一种预测电动汽车充电负荷时空动态分布的方法技术

本发明专利技术公开了一种预测电动汽车充电负荷时空动态分布的方法，所述方法和系统采集各充电站的负荷数据，根据充电站的位置将充电站负荷用二维矩阵表示并整理成时空序列，将每个时刻的充电负荷画成热量图，在构建充电负荷热量图的基础上，对热量图进行归一化处理并输入到时空动态预测模型进行训练，所述预测模型向三维卷积的卷积核所属时间维度添加空洞因子，从而构成二维空洞卷积层，使模型可以学习到空间维度的信息。所述方法可以很好地学习到充电负荷的时空动态规律，从而在空间维度和时间维度上整体地对负荷进行预测。

【技术实现步骤摘要】
一种预测电动汽车充电负荷时空动态分布的方法
本专利技术涉及一种预测电动汽车充电负荷时空动态分布的方法。
技术介绍
近年来，随着能源危机和环境污染问题的不断加剧，电动汽车作为一种低碳、清洁的交通工具，受到世界各国政府的高度关注。随着电动汽车保有量增加，大规模电动汽车接入电网充电，将对电力系统的运行与规划产生不可忽视的影响，电动汽车的充电负荷预测对电网调度、充电站规划、电力市场交易、用户便捷经济出行等方面都具有重要的作用。电动汽车负荷预测方法主要分为两类：第一类是采用数学模型模拟电动汽车充电行为，从而得出电动汽车负荷预测值的方法，基于数学模型的充电负荷预测建模时，存在着多方面的不确定性因素，在综合考虑充电负荷的时空特性时存在模型考虑不全面，复杂模型求解困难等问题，难以保证其预测精度。第二类是基于历史数据采用统计学习模型进行预测的方法，传统预测方法有回归分析法、相似日法等，现代预测方法有基于神经网络的预测法、基于小波分析的预测法以及支持向量机(SupportVectorMachine，SVM)预测法等。该类方法用模型学习历史数据的潜在规律，从而达到较好的预测效果。但是现有电动汽车充电负荷预测统计学习方法都是只考虑时间维度的预测方法，预测电动汽车充电负荷时，现有研究往往视充电负荷为一类仅具有时变特性的固定负荷，忽略了其可移动性，电动汽车充电负荷也包含了复杂的空间性，综合考虑负荷时间以及空间的双重动态变化，才能更好的进行时空动态预测。因此，有必要设计一种预测电动汽车充电负荷时空动态分布的方法。专利
技术实现思路
本专利技术所要解决的技术问题是提供一种预测电动汽车充电负荷时空动态分布的方法，本专利技术能给电网带来时空二维的负荷信息，为城市充电设施规划提供更具体的参考。专利技术的技术解决方案如下：一种预测电动汽车充电负荷时空动态分布的方法，包括以下步骤：步骤1：生成基于充电站充电负荷的热量图；步骤2：将热量图输入到时空动态预测模型，获得预测结果；时空动态预测模型是基于历史的热量图进行训练获得的。当前和历史的热量图获取方法：根据充电站的位置将充电站负荷用二维矩阵表示并整理成时空序列，时刻t的电动汽车空间负荷矩阵表示如下：D＝{D1，D2，...，DT}，D∈RT×X×Y，时刻t的电动汽车空间负荷矩阵表示如下：其中为空间坐标为(x，y)点的负荷量；然后根据充电站负荷矩阵，将每个时刻的充电负荷转换成热量图。对历史的热量图进行归一化处理并输入到时空动态预测模型进行训练，预测模型将应用在空间维度的三维卷积结构和一维空洞因果卷积结构相结合组成二维空洞因果卷积神经网络，其中卷积过程为：式中：是位于x、y、z的第l层第j个卷积结果，其中x为时间维度，y为图像高度，z为图像宽度，bij是偏置项(偏置项允许将激活函数向左或向右移位，可以更好地拟合数据，是网络自己学习，不是人为设定)，r表示感受野的大小(即卷积核时间维度)，p，q表示变化的卷积核的高和宽，与Pi和Qi相对应，d是空洞因子，假设是L层空洞卷积，为了让空洞卷积获得更长的感受野，那每层的空洞因子应该呈2的指数倍增加，d∈[20，21，...，2L-1]；m为对应卷积核的个数，一般取值2的次幂；h(·)表示一个非线性的激活函数ReLU，ReLU(x)＝max(0，x)，Pi和Qi是卷积核的高和宽，Ri是三维卷积核中的时间维度，是坐标为(p，q)的卷积核的参数值，第一层求和是对卷积核宽求和，第二层求和是对卷积核高求和，第三层求和是对卷积核时间维度求和，最后一层求和是对所有的卷积核求和，感受野的大小r＝2L-1R；R是三维卷积核第一维的大小，L为卷积层数；该预测模型的目标函数如下：其中W代表预测网络结构的参数，γ是正则顶的权重，取值0.01，ypre、yture是预测值和真实值(E是关于w的函数，即上面所提空洞卷积神经网络的所有待求模型参数w的集合)。所述步骤2中模型网络每一层均具有从输入到输出卷积的残差连接，前一层得到的结果作为随后的空洞卷积层中的输入，总计堆叠L层二维空洞卷积残差连接层。模型网络涉及外部宏观影响因素，从外部数据集中提取特征，包括天气条件(晴朗、雨天)和日期类型(周几、月份、是否为节假日)特征，然后将它们输入到两层全连接的神经网络中，将得到的结果与卷积的输出集成在一起，最后，通过输出层得到最终的预测结果。一维空洞卷积可以学习充电负荷的长期依赖关系，但仅能用在一维的时间序列当中，当我们需要考虑到空间维度的时间序列时就不适用了，而精确的考虑电动汽车充电负荷需考虑时空动态性。因此将应用在空间维度的三维卷积结构(将图像数据根据时间维度堆叠为三维数据后进行卷积)和一维空洞因果卷积结构相结合组成二维空洞因果卷积神经网络，也就是模型将一维空洞卷积的一维卷积替换为三维卷积，从而实现更加准确的预测。进一步地：步骤2中根据式X′i＝Xi/Xmax对热量图进行归一化处理。进一步地：步骤2中三维卷积结构和一维空洞卷积结构为已有技术，利用空洞卷积神经网络来构建该模型因果系统，采用堆叠空洞卷积层的结构学习充电负荷长期相关性，采用三维卷积捕获充电负荷空间维度信息和时间维度的信息。进一步地：步骤2中模型网络每一层均具有从输入到输出卷积的残差连接，前一层得到的结果作为随后的空洞卷积层中的输入，总计堆叠L层二维空洞卷积残差连接层。进一步地：骤2中模型网络在外部宏观影响因素中，从外部数据集中提取一些特征，如天气条件(晴朗、雨天)和日期类型(周几、月份、是否为节假日)特征，然后将它们输入到两层全连接的神经网络中，将其得到的结果与卷积的输出集成在一起。最后，若目标函数E(W)超过15次不下降则训练完成，通过输出层得到最终的预测结果。整个迭代过程每层卷积网络的中的w为网络自己学习得到，其他参数均为超参数，需提前设定，根据预测结果进行调整。有益效果：本专利技术提供一种预测电动汽车充电负荷时空动态分布的方法。所述方法和系统采集各充电站的负荷数据，根据充电站的位置将充电站负荷用二维矩阵表示并整理成时空序列，将每个时刻的充电负荷画成热量图，在构建充电负荷热量图的基础上，对热量图进行归一化(归一化是所有的输入的图进行归一化)处理并输入到时空动态预测模型进行训练，所述预测模型向三维卷积的卷积核所属时间维度添加空洞因子，从而构成二维空洞卷积层，使模型可以学习到空间维度的信息。然后通过此类层的堆叠构成整个网络，保证网络能够接受到长期的历史输入，使模型能够学习到时间维度信息。所述方法可以很好地学习到充电负荷的时空动态规律，从而在空间维度和时间维度上整体地对负荷进行预测，能给电网带来时空二维的负荷信息，有助于合理规划充电设施的布局及容量配置，将为城市充电设施规划提供更具体的参考。附图说明图1为本专利技术的方法流程图；图2为根据本专利技术的预测模型网络结构图；图3为L＝3时的网络结构。图4为热量图示意图；本文档来自技高网...

【技术保护点】
1.一种预测电动汽车充电负荷时空动态分布的方法，其特征在于，包括以下步骤：/n步骤1:生成基于充电站充电负荷的热量图；/n步骤2：将热量图输入到时空动态预测模型，获得预测结果；/n时空动态预测模型是基于历史的热量图进行训练获得的。/n

【技术特征摘要】
20200113 CN 20201003427291.一种预测电动汽车充电负荷时空动态分布的方法，其特征在于，包括以下步骤：
步骤1:生成基于充电站充电负荷的热量图；
步骤2：将热量图输入到时空动态预测模型，获得预测结果；
时空动态预测模型是基于历史的热量图进行训练获得的。


2.根据权利要求1所述的预测电动汽车充电负荷时空动态分布的方法，其特征在于，
当前和历史的热量图获取方法：
根据充电站的位置将充电站负荷用二维矩阵表示并整理成时空序列，时刻t的电动汽车空间负荷矩阵表示如下：
D＝{D1,D2,...,DT},D∈RT′X′Y，时刻t的电动汽车空间负荷矩阵表示如下：



其中为空间坐标为(x,y)点的负荷量；
然后根据充电站负荷矩阵，将每个时刻的充电负荷转换成热量图。


3.根据权利要求2所述的预测电动汽车充电负荷时空动态分布的方法，其特征在于，
对历史的热量图进行归一化处理并输入到时空动态预测模型进行训练,预测模型将应用在空间维度的三维卷积结构和一维空洞因果卷积结构相结合组成二维空洞因果卷积神经网络，其中卷积过程为：式中：是位于x、y、z的第l层第j个卷积结果，其中x为时间维度，y为图像高度，z为图像宽度,bij是偏置项，r表示感受野的大小(即卷积核时间维度)，p,q表示变化的卷积核的高和宽，与Pi和Qi相对应，d是空洞因子，假设...

【专利技术属性】
技术研发人员：彭曙蓉，张恒，陆双，杨云皓，黄士峻，李彬，郑国栋，刘登港，王超洋，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43