一种电动汽车充电负荷预测方法技术

本发明专利技术公开了一种电动汽车充电负荷预测方法，包括：将电动汽车充电负荷数据进行变分模态分解(VMD)，得到几个不同频率的模态；利用长短期记忆网络(LSTM)预测低频率的非平稳模态分量，采用自回归移动平均(ARMA)模型预测高频率的平稳模态分量；将几个模态分量的预测结果进行叠加，得到电动汽车充电负荷的预测结果。本发明专利技术降低了充电负荷序列的复杂度，分别利用LSTM和ARMA模型进行预测，提高了预测精度，为电力调度部门制定电力调度计划提供了决策依据，降低了电动汽车充电负荷的强随机性和波动性对配电网的影响，保证了电力系统的安全、稳定运行。稳定运行。稳定运行。

【技术实现步骤摘要】
一种电动汽车充电负荷预测方法


[0001]本专利技术属于新能源汽车领域，涉及一种电动汽车充电负荷预测方法，尤其涉及一种基于VMD
‑
LSTM
‑
ARMA模型的电动汽车充电负荷预测方法。

技术介绍

[0002]当前，我国电动汽车快速普及，由于电动汽车用户充电需求具有时空不确定性，充电负荷时序数据具有极强的随机性和波动性，这将给电网调度和电力系统的安全运行带来诸多困难。近年来，关于电动汽车充电负荷预测的研究有很多，主要方法大致可以分为两类：模型支撑和数据驱动。模型支撑主要指综合考虑影响电动汽车充电负荷的相关因素，结合对应理论，基于模型假设和计算机模拟对电动汽车充电负荷进行建模预测。现有技术中，在建模过程中虽然考虑了影响电动汽车(EV)充电负荷的诸多因素，但预测分析难免相对主观，预测结果可信度不佳。与模型支撑的电动汽车充电负荷预测相比，利用数据驱动进行预测能够深度挖掘电动汽车负荷数据的潜在趋势，具有预测结果客观，简化预测模型以及预测精度高的优点。数据驱动方法指以负荷数据作为出发点，将数据划分训练集和测试集，利用统计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车充电负荷预测方法，其特征在于，包括以下步骤：步骤1：对电动汽车充电负荷序列进行变分模态分解VMD，得到几个不同频率的模态，通过ADF检测，将该几个不同频率的模态分为低频率的非平稳模态和高频率的平稳模态；步骤2：对于所述低频率的非平稳模态，采用长短期时间记忆记忆网络LSTM进行预测；步骤3：对所述高频率的平稳模态，采用自回归移动平均ARMA模型进行预测；步骤4：将步骤2、步骤3所分别预测得到的所述低频率的非平稳模态和高频率的平稳模态的预测结果进行叠加，得到电动汽车的充电负荷预测结果。2.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，所述步骤1进一步包括以下子步骤：子步骤S11、将充电负荷数据的分解问题转化为变分问题，表征为如式(1)所示：式(1)中，*为卷积运算符，f(t)为电动汽车充电负荷数据，{u}＝{u1(t)，u2(t)，...，u
K
(t)}为分解后得到的K个模态函数，{ω}＝{ω1，ω2，...，ω
K
}是各个模态分量对应的中心频率，δ(t)为冲激函数；子步骤S12、引入二次惩罚因子α和拉格朗日算子λ(t)，用于求解子步骤S11中所述变分问题，得到增广的拉格朗日表达式，表示为如式(2)所示：采用交替方向乘子法得到式(1)的最优解，其中模态分量u
k
和中心频率为ω
k
分别表示为如式(3)、式(4)所示：为如式(3)、式(4)所示：进行变分模态分解VMD，具体过程包括：1)初始化n令其初始值均为0，将分解模态数K设置为某个合适的正整数；2)根据式(3)和式(4)分别更新u
k
和ω
k
；3)更新如式(5)所示：其中，τ为噪声容忍度；4)若满足如式(6)所示的停止条件：
其中，∈为收敛准则容忍度，则停止迭代；最终得到模态分解后的几个不同频率的模态分量。3.根据权利要求1所述的一种电动汽车充电负荷预测方法，其特征在于，步骤2所述长短期时间记忆记忆网络LSTM引用了三种门对输入神经元的信息进行过滤，分别为遗忘门、输入门和输出门；所述遗忘门控制信息的去留，它决定了上一时刻的单元状态c
t
‑1有多少保留到当前时刻c
t
，其计算公式如式(7)所示：f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)，其中，W
f
是所述遗忘门的权重矩阵，[h
t
‑1，x
t
...

【专利技术属性】
技术研发人员：宋军，张海平，张海生，王利平，王鑫，陈英普，蒋明华，熊峰，徐建委，王仕俊，王文婷，汪静，刘科，管虎，杨枢捷，张洪瑞，张亚明，俞骁，郭化诚，张小花，张江虹，王昕怡，康倩倩，吕胤禛，孟佳佳，邵生龙，王明浩，
申请(专利权)人：甘肃电通电力工程设计咨询有限公司，
类型：发明
国别省市：