CN116885698A - 基于多图融合的电动汽车充电站群负荷预测方法及装置 - Google Patents
基于多图融合的电动汽车充电站群负荷预测方法及装置 Download PDFInfo
- Publication number
- CN116885698A CN116885698A CN202310714347.1A CN202310714347A CN116885698A CN 116885698 A CN116885698 A CN 116885698A CN 202310714347 A CN202310714347 A CN 202310714347A CN 116885698 A CN116885698 A CN 116885698A
- Authority
- CN
- China
- Prior art keywords
- charging station
- station group
- space
- matrix
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 102100022622 Alpha-1,3-mannosyl-glycoprotein 2-beta-N-acetylglucosaminyltransferase Human genes 0.000 claims abstract description 13
- 101000972916 Homo sapiens Alpha-1,3-mannosyl-glycoprotein 2-beta-N-acetylglucosaminyltransferase Proteins 0.000 claims abstract description 13
- 101000930003 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Diacylglycerol O-acyltransferase 1 Proteins 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 22
- 239000010410 layer Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多图融合的电动汽车充电站群负荷预测方法及装置，包括：收集充电站群的时序数据和空间拓扑信息；根据空间拓扑信息构建充电站群空间特征关系图；先将充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将空间特征输入GRU提取时间特征，得到预测结果。充分挖掘充电站之间空间维度的信息，提高了充电站群的空间信息交互程度；使用提取空间特征的神经网络和提取时序特征的神经网络相结合的技术，充分有效地利用历史负荷数据和充电站间的网络拓扑结构信息，融合时空信息，考虑的不同角度提升了预测模型的稳定性，降低了多充电站短期负荷预测的误差。
Description
技术领域
本发明属于负荷预测技术领域，涉及基于多图融合的电动汽车充电站群负荷预测方法，还涉及基于多图融合的电动汽车充电站群负荷预测装置。
背景技术
目前，电动汽车充电负荷预测研究主要分为模型驱动方法与数据驱动方法。模型驱动方法通过建立数学模型来推演各种因素影响下的用户行为，模拟充电负荷的时空分布特性，可以利用出行链理论和原点终点(origination-destination，OD)矩阵得到用户出行目的地，再基于后悔理论和蒙特卡洛模型来建立充电负荷预测框架。模型驱动的方法具有较强的通用性和可解释性，但是在建立模型过程中很难全面考虑各种因素的影响。
随着机器学习的发展，基于数据驱动的方法逐渐得到了人们的重视，一些基于机器学习的模型和混合预测模型被引入到负荷预测中，如反向传播神经网络、随机森林学习和支持向量机(SVM)模型。混合预测模型方面有人根据分解算法对充电负荷进行分解，再通过集成学习策略训练得到预测模型；还可以采用卷积神经网络提取特征，再采用LSTM网络算法来预测充电站的短期充电负荷情况。与模型驱动方法相比，数据驱动方法利用实际数据建立预测模型，其预测结果更加接近真实的充电负荷。然而在实际应用中上述方法存在如下不足：统计学方法存在建模复杂的问题，在特征变量和影响因素较多时难以对其耦合关系进行全面的建模；大多数研究没有考虑网络的拓扑信息，只是将充电负荷预测看作是时间序列预测问题，注重挖掘时间维信息，而忽略了不同充电负荷之间的空间维信息以及交通网潜在的空间影响性，导致预测误差较大。
发明内容
本发明的目的是提供一种基于多图融合的电动汽车充电站群负荷预测方法，解决了现有技术中存在的预测误差较大的问题。
本发明所采用的技术方案是，基于多图融合的电动汽车充电站群负荷预测方法，包括以下步骤：
