一种基于深度学习和负荷峰值修正的居民区充电桩负荷预测方法

本发明涉及居民配电网及充电桩负荷预测的，尤其涉及一种基于深度学习和负荷峰值修正的居民区充电桩负荷预测方法。

背景技术：

1、随着电动汽车和新能源汽车的普及，大量的私人充电桩被添加到电网中，对居民区所在电力系统的规划、调度和控制提出了重大挑战。随着ev渗透率的不断增加，大量充电桩的接入可能会导致配电网日负荷曲线的峰谷差增大、节点电压下降等问题，从而对电网造成较大的冲击。因此通过分析历史和未开负荷数据，开展居民区充电负荷预测，可以为车网互动调度运行策略提供重要支撑，指导电网规划建设、优化电力配置，从而制定科学的运营维护策略。

2、负荷预测作为电网调度、客户转型和关系规划、车网互动交易的基础支撑，在新型电力系统中起着决定性的作用，目前居民区充电桩的负荷预测主要分为模型驱动和数据驱动方法。模型驱动方法有马尔科夫链、蒙特卡洛等，通过考虑ev的参数，包括充电状态(soc)、行驶距离、功耗和充电持续时间，通过数学模型和充电负载的时空分布来推断车主的充电行为。由于模型驱动的方法缺乏真实充电负荷数据，多以数学建模或仿真进行真实的行为模拟，因此其预测结果的真实性存在局限。而基于数据驱动的研究方法包括统计学、机器学习和深度学习等，利用历史充电负荷数据来预测特定区域内的负荷，更能体现充电负荷预测结果的真实性与可靠性。

3、上述研究大多针对公共充电站的充电负荷预测，或基于概率模型和模拟出现、充电过程等进行模拟预测，而对于私人充电站，直接利用电表真实数据对居民区集群的充电负荷进行预测的研究较少。老旧小区由于建设较早，线路和节点容量无法满足大量ev充电负荷接入配电网所导致的负荷增长，新小区在建设初期也需考虑变压器容量，以便满足充电桩数量的增长带来的负荷激增。

技术实现思路

1、针对现有技术的不足，本发明获取目标居民区的充电桩数据后，进行数据预处理，将充电负荷值分为负荷峰值和负荷曲线趋势两部分，利用mic筛选与充电负荷相关性较大的特征，并输入lstm模型得到目标小区充电负荷峰值的预测结果。对负荷趋势进行ceemdan初步分解后，利用k-means对各个序列进行聚合重构，然后利用vmd对高频进行二次分解，将重构后的序列输入informer模型中进行预测，并将预测结果中的峰值替换为上一步负荷峰值预测的结果，进行曲线形状的修正。最后，计算误差指标，对模型性能进行评估，将训练完成的模型用于目标居民区的充电负荷预测。

2、所述的一种基于深度学习和负荷峰值修正的居民区充电桩负荷预测方法，包括如下步骤：

3、步骤1：数据预处理：由于网络、采集电表故障等多方面原因，充电原始数据会出现缺失或异常的情况，为了提高预测精度和加快训练速度，需要对数据进行预处理，包括缺失值填充、异常值识别与替换、归一化处理；

4、步骤2：特征选择：选取居民区充电日负荷峰值数据的影响特征，通过mic计算不同影响因素与日负荷峰值之间的相关性大小，选取负荷峰值特征。对于负荷趋势数据，以15min为采样点，在用户充电行为影响因素中选取相关性较大的行为特征；

5、步骤3：训练lstm负荷峰值预测模型：根据步骤2选取的特征指标中构建lstm深度学习模型，以学习日充电负荷峰值数据中的时序信息；

6、步骤4：负荷趋势曲线二次分解重构：利用ceemdan对充电负荷数据进行初次自适应分解得到多个子序列，计算各个子序列的样本熵，并利用k-means根据样本熵计算结果将序列分为低、中、高频分量，并对聚类得到的高频分量利用vmd进行二次分解，其中vmd的分解数量根据计算中心频率得出；

