编码矩阵C_en为：

S32、计算待分析区域内所有充电桩的编码矩阵C_all，作为待分析区域内充电桩使用度的量化计算公式：

C_all＝[C_all(1) C_all(2) … C_all(w)]

式中，C_all(1)、C_all(2)、C_all(w)分别为待分析区域内充电桩使用度每天中的第1个采样点、第2个采样点和第w个采样点；

待分析区域内充电桩使用度每天中的第i个采样点计算公式为：

式中，

为第j个充电桩在i时刻的充电负荷的编码值。

步骤S4中，融合待分析区域内的充电负荷历史数据和得到的充电桩使用度数据，形成二维输入数据集IN_put，如下式所示：

式中，P_Na为剔除规律异常日后的所有N_a日中距离待预测日N_a日的充电负荷所有采样序列；P_Na-1为剔除规律异常日后的所有N_a日中距离待预测日N_a-1日的充电负荷所有采样序列；P₁为剔除规律异常日后的所有N_a日中待预测日前1天的充电负荷所有采样序列；C_all(N_a)、C_all(N_a-1)、C_all(1)分别为剔除规律异常日后的所有N_a日中距离待预测日N_a日、N_a-1日、1日的充电桩使用度序列。

步骤S5具体包括以下步骤：

S51、构建长短期记忆神经网络模型，该模型包含2层隐含层，每层隐含层包含20个神经单元，模型的学习率为0.1；

S52、将步骤S4中的二维输入数据集IN_put转换为监督学习数据集；

S53、利用监督学习数据集来训练和开展充电负荷的超短期预测。

与现有技术相比，本发明的有益效果为：

本发明一种基于充电桩使用度的充电负荷超短期预测方法中，先利用密度聚类算法剔除规律异常日的充电负荷，并计算得到待分析区域内各充电桩充电负荷的日平均负荷，再对充电桩充电负荷进行编码，得出待分析区域内所有充电桩使用度的编码，然后将充电桩使用度以及充电负荷历史数据输入构建的长短期记忆神经网络，经过大量的监督学习训练，形成电动汽车充电负荷超短期深度学习预测模型；上述设计解决了交通拥堵状况对电动汽车充电负荷超短期预测的影响，提高了充电负荷预测的效率和精度。

附图说明

图1是本发明一种基于充电桩使用度的充电负荷超短期预测方法的流程图。

图2是本发明的实施例中的待分析区域总充电负荷的变化曲线。

图3是本发明的实施例中的所有充电桩平均用电负荷在1月对应的充电桩使用度曲线。

图4是本发明的实施例中的所有充电桩平均用电负荷在10月对应的充电桩使用度曲线。

具体实施方式

以下结合附图说明和具体实施方式对本发明作进一步详细的说明。

参见图1，一种基于充电桩使用度的充电负荷超短期预测方法，该方法包括以下步骤：

S1、获取所有充电桩的充电负荷交易数据；

S2、利用密度聚类算法剔除规律异常日的充电负荷，并计算得到充电桩充电负荷的日平均负荷；具体包括以下步骤：

S21、对获取的待分析区域内所有充电桩的充电负荷交易数据进行处理，得到历史N日的待分析区域内所有充电桩的充电负荷时间序列，则待分析区域内距离待预测日第i天在t时刻的总充电负荷P_i，t为：

式中，e为待分析区域内所有充电桩的数量，P_m，i，t为距离待预测日第i天的第m个充电桩在t时刻的充电负荷；

将充电负荷交易数据按起止时间排序为一列，用交易电量除以充电时间来表示该阶段的平均充电负荷；每天的充电交易数据起止时间比较随机，时间长度也不一致，不利于聚类分析和充电负荷预测研究，故需对充电负荷交易数据进行插值补充；实际数据表明，存在较多持续时间为数分钟的临时充电行为，故充电负荷数据插值补充时间尺度为1分钟，两个充电负荷交易数据之间的充电负荷插值补充为零，充电负荷交易数据内的充电负荷数据插值补充为固定值；

S22、利用具有噪声的密度聚类算法，对待分析区域内历史N日的充电负荷进行聚类分析，剔除规律异常日的历史日充电负荷曲线；

S23、计算剔除规律异常日后的历史N_a日下各充电桩充电负荷的日平均负荷：

式中，

为第m个充电桩历史日N_a在t时刻的充电负荷平均值，P_m，k，t为距离待预测日第k天的第m个充电桩在t时刻的充电负荷，R为剔除规律异常日的历史日充电负荷曲线后剩余的N_a日充电负荷；

