一种电动汽车充电站充电功率在线预测方法及系统

技术领域

本发明属于电动汽车充电站功率预测领域，更具体地，涉及一种电动汽车充电站充电功率在线预测方法及系统。

背景技术

电动汽车在减少化石能源消耗和现代社会去碳化方面是众所周知的。许多国家都制定了雄心勃勃的汽车电气化目标，电动汽车的全球销量近年来也大幅增长。根据国际能源署的统计数据，2021年全球电动汽车销量将比上一年翻了一番。然而，电动汽车普及率的不断提高给电动汽车充电站和配电网络带来了新的挑战。在这种情况下，一个更好的电动汽车充电站功率预测系统至关重要，因为它有助于改善电动汽车充电站的运行，避免配电网络的高功率损耗和电压曲线下降。

随着人工智能技术的发展与应用，大量人工智能方法被应用在电动汽车充电站充电功率的预测领域中；然而电动汽车充电站的负载需求具有时变动态特性，并受到多种因素的影响，包括地理位置、用户分布等。这使得常见的预测模型都无法有效地应用于电动汽车充电站的功率预测问题，因为这些模型既要适应功率在不同时刻分布的动态变化，又要有效地匹配不同充电站的具体特点。

因此，如何充分地表征不同电动汽车充电站的功率特性，以及追踪充电站功率的时变特性，是电动汽车充电站充电功率预测中的一个难点问题。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种电动汽车充电站充电功率在线预测方法及系统，其目的在于，有效追踪电动汽车充电站充电功率的时变特性，提高电动汽车充电站充电功率的预测准确性。