步骤1、收集充电站群的时序数据和空间拓扑信息；
步骤2、根据空间拓扑信息构建充电站群空间特征关系图；
步骤3、先将充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将空间特征输入GRU(门控循环单元)提取时间特征，得到预测结果。
本发明的特点还在于：
步骤1中按照步长n对时序数据进行切割得到时间序列Xt-n,…,Xt-1,Xt，为第i个充电站负荷数据的集合，将其作为特征向量。
步骤2中充电站群空间特征关系图包括距离图、交通网络连接图及相关性图。
步骤2中，距离图用于描述多个充电站间距离的网络拓扑结构，通过邻接矩阵Adis(V,Edis)表示：
上式中，disi,j为i站和j站间的直线距离；
交通网络连接图用于描述充电站周围交通网络的拓扑结构，通过邻接矩阵Gcon(V,Econ)表示：
相关性图用于描述多个充电站间历史负荷的相关性关系，通过邻接矩阵Gvar(V,Evar)表示：
式中，为两变量间的最大信息系数值；
式中，x、y为计算MIC值的两个充电站的历史负荷，log2min(a,b)为标准化尺度。
步骤3具体包括以下步骤：
步骤3.1、将特征向量、充电站群空间特征关系图输入GAT(图注意力网络)层中捕获充电站群空间特征关系图中所有节点特征向量，再利用节点特征向量计算节点与相邻节点之间的注意力系数，并进行加权，得到节点的输出特征向量；
步骤3.2、对充电站群空间特征关系图的邻接矩阵进行加权求和得到加权矩阵，将加权矩阵、节点的输出特征向量输入GAT层进行融合，得到多图融合特征，即空间特征；
步骤3.3、将多图融合特征输入GRU进行预测，得到预测结果。
步骤3.1具体包括以下步骤：
步骤3.1.1、将特征向量Xt-n,…,Xt-1,Xt、充电站群空间特征关系图输入图卷积神经网络中捕获充电站群空间特征关系图中所有节点特征向量，得到特征矩阵：
式中，A为图的邻接矩阵，A∈RN×N，矩阵A中的元素Aij表示图中节点vi、vj之间的连接关系，I为和A维数相同的单位矩阵，/>为/>的对角节点度矩阵，Wl为第l层的权重矩阵，特征向量Hl∈Rm×n为第l层输出的特征矩阵，σ()为激活函数；
步骤3.1.2、根据节点特征向量计算节点间权重系数eij，假设中间节点为vi，该节点有若干相邻节点vj，则：
式中，为单层的GCN(图卷积神经网络)，||为级联运算，/>为节点的特征向量，W表示节点线性变换的权重参数矩阵，LeakyReLU为激活函数；
步骤3.1.3、使用softmax函数对所有相邻节点vj的相关度进行归一化处理，得到注意力系数αij：
步骤3.1.4、根据所有相邻节点vj的注意力系数αij，对其进行加权求和得到节点vi的输出特征向量xi′：
步骤3.2具体包括以下步骤：
步骤3.2.1、对每个邻接矩阵A中元素Aij进行处理得到邻接矩阵Gn：
再对邻接矩阵Gn进行标准化得到具有自环的归一化邻接矩阵An′：
步骤3.2.2、对每个充电站群空间特征关系图的邻接矩阵An′权重向量Z进行Softmax运算，得到加权矩阵：
Z′1,Z′2,Z′3＝Softmax(Z1,Z2,Z3) (13)；
步骤3.2.3、利用GAT层对加权矩阵进行训练，得到多图融合特征向量x″i：
对充电站群空间特征关系图中所有节点进行上述操作，得到多图融合特征：
X″＝[x″1,x″2,…,x″i] (15)。
步骤3.3具体包括以下步骤：
步骤3.3.1、将MGAT的输出输入GRU网络提取时间序列，得到第t个时刻的输出状态ht：
ut＝σ(Wu[X″t,ht-1]+bu) (16)；
rt＝σ(Wr[X″t,ht-1]+br) (17)；
ct＝tan h(Wc[X″t,(rtht-1)]+bc) (18)；
ht＝utht-1+(1-ut)ct (19)；
式中，ht-1为第t-1个时刻的隐藏状态，Xt为第t个时刻所有充电站的负荷状态信息，rt为GRU模型中的重置门，决定了如何将新的输入信息与前面的记忆相结合，ut为GRU模型中的更新门，定义前面记忆保存到当前时间步的量，ct为第t个时刻存储的内存内容；
步骤3.3.2、将t-1时刻GRU的输出状态ht-1，与多图融合特征X″t进行拼接得到ht′-1，作为t时刻GRU的输入值进行预测，得到预测结果Yt。
本发明的另一目的是提供一种基于多图融合的电动汽车充电站群负荷预测装置。
本发明所采用的另一技术方案是，基于多图融合的电动汽车充电站群负荷预测装置，包括：
数据采集模块，用于收集充电站群的时序数据和空间拓扑信息；
特征关系建立模块，用于根据空间拓扑信息构建充电站群空间特征关系图；
预测模块，用于先将充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将空间特征输入GRU提取时间特征，得到预测结果。
