【技術實現步驟摘要】
本專利技術屬于新能源車輛領域，特別是涉及電動汽車充電負荷預測和電網調度管理技術。
技術介紹
1、電動汽車在低碳經濟轉型中發揮著重要作用，通過減少碳排放，推動了新能源車輛的發展。然而，電動汽車大規模接入電網會帶來負荷峰值的問題，進而影響配電網絡的穩定運行，并可能引發電壓不穩定、線路過載等安全隱患。因此，電動汽車的充電負荷預測成為解決這一問題的關鍵。
2、在電動汽車負荷預測領域，面臨幾個關鍵性問題。首先，電動汽車負荷受多種因素影響，包括環境因素、外部因素和基礎設施因素等，這使得確定哪些因素與負荷之間的相關性較高變得困難。其次，負荷數據中常常存在異常值，這些異常值對預測結果有顯著影響，因此在進行預測之前必須對數據進行清洗，以去除或修正異常值，從而提升預測模型的準確性。此外，由于電動汽車負荷受眾多因素的共同影響，這些因素之間的關系往往復雜且可能具有非線性特征。深度學習模型，特別是深度神經網絡，具備強大的特征學習和非線性映射能力，能夠從復雜數據中自動提取潛在模式和關系，有效識別出影響負荷的關鍵因素。
3、cn116960958a公開了一種配電網中電動汽車充電負荷預測方法及裝置，方法具體包括如下步驟：獲取預設的交通路網仿真動態模擬模型；結合交通路網仿真動態模擬模型，確定各電動汽車的出行行為，并給出電動汽車的起始及終點矩陣；分析電動汽車的出行代價，基于最小出行成本策略，結合起始及終點矩陣，獲取各電動汽車的行駛路徑信息；基于各電動汽車的行駛路徑信息，分析并確定各電動汽車的充電預期，并結合電動汽車充電站信息，完成配電網中電
4、cn118228865a公開了一種電動汽車充電負荷預測方法及系統，涉及電力負荷預測
，包括以下步驟：接收電動汽車充電負荷數據，對電動汽車充電負荷數據進行預處理，得到處理后的電動汽車充電負荷數據，對處理后的電動汽車充電負荷數據進行變模態分解，得到多個分解序列；將多個分解序列輸入至預先建立的多通道的1dcnn-gru組合神經網絡模型內，輸出得到電動汽車充電負荷預測結果。該專利的數據預處理方法對數據質量的提升并不明顯，且該專利中變模態分解被用作特征提取的一部分，但這種方法在處理該專利中的復雜特征時特征提取不夠全面，易忽略重要的非線性特征，故訓練后模型的預測結果偏差較大，實用性不強。
技術實現思路
1、為解決現有技術中存在的訓練模型的輸入數據考慮影響電動汽車充電負荷預測的復雜因素較少、電動汽車充電負荷預測結果偏差較大、模型實用性不強等不足，本專利技術提供一種考慮數據清洗的電動汽車充電負荷預測方法及系統。
2、本專利技術采用如下的技術方案。
3、本專利技術一方面公開了一種考慮數據清洗的電動汽車充電負荷預測方法，包括：
4、步驟1：采集歷史電動汽車負荷相關數據和歷史電動汽車負荷數據，并提取電動汽車負荷相關特征；
5、步驟2：對所采集各項數據進行歸一化處理，對歸一化后電動汽車負荷數據進行清洗，并用歸一化后電動汽車負荷相關特征和清洗后數據構成訓練數據集；
6、步驟3：基于cnn-gru卷積神經網絡-門控循環單元建立負荷預測模型；
7、步驟4：用訓練數據集訓練負荷預測模型；
8、步驟5：實時采集電動汽車負荷相關特征輸入訓練好的負荷預測模型，對電動汽車短期充電負荷進行實時預測。
9、進一步優選地，
10、在步驟1中，所述歷史電動汽車負荷相關數據包括環境因素和基礎設施因素；其中環境因素包括溫度和濕度；基礎設施因素包括充電樁的容量、電表的功率和變壓器的容量；
11、將歷史電動汽車負荷相關數據中各項數據記作特征變量。
12、進一步優選地，
13、在步驟1中，提取電動汽車負荷相關特征，是計算每個特征變量與電動汽車負荷數據的相關程度值，并選取絕對值大于設定相關性閾值的相關程度值對應的特征變量，作為電動汽車負荷相關特征；其中相關性閾值設置為0.5；第n個特征變量與電動汽車負荷數據的相關程度值ρ(n)按如下公式計算：
14、
15、其中n為整數，且n∈[1,5]；m為第n個特征變量的采樣點總數；re(n)根據如下公式計算：
16、
17、其中i為整數，且i∈[1,m]；表示對第n個特征變量中采樣值自小到大排序并標序號后，第i個采樣點對應的序號值；rank(yi)表示電動汽車負荷中采樣值自小到大排序并標序號后，第i個采樣點對應的序號值。
18、進一步優選地，
19、在步驟2中，清洗的方法為：基于自編碼器ae、生成對抗網絡gan和高斯噪聲構建生成器；基于生成對抗網絡構建鑒別器；
20、所述生成器的輸入為歸一化后電動汽車負荷數據矩陣；輸出為接近歸一化后電動汽車負荷數據矩陣的合成數據矩陣；
