基于CPSS架构的多场景低压可再生资源负荷预测方法

基于cpss架构的多场景低压可再生资源负荷预测方法
技术领域
1.本发明涉及低压可再生资源负荷预测技术领域，尤其涉及一种基于cpss架构的多场景低压可再生资源负荷预测方法。


背景技术：

2.我国近年来提出“双碳目标”，建设以新能源为主体的新型电力系统，以应对迫切的能源转型问题。而双碳转型下新型电力系统的重点之一，就是充分挖掘拓展电力的信息价值和优化电力的用户行为，结合负荷侧的可再生能源和电动汽车进行综合整体的微电网负荷预测，为系统调度提供可靠依据。
3.随着可再生能源渗透率不断提高，用户侧也逐渐体现出源荷双重特性。通过分布式光伏机组进行自发自用的电力用户的数量不断增长，一方面为用户自身带来切实利益，也缓解了配电网的新增容量的建设压力，另一方面也对传统“自上而下”的负荷总量预测提出了新的挑战，带来了多重不确定性。此外，电动汽车的蓬勃发展也放大了用户端本身的不确定性，因此针对用户行为进行研究非常重要，对于不同场景的负荷预测应制定相应合适的预测策略。
4.由于系统规划和运行的耦合性，单一的负荷预测场景难以贴合实际运行过程中多资源的相互影响的运行情况。基于传统的单一负荷预测场景的预测误差更大，更难落实到实际应用中，对于不同场景的负荷预测以及用户用电响应行为缺少清晰的描述，为城市电网的规划与运行带来潜在的风险。因此负荷预测需要综合各类资源多场景的情况，以统一的规范接入电网进行预测。
5.通过对现有技术进行检索，发现适用于多场景的电力负荷预测方法(申请号cn201811242485.x)，此方法获取待预测区域内的负荷预测影响因素并排序，获取待预测区域内的负荷预测影响因素的历史数据，建立待预测区域的负荷预测模型对待预测区域的电力负荷进行预测。然而此方法未考虑可再生能源比例不断提高的情况下，负荷侧可再生能源和电动汽车的接入让传统负荷预测方法的对象不再是单纯的用电用户。现有研究多为各个资源的单一的负荷预测，未有将各个负荷预测结果综合起来进行管理，没有考虑负荷预测运行的框架。因此该方法性能有待进一步提升。


技术实现要素：

6.本发明目的在于通过构建基于信息物理社会融合系统cpss架构的微电网，以多场景融合的方式考虑可再生能源接入和用户社会行为影响的双重不确定性的能量管理系统，从物理层、信息层、社会层三个层面建立起可感知互动的可控标准化模型。
7.本发明至少通过如下技术方案之一实现。
8.基于cpss架构的多场景低压可再生资源负荷预测方法，包括以下步骤：
9.对可再生能源出力、电动汽车充电负荷和用户负荷进行耦合，预测多场景电力负荷空间分布；
10.建立用户充电行为的模糊推理模型；
11.建立起峰谷电价差与负荷转移率的关系模型，建立基于消费者心理学机理的需求响应模型；
12.结合以上模型，对cpss架构下的低压可再生能源和负荷进行多场景融合的负荷预测。
13.进一步地，结合时间空间特性进行耦合，预测多场景电力负荷空间分布，多场景负荷耦合公式为：
[0014][0015]
其中，λ
l
、λ
ev
、λ
wt
、λ
pv
分别表示各类负荷预测调节系数，p
i，t
为节点对应区域内在t时刻多场景空间负荷预测，分别表示负荷个体、电动汽车个体、风力发电机组个体、光伏机组个体k在t时刻的预测功率。
[0016]
进一步地，根据前一日的预测数据和实际数据的偏差设定各类能源个体的负荷预测调节系数为：
[0017][0018]
式中，λj为各类负荷预测调节系数，t为一日的滚动周期数，和分别表示前一日内t时刻的预测负荷和实际负荷。
[0019]