本发明的有益效果是：本发明基于多图融合的电动汽车充电站群负荷预测方法，充分挖掘充电站之间空间维度的信息，提高了充电站群的空间信息交互程度；基于大数据驱动使用神经网络模型学习训练负荷信息，避免统计学方法存在的建模复杂问题；使用提取空间特征的神经网络和提取时序特征的神经网络相结合的技术，充分有效地利用历史负荷数据和充电站间的网络拓扑结构信息，融合时空信息，考虑的不同角度提升了预测模型的稳定性，降低了多充电站短期负荷预测的误差；相比于以往单站预测系统和将充电站群作为一个整体的预测系统，能输出充电站群中每一个个体的负荷预测结果，在保证预测精度的前提下提高了预测效率，并且具有一定的通用性，可推广至不同多点预测系统。
附图说明
图1是本发明基于多图融合的电动汽车充电站群负荷预测方法的流程图；
图2是本发明基于多图融合的电动汽车充电站群负荷预测方法中MGAT多图融合模型结构图；
图3是本发明基于多图融合的电动汽车充电站群负荷预测方法中MGAT-GRU连接结构图。
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。
实施例1
基于多图融合的电动汽车充电站群负荷预测方法，包括以下步骤：
步骤1、收集充电站群的时序数据和空间拓扑信息；
步骤2、根据空间拓扑信息构建充电站群空间特征关系图；
步骤3、先将充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将空间特征输入GRU提取时间特征，得到预测结果。
实施例2
基于多图融合的电动汽车充电站群负荷预测方法，如图1所示，包括以下步骤：
步骤1、收集充电站群的时序数据和空间拓扑信息；将时序数据分为训练集和测试集，按照步长n对训练集进行切割得到时间序列Xt-n,…,Xt-1,Xt，为第i个充电站负荷数据的集合，将其作为特征向量；
步骤2、根据空间拓扑信息构建充电站群空间特征关系图；充电站群空间特征关系图包括距离图、交通网络连接图及相关性图；
具体的，距离图根据站点的经纬度来计算两两充电站的距离，并用距离的倒数来表达两站间的权重，使得更近的站点拥有更高的权重，用于描述多个充电站间距离的网络拓扑结构，通过邻接矩阵Adis(V,Edis)表示，其中V表示节点的集合，E表示节点之间边的集合：
上式中，disi,j为i站和j站间的直线距离。
交通网络连接图通过地理区域是否连接将交通网进行抽象处理，用于描述充电站周围交通网络的拓扑结构，通过邻接矩阵Gcon(V,Econ)表示：
相关性图用于描述多个充电站间历史负荷的相关性关系，通过邻接矩阵Gvar(V,Evar)表示：
式中，为两变量间的最大信息系数值；
式中，x、y为计算MIC值的两个充电站的历史负荷，log2min(a,b)为标准化尺度，消除划分形式不同带来的关联性度量干扰。
步骤3.1、将特征向量、充电站群空间特征关系图输入GAT中捕获充电站群空间特征关系图中所有节点特征向量，再利用节点特征向量计算节点与相邻节点之间的注意力系数，并进行加权，得到节点的输出特征向量；
对于图G(V,E,A)，输入信息X，输出信息Y，GCN采取的训练方式f被定义为：
GCN(X,A)＝Y (6)；
其中，A是图的邻接矩阵A∈RN×N，矩阵A中的元素Aij表示图G中节点vi、vj之间的连接关系。
步骤3.1.1、将特征向量Xt-n,…,Xt-1,Xt、充电站群空间特征关系图输入GCN中捕获充电站群空间特征关系图中所有节点特征向量，得到特征矩阵：
式中，I为和A维数相同的单位矩阵，/>为/>的对角节点度矩阵，Wl为第l层的权重矩阵，Hl∈Rm×n为第l层输出的特征矩阵，表示m节点中每个节点的特征数为n，σ()为激活函数。
步骤3.1.2、由于GCN对于同阶的邻域上分配给不同相邻节点的权重是完全相同的，这一点限制了模型对于空间信息相关性的捕捉能力，所以为GCN引入Attention机制形成GAT，GAT从空间上考虑目标节点和其他节点的几何关系，可以自适应地对相邻节点做聚合并为其分配不同的权重系数。利用GAT，通过图注意力机制计算目标节点与相邻节点之间的注意力系数，在图神经网络计算中能更关注系数大的相邻节点，更容易发掘充电站点间的距离关系、拓扑连接关系和负荷相关性关系，从而增加多充电站预测的准确性。具体的，如图2所示，先根据特征向量计算节点间权重系数eij，假设中间节点为vi，该节点有若干相邻节点vj，则：
式中，为单层的GCN神经网络，||为级联运算，/>为节点的特征向量，W表示节点线性变换的权重参数矩阵，LeakyReLU为激活函数；
步骤3.1.3、使用softmax函数对所有相邻节点vj的相关度进行归一化处理，得到注意力系数αij：
步骤3.1.4、根据所有相邻节点vj的注意力系数αij，对其进行加权求和得到节点vi的输出特征向量xi′：
