考虑用户行为的电动汽车区域充电负荷超短期预测方法与流程

本发明涉及电动汽车充电负荷的准确预测在电网中保证系统安全稳定运行的领域，提出了一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，更好地预测电动汽车充电负荷，有效降低预测误差，保障电网安全稳定运行。

背景技术：

1、电动汽车(ev)的数量正在迅速增长，预计到2030年，中国的电动汽车数量将达到6000万辆。然而，由于电动汽车的充电负荷在时间和空间上具有不确定性，当大量电动汽车在一天内接入电网进行充电时，可能会给电网带来巨大的负荷冲击。这对于电网的安全、经济和稳定运行提出了严峻挑战。因此，为了满足电网调度需求并实现电动汽车充电负荷的有序控制，对电动汽车充电负荷的预测研究至关重要。电动汽车充电负荷与电动汽车的到达时间和荷电状态(state ofcharge，soc)密切相关。目前的研究已在电动汽车行驶和soc状态预测方面展开了相关工作。

2、基于高斯分布的蒙特卡罗抽样方法是一种广泛应用的预测方法。通过对大量电动汽车历史行驶数据进行拟合，可以得到电动汽车行驶模式的概率密度函数。利用基于概率密度分布函数的蒙特卡罗抽样方法，可以对电动汽车进行预测。预测结果与抽样参数密切相关。然而，电动汽车行驶过程中存在多种不确定性，拟合得到的采样分布参数需要较大历史数据数量，当前阶段的ev历史充电数据相对匮乏，且ev正处于快速发展阶段，其历史数据具有明显的时效性，参考价值不高，难以准确代表预测时间点的真实情况。因此，考虑ev充电行为和出行特性之间的关联机理以及时间序列反馈信息和预测时间点的实际情况，提高预测能力是必要的。

3、为了解决这个问题，构建了基于神经网络的数据驱动电动汽车到达时间滚动预测模型，然后利用交替方向乘子法(admm)对神经网络进行训练，滚动预测电动汽车到达数，再提出一个修正公式对结果进行修正，以减少预测误差。

技术实现思路

1、本发明所要解决的技术问题是，针对电动汽车数量迅速增加且充电负荷难以预测的问题，提出一种考虑用户行为的电动汽车区域充电负荷超短期预测方法。首先，构建基于神经网络的数据驱动电动汽车到达时间滚动预测模型；其次，利用交替方向乘子法(admm)对神经网络进行训练；最后，在有效避免局部最优和其他极端条件前提下，对充电汽车达到数量滚动预测的同时，提出一个数学公式，修正预测结果，减少预测误差，以实现在电力负荷高峰期，电网可提前采取对策，确保电网的安全运行。

2、为了实现上述技术目的，本发明的技术方案是，

3、一种考虑用户行为的电动汽车区域充电负荷超短期预测方法，包括以下步骤：

4、s1、获取待预测区域的电动汽车ev出行历史数据。

5、s2、建立神经网络，并基于出行历史数据，采用admm方法对模型进行训练。

6、s3、基于步骤s2训练完成后的神经网络模型进行ev在时间点t的到达数量的滚动预测，并引入实时修正公式，基于t的前一个小时的模型预测误差来修正预测结果。

7、s4、根据步骤s3中预测得到电动汽车到达数量，考虑电动汽车行驶距离服从对数正态分布，根据历史数据拟合，得到充电负荷预测结果。

8、所述的方法，所述的步骤s1中，ev的出行历史数据包括：

9、当前月份x1，t、是否节假日x2，t、电动汽车的总数量x3，t、当前时刻x4，t，当前时刻前的4个时刻电动汽车达到的数量分别为x5，t，x6，t，x7，t和x8，t，当前时刻电动汽车汽车达到数量为yt。其中t＝1，2，...，t，t为一天内划分的时间区间个数即时刻数量。

10、所述的方法，所述的步骤s2中，建立神经网络包括：

11、s2.1建立预测电动汽车当前时刻到达数量的神经网络模型

12、构建一个包括输入层、两个隐藏层和输出层的神经网络模型，其中神经网络模型的输入xt＝[x1，t，x2，t，...，x8，t]，输出为yt。a1和a2分别为隐藏层的输出，f是隐藏层的sigmoid激活函数。wl是第l层的权重，bl是第l层的偏置，l＝1，2，3。每个隐藏层包含m个神经元。输入层设置有8个神经元，输出层设置有1个神经元，则神经网络模型的输出xt和输入yt之间的关系为：

13、z1，t＝w1a0+b1，a1，t＝f1(z1，t)，a0＝xt

14、z2，t＝w2a1，t+b2，a2，t＝f2(z2，t)