进一步地，能源个体包括分布式光伏、分布式风机、柴油发电机、分布式储能、电动汽车、用户负荷。
[0020]
进一步地，对于不同种类j的能源个体k，在t时刻按接入节点i以发电功率累计电量和爬坡速率为标准构建统一的个体物理特性，并且建立相应的电气约束条件。
[0021]
进一步地，模糊推理模型包括三段模糊子集、设置隶属度函数；对于电动汽车用户充电场景以电价、当前soc、停车时长作为用户充电行为的模糊推理模型的输入量，生成用户充电概率；
[0022]
进一步地，隶属度函数采用联合高斯型隶属度函数：
[0023][0024]
其中，x为输入量，包括电价、当前soc、停车时长，σ和c为联合高斯型隶属度函数的形状系数，f(x，σ，c)为对应输入量下的用户充电概率。
[0025]
进一步地，对于电动汽车充电场景，采用解模糊算法的重心法求解模糊推理模型，得到充电概率清晰值：
[0026][0027]
其中，fu(x)为连续论域u上的模糊集合，c为解模糊后的清晰值。
[0028]
进一步地，对于用户用电场景，基于消费者心理学建立起峰谷电价差x与负荷转移率λ的关系模型：
[0029][0030]
其中，k为线性区比例系数，λ
max
为饱和区最大负荷转移率，a和b为死区、线性区和饱和区分段的电价差节点，λ为不同峰谷电价差x下的负荷转移率。
[0031]
进一步地，通过偏大型半梯形和偏小型半梯形模糊隶属度划分峰谷区间，建立基于消费者心理学机理的需求响应模型：
[0032]
p
l
＝λ
p
p
l-p
+λfp
l-f
+λgp
l-g
[0033]
式中，p
l-p
、p
l-f
、p
l-g
为平时段、峰时段和谷时段的负荷量，λ
p
、λf、λg为平时段、峰时段和谷时段的负荷转移率，p
l
为综合各个时段负荷转移后的负荷量，即用户用电功率曲线。
[0034]
与现有的技术相比，本发明的有益效果为：
[0035]
1)从物理层、信息层、社会层三个层面建立起可感知互动的可控标准化模型，为分布式能源个体的接入与管理提供便利。
[0036]
2)对于电力用户建立基于消费者心理学机理的需求响应用户负荷预测模型，对于电动汽车建立了考虑电价、当前soc和停车时长因素的充电负荷预测模型，对于用户用电场景，基于消费者心理学建立起峰谷电价差与负荷转移率的函数关系，建立基于消费者心理学机理的需求响应模型，充分考虑用户行为特征。
[0037]
3)对低压可再生能源和负荷进行多场景融合的负荷预测，增强了微电网能量管理系统的可再生能源利用率。
附图说明
[0038]
图1为实施例基于cpss架构的多场景低压可再生资源负荷预测方法的微电网cpss交互架构；
[0039]
图2为实施例信息层多场景融合负荷预测功能框图；
[0040]
图3为实施例电动汽车负荷预测流程图。
具体实施方式
[0041]
下面结合具体实施例对本发明作进一步说明。
[0042]
实施例1
[0043]
一种基于cpss架构的多场景低压可再生资源负荷预测方法，包括以下步骤：
[0044]
建立统一的物理特性模型，对于不同种类j的能源个体k，在t时刻按接入节点i以发电功率累计电量和爬坡速率为标准构建统一的个体物理特性，并且建立了相应的电气约束条件；
[0045]
对可再生能源出力、电动汽车充电负荷和用户负荷进行耦合，预测多场景电力负荷空间分布；多场景负荷耦合公式为：
[0046][0047]
其中，λ
l
、λ
ev
、λ
wt
、λ
pv
分别表示各类负荷预测调节系数，p
i，t
为节点对应区域内在t时刻多场景空间负荷预测，分别表示负荷个体、电动汽车个体、风
力发电机组个体、光伏机组个体k在t时刻的预测功率。
[0048]
