技术领域

本发明属于电动汽车充电负荷预测方法技术领域，涉及考虑突发事件特征的电动汽车充电负荷预测方法，还涉及考虑突发事件特征的电动汽车充电负荷预测装置。

背景技术

新能源电动汽车的爆发式增长对电网的稳定运作形成了极大的考验。因此，开展高效准确的电动汽车充电负荷预测是电网安全稳定运行的前提条件。

目前，电动汽车充电负荷预测的主要研究方法分为两大类：基于模型驱动和基于数据驱动的预测方法。前者利用数理统计建立概率模型，在此基础上采用蒙特卡洛模拟法进行预测。与此类方法相比，依靠数据驱动方法进行电动汽车充电负荷预测更具可迁移性，可降低预测成本。物联网技术的发展推动了大量基于云的电动汽车服务的发展，中国多省已建立了数据集成平台。在此背景下，基于数据驱动的预测方法得到了更多的重视。上述的两种预测方法都是仅考虑一些常规的电动汽车负荷影响因素，并未考虑突发事件对电动汽车负荷的影响。由于突发事件是非周期性的，它对电动汽车负荷的影响具有偶然性和持续性。由于突发事件会对电网造成冲击，严重时会造成很严重的电力事故。

发明内容

本发明的目的是提供一种考虑突发事件特征的电动汽车充电负荷预测方法，解决了现有技术中存在的未考虑突发事件对电动汽车负荷的影响对电网造成冲击的问题。

本发明所采用的技术方案是，考虑突发事件特征的电动汽车充电负荷预测方法，包括以下步骤：

步骤1、对常规影响因素进行特征筛选，得到最优常规特征集；

步骤2、对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

步骤3、建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

本发明的特点还在于：

常规影响因素包括气象、电价、日期类型、历史负荷数据。

步骤1具体过程为：先对常规影响因素进行无量纲化处理，再采用MIC方法对处理后的常规影响因素进行特征选择，然后采用mRMR方法对已选择特征进行冗余处理，得到最优常规特征集。

步骤2具体过程为：采用向量自回归模型，从突发事件的社会影响力、参与人群以及交通管制情况分析其对电动汽车充电需求变化的重要程度以及对负荷数据的正反向作用，得到考虑突发事件的最优特征集。

步骤2具体过程为：先确定突发事件中社会影响力、参与人群及交通管制情况构成的时间序列的平稳性；根据VAR模型，使用脉冲响应函数和方差分解对突发事件中社会影响力、参与人群以及交通管制情况三者的关系进行分析，得到考虑突发事件的最优特征集。

SSA-BiGRU-CNN神经网络模型的预测模型处理过程为：BiGRU层对历史负荷数据进行时间特征提取，得到具有过去和未来信息的两个隐藏状态向量，将隐藏状态向量输入CNN层，通过卷积层和池化层捕获重要的局部关系，再通过全连接层进行输出，得到电动汽车负荷。

步骤3具体过程为：当突发事件已发生时，先在历史负荷数据中找到发生突发事件的真实负荷数据，再假设突发事件未发生，将最优常规特征集、历史负荷数据输入到SSA-BiGRU-CNN神经网络的预测模型中进行预测，得到突发事件未发生时的预测负荷序列，利用真实负荷数据减掉突发事件未发生时的预测负荷序列，得到由突发事件引起的电动汽车充电需求变化量历史值；在下一次突发事件即将发生时，将考虑突发事件的最优特征集与电动汽车充电需求变化量历史值输入到SSA-BiGRU-CNN神经网络的差值序列模型中进行预测，得到突发事件引起的电动汽车充电需求变化量的预测值；同时将最优常规特征集、当前时间的历史负荷数据输入SSA-BiGRU-CNN神经网络的预测模型进行预测，得到当前时间考虑常规影响因素的电动汽车负荷值，将当前时间考虑常规影响因素的电动汽车负荷值与突发事件引起的电动汽车充电需求变化量的预测值相加或相减，得到电动汽车负荷。

VAR模型表示如下：

yt＝C+β1yt-1+β2yt-2+…+βpyt-p+εt (7)；

上式中，yt为内生向量，βp为待估矩阵，C为模型常数，εt为白噪声，代表扰动向量；

基于AIC、HQ确定最佳模型和滞后阶数：

本发明的另一目的是提供一种考虑突发事件特征的电动汽车充电负荷预测装置。

本发明所采用另一技术方案是，考虑突发事件特征的电动汽车充电负荷预测装置，包括：

第一特征筛选模块，用于对常规影响因素进行特征筛选，得到最优常规特征集；

第二特征筛选模块，用于对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

负荷预测模块，用于建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

本发明的有益效果是：本发明是考虑突发事件特征的电动汽车充电负荷预测方法，通过构建常规影响因素特征集以及突发事件最优特征集，通过SSA-BiGRU-CNN神经网络模型进行预测，同时考虑由突发事件所引起的负荷变化，从而能够准确预测突发事件下的电动汽车负荷，积极响应突发事件带来的负荷波动，有利于电力公司合理制定发电计划，削减电网成本，提高充电用户满意度及提高充电站的经济效益。