7、步骤5：训练负荷趋势informer模型：划分数据集，按照滑动窗口方法构造informer模型的输入，预测充电趋势曲线；

8、步骤6：负荷曲线形状修正：将informer模型预测得到的目标居民区充电负荷曲线中的负荷峰值点替换为步骤3中lstm模型预测得到的峰值；

9、步骤7：模型评估：通过计算不同预测场景下不同误差评估指标值，对模型预测准确性全面评估；

10、作为优选，步骤1数据预处理过程：

11、(1)：异常值识别与修正：结合充电桩用户历史充电行为以及充电桩容量，设定最高负荷以及最长和最低充电时长阈值，对于超出和明显低于此范围的充电行为数据，做异常数据标识进行修正。固定居民区充电桩的充电负荷具有较强的周期性和规律性，一般不会发生剧烈波动。对异常值采用均值填充的方式进行修正，具体公式如下：

12、

13、其中：y(k,t)表示第k天t时刻目标居民区的充电负荷值；

14、(2)：缺失值补全：为了保持时间序列的连续性，修正数据中的缺失值一般根据邻近充电日期或相似日的充电负荷进行补全，具体公式如下：

15、y(d,t)＝ω1y(d,t-1)+ω2y(d,t+1)+ω3y(d-1,t)+ω4y(d+1,t)       (2)

16、其中：y(d,t)代表第d天的t时刻目标居民区的充电负荷值；ω为不同相似日的权重系数；

17、(3)：标准化处理：在数据标准化的处理中，选择最大最小归一化的方法。该方法的核心思想是通过在数据集中找到最大值和最小值，将不同维度的数据按一定的比例进行缩放，映射至[0,1]中，最大最小归一化的优势在于保留了原始数据的分布形态，并且适用于需要将数据映射到特定范围的情况。在研究中，选择最大最小归一化是为了确保数据在后续分析和建模中的一致性和可比性。最大最小归一化的计算公式为：

18、

19、其中：x'为归一化之后的充电负荷；x代表原始负荷数据；xmax，xmin分别表示负荷序列中的最大值和最小值；

20、当模型完成训练后，其输出的预测值仍在区间[0,1]中，此时需对输出的预测值进行反归一化，使其还原至初始的数量级大小，反归一化的计算公式如下：

21、 x＝x′*(xmax-xmin)+xmin (4)

22、其中：x表示反归一化后的负荷数据；x'表示lstm初步得到的预测负荷值；xmax，xmin分别表示数据序列中的最大值和最小值。

23、作为优选，步骤2特征选择过程：

24、对不同影响因素与充电负荷的相关性进行定量分析，采用最大信息系数(mic)筛选与充电负荷表现出强相关的特征，提升模型中输入数据的质量。mic是一种基于互信息的相关性分析方法，可以量化两个变量之间的线性和非线性相关性，具有极高的普遍性和公平性，详细计算公式如下：

25、

26、其中：a和b分别是x和y方向上的区间数；s是一个变量，其大小等于数据量的0.6倍；p(x,y)是x和y的联合概率分布；p(x)和p(y)分别是x和y的边际概率分布；mic值的范围为从0到1，值越大则代表两个变量之间存在较强的相关性；

27、为了准确预测居民区充电桩负荷的变化，需要从多个维度考虑影响充电桩负荷的因素。对于目标居民区的日充电负荷峰值，利用mic计算对应日期居民区内安装的充电桩数量、平均气温、气压、降水量、电价、季节、节假日与否等影响特征与日负荷峰值之间的相关性。

28、对于15分钟为采样点的充电负荷趋势，利用mic计算每个采样点对应正在充电和开始充电的充电桩数量与负荷之间的相关性，通过计算各个特征与负荷之间的相关性大小，筛选相关性最强的特征作为预测模型的输入变量，不仅能够提高预测精度，还可以降低模型计算复杂度。

