一种基于改进时间卷积网络的电动汽车充电负荷预测方法

技术领域

本发明涉及电动汽车充电负荷预测技术领域，尤其涉及一种基于改进时间卷积网络的电动汽车充电负荷预测方法。

背景技术

随着电动汽车(EV)的广泛普及，电池中储存的电能为电网实施需求响应以及极端情况下的电网支撑提供了可能。然而EV的高普及率也会给电网带来众多不利影响。EV充电站作为EV与电网的连接点，充电站的负荷预测精确度不仅能够保证电力系统的经济稳定运行，同时对电力系统的调峰及调频功能具有重要作用。同时，EV作为一种电网资源，利用智能充电提高EV利用效率也离不开精确的负荷预测。因此，更加精确的EV 充电负荷预测结果，对于支持EV充电发展、促进EV高效使用以及保障电网安全至关重要。

电动汽车充电负荷作为一种新型负荷，其负荷特性受到气象因素、日期类型、交通状况以及用户的出行行为规律等因素影响，因此对于电动汽车充电负荷的预测较为困难。基于此，文献《王毅,谷亿,丁壮等.基于 EMD-模糊熵和集成学习的电动汽车充电需求预测.电力系统自动化,2020, 44(3):114～121》中应用EMD分解算法将电动汽车充电负荷需求分解为一系列模态函数，然后计算分量的模糊熵降低模态分量的数量，再应用SVR 和LSTM模型进行预测，对各个分量的预测结果进行合并进而得到电动汽车充电负荷需求。然而，采用EMD分解的方法存在明显模态混叠的现象，因而不能够充分反应电动汽车充电负荷在不同时间尺度下的变化规律，进而影响各分量预测模型的精度。此外，如LSTM、GRU等递归模型，它们虽然包含时间记忆单元，但仍存在历史信息遗忘问题，挖掘非连续数据间潜在关系能力较弱。

因此，设计一种基于改进时间卷积网络的电动汽车充电负荷预测方法解决上述问题成为了本领域技术人员亟待解决的技术问题。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于改进时间卷积网络的电动汽车充电负荷预测方法。

本发明是通过以下技术方案予以实现：一种基于改进时间卷积网络的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

S1：获取电动汽车充电负荷数据，进行空缺值填补，即利用相邻两个时间点的数据均值对空缺值进行填补；

S2：以S1中获取的电动汽车充电负荷数据的时间序列作为原始电动汽车充电负荷数据时间序列，并将其分解为多个电动汽车充电负荷时间序列分量；

S3：基于样本熵计算原始电动汽车充电负荷时间序列以及各个电动汽车充电负荷时间序列分量的波动强度；

S4：依据原始电动汽车充电负荷时间序列和电动汽车充电负荷时间序列分量的样本熵值分布,将电动汽车充电负荷时间序列分量依次重构为趋势分量、长时间尺度细节分量、短时间尺度细节分量和波动分量；

S5：搭建Attention-TCN神经网络模型；

S6：构建Attention-TCN神经网络的输入变量；

S7：计算Attention-TCN神经网络模型前端注意力模块的输出；

S8：计算Attention-TCN神经网络模型TCN模块的输出；

S9：计算Attention-TCN神经网络模型后端注意力模块的输出；

S10：计算Attention-TCN神经网络模型的输出。

根据上述技术方案，优选地，S2中原始电动汽车充电负荷数据时间序列为u

根据上述技术方案，优选地，S3中的计算公式为：

式(1)中m

根据式(1)得到原始电动汽车充电负荷时间序列u

根据上述技术方案，优选地，S4中：

样本熵值小于等于原始电动汽车充电负荷时间序列样本熵s

样本熵值大于原始电动汽车充电负荷时间序列样本熵s

样本熵值大于原始电动汽车充电负荷时间序列样本熵2s

样本熵值大于原始电动汽车充电负荷时间序列样本熵3s

根据上述技术方案，优选地，S5具体包括，

S51：构建TCN模型。TCN模型的核心是残差扩张因果卷积单元，同时，为了实现输入输出序列对齐，需要在每层残差扩张因果卷积单元的输入序列尾部补充m个元素,如式(2)所示。

m＝(K-1)d (2)

式中，d为扩张因子，K为滤波器大小；

S52：构建Attention-TCN模型。在TCN模型的输入及输出端，加入注意力机制。

根据上述技术方案，优选地，S6具体包括：

S61：构建用于趋势分量预测的Attention-TCN神经网络的输入变量，

利用滑动窗口法构造输入，设置窗口宽度为96，即选取趋势分量待测时刻的前96个时刻的趋势分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值，滑动窗口每次向前移动4个时刻；