根据前一日的预测数据和实际数据的偏差设定各类能源个体的负荷预测调节系数为：
[0049][0050]
式中，λj为各类负荷j的预测调节系数，t为一日的滚动周期数，和分别表示前一日内t时刻的预测负荷和实际负荷。
[0051]
建立可再生能源出力模型；可再生能源主要为光伏发电和风力发电，而根据现有研究表明，天气对可再生能源发电功率的影响较大，首先采用皮尔逊系数对影响其出力的气象因素进行相关性分析，将各个因素与发电功率计算皮尔逊系数：
[0052][0053]
式中，xi和yi表示某一气象因素和发电功率，和为某一气象因素的平均值和发电功率平均值。计算得到的皮尔逊相关系数r越接近1或-1，说明正相关性或负相关性越大，r越接近0，说明相关性越弱。
[0054]
目前进行可再生能源出力预测的常用模型为bp神经网络模型，该模型有输入层、隐藏层和输出层三层，模型具有简单高效、运行时间快等优点。结合皮尔逊相关性系数进行特征优选后，选出相关性较大的因素(通常光伏发电为太阳辐照度，风力发电为风速)作为bp神经网络模型输入层的特征输入，结合历史数据进行训练。bp神经网络模型训练参数设置和训练过程在此不进行详细阐述，根据训练好的模型，输入可再生能源某时刻相关的气象因素(包括太阳辐照度、风速)即可获取该时刻对应可再生能源的发电功率。
[0055]
建立用户充电行为的模糊推理模型；模糊推理模型包括三段模糊子集、设置隶属度函数；对于电动汽车用户充电场景以电价、当前soc、停车时长作为用户充电行为的模糊推理模型的输入量，生成用户充电概率；
[0056]
隶属度函数采用联合高斯型隶属度函数：
[0057][0058]
其中，x为输入量(包括电价、当前soc、停车时长)，σ和c为联合高斯型隶属度函数的形状系数，f(x，σ，c)为对应输入量下的用户充电隶属度，表示该输入量下隶属于某类的概率。以电价为例进行阐述，通常可以以“便宜、适中、昂贵”来描述用户对电价的判断，在实时的电价通过上述隶属度函数后，将落入“便宜、适中、昂贵”这三种描述的范围内。同理，当前电池容量soc和停车时长也可以通过隶属度函数划分为“不足、适中、充裕”和“短、中、长”。
[0059]
结合以上三个输入量的三段描述范围，可以得到关于电动汽车充电概率的模糊隶属度函数，即输出隶属函数。对于电动汽车输出隶属度函数，采用解模糊算法的重心法求解模糊推理模型，得到充电概率清晰值：
[0060][0061]
其中，fu(x)为连续论域u上的模糊集合，c为解模糊后的清晰值，即电动汽车的充电概率。
[0062]
因此，在获取实时电价后，先划分为“便宜、适中、昂贵”，再结合用户自身的soc和停车时长即可获取模糊推理模型得到的用户充电概率。根据充电站充电功率设置，将各用户的充电概率与充电功率相乘求和，可得到充电站的电动汽车充电负荷预测。
[0063]
对于用户用电场景，基于消费者心理学建立起峰谷电价差x与负荷转移率λ的关系模型：
[0064][0065]
其中，k为线性区比例系数，λ
max
为饱和区最大负荷转移率，a和b为死区、线性区和饱和区分段的电价差节点，λ为不同峰谷电价差x下的负荷移率。
[0066]
通过偏大型半梯形和偏小型半梯形模糊隶属度划分峰谷区间，建立基于消费者心理学机理的需求响应模型：
[0067]
p
l
＝λ
p
p
l-p
+λfp
l-f
+λgp
l-g
[0068]
式中，p
l-p
、p
l-f
、p
l-g
为平时段、峰时段和谷时段的负荷量，λ
p
、λf、λg为平时段、峰时段和谷时段的负荷转移率，p
l
为综合各个时段负荷转移后的负荷量，即用户用电功率曲线。
[0069]
