[发明专利]电动汽车充电负荷预测方法

说明书

本发明公开了电动汽车充电负荷预测方法，包括：建立影响电动汽车充电站负荷的特征集合，根据最大信息系数选择得到构建图G(V,E)的节点；计算各节点间的互信息，选择互信息较大的k个节点建立邻接关系，构建邻接矩阵；将邻接矩阵、图G(V,E)的节点输入GCN网络模型中进行预测，得到预测结果。通过分析影响电动汽车充电负荷的特征变量，获取特征变量的邻接矩阵，采用GCN网络模型进行负荷预测，能提高电动汽车充电负荷的预测精度，有利于电力系统的运行调度，同时还可以为充电设施选址以及城市规划提供重要依据，削减电网成本，提高充电用户满意度及提高充电站的经济效益。

技术领域

本发明属于电力负荷预测方法技术领域，涉及一种电动汽车充电负荷预测方法。

背景技术

随着经济社会的不断发展和城市规模的不断扩大，人类对以石油为代表的资源需求与日俱增，能源危机和环境问题日益凸显。交通领域构成了石油消费的主要份额，目前占石油消费量的一半以上。和其他领域相比，交通领域的温室气体排放量增速明显。近年来随着汽车保有量近乎指数级的增长，节能减排压力巨大。截至2020年底，中国水电、风电、光伏发电、生物质发电已经分别连续16年、11年、6年和3年稳居全球首位。 2010年以来，中国新能源汽车快速增长，销量占全球新能源汽车的超50％，目前中国也是全球新能源汽车保有量最多的国家，电动汽车产业化能有效解决环境污染和能源消耗的问题。大规模电动汽车的随机性充电需求对于电力系统安全和稳定是一个巨大的挑战。预测电动汽车充电需求可以为电力系统的运行调度提供重要参考，同时还为充电设施选址以及城市规划提供重要依据。目前，电动汽车充电需求预测的主要研究方法分为两大类：基于模型驱动和基于数据驱动的预测方法，研究人员在前者方法上已取得丰硕的成果，而后者方法的研究还处于探索阶段。模型驱动方法利用数理统计建立概率模型，在此基础上采用蒙特卡洛模拟法进行预测。此类方法因为缺乏真实数据支撑，难以反映现实情况。

随着大数据时代的到来，基于数据驱动的预测方法得到了更多的重视。有学者研究了决策树、人工神经网络和支持向量回归等机器学习方法在电动汽车充电需求预测中的应用，证明了数据驱动预测方法较模型驱动方法预测精度更高。但对于单一充电站，因其体量小，负荷波动性大，受周围充电站影响较大，单纯采用时序预测导致预测精度较低。

发明内容

本发明的目的是提供一种电动汽车充电负荷预测方法，解决了现有技术中存在的预测精度较低的问题。

本发明所采用的技术方案是，电动汽车充电负荷预测方法，包括以下步骤：

步骤1、建立影响电动汽车充电站负荷的特征集合，根据最大信息系数选择得到构建图G(V,E)的节点；

步骤2、计算各节点间的互信息，选择互信息较大的k个节点建立邻接关系，构建邻接矩阵；

步骤3、将邻接矩阵、图G(V,E)的节点输入GCN网络模型中进行预测，得到预测结果。

还包括步骤4，采用平均绝对误差、均方根误差、决定系数作为评价指标对预测结果进行分析。

本发明的特点还在于：

特征集合包括温度、湿度、气压、电价、天气、风力、日期。

根据最大信息系数选择得到构建图G(V,E)的节点具体过程为：对温度、湿度、气压、电价、目标充电站充电负荷进行归一化，对天气、风力、日期进行量化，得到特征变量，再通过最大信息系数选出与目标充电站充电负荷具有较强相关性的特征变量作为构建图G(V,E)的节点。

邻接矩阵A表示为：

上式中，为节点N与节点1之间的互信息值，为节点N与节点 N之间的互信息值。

本发明的有益效果是：