本发明专利技术公开了基于生成对抗网络的电动汽车充电负荷聚类预测方法，包括以下步骤（1）获取电动汽车充电样本，分为工作日和非工作日；（2）对工作日和非工作日的电动汽车充电样本进行聚类分析，分成若干类；（3）分别计算工作日和非工作日分类后各类的日充电负荷，得到每一类多天的历史充电负荷数据；（4）将各类历史数据、天气信息和噪声向量分别送入生成对抗网络；（5）通过生成对抗网络进行训练得到电动汽车充电负荷的预测值；本发明专利技术解决了传统人工神经网络样本不足的问题，提高了生成对抗网络的泛化能力；克服了电动汽车充电负荷预测偏差较大的问题，提高了准确性；增强了对不同群体的针对性预测效果。性预测效果。性预测效果。
【技术实现步骤摘要】
基于生成对抗网络的电动汽车充电负荷聚类预测方法
[0001]本专利技术涉及电动汽车充电
，尤其涉及一种基于生成对抗网络的电动汽车充电负荷聚类预测方法。
技术介绍
[0002]当今世界，由于过度地依赖化石燃料，导致出现了大量的环境问题。目前能源结构朝向低碳，绿色发展，可再生清洁能源的发展得到了广泛的关注。同时，在能源制约、环境问题、科技发展的推动下，电动汽车吸引了汽车领域的大量关注，并且成为了实现可持续发展和应对未来能源要求的重要手段。随着电动汽车的渗透率不断提升，大规模电动汽车接入电网，不同电动汽车用户群体的负荷曲线存在较大差异，势必会给电网的稳定运行带来挑战，因此开发精确的电动汽车充电负荷预测技术是电动汽车接入电网的必须项。电动汽车充电需求受到多种因素影响，且电动汽车充电负荷具有较强的随机性、波动性，因此成为预测充电负荷的难点。同时，传统的预测方法并未考虑到不同类型的用户群所带来的不同充电需求，使得调度中心很难给出针对性的调度方案。
[0003]综上所述，采用传统方法进行电动汽车充电负荷预测有一定的限制。
[0004]例如，中国专利CN201810920273.6公开了一种电动汽车充电方法及系统。通过分层控制方法，能够很好的解决电动汽车充电时与清洁能源发电的写控制问题，使得电动汽车充电行为能够更好地与间歇性新能源发电相配合；但是无法对电动汽车充电负荷进行有效预测。
技术实现思路
[0005]本专利技术主要解决现有的技术中无法对电动汽车的充电负荷进行有效预测的问题；提供一种基于生成对抗网络的电动汽车充电负荷聚类预测方法。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：基于生成对抗网络的电动汽车充电负荷聚类预测方法，包括以下步骤：
[0007](1)获取电动汽车充电样本，分为工作日和非工作日；
[0008](2)对工作日和非工作日的电动汽车充电样本进行聚类分析，分成若干类；
[0009](3)分别计算工作日和非工作日分类后各类的日充电负荷，得到每一类多天的历史充电负荷数据；
[0010](4)将各类历史数据、天气信息和噪声向量分别送入生成对抗网络；
[0011](5)通过生成对抗网络进行训练得到电动汽车充电负荷的预测值。
[0012]作为优选，所述的生成对抗网络包括生成模型和判别模型，由生成对抗网络进行电动汽车充电负荷的预测的具体过程为：
[0013]S1：各类历史数据作为真实样本，由生成模型模拟真实样本产生虚拟样本；
[0014]S2：将生成模型所产生的虚拟样本及真实样本送入判别模型；
[0015]S3：由判别模型输出结果，经过半监督回归环节得到预测值；
[0016]S4：根据预测值及误差公式计算误差，更新判别模型参数；
[0017]S5：反向传播误差，更新生成模型参数；
[0018]S6：判断是否训练模拟完成所有训练样本，如果是进入步骤S7；否则返回步骤S1；
[0019]S7：判断迭代次数是否达到设定值，如果是，则结束训练；否则返回步骤S1。
[0020]作为优选，所述的步骤(2)中，所述聚类分析采用高斯混合模型分别将工作日和非工作日的电动汽车充电样本分为三类。
[0021]作为优选，所述的高斯混合模型分类采用EM算法更新迭代；
[0022]通过EM算法求得各项参数，EM算法用于含有隐变量的概率模型参数的最大似然估计，分为求期望和求极大值两个步骤。
[0023]作为优选，所述的生成模型的生成虚拟样本具体方法为：
[0024]S11：将一维真实数据样本转换为二维数据样本，并作为卷积层的输入；
[0025]S12：将多个低维图像映射到高维数据空间生成虚拟样本，以模拟真实样本的复杂分布；
[0026]S13：将二维虚拟数据样本转换为一维数据，以匹配判别模型的输入维数；
[0027]S14：将虚拟样本和真实样本送入判别模型。
[0028]作为优选，所述的生成模型的误差函数为：
[0029]L
G
＝||E
·
f(P
fake
)
‑
E
·
f(P
labeled
)||2；
[0030]f(P
