基于模糊理论的电动汽车充电负荷预测模型的构建方法与流程

本发明涉及基于模糊理论的电动汽车充电负荷预测模型的构建方法，具体适用于提高预测精度。

背景技术：

1、不断上涨的电动汽车充电负荷对城市电网构成了负担。大规模电动汽车充电将对现有配电网带来明显影响，若不对充电负荷采取干预措施，势必增加发电及输配电基础设施投资。在配电网方面，电动汽车充电将带来加速变压器损耗、提高线损、引发配电网线路拥堵等问题，导致系统可靠性下降。此外，电动汽车用户的充电行为在时间和空间上呈现出间断性和随机性，这给电动汽车充电站的电力负荷带来了不确定性，同时也给现有配电网带来了一定的挑战和影响。主要体现在以下三个方面。首先，配电网在高峰负荷期间的波动对其安全性和可靠性产生一定影响，其次，电动汽车在用电高峰期充电会增加配电网的成本，第三，当电动汽车采用快速充电模式时，可能会导致变压器过载，进而引起电压下降，对电力质量产生影响，因此，电动汽车充电负荷的预测已成为一个备受关注的研究领域。

2、但是现有的模糊理论预测的方法存在很多问题。比如：1、数据预处理不够理想，对于数据集中影响负荷的不确定性因素没有很好的处理。2、对于问题分析不够全面，比如没有考虑到地区相似，气候等因素。3、预测模型的选用并不是最佳选择，在处理有限数据量的数据集时不够准确。因此，针对上述问题，本课题中在预处理时重点分析关键因素并进行模糊化；采用模糊聚类方法进行分类可以解决地区间环境冲突的问题；最后选择模糊理论与机器学习相结合的方法，搭建模糊神经网络进行预测。

技术实现思路

1、本发明的目的是克服现有技术中存在的模型进度差算法复杂的问题，提供了一种提高预测精度、简化数据处理的基于模糊理论的电动汽车充电负荷预测模型的构建方法

2、为实现以上目的，本发明的技术解决方案是：

3、基于模糊理论的电动汽车充电负荷预测模型的构建方法，包括以下步骤：

4、步骤一，数据的预处理，采集电网真实数据得到充电负荷的数据集，将充电负荷的数据集的初始数据进行处理：重复值删除，对于异常值和离群点采用均值替换的方法消除；将预处理完成的数据集分为训练集和测试集；

5、步骤二，模糊化处理：模糊前件网络中输入层为温度和湿度两个维度，采用三角形隶属度函数对数据集中的温度和湿度数据分别进行模糊化处理，分别得到多个关于温度和多个关于湿度的隶属度函数；

6、步骤三，构建模糊前件网络：

7、3.1构建输入层：温度和湿度的清晰值为模糊前件网络两个维度的输入层；

8、3.2构建模糊化层也称隶属度函数层：所有关于温度的隶属度函数和关于湿度的隶属度函数构成了模糊化层，每个关于温度的隶属度函数或关于湿度的隶属度函数为建模糊化层的一个神经元；

9、3.3构建模糊规则层：将每个关于温度的隶属度函数分别与每个关于湿度的隶属度函数两两组合，形成不同的模糊规则神经元；

10、3.4构建模糊输出层：输出层对模糊规则神经元输出的温湿度模糊化后的交集变量执行归一化操作得到模糊规则结论，将模糊规则结论与输入层对应输入数据的时间信息进行拼接，得到模糊前件网络的完整输出，此时模糊前件网络构建完成；

11、步骤四，构建后件神经网络形成预测模型：将模糊前件网络的输出作为后件神经网络的输入，然后构建神经网络模型，神经网络模型的输出为预测的充电负荷值；将模糊前件网络与后件神经网络模型相结合，则构成完整的基于模糊理论的电动汽车充电负荷预测模型，后简称预测模型；

12、步骤五，模型训练：将训练集的数据导入到预测模型中对预测模型进行训练，训练的目标就是最小化损失函数，使网络输出尽可能接近真实值，训练完成，则预测算法模型建立完成。

13、所述步骤二，模糊化处理：

14、2.1温度数据模糊化处理：采用三角形隶属度函数对数据集中的温度数据进行模糊化处理，查找数据集中的最低温度数据点向下取整，得到最低温度边界点tmin；查找数据集中的最高温度数据点向上取整，得到最低温度边界点tmax；将温度范围[tmin，tmax]划分为n个温度区间点位集合[t1,t2,t3……tn-1,tn]，然后根据温度区间点位构建n个三角形温度隶属度函数：

15、

16、上式中：t表示输入温度数据，a表示区间的最低值，c表示区间的最高值，b表示区间内最高隶属度的对应的数值，函数ty表示第y个温度区间的三角形温度隶属度函数；当y＝1时a＝b＝t1，c＝t2；当n>y>1时a＝ty-1,b＝ty，c＝ty+1；当y＝n时a＝tn-1，b＝c＝tn；

17、2.2湿度数据模糊化处理：采用三角形隶属度函数对数据集中的湿度数据进行模糊化处理，查找数据集中的最低湿度数据点向下取整，得到最低湿度边界点hmis；查找数据集中的最高湿度数据点向上取整，得到最低湿度边界点hmax；将湿度范围[hmis，hmax]划分为s个湿度区间点位集合[h1,h2,h3……hs-1,hs]，然后根据湿度区间点位构建s个三角形湿度隶属度函数：

18、

19、上式中：h表示输入湿度数据，a表示度区间的最低值，c表示区间的最高值，b表示区间内最高隶属度的对应值，函数hy表示第y个湿度区间的三角形湿度隶属度函数；当y＝1时a＝b＝h1，c＝h2；当s>y>1时a＝hy-1,b＝hy，c＝hy+1；当y＝s时a＝hs-1，b＝c＝hs。