21、所述鑒別器的輸入為由歸一化后電動汽車負荷數據矩陣和合成數據矩陣構成的混合數據矩陣；輸出為由取值范圍為[0,1]的數值構成的鑒別矩陣；其中鑒別矩陣中各數值，均反映鑒別器對混合數據矩陣中相應元素的真實性程度的判斷；
22、對生成器和鑒別器進行對抗訓練；
23、將訓練后生成器合成數據作為歸一化后電動汽車負荷數據的清洗結果。
24、進一步優選地，
25、所述生成器的構建方法如下：
26、按如下公式將高斯噪聲引入歸一化后電動汽車負荷數據得到帶噪聲的數據矩陣
27、
28、其中，y是歸一化后電動汽車負荷數據矩陣；ng是與歸一化后電動汽車負荷數據矩陣維度相同的高斯噪聲矩陣；
29、采用編碼器提取帶噪聲的數據矩陣中特征，記作z；
30、采用解碼器基于編碼器提取的特征，重建數據矩陣，作為合成數據
31、進一步優選地，
32、生成器采用的總體損失函數按如下公式計算：
33、
34、其中，lprior是正則項損失；lrec是重建誤差；γ是平衡重建誤差與先驗正則項重要性的超參數，其初始值設置為0.1。
35、進一步優選地，
36、正則項損失按如下公式計算：
37、
38、其中dkl(p||q)表示計算概率分布p相對于概率分布q的kl散度；
39、是編碼器所提取特征的分布；是標準正態分布；
40、重建誤差按如下公式計算：
41、
42、其中，n是歸一化后電動汽車負荷數據矩陣中元素個數；yi是歸一化后電動汽車負荷數據矩陣中第i個數值，是合成數據矩陣中第i個數值。
43、進一步優選地，
44、lpro按如下公式計算：
45、lpro＝-e[m(g)⊙log2d(y(d))]；
46、其中a⊙本文檔來自技高網...
【技術保護點】
1.一種考慮數據清洗的電動汽車充電負荷預測方法，其特征在于，包括：
2.根據權利要求1所述的電動汽車充電負荷預測方法，其特征在于：
3.根據權利要求1或2所述的電動汽車充電負荷預測方法，其特征在于：
4.根據權利要求1所述的電動汽車充電負荷預測方法，其特征在于：
5.根據權利要求4所述的電動汽車充電負荷預測方法，其特征在于：
6.根據權利要求4所述的電動汽車充電負荷預測方法，其特征在于：
7.根據權利要求5或6所述的電動汽車充電負荷預測方法，其特征在于：
8.根據權利要求4或6所述的電動汽車充電負荷預測方法，其特征在于：
9.根據權利要求6所述的電動汽車充電負荷預測方法，其特征在于：
10.根據權利要求1或4所述的電動汽車充電負荷預測方法，其特征在于：
11.一種利用權利要求1-10任一項權利要求所述電動汽車充電負荷預測方法的考慮數據清洗的電動汽車充電負荷預測系統，包括數據采集特征提取模塊、數據預處理模塊、負荷預測模型建立模塊、負荷預測模型訓練模塊和電動汽車短期
12.根據權利要求11所述的電動汽車充電負荷預測系統，其特征在于：
13.根據權利要求11所述的電動汽車充電負荷預測系統，其特征在于：
14.根據權利要求13所述的電動汽車充電負荷預測系統，其特征在于：
15.根據權利要求13或14所述的電動汽車充電負荷預測系統，其特征在于：
16.根據權利要求13所述的電動汽車充電負荷預測系統，其特征在于：
17.根據權利要求11或13所述的電動汽車充電負荷預測系統，其特征在于：
18.一種電子設備，包括處理器及存儲介質；其特征在于：
19.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-10所述的電動汽車充電負荷預測方法。
...【技術特征摘要】
1.一種考慮數據清洗的電動汽車充電負荷預測方法，其特征在于，包括：
2.根據權利要求1所述的電動汽車充電負荷預測方法，其特征在于：
3.根據權利要求1或2所述的電動汽車充電負荷預測方法，其特征在于：
4.根據權利要求1所述的電動汽車充電負荷預測方法，其特征在于：
5.根據權利要求4所述的電動汽車充電負荷預測方法，其特征在于：
6.根據權利要求4所述的電動汽車充電負荷預測方法，其特征在于：
7.根據權利要求5或6所述的電動汽車充電負荷預測方法，其特征在于：
8.根據權利要求4或6所述的電動汽車充電負荷預測方法，其特征在于：
9.根據權利要求6所述的電動汽車充電負荷預測方法，其特征在于：
10.根據權利要求1或4所述的電動汽車充電負荷預測方法，其特征在于：
11.一種利用權利要求1-10任一項權利要求所述電動汽車充電負荷預測方法的考慮數據清洗...
【專利技術屬性】
技術研發人員：雷舒婭，姜宇晴，張文思，梁瀟，王軼申，孫智卿，宣羿，
申請(專利權)人：國網智能電網研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。