附图说明

图1是本发明考虑突发事件特征的电动汽车充电负荷预测方法的流程图。

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。

实施例1

考虑突发事件特征的电动汽车充电负荷预测方法，包括以下步骤：

步骤1、对常规影响因素进行特征筛选，得到最优常规特征集；

步骤2、对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

步骤3、建立考虑突发事件的电动汽车负荷预测模型，结合最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

实施例2

考虑突发事件特征的电动汽车充电负荷预测方法，如图1所示，包括以下步骤：

步骤1、对常规影响因素进行特征筛选，得到最优常规特征集；常规影响因素包括气象、电价、日期类型、历史负荷数据，如表1所示：

表1常规影响因素特征集

步骤1.1、以表中Pt、DLt为例，P0表示当前时间电价，P1表示1h之前的电价；DL1表示1天前同一时刻负荷值，DL2表示2天前同一时刻负荷值。对常规影响因素进行无量纲化处理，使数据具有相同规格，加速神经网络的收敛。本实施例中，日期类型序列将工作日定义0，双休日定义为1，节假日定义为2，用来分辨不同日期类型时的负荷特征。电动汽车负荷、气象序列和电价数据可以归一化到[-0.5，0.5]区间以实现无量纲化，不同于常见的[0，1]区间，神经网络偏向于以0为中心的数据的输入，因此，将归一化区间的中心设置为0有利于神经网络的收敛，无量纲化的公式为：

式中，dmax和dmin分别为数据d的最大值和最小值。

步骤1.2、本发明考虑常规影响因素和电动汽车负荷之间的相关性，同时考虑线性关系和非线性关系，可以选择MIC法来判断2个影响因素序列间的相关性，具体如下：

MIC通过下式计算：

式中，dx和dy分别为序列x和y的值，I(·)为互信息函数，p(·)为概率密度分布函数，a和b分别为dX和dY方向上离散化的个数，IMIC(x,y)为序列x和y的MIC。

当序列为离散数据且分布非常不均匀时，同自身的MIC很可能出现不为1的现象，属于正常情况，不影响结论。按照MIC法从高到低选择MIC值大于0.6的特征子集。

步骤1.3、由于MIC法选择的特征子集存在很多冗余信息，在MIC的基础上选择mRMR方法对已选择特征中相关性较高的冗余特征进行处罚。在所有的特征序列中，递增式地选择新的特征序列，每次都选择局部最优的特征。

定义D(S,y)为所有特征和目标变量y之间的相关度，R(S)为所有特征的冗余度，其中S为所有特征共同构成的特征集合，即：

式中，di为第i个特征序列，m为最终选择的特征集合中特征序列的数量，ImRMR为特征序列的mRMR值。通过求解优化问题式(6)即可得到最终的特征子集。本发明将MIC与mRMR相结合，更加有利于选取出对电动汽车负荷有影响的常规因素。

步骤2、采用向量自回归模型，从突发事件的社会影响力、参与人群以及交通管制情况分析其对电动汽车充电需求变化的重要程度以及对负荷数据的正反向作用，即会引起电动汽车充电需求增加还是减少，构建出考虑突发事件的最优特征集。其中突发事件的社会影响力通过百度检索的数据量来得到、参与人群为实际参与突发事件的人数、交通管制情况为官方发布的管制区域面积占全区域面积的比例。突发事件影响因素集如表2所示：

表2突发事件因素特征集

步骤2.1、先确定突发事件中社会影响力、参与人群及交通管制情况构成的时间序列的平稳性；具体的，对时间序列进行ADF、PP和KPSS单位根检验，若检验结果满足5％显著度范围内，则认为该时间序列是平稳的。

步骤2.2、构建VAR模型：

yt＝C+α1yt-1+α2yt-2+…+αpyt-p+εt (7)；

上式中，yt为内生向量，C为模型常数，εt为白噪声，代表扰动向量；

基于AIC、HQ确定最佳模型和滞后阶数：

上式中，p为VAR模型的滞后阶数，n为样本类别，T为样本量。

步骤2.3、根据VAR模型，使用脉冲响应函数和方差分解对突发事件中社会影响力、参与人群以及交通管制情况三者的关系进行分析，得到考虑突发事件的最优特征集。具体的，使用脉冲响应函数分析三者由单位冲击引起的充电需求减少的动态反馈，通过方差分解来补充脉冲响应函数，最后构建出考虑突发事件的最优特征集。