为实现上述目的，按照本发明的一个方面，提供了一种电动汽车充电站充电功率在线预测方法，包括：在线预测步骤和在线更新步骤；

在线预测步骤包括：

对于预测时刻h，基于充电功率的历史数据构建特征向量并输入至深度核自适应滤波模型，由深度核自适应滤波模型输出预测时刻h的功率分布，存储该功率分布；

深度核自适应滤波模型包括依次连接的深度循环神经网络、标准正定核以及预测模块；预测模块，用于利用核自适应滤波算法预测标准正定核输出的特征所对应的功率分布；

在线更新步骤包括：

实时收集电动汽车充电站实际的充电功率；对于任意时刻h'，收集到该时刻实际的功率P

进一步地，在线更新步骤中，基于预测损失对深度核自适应滤波模型的参数进行更新，包括：

利用贝叶斯递归更新的在线学习规则更核自适应滤波算法的参数；

利用在线时空学习方法更新深度循环神经网络中的参数。

进一步地，利用在线时空学习方法更新深度循环神经网络中的参数，包括：

根据预测损失计算深度循环神经网络的更新梯度；

分离出深度循环神经网络更新梯度中的时间分量和空间分量，对时间分量和空间分量分别进行更新；

其中，时间分量存储着神经元在过去事件的时间信息，通过时间向前递归；空间分量包含了训练信息在空间上的递归传递，由高层网络传递到底层网络。

进一步地，对时间分量和空间分量进行更新的方式分别为：

其中，

进一步地，深度循环神经网络为门控循环神经网络。

进一步地，标准正定核为平方指数核。

进一步地，标准正定核的表达式为：

其中，k

进一步地，核自适应滤波算法为递归最小二乘追踪算法。

进一步地，在线预测步骤中，在预测时刻h，基于充电功率的历史数据构建特征向量，包括：

收集前一日时刻h、时刻h-1和时刻h-2的充电功率

对当日进行独热编码，以标识其在一周中的日序号，得到周日编码；

对时刻h进行独热编码，以标识其在一日中的时刻序号，得到时刻编码；

将历史负荷向量、周日编码和时刻编码拼接后进行标准化，得到特征向量。

按照本发明的又一个方面，提供了一种电动汽车充电站充电功率在线预测系统，包括：

计算机可读存储介质，用于存储计算机程序；

以及处理器，用于读取计算机可读存储介质中存储的计算机程序，执行本发明提供的电动汽车充电站充电功率在线预测方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明构建了深度核自适应滤波模型用于预测指定时刻的功率分布，并基于实时收集到的充电功率对深度核自适应滤波模型的参数进行实时更新，由此实现了一种在线学习的训练模式，通过这种在线学习的训练模式，能够适应功率在不同时刻分布的动态变化，使模型学习到准确刻画特征和功率之间复杂非线性关系的后验分布，使得模型时刻与充电负载相适应，保证充电功率预测的准确性；同时，相比于传统的核自适应滤波模型，本发明中，标准正定核中内嵌了深度循环神经网络，通过深度循环神经网络能够对输入的功率特征向量进行时间序列建模和复杂表征的学习，充分捕捉特征向量中的时间相关性；基于核自适应滤波算法的预测模块，则可以充分表征特征向量和充电功率之间的高度非线性关系，以选择性遗忘历史信息，保持模型对时变充电信号的追踪能力，进一步增强模型的精度。总体而言，本发明利用所提出的深度核自适应滤波模型对电动汽车充电站的充电功率分布进行在线预测，能够适应电动汽车充电站充电数据的高度非线性、时间序列特性以及时变特性，有效提升预测精度。

(2)在本发明的优选方案中，在进行电动汽车充电站充电功率分布预测的同时，采用在线学习的训练模式进行模型参数的更新，具体地，基于所计算的预测损失，利用贝叶斯递归更新的在线学习规则更新递归最小二乘追踪算法的参数，利用在线时空学习方法更新深度循环神经网络中的参数，这种参数更新方式的时间、空间复杂度低，计算效率高。

(3)在本发明的优选方案中，会采用一种改进的在线时空学习方法更新深度循环神经网络中的参数，具体地，会分离其中的时间分量和空间分量，并对时间分量和空间分量分别进行更新，由此能够将计算机求梯度转化为求解矩阵乘法，大大减小了计算负担，避免了模型的反复训练，有利于处理高分辨率、时变性强的电动汽车充电站的充电数据。

(4)在本发明的优选方案中，深度核自适应滤波模型中的深度循环神经网络具体为门控循环进行网络，门控循环神经网络参数量小、结构简洁，能够有效地进行时间序列建模，在训练过程中计算复杂度低，训练鲁棒性强，可以有效提升模型学习效率，进一步提升模型训练的准确性。

(5)在本发明的优选方案中，标准正定核的表达式为

(6)在本发明的优选方案中，构建的特征向量包括预测时刻h的前一日时刻h、时刻h-1和时刻h-2的充电功率

附图说明

图1为本发明实施例提供的电动汽车充电站充电功率在线预测方法示意图；

图2为本发明实施例提供的电动汽车充电站充电功率在线预测方法在两个电动汽车充电站和四个季节上的确定性预测结果；

图3为本发明实施例提供的电动汽车充电站充电功率在线预测方法在两个电动汽车充电站和四个季节上的概率预测结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了解决现有的电动汽车充电站功率预测方法无法准确地表征电动汽车充电站非线性、时变的功率特性，预测精度不高的技术问题，本发明提供了一种电动汽车充电站充电功率在线预测方法及系统，其整体思路在于，适应电动汽车站充电数据的时变特性，提出一种在线学习的训练模式，并对模型结构进行改进，使其能够准确捕捉电动汽车充电站充电数据的非线性特征、时序特征以及时变特征，从而有效提高电动汽车成功电站功率预测的准确度。在此基础上，对模型结构及参数更新方式作出进一步的改进，以降低计算复杂度，提高模型参数更新的效率，以更好地满足在线训练的实时性要求。

以下为实施例。在以下实施例中，符号的上标t、t-1、t+1等，表示相应的时刻；下标l、l-1、l+1等，表示神经网络中相应的层。

实施例1：

一种电动汽车充电站充电功率在线预测方法，如图1所示，包括：在线预测步骤和在线更新步骤。

本实施例中，在线预测步骤包括：

对于预测时刻h，基于充电功率的历史数据构建特征向量并输入至深度核自适应滤波模型，由深度核自适应滤波模型输出预测时刻h的功率分布，存储该功率分布。

考虑到电动汽车充电站的充电功率具有一定的周周期性和日周期性，且相邻时刻的充电功率特性具有较高的相似性，作为一种优选的实施方式，本实施例的在线预测步骤中，在预测时刻h，基于充电功率的历史数据构建特征向量，具体包括：

