考虑突发事件特征的电动汽车充电负荷预测方法及装置

本发明属于电动汽车充电负荷预测方法，涉及考虑突发事件特征的电动汽车充电负荷预测方法，还涉及考虑突发事件特征的电动汽车充电负荷预测装置。

背景技术：

1、新能源电动汽车的爆发式增长对电网的稳定运作形成了极大的考验。因此，开展高效准确的电动汽车充电负荷预测是电网安全稳定运行的前提条件。

2、目前，电动汽车充电负荷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。前者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。与此类方法相比，依靠数据驱动方法进行电动汽车充电负荷预测更具可迁移性，可降低预测成本。物联网技术的发展推动了大量基于云的电动汽车服务的发展，中国多省已建立了数据集成平台。在此背景下，基于数据驱动的预测方法得到了更多的重视。上述的两种预测方法都是仅考虑一些常规的电动汽车负荷影响因素，并未考虑突发事件对电动汽车负荷的影响。由于突发事件是非周期性的，它对电动汽车负荷的影响具有偶然性和持续性。由于突发事件会对电网造成冲击，严重时会造成很严重的电力事故。

技术实现思路

1、本发明的目的是提供一种考虑突发事件特征的电动汽车充电负荷预测方法，解决了现有技术中存在的未考虑突发事件对电动汽车负荷的影响对电网造成冲击的问题。

2、本发明所采用的技术方案是，考虑突发事件特征的电动汽车充电负荷预测方法，包括以下步骤：

3、步骤1、对常规影响因素进行特征筛选，得到最优常规特征集；

4、步骤2、对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

5、步骤3、建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

6、本发明的特点还在于：

7、常规影响因素包括气象、电价、日期类型、历史负荷数据。

8、步骤1具体过程为：先对常规影响因素数据进行无量纲化处理，再采用mic方法对处理后的常规影响因素进行特征选择，然后采用mrmr方法对已选择特征进行冗余处理，得到最优常规特征集。

9、步骤2具体过程为：采用向量自回归模型，从突发事件的社会影响力、参与人群以及交通管制情况分析其对电动汽车充电需求变化的重要程度以及对负荷数据的正反向作用，得到考虑突发事件的最优特征集。

10、步骤2具体过程为：先确定突发事件中社会影响力、参与人群及交通管制情况构成的时间序列的平稳性；根据var模型，使用脉冲响应函数和方差分解对突发事件中社会影响力、参与人群以及交通管制情况三者的关系进行分析，得到考虑突发事件的最优特征集。

11、步骤3具体过程为：构建ssa-bigru-cnn神经网络模型，将最优常规特征集、考虑突发事件的最优特征集及历史负荷数据输入到ssa-bigru-cnn神经网络模型中进行预测，得到电动汽车负荷。

12、ssa-bigru-cnn神经网络模型的处理过程为：bigru层对历史负荷数据进行时间特征提取，得到具有过去和未来信息的两个隐藏状态向量，将隐藏状态向量输入cnn层，通过卷积层和池化层捕获重要的局部关系，再通过全连接层进行输出，得到电动汽车负荷。

13、步骤3具体过程为：当突发事件已发生时，先在历史负荷数据中找到发生突发事件的真实负荷数据，再假设突发事件未发生，将最优常规特征集、历史负荷数据输入到ssa-bigru-cnn神经网络中进行预测，得到突发事件未发生时的预测负荷序列，利用真实负荷数据减掉突发事件未发生时的预测负荷序列，得到由突发事件引起的电动汽车充电需求变化量历史值；在下一次突发事件即将发生时，将考虑突发事件的最优特征集与电动汽车充电需求变化量历史值输入到ssa-bigru-cnn神经网络中进行预测，得到突发事件引起的电动汽车充电需求变化量的预测值；同时将最优常规特征集、当前时间的历史负荷数据输入ssa-bigru-cnn神经网络进行预测，得到当前时刻考虑常规影响因素的电动汽车负荷值，将当前时刻考虑常规影响因素的电动汽车负荷值与突发事件引起的电动汽车充电需求变化量的预测值相加或相减，得到电动汽车负荷。

