[发明专利]一种多充电站协同负荷预测方法及装置

说明书

本发明涉及电力负荷预测领域，具体涉及一种多充电站协同负荷预测方法及装置。该方法及装置首先挖掘多充电站的负荷时空信息中的间隐式关联并将多充电站的负荷时空信息生成多充电站图式结构，将离散的负荷序列数据转化为图数据，进行多充电站的协同负荷预测，解决了传统负荷预测模型只能预测单个充电站负荷变化的缺点。其次提取多充电站的负荷时空信息及多充电站图式结构中的时空特征，使用提取出的时空特征对多充电站图式结构进行迭代图结构学习，从而提取更准确全面的时空特征。最后构建联合损失函数，对多充电站图式结构构建及时空特征提取进程进行联合训练，完成端到端的负荷预测，提高模型训练及预测效率。

技术领域

本发明涉及电力负荷预测领域，具体而言，涉及一种多充电站协同负荷预测方法及装置。

背景技术

近年来，随着电力市场的开放和能源互联网的深化，大量分布式能源设备参与了电力市场运行。电动汽车作为其中一类特殊负荷，存在时间、空间及行为随机不确定性，大规模电动汽车无序接入电网可能导致电网负荷急剧升高、峰谷差增加，甚至导致电网瘫痪，这为电网的安全运营带来了新的挑战。充电站作为电动汽车集中接入电网的主要场所，对充电站负荷变化进行预测可有效规避电网风险。

充电站负荷预测是通过历史数据预测未来负荷变化情况，以定量分析电动汽车入网对电网的影响。充电站负荷预测实质上是一个时序预测问题，即利用过去一段时间内的负荷数据预测未来的负荷变化。单个充电站的负荷预测值仅与自身的历史负荷变化相关，而多个充电站分布在城市的不同地理空间中，具有不同的空间特征。对多个充电站进行协同负荷预测，可将其看作一个时空预测问题，每个充电站的负荷预测值不仅与该充电站本身的历史信息有关，也与其他充电站的负荷历史信息相关。处理充电站负荷预测的常用方法包括时序建模、回归分析、模糊预测、深度学习方法。其中：

(1)时序建模：时序建模即根据负荷的历史数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测。

(2)回归分析：回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。

(3)模糊预测：模糊预测法是建立在模糊数学理论上的一种负荷预测技术，模糊数学的概念可以描述电力系统中的一些模糊现象，例如负荷预测中的关键因素：天气状况的评判、负荷的日期类型的划分等，将模糊方法应用于负荷预测可以较好地处理负荷变化的不确定性。目前，模糊理论应用于负荷预测主要有以下几种方法：模糊聚类法、模糊相似优先比法和模糊最大贴近度法等。

(4)深度学习：深度学习法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型。根据不同的网络结构可以分为RNN、LSTM、GRU、MLP等方法。

截止目前，在充电站负荷预测领域，现有技术普遍存在的缺陷主要包括：

(1)时序建模、回归分析、模糊预测等传统数理统计方法更多是凭借经验进行建模及参数确定，需要考虑不同影响因素，存在建模复杂且不精确等情况。同时需要大量不同类型的数据进行模型校验，在不同场景下泛化性能较差。

(2)基于深度学习的方法相比于传统数理统计方法，能够自动挖掘负荷变化序列中的时序特征，建模简单且效果较好。但是现有深度学习模型仅考虑单个充电站的负荷预测，无法进行多个充电站的协同预测，因此针对不同充电站需要单独训练网络模型，计算负载压力大，可扩展性差。且多个充电站之间存在隐式关联，现有模型只考虑单个充电站负荷变化的时序特征，忽略了多充电站负荷分布的空间随机性特征，提取的负荷变化特征不够准确全面，影响预测准确性。因此针对城市中多充电站的负荷时空特征挖掘，还需要展开进一步研究。

发明内容

本发明实施例提供了一种多充电站协同负荷预测方法及装置，以至少解决现有技术提取负荷变化特征不够准确全面的技术问题。