收集前一日时刻h、时刻h-1和时刻h-2的充电功率

对当日进行独热编码，以标识其在一周中的日序号，得到周日编码；

对时刻h进行独热编码，以标识其在一日中的时刻序号，得到时刻编码；

将历史负荷向量、周日编码和时刻编码拼接后进行标准化，得到特征向量；可选地，本实施例对特征向量进行标准化的方法具体是标准差标准化法，是基于已知数据的均值和标准差进行的数据标准化，具体如下：

其中，μ

本实施例通过上述方式构建的特征向量，能够准确反映预测时刻的功率特征，有效提高预测准确性。

考虑到电动汽车充电行为不是相互独立的，存在时间上的依存关系，也即是说，电动汽车充电站的充电功率表现为明显的时间序列特性。同时，电动汽车充电站是典型的低水平功率，具有高度的非线性，且充电功率特性会随着时间发生变化，具有时变特性，因此，为了提高模型对时间序列的建模能力和非线性表征能力，本实施例所构建的深度核自适应滤波模型不同于传统的核自适应滤波模型，其内部具有富有隐状态的深度架构，具体地，本实施例中，深度核自适应滤波模型包括依次连接的深度循环神经网络、标准正定核以及预测模块；其中的预测模块，用于利用核自适应滤波算法预测标准正定核输出的特征所对应的功率分布。

对于任意时刻的输入功率特征向量，会先经过深度循环神经网络的确定性变换，以进行时间序列建模和复杂表征的学习，学习到特征向量的时间相关性，再传入标准正定核函数，进行升维。具体来说，定义Φ为深度循环神经网络的非线性变换，它将特征空间X内的原始输入变换为潜在空间H；将深度循环神经网络和标准正定核作为一个深度核，定义

其中，x和x′表示空间X中的两个任意特征向量，φ和φ′代表x和x′被深度循环神经网络非线性转换后的特征向量，且定义在潜在空间H，θ和

在实际应用中，深度核中的深度循环神经网络可采用埃尔曼神经网络，长短期记忆神经网络，门控循环神经网络等框架实现，作为一种优选的实施方式，本实施例中，利用门控循环神经网络来实现深度循环神经网络；深度核中的标准正定核可采用线性核，Matern核，平方指数核(高斯核)、光谱混合核等，可选地，本实施例中选用了平方指数核。

对于门控循环神经网络，其第l层神经元在t时刻的输出为：

其中，

门控循环神经网络参数量小、结构简洁，能够有效地进行时间序列建模，在训练过程中计算复杂度低，训练鲁棒性强，可以有效提升模型学习效率，进一步提升模型训练的准确性。

平方指数核一般可以表示为：

其中x和x′是两个输入向量，∑是一个参数矩阵，“T”表示矩阵的转置。在本发明中，为了进一步减小计算复杂度，将参数矩阵∑简化为一个常数，而不是一个矩阵，这种简单的形式可以写成：

其中，ζ是一个核参数，用于控制函数变化的水平长度范围。

该深度核与核自适应滤波算法相配合，实现了深度核自适应滤波算法，可用于追踪功率信号。需要说明的是，核自适应滤波算法通过先验知识构建核函数，将模型输入投射到希尔伯特核可再生空间，表征功率的高度非线性；在实际应用中，可以使用核最小均方算法，核递归最小二乘算法，量化核最小均方算法，核递归最小二乘追踪算法作为模型的核自适应滤波算法部分。

为了更好地捕捉电动汽车充电功率的时变特性，同时以概率的角度来描述充电功率的特性，作为一种优选的实施方式，本实施例中选用核递归最小二乘追踪算法实现核自适应滤波算法，其对电动汽车充电站的充电功率进行建模的公式如下：

