CN114465256A - 多节点电动汽车充电负荷联合对抗生成区间预测方法 - Google Patents
多节点电动汽车充电负荷联合对抗生成区间预测方法 Download PDFInfo
- Publication number
- CN114465256A CN114465256A CN202210079212.8A CN202210079212A CN114465256A CN 114465256 A CN114465256 A CN 114465256A CN 202210079212 A CN202210079212 A CN 202210079212A CN 114465256 A CN114465256 A CN 114465256A
- Authority
- CN
- China
- Prior art keywords
- node
- day
- charging
- correlation
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008569 process Effects 0.000 claims description 16
- 239000000523 sample Substances 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012468 concentrated sample Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 15
- 238000011160 research Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 108090000672 Annexin A5 Proteins 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
- H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法,包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性,确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集;利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性,对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景;根据生成的多节点多相关日联合充电场景集,采用加权2‑D相关系数筛选出与待预测日强相关联合场景集;根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果;能更有效预测配网空间内电动汽车充电负荷时‑空分布,更有利于提高配电网运行的稳定性与经济性。
Description
技术领域
本发明属于电动汽车充电负荷时-空分布预测技术领域,具体涉及多节点电动汽车充电负荷联合对抗生成区间预测方法。
背景技术
高比例电动汽车(electric vehicle,EV)渗透率场景下,大量具有强时-空不确定性的充电负荷接入电网,可能给电网带来节点电压偏低和线路阻塞等问题,对配电网安全稳定运行带来较大挑战。因此,EV接入电网后,需要准确预测配网空间内各节点充电负荷,刻画充电负荷时-空分布。以此,为安排合理调度计划提供重要参考依据,降低充电负荷对配电网运行造成的负面影响。
目前,对于EV充电负荷时-空分布的预测方法主要包括两种:一是通过建立EV充电负荷物理模型获取充电负荷的时-空分布(即物理模型驱动方法);另一种是采用历史充电负荷数据驱动人工智能算法预测充电负荷(即数据驱动方法)。现有EV充电负荷时-空分布预测多基于物理模型驱动。部分研究中对EV出行时间、日行驶里程数据进行分析后,采用蒙特卡洛方法计算充电负荷。此外,有研究考虑不同区域和时段内不同类型EV移动的随机性、车主驾驶意愿、电价对充电负荷时空分布的影响开展预测,但EV的位置和充电周期是固定的,没有考虑EV的行驶过程。针对这一问题,可以考虑交通网和配电网对充电负荷时-空分布的影响。但此过程未考虑交通条件对EV行驶路径的影响。对此,有研究中采用交通网络建模和出行链理论模拟电动汽车的动态驾驶过程。上述研究中取得大量研究成果,然而建模时涉及变量较多,需主观设置较多假设条件,使得模型中的EV充电负荷时- 空分布客观性较差。