结合以上模型，可获得电动汽车用户的充电功率和和用户的用电功率，对cpss架构下的低压可再生能源和负荷进行多场景融合的负荷预测。
[0070]
实现所述基于cpss架构的多场景低压可再生资源负荷预测方法的系统，包括：
[0071]
数据采集与交互模块，采用公共信息模型cim、分布式能源、高级量测体系ami、需求响应的iec61970/61968核心标准，将物理层能源个体传感器的物理数据收集至信息层用户终端，用于进行能量和数据的交互与管理。
[0072]
信息传输模块，服务器收集管理用户终端采集的数据，并通过通讯网络传输至微电网运营商服务器。
[0073]
预测计算模块，用于计算服务器所属区域内各发电/用电用户的净负荷出力，并将预测结果传输至微电网运营商服务器。此外，该模块还将完成场景划分、场景融合的功能，在运营商服务器展示各个场景的预测情况。
[0074]
实施例2
[0075]
一种基于信息物理社会融合系统cpss架构的多场景低压可再生资源负荷预测方法系统，从物理层、信息层、社会层三个层面建立起可感知互动的可控标准化模型和多场景的负荷预测，包括：
[0076]
1)物理层
[0077]
物理层涵盖常见接入微电网的能源个体，包括分布式光伏、分布式风机、柴油发电机、分布式储能、电动汽车、用户负荷。物理层主要考虑基本网架、各类能源个体的接入位置
以及各能源个体的物理模型以及传感器设备和通讯设备，对于各能源个体进行物理层面上的描述，揭示其相关的电气量及其他物理量间的约束关系。
[0078]
传感器均采用包含公共信息模型cim、分布式能源、高级量测体系ami、需求响应的iec 61970/61968核心标准，将物理层能源个体传感器的物理数据收集至信息层用户终端，用于进行能量和数据的交互与管理。
[0079]
各类能源个体间的资源互动要求建立统一的物理特性模型，对于不同种类j的能源个体k，在t时刻按接入节点i以发电功率累计电量和爬坡速率为标准构建统一的个体物理特性，并且建立了相应的电气约束条件通过设备终端传输至信息层聚合商。
[0080][0081][0082]
各类能源个体的物理模型约束如下：
[0083]
1.1)分布式光伏与分布式风机
[0084]
对于分布式光伏机组和分布式风机而言，均可视为不可控设备，仅考虑优化可调负荷资源，实际运行中考虑两者发电功率的日前预测值和参与优化调度计算，其物理约束满足：
[0085][0086][0087][0088]
为在t时刻按接入节点i的种类为j的能源个体k的发电功率，和为其功率的下界与上界，发电功率在δt时间段内的积分为其累计电量和为其累计电量的下界与上界，爬坡速率为相邻时刻发电功率的差值，与为爬坡速率的下界与上界。
[0089]
考虑分布式光伏机组和分布式风机在局部微电网内，气候特征保持稳定，各机组
出力可视为具有一致性，忽略气候变化和误差等因素。
[0090]
1.2)柴油发电机
[0091]
柴油发电机组在高比例可再生能源的趋势下将发展成为备用资源，仅参与调峰调频场景，而不作为主要发电来源，在风机、光伏出力不足时进行有效补充调节，以保证系统的安全稳定运行。
[0092][0093]
和表示柴油发电机组最大、最小输出功率；表示t时刻柴油发电机组工作状态，为0或1。
[0094]
1.3)储能
[0095]
储能作为系统中重要的确定性能源个体，拥有调频调峰，发挥的巨大作用，储能特性主要是通过储能装置在t时刻的电荷量(state of charge，soc)进行描述：
[0096][0097]
荷电状态约束和充放电功率约束：
[0098][0099][0100][0101][0102]
