多节点电动汽车充电负荷联合对抗生成区间预测方法技术

本发明专利技术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

【技术实现步骤摘要】
多节点电动汽车充电负荷联合对抗生成区间预测方法


[0001]本专利技术属于电动汽车充电负荷时
‑
空分布预测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]本专利技术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：
[0007]步骤1、将电动汽车充电负荷历史数据映射到IEEE33节点配电网系统中，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；
[0008]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；
[0009]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；
[0010]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。
[0011]本专利技术的特点还在于：
[0012]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节点配电网系统中，对于IEEE33节点配电网系统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D
nt
，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D
nt
和(D
‑
i)
nt
两个矩阵内充电负荷间时
‑
空相关性计算公式为：
[0013][0014]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
[0015]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，将与待预测日多节点联合充电场景极强相关的历史日作为极强相关日；
[0016]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。
[0017]步骤2具体过程为：
[0018]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；
[0019]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。
[0020]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：
[0021]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：
[0022][0023]其中，为期望；为生成样本；表示由判别器获得的结果；z 为生成器输入的噪声向量，且概率分布为Z～P
Z
(z)；x为原始多节点多相关日联合充电场景集中样本特征向量，且X～P
X
(x)；
[0024]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：
[0025][0026][0027]式中，λ为梯度惩罚系数，为电动汽车充电负荷历史数据和生成多节点多相关日联合充电场景数据概率分布间线性采样值。
[0028]步骤3具体过程为：
[0029]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 R
j
，表达式为：
[0030][0031]式中：表示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D
‑...

【技术保护点】

【技术特征摘要】
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节点配电网系统中，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节点配电网系统中，对于IEEE33节点配电网系统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D
nt
，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D
nt
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,24；且时，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，将与待预测日多节点联合充电场景极强相关的历史日作为极强相关日；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，...

【专利技术属性】
技术研发人员：黄南天，贺庆奎，王日俊，胡乾坤，杨冬锋，刘闯，孔令国，张良，蔡国伟，高旭，姜雨晴，郭笑林，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：