与物理模型相比,基于数据驱动的充电负荷预测方法优点包括:可综合利用历史充电负荷数据、无需大量设定模型参数。利用历史交通数据和天气数据建立了预测模型,预测电动汽车充电需求。也可基于实际电动汽车负荷,提出针对不同地理区域的电动汽车充电负荷概率预测方法。此外,基于数据驱动的深度学习方法在EV充电负荷预测领域也取得了较好的效果。然而,这些研究中未考虑配网空间内多节点间EV充电负荷空间相关性。并且从现有研究中发现,EV充电负荷确定性预测结果难以有效反映充电负荷强时-空不确定性对配电网带来的风险;相较于确定性预测结果,充电负荷区间预测结果能更有效刻画充电负荷强随机性。
发明内容
本发明的目的是提供多节点电动汽车充电负荷联合对抗生成区间预测方法,解决了现有技术中存在的电动汽车充电负荷时-空分布预测模型客观性差、未考虑配网空间内多节点间电动汽车充电负荷空间相关性的问题。
本发明所采用的技术方案是,多节点电动汽车充电负荷联合对抗生成区间预测方法,具体按照以下步骤实施:
步骤1、将电动汽车充电负荷历史数据映射到IEEE33节点配电网***中,并基于电动汽车充电负荷历史数据构建原始多节点多相关日联合充电场景集;
步骤2、通过原始多节点多相关日联合充电场景集构建多节点多相关日联合充电场景生成模型,通过多节点多相关日联合充电场景生成模型获得生成多节点多相关日联合充电场景集;
步骤3、分析生成多节点多相关日联合充电场景与预测所用极强相关历史日充电场景间相关性,选择相关程度高的作为待预测日相关联合场景集;
步骤4、根据待预测日相关联合场景集的最后一日数据获得多节点充电负荷区间预测结果及确定性预测结果。
本发明的特点还在于:
步骤1具体过程为:将电动汽车充电负荷历史数据映射到IEEE33节点配电网***中,对于IEEE33节点配电网***中充电场景空间节点进行编号 1,…,32,得到每个节点对应的电动汽车充电负荷历史数据,定义待预测日多节点联合充电场景表示为矩阵Dnt,历史日多节点联合充电场景表示为矩阵(D-i)nt,根据电动汽车充电负荷全部历史数据,计算Dnt和(D-i)nt两个矩阵内充电负荷间时-空相关性计算公式为:
根据相关性分析获得与待预测日的极强相关日多节点联合充电场景,将极强相关日及待预测日多节点联合充电场景按时间序列排列构建原始多节点多相关日联合充电场景集。
步骤2具体过程为:
步骤2.1、基于原始多节点多相关日联合充电场景集构建梯度惩罚 Wasserstein生成对抗网络,对对抗网络中的生成器和判别器进行优化,将优化后生成的网络作为多节点多相关日联合充电场景生成模型;
步骤2.2、将原始多节点多相关日联合充电场景集中数据输入多节点多相关日联合充电场景生成模型,生成海量与原始联合充电场景数据相似概率分布但时序分布具有差异的同维度多节点多相关日联合充电场景,生成的海量多节点多相关日联合充电场景构成生成多节点多相关日联合充电场景集。
步骤2.1对对抗网络中的生成器和判别器进行优化具体过程为:
采用Wasserstein距离代替JS散度描述生成数据和真实数据分布之间的差异,将Wasserstein距离应用到生成对抗网络中,表示为:
在判别器损失函数中增加梯度惩罚项,多节点多相关日联合充电场景生成模型的目标函数为:
步骤3具体过程为:
计算与待测日多节点联合充电场景极强相关的历史日多节点联合充电场景和生成多节点多相关日联合充电场景集中第j个场景加权2-D相关系数 Rj,表达式为:
得到的相关系数由高到低顺序选择前M个联合充电场景,构成待预测日相关联合场景集。
采用式(6)计算各节点充电负荷区间预测结果和确定性预测结果:
本发明益效果是:
本发明多节点电动汽车充电负荷联合对抗生成区间预测方法,考虑多节点电动汽车充电负荷间空间相关性的区间预测,各预测指标更优,能更有效预测配网空间内电动汽车充电负荷时-空分布,更有利于提高配电网运行的稳定性与经济性。
附图说明
图1是本发明实施中待预测日与多历史日多节点联合充电场景充电负荷间相关性分析图;
图2是本发明实施中多节点多相关日联合充电场景结构图;
图3是本发明实施中多节点多相关日联合充电场景生成流程图;
图4是本发明实施中生成多节点多相关日联合充电场景集中数据和原始多节点多相关日联合充电场景集中数据概率分布特性分析图;
图5是本发明实施中多节点多相关日联合充电场景样本统计特性分析图;
图6是本发明实施中联合充电场景中电动汽车充电负荷间空间相关性分析图;
图7是本发明实施中原始多节点多相关日联合充电场景集和多节点多相关日联合充电场景集中各节点充电负荷的时序分布分析图;
图8是本发明实施中多节点电动汽车充电负荷预测流程图;
图9是本发明多节点电动汽车充电负荷联合对抗生成区间预测方法的实施中各预测方法评价指标统计结果图;
图10本发明多节点电动汽车充电负荷联合对抗生成区间预测方法的实施中各季节中EV充电负荷区间预测结果图;