式中：为第t个时段结束时节点i接入的储能k的荷电状态；η
ch
和η
dis
分别为储能的充放电效率；er为储能的额定容量；p
tch
和p
tdis
分别为当前时段的放电功率，均不超过充放电的最大功率限制和且储能装置不能同时处于充电和放电的状态，δt为时间间隔(即15分钟)，soc
min
与soc
max
为储能电荷量的下界与上界。
[0103]
对于储能设备而言，通常要求结束时刻的荷电状态与起始时刻的荷电状态相同，或其变化小于一定范围：
[0104]
soc1＝soc
96
[0105]
|soc
96-soc1|≤ε
es
[0106]
式中soc1与soc
96
为储能设备电荷量的一天的起始时刻状态(t＝1)和结束时刻状态(t＝96)，两者的差值小于给定的误差范围ε
es
。
[0107]
1.4)电动汽车
[0108]
电动汽车的负荷模型与储能相似，区别在于电动汽车的接入时间和离开时间符合用户行为习惯满足于一定约束，且电动汽车在离开时刻的soc应保证合理的出行距离。具体用户行为场景定义在社会层进行阐述。
[0109]
因此其电量约束为：
[0110][0111]
式中：t
l
为ev结束充电时刻，为ev结束充电时刻的荷电状态；α
ev
为用户期望充电结束时的最低soc系数。
[0112]
1.5)用户负荷
[0113]
电力用户可细分为三大类，居民用户、工业用户和商业楼宇，用户负荷的预测非常
关键，对配电网的安全运行以及科学规划都有着巨大影响。鉴于电力用户自身存在很大的不确定性，并非绝对理性个体，比如居民用户很可能会优先考虑自身舒适度或满意度进行用电行为。由于多地用户已表现出发电和用电的双重特性，在负荷侧的负荷预测上单一的负荷预测场景的预测误差会变大，本发明基于多场景对用户负荷预测进行修正。物理层内t时刻下在节点i处接入的用户负荷功率定义为
[0114]
2)信息层
[0115]
信息层接收并处理物理层终端的各类信息，将物理层的各类能源个体划分为源、储、荷三类进行描述，进行负荷预测和优化运行配置的功能。在高比例的可再生能源背景下，源端与荷端会同时具有双重不确定性的叠加，而储能则作为优化配置资源。
[0116]
负荷预测功能模块分为三部分，可再生能源出力预测、电动汽车充电负荷预测和用户负荷预测。可再生能源出力预测基于历史数据和实时数据进行在线预测，电动汽车充电负荷和用户负荷需要结合社会层得到特征数据进行负荷在线预测。
[0117]
以净负荷的形式考虑区域负荷，将分布式光伏和风机出力视为负负荷。在区域内连续时间内的天气稳定，各分布式光伏机组出力保持一致。在对这三类资源进行负荷预测之后，结合时间空间特性进行耦合，得到多场景电力负荷空间分布，完成基于多场景的空间负荷预测。多场景负荷耦合计算公式为：
[0118][0119]
其中，w
l
、w
ev
、w
wt
、w
pv
分别表示各类负荷预测调节系数，p
i，t
为节点对应区域内在t时刻多场景空间负荷预测，分别表示负荷个体、电动汽车个体、风力发电机组个体、光伏机组个体k在t时刻的预测功率。
[0120]
各类负荷预测调节系数根据前一日的预测数据和实际数据的偏差设定：
[0121][0122]
式中，wj为各类负荷j的预测调节系数，t为一日的滚动周期数，以15min为一个周期取t＝96，和分别表示前一日内t时刻的预测负荷和实际负荷。
[0123]
对于负荷预测的结果，可作为运行优化配置功能的输入，结合实时运行情况进行优化。
[0124]
3)社会层
[0125]