其中，

为了进行预测，核递归最小二乘追踪算法对输入特征和充电功率数据对M

本实施例中，深度核自适应滤波模型最终输出的预测分布为预测时刻下，可能出现的充电功率值以及各功率值出现的概率；在预测得到该功率分布的情况下，计算均值即可得到预测时刻下的充电功率预测值。

总的来说，本实施例所构建的深度核自适应滤波模型，能够有效捕捉电动汽车充电功率的时序特征、非线性特征以及时变特征，有效提高功率预测的准确性。

本实施例中，在线更新步骤包括：

实时收集电动汽车充电站实际的充电功率；对于任意时刻h'，收集到该时刻实际的功率P

基于深度循环神经网络和核自适应滤波算法的参数特性，作为一种优选的实施方式，本实施例的在线更新步骤中，基于预测损失对深度核自适应滤波模型的参数进行更新，包括：

利用贝叶斯递归更新的在线学习规则更新核自适应滤波算法的参数；

利用在线时空学习方法更新深度循环神经网络中的参数。

本实施例中，核自适应滤波算法具体为核递归最小二乘追踪算法，采用贝叶斯递归更新的在线学习规则，由此能够逐个到达的流数据递归更新后验分布，表达式如下：

其中，ft等于{f

p(s

考虑到所有分布都是已知的高斯分布，这个积分在分析上是可行的。整理上式，可得后验分布的显式表达式为：

其中

其中，K是协方差矩阵(Gram矩阵)，其元素有表达式K

需要说明的是，核递归最小二乘追踪算法额外采用如下的遗忘机值来追踪时变信号，通过为最新的数据赋更高的权重来提神模型的时效性：

μ

C

其中，α和β满足α

需要说明的是，上述模型向量μ

首先，使用以下度量来衡量从历史数据中删除第i个基f

其中，[·]

μ

C

其中，[·]

进一步需要说明的是，预测得到某一时刻的功率分布后，可计算相应的功率均值和方差，在收集到真实的充电功率后，开始更新核自适应滤波算法的同时，可采用EProp算法、时间前向传播算法、在线时空学习算法等循环神经网络的在线更新算法，对深度核中的超参数进行在线顺序更新，以进一步减小历史预测误差，提高模型的适应性，使模型适应功率在不同时刻分布的动态变化。

深度核中深度循环神经网络的参数更新和核自适应滤波算法的更行并行进行，以提高计算效率。

传统的随时间反向传播算法通过计算全梯度来更新深度循环神经网络的参数，具体为：

其中，E是对数据批次计算的损失，可选地，本实施例中，具体计算均方根误差作为预测损失；d代表计算全梯度；η表示学习率，学习率越大，参数单步更新的幅度越大；θ

尽管这种训练模式使用广泛，性能好，但是传统的在线时空学习是基于随时间反向传播的在线算法，对于处理海量数据计算效率低，面对新数据需要重新训练整个模型，时效性差，不利于处理高分辨率、时变性强的数据。考虑到电动汽车充电站充电数据具有顺序特征、非线性特征以及时变特征，本实施例提出了一种改进的在线时空学习规则，其通过对计算梯度的解构，分离出深度循环神经网络更新梯度中的时间和空间分量，从而将计算机求梯度转化为求解矩阵乘法，大大减小了计算负担，避免了模型的反复训练。其中，循环神经网络更新梯度中的时间分量存储着神经元在过去事件的时间信息，通过时间向前递归；空间分量为包含了训练信息在空间上的递归传递，由高层网络传递到底层网络。

具体地，本实施例通过分离空间和时间成分来近似完整梯度：

其中，

其中，

在时间和空间复杂度有限的情况下，空间分量和时间分量在每个时间步都是递归计算的。进一步，对于门控循环神经网络，不同参数的空间和时间分量的显式表达式可以通过将其表达式代入上式得到。

为了使在线时空学习进一步匹配本发明的深度核自适应滤波算法，提出改进在线时空学习，采用如下改进的学习信号来作为最外层的学习信号：

其中，

结合上面两式，改进在线时空学习算法可以有效更新本发明的深度核的超参数，并且完全收敛。

本实施例通过上述方式对所提出的深度核自适应滤波模型进行在线更新，能够适应功率在不同时刻分布的动态变化，使模型学习到准确刻画特征和功率之间复杂非线性关系的后验分布，使得模型时刻与充电负载相适应，保证充电功率预测的准确性。

实施例2：

一种电动汽车充电站充电功率在线预测系统，包括：

计算机可读存储介质，用于存储计算机程序；

以及处理器，用于读取计算机可读存储介质中存储的计算机程序，执行本发明提供的电动汽车充电站充电功率在线预测方法。

以下以加利福尼亚州的两个电动汽车充电站收集到的真实数据集为例对本发明所能取得的有益效果做进一步的解释说明。

其中一个充电站位于加州理工学院校园内(Caltech)，有54个电动汽车充电器，另一个充电站位于喷气推进实验室(JPL)，有50个电动汽车充电器。加州理工学院的充电站对公众开放，而喷气推进实验室的充电站只有员工才能使用。四个季节的数据被分别来训练和预测。

针对上述电动汽车充电站的充电数据，利用本发明实施例提供预测方法进行功率预测，并构建两个基准模型，作为本发明所构建的深度核自适应滤波模型的对比模型。两个基准模型分别如下：

基准模型一：一种基于随机模型用于模拟和预测电动汽车的一般到达和充电模式产生的电力需求。首先，电动汽车的充电过程可由排队服务模型建模。假设每个充电桩的输出功率固定，则某一时间段内的充电功率取决于接受充电服务的电动汽车的数量N。一个满足M

其中F(·)表示服务时间分布，为概率累计函数；λ(·)表示在不同时间的到达率。因此，充电功率有如下表示：

其中R表示充电功率，τ表示队列，L(·)代表功率。综上，预测电动汽车的充电功率需要准确估计F(·)和λ(·)。大量统计数据显示，F(·)满足lognormal分布，而λ(·)的未来值可由传统的时间序列方法进行预测。

基准模型二：季节性差分整合移动平均自回归模型(SARIMA)和长短期记忆网络的混合模型用来预测电动汽车的充电需求。首先，通过SARIMA提取电力需求的一般线性趋势；然后，通过消除原始电力需求中的线性趋势，得到残留的非线性成分。同时，根据SARIMA的周期性参数，确定非线性成分的周期性特征。之后，采用长短时记忆网络(LSTM)逼近充电功率的非线性成分，非线性成分的周期性特征被作为LSTM的一部分输入。最后，将提取的线性趋势和预测的非线性成分相结合，产生最终的预测结果。

选取三个误差指标量化预测性能：均方根误差(RMSE)、平均绝对误差(MAE)，平均正切绝对百分比误差(MAAPE)。

利用不同模型进行预测的结果如表1所示。

表1电动汽车充电站充电功率预测结果

根据表1所示结果可知，在Caltech和JPL两个地区的四个季节，本发明所提供的深度核自适应滤波模型都取得了最先进的结果，且指标上显著优于两个基准模型。和基准模型一相比，本发明在Caletch春季的预测结果的均方根误差(RMSE)，平均绝对误差(MAE)和平均正切绝对百分比误差(MAAPE)相较于基准模型一分别提高了54.37％，48.33％和15.09％。基准一的模型非常依赖汽车到达量的准确预测，然而，准确预测汽车到达量是很具有挑战的。和基准模型二相比，本发明在春季的预测结果分别提高了40.17％，39.20％和13.57％。模型二使用了SARIMA来获取电动汽车充电功率的线性趋势，然而，SARIMA无法捕获功率的时变特征和更为复杂的功率模式。因此，即使使用深度学习来拟合非线性的趋势，也无法抵消线性趋势带来的巨大误差。

图2展示了两个基准模型和本发明所提供的深度核自适应滤波模型的确定性预测结果，根据图2所示结果可知，本发明在各个季节、各个数据集上的预测结果都更接近于真实值，这说明本发明获得了最好的预测结果。

图3显示了本发明五天的概率预测结果，其中置信区间(CL)分别为80％、90％、95％和99％。从图中可以看出，实际功率曲线功率都被预测区间所覆盖，这也验证了本发明可以获得良好的概率预测。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。