图11本发明实施中各季节中充电负荷区间预测结果评价指标图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明多节点电动汽车充电负荷联合对抗生成区间预测方法,具体按照以下步骤实施:
步骤1、构建原始多节点多相关日联合充电场景集;
配网空间内存在高渗透率的强随机性电动汽车接入。将充电负荷归算到不同配网节点后,充电负荷分布情况不同,对配网各节点电压水平影响不同。据此,电网合理安排电动汽车调度计划时,需要考虑电动汽车充电负荷空间分布情况对配网运行的影响。为满足电网安排电动汽车调度计划需求,将某区域32座充电站(包含229个充电桩)的充电负荷映射到IEEE33节点配电网***各节点,以各个节点充电负荷为预测目标,开展多节点充电负荷区间预测。研究所需的电动汽车充电负荷数据采集自某区域2019年实测数据。数据为采样间隔1小时的该区域每天电动汽车充电负荷数据记录。
电动汽车用户充电地点选择具有一定的惯性,且不同日期间用户充电行为存在相关性。但配网中各节点对应地理区域电动汽车用户用车行为和充电频率存在差异。因此,需要选择与待预测日具有强相关性的历史日,构建多节点多相关日联合充电场景。该类场景集用于刻画多个历史日对待预测日多节点联合充电场景充电负荷的影响。为构建多节点多相关日联合充电场景,采用2-D相关系数,同时从时间和空间两个维度,综合分析待预测日与历史日多节点联合充电场景日间相似性与场景内多节点充电负荷间相似性,克服传统相关性分析方法对一维数据单一维度分析的局限。
对于IEEE33节点配电网***中充电场景空间节点进行编号1,…,32,定义待预测日多节点联合充电场景构成的矩阵表示为Dnt,历史日多节点联合充电场景构成的矩阵定义为(D-i)nt,根据电动汽车充电负荷全部历史数据,计算Dnt和(D-i)nt两个矩阵内充电负荷间时-空相关性计算公式为:
式(1)中,n表示联合充电场景中空间节点编号,t表示联合充电场景中空间充电负荷采样时间点,其范围分别为n=1,2,…,32和t=1,2,…,24;且
根据相关性分析获得待预测日极强相关的历史日多节点联合充电场景,将与待预测日多节点联合充电场景极强相关的历史日多节点联合充电场景作为极强相关日多节点联合充电场景,将极强相关日多节点联合充电场景及待预测日多节点联合充电场景按时间序列排列构建原始多节点多相关日联合充电场景集。
根据电动汽车充电负荷全部历史数据,应用式(1)计算待预测日多节点联合充电场景与其前十日联合充电场景多节点充电负荷间时-空相关性。且当|R|∈(0.8,1]时,表示待预测日多节点联合充电场景与历史日多节点联合充电场景极强相关。本发明方法将极强相关日及待预测日多节点联合充电场景按时间序列排列构建多节点多相关日联合充电场景。基于电动汽车充电负荷实测数据,从2019年1月9日开始构建第一个联合充电场景。每个多节点多相关日联合充电场景包含32个节点6天电动汽车充电负荷数据。在开展多节点充电负荷区间预测时,将原始多节点多相关日联合充电场景集按 4:1的比例分为训练集和测试集。
步骤2、多节点多相关日联合充电场景集生成
为了开展配网空间内充电负荷的时-空分布预测研究,通过原始多节点多相关日联合充电场景集构建多节点多相关日联合充电场景生成模型,通过多节点多相关日联合充电场景生成模型获取生成多节点多相关日联合充电场景集。
步骤2.1、多节点多相关日联合充电场景生成模型
基于原始多节点多相关日联合充电场景集构建梯度惩罚Wasserstein生成对抗网络,梯度惩罚Wasserstein生成对抗网络过程中需要确定生成器和判别器,生成器通过学习多节点多相关日联合充电场景样本数据概率分布,挖掘配网空间内电动汽车充电负荷的潜在时-空分布,判别器负责监督多节点多相关日联合充电场景样本数据质量,确保生成联合充电场景数据与历史联合充电场景数据有相似概率分布。
在对梯度惩罚Wasserstein生成对抗网络训练时,判别器和生成器交替优化相互博弈,达到纳什均衡点时模型训练完成,采用Wasserstein距离代替 JS散度描述生成数据和真实数据分布之间的差异,将Wasserstein距离应用到生成对抗网络中,表示为:
为解决WGAN模型训练困难、模式坍塌问题,在判别器损失函数中增加梯度惩罚项,优化Lipschitz限制,确保其梯度惩罚在限定阈值内,多节点多相关日联合充电场景生成模型的目标函数为:
步骤2.2、生成多节点多相关日联合充电场景集
将原始多节点多相关日联合充电场景集中数据输入多节点多相关日联合充电场景生成模型,生成海量与原始联合充电场景数据相似概率分布但时序分布具有差异的同维度多节点多相关日联合充电场景,生成的海量多节点多相关日联合充电场景构成生成多节点多相关日联合充电场景集。
为了保证生成多节点多相关日联合充电场景有效性,对生成的多节点多相关日联合充电场景质量进行评估。
1)生成联合充电场景数据概率分布特性分析
