电动汽车充电负荷预测方法

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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：
6.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；
7.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；
8.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。
9.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。
10.本发明的特点还在于：
11.特征集合包括温度、湿度、气压、电价、天气、风力、日期。
12.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。
13.邻接矩阵a表示为：
[0014][0015]
上式中，为节点n与节点1之间的互信息值，为节点n与节点 n之间的互信息值。
[0016]
本发明的有益效果是：
[0017]
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
[0018]
图1是本发明电动汽车充电负荷预测方法的流程图；
[0019]
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
[0020]
下面结合附图和具体实施方式对本发明进行详细说明。
[0021]
电动汽车充电负荷预测方法，如图1所示，包括以下步骤：
[0022]
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；
[0023]
表1特征集合
[0024]
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
[0025]
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：
[0026][0027]
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。
[0028]
对天气、风力、日期进行量化，得到特征变量，具体如下：
[0029]
量化天气类型
[0030]
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。
[0031]
量化风力类型
[0032]
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。
[0033]
量化日期类型
[0034]
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。
[0035]
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。
[0036][0037]
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＝n
0.6
。
[0038]
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。
[0039]
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；
[0040]
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：
[0041][0042]
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。
[0043]
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；
[0044][0045]
上式中，为节点n与节点1之间的互信息值，为节点n与节点 n之间的互信息值。
[0046]
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；
[0047]
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：
[0048]
x
(l+1)
＝σ[d-1/2 ad-1/2 x
(l) w
(l)
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)；
[0049]
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；
[0050]
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。
[0051]
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。
[0052]
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。
[0053][0054]
[0055][0056]
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。
[0057]
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。