S24、待分析区域内所有充电桩充电负荷的日平均负荷组成日充电负荷矩阵

为：

式中，w为日充电负荷离散化下的总采样数；

分别为第e个充电桩日平均充电负荷在第1个采样点、第2个采样点和第w个采样点；

S3、根据充电桩充电负荷的日平均负荷，计算得到充电桩使用度；具体包括以下步骤：

S31、每个充电桩的日平均充电负荷在非常大的范围内波动，无法直接作为基于深度学习的充电负荷预测模型的输入量，因此，对日充电负荷矩阵

和的任意日充电负荷P_load进行编码：

式中，P_max为日充电负荷矩阵中的最大值，P_min为日充电负荷矩阵中的最小值，NI为从日充电负荷矩阵中的最小值到最大值之间拟分割的区间数，round(x)函数代表对x进行向下取整，m(P_load)代表任意日充电负荷P_load对应的所在分割区间，C(P_load)代表任意日充电负荷P_load的编码值，a和b为编码函数的两个系数；按将每个日充电负荷编码为1到100之间的数值为原则确定a和b的值；

经过编码后，日充电负荷矩阵

转换为编码矩阵C_en为：

S32、计算待分析区域内所有充电桩的编码矩阵C_all，作为待分析区域内充电桩使用度的量化计算公式：

C_all＝[C_all(1) C_all(2) … C_all(w)]

式中，C_all(1)、C_all(2)、C_all(w)分别为待分析区域内充电桩使用度每天中的第1个采样点、第2个采样点和第w个采样点；

待分析区域内充电桩使用度每天中的第i个采样点计算公式为：

式中，

为第j个充电桩在i时刻的充电负荷的编码值；

S4、融合待分析区域内的充电负荷历史数据和得到的充电桩使用度数据，形成二维输入数据集IN_put，如下式所示：

式中，P_Na为剔除规律异常日后的所有N_a日中距离待预测日N_a日的充电负荷所有采样序列；P_Na-1为剔除规律异常日后的所有N_a日中距离待预测日N_a-1日的充电负荷所有采样序列；P₁为剔除规律异常日后的所有N_a日中待预测日前1天的充电负荷所有采样序列；C_all(N_a)、C_all(N_a-1)、C_all(1)分别为剔除规律异常日后的所有N_a日中距离待预测日N_a日、N_a-1日、1日的充电桩使用度序列；

S5、将二维输入数据集输入构建的长短期记忆神经网络模型，经过大量的监督学习训练，并利用训练好的模型开展充电负荷超短期预测；具体包括以下步骤：

S51、构建长短期记忆神经网络模型，该模型包含2层隐含层，每层隐含层包含20个神经单元，模型的学习率为0.1；选取上述学习率来控制模型的学习进度，避免过长的网络学习时间以及神经网络的不收敛；采用MAPE作为LSTM网络成本函数，以减小预测结果的MAPE；使用Adam优化器进行优化训练；

S52、将步骤S4中的二维输入数据集IN_put转换为监督学习数据集，其中，时间步长取为k，输出的超短期负荷预测结果为下一个点；

S53、利用监督学习数据集来训练和开展充电负荷的超短期预测，其中，监督学习数据集中的r×N_a日数据为训练集，(1-r)×N_a日为充电负荷测试集。

收集中部某城市由国家电网公司直接运营的所有充电站和充电桩的充电负荷交易数据，时间由2018年1月1日至2021年12月31日。整个充电负荷交易数据约200万条，每条数据含9列数据，分别为月份、桩号、站名、电量、服务费、交易金额、开始时间和结束时间。

为便于验证本发明所提方法的有效性，选取该城市某行政区内的88个充电桩充电负荷进行分析和预测。

采用本发明所提方法，得到该区域总充电负荷的变化曲线，如图2所示；得到该区域一月份充电桩使用度的量化分析参数，如表1所示；得到该区域所有充电桩平均用电负荷在1月和10月对应的充电桩使用度曲线，如图3和图4所示。

表1某市行政区充电桩充电负荷区间个数分布和编码情况

区间	个数	编码值	区间	个数	编码值
						0-0.049	2873	1	0.450-0.949	209	14.5
0.050-0.149	333	2.5	0.950-1.699	222	27
						0.150-0.249	191	4.5	1.700-7.699	240	94.5
0.250-0.449	156	7.5

为对比验证本发明所提方法的先进性，选用基准方法为仅将充电桩充电负荷历史数据作为输入变量，开展LSTM模型的训练以及后续充电负荷的超短期预测，后续命名为传统LSTM预测方法；本发明所提方法则将充电桩使用度和充电桩充电负荷历史数据组成的二维输入数据集送入LSTM模型中开展训练，并开展预测工作。

