一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法与流程

1.本发明涉及电动汽车充电负荷预测领域，尤其是涉及一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法。


背景技术：

2.随着新能源技术的不断发展，电动汽车、太阳能等新能源产业将在日常生活中产生越来越大的影响，且电动汽车有着绿色、节能、环保高效的特点，是未来的发展重点。
3.近年来电动汽车渗透率快速提高，引发了居住区变压器峰值负荷超限、变压器容量不足等一系列问题，现有的居住区配变并不能满足大规模的电动汽车无序负荷的接入。电动汽车有序充电技术是解决上述问题的一种有效方法。大部分有序充电策略的实施和运行都需要取得未来电动汽车充电负荷的预测值。
4.电动汽车充电负荷随机性大、波动性强，对负荷进行点预测无法反映其全部特，而概率预测可以得到充电负荷的置信区间上下限，也能得到充电负荷的概率分布，具有更大的参考价值。常见的神经网络概率预测工作基于分位数回归(qr)原理，预测模型只能输出一个分位数，而复合分位数回归(cqr)模型可同时输出多个预测分位数。目前，对电动汽车充电负荷概率预测的研究较少，尤其是在神经网络复合分位数回归方面。


技术实现要素：

5.本发明提供一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法，基于电动汽车充电负荷历史数据，考虑气温、天气类型、日类型的影响，结合复合分位数回归和lstm神经网络，同时对未来电动汽车充电负荷的多个分位数作预测，得到充电负荷的置信区间上下限和概率分布。
6.本发明解决其技术问题是采取以下技术方案实现的：
7.一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法，其包括如下步骤：
8.s1、采集与电动汽车充电负荷预测相关的特征数据，并对所述特征数据进行预处理，构建训练数据集；所述特征数据包括电动汽车历史充电负荷、气温、天气类型和日类型；
9.s2、建立基于复合分位数回归和lstm神经网络的负荷概率预测模型，模型输入为过去一天内电动汽车充电负荷序列[x1,
…
,xn]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列，其中n为序列点数；负荷概率预测模型每次对未来的n个时间点进行同时预测，每个时间点需同时预测k个分位数，经反归一化后的模型输出为：
[0010][0011]
其中，q
yi
(τj|xi)为模型预测得到的输入xi对应的电动汽车充电负荷yi的τj分位
数，τj为第j个分位点，[y1,
…
,yn]表示与输入xi所对应的待预测电动汽车充电负荷的真实值，i＝1,2,
…
,n；
[0012]
以最小化损失函数为目标，利用所述训练数据集对所述负荷概率预测模型进行训练，并得到最终的负荷概率预测模型；
[0013]
s3、在进行实际预测时，将待预测日期前一天内电动汽车充电负荷序列[x1,
…
,xn]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列输入所述最终的负荷概率预测模型中，得到模型输出的分位数矩阵qy；再针对任意第i个未来时间点，按照指定的置信区间从分位数矩阵qy的第i行中提取未来充电负荷的置信区间上下限，并以分位数矩阵q
τ
的第i行中的0.5分位数作为未来充电负荷的预测值，从而形成未来充电负荷的预测曲线；
[0014]
s4、根据指定的预测置信度，基于模型输出的分位数矩阵qy中每个未来时间点所预测的k个分位数，利用核密度估计方法生成每个未来时间点的电动汽车充电负荷概率分布。
[0015]
作为优选，所述特征数据构建为训练样本时，天气类型需经量化处理为0至1间的值，而日类型按工作日和休息日分别设为0和1。
[0016]
作为优选，步骤s2中所述负荷概率预测模型的模型结构如下：
[0017]
充电负荷序列经输入层1、一维卷积层、池化层和全连接层后，得到中间数据a1；气温、天气类型和日类型序列合并为一个3