20、步骤三，构建模糊前件网络：

21、3.1构建输入层：温度和湿度的清晰值为模糊前件网络两个维度的输入层；

22、3.2构建模糊化层也称隶属度函数层：所有关于温度的隶属度函数和关于湿度的隶属度函数构成了模糊化层，每个关于温度的隶属度函数ty或关于湿度的隶属度函数hy为建模糊化层的一个神经元；

23、构建模糊化层也称隶属度函数层，模糊划分数量为n的网络中，神经元t1、t2……tn，表示温度对于不同温度区间的隶属度函数；神经元h1、h2……hs，表示湿度对于不同湿度区间的隶属度函数；

24、3.3构建模糊规则层：将每个关于温度的隶属度函数分别与每个关于湿度的隶属度函数两两组合，形成不同的模糊规则神经元；

25、 规则层神经元 r1 r2 …… rs rs+1 …… rn*s 规则条件 t1&h1 t1&h2 …… t1&hs t2&h1 …… tn&hs 输出层神经元 o1 o2 …… os os+1 …… on*s

26、3.4构建模糊输出层：输出层对模糊规则神经元输出的温湿度模糊化后的交集变量执行归一化操作得到模糊规则结论oy，将模糊规则结论与输入层对应输入数据的时间信息进行拼接，得到模糊前件网络的完整输出，此时模糊前件网络构建完成。

27、步骤四，构建后件神经网络形成预测模型：将模糊前件网络的输出作为后件神经网络的输入，然后构建搭建bp神经网络模型或卷积神经网络模型或长短期记忆神经网络模型，神经网络模型的输出为预测的充电负荷值；将模糊前件网络与后件bp神经网络模型或卷积神经网络模型或长短期记忆神经网络模型相结合，则构成完整的基于模糊理论的电动汽车充电负荷预测模型，后简称预测模型。

28、所述搭建完成的模糊bp神经网络模型或模糊卷积神经网络模型均以日，时，温度，湿度4维数据作为输入数据；所述述搭建完成的模糊长短期记忆神经网络模型以日，时，温度，湿度4维数据和前二十四个点的电力负荷数据为输入数据。

29、6、根据权利要求1或2所述的一种基于模糊理论的电动汽车充电负荷预测模型的构建方法，其特征在于：

30、所述步骤二，模糊化处理还包括模糊聚类，采用模糊c均值聚类将训练集负荷数据分为峰时数据和谷时数据两类；

31、分别将峰时数据和谷时数据放入到步骤三和步骤四构建的模糊神经网络训练模型中进行训练，得到基于模糊聚类的峰时模糊神经网络电动汽车充电负荷预测模型和基于模糊聚类的谷时模糊神经网络电动汽车充电负荷预测模型。

32、所述模糊c均值聚类是一种迭代算法，它的最终目标是最小化损失函数：

33、

34、式中：n表示数据点的数量，c表示聚类中心的数量；μjim表示i个数据点对于第j个聚类中心，m是控制聚类过程中模糊程度的模糊系数，m值越大，数据划分越模糊，m最佳选择区间为[1.5，2.5]，||xi-cj||2表示i个数据点对于第j个聚类中心的欧式距离；

35、模糊c均值算法的约束条件是：

36、

37、模糊c均值算法的详细算法流程如下：

38、2.3.1初始化操作，初始化一个聚类中心向量和一个隶属度函数矩阵uij，隶属度矩阵的维度是n×c，隶属度矩阵中的元素用uij表示，随机选取峰时负荷值c1和谷时负荷值c2作为初始聚类中心向量模糊系数m和分类数c＝2设定聚类算法终止阈值ε，初始化迭代次数k＝0；

39、2.3.2更新聚类隶属度函数，隶属度函数更新的依据是当前聚类中心的位置，隶属度函数代表其对于各个聚类的归属程度，对于第i个数据点来说，其隶属度函数为：

40、

41、上式中：uij表示隶属度矩阵中的元素，||xi-cj||2表示i个数据点对于第j个聚类中心的欧式距离；用式(5)计算隶属度矩阵u(k+1)；

42、2.3.3使用上一步更新好的聚类隶属度函数矩阵对聚类中心的位置进行重新计算，使用隶属度函数值来表示聚类中每个数据点的权值，聚类中心更新公式如下：

43、

44、用式(6)计算计算聚类中心c(k+1)；

45、2.3.4通过评估收敛准则来确定算法是否收敛，重复2.3.2、2.3.3，直到满足如下的终止条件：此时终止聚类迭代；

46、将聚类完成的模糊聚类数据集分为峰时数据和谷时数据输出用于后续聚类预测模型的训练。

47、与现有技术相比，本发明的有益效果为：

48、1、本发明一种基于模糊理论的电动汽车充电负荷预测模型的构建方法中考虑到不确定性因素对于常规神经网络的影响，将模糊理论与神经网络结合，搭建了模糊前件网络与常规后件网络相连接的模糊神经网络。模糊前件网络体现出了模糊理论中模糊化，模糊推理等特点，淡化了不确定性对于神经网络模型的影响，通过整体预测的方式将

49、2、本发明一种基于模糊理论的电动汽车充电负荷预测模型的构建方法中引入了模糊c均值聚类的方法进行了挖掘，分析出了大部分车主充电时间上的规律性，将预测整体划分为了两个部分，对应高峰期和低谷期两个时段。分时预测的方法相较于整体预测的效果更好，模型的最终分时预测结果准确率在90％以上。