[發(fā)明專利]一種電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811360331.0
• 申請(qǐng)日: 2018-11-15
• 公開(kāi)（公告）號(hào): CN109508830B
• 公開(kāi)（公告）日: 2022-09-02
• 發(fā)明（設(shè)計(jì)）人: 張秀釗;王志敏;錢紋;趙爽;劉娟;陳宇;趙岳恒
• 申請(qǐng)（專利權(quán)）人: 云南電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 北京弘權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11363
• 代理人: 逯長(zhǎng)明;許偉群

本申請(qǐng)公開(kāi)了一種電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法，包括：將充電樁負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理；根據(jù)充電負(fù)荷數(shù)據(jù)和充電樁位置信息構(gòu)建時(shí)空動(dòng)態(tài)負(fù)荷矩陣；將時(shí)空動(dòng)態(tài)負(fù)荷矩陣進(jìn)行歸一化處理，得到時(shí)空動(dòng)態(tài)負(fù)荷歸一化矩陣；將時(shí)空動(dòng)態(tài)負(fù)荷歸一化矩陣劃分為訓(xùn)練集和測(cè)試集；根據(jù)訓(xùn)練集訓(xùn)練，得到二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型；測(cè)試模型，若二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)使得目標(biāo)函數(shù)在測(cè)試集上最小，則根據(jù)模型進(jìn)行預(yù)測(cè)，并進(jìn)行反歸一化，否則，調(diào)整二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型超參數(shù)，重新獲取二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型。本申請(qǐng)中的二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型能夠充分考慮時(shí)間和空間，實(shí)現(xiàn)對(duì)電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷的精準(zhǔn)預(yù)測(cè)。

技術(shù)領(lǐng)域

本申請(qǐng)涉及電力系統(tǒng)運(yùn)行和負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法。

背景技術(shù)

電動(dòng)汽車因其節(jié)能減排、綠色環(huán)保等特點(diǎn)，被認(rèn)為是解決當(dāng)今能源緊張、環(huán)境問(wèn)題的有益途徑之一，從而受到各國(guó)政府和企業(yè)大力支持和推廣。由于電動(dòng)汽車用戶需求和行為的不確定性與相互差異，未來(lái)大規(guī)模電動(dòng)汽車充電負(fù)荷具有時(shí)間和空間上的隨機(jī)性、間歇性和波動(dòng)性等不確定特點(diǎn)，將給電網(wǎng)的安全運(yùn)行和優(yōu)化調(diào)度帶來(lái)困難，因此需要對(duì)電動(dòng)汽車充電負(fù)荷進(jìn)行有效的預(yù)測(cè)。

目前，電動(dòng)汽車負(fù)荷預(yù)測(cè)的方式主要包括兩種。第一，采用數(shù)學(xué)模型預(yù)測(cè)電動(dòng)汽車負(fù)荷的方法，該方法從電動(dòng)汽車日行駛里程、日停放需求時(shí)空分布特性入手，分析充電需求。具體采用蒙特卡洛模擬方法，仿真電動(dòng)汽車在不同時(shí)間和空間內(nèi)的停放、駕駛以及充電行為，預(yù)測(cè)電動(dòng)汽車充電負(fù)荷的時(shí)空分布特性。第二，基于歷史數(shù)據(jù)采用統(tǒng)計(jì)學(xué)習(xí)模型進(jìn)行預(yù)測(cè)的方法，用模型學(xué)習(xí)歷史數(shù)據(jù)的潛在規(guī)律，從而達(dá)到預(yù)測(cè)電動(dòng)汽車充電負(fù)荷的時(shí)空分布特性的效果。

上述第一種方法中，在綜合考慮充電負(fù)荷的時(shí)空特性時(shí)，需要考慮對(duì)的因素太多，數(shù)學(xué)模型太過(guò)復(fù)雜，難以保證預(yù)測(cè)精度，第二種方法中，針對(duì)電動(dòng)汽車負(fù)荷預(yù)測(cè)此類方法只考慮了時(shí)間維度預(yù)測(cè)，而沒(méi)有考慮電動(dòng)汽車負(fù)荷所帶來(lái)的空間隨機(jī)性。因此，亟需設(shè)計(jì)一種能夠準(zhǔn)確預(yù)測(cè)到電動(dòng)汽車的時(shí)空動(dòng)態(tài)負(fù)荷的方法。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┝艘环N電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法，以解決現(xiàn)有技術(shù)中無(wú)法精準(zhǔn)有效的對(duì)電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷進(jìn)行預(yù)測(cè)的技術(shù)問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本申請(qǐng)實(shí)施例公開(kāi)了如下技術(shù)方案：

本申請(qǐng)實(shí)施例公開(kāi)了一種電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法，所述方法包括：

步驟S101：將充電樁負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理；

步驟S102：根據(jù)所述充電負(fù)荷數(shù)據(jù)和充電樁位置信息構(gòu)建時(shí)空動(dòng)態(tài)負(fù)荷矩陣；

步驟S103：將所述時(shí)空動(dòng)態(tài)負(fù)荷矩陣進(jìn)行歸一化處理，得到時(shí)空動(dòng)態(tài)負(fù)荷歸一化矩陣；

步驟S104：將所述時(shí)空動(dòng)態(tài)負(fù)荷歸一化矩陣劃分為訓(xùn)練集和測(cè)試集；

步驟S105：根據(jù)所述訓(xùn)練集訓(xùn)練，得到二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟S106：根據(jù)所述測(cè)試集測(cè)試所述二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)果，若二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)使得目標(biāo)函數(shù)在測(cè)試集上最小，則進(jìn)行步驟S107，否則，調(diào)整所述二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型超參數(shù)，返回步驟S105；

步驟S107：根據(jù)所述二維空洞因果卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，并進(jìn)行反歸一化。

優(yōu)選的，在上述電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法中，所述將充電樁負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，包括：

查看所述充電樁負(fù)荷數(shù)據(jù)中的缺失值和異常值；

將所述缺失值和所述異常值去掉，并根據(jù)拉格朗日差值法填充有效值。

優(yōu)選的，在上述電動(dòng)汽車時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)的方法中，根據(jù)所述充電負(fù)荷數(shù)據(jù)和充電樁位置信息構(gòu)建時(shí)空動(dòng)態(tài)負(fù)荷矩陣，包括：