为论证本发明所提方法的有效性，对传统LSTM预测方法和本发明所提方法均独立开展30次模型训练及充电负荷的超短期预测，并计算得出30次充电负荷超短期预测结果的平均值。从计算结果可以得出，本发明所提方法得到的电动汽车充电负荷超短期预测结果相比于传统LSTM预测方法的结果的预测精度要高，本发明所提方法的预测结果MAPE值为28.9％，而传统LSTM预测方法所得结果的MAPE为33.1％，预测精度提高了近5个百分点。

Claims (4)

1.一种基于充电桩使用度的充电负荷超短期预测方法，其特征在于，该方法包括以下步骤：

S1、获取所有充电桩的充电负荷交易数据；

S2、利用密度聚类算法剔除规律异常日的充电负荷，并计算得到充电桩充电负荷的日平均负荷；具体包括以下步骤：

S21、对获取的待分析区域内所有充电桩的充电负荷交易数据进行处理，得到历史N日的待分析区域内所有充电桩的充电负荷时间序列，则待分析区域内距离待预测日第i天在t时刻的总充电负荷P_i，t为：

式中，e为待分析区域内所有充电桩的数量，P_m，i，t为距离待预测日第i天的第m个充电桩在t时刻的充电负荷；

S22、利用具有噪声的密度聚类算法，对待分析区域内历史N日的充电负荷进行聚类分析，剔除规律异常日的历史日充电负荷曲线；

S23、计算剔除规律异常日后的历史N_a日下各充电桩充电负荷的日平均负荷：

式中，

为第m个充电桩历史日N_a在t时刻的充电负荷平均值，P_m，k，t为距离待预测日第k天的第m个充电桩在t时刻的充电负荷，R为剔除规律异常日的历史日充电负荷曲线后剩余的N_a日充电负荷；

S24、待分析区域内所有充电桩充电负荷的日平均负荷组成日充电负荷矩阵

为：

式中，w为日充电负荷离散化下的总采样数；

分别为第e个充电桩日平均充电负荷在第1个采样点、第2个采样点和第w个采样点；

S3、根据充电桩充电负荷的日平均负荷，计算得到充电桩使用度；具体包括以下步骤：

S31、对日充电负荷矩阵

中的任意日充电负荷P_load进行编码：

式中，P_max为日充电负荷矩阵中的最大值，P_min为日充电负荷矩阵中的最小值，NI为从日充电负荷矩阵中的最小值到最大值之间拟分割的区间数，round(x)代表对x进行向下取整，m(P_load)代表任意日充电负荷P_load对应的所在分割区间，C(P_load)代表任意日充电负荷P_load的编码值，a和b为编码函数的两个系数；

经过编码后，日充电负荷矩阵

转换为编码矩阵C_en为：

S32、计算待分析区域内所有充电桩的编码矩阵C_all，作为待分析区域内充电桩使用度的量化计算公式：

C_all＝[C_all(1) C_all(2)…C_all(w)]

式中，C_all(1)、C_all(2)、C_all(w)分别为待分析区域内充电桩使用度每天中的第1个采样点、第2个采样点和第w个采样点；

待分析区域内充电桩使用度每天中的第i个采样点计算公式为：

式中，

为第j个充电桩在i时刻的充电负荷的编码值；

S4、融合充电负荷历史数据和充电桩使用度数据形成二维输入数据集；

S5、将二维输入数据集输入构建的长短期记忆神经网络模型，经过大量的监督学习训练，并利用训练好的模型开展充电负荷超短期预测。

2.根据权利要求1所述的一种基于充电桩使用度的充电负荷超短期预测方法，其特征在于：

步骤S21中，将充电负荷交易数据按起止时间排序为一列，对充电负荷交易数据进行插值补充。

3.根据权利要求1所述的一种基于充电桩使用度的充电负荷超短期预测方法，其特征在于：

步骤S4中，融合待分析区域内的充电负荷历史数据和得到的充电桩使用度数据，形成二维输入数据集IN_put，如下式所示：

式中，P_Na为剔除规律异常日后的所有N_a日中距离待预测日N_a日的充电负荷所有采样序列；P_Na-1为剔除规律异常日后的所有N_a日中距离待预测日N_a-1日的充电负荷所有采样序列；P₁为剔除规律异常日后的所有N_a日中待预测日前1天的充电负荷所有采样序列；C_all(N_a)、C_all(N_a-1)、C_all(1)分别为剔除规律异常日后的所有N_a日中距离待预测日N_a日、N_a-1日、1日的充电桩使用度序列。

4.根据权利要求3所述的一种基于充电桩使用度的充电负荷超短期预测方法，其特征在于：

步骤S5具体包括以下步骤：

S51、构建长短期记忆神经网络模型，该模型包含2层隐含层，每层隐含层包含20个神经单元，模型的学习率为0.1；

S52、将步骤S4中的二维输入数据集IN_put转换为监督学习数据集；

S53、利用监督学习数据集来训练和开展充电负荷的超短期预测。

Images