[发明专利]充电站负荷可调潜力评估方法、系统、存储介质及服务器

权利要求书

1.一种充电站负荷可调潜力评估方法，其特征在于，包括：

使用LSTM神经网络对预先构建的数据库进行分析，对电动汽车充电负荷进行预测，得到常规未加入用户选择的负荷预测曲线；

通过预先建立的用户选择隶属度函数对所述数据库中每一辆电动汽车的充电行为进行预测，得到新的充电负荷数据库；

对所述新的充电负荷数据库进行LSTM神经网络预测，得到考虑用户行为决策后的负荷预测曲线，将所述常规未加入用户选择的负荷预测曲线与所述考虑用户行为决策后的负荷预测曲线进行对比，获得常规负荷调控容量，再对用户行为决策的影响权重进行改变，分别得到最大负荷调控容量以及最小负荷调控容量。

2.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于：所述的数据库通过对实际充电数据进行筛选和预处理构建，所述对实际充电数据进行筛选和预处理的步骤包括删除空白数据和无效数据，并针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集。

3.根据权利要求2所述的充电站负荷可调潜力评估方法，其特征在于，所述针对有效充电数据之间存在的短时缺失，依据设定的规则，通过插值法进行填补，扩大有效数据集包括：

对数据库中瞬间上升至最高功率或下降至0的充电数据进行填补，使用平均数插值对充电数据的两端进行填补，所述平均数插值的计算表达式如下：

对数据库中相邻两充电数据中的0数据进行填补，通过计算平均数对相邻两充电数据中间空白部分进行填补，所述平均数的计算表达式如下：

式中，N为填补数据；Data为瞬间上升至最高功率或下降至0的充电数据；Data_left、Data_right为相邻两充电数据。

4.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于，所述使用LSTM神经网络对所述数据库进行分析，对电动汽车充电负荷进行预测的步骤包括：

读取所述数据库，构建一维时间序列矩阵，一维时间序列矩阵中的横坐标为时间节点，纵坐标为该时间节点充电站的充电负荷；

对数据库中的数据按训练数据和测试数据进行分区；

按下式将训练数据标准化为具有零均值和单位方差的标准化数据：

式中，u为标准化数据的均值，N为训练数据的总数，DataTrain_i为每一个具体训练数据，S为标准化数据的方差；

定义LSTM网络架构，并创建LSTM神经网络模型，所述的LSTM神经网络模型为具有两层隐藏层的LSTM网络，每层具有若干个隐含单元，设置掉落率为一定值的丢弃层用于防止过拟合，利用ADAM算法进行设定轮数的训练，设置梯度阈值用于防止梯度爆炸，指定初始学习率，并在进行到设定轮数中的某一轮数训练后乘以因子来降低学习率；

使用训练完成的LSTM神经网络模型进行测试，使用测试数据对未来几天的负荷波动进行预测并交叉验证；

对预测数据去标准化，并计算误差，找出电动汽车负荷预测结果作为常规未加入用户选择的负荷预测曲线。

5.根据权利要求1所述的充电站负荷可调潜力评估方法，其特征在于，所述的用户选择隶属度函数的建立过程如下：

添加隶属度函数的输入信息，包括电价补偿、荷电状态、电量焦虑以及电价敏感程度，各输入信息对应的隶属度模型为分别为梯形分布、高斯分布、三角形分布以及高斯分布；

各输入信息的判别依据分别如下：

电价补偿：

荷电状态：

电量焦虑：

电价敏感程度：

添加隶属度函数的输出信息，输出信息分为接受调控和不接受调控；

按照隶属度函数规则获取隶属度模型输出；

通过对隶属度函数的输出进行可视化操作，根据隶属度模型输出调整所设定的隶属度函数规则，得到用户选择隶属度函数。