S62：构建用于长时间尺度细节分量预测的Attention-TCN神经网络的输入变量,

利用滑动窗口法构造输入，设置窗口宽度为96，即选取长时间尺度细节分量待测时刻的前96个时刻的长时间尺度细节分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值,并且滑动窗口每次向前移动4个时刻；

S63：构建用于短时间尺度细节分量预测的Attention-TCN神经网络的输入变量,

利用滑动窗口法构造输入，设置窗口宽度为96，即选取短时间尺度细节分量待测时刻的前96个时刻的短时间尺度细节分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值。并且滑动窗口每次向前移动4个时刻；

S64：构建用于波动分量预测的Attention-TCN神经网络的输入变量,

利用滑动窗口法构造输入，设置窗口宽度为16，即选取波动分量待测时刻的前16个时刻的波动分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值,并且滑动窗口每次向前移动4个时刻。

根据上述技术方案，优选地，S7具体包括：

S71：设t-1时刻Attention-TCN的输出向量为c

S72：输入量x经线性变换后得到前端注意力机制的查询向量q,将 [c

式中，W

S73：将查询向量q和每个键向量k

S74：使用一个softmax函数对权重sim

S75：最后，将a

根据上述技术方案，优选地，S8具体包括：

将r

h

式中，F表示TCN模型。

根据上述技术方案，优选地，S9具体包括：

S91：由t时刻TCN模型的输出向量h

M

S92：由t时刻TCN模型输出向量h

S93：根据h

c

根据上述技术方案，优选地，S10具体包括：

S101：重复步骤七至九，依次得到待测日t时刻至t+3时刻的 Attention-TCN的输出向量c

S102：将待测日t时刻至t+3时刻的Attention-TCN的输出向量c

C＝[c

S103：输出量C经全连接层后，得到待测日t时刻至t+3时刻的负荷值y

y

式中，f为sigmod激活函数；W

本发明的有益效果是：本发明预测方法应用变分模态分解 (variational modedecomposition，VMD)对电动汽车充电负荷时间序列进行分解然后根据各分量的样本熵大小重新组合为趋势分量、长时间尺度下细节分量、短时间尺度细节分量、波动分量和残差分量，由于VMD具有较好的自适应能力且能够克服模态混叠现象，因此能够反应电动汽车充电负荷时间序列在不同时间尺度下的变化规律。此外，由于时间卷积网络 (Temporalconvolutional network，TCN)特殊的残差扩张因果结构，对于非连续数据和时间间隔较长的历史数据仍然能够有效捕捉其内在影响关系。在TCN的基础上加入双端注意力机制，双端注意力机制使得模型可以通过提取上一时间步的输出信息及历史时间步隐含信息调整当前预测时间步模型的输出，还能根据预测时间步的不同来调整TCN模型的输入进而使得模型能够随时间动态更新，从而提高了在多步预测情况下电动汽车充电负荷精度。

附图说明

图1为本发明预测方法的流程图。

图2为实施例中的原始电动汽车充电负荷时间序列曲线；

图3为原始电动汽车充电负荷时间序列曲线VMD分解结果；

图4为原始电动汽车充电负荷时间序列VMD分解后各分量的幅频曲线；

图5为原始电动汽车充电负荷时间序列的幅频曲线；

图6为原始电动汽车充电负荷时间序列曲线及其VMD分解后各分量的样本熵；

图7为根据图1中所示的数据得到的原始电动汽车充电负荷趋势量、长时间尺度细节量、短时间尺度细节量和波动量的时间序列曲线；

图8为Attention-TCN模型的结构示意图；

图9为注意力机制的结构示意图；

图10为分别采用本发明预测方法所得的预测结果与实际电动汽车充电负荷的曲线图。

具体实施方式

为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。

实施例1：

选用中国华北地区某城市2018年1月至2020年3月的历史电动汽车充电负荷数据，选取2018年1月至2020年2月的电动汽车充电负荷数据作为训练集；以2020年3月第一天的实测电动汽车充电负荷数据为标准；电动汽车充电负荷时刻点间隔时间15min，即需要预测96个时刻点的电动汽车充电负荷。

如图所示，本发明提供了一种基于改进时间卷积网络的电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

S1：获取电动汽车充电负荷数据，进行空缺值填补，即利用相邻两个时间点的数据均值对空缺值进行填补；

S2：应用VMD算法将原始电动汽车充电负荷数据时间序列u

S3：应用样本熵计算到各个电动汽车充电负荷分量时间序列u

式(1)中m

根据式(1)得到各个电动汽车充电负荷时间序列分量的样本熵值(图 6)。

S4：依据电动汽车充电负荷分量时间序列的样本熵值分布,将电动汽车充电负荷分量IMF1和IMF2重构为趋势分量、IMF3和IMF4重构为长时间尺度细节分量、IMF5、IMF6和IMF7重构为短时间尺度细节分量和IMF8、 IMF9和IMF10重构为波动分量(图7)。