步骤3、构建SSA-BiGRU-CNN神经网络模型，将最优常规特征集、考虑突发事件的最优特征集及历史负荷数据输入到BiGRU-CNN混合神经网络中进行预测，得到电动汽车负荷。

具体的，当突发事件已发生时，先在历史负荷数据中找到发生突发事件的真实负荷数据，再假设突发事件未发生，将最优常规特征集、历史负荷数据输入到SSA-BiGRU-CNN神经网络的预测模型中进行预测，得到突发事件未发生时的预测负荷序列，利用真实负荷数据减掉突发事件未发生时的预测负荷序列，得到由突发事件引起的电动汽车充电需求变化量历史值；在下一次突发事件即将发生时，将考虑突发事件的最优特征集与电动汽车充电需求变化量历史值输入到SSA-BiGRU-CNN神经网络的差值序列模型中进行预测，得到突发事件引起的电动汽车充电需求变化量的预测值；同时将最优常规特征集、当前时间的历史负荷数据输入SSA-BiGRU-CNN神经网络的预测模型进行预测，得到当前时间考虑常规影响因素的电动汽车负荷值，将当前时间考虑常规影响因素的电动汽车负荷值与突发事件引起的电动汽车充电需求变化量的预测值相加或相减，得到电动汽车负荷。本实施例中，SSA-BiGRU-CNN神经网络模型：使用麻雀搜索算法对BiGRU-CNN神经网络中的批处理、学习率、隐藏层层数、层神经元数、卷积核个数和步长等超参数进行寻优，找出最优参数。

SSA-BiGRU-CNN神经网络的预测模型工作原理为：BiGRU层对历史负荷数据进行时间特征提取，得到具有过去和未来信息的两个隐藏状态向量，将隐藏状态向量输入CNN层，通过卷积层和池化层捕获重要的局部关系，再通过全连接层进行局部资源整合，得到预测结果。

进一步的，CNN由卷积层、池化层和全连接层三层构成，其中卷积层通过内部多个卷积核从输入数据中提取数据中的有效资源，通过池化层保留强特征，舍弃弱特征，全连接层将所有局部资源整合在一起，形成一个全局资源，进而得到预测结果。

麻雀搜索算法(SSA)

SSA算法是效仿了麻雀寻食和躲避敌人的行为而提出的一种新型群体智能优化计算方法。在SSA算法中，全部麻雀群体按照一定的份额分成发现者与加入者,并会随机选择一些发现者和加入者个体同时兼任警戒者的身份。发现者一般拥有着较高适应度,它具有较广泛的搜索范围，其主要负责发现食物的位置,为加入者提供寻找食物的方向。当加入者的能量变低时,它们会跟随发现者前往其他位置寻找食物以获得更多的能量。当整个种群受到威胁时，警戒者会对整个群体发出警报以保障麻雀种群的安全。

BiGRU网络(双向门控循环神经网络)模型基本的构造如下：对于需要训练的时间序列，在正向和反向两个方向同时设置两个GRU模型，将两个GRU模型的隐藏层节点连接到同一输出层。该方法可以为输出层输入序列中的每个时间点提供完整的历史和未来信息。其工作原理为：学习过去、未来负荷与当前负荷之间的关系，对历史负荷数据的时间特征进行提取，得到具有过去和未来信息的两个隐藏状态向量。

实施例3

考虑突发事件特征的电动汽车充电负荷预测装置，包括：

第一特征筛选模块，用于对常规影响因素进行特征筛选，得到最优常规特征集；

第二特征筛选模块，用于对考虑突发事件的特征进行筛选，得到考虑突发事件的最优特征集；

负荷预测模块，用于建立考虑突发事件的电动汽车负荷预测模型，结合所述最优常规特征集、考虑突发事件的最优特征集及历史负荷数据对电动汽车充电负荷进行预测。

通过以上方式，本发明的考虑突发事件特征的电动汽车充电负荷预测方法，通过构建常规影响因素特征集以及突发事件特征集，通过SSA-BiGRU-CNN神经网络模型进行预测，同时考虑由突发事件所引起的负荷变化，从而能够准确预测突发事件下的电动汽车负荷，积极响应突发事件带来的负荷波动，有利于电力公司合理制定发电计划，削减电网成本，提高充电用户满意度及提高充电站的经济效益。