[发明专利]基于图神经网络的电动汽车充电负荷时空分布预测方法

说明书

本发明涉及基于图神经网络的电动汽车充电负荷时空分布预测方法，通过获取待预测点所在区域的电动汽车的历史负荷数据和天气数据考虑，并对天气数据进行降维处理，同时基于降维处理后的天气预报数据和电动汽车的历史负荷数据得到特征数据；再将所述降维后的特征数据带入训练完成的图神经网络模型，得到电动汽车充电负荷时空分布。本发明实现了电动汽车充电负荷时空分布预测，能够得到了城市内充电负荷潜在分布情况，且本发明提供的充电负荷时空预测方法和现有的深度神经网络预测算法相比，预测精度更高，对支持电网对电动汽车充电负荷实现有序管理、保证电网安全稳定运行具有重要意义。

技术领域

本发明属于电动汽车充电负荷预测领域，尤其是基于图神经网络的电动汽车充电负荷时空分布预测方法。

背景技术

近年来，在能源转型的政策支持下，电动汽车行业发展迅速。随着电动汽车保有量逐年增加，大量电动汽车接入电网，其充电负荷具有高度随机性，可能影响电网的安全稳定运行。与此同时，电网侧可基于分时电价等方法主动调控电动汽车充电负荷的时空分布，从而降低充电汽车充电负荷随机性的影响。因此，亟需对电动汽车充电负荷的时空分布进行准确预测，挖掘电动汽车充电负荷在电网需求响应中的潜力，实现对电动汽车充电负荷的主动管理，提高配电网的安全稳定性。然而，电动汽车充电功率的时空分布受多种社会因素与人为因素影响，输入特征更为复杂。天气、电价、交通情况、用户行为偏好等因素均可能影响电动汽车充放电功率的时空分布，难以采用传统的物理模型进行准确描述。而数据驱动方法无需具体的物理模型，而直接从历史数据中获取预测目标的隐藏信息，具有更加强大的非线性映射能力。基于数据驱动方法的电动汽车充电负荷预测具有广阔的应用前景，亟需根据电动汽车充电负荷时空分布的特点提取更加精炼的特征，提高预测效率与精度。

目前电动汽车充电负荷预测大多以城市数值天气预报和总体历史充电信息为支撑。该预测方式能够提取城市总体电动汽车充电负荷的时序特征，但未能考虑城市内部不同区域之间的充电负荷关联性，无法体现电动汽车作为交通工具的空间特征。而电动汽车充电负荷时空分布预测则能够提取电动汽车在交通网内转移的空间特征，兼顾汽车作为交通工具与电器设备的双重特性，为城市整体电动汽车充电负荷需求的时空分布提供参考，从而指导城市配电网调度系统引导各区域电动汽车有序充电。因此，如何根据城市内各区域间车辆移动的特点研究电动汽车充电负荷时空预测方法，已经成为了电动汽车有序充电管理的重要前提。

发明内容

本发明的目的在于克服现有技术的不足，提出基于图神经网络的电动汽车充电负荷时空分布预测方法，通过构建包含图结构的神经网络，并提出其前向计算的卷积方法，使得模型最终能够准确预测城市电动汽车的充电负荷时空分布，指导调度系统如何引导各区域电动汽车有序充电。

本发明解决其技术问题是采取以下技术方案实现的：

基于图神经网络的电动汽车充电负荷时空分布预测方法，包括以下步骤：

步骤1、获取待预测城市的天气预报数据和城市内部各区域的电动汽车历史充电负荷数据，并对获取的数据进行归一化处理；

步骤2、对步骤1进行归一化处理的天气预报数据进行降维处理，得到天气预报数据以及历史充电负荷数据的特征数据；

步骤3、将步骤2中得到的特征数据带入构建的图神经网络模型中，得到待预测城市的电动汽车充电负荷时空分布。

而且，所述步骤1的具体实现方法为：从预测点所处城市的气象站获取天气预报数据，天气预报数据包括：预测点所处城市的天气类型、气温、湿度、风速、大气压强、空气质量指数和天空能见度；电动汽车历史充电负荷数据为预测点区域各拓扑节点的前若干个负荷记录值，并对获取的数据进行归一化处理。

而且，所述归一化处理的具体方法为：

其中，为待归一化的数据集，为数据集的均值，为数据集的标准差。

而且，所述步骤2中降维处理采用t分布邻域嵌入算法将天气预报数据进行降维处理，t分布邻域嵌入算法在高维空间中两个任意点：点与点间的条件概率为：