29、作为优选，步骤3训练lstm日负荷峰值预测模型：

30、lstm通过三种门控机制(包括遗忘门、输入门和输出门)的协同作用，有选择地加入新的信息以及遗忘之前累计的信息，lstm层可以学习多元历史数据的特征，对多元负荷进行预测。

31、确认负荷峰值预测模型输入时序数据长度，即历史负荷峰值，设置lstm预测模型的结构，包括模型的最佳层数、神经元数量、优化器和激活函数的类型。

32、作为优选，步骤4负荷趋势曲线二次分解重构：

33、(1)：首先使用自适应噪声完全集成经验模态分解(ceemdan)对目标居民区的充电负荷序列进行自适应分解后得到多个子序列，然后分别计算每个子序列的样本熵，通过样本熵值的大小评估各个子序列的复杂程度；

34、(2)：利用k-means聚类算法对(1)中各个子序列的样本熵值进行聚类，通过设置k-means的聚类参数为3，将对应的子序列分别聚合为低、中、高频分量，将不同复杂度的分量区分开有助于提高预测的准确性；

35、(3)：由于聚合后的高频依旧复杂且难以预测，采用变分模态分解(vmd)分解算法对高频分量进行二次分解，并分别计算不同分解数量k值时对应的中心频率。当中心频率随k值增加却依旧保持稳定时，则确定该k值为vmd算法的最佳分解数量，然后得到高频分量二次分解的k个子序列，从而进一步降低数据复杂度，提高预测的准确度；

36、(4)：将(2)中聚合得到的低频分量和中频分量和(3)中高频分量二次分解得到的k个子序列共k+2个子序列进行组合重构，作为负荷趋势预测的输入；

37、作为优选，步骤5训练负荷趋势informer模型：

38、(1)充电数据集划分：运用滑动窗口的方式依次将具有时序特征的数据集作为模型的输入，并定义单次滑动窗口输入数据的条数为时间步长，单次滑动窗口输出的预测结果数为预测步长。整体数据集将按照6:2:2的比例分为训练集、验证集和测试集。训练集用来训练模型的参数，验证集用来验证模型是否合理，而测试集用来进行实际的预测。

39、(2)构造输入矩阵：对于训练集、验证集和测试集，首先都需要构造两个输入矩阵，分别为编码器输入xen和解码器输入xde，用于预测特定时间之后的序列。

40、(3)模型训练：设置informer模型的最佳学习率、步长、批次大小和训练迭代次数，将步骤2提取得到的用户充电行特征和步骤4中聚合重构后得到的各个k+2个子序列作为预测模型的输入，分别构造k+2个informer模型进行预测，并通过全连接层对各个模型的预测结果进行加权叠加，得到最终的充电负荷趋势预测结果；

41、(4)adam优化算法：选择adam算法对informer模型进行优化。adam算法在模型训练过程中，其学习率会根据模型的训练情况自适应调整，是对梯度下降法的进一步改进，使得模型在训练过程中精度更加平稳；

42、作为优选，步骤6负荷曲线形状修正：

43、步骤5得到的充电负荷趋势曲线可以反映未来时间段内目标居民区充电桩的总负荷需求，但是在每天夜间集中充电时，峰值预测不够准确。为了提高日负荷峰值预测的准确度，保障居民区变压器安全，将步骤5得到的预测负荷曲线中的负荷峰值替换为步骤3得到的目标居民区充电日负荷峰值，得到目标居民区最终的充电负荷预测值。

44、作为优选，步骤7模型评估：

45、采用均方根误差(root mean square error，rmse)、平均绝对误差(meanabsolute error，mae)、拟合优度(goodness of fit，r2)来评估模型的预测性能，对模型预测结果的准确性进行评估，各指标的计算公式如下：

46、

47、其中:yi为第i时刻的实际充电负荷值、为经过修正的充电负荷预测值；n为训练的样本数量，mae和rmse的值越小，r2的值越接近1，模型预测的准确度越高。