为评估联合充电场景生成模型的数据生成能力,在不考虑配网空间内各节点电动汽车充电负荷间耦合关系前提下,分别对多节点多相关日联合充电场景和生成多节点多相关日联合充电场景集集合内所有节点全部数据开展概率分布特性分析。应用概率密度函数与经验累积分布函数,分析原始多节点多相关日联合充电场景集和多节点多相关日联合充电场景集数据概率分布特性。进一步采用平均值、方差和最大值三种统计量,分析多节点多相关日联合充电场景集样本和原始多节点多相关日联合充电场景集样本的概率统计特性。
2)多节点多相关日联合充电场景内节点间充电负荷空间相关性分析
多节点多相关日联合充电场景内多节点间充电负荷空间相关性需符合历史联合充电场景相关性规律。为评估多节点多相关日联合充电场景内多节点间充电负荷空间相关性,分别将原始多节点多相关日联合充电场景集和生成的多节点多相关日联合充电场景集中每个节点全部充电负荷数据重塑为一行(即由原始多节点多相关日联合充电场景集和生成的多节点多相关日联合充电场景集分别得到32行充电负荷数据)。数据重塑后,分别计算各行充电负荷数据间相关性。由此,分别获得原始多节点多相关日联合充电场景集和生成的多节点多相关日联合充电场景集多节点间充电负荷空间相关性(即矩阵行间数据相关性)。为进一步量化分析结果,采用结构相似度和特征相似度评价指标。从联合充电场景多节点充电负荷间空间相关性的结构和特征角度,验证原始多节点多相关日联合充电场景集和生成的多节点多相关日联合充电场景集多节点充电负荷存在相似的空间相关性。当结构相似度和特征相似度评价指标值越大,表明空间相关性的相似性程度越高。
3)生成联合充电场景时序分布特性分析
为了分析生成联合充电场景时序分布特性,采用箱线图分别分析原始多节点多相关日联合充电场景集和基于梯度惩罚Wasserstein生成对抗网络的生成的多节点多相关日联合充电场景集中各节点电动汽车充电负荷数据。验证生成多节点多相关日联合充电场景集中各节点充电负荷数据符合原始多节点多相关日联合充电场景集中各节点充电负荷数据时序分布特性。
根据上述三个特性分析能够得到生成的多节点多相关日联合充电场景的有效性。
步骤3、分析生成多节点多相关日联合充电场景与预测所用极强相关日联合充电场景间相关性,选择相关程度高的作为待预测日相关联合场景集;具体过程为:
计算待预测日极强相关日联合充电场景和生成多节点多相关日联合充电场景集中第j个场景加权2-D相关系数Rj,表达式为:
得到的相关系数由高到低顺序选择前M个联合充电场景,构成待预测日相关联合场景集。
步骤4、根据待预测日相关联合场景集的最后一日数据获得多节点充电负荷区间预测结果及确定性预测结果,具体过程为:根据待预测日相关联合场景集中最后一日场景中各节点充电负荷作为待预测日各节点充电负荷为其中n表示节点编号,且n∈[1,32],
采用式(6)计算各节点充电负荷区间预测结果和确定性预测结果:
实施例
研究所需的电动汽车充电负荷数据采集自某区域2019年实测数据。数据为采样间隔1小时的该区域每天电动汽车充电负荷数据记录。
(1)多节点多相关日联合充电场景集构建
如图1所示为待预测日与多历史日多节点联合充电场景充电负荷间相关性分析示意图,由图1可以看出,待预测日有五个极强相关历史日充电场景,为待预测日前1天、前2天、前6天、前7天、前8天。将5个极强相关日及待预测日多节点联合充电场景按时间序列排列构建多节点多相关日联合充电场景,场景结构如图2所示。基于电动汽车充电负荷实测数据,从2019 年1月9日开始构建第一个联合充电场景。每个多节点多相关日联合充电场景包含32个节点6天电动汽车充电负荷数据。则原始多节点多相关日联合充电场景集中包含357个联合充电场景。在开展多节点充电负荷区间预测时,将原始多节点多相关日联合充电场景集中场景数据按4:1的比例分为训练集和测试集。
(2)多节点多相关日联合充电场景生成
图3为多节点多相关日联合充电场景生成流程,获得海量与原始联合充电场景数据相似概率分布但时序分布具有差异的同维度多节点多相关日联合充电场景。其中生成多节点多相关日联合充电场景集规模经实验设定为 5000组时,覆盖历史联合充电场景效果最优。
如图4为所有节点全部数据概率分布特性分析结果,从分析结果可以看出,相较于Wasserstein生成对抗网络,由梯度惩罚Wasserstein生成对抗网络生成联合充电场景集的PDF、ECDF曲线与历史联合充电场景集对应曲线高度拟合。说明在整体上,生成的联合充电场景数据具有与历史联合充电场景数据相似的概率分布特性。数据概率分布特性评估后,进一步采用如表1 所示的平均值、方差和最大值三种统计量,分析原始多节点多相关日联合充电场景集样本和生成的多节点多相关日联合充电场景集样本的概率统计特性。x表示多节点多相关日联合充电场景样本,平均值体现联合充电场景充电负荷分布特征;方差体现联合充电场景样本充电负荷离散程度;最大值体现联合充电场景样本中电动汽车最大充电负荷。