步骤3.2、对充电站群空间特征关系图的邻接矩阵进行加权求和得到加权矩阵，将加权矩阵、节点的输出特征向量输入GAT进行融合，得到多图融合特征向量，即空间特征；如图3所示，
步骤3.2.1、通过下式对每个充电站群空间特征关系图的邻接矩阵A进行标准化：具体的，对每个邻接矩阵A中元素Aij进行处理得到邻接矩阵Gn：
再对邻接矩阵Gn进行标准化得到具有自环的归一化邻接矩阵An′：
步骤3.2.2、对每个充电站群空间特征关系图的邻接矩阵权重向量Z进行Softmax运算，得到加权矩阵：
Z′1,Z′2,Z′3＝Softmax(Z1,Z2,Z3) (13)；
步骤3.2.3、利用GAT层对加权矩阵进行训练，得到多图融合特征向量x″i：
式中，Z与输出具有相同的形状尺寸，权重向量Z中的值在训练之前被随机初始化，并且可以在反向传播期间被更新。⊙是哈达玛积运算符；
对充电站群空间特征关系图中所有节点进行上述操作，得到多图融合特征：
X″＝[x″1,x″2,…,x″i] (15)。
步骤3.3、GRU的作用是对经过图神经网络拓扑信息聚合后的负荷序列信息进行时间序列建模，抽取其时间特征，完成预测任务。具体的，将多图融合特征向量输入GRU进行训练，如果在迭代完成前训练的损失度值满足要求，则训练完成，若不满足重新进行训练。训练完成后进行时序预测，并与测试集的数据进行对比；若精度满足要求输出预测结果，若不满足，返回到MGAT层和GRU层修改参数，重新训练模型直至满足输出预测结果，得到预测结果。
步骤3.3.1、将MGAT的输出输入GRU进行训练，如果在迭代完成前训练的损失度值满足要求，则训练完成，若不满足重新进行训练。训练完成后提取序列中包含的时间信息，得到第t个时刻的输出状态ht：
ut＝σ(Wu[X″t,ht-1]+bu) (16)；
rt＝σ(Wr[X″t,ht-1]+br) (17)；
ct＝tan h(Wc[X″t,(rtht-1)]+bc) (18)；
ht＝utht-1+(1-ut)ct (19)；
式中，ht-1为第t-1个时刻的隐藏状态，Xt为第t个时刻所有充电站的负荷状态信息，rt为GRU模型中的重置门，决定了如何将新的输入信息与前面的记忆相结合，ut为GRU模型中的更新门，定义前面记忆保存到当前时间步的量，ct为第t个时刻存储的内存内容；
步骤3.3.2、将t-1时刻GRU的输出状态ht-1，与多图融合特征X″t进行拼接得到ht′-1，作为t时刻GRU的输入值进行预测，并与测试集的数据进行对比；若精度满足要求输出预测结果，若不满足，返回到MGAT层和GRU层修改参数，重新训练模型直至满足输出预测结果，得到预测结果Yt。
实施例3
基于多图融合的电动汽车充电站群负荷预测装置，包括：
数据采集模块，用于收集充电站群的时序数据和空间拓扑信息；
特征关系建立模块，用于根据空间拓扑信息构建充电站群空间特征关系图；
预测模块，用于先将所述充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将所述空间特征输入GRU提取时间特征，得到预测结果。
通过以上方式，本发明基于多图融合的电动汽车充电站群负荷预测方法，充分挖掘充电站之间空间维度的信息，提高了充电站群的空间信息交互程度；基于大数据驱动使用神经网络模型学习训练负荷信息，避免统计学方法存在的建模复杂问题；使用提取空间特征的神经网络和提取时序特征的神经网络相结合的技术，充分有效地利用历史负荷数据和充电站间的网络拓扑结构信息，融合时空信息，考虑的不同角度提升了预测模型的稳定性，降低了多充电站短期负荷预测的误差；相比于以往单站预测系统和将充电站群作为一个整体的预测系统，能输出充电站群中每一个个体的负荷预测结果，在保证预测精度的前提下提高了预测效率，并且具有一定的通用性，可推广至不同多点预测系统。
Claims (9)
1.基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，包括以下步骤：
步骤1、收集充电站群的时序数据和空间拓扑信息；
步骤2、根据空间拓扑信息构建充电站群空间特征关系图；
步骤3、先将所述充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将所述空间特征输入GRU提取时间特征，得到预测结果。
2.根据权利要求1所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤1中按照步长n对所述时序数据进行切割得到时间序列Xt-n,…,Xt-1,Xt，为第i个充电站负荷数据的集合，将其作为特征向量。
3.根据权利要求2所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤2中所述充电站群空间特征关系图包括距离图、交通网络连接图及相关性图。
