[发明专利]一种深度多部时空神经网络的电动汽车负荷预测方法

说明书

本发明公布了一种深度多部时空神经网络的电动汽车负荷预测方法，其特包括：(S1)建立电动汽车负荷的表示模型：根据充电桩的位置将充电桩充电负荷用二维矩阵表示，得到电动汽车空间负荷矩阵，并按时间顺序整理成时长T的时空动态负荷序列；(S2)采用表示模型对充电桩的经纬分布以及负荷进行建模，得到实际的时空动态负荷序列；(S3)构建深度多部时空动态神经网络，并采用训练数据对其进行训练；(S4)将实际的时空动态负荷序列输入到训练好的时空动态神经网络得到预测结果。该方法不仅可以消除滚动预测带来的误差提高预测精度，而且可以预测电动汽车充电负荷的时空动态，能给电网带来时空二维的负荷信息，更大程度的帮助电网解决充电汽车大量入网带来的问题。

技术领域

本发明涉及新能源领域，尤其涉及一种深度多部时空神经网络的电动汽车负荷预测方法。

背景技术

电动汽车负荷预测主要分为两类，一类是采用数学模型模拟电动汽车充电行为，从而得出电动汽车负荷预测值的方法，此类方法在综合考虑充电负荷的时空特性时数学模型太过复杂，难以保证预测精度。另一类是基于历史数据采用统计学习模型进行预测的方法，用模型学习历史数据的潜在规律，从而达到较好的预测效果。

电动汽车充电负荷预测的传统负荷预测方法有回归分析法、相似日法等；现代预测方法有基于神经网络的预测法、基于小波分析的预测法以及支持向量机预测法等。过去的电动汽车充电负荷预测统计学习方法更多都是只考虑时间维度的预测方法，没有考虑电动汽车充电负荷所包含的复杂空间性。

过去的电动汽车充电负荷预测统计学习方法更多都是只考虑时间维度的预测方法，没有考虑电动汽车充电负荷所包含的复杂空间性。在实际的电动汽车时空动态负荷中，既有长期的充电负荷规律，也有短期由于天气、事件以及个人充电行为等随机性引起的短期充电负荷规律。之前的研究多数不能同时兼顾学习到这两种规律。因此，综合考虑负荷的时间及空间双重动态变化，才能更好的进行时空动态预测。

发明内容

有鉴于现有技术的上述缺陷，本发明提供一种深度多部时空神经网络的电动汽车负荷预测方法，在传统的神经网络基础上采用将ConvLSTM结构和3D-ConvNet层分别输出后用融合层进行融合的结构单元，能够全面的学习到长期规律和短期规律，多个单元的堆叠使网络的学习能力更强，3D-ConvNet层作为输出实现多步预测，从而从空间和时间上整体的对负荷进行预测。

本发明提供了一种深度多部时空神经网络的电动汽车负荷预测方法，其包括：

(S1)建立电动汽车负荷的表示模型：根据充电桩的位置将充电桩充电负荷用二维矩阵表示，得到电动汽车空间负荷矩阵，并根据各二维矩阵的时间顺序整理成时长T的时空动态负荷序列A{A₁,A₂,…,A_t},A∈R^t×x×y，A_t为时间t的电动汽车空间负荷矩阵，其中a_t(x,y)是坐标为(x,y)点的负荷量；电动汽车空间负荷矩阵A_t的表达式为：

(S2)采用步骤S1中建立的表示模型对充电桩的经纬分布以及负荷进行建模，得到实际的时空动态负荷序列；

(S3)构建深度多部时空动态神经网络，并采用训练数据对其进行训练；

(S4)将实际的时空动态负荷序列输入到训练好的时空动态神经网络得到预测结果。

本发明的进一步改进在于，步骤S2具体包括：

(S21)构建坐标轴，确定所有充电桩的坐标；

(S22)计算出每个充电桩负荷覆盖的范围，每个充电桩的覆盖范围是自己坐标为中心的一个正方形；

(S23)将所有充电桩负荷覆盖范围内填上该时刻充电桩的负荷量并累加，得到该时刻的电动汽车空间负荷矩阵；