一种数据缺乏下电动汽车负荷预测方法技术

本发明专利技术公开了一种数据缺乏下电动汽车负荷预测方法，所述方法为：针对由于空缺值所导致EV负荷数据中前后有效观测值之间的不规则的时滞变化，采用GRUI细胞结构让传统GAN学习到包含不规则时滞的观测值之间的潜在联系，从而适应EV负荷数据的插补方法来进行数据修复，得到数据集；采用Mogrifier门控机制提升LSTM网络性能在经处理过的数据集上获取EV短期负荷预测结果；解决了现有技术数据缺失和数据异常造成的EV负荷预测精度低等技术问题。常造成的EV负荷预测精度低等技术问题。

【技术实现步骤摘要】
一种数据缺乏下电动汽车负荷预测方法


[0001]本专利技术属于电动汽车负荷预测
，尤其涉及一种数据缺乏下电动 汽车负荷预测方法。

技术介绍

[0002]随着全球能源和环境形势越来越严峻，清洁环保的EV(电动汽车)受到 了更多的关注。在相关政策的推动下，预计在未来十几年EV将会广泛普及。 然而，由于EV的充电负荷高，时空分布上具有随机性、间歇性和波动性等 特点，在接入电网进行充电时，将会造成电网峰值负荷增加、电压波动等影 响，这给电网的优化运行带来了巨大的挑战。因此，以更加精确的短期负荷 预测结果辅助电力系统调度决策，将会有效应对挑战。
[0003]目前的EV负荷预测方法有两类：基于数学模型描述的仿真求解法和基于 历史数据的直接预测法。前者主要通过对EV用户驾驶习惯、充电设施、充 电偏好等因素进行建模，以排队论、出行链、起止链、马尔可夫过程等理论， 来计算EV的时空充电需求。在缺乏EV实际历史充电数据的情况下，该方法 能够预测EV负荷的一般变化规律，但是缺乏随机性，精度较低。随着智能 充电设施的大规模部署，可获得的实际EV历史充电数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据缺乏下电动汽车负荷预测方法，其特征在于：所述方法为：针对由于空缺值所导致EV负荷数据中前后有效观测值之间的不规则的时滞变化，采用GRUI细胞结构让传统GAN学习到包含不规则时滞的观测值之间的潜在联系，从而适应EV负荷数据的插补方法来进行数据修复，得到数据集；采用Mogrifier门控机制提升LSTM网络性能在经处理过的数据集上获取EV短期负荷预测结果。2.根据权利要求1所述一种数据缺乏下电动汽车负荷预测方法，其特征在于：基于GRUI
‑
GAN的负荷数据修复方法包括：步骤1.1、生成对抗网络GAN；步骤1.2、建立基于GRUI
‑
GAN的数据插补模型。3.根据权利要求2所述的一种数据缺乏下电动汽车负荷预测方法，其特征在于：所述对抗网络GAN基本结构由一个生成器G和一个鉴别器D构成，分别用于生成伪造数据和实现对伪造数据与真实数据进行区分；生成器G通过学习鉴别器鉴别为真实数据的数据，并生成能够骗过鉴别器的数据，鉴别器又学习正确地对伪造数据和真实数据进行鉴别，经过生成器G和鉴别器D的这种对抗训练，最终使得生成器能够生成与真实数据非常接近的新数据。4.根据权利要求2所述的一种数据缺乏下电动汽车负荷预测方法，其特征在于：所述GAN为WGAN。5.根据权利要求2所述的一种数据缺乏下电动汽车负荷预测方法，其特征在于：建立基于GRUI
‑
GAN的数据插补模型的方法包括：步骤1.3、对于给定一个包含空缺值的d维时间序列x＝(x0,x1,...,x
n
‑1)∈R
d
×
n
，以及对应的时间节点t＝(t0,t1,...,t
n
‑1)要完成空缺值的插补，首先要确定空缺值在时间序列中的具体位置，为此首先定义空缺值位置矩阵S∈R
d
×
n
，以0和1变量来确定t
i
时间节点是否存在观测值数据空缺，数据空缺没有空缺，步骤1.4、采用GRU的空缺值插补网络结构GRUI形成数据插补模型；步骤1.5、为了反映对观测值的影响，引入了时间衰减向量β，(0＜β≤1)，并且β的大小与时滞矩阵δ相关，δ越大，β越小，表达式为：式中，W
β
和b
β
是需要学习的参数；为了使使用负指数函数来进行限制；为了获取δ矩阵的相互作用，W
β
为全权重矩阵；在获得衰减向量之后，将逐元素乘以衰减向量β来更新GRU的隐藏状态6.根据权利要求5所述的一种数据缺乏下电动汽车负荷预测方法，其特征在于：步骤1.6、在数据预处理时采用归一化处理，选择将其与衰减向量相乘来更新隐藏状态，GRUI的更新公式如下：
式中：μ代表更新门；r代表重置门；代表隐藏状态候选集；σ代表sigmoid激活函数；W
μ
，W
r
，b
μ
，b
r
和都是训练参数；符号
⊙
代表逐元素相乘。7.根据权利要求5所...

【专利技术属性】
技术研发人员：谭斌，徐小东，仇伟杰，马鑫，丁宇洁，肖小兵，张锐锋，林顺生，赵远凉，幸兆森，吴俊峰，杨强，郭明，隆孝斌，石启宏，申炜，卢森微，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：