4.根据权利要求3所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤2中，所述距离图用于描述多个充电站间距离的网络拓扑结构，通过邻接矩阵Adis(V,Edis)表示：
上式中，disi,j为i站和j站间的直线距离；
所述交通网络连接图用于描述充电站周围交通网络的拓扑结构，通过邻接矩阵Gcon(V,Econ)表示：
相关性图用于描述多个充电站间历史负荷的相关性关系，通过邻接矩阵Gvar(V,Evar)表示：
式中，为两变量间的最大信息系数值；
式中，x、y为计算MIC值的两个充电站的历史负荷，log2min(a,b)为标准化尺度。
5.根据权利要求3所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤3具体包括以下步骤：
步骤3.1、将所述特征向量、充电站群空间特征关系图输入GAT层中捕获充电站群空间特征关系图中所有节点特征向量，再利用所述节点特征向量计算节点与相邻节点之间的注意力系数，并进行加权，得到节点的输出特征向量；
步骤3.2、对所述充电站群空间特征关系图的邻接矩阵进行加权求和得到加权矩阵，将所述加权矩阵、节点的输出特征向量输入GAT层进行融合，得到多图融合特征，即空间特征；
步骤3.3、将所述多图融合特征输入GRU进行预测，得到预测结果。
6.根据权利要求5所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤3.1具体包括以下步骤：
步骤3.1.1、将所述特征向量Xt-n,…,Xt-1,Xt、充电站群空间特征关系图输入图卷积神经网络中捕获充电站群空间特征关系图中所有节点特征向量，得到特征矩阵：
式中，A为图的邻接矩阵，A∈RN×N，矩阵A中的元素Aij表示图中节点vi、vj之间的连接关系，I为和A维数相同的单位矩阵，/>为/>的对角节点度矩阵，Wl为第l层的权重矩阵，特征向量Hl∈Rm×n为第l层输出的特征矩阵，σ()为激活函数；
步骤3.1.2、根据所述节点特征向量计算节点间权重系数eij，假设中间节点为vi，该节点有若干相邻节点vj，则：
式中，为单层的GCN，||为级联运算，/>为节点的特征向量，W表示节点线性变换的权重参数矩阵，LeakyReLU为激活函数；
步骤3.1.3、使用softmax函数对所有相邻节点vj的相关度进行归一化处理，得到注意力系数αij：
步骤3.1.4、根据所有相邻节点vj的注意力系数αij，对其进行加权求和得到节点vi的输出特征向量x′i：
7.根据权利要求6所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤3.2具体包括以下步骤：
步骤3.2.1、对每个邻接矩阵A中元素Aij进行处理得到邻接矩阵Gn：
再对邻接矩阵Gn进行标准化得到具有自环的归一化邻接矩阵A′n：
步骤3.2.2、对每个所述充电站群空间特征关系图的邻接矩阵A′n权重向量Z进行Softmax运算，得到加权矩阵：
Z′1,Z′2,Z′3＝Softmax(Z1,Z2,Z3) (13)；
步骤3.2.3、利用GAT层对所述加权矩阵进行训练，得到多图融合特征向量x″i：
对所述充电站群空间特征关系图中所有节点进行上述操作，得到多图融合特征：
X″＝[x″1,x″2,…,x″i] (15)。
8.根据权利要求7所述的基于多图融合的电动汽车充电站群负荷预测方法，其特征在于，步骤3.3具体包括以下步骤：
步骤3.3.1、将所述MGAT的输出输入GRU网络提取时间序列，得到第t个时刻的输出状态ht：
ut＝σ(Wu[X″t,ht-1]+bu) (16)；
rt＝σ(Wr[X″t,ht-1]+br) (17)；
ct＝tan h(Wc[X″t,(rtht-1)]+bc) (18)；
ht＝utht-1+(1-ut)ct (19)；
式中，ht-1为第t-1个时刻的隐藏状态，Xt为第t个时刻所有充电站的负荷状态信息，rt为GRU模型中的重置门，决定了如何将新的输入信息与前面的记忆相结合，ut为GRU模型中的更新门，定义前面记忆保存到当前时间步的量，ct为第t个时刻存储的内存内容；
步骤3.3.2、将t-1时刻GRU的输出状态ht-1，与多图融合特征X″t进行拼接得到h′t-1，作为t时刻GRU的输入值进行预测，得到预测结果Yt。
9.基于多图融合的电动汽车充电站群负荷预测装置，其特征在于，包括：
数据采集模块，用于收集充电站群的时序数据和空间拓扑信息；
特征关系建立模块，用于根据空间拓扑信息构建充电站群空间特征关系图；