表1
如图5所示,联合充电场景样本三种统计量分析结果。从图中展示的分析结果可以看出,相较于Wasserstein生成对抗网络,由梯度惩罚Wasserstein 生成对抗网络生成的多节点多相关日联合充电场景集样本和历史联合充电场景样本分布更接近,能有效覆盖历史联合充电场景样本散点,且蕴含符合电动汽车用户充电行为规律的潜在的充电负荷,证明基于梯度惩罚 Wasserstein生成对抗网络生成的多节点多相关日联合充电场景集能更有效反映配网空间内电动汽车充电负荷波动规律,体现生成多节点多相关日联合充电场景集中样本的有效性。
如图6所示,原始多节点多相关日联合充电场景集和生成多节点多相关日联合充电场景集多节点充电负荷间空间相关性分析结果。为进一步量化图 6可视化分析结果,采用表2所示的结构相似度和特征相似度评价指标,验证原始多节点多相关日联合充电场景集和生成的多节点多相关日联合充电场景集多节点充电负荷存在相似的空间相关性。从图6和表2展示的分析结果可以看出,与Wasserstein生成对抗网络模型相比,基于梯度惩罚Wasserstein生成对抗网生成的多节点多相关日联合充电场景集整体数据的结构相似度与特征相似度指标值分别为0.94和0.97,有效刻画了历史联合充电场景多节点充电负荷间空间相关性。证明由梯度惩罚Wasserstein生成对抗网生成的联合联合场景的有效性。
表2
图7所示为原始多节点多相关日联合充电场景集和生成多节点多相关日联合充电场景集中各节点充电负荷的时序分布分析结果。由图7中可知,生成的联合充电场景中各节点充电负荷变化规律符合历史联合充电场景充电负荷时序分布特性。同时,相较于历史联合充电场景,生成联合充电场景中各节点充电负荷数据分布的上边缘更高,下边缘更低,且数据的离群点更多。表明多节点多相关日联合充电场景集不但能够涵盖各节点所有历史充电场景,且蕴含符合电动汽车用户充电行为规律的潜在的充电负荷。
(3)多节点电动汽车充电负荷区间预测
图8为基于多节点多相关日联合充电场景集的多节点电动汽车充电负荷区间预测流程。
图9为各预测方法评价指标统计结果。对比实验GPR模型输入特征集包括节点待预测日前第8天、第7天、第6天、第2天全部充电负荷及预测日前1天t时刻充电负荷共97维特征,训练集与测试集合比例与本发明一致,并在MatlabR2018b环境下运行,置信度设置为95%,核函数为ardexponential 函数。通过GPR方法和本发明方法获得的各节点充电负荷区间预测结果 PICP指标最小值分别为77.9%、90.4%,平均值的最小值分别为80.9%、92.7%。 PINAW指标最大值分别为36.7%、32.1%,平均值的最大值分别为34.2%、29.2%。通过分析可知,本发明方法预测结果PICP指标值更大。由此可知,本发明方法可使各节点电动汽车充电负荷预测区间更可靠,精锐程度更高。两种方法确定性预测结果MAPE指标最大值分别为GPR22.7%、本发明方法 17.7%,平均值的最大值分别为GPR19.7%、本发明方法15.8%。通过对比可知本发明方法确定性预测结果MAPE指标值更小,预测结果准确性更高。
图10表示预测结果,图11表示评价指标。为了便于展示各方法区间预测效果,选择预测效果相对较差的节点3、节点26和节点31的预测结果进行展示,通过分析图10和图11中不同节点不同日期类型下的预测结果可知,配网空间内电动汽车充电负荷时-空分布发生剧烈变化时,GPR方法预测区间跟踪充电负荷变化的能力有限,导致区间预测效果较差。并且相较于对各节点电动汽车充电负荷分别进行预测的GPR方法,考虑节点间充电负荷空间相关性的本发明方法预测区间PICP值更高,预测区间的可靠性更高;并且PINAW值更低,预测区间贴近实际充电负荷能更强;同时,各节点电动汽车充电负荷确定性预测结果MAPE值更小,预测精度更高;由此证明本发明考虑各节点电动汽车充电负荷间相关性的充电负荷区间预测方法的有效性。
通过上述方式,本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法,考虑多节点EV充电负荷间空间相关性的区间预测本发明方法各预测指标更优,能更有效预测配网空间内EV充电负荷时-空分布,更有利于提高配电网运行的稳定性与经济性。
Claims (6)
1.多节点电动汽车充电负荷联合对抗生成区间预测方法,其特征在于,具体按照以下步骤实施:
步骤1、将电动汽车充电负荷历史数据映射到IEEE33节点配电网***中,并基于电动汽车充电负荷历史数据构建原始多节点多相关日联合充电场景集;
