[發明專利]一種多充電站協同負荷預測方法及裝置

在審

• 申請號: 202210687630.5
• 申請日: 2022-06-17
• 公開（公告）號: CN115080795A
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 周翊民;羅清松
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F17/16;G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 劉建偉

本發明涉及電力負荷預測領域，具體涉及一種多充電站協同負荷預測方法及裝置。該方法及裝置首先挖掘多充電站的負荷時空信息中的間隱式關聯并將多充電站的負荷時空信息生成多充電站圖式結構，將離散的負荷序列數據轉化為圖數據，進行多充電站的協同負荷預測，解決了傳統負荷預測模型只能預測單個充電站負荷變化的缺點。其次提取多充電站的負荷時空信息及多充電站圖式結構中的時空特征，使用提取出的時空特征對多充電站圖式結構進行迭代圖結構學習，從而提取更準確全面的時空特征。最后構建聯合損失函數，對多充電站圖式結構構建及時空特征提取進程進行聯合訓練，完成端到端的負荷預測，提高模型訓練及預測效率。

技術領域

本發明涉及電力負荷預測領域，具體而言，涉及一種多充電站協同負荷預測方法及裝置。

背景技術

近年來，隨著電力市場的開放和能源互聯網的深化，大量分布式能源設備參與了電力市場運行。電動汽車作為其中一類特殊負荷，存在時間、空間及行為隨機不確定性，大規模電動汽車無序接入電網可能導致電網負荷急劇升高、峰谷差增加，甚至導致電網癱瘓，這為電網的安全運營帶來了新的挑戰。充電站作為電動汽車集中接入電網的主要場所，對充電站負荷變化進行預測可有效規避電網風險。

充電站負荷預測是通過歷史數據預測未來負荷變化情況，以定量分析電動汽車入網對電網的影響。充電站負荷預測實質上是一個時序預測問題，即利用過去一段時間內的負荷數據預測未來的負荷變化。單個充電站的負荷預測值僅與自身的歷史負荷變化相關，而多個充電站分布在城市的不同地理空間中，具有不同的空間特征。對多個充電站進行協同負荷預測，可將其看作一個時空預測問題，每個充電站的負荷預測值不僅與該充電站本身的歷史信息有關，也與其他充電站的負荷歷史信息相關。處理充電站負荷預測的常用方法包括時序建模、回歸分析、模糊預測、深度學習方法。其中：

(1)時序建模：時序建模即根據負荷的歷史數據，建立描述電力負荷隨時間變化的數學模型，在該模型的基礎上確立負荷預測的表達式，并對未來負荷進行預測。

(2)回歸分析：回歸分析預測方法是根據歷史數據的變化規律和影響負荷變化的因素，尋找自變量與因變量之間的相關關系及其回歸方程式，確定模型參數，據此推斷將來時刻的負荷值。

(3)模糊預測：模糊預測法是建立在模糊數學理論上的一種負荷預測技術，模糊數學的概念可以描述電力系統中的一些模糊現象，例如負荷預測中的關鍵因素：天氣狀況的評判、負荷的日期類型的劃分等，將模糊方法應用于負荷預測可以較好地處理負荷變化的不確定性。目前，模糊理論應用于負荷預測主要有以下幾種方法：模糊聚類法、模糊相似優先比法和模糊最大貼近度法等。

(4)深度學習：深度學習法選取過去一段時間的負荷作為訓練樣本，構建適宜的網絡結構，用某種訓練算法對網絡進行訓練，使其滿足精度要求之后，此神經網絡作為負荷預測模型。根據不同的網絡結構可以分為RNN、LSTM、GRU、MLP等方法。

截止目前，在充電站負荷預測領域，現有技術普遍存在的缺陷主要包括：

(1)時序建模、回歸分析、模糊預測等傳統數理統計方法更多是憑借經驗進行建模及參數確定，需要考慮不同影響因素，存在建模復雜且不精確等情況。同時需要大量不同類型的數據進行模型校驗，在不同場景下泛化性能較差。

(2)基于深度學習的方法相比于傳統數理統計方法，能夠自動挖掘負荷變化序列中的時序特征，建模簡單且效果較好。但是現有深度學習模型僅考慮單個充電站的負荷預測，無法進行多個充電站的協同預測，因此針對不同充電站需要單獨訓練網絡模型，計算負載壓力大，可擴展性差。且多個充電站之間存在隱式關聯，現有模型只考慮單個充電站負荷變化的時序特征，忽略了多充電站負荷分布的空間隨機性特征，提取的負荷變化特征不夠準確全面，影響預測準確性。因此針對城市中多充電站的負荷時空特征挖掘，還需要展開進一步研究。

發明內容

本發明實施例提供了一種多充電站協同負荷預測方法及裝置，以至少解決現有技術提取負荷變化特征不夠準確全面的技術問題。