预测模块，用于先将所述充电站群的时序数据、充电站群空间特征关系图输入MGAT提取空间特征，再将所述空间特征输入GRU提取时间特征，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714347.1A CN116885698B (zh) | 2023-06-16 | 2023-06-16 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714347.1A CN116885698B (zh) | 2023-06-16 | 2023-06-16 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116885698A true CN116885698A (zh) | 2023-10-13 |
| CN116885698B CN116885698B (zh) | 2024-08-20 |
Family
ID=88259490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310714347.1A Active CN116885698B (zh) | 2023-06-16 | 2023-06-16 | 基于多图融合的电动汽车充电站群负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116885698B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110191284A1 (en) * | 2005-04-04 | 2011-08-04 | Dalton Jason R | Temporal-Influenced Geospatial Modeling System and Method |
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| WO2021143075A1 (zh) * | 2020-01-17 | 2021-07-22 | 南京东博智慧能源研究院有限公司 | 一种考虑电动汽车充电负荷时空分布的需求响应方法 |
| CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
| CN115907122A (zh) * | 2022-11-11 | 2023-04-04 | 国网陕西省电力公司电力科学研究院 | 区域电动汽车充电负荷预测方法 |
| CN116168548A (zh) * | 2023-02-24 | 2023-05-26 | 北京工业大学 | 一种基于多特征融合的时空注意图卷积网络的交通流预测方法 |
-
2023
- 2023-06-16 CN CN202310714347.1A patent/CN116885698B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110191284A1 (en) * | 2005-04-04 | 2011-08-04 | Dalton Jason R | Temporal-Influenced Geospatial Modeling System and Method |
| WO2021143075A1 (zh) * | 2020-01-17 | 2021-07-22 | 南京东博智慧能源研究院有限公司 | 一种考虑电动汽车充电负荷时空分布的需求响应方法 |
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN113887858A (zh) * | 2021-08-11 | 2022-01-04 | 浙江工业大学 | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 |
| CN115907122A (zh) * | 2022-11-11 | 2023-04-04 | 国网陕西省电力公司电力科学研究院 | 区域电动汽车充电负荷预测方法 |
| CN116168548A (zh) * | 2023-02-24 | 2023-05-26 | 北京工业大学 | 一种基于多特征融合的时空注意图卷积网络的交通流预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姚程文 等: "基于CNN-GRU混合神经网络的负荷预测方法", 电网技术, vol. 44, no. 9, 30 September 2020 (2020-09-30), pages 3416 - 3423 * |