步骤2、通过原始多节点多相关日联合充电场景集构建多节点多相关日联合充电场景生成模型,通过多节点多相关日联合充电场景生成模型获得生成多节点多相关日联合充电场景集;
步骤3、分析生成多节点多相关日联合充电场景与预测所用极强相关历史日充电场景间相关性,选择相关程度高的作为待预测日相关联合场景集;
步骤4、根据待预测日相关联合场景集的最后一日数据获得多节点充电负荷区间预测结果及确定性预测结果。
2.根据权利要求1所述多节点电动汽车充电负荷联合对抗生成区间预测方法,其特征在于,步骤1具体过程为:将电动汽车充电负荷历史数据映射到IEEE33节点配电网***中,对于IEEE33节点配电网***中充电场景空间节点进行编号1,…,32,得到每个节点对应的电动汽车充电负荷历史数据,定义待预测日多节点联合充电场景表示为矩阵Dnt,历史日多节点联合充电场景表示为矩阵(D-i)nt,根据电动汽车充电负荷全部历史数据,计算Dnt和(D-i)nt两个矩阵内充电负荷间时-空相关性计算公式为:
根据相关性分析获得与待预测日的极强相关日多节点联合充电场景,将极强相关日及待预测日多节点联合充电场景按时间序列排列构建原始多节点多相关日联合充电场景集。
3.根据权利要求1所述多节点电动汽车充电负荷联合对抗生成区间预测方法,其特征在于,步骤2具体过程为:
步骤2.1、基于原始多节点多相关日联合充电场景集构建梯度惩罚Wasserstein生成对抗网络,对对抗网络中的生成器和判别器进行优化,将优化后生成的网络作为多节点多相关日联合充电场景生成模型;
步骤2.2、将原始多节点多相关日联合充电场景集中数据输入多节点多相关日联合充电场景生成模型,生成海量与原始联合充电场景数据相似概率分布但时序分布具有差异的同维度多节点多相关日联合充电场景,生成的海量多节点多相关日联合充电场景构成生成多节点多相关日联合充电场景集。
4.根据权利要求3所述多节点电动汽车充电负荷联合对抗生成区间预测方法,其特征在于,步骤2.1所述对对抗网络中的生成器和判别器进行优化具体过程为:
采用Wasserstein距离代替JS散度描述生成数据和真实数据分布之间的差异,将Wasserstein距离应用到生成对抗网络中,表示为:
在判别器损失函数中增加梯度惩罚项,多节点多相关日联合充电场景生成模型的目标函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079212.8A CN114465256B (zh) | 2022-01-24 | 2022-01-24 | 多节点电动汽车充电负荷联合对抗生成区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210079212.8A CN114465256B (zh) | 2022-01-24 | 2022-01-24 | 多节点电动汽车充电负荷联合对抗生成区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114465256A true CN114465256A (zh) | 2022-05-10 |
CN114465256B CN114465256B (zh) | 2024-06-21 |
Family
ID=81412406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210079212.8A Active CN114465256B (zh) | 2022-01-24 | 2022-01-24 | 多节点电动汽车充电负荷联合对抗生成区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114465256B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308541A (zh) * | 2018-08-02 | 2019-02-05 | 华南理工大学 | 一种基于场景分析的电动汽车充电负荷预测方法 |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN111898822A (zh) * | 2020-07-30 | 2020-11-06 | 东北电力大学 | 基于多相关日场景生成的充电负荷区间预测方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN113450023A (zh) * | 2021-07-28 | 2021-09-28 | 东北电力大学 | 一种网格化分时电价下电动汽车有序充电方法 |
KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
-
2022
