一种基于时序模式关联的电动车充电负荷动态建模方法
文献发布时间:2023-06-19 18:25:54
技术领域
本发明涉及电动车充电负荷建模的技术领域,尤其涉及一种基于时序模式关联的电动车充电负荷动态建模方法。
背景技术
近年来,电动车行业的蓬勃发展为推动双碳目标的实现注入了新的活力。但另一方面,电动车充电负荷需求的激增给电网稳定运行带来了巨大的挑战。对电动车充电负荷的有效建模与管理有助于通过需求响应参与电网控制,提高电网稳定性的同时充分发挥电动车的经济性与环保效益。但目前仍缺少有效的电动车负荷动态建模方法,无法准确描述电动车充电的时序模式以及与外界环境因素的关联,难以为电网的日前、日内调度提供依据。现有电动车充电负荷建模研究主要存在以下三个难题:
1、研究集中于电动车充电负荷预测,仅能实现对负荷进行外推型回归,暂未建模负荷本质的时序特性以及归纳典型的时序模式。
2、现有方法仅通过人工分析电动车充电负荷与温度、天气、节假日等外部信息的关联,工作量大,且难以挖掘隐含关联关系与建立不同外界条件下的电动车充电负荷模型。
3、缺少根据新采集的电动车充电负荷进行滚动建模的能力,未能持续适应负荷时序模式的变化。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有电动车充电负荷建模存在的问题,提出了本发明。
因此,本发明目的是提供一种基于时序模式关联的电动车充电负荷动态建模方法。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种基于时序模式关联的电动车充电负荷动态建模方法,包括:
通过智能边缘终端采集高频电动车的充电负荷数据,作为历史建模时段,并对所述充电负荷数据进行预处理;
采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合;
将各所述时序表示向量归一化并进行DBSCAN聚类;
分别对各聚类簇和在聚类簇外的离群向量进行编号和单独记录;
离散化所述历史建模时段中的外部环境信息,并采用Aprioi算法提取各维度外部信息与聚类簇编号的关联关系;
在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:采集智能边缘终端采集高频电动车充电负荷数据,作为历史建模时段,并对数据进行预处理包括,
所述智能边缘终端为具备高频电气量采集、储存、上传功能的低压配电网测量设备;
所述高频电动车充电负荷数据为在电动车充电桩取电端采集的交流侧有功功率的时序数据;
所述预处理包括数据切片与异常值检测。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合包括,
通过所述ARMA算法将单条电动车充电负荷有功片段数据表示为下式:
其中,x
其中,损失函数loss如下式所示:
其中,n
所述时序表示向量为由p+q个时序模型权重依次排列组成的p+q维向量。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:将各所述时序表示向量归一化并进行DBSCAN聚类包括,
所述归一化为将n
所述DBSCAN聚类为统计各条时序表示向量范围为f
若时序表示向量范围为f
若时序表示向量范围为f
其中,minp为核心对象向量的判断阈值;
将邻域存在交集的核心对象向量聚成一类,形成聚类簇;
将不属于任一所述聚类簇的时序表示向量标记为离群向量;
由1开始对各所述聚类簇依次编号,得到各所述聚类簇的唯一编号。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:离散化所述历史建模时段中的外部环境信息包括,
所述外部环境信息为影响电动车充电负荷大小以及变化趋势的环境信息,包括温度、天气、节假日;
离散化为将外部环境信息按设定区间映射至离散值,得到温度的离散值Temp、天气信息离散值Wth和节假日信息离散值Hld。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:采用Aprioi算法提取各维度外部信息与聚类簇编号的关联关系包括,
所述Aprioi算法为以聚类簇编号作为1项集开始,逐一与Temp、Wth、Hld中各取值拼接至4项集,在每次拼接后均以支持度与提升度作为指标进行阈值剪枝;
若低于阈值thd
若不低于阈值thd
输出4项集与项数大于1的叶子节点项集作为关联分析结果,得到不同外部环境条件下的电动车充电负荷时序表示。
作为本发明所述一种基于时序模式关联的电动车充电负荷动态建模方法,其中:在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类包括,