×
n的矩阵，共同经输入层2和全连接层，得到中间数据a2；中间数据a1和中间数据a2输入一个拼接层进行拼接，随后经lstm层、dropout层、全连接层后，最终通过由全连接层和整形层级联而成的输出层输出为分位数预测结果qy。
[0018]
作为优选，训练所述负荷概率预测模型采用的损失函数为：
[0019][0020]
其中，l(τj)是与τj有关的函数，其形式为：
[0021][0022][0023][0024]
m(xi)为与第i个时间点所预测的k个分位数有关的用于解决分位数交叉问题的惩罚项，惩罚项m(xi)的表达式为：
[0025][0026]
其中，λ为常数。
[0027]
作为优选，所述负荷概率预测模型的预测目标为电动汽车未来24小时的充电负荷分位数，每次对未来的n＝96个时间点进行同时预测，相邻时间点间隔为15分钟，每个时间
点需同时预测k＝19个分位数，即对τj∈[0.05,
…
,0.95]进行分位数预测。
[0028]
作为优选，所述s4中，需根据指定的预测置信度，从qy中每个未来时间点所预测的k个分位数中提取m个分位数，再利用这m个分位数生成电动汽车充电负荷的概率分布
[0029][0030]
其中，y
l
为提取的m个分位数中的第l个；h为核带宽，k(
·
)是用于构建核密度估计的核函数。
[0031]
作为优选，所述核函k(
·
)采用epanechnikov核函数，其通式为：
[0032][0033]
作为优选，所述核带宽h需采用网格搜索交叉验证方法来寻找最优值。
[0034]
作为优选，所述s3中，指定的置信区间为90％置信区间，第i个未来时间点需从分位数矩阵qy的第i行中提取和分别作为90％置信区间的上下限。
[0035]
作为优选，所述s4中，指定的预测置信度为90％置信度，需从qy中每个未来时间点所预测的k＝19个分位数中提取m＝19个分位数，由τj∈[0.05,
…
,0.95]生成每个未来时间点的电动汽车充电负荷概率分布；或者指定的预测置信度为80％置信度，需从qy中每个未来时间点所预测的k＝19个分位数中提取m＝17个分位数，由τj∈[0.10,
…
,0.90]生成每个未来时间点的电动汽车充电负荷概率分布。
[0036]
本发明提供一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法，基于电动汽车充电负荷历史数据，考虑气温、天气类型、日类型的影响，使用特定的损失函数训练模型，在损失函数中加入惩罚项，解决了分位数交叉问题，输出未来充电负荷的一系列预测分位数，可得到充电负荷的预测曲线、充电负荷的置信区间上下限、充电负荷的概率分布，有较好的预测精度和预测可靠性，所得预测结果可作为有序充电策略的输入量，有助于有序充电策略的设计和运行。
附图说明
[0037]
图1是本发明实施例中的方法流程示意图；
[0038]
图2是本发明实施例中的cqrlstm模型结构示意图；
[0039]
图3是本发明实施例提供的预测区间及预测曲线效果图；
[0040]
图4是本发明实施例提供的预测概率密度函数效果图；
具体实施方式
[0041]
下面将参照附图更加详细地描述本发明的实施方式。虽然附图中给出了本发明的某些实施例,然而应当理解的是,本发明可以通过各种不同的形式来实现,而且不应该被解释为局限于此处阐述的实施方式,相反地，提供这些实施方式是为了更加透彻并完整地理解本发明的内容。应当理解的是,本发明的附图及实施例仅用于示例作用,并非是用于限制本发明的保护范围。
[0042]
请参阅附图1，作为本发明的一种较佳实施方式，提供了一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法，其发明构思是：首先取得电动汽车历史充电负荷、气温、天气类型、日类型共4类数据，对数据进行量化和归一化的预处理。然后，基于设定的模型结构和模型输入，以及带有惩罚项的特定损失函数，构建lstm神经网络复合分位数回归(cqrlstm)预测模型。使用历史数据训练预测模型，将待预测数据输入模型以得到一系列分位数预测结果，从模型输出结果中取得预测置信区间的上下限，获取电动汽车充电负荷的预测曲线。最后，基于输出的预测结果和核密度估计方法，生成充电负荷概率密度曲线。下面对上述预测方法的具体步骤进行详细描述。