15、z3，t＝w3a2，t+b3，yt＝z3，t

16、其中z1，t表示xt经过第一个隐藏层之后的输出，z2，t表示初始输入xt经过第二个隐藏层之后的输出，z3，t表示输出yt。

17、神经网络模型的函数表示为：

18、

19、式中：z3＝[z3，1，...z3，t，...，z3，t]p，p表示矩阵转置。

20、将神经网络模型转写成优化模型的形式为：

21、

22、其中表示最后一层的损失风险函数，min表示最小化。

23、所述的方法，所述的步骤s2中，采用admm方法对模型进行训练的过程包括：

24、s2.2将优化模型表示为增广拉格朗日函数形式：

25、

26、其中rl(wl)是第l层的正则化项，rl(wl)＝wtw，v为可调节的参数，用来限制惩罚项的大小，且满足v＞0。u为所对应限制条件的对偶变量，ρ是admm算法所需要的超参数，且始终满足ρ＞0的限制条件，l(z3；y)和rl(wl)都是连续的凸函数。

27、在模型训练过程中，采用多次往复迭代的参数更新形式。在训练过程中，每层神经网络的模型参数都遵循先反向更新，然后由后向前向继续更新的原则。所有参数更新的公式如下所示：

28、

29、

30、

31、

32、

33、

34、

35、

36、其中，表示第k次反向更新迭代时的第l层网络参数，则表示第k次前向更新迭代时的第l层网络参数，argmin表示使计算式达到最小值时变量的取值。

37、所述的方法，所述的步骤s3包括：

38、s3.1滚动预测：

39、训练后的模型用于时刻t的滚动预测。神经网络模型需要获得时刻t之前一小时的出行历史数据。随后，使用经过训练的神经网络模型来预测ev在时刻t的到达情况。

40、s3.2预测结果实时修正：

41、根据已经到达的ev的反馈信息，基于时刻t之前一小时的模型预测误差来修正预测结果。实时修正方法如下：

42、

43、其中t和i表示时间节点，yi是滚动预测模型的预测结果，是时间节点i真实的电动汽车到达数量，yt是神经网络模型的输出也即电动汽车到达数量预测结果，yt′是经过修正后的电动汽车到达数量预测结果。

44、所述的方法，所述的步骤s3.1和步骤s3.2中，时刻t之前一小时中包括4个时刻，即一天内划分的时间区间个数即时刻数量t为96。

45、所述的方法，所述的步骤s4包括：

46、s4.1拟合概率电动汽车行程结束时间分布模型

47、以ev的动力电池在开始行程时已经充满电能，即电池荷电状态soc为100，电动汽车回家后的剩余电池容量取决于日常行驶距离，则利用历史行驶距离数据建立行驶距离的概率分布模型，且单日行驶距离遵循对数正态分布，故有：

48、

49、其中d代表电动汽车单日行驶距离，μd表示函数期望值，σd表示函数标准差，lnd表示对单日行驶距离进行求对数，π表示圆周率，e表示自然对数。

50、根据得到的行驶距离的概率分布，对t时刻到达的电动汽车行驶距离抽样，得到该时刻的已行驶的距离di，t，进而得到每辆电动汽车到家时的soc状态，即：

51、

52、其中，c表示电动汽车的电池容量，pkm表示每辆电动汽车每公里耗电量。

53、s4.2电动汽车充电负荷预测结果：

54、每辆电动汽车的充电时长tc，i为：

55、

56、其中c为电动汽车续航里程，pc为充电功率。

57、在每个时间区间内的电动汽车的充电状态为

58、

59、其中ta，i为第i辆电动汽车到达的时刻，a∈yt′。

60、进而得到当天的每辆电动汽车的充电曲线，叠加后即得到t时刻的电动汽车充电负荷pt为：

61、

62、本发明的技术效果在于，

63、1、本发明构建了一个基于神经网络的考虑用户行为的电动汽车到达时间滚动预测模型，采用神经网络来进行数据挖掘，改善了蒙特卡洛等传统预测方法无法反映实时预测时刻的真实场景的缺点，提高预测准确度。

64、2、本发明利用交替方向乘子法(admm)对神经网络进行训练，相较于随机梯度下降算法，不涉及任何梯度的计算，且神经网络参数可以并行独立更新，有效避免了局部最优和其他极端条件的出现。

65、3、本发明充分利用了已到达电动汽车的反馈信息，在滚动预测基础上，引入一个数据修正公式，对预测结果进行修正，改善了数据驱动模型难以拟合预测时间的真实情况的缺点，减少预测误差，提高预测精度。