S5：搭建Attention-TCN神经网络模型(图8)

S51：构建TCN模型。TCN模型的核心残差扩张因果卷积单元，选取扩 张因子d＝1,2,4，滤波器大小K＝3。同时，为了保证需要输入输出序列对 齐，需要在每个残差扩张因果卷积单元输入序列尾部补充(K-1)d个元素。

S52：构建Attention-TCN模型。在TCN模型的输入及输出端，加入注意力机制(图9)。

S6：构建Attention-TCN神经网络的输入变量。

S61：构建用于趋势分量预测的Attention-TCN神经网络的输入变量。

利用滑动窗口法构造输入，设置窗口宽度为96，即选取趋势分量待测时刻的前96个时刻的趋势分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值。滑动窗口每次向前移动4个时刻。

S62：构建用于长时间尺度细节分量预测的Attention-TCN神经网络的输入变量。

利用滑动窗口法构造输入，设置窗口宽度为96，即选取趋势分量待测时刻的前96个时刻的长时间尺度细节分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值。并且滑动窗口每次向前移动4个时刻。

S63：构建用于短时间尺度细节分量预测的Attention-TCN神经网络的输入变量。

利用滑动窗口法构造输入，设置窗口宽度为96，即选取趋势分量待测时刻的前96个时刻的短时间尺度细节分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值。并且滑动窗口每次向前移动4个时刻。

S64：构建用于波动分量预测的Attention-TCN神经网络的输入变量。

利用滑动窗口法构造输入，设置窗口宽度为16，即选取趋势分量待测时刻的前16个时刻的波动分量历史值，作为模型的输入，预测待测时刻及其后续3个时刻的负荷值。并且滑动窗口每次向前移动4个时刻。

S7：计算Attention-TCN神经网络模型前端注意力模块的输出。

S71：设t-1时刻Attention-TCN的输出向量为c

S72：输入量x经线性变换后得到前端注意力机制的查询向量q,将 [c

式中，W

S73：将查询向量q和每个键向量k

S74：使用一个softmax函数对权重sim

S75：最后，将a

S8：计算Attention-TCN神经网络模型TCN模块的输出。将r

h

式中，F表示TCN模型。

S9：计算Attention-TCN神经网络模型后端注意力模块的输出。

S91：由t时刻TCN模型的输出向量h

M

S92：由t时刻TCN模型输出向量h

S93：根据h

c

S10：计算Attention-TCN神经网络模型的输出。

S101：重复步骤七至九，依次得到待测日t时刻至t+3时刻的 Attention-TCN的输出向量c

S102:将待测日t时刻至t+3时刻的Attention-TCN的输出向量c

C＝[c

S103：输出量C经全连接层后，得到待测日t时刻至t+3时刻的负荷值y

y

式中，f为sigmod激活函数；W

根据本发明预测方法，得到2020年3月第一天的96个时刻点的电动汽车充电负荷。

本发明预测方法所得2020年3月第一天的96个时刻点的电动汽车充电负荷与实测电动汽车充电负荷的曲线图如图10所示；结果显示，本发明预测方法所得结果接近实测电动汽车充电负荷，说明本发明预测方法的准确性高。

本发明的有益效果是：本发明预测方法应用变分模态分解(variational modedecomposition，VMD)对电动汽车充电负荷时间序列进行分解然后根据各分量的样本熵大小重新组合为趋势分量、长时间尺度下细节分量、短时间尺度细节分量、波动分量和残差分量，由于VMD具有较好的自适应能力且能够克服模态混叠现象，因此能够反应电动汽车充电负荷时间序列在不同时间尺度下的变化规律。此外，由于时间卷积网络 (Temporalconvolutional network，TCN)特殊的残差扩张因果结构，对于非连续数据和时间间隔较长的历史数据仍然能够有效捕捉其内在影响关系。在TCN的基础上加入双端注意力机制，双端注意力机制使得模型可以通过提取上一时间步的输出信息及历史时间步隐含信息调整当前预测时间步模型的输出，还能根据预测时间步的不同来调整TCN模型的输入进而使得模型能够随时间动态更新，从而提高了在多步预测情况下电动汽车充电负荷精度。

以上所述仅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润饰，这些改进和润饰也应视为本发明的保护范围。