- 2022-01-24 CN CN202210079212.8A patent/CN114465256B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308541A (zh) * | 2018-08-02 | 2019-02-05 | 华南理工大学 | 一种基于场景分析的电动汽车充电负荷预测方法 |
WO2021098352A1 (zh) * | 2019-11-22 | 2021-05-27 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法 |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
KR20210148759A (ko) * | 2020-06-01 | 2021-12-08 | 한국전력공사 | 배터리의 수명 향상을 위해 soc를 적용한 전기자동차의 충방전 스케쥴링 관리 시스템, 충방전 스케쥴링 서버 장치 및 충방전 스케쥴링 방법 |
CN111898822A (zh) * | 2020-07-30 | 2020-11-06 | 东北电力大学 | 基于多相关日场景生成的充电负荷区间预测方法 |
CN113450023A (zh) * | 2021-07-28 | 2021-09-28 | 东北电力大学 | 一种网格化分时电价下电动汽车有序充电方法 |
Non-Patent Citations (1)
Title |
---|
ZHU J等: "Short-Term Load Forecasting for Electric Vehicle Charging Stations Based on Deep Learning Approaches", 《APPLIED SCIENCES》, vol. 9, no. 9, 31 December 2019 (2019-12-31), pages 1 - 7 * |
Also Published As
Publication number | Publication date |
---|---|
CN114465256B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
CN106980877A (zh) | 一种基于粒子群算法优化支持向量机的***振动预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN106980750B (zh) | 一种基于典型对应分析的土壤氮储量估算方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
Chao et al. | Estimation of species richness and shared species richness | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测***及其方法 | |
CN111898822B (zh) | 基于多相关日场景生成的充电负荷区间预测方法 | |
CN117114176A (zh) | 基于数据分析和机器学习的土地利用变化预测方法及*** | |
CN114465256B (zh) | 多节点电动汽车充电负荷联合对抗生成区间预测方法 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 | |
CN105160065A (zh) | 基于拓扑关系的遥感信息相似度评价方法 | |
Uribe‐Rivera et al. | The predictive performance of process‐explicit range change models remains largely untested | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
CN109190830B (zh) | 基于经验分解和组合预测的能源需求预测方法 | |
CN111882100B (zh) | 一种基于多模型随机线性组合的水文集合区间预报搭建方法 | |
Abdullahi et al. | Linear and non-linear ensemble concepts for pan evaporation modeling | |
CN116611588B (zh) | 降水多驱动因子分段率定优化预报方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |