[发明专利]多节点电动汽车充电负荷联合对抗生成区间预测方法

说明书

本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法，包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性，确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集；利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性，对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景；根据生成的多节点多相关日联合充电场景集，采用加权2‑D相关系数筛选出与待预测日强相关联合场景集；根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果；能更有效预测配网空间内电动汽车充电负荷时‑空分布，更有利于提高配电网运行的稳定性与经济性。

技术领域

本发明属于电动汽车充电负荷时-空分布预测技术领域，具体涉及多节点电动汽车充电负荷联合对抗生成区间预测方法。

背景技术

高比例电动汽车(electric vehicle，EV)渗透率场景下，大量具有强时-空不确定性的充电负荷接入电网，可能给电网带来节点电压偏低和线路阻塞等问题，对配电网安全稳定运行带来较大挑战。因此，EV接入电网后，需要准确预测配网空间内各节点充电负荷，刻画充电负荷时-空分布。以此，为安排合理调度计划提供重要参考依据，降低充电负荷对配电网运行造成的负面影响。

目前，对于EV充电负荷时-空分布的预测方法主要包括两种：一是通过建立EV充电负荷物理模型获取充电负荷的时-空分布(即物理模型驱动方法)；另一种是采用历史充电负荷数据驱动人工智能算法预测充电负荷(即数据驱动方法)。现有EV充电负荷时-空分布预测多基于物理模型驱动。部分研究中对EV出行时间、日行驶里程数据进行分析后，采用蒙特卡洛方法计算充电负荷。此外，有研究考虑不同区域和时段内不同类型EV移动的随机性、车主驾驶意愿、电价对充电负荷时空分布的影响开展预测，但EV的位置和充电周期是固定的，没有考虑EV的行驶过程。针对这一问题，可以考虑交通网和配电网对充电负荷时-空分布的影响。但此过程未考虑交通条件对EV行驶路径的影响。对此，有研究中采用交通网络建模和出行链理论模拟电动汽车的动态驾驶过程。上述研究中取得大量研究成果，然而建模时涉及变量较多，需主观设置较多假设条件，使得模型中的EV充电负荷时- 空分布客观性较差。

与物理模型相比，基于数据驱动的充电负荷预测方法优点包括：可综合利用历史充电负荷数据、无需大量设定模型参数。利用历史交通数据和天气数据建立了预测模型，预测电动汽车充电需求。也可基于实际电动汽车负荷，提出针对不同地理区域的电动汽车充电负荷概率预测方法。此外，基于数据驱动的深度学习方法在EV充电负荷预测领域也取得了较好的效果。然而，这些研究中未考虑配网空间内多节点间EV充电负荷空间相关性。并且从现有研究中发现，EV充电负荷确定性预测结果难以有效反映充电负荷强时-空不确定性对配电网带来的风险；相较于确定性预测结果，充电负荷区间预测结果能更有效刻画充电负荷强随机性。

发明内容

本发明的目的是提供多节点电动汽车充电负荷联合对抗生成区间预测方法，解决了现有技术中存在的电动汽车充电负荷时-空分布预测模型客观性差、未考虑配网空间内多节点间电动汽车充电负荷空间相关性的问题。

本发明所采用的技术方案是，多节点电动汽车充电负荷联合对抗生成区间预测方法，具体按照以下步骤实施：

步骤1、将电动汽车充电负荷历史数据映射到IEEE33节点配电网系统中，并基于电动汽车充电负荷历史数据构建原始多节点多相关日联合充电场景集；

步骤2、通过原始多节点多相关日联合充电场景集构建多节点多相关日联合充电场景生成模型，通过多节点多相关日联合充电场景生成模型获得生成多节点多相关日联合充电场景集；

步骤3、分析生成多节点多相关日联合充电场景与预测所用极强相关历史日充电场景间相关性，选择相关程度高的作为待预测日相关联合场景集；

步骤4、根据待预测日相关联合场景集的最后一日数据获得多节点充电负荷区间预测结果及确定性预测结果。

本发明的特点还在于：