社会层主要包括了两类利益主体，电力用户和运营商，电力用户负荷场景又可细分为居民用户、工业用户和商业智能楼宇，以及电动汽车充电负荷，在这一层面运营商是绝对理性的个体，以经济安全效益最大化为目标作为决策，而电力用户会因社会信息、个人意志等非理性因素而产生不确定性，表现为有限理性个体。
[0126]
3.1)电动汽车出行场景
[0127]
对于电动汽车充电负荷场景构建，在空间上细分为工业区、商业区和居民区，基于充电站历史充电数据、城市交通发展报告对私家车的行驶特性进行分析，获取停车时长、到达时刻等，生成城市多场景的电动汽车的时空分布。
[0128]
用户考虑是否给电动汽车充电的关键在于价格与需求，因此基于用户给私家车的充电意愿，以电价、当前soc、停车时长作为描述用户充电行为的模糊推理模型的输入量，设
置隶属度函数，生成用户充电概率。
[0129]
联合高斯型隶属度函数计算公式为：
[0130][0131]
其中，x为输入量(即电价、当前soc、停车时长)，σ和c为联合高斯型隶属度函数的形状系数，f(x，σ，c)为对应输入量下的用户充电概率。
[0132]
对于实时电价采用三段模糊子集“便宜、适中、昂贵”，来表示用户对于电价的敏感程度；对于电池当前soc采用“欠缺、适中、充裕”三段模糊子集，来表示soc充裕度；对于停车时长采用“短、中、长”三段模糊子集，来描述用户的充电需求，一般采用交流慢充时，停车时长属于模糊子集“中”或“长”，而选择直流快充时，停车时长属于模糊子集“短”。据此可以得到33条模糊充电决策，将其输出结果转换成充电概率，采用解模糊算法的重心法得到清晰值。
[0133]
重心法解模糊化：
[0134][0135]
式中，fu(x)为连续论域u上的模糊集合，c为解模糊后的清晰值。
[0136]
经过解模糊后得到用户充电概率，通过蒙特卡洛模拟可获得电动汽车充电负荷预测结果。
[0137]
3.2)用户负荷场景
[0138]
对于用户负荷场景通常可以划分为居民区、商业区和工业区，不同区域内各负荷类型占比不同。工业用户和商业楼宇场景与居民用户负荷场景不同，用户负荷主要与工作制与节假日等因素相关，而居民用户负荷主要与用户用电行为、天气、电价等因素相关，均可以通过bp神经网络学习历史负荷数据，选取关键用电特征指标训练模型，进行负荷预测。但用户负荷往往受到电价影响因素较大，此处提出一种基于消费者心理学的负荷预测修正模型：
[0139]
根据消费者心理学模型，用户在一定区间内的响应程度与峰谷激励电价成正比，用户根据激励改变设备的用电模式。由于存在阈值效应和饱和效应，用户对于电价激励的响应程度才能得以体现，即峰谷电价差x于负荷转移率λ存在相应的函数关系：
[0140][0141]
式中，λ为不同峰谷电价差x下的负荷转移率，k为线性区比例系数，λ
max
为饱和区最大负荷转移率，a和b为死区、线性区和饱和区分段的电价差节点，当电价差过小时，电力用户的负荷量基本没有发生削减或转移，即处于死区；而电价差过大时，消费者的转移或削减负荷能力己达到上限，即处于饱和区；当电价差处于死区与饱和区之间时，电价差与负荷转移率基本呈线性关系。
[0142]
基于分时电价的需求响应机制中，3种电价差与负以峰谷电价为模糊隶属度输入，确定各个时刻的峰谷隶属度，以此来对一天24小时进行峰平谷时段划分的依据。由于确定
峰谷隶属度时只需要比较数据的相对大小，故采用偏大型半梯形隶属度函数的线性部分判断负荷曲线上各个时刻隶属于峰时段的概率，采用偏小型半梯形隶属度函数的线性部分判断负荷曲线上各个时刻隶属于谷时段的概率：
[0143][0144][0145]
式中，x为峰谷电价差，m、n为设定的函数上界与下界的参数。据此划分各个时刻所处的电价峰谷位置，可分为峰时段、谷时段、平时段。