| 顾默 等: "基于时间卷积网络与图注意力网络的分行业日售电量预测方法", 电网技术, vol. 46, no. 4, pages 1287 - 1296 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116885698B (zh) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| Singh et al. | Role of artificial intelligence in the reliability evaluation of electric power systems | |
| CN112562312B (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
| CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
| CN113537580A (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
| Zhang et al. | Forecasting of electricity prices using deep learning networks | |
| CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
| Khan et al. | Electrical load forecasting using fast learning recurrent neural networks | |
| Shi et al. | Load Forecasting of Electric Vehicle Charging Stations: Attention Based Spatiotemporal Multi-Graph Convolutional Networks | |
| CN116504075A (zh) | 注意力与多元图卷积融合的时空交通速度预测方法及系统 | |
| Jaber et al. | Future smart grids creation and dimensionality reduction with signal handling on smart grid using targeted projection | |
| Fahim et al. | Forecasting EV Charging Demand: A Graph Convolutional Neural Network-Based Approach | |
| Saha et al. | Short-term electrical load forecasting via deep learning algorithms to mitigate the impact of covid-19 pandemic on power demand | |
| CN117392846A (zh) | 一种时空自适应图学习融合动态图卷积的交通流预测方法 | |
| CN117853596A (zh) | 无人机遥感测绘方法及系统 | |
| Pokorádi | Methodolody of Advanced Graph Model-based Vehicle Systems' Analysis | |
| CN116885698B (zh) | 基于多图融合的电动汽车充电站群负荷预测方法及装置 | |
| Xiang et al. | Autonomous topology planning for distribution network expansion: A learning-based decoupled optimization method | |
| CN117132129A (zh) | 考虑天气因素的园区碳排放图神经网络预测方法及系统 | |
| CN116880549A (zh) | 城市环境下蜂窝接入式无人机的路径规划方法及相关装置 | |
| Gital et al. | LSTM network for predicting medium to long term electricity usage in residential buildings (Rikkos Jos-City, Nigeria) | |
| Verdone et al. | Multi-site forecasting of energy time series with spatio-temporal graph neural networks |
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 |