[0043]
s1、采集与电动汽车充电负荷预测相关的特征数据，并对这些特征数据进行预处理，构建训练数据集。上述特征数据包括电动汽车历史充电负荷、气温、天气类型和日类型。
[0044]
上述电动汽车历史充电负荷、气温、天气类型和日类型均为时序数据，可将其按照所需的样本长度进行切分。构建训练样本是，不同维度特征数据可进行归一化，避免量纲的差异对最终预测结果产生影响。由于天气类型和日类型并非连续数值的特征，因此可将天气类型进行分类后，每一类分别在0至1区间范围内进行赋值，而日类型则按工作日和休息日进行分类，分别设为0和1。
[0045]
在本发明的实施例中，将天气类型分为15类，各天气类型经量化处理为0至1间的值，对天气类型的量化方法如表1所示。
[0046]
表1
[0047]
天气名称量化值暴雨1.0大雪0.9大雨0.9中雪0.8中雨0.8雷阵雨0.7霾0.6阵雪0.6阵雨0.6小雪0.5小雨0.5雾0.5阴0.4多云0.3晴0.2
[0048]
s2、建立基于复合分位数回归和lstm神经网络(cqrlstm)的负荷概率预测模型，模型输入为过去一天内电动汽车充电负荷序列[x1,
…
,xn]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列，其中n为序列点数；负荷概率预测模型每次对未来的n个时间点进行同时预测，每个时间点需同时预测未来电动汽车充电负荷的k个分位数，经反归一化后的模型输出为：
[0049][0050]
其中，为模型预测得到的输入xi对应的电动汽车充电负荷yi的τj分位数，τj为第j个分位点，[y1,
…
,yn]表示与输入xi所对应的待预测电动汽车充电负荷的真实值，i＝1,2,
…
,n。
[0051]
在本发明的实施例中，步骤s2中负荷概率预测模型结构如附图2所示，具体的内部处理过程如下：
[0052]
充电负荷序列经输入层1、一维卷积层、池化层和全连接层后，得到中间数据a1；气温、天气类型和日类型序列合并为一个3
×
n的矩阵，共同经输入层2和全连接层，得到中间数据a2；中间数据a1和中间数据a2输入一个拼接层进行拼接，随后经lstm层、dropout层、全连接层后，最终通过由全连接层和整形层级联而成的输出层输出为分位数预测结果qy。
[0053]
上述负荷概率预测模型在实际应用于推理之前，需要预先进行训练，训练方式与传统神经网络类似，可以以最小化损失函数为目标，利用上述训练数据集对该负荷概率预测模型进行训练，并得到最终的负荷概率预测模型。
[0054]
在本发明的实施例中，训练上述负荷概率预测模型采用的损失函数为：
[0055][0056]
其中，l(τj)是与τj有关的函数，其形式为：
[0057][0058][0059][0060]
其中，即为负荷概率预测模型输出的矩阵qy中的对应值，即电动汽车充电负荷yi的τj分位数，它与输入的xi相关。
[0061]
m(xi)为与第i个时间点所预测的k个分位数有关的用于解决分位数交叉问题的惩罚项。
[0062]
上述惩罚项m(xi)的表达式为：
[0063][0064]
其中，λ为常数。在本发明的实施例中，λ取值为0.01。
[0065]
上述负荷概率预测模型的训练过程可参照现有技术实现，一般可将步骤s1中经过预处理的训练数据集划分为训练集和测试集，利用训练集对负荷概率预测模型进行训练，并用测试集对其进行测试，通过优化器基于损失函数值进行网络参数优化，得到最终的负
荷概率预测模型。
[0066]
s3、在进行实际预测时，将待预测日期前一天内电动汽车充电负荷序列[x1,
…
,xn]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列输入s2中得到的最终的负荷概率预测模型中，得到模型输出的分位数矩阵qy。
[0067]
再针对任意第i个未来时间点，按照指定的置信区间从分位数矩阵qy的第i行中提取未来充电负荷的置信区间上下限，并以分位数矩阵qy的第i行中的0.5分位数作为未来充电负荷的预测值，从而形成未来充电负荷的预测曲线。
[0068]
需要说明的是，本发明中所说的指定的置信区间、以及输入序列和输出序列的长度，可根据实际的预测要求进行指定。在本发明的实施例中，负荷概率预测模型的预测目标为电动汽车未来24小时的充电负荷分位数，每次对未来的n＝96个时间点进行同时预测，相邻时间点间隔为15分钟，每个时间点需同时预测k＝19个分位数，即对τj∈[0.05,
…
,0.95]进行分位数预测。同时，可设置指定的置信区间为90％置信区间，由此基于该90％置信区间，任意的第i个未来时间点需从分位数矩阵qy的第i行中提取和分别作为90％置信区间的上下限。该置信区间结合前述的0.5分位数，就可以确定预测曲线中每一个时间点所对应的值以及其置信区间上下限，从而可以生成未来充电负荷的预测值及预测曲线。本发明的实施例所生成的预测值及预测曲线，可作为有序充电策略的输入量，以支撑有序充电策略的设计和运行。
[0069]
s4、根据指定的预测置信度，基于模型输出的分位数矩阵qy中每个未来时间点所预测的k个分位数，利用核密度估计方法生成每个未来时间点的电动汽车充电负荷概率分布。
[0070]
需要说明的是，上述s4步骤中，所说的指定的预测置信度可以根据实际的预测要求进行指定。由于模型输出的分位数矩阵qy具有n
×
k个分位数，每一列对应于一个时间点的k个分位数。因此，如果指定的预测置信度不同，则采用核密度估计方法生成电动汽车充电负荷的概率分布时所需的分位数数量也不同。基于模型输出的n
×
k个分位数预测结果，可按预测置信区间的需要，在每个时间点所预测的k个分位数中提取m个分位数，再利用这m个分位数基于核密度估计方法生成电动汽车充电负荷的概率分布，表示为：
[0071][0072]
其中，y
l
为提取的m个分位数中的第l个；m为提取的预测分位数总数；k(
·
)是核函数，本实施例中选取epanechnikov核函数来构建核密度估计，其通式为：
[0073][0074]
h为核带宽，对于非参数核密度估计的精度具有较大影响，因此可采用基于网格搜索交叉验证方法来寻找最优核带宽。本发明中，网格搜索交叉验证方法属于现有技术，可自行编程实现，也可通过多种现有工具来实现，对此不再赘述。在本发明的实施例中，采用scikit-learn包中的相关工具来实现。
[0075]
另外，如前所述，不同的预测置信区间需要提取的分位数个数m是不同的。在本发
明的实施例中，若k＝19个，则提取的预测分位数个数m可以分别选取为19或17，分别对应于指定的预测置信度为90％置信度和80％置信度。当m＝19时，使用τj∈[0.05,
…
,0.95]的全部19个预测分位数结果生成每个未来时间点的电动汽车充电负荷概率分布，所生成概率密度曲线覆盖范围为90％置信区间；当m＝17时，使用τj∈[0.1,0.15,
…
,0.9]共17个分位数预测结果生成每个未来时间点的电动汽车充电负荷概率分布，所生成概率密度曲线覆盖范围为80％置信区间。本发明的实施例将生成两个置信度下的概率密度曲线，可供后续应用。
[0076]
下面将上述s1～s4所述的生成每个未来时间点的电动汽车充电负荷概率分布具体应用于一个示例中，以展示其技术效果。
[0077]
实施例
[0078]
为了验证本发明提出的上述基于复合分位数回归的短期电动汽车充电负荷概率预测方法的有效性，本实施例中使用python 3.8编程语言开发实现了该方法，并使用一台装配有intel core i5-8300h 2.3ghz cpu、nvidia gtx 1060 6g显卡和32g内存的pc机完成了本实施例的测试和验证。
[0079]
本发明的实施例基于杭州市某区域内居住区电动汽车充电负荷历史数据开展技术验证。该实例所使用的数据时间为2022年7月1日到7月31日，共31天。归一化后的数据样表如表2所示。
[0080]
表2
[0081]