14、var模型表示如下：

15、yt＝c+β1yt-1+β2yt-2+…+βpyt-p+εt              (7)；

16、上式中，yt为内生向量，βp为待估矩阵，c为模型常数，εt为白噪声，代表扰动向量；

17、基于aic、hq确定最佳模型和滞后阶数：

18、

19、

20、本发明的另一目的是提供一种考虑突发事件特征的电动汽车充电负荷预测装置。

21、本发明所采用另一技术方案是，考虑突发事件特征的电动汽车充电负荷预测装置，包括：

22、第一特征筛选模块，用于对常规影响因素进行特征筛选，得到最优常规特征集；

23、第二特征筛选模块，用于对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

24、负荷预测模块，用于建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

25、本发明的有益效果是：本发明是考虑突发事件特征的电动汽车充电负荷预测方法，通过构建常规影响因素特征集以及突发事件最优特征集，通过ssa-bigru-cnn神经网络模型进行预测，同时考虑由突发事件所引起的负荷变化，从而能够准确预测突发事件下的电动汽车负荷，积极响应突发事件带来的负荷波动，有利于电力公司合理制定发电计划，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。

技术特征：

1.考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，所述常规影响因素包括气象、电价、日期类型、历史负荷数据。

3.根据权利要求1所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，步骤1具体过程为：先对所述常规影响因素数据进行无量纲化处理，再采用mic方法对处理后的常规影响因素进行特征选择，然后采用mrmr方法对已选择特征进行特征选择，得到最优常规特征集。

4.根据权利要求1所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，步骤2具体过程为：采用向量自回归模型，从突发事件的社会影响力、参与人群以及交通管制情况分析其对电动汽车充电需求变化的重要程度以及对负荷数据的正反向作用，得到考虑突发事件的最优特征集。

5.根据权利要求1或4所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，步骤2具体过程为：先确定突发事件中社会影响力、参与人群及交通管制情况构成的时间序列的平稳性；根据var模型，使用脉冲响应函数和方差分解对突发事件中社会影响力、参与人群以及交通管制情况三者的关系进行分析，得到考虑突发事件的最优特征集。

6.根据权利要求1所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，步骤3具体过程为：构建ssa-bigru-cnn神经网络模型，将所述最优常规特征集、考虑突发事件的最优特征集及历史负荷数据输入到ssa-bigru-cnn神经网络模型中进行预测，得到电动汽车负荷。

7.根据权利要求6所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，所述ssa-bigru-cnn神经网络模型的处理过程为：bigru层对历史负荷数据进行时间特征提取，得到具有过去和未来信息的两个隐藏状态向量，将所述隐藏状态向量输入cnn层，通过卷积层和池化层捕获重要的局部关系，再通过全连接层进行输出，得到电动汽车负荷。

8.根据权利要求1所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，步骤3具体过程为：当突发事件已发生时，先在历史负荷数据中找到发生突发事件的真实负荷数据，再假设突发事件未发生，将最优常规特征集、历史负荷数据输入到ssa-bigru-cnn神经网络中进行预测，得到突发事件未发生时的预测负荷序列，利用真实负荷数据减掉突发事件未发生时的预测负荷序列，得到由突发事件引起的电动汽车充电需求变化量历史值；在下一次突发事件即将发生时，将考虑突发事件的最优特征集与电动汽车充电需求变化量历史值输入到ssa-bigru-cnn神经网络中进行预测，得到突发事件引起的电动汽车充电需求变化量的预测值；同时将最优常规特征集、当前时间的历史负荷数据输入ssa-bigru-cnn神经网络进行预测，得到当前时刻考虑常规影响因素的电动汽车负荷值，将当前时刻考虑常规影响因素的电动汽车负荷值与突发事件引起的电动汽车充电需求变化量的预测值相加或相减，得到电动汽车负荷。

9.根据权利要求5所述的考虑突发事件特征的电动汽车充电负荷预测方法，其特征在于，var模型表示如下：

10.考虑突发事件特征的电动汽车充电负荷预测装置，其特征在于，包括：

技术总结
本发明公开了考虑突发事件特征的电动汽车充电负荷预测方法及装置，包括：对常规影响因素进行特征筛选，得到最优常规特征集；对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。通过构建常规影响因素特征集以及突发事件最优特征集，通过SSA‑BiGRU‑CNN神经网络模型进行预测，同时考虑由突发事件所引起的负荷变化，从而能够准确预测突发事件下的电动汽车负荷，积极响应突发事件带来的负荷波动，有利于电力公司合理制定发电计划，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。

技术研发人员：解佗,张雨,冯雄,张靠社,张刚
受保护的技术使用者：西安理工大学
技术研发日：
技术公布日：2024/1/15