【技术实现步骤摘要】
本专利技术属于新能源领域，涉及电车充电站负荷预测技术，具体涉及一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法。
技术介绍
1、电动汽车在全球变暖、能源紧张、环保需求、科技快速发展等背景下，得到了各国各地政府和企业的积极推广。我国电动汽车充电基础设施实现了跨越式发展，充电技术快速提升，标准体系逐步完备，产业生态稳步形成，建成世界上数量最多、辐射面积最大、服务车辆最全的充电基础设施体系。但快速发展导致的充电负荷日益增加，不同电车充电负荷种类复杂，不同天气，不同用户的充电习惯差异而影响电动汽车充电负荷波动等问题都将对电网产生不可忽视的影响。因此，对电动汽车充电负荷进行准确预测是建设可持续发展的电动汽车行业和智能能源管理的重要一环。
2、在过去的几年里，许多研究者们积极探索各种方法来预测电动汽车充电负荷。目前，电动汽车负荷预测的主流方法主要包括统计模型、机器学习、优化和混合方法。统计模型利用历史数据和统计分析来预测负荷，可以使用时间序列分析、回归模型等建立预测模型。机器学习方法利用历史数据训练模型，通过学习数据的模式和关系来进行预测，常用算法有支持向量机、随机森林和神经网络。优化方法将负荷预测问题转化为优化问题，考虑充电需求、能源成本等因素，通过优化算法求解最优充电策略。混合方法结合多种方法的优点，利用统计模型处理长期趋势和季节性影响，利用机器学习方法处理复杂非线性关系。
3、现有的机器学习电动汽车充电负荷预测方法存在以下问题：首先，它们依赖于历史数据，忽视了电动汽车充电行为中的复杂非线性特
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，提供一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，提升了电车充电站负荷预测模型的准确性。
2、技术方案：为实现上述目的，本专利技术提供一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，包括如下步骤：
3、s1：采用anvd自适应非负变分分解对电车充电站负荷时序进行分解，获取到充电负荷imf；
4、s2：根据电车充电站负荷时序，构建电车用户典型充电特征；
5、s3：将步骤s1分解后的每个充电负荷imf与步骤s2构建的典型充电特征进行基于dtw动态时间规划的分类匹配，获取到不同类别的特征时序；
6、s4：基于tcn时域卷积网络构建充电负荷预测模型，并且针对不同类别的特征时序对充电负荷预测模型进行训练和预测；
7、s5：将所有类别特征时序对应的预测结果叠加得到电车充电站负荷预测结果。
8、进一步地，所述步骤s1具体为：
9、anvd(adaptive non-negative variational decomposition，anvd)在vmd变分模态分解的基础上，采用交替方向乘子法admm进行优化，引入惩罚项和拉格朗日乘子λ(t)，在vmd目标函数的基础上形成如下拉格朗日函数：
10、
11、式中，uk为分解出的各个模态；ωk为模态函数相对应的频率集合；δ(t)为狄拉克函数；α为正则化参数，控制正则化项的权重；λ为拉格朗日乘子，用于admm算法中的对偶更新；f(t)为原始负荷时序。
12、进一步地，所述步骤s1中为确保每个充电负荷分量uk都是非负的，需要在优化问题中添加非负性约束：
13、
14、由此，优化目标变为在满足非负性条件下，最小化拉格朗日函数：
15、
16、在admm的优化过程中，在更新每个模态函数uk时，需要确保其非负性，其公式为：
17、
18、式中，表示取实部；f和f-1分别表示傅里叶变换和傅里叶逆变换；
19、中心频率和拉格朗日乘子的更新不受非负性约束影响，按照标准vmd更新公式进行。
20、进一步地，所述步骤s2具体为：
21、收集充电站私人电车、网约车、公共巴士等充电信息，提取充电信息的特征指标，包括：充电频率、充电时间、充电功率、每日充电量和充电时间段分布；
22、根据提取的特征指标，采用蒙特卡洛抽样方法模拟不同类型电车用户的充电行为；通过随机采样的方法，从历史数据中生成大量可能的充电行为样本，并根据蒙特卡洛模拟的结果，为每种类型电车用户生成典型的充电特征曲线。
23、进一步地，所述步骤s3中将分解后的各imf与构建的典型充电特征进行基于dtw动态时间规划的分类匹配。考虑到构建的典型特征曲线与imf时间分辨率不配的问题，dtw可通过拉伸或压缩时间轴，使得两个时间序列在非线性的时间上进行对齐，从而找到它们之间的最佳匹配路径；