时间充电负荷日类型气温天气类型2022/7/15 22:450.8300.610.232022/7/15 23:000.8900.60.22022/7/15 23:150.9200.60.22022/7/15 23:300.9300.60.22022/7/15 23:450.9400.60.22022/7/16 0:000.9510.60.22022/7/16 0:150.9510.590.22022/7/16 0:300.9210.580.22022/7/16 0:450.8910.560.22022/7/16 1:000.8610.550.2
[0082]
以前21天数据作为训练集，后9天数据作为测试集。使用训练集训练模型。训练完成后，在测试集上进行测试。按照前述的步骤s3，取0.5分位数作为未来充电负荷的预测值，置信区间指定为90％置信区间，对应的第2天的预测结果如附图3所示，可以看出预测曲线与实际曲线吻合度较好，预测区间完全覆盖了实际值，有较高的预测可靠性。进一步的，按照前述的步骤s4，取第2天的预测结果中00：00、04：00、08：00、12：00、16：00、20：00共6个时间点，模型所生成的90％和80％置信区间的概率密度曲线如附图4所示，可以看出预测所得概率密度曲线效果较好。此实施例证明了本发明所提出方法的有效性。
[0083]
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也视为本发明的保护范围。

技术特征：
1.一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法，其特征在于，包括如下步骤：s1、采集与电动汽车充电负荷预测相关的特征数据，并对所述特征数据进行预处理，构建训练数据集；所述特征数据包括电动汽车历史充电负荷、气温、天气类型和日类型；s2、建立基于复合分位数回归和lstm神经网络的负荷概率预测模型，模型输入为过去一天内电动汽车充电负荷序列[x1,
…
,x
n
]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列，其中n为序列点数；负荷概率预测模型每次对未来的n个时间点进行同时预测，每个时间点需同时预测k个分位数，经反归一化后的模型输出为：其中，q
yi
(τ
j
|x
i
)为模型预测得到的输入x
i
对应的电动汽车充电负荷y
i
的τ
j
分位数，τ
j
为第j个分位点，[y1,
…
,y
n
]表示与输入x
i
所对应的待预测电动汽车充电负荷的真实值，i＝1,2,
…
,n；以最小化损失函数为目标，利用所述训练数据集对所述负荷概率预测模型进行训练，并得到最终的负荷概率预测模型；s3、在进行实际预测时，将待预测日期前一天内电动汽车充电负荷序列[x1,
…
,x
n
]以及与充电负荷序列的时间相匹配的气温、天气类型、日类型序列输入所述最终的负荷概率预测模型中，得到模型输出的分位数矩阵q
y
；再针对任意第i个未来时间点，按照指定的置信区间从分位数矩阵q
y
的第i行中提取未来充电负荷的置信区间上下限，并以分位数矩阵q
y
的第i行中的0.5分位数作为未来充电负荷的预测值，从而形成未来充电负荷的预测曲线；s4、根据指定的预测置信度，基于模型输出的分位数矩阵q
y
中每个未来时间点所预测的k个分位数，利用核密度估计方法生成每个未来时间点的电动汽车充电负荷概率分布。2.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述特征数据构建为训练样本时，天气类型需经量化处理为0至1间的值，而日类型按工作日和休息日分别设为0和1。3.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：步骤s2中所述负荷概率预测模型的模型结构如下：充电负荷序列经输入层1、一维卷积层、池化层和全连接层后，得到中间数据a1；气温、天气类型和日类型序列合并为一个3
×
