一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法与流程

本发明属于电动汽车充电预测计算领域，具体涉及一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法。

背景技术：

1、随着物联网以及智慧电网的迅速发展，供需平衡中需求侧资源的作用逐渐增大。然而，大量无序应用需求响应技术会严重影响配电网的可靠性。基于需求响应的虚拟电厂调控策略应运而生，用户基线负荷是科学合理地评判各类不同需求响应实施项目中电力用户响应负荷减少程度及价值的重要标志，同时也是对积极响应调控需求方激励经济补偿发放的重要依据。虚拟电厂系统主要包括发电单元、储能单元及耗能负荷单元，主要作用为满足供需合约、参与市场电力调度，由于电动汽车充电方式随机性强，多辆电动汽车同时充电会造成配电网不稳定，因此合理的规范和引导电动汽车充电十分必要，应通过合理的方法聚合区域内的电动汽车进行统筹管理。

2、传统的预测方法无法满足多因素、大数据的环境要求，因此越来越多的综合性算法被应用到虚拟电厂负荷预测中。现有预测方法多局限于时间序列概念或依托于大数据的智能算法；时间序列承载的影响因素如气温、光照强度等虽有一定的趋势，但仍受到天气、地区等条件的影响。现有技术方法中采用时间序列预测法存在考虑不完全，预测精度不高等特点。而采用智能算法兼顾各因素影响的预测方法，虽提高了预测模型的稳定性，但存在影响因素的量化规则制定区分度不高，且未充分考虑时间序列对负荷的影响或多模型叠加导致模型过于复杂，运算数据量大等缺点。因此我们需要选取合适的预测方法对它们实现预测，并利用预测数据支持完成虚拟电厂的调度策略，在保障电力系统稳定运行的同时，完成电力用户需求响应的经济补偿，实现电网侧与用户侧双赢。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，而提供一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法，通过采用灰色关联分析法根据待预测日各时刻特征组合相似日样本集作为卷积神经网络训练集，解决上述背景技术中的问题。

2、本发明的目的是这样实现的：一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

3、s1、选取数据集；

4、s2、构造特征矩阵；

5、s3、参数选取。

6、进一步地，所述选取数据集以相似日为单位选取数据集，忽略时间序列对电动汽车充电负荷的影响；将相似日按时刻分为24个样本，选取当前时刻t对负荷影响比较大的因素。

7、进一步地，所述当前时刻t包括当前时刻日类型、当前时刻天气状况、当前时刻温度、当前时刻所在区域以及当前时刻电价；选取这些因素组成当前时刻t历史负荷特征向量，并将当前时刻负荷相关因素转化成数值量。

8、进一步地，所述当前时刻t的时刻特征向量以预测日的各时刻特征向量为基准，与历史日各时段特征向量对比，特征向量一致的选做当前时刻特征量粗集；再通过灰色关联分析法以数据序列的相似程度来判断关联性，采用灰色关联分析法选取相似日。

9、进一步地，所述构造特征矩阵包括构造特征向量矩阵和数据无量钢化，所述特征向量矩阵为，

10、

11、v＝(v1,v2,v3,••v24)t

12、式中：vt是m×(n+1)维矩阵，m和n分别是特征向量个数及t时刻样本个数；为待预测日t时刻的特征向量；v是24时刻样本组成的相似日特征向量；

13、所述数据无量钢化包括对矩阵v中数据进行无量纲化，得到矩阵v′：

14、

15、式中：i＝0,1,2,…,n；t＝1,2,…,24；k＝0,1,2…,m；为t时刻第i个样本的第k个无量纲化特征向量。

16、进一步地，所述构造特征矩阵还包括计算差矩阵、计算关联系数和计算灰色关联度；所述计算关联系数包括分别计算每个相似日各时刻粗集特征向量与待预测日各时刻特征向量对应分量的关联系数，所述关联系数的表达式为，

17、

18、式中：ρ为分辨系数，ρ∈(0,1)，ρ越小则关联系数的差异越大，区分能力越强，ρ通常情况下取0.5。

19、进一步地，所述参数选取通过卷积神经网络进行参数选取，选取相似日的负荷值以及预测日的日类型、天气状况、温度、所在区域和电价，并输入变量，输出变量为预测日的负荷值；在原有的网络构造中加入两个转换层，用于将输入向量转换为二维矩阵进行训练，并在训练后将二维图像形式的数据转换为一维时间序列；构建卷积神经网络模型确定超参数。

20、进一步地，所述超参数包括激活函数、卷积核数目和卷积核，通过线性激活函数，提升卷积神经网络训练效率；所述卷积神经网络模型的作用是进行特征提取；所述卷积核为一个数据窗口，从左上依次滑动到右下，把整个图像进行扫描一遍，从而获取数据信息；采用权值共享与局部连接的方式，从原始数据中直接获得有效表征，自动提取数据的局部特征。

21、进一步地，所述卷积核包括第一层和第二层，第一层的卷积核大小为1*3，卷积核个数设置为6个；第二层卷积层的卷积核大小2*3，卷积核个数设置为8个；并在每个卷积层之后使用的relu函数作为激活函数，其表达式和导数为，

22、relu＝f(x)＝max(0,x)