fake
)和f(P
labeled
)代表判别模型中间层输出，E代表期望函数，L
G
为生成模型的误差值。
[0031]作为优选，所述的判别模型进行数据预测的具体方法为：
[0032]S21：将电动汽车充电负荷数据的虚拟样本和真实样本作为判别模型的输入；
[0033]S22：将输入样本转换为特征映射；
[0034]S23：对输入样本进行卷积和池化运算，得到输入样本的高维特征表示；
[0035]S24：将回归层连接到判别模型末尾的全连接层，对电动汽车充电负荷数据进行非线性回归环节计算，得到预测数据。
[0036]作为优选，所述的判别模型的误差函数为：
[0037]L
D
＝L
unsup
+L
sup
[0038][0039]L
unsup
＝
‑
||E
·
f(P
fake
)
‑
E
·
f(P
labeled
)||2[0040]和分别代表下一时刻的预测值和真实值，L
sup
为监督部分误差值，L
unsup
为非监督部分误差值，L
D
为判别模型的总误差值。
[0041]本专利技术的有益效果是：本专利技术采用一种基于生成对抗网络和半监督回归的混合点预测进行电动汽车充电负荷预测，同时采用高斯混合模型进行用户群体的聚类，得到清晰的用户群体特征，便于提取典型用户，并采用生成对抗网络和半监督回归的混合点预测方法进行分类预测，解决了传统人工神经网络样本不足的问题，提高了生成对抗网络的泛化能力；克服了电动汽车充电负荷预测偏差较大的问题，提高了准确性；缓解了对于用户群体特征不明确的问题，增强了对不同群体的针对性预测效果。
附图说明
[0042]图1本专利技术提供的生成模型结构图。
[0043]图2本专利技术提供的判别模型结构图。
[0044]图3本专利技术提供的预测方法流程图。
[0045]图4本专利技术提供的工作日聚类结果示意图。
[0046]图5本专利技术提供的非工作日聚类结果示意图。
具体实施方式
[0047]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于生成对抗网络的电动汽车充电负荷聚类预测方法，其特征在于，包括以下步骤：(1)获取电动汽车充电样本，分为工作日和非工作日；(2)对工作日和非工作日的电动汽车充电样本进行聚类分析，分成若干类；(3)分别计算工作日和非工作日分类后各类的日充电负荷，得到每一类多天的历史充电负荷数据；(4)将各类历史数据、天气信息和噪声向量分别送入生成对抗网络；(5)通过生成对抗网络进行训练得到电动汽车充电负荷的预测值。2.根据权利要求1所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法，其特征在于，所述生成对抗网络包括生成模型和判别模型，由生成对抗网络进行电动汽车充电负荷的预测的具体过程为：S1：各类历史数据作为真实样本，由生成模型模拟真实样本产生虚拟样本；S2：将生成模型所产生的虚拟样本及真实样本送入判别模型；S3：由判别模型输出结果，经过半监督回归环节得到预测值；S4：根据预测值及误差公式计算误差，更新判别模型参数；S5：反向传播误差，更新生成模型参数；S6：判断是否训练模拟完成所有训练样本，如果是进入步骤S7；否则返回步骤S1；S7：判断迭代次数是否达到设定值，如果是，则结束训练；否则返回步骤S1。3.根据权利要求1所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法，其特征在于，步骤(2)中，所述聚类分析采用高斯混合模型分别将工作日和非工作日的电动汽车充电样本分为三类。4.根据权利要求3所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法，其特征在于，所述高斯混合模型分类采用EM算法更新迭代；通过EM算法求得各项参数，EM算法用于含有隐变量的概率模型参数的最大似然估计，分为求期望和求极大值两个步骤。5.根据权利要求2所述的基于生成对抗网络的电动汽车充电负荷聚类预测方法，其特征在于，所述生成模型的生成虚拟样本具体方法为：S11：将一维真实数据样本转换为二维数据样本，并作为卷积层的输入；S12：将多个低维图像映射到高维数据空间生成虚拟样本，以模拟真实样本的复杂分布；S13：将二维虚拟数据样本转换为一维数据，以匹配判别模型的输入维数；S14：将虚...
【专利技术属性】
技术研发人员：顾韬，王文华，黄颖，张杨，张宏，闫威，金烨，陆勇，厉俊，周青睐，李南，胡滨，沈月秀，施力欣，周舟，李文涛，沈欢庆，朱斌泉，冯国平，鞠林浩，李颖，
申请(专利权)人：国网浙江省电力有限公司嘉兴供电公司，
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。