n的矩阵，共同经输入层2和全连接层，得到中间数据a2；中间数据a1和中间数据a2输入一个拼接层进行拼接，随后经lstm层、dropout层、全连接层后，最终通过由全连接层和整形层级联而成的输出层输出为分位数预测结果q
y
。4.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：训练所述负荷概率预测模型采用的损失函数为：其中，l(τ
j
)是与τ
j
有关的函数，其形式为：
ρ
τ
(u)＝u(τ-i(u)),u＝y
i-q
yi
(τ
j
|x
i
)m(x
u
)为与第i个时间点所预测的k个分位数q
yi
(τ1|x
i
)～q
yi
(τ
k
|x
i
)有关的用于解决分位数交叉问题的惩罚项，惩罚项m(x
i
)的表达式为：其中，λ为常数。5.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述负荷概率预测模型的预测目标为电动汽车未来24小时的充电负荷分位数，每次对未来的n＝96个时间点进行同时预测，相邻时间点间隔为15分钟，每个时间点需同时预测k＝19个分位数，即对τ
j
∈[0.05,
…
,0.95]进行分位数预测。6.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述s4中，需根据指定的预测置信度，从q
y
中每个未来时间点所预测的k个分位数中提取m个分位数，再利用这m个分位数生成电动汽车充电负荷的概率分布中提取m个分位数，再利用这m个分位数生成电动汽车充电负荷的概率分布其中，y
l
为提取的m个分位数中的第l个；h为核带宽，k(
·
)是用于构建核密度估计的核函数。7.如权利要求6所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述核函k(
·
)采用epanechnikov核函数，其通式为：8.如权利要求6所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述核带宽h需采用网格搜索交叉验证方法来寻找最优值。9.如权利要求1所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述s3中，指定的置信区间为90％置信区间，第i个未来时间点需从分位数矩阵q
y
的第i行中提取q
yi
(τ1|x
i
)和q
yi
(τ
19
|x
i
)分别作为90％置信区间的上下限。10.如权利要求6所述的一种基于cqrlstm的短期电动汽车充电负荷概率预测方法，其特征在于：所述s4中，指定的预测置信度为90％置信度，需从q
y
中每个未来时间点所预测的k＝19个分位数中提取m＝19个分位数，由τ
j
∈[0.05,
…
,0.95]生成每个未来时间点的电动汽车充电负荷概率分布；或者指定的预测置信度为80％置信度，需从q
y
中每个未来时间点所预测的k＝19个分位数中提取m＝17个分位数，由τ
j
∈[0.10,
…
,0.90]生成每个未来时间点的电动汽车充电负荷概率分布。

技术总结
本发明公开了一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法。首先取得电动汽车历史充电负荷、气温、天气类型、日类型共4类数据，对数据进行量化和归一化的预处理。然后，基于设定的模型结构和模型输入，以及带有惩罚项的特定损失函数，构建LSTM神经网络复合分位数回归(CQRLSTM)预测模型。使用历史数据训练预测模型，将待预测数据输入模型以得到一系列分位数预测结果，从模型输出结果中取得预测置信区间的上下限，获取电动汽车充电负荷的预测曲线。最后，基于输出的预测结果和核密度估计方法，生成充电负荷概率密度曲线。所得预测曲线和预测区间可作为有序充电策略的输入量，有助于有序充电策略的设计和运行。有助于有序充电策略的设计和运行。


技术研发人员：庞彬 李建平 于鹤洋 霍英宁 耿光超 江全元 陈奕 徐川子 向新宇
受保护的技术使用者：国网浙江省电力有限公司杭州供电公司
技术研发日：2023.06.07
技术公布日：2023/9/23