所述滚动建模包括每采集单个片段的电动车充电数据便结合历史建模时段中的时序表示向量进行建模,建模后将新收集的片段归入历史建模时段,随着新数据的采集不断滚动进行;
若所述时序表示向量属于某一聚类簇,则得到滚动建模时段与外部信息的关联关系;
若所述时序表示向量不属于某一聚类簇,则单独记录滚动建模时段中的外部信息。
第二方面,本发明实施例提供了一种基于时序模式关联的电动车充电负荷动态建模系统,包括,
采集模块,用于采集智能边缘终端采集高频电动车充电负荷数据,作为历史建模时段,并对数据进行预处理;
记录模块,用于获得时序表示向量并形成集合后进行DBSCAN聚类,以及分别对各聚类簇和在聚类簇外的离群向量进行编号和单独记录;
判断模块,用于判断DBSCAN聚类结果;
更新模块,用于提取各维度外部信息与聚类簇编号的关联关系,并在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类。
第三方面,本发明实施例提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的一种基于时序模式关联的电动车充电负荷动态建模方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述一种基于时序模式关联的电动车充电负荷动态建模方法。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明提出了一种考虑时序模式关联的全自动电动车充电负荷动态建模方法,包括时序特性本质表示的自动提取,时序模式的自动归纳,时序模式与外界环境信息关联的自动挖掘。
2、本发明对电动车充电负荷的时序特性进行向量化表示,提取时序表示向量所需的数据量极少,且向量化有利于时序模式的归纳以及关联关系挖掘。
3、本发明对典型时序模式进行归纳,可自适应地确定典型时序模式数,且可自动检测离群时序表示向量,保留离群向量有利于为后续建模提供更充分的信息。
4、本发明无需依赖人工的先验知识,可充分挖掘电动车充电负荷与温度、天气、节假日等外部信息的关联关系,实现不同外界条件下的电动车充电负荷动态建模。
5、本发明可基于历史时序表示向量与历史时段模型进行滚动建模,根据外界环境变化实时对模型进行更新,持续适应电动车充电负荷的变化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一种基于时序模式关联的电动车充电负荷动态建模方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次,本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于时序模式关联的电动车充电负荷动态建模方法,包括:
S1:将智能边缘终端采集的高频电动车充电负荷数据作为历史建模时段,并对数据进行预处理。应说明的是:
智能边缘终端为具备高频电气量采集、储存、上传功能的低压配电网测量设备;
高频电动车充电负荷数据为在电动车充电桩取电端采集的交流侧有功功率的时序数据;
预处理包括数据切片与异常值检测;
其中,数据切片为使用窗宽为w个采样点的滑动窗对共包含n
异常值检测为通过判据abn检测异常值;
其中,判据abn的具体计算公式如下:
abn=I(|x
其中,I(·)为指示函数;
若括号内的条件满足,则返回1;
若括号内的条件满足,则返回0;
其中,x
若abn等于1,则判定为存在异常值并删除该条片段数据;
若abn等于0,则判定为不存在异常值并保留该条片段数据。
S2:采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合。应说明的是:
通过ARMA算法将单条电动车充电负荷有功片段数据表示为下式:
其中,x
其中,损失函数loss如下式所示:
其中,n
时序表示向量为由p+q个时序模型权重依次排列组成的p+q维向量,具体公式如下:
其中,
S3:将各时序表示向量归一化并进行DBSCAN聚类。应说明的是:
归一化为将n
DBSCAN聚类为统计各条时序表示向量范围为f
其中,第i条时序为向量与第j条时序表示向量间距离dis
其中,p+q为时序表示向量的维度数,
若时序表示向量范围为f
若时序表示向量范围为f
其中,minp为核心对象向量的判断阈值;
将邻域存在交集的核心对象向量聚成一类,形成聚类簇;
将不属于任一聚类簇的时序表示向量标记为离群向量;
由1开始对各聚类簇依次编号,得到各聚类簇的唯一编号。