24、对于每个分解得到的充电负荷imf，将其与所有典型用户充电特征进行比较；通过dtw(dynamic timewarping，dtw)算法，计算每个imf与典型特征之间的dtw距离，寻找最佳匹配路径；接着，使用dtw距离作为相似度度量指标，将每个imf分类到最相似的典型用户充电特征类别中，以进行后续的训练和预测。
25、进一步地，所述步骤s3具体为：
26、对于imf序列x＝(x1,x2,…,xn)和典型充电特征序列y＝(y1,y2,…,ym)，计算两个序列之间的欧氏距离矩阵d，其中每个元素di,j的计算公式为：
27、di,j＝(xi-yj)2
28、定义累积距离矩阵c，用于存储从起点到任意点的最小累积距离；初始条件为：
29、c(1,1)＝d1,1
30、其递推公式为：
31、c(i,j)＝di,j+min{c(i-1,j),c(i,j-1),c(i-1,j-1)}
32、从c(n,m)开始，逆向追踪最小值路径，直至到达c(1,1)，得到最佳匹配路径w＝(w1,w2,...,wk)，其中每个wk＝(ik,jk)表示序列x和y中的匹配点；
33、dtw距离定义为累积距离矩阵中最终位置的值，表示两个序列的最小匹配代价：
34、dtw(x,y)＝c(n,m)
35、通过计算各imf与每个典型用户充电特征的dtw距离，将imf分类到最相似的特征类别，获取到不同类别的特征时序。
36、进一步地，所述步骤s4中tcn时域卷积网络包括因果卷积、空洞卷积、残差连接和损失函数，具体如下：
37、因果卷积：确保输出的当前时刻只依赖于当前和之前的输入，避免信息泄露；若卷积核为k，则时间步t的输出只依赖于输入的时刻t,t-1,...,t-k+1，公式如下：
本文档来自技高网...
【技术保护点】
1.一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S1具体为：
3.根据权利要求2所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S1中为确保每个充电负荷分量uk都是非负的，需要在优化问题中添加非负性约束：
4.根据权利要求1所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S2具体为：
5.根据权利要求1所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S3中对于每个分解得到的充电负荷IMF，将其与所有典型用户充电特征进行比较；通过DTW算法，计算每个IMF与典型特征之间的DTW距离，寻找最佳匹配路径；接着，使用DTW距离作为相似度度量指标，将每个IMF分类到最相似的典型用户充电特征类别中，以进行后续的训练和预测。
6
7.根据权利要求1所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S4中TCN时域卷积网络包括因果卷积、空洞卷积、残差连接和损失函数，具体如下：
8.根据权利要求7所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S4中充电负荷预测模型的训练采用反向传播算法进行梯度下降更新参数，训练过程具体步骤如下：
9.根据权利要求1所述的一种基于ANVD分解和典型用户特征DTW匹配的电车充电站负荷预测方法，其特征在于，所述步骤S4中对充电负荷预测模型进行预测的方法为：
...【技术特征摘要】
1.一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，其特征在于，所述步骤s1具体为：
3.根据权利要求2所述的一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，其特征在于，所述步骤s1中为确保每个充电负荷分量uk都是非负的，需要在优化问题中添加非负性约束：
4.根据权利要求1所述的一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，其特征在于，所述步骤s2具体为：
5.根据权利要求1所述的一种基于anvd分解和典型用户特征dtw匹配的电车充电站负荷预测方法，其特征在于，所述步骤s3中对于每个分解得到的充电负荷imf，将其与所有典型用户充电特征进行比较；通过dtw算法，计算每个imf与典型特征之间的dtw距离，寻找最佳匹...
【专利技术属性】
技术研发人员：郑建勇，徐睿麟，梅飞，张恒，王帅，吴越，李恺，丁雨婷，高昂，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。