[0146]
实施分时电价后，基于消费者心理学机理的需求响应模型下：
[0147]
p
l
＝λ
p
p
l-p
+λfp
l-f
+λgp
l-g
[0148]
式中，p
l-p
、p
l-f
、p
l-g
为平时段、峰时段和谷时段的负荷量，λ
p
、λf、λg为平时段、峰时段和谷时段的负荷转移率，p
l
为综合各个时段负荷转移后的负荷量，即用户用电功率曲线。
[0149]
实施例3
[0150]
微电网cpss(cyber-physical-social systems，cpss)交互架构如图1所示。
[0151]
cpss架构下微电网分为物理层、信息层和社会层三层，物理层与信息层之间通过物联网进行信息交互，社会层与信息层之间通过通讯网络进行信息交互。物理层内主要是各类能源个体间的能量交互，信息层内包含了服务器和发电/用电用户，每个服务器负责管理区域内的用户，将数据通过通讯网络上传云端进行信息交互，社会层划分空间场景为居民区、商业区、工业区和运营商，各场景之间存在社会信息交互。
[0152]
信息层多场景融合负荷预测功能如图2所示。
[0153]
信息层的多场景从可再生能源出力预测、电动汽车充电负荷预测和用户负荷预测三个维度展开，具体过程如下：
[0154]
step1：选定待预测的节点区域；
[0155]
step2：选定该节点区域的资源数据，包括可再生能源的气象、出力数据，电动汽车的实时电价、当前电池电荷soc、停车时长数据，用户负荷的实时电价、scada预测数据；
[0156]
step3：进行各部分多场景模型的建立：
[0157]
可再生能源出力场景下，对于气象数据和出力数据进行皮尔逊相关性分析：
[0158][0159]
筛选出显著性特征如(太阳辐照度、风速等)作为神经网络模型的输入，进行可再生能源的神经网络出力预测；
[0160]
电动汽车充电场景下，对于历史交通数据和充电站数据分析，得到电动汽车充电的时间空间特性，结合模糊隶属度函数计算隶属度，再通过重心法解模糊得到充电概率，进行蒙特卡洛模拟充电负荷；
[0161]
用户用电场景下，基于基础用户类型划分为工业负荷、商业负荷和居民负荷三大场景，通过模糊隶属度规则建立峰谷电价与负荷转移率模型，即根据历史scada负荷数据预测结果进一步进行基于电价激励响应的负荷预测的修正，即p
l
＝λ
p
p
l-p
+λfp
l-f
+λgp
l-g
；
[0162]
step4：对于可再生能源出力、电动汽车充电和用户用电三个场景进行场景融合，结合前一日负荷预测评价指标wj计算日前的节点区域预测负荷：即对于该三种场景的负荷在t时刻预测结果通过上述公式进行计算，得到该节点区域的综合负荷预测。
[0163]
电动汽车负荷预测流程如图3所示。
[0164]
在充电站终端，对该地理空间区域的电动汽车充电用户进行单次出行链的充电行为预测，其具体预测过程如下：
[0165]
step1：历史交通、充电站数据输入，获取该地理区域用户出行特性；
[0166]
step2：获取用户当前soc状态和实时电价，结合step1的出行特性输入模糊隶属度函数
[0167]
step3：根据模糊隶属度规则进行解模糊获得用户充电概率，即根据step2中的模糊隶属度函数对其进行积分运算；
[0168]
step4：进行蒙特卡洛模拟计算用户充电负荷。
[0169]
step5：对站内充电用户预测负荷进行聚合，即得到充电站区域预测充电负荷。
[0170]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。