S4:分别对各聚类簇和在聚类簇外的离群向量进行编号和单独记录。
S5:离散化历史建模时段中的外部环境信息,并采用Aprioi算法提取各维度外部信息与聚类簇编号的关联关系。应说明的是:
外部环境信息为影响电动车充电负荷大小以及变化趋势的环境信息,包括温度、天气、节假日;
离散化为将外部环境信息按设定区间映射至离散值,得到温度的离散值Temp、天气信息离散值Wth和节假日信息离散值Hld;
其中,计算温度的离散值Temp,具体公式如下:
其中,t为时序表示向量对应时段的温度均值,t
天气信息离散值Wth包括晴天、多云、阴天、下雨、下雪、其它共六类,由时序表示向量对应时段的气象信息获得;
节假日信息离散值Hld包括工作日、周末、节日共三类,由时序表示向量对应时段的日期获得;
Aprioi算法为以聚类簇编号作为1项集开始,逐一与Temp、Wth、Hld中各取值拼接至4项集,在每次拼接后均以支持度与提升度作为指标进行阈值剪枝;
若低于阈值thd
若不低于阈值thd
输出4项集与项数大于1的叶子节点项集作为关联分析结果,得到不同外部环境条件下的电动车充电负荷时序表示;
其中,原有项集S与待拼接项Y的支持度support(S,Y)的计算如下式所示:
其中,num(·)为计数函数,total为所有拼接后的项集,num(SY)为原有项集S与待拼接项Y共同出现的计数,num(total)为所有拼接后的项集的计数;
其中,原有项集S与待拼接项Y的支持度lift(S,Y)的计算如下式所示:
其中,num(S)为原有项集S出现的计数,num(Y)为待拼接项Y出现的计数。
S6:在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类。应说明的是:
滚动建模包括每采集单个片段的电动车充电数据便结合历史建模时段中的时序表示向量进行建模,建模后将新收集的片段归入历史建模时段,随着新数据的采集不断滚动进行;
若时序表示向量属于某一聚类簇,则得到滚动建模时段与外部信息的关联关系;
若时序表示向量不属于某一聚类簇,则单独记录滚动建模时段中的外部信息。
本实施例还提供一种基于时序模式关联的电动车充电负荷动态建模系统,包括:
采集模块,用于采集智能边缘终端采集高频电动车充电负荷数据,作为历史建模时段,并对数据进行预处理;
记录模块,用于获得时序表示向量并形成集合后进行DBSCAN聚类,以及分别对各聚类簇和在聚类簇外的离群向量进行编号和单独记录;
判断模块,用于判断DBSCAN聚类结果;
更新模块,用于提取各维度外部信息与聚类簇编号的关联关系,并在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类。
本实施例还提供一种计算设备,适用于基于时序模式关联的电动车充电负荷动态建模方法的情况,包括:
存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的基于时序模式关联的电动车充电负荷动态建模方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现基于时序模式关联的电动车充电负荷动态建模方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例2
为本发明的另一个实施例,提供了一种基于时序模式关联的电动车充电负荷动态建模方法的验证测试,对本方法中采用的技术效果加以验证说明。
为说明本发明在时序模式提取上的有效性,与传统基于傅里叶分解的时序模式归纳方法对比,该方法指先对片段进行傅里叶分解,提取第1、3、5、7、9次谐波的幅值与相角作为时序表示向量;将本发明中采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合,更换为基于傅里叶分解的时序模式归纳方法,其余步骤与本发明相同作为对比方法;
对比的评价指标为时序模式关联的准确率,即片段数据与环境信息一对一匹配的次数除以片段数据数目与环境信息变量数目的乘积;评价的数据为单个充电桩时长一年的充电功率数据,具体的对比结果如表1所示;从结果上看,虽然一月~三月与七月~九月中的准确率稍低,但四个测试组中本发明所提方法均优于传统方法,本发明方法的准确率最高比传统方法高6.67%,说明了本发明所提方法在时序模式关联的电动车充电负荷动态建模上的有效性。
表1:对比实验结果表。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
- 一种基于语义级时序关联建模的视频时序动作定位方法
- 一种基于层次凝聚聚类的动态无线充电路段负荷建模方法