23、

24、relu函数为分段函数，输入值以0为分界，输入为负的时候，输出就只能全部为0；而当输入大于0的时候，输出的是输入本身；其为网络非线性化的激活函数，优势在于求导为常数，在进行损失运算时较为简单。

25、进一步地，所述第一层和第二呈之间设置有池化层，所述池化层用于减小空间特征的维度来减少了网络中参数和计算的数量；选取的最大池化方法，设计一个大小为2*2步长为2的池化核，取最大值计算得池化结果；以所述relu函数作为激活函数，交叉熵作为损失函数，通过adam作为优化方法得出电动汽车充电负荷预测的结果。

26、本发明的有益效果：通过综合考虑时间序列及日期类型、温度、天气等重要因素对虚拟电厂电动汽车充电负荷的影响，并进一步削减模型复杂度及运算量；将收集的数据分割为24时段样本集，经改进的模糊聚类与灰色关联度分析选取高关联度数据组成相似日数据集，不仅大大提高各影响因素的量化区分度，还兼顾了时间序列的概念，保存了在时间尺度上的特征量。卷积神经网络具有构造较为精简，采用权值共享技术可使网络结构参数规模较小，特征提取和探索结构功能强的特点。由此，本发明提出的预测方法可以获得更加高质量的相似日数据集，更加精简的预测模型以及更好的预测精度，便于虚拟电厂的生成优化调度策略。

技术特征：

1.一种适应虚拟电厂优化调度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所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述选取数据集以相似日为单位选取数据集，忽略时间序列对电动汽车充电负荷的影响；将相似日按时刻分为24个样本，选取当前时刻t对负荷影响比较大的因素。

3.根据权利要求2所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述当前时刻t包括当前时刻日类型、当前时刻天气状况、当前时刻温度、当前时刻所在区域以及当前时刻电价；选取这些因素组成当前时刻t历史负荷特征向量，并将当前时刻负荷相关因素转化成数值量。

4.根据权利要求3所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述当前时刻t的时刻特征向量以预测日的各时刻特征向量为基准，与历史日各时段特征向量对比，特征向量一致的选做当前时刻特征量粗集；再通过灰色关联分析法以数据序列的相似程度来判断关联性，采用灰色关联分析法选取相似日。

5.根据权利要求1所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述构造特征矩阵包括构造特征向量矩阵和数据无量钢化，所述特征向量矩阵为，

6.根据权利要求5所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述构造特征矩阵还包括计算差矩阵、计算关联系数和计算灰色关联度；所述计算关联系数包括分别计算每个相似日各时刻粗集特征向量与待预测日各时刻特征向量对应分量的关联系数，所述关联系数的表达式为，

7.根据权利要求1所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述参数选取通过卷积神经网络进行参数选取，选取相似日的负荷值以及预测日的日类型、天气状况、温度、所在区域和电价，并输入变量，输出变量为预测日的负荷值；在原有的网络构造中加入两个转换层，用于将输入向量转换为二维矩阵进行训练，并在训练后将二维图像形式的数据转换为一维时间序列；构建卷积神经网络模型确定超参数。

8.根据权利要求7所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述超参数包括激活函数、卷积核数目和卷积核，通过线性激活函数，提升卷积神经网络训练效率；所述卷积神经网络模型的作用是进行特征提取；所述卷积核为一个数据窗口，从左上依次滑动到右下，把整个图像进行扫描一遍，从而获取数据信息；采用权值共享与局部连接的方式，从原始数据中直接获得有效表征，自动提取数据的局部特征。

9.根据权利要求8所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述卷积核包括第一层和第二层，第一层的卷积核大小为1*3，卷积核个数设置为6个；第二层卷积层的卷积核大小2*3，卷积核个数设置为8个；并在每个卷积层之后使用的relu函数作为激活函数，其表达式和导数为，

10.根据权利要求9所述的适应虚拟电厂优化调度的电动汽车充电负荷预测方法，其特征在于：所述第一层和第二呈之间设置有池化层，所述池化层用于减小空间特征的维度来减少了网络中参数和计算的数量；选取的最大池化方法，设计一个大小为2*2步长为2的池化核，取最大值计算得池化结果；以所述relu函数作为激活函数，交叉熵作为损失函数，通过adam作为优化方法得出电动汽车充电负荷预测的结果。

技术总结
本发明公开了一种适应虚拟电厂优化调度的电动汽车充电负荷预测方法，属于电动汽车充电预测计算领域，通过综合考虑时间序列及日期类型、温度、天气等重要因素对虚拟电厂电动汽车充电负荷的影响，并进一步削减模型复杂度及运算量；将收集的数据分割为24时段样本集，经改进的模糊聚类与灰色关联度分析选取高关联度数据组成相似日数据集，不仅大大提高各影响因素的量化区分度，还兼顾了时间序列的概念，保存了在时间尺度上的特征量。本发明提出的预测方法可以获得更加高质量的相似日数据集，更加精简的预测模型以及更好的预测精度，便于虚拟电厂的生成优化调度策略。

技术研发人员：贾一博,白宏坤,王圆圆,华远鹏,王世谦,韩丁,卜飞飞,李秋燕,宋大为,王涵
受保护的技术使用者：国网河南省电力公司经济技术研究院
技术研发日：
技术公布日：2024/1/15