1.本发明涉及电动汽车负荷预测领域，尤其是一种电动汽车充电桩负荷预测方法及装置。
背景技术：2.随着能源枯竭、全球变暖和生态危机等问题逐渐加剧，人们开始关注新能源和清洁能源的使用，节能、清洁的电动汽车就成为了人们未来出行的必然选择，城市内的电动汽车充电站数量也在不断增加。电动汽车、分布式电源等广义需求响应资源在用户侧出现，带来了更加灵活多样的方式进行需求响应，使负荷转移能力增强，可转移时间范围更广。
3.同时，售电市场的逐步开放，为各种广义需求响应资源提供了参与电力市场的条件与环境，拥有广义需求响应资源的用户将根据不同资源的出力特性，对市场的激励信号进行主动响应，实现资源的最大化利用。用户与配电网的双向互动，改变了主动配电系统的负荷特性与变化规律，提高了运行调度与电力市场的短期负荷预测的预测难度，降低了预测精度。
4.目前电动汽车负荷预测的主流方式可以分为两大类:一类是以统计学为基础的数学模型，例如回归分析法以及时间序列法；另一类是以智能算法为基础的方法，例如神经网络、支持向量机和极限学习机法等等。统计学算法对历史数据要求高，无法精确计及产业升级、经济增长或者气候因素等外界因素带来的影响；而一些智能算法存在着过于依赖初始值、训练过程存在局部最优解、收敛速度比较慢等特点。
技术实现要素：5.本发明的目的在于克服现有技术中的不足，提供一种电动汽车充电桩负荷预测方法及装置，可提高电动汽车充电桩负荷预测的精度。
6.为达到上述目的，本发明是采用下述技术方案实现的：
7.第一方面，本发明提供了一种电动汽车充电桩负荷预测方法，包括以下步骤：
8.获取电动汽车充电桩所在区域；
9.依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区；
10.分别对不同分区的电动汽车充电桩的负荷进行预测，获得各区域的负荷；叠加各区域负荷，得到总负荷。
11.进一步的，依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区的方法包括：依据需求侧的激励因素和电动汽车的充电行为的特点，将电动汽车充电桩所在区域划分为住宅区、工作区及公共区；
12.住宅区、工作区的电动汽车的充电行为的特点是用电规律，周期性强；住宅区、工作区的需求侧的激励因素包括价格激励；
13.公共区的电动汽车的充电行为的特点是充电行为无序，规律性差；公共区的需求
侧的激励因素包括参与度；
14.分别对不同分区的电动汽车充电桩的负荷进行预测包括：
15.对住宅区、工作区的电动汽车充电桩的负荷进行预测；
16.对公共区的电动汽车充电桩的负荷进行预测。
17.进一步的，对住宅区、工作区的电动汽车充电桩的负荷进行预测，具体包括：
18.步骤1：分析预测日特征，并提取住宅区、工作区的电动汽车充电桩的负荷对应的影响因素；
19.步骤2：获取历史日的资料，根据预测日和历史日的影响因素选取历史相似日；
20.步骤3：将历史相似日的24h的历史电价数据、历史负荷数据、当日气象因素作为输入，利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测，输出住宅区、工作区的电动汽车充电桩的预测日24h的负荷数据。
21.进一步的，所述历史日的资料包括历史日的24h的历史电价数据、历史负荷数据、当日气象因素、当日类型、当日小时电价数据；所述当日气象因素包括当日温度、当日风速云量、当日降水量；
22.根据预测日和历史日的影响因素选取历史相似日的方法包括：
23.构建预测日影响因素数据集和历史日影响因素数据集；
24.根据预测日影响因素数据集和历史日影响因素数据集，计算预测日与历史日的关联度；
25.根据历史日和预测日之间的关联度进行关联度排序，选择前n天作为历史相似日，n为选取的相似日数量。
26.进一步的，所述影响因素包括：当日类型、当日小时电价数据、当日温度、当日风速云量；
27.所述预测日影响因素数据集为
28.x0＝{x0(1)，x0(2)，...，x0(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
29.式中，x0(1)为星期几，编码1到7；x0(1)为是否为周末、假期，是则编码为1，否则编码为0；x0(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；x0(4)为当日的最高温度值；x0(5)为当日的最低温度值；x0(6)，x0(7)，...，x0(29)为一天24个时间段，各时间段的电价，n为影响因素个数；
30.所述历史日影响因素数据集为
31.xi＝{xi(1)，xi(2)，...，xi(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
32.式中，xi(1)为星期几，编码1到7；xi(2)为是否为周末、假期，是则编码为1，否则编码为0；xi(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；xi(4)为当日的最高温度值；xi(5)为当日的最低温度值；xi(6)，xi(7)，...，xi(29)为一天24个时间段，各时间段的电价，n为影响因素个数。
33.进一步的，根据预测日影响因素数据集和历史日影响因素数据集，计算预测日与历史日的关联度，包括：
34.将各影响因素代入关联系数计算公式，得到各影响因素的历史日与预测日之间的关联系数；关联系数计算公式为：
[0035][0036]
式中：|x0(k)-xi(k)|为第k点x0与xi的影响因素绝对值差，即hamming距离，表示不同影响因素之间的替换之后对关联度的影响，hamming距离越大表示关联度越强；p为分辨系数，0＜p＜1；
[0037]
求解各影响因素的历史日与预测日之间的关联系数的累计平均值，即历史日和预测日之间的关联度，公式如下
[0038][0039]
式中：ri为第i个因素对样本的影响，若ri≥0.7则称之为强相关因素，有正面效果。
[0040]
进一步的，根据历史相似日，利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测，包括：
[0041]
利用训练好的svr模型对预测日对应部分负荷进行预测，得到预测日24h的负荷数据；
[0042]
所述svr模型的训练方法包括：
[0043]
以多天历史相似日的24h的历史电价数据、当日温度、风速云量、降水量、当日24h的历史负荷数据作为svr的输入数据，以预测日24h的负荷数据作为svr输出数据，训练回归模型。
[0044]
进一步的，对公共区的电动汽车充电桩的负荷进行预测，包括：
[0045]
步骤1：分析预测日特征，并提取公共区的电动汽车充电桩的负荷对应的影响因素；
[0046]
步骤2：获取历史日的资料，根据预测日和历史日的影响因素选取历史相似日；
[0047]
步骤3：基于历史相似日的资料，预测计算公共区的电动汽车充电桩的负荷。
[0048]
进一步的，基于历史相似日的资料，计算公共区的电动汽车充电桩的负荷，包括：
[0049]
步骤1：基于历史相似日的负荷p(t)和可预知的需求响应信号p
dr(ture)
(t)，获取规律性强的基础负荷pb(t)；
[0050]
pb(t)＝p(t)-p
dr(ture)
(t)
[0051]
步骤2：对规律性强的基础负荷进行小波分解，获得历史日季节性基础负荷和历史相似日需求响应主导部分负荷；
[0052]
步骤3：根据所述历史日季节性基础负荷建立训练数学模型；根据所述数学模型对预测日的季节性基础负荷进行预测，获得预测日季节性基础负荷；
[0053]
步骤4：根据所述历史相似日需求响应主导部分负荷进行灰色预测并马尔可夫修正误差，获得预测日的需求响应主导部分负荷；
[0054]
步骤5：将预测日的季节性基础负荷和需求响应主导部分负荷叠加，得到公共区域总负荷。
[0055]
进一步的，对规律性强的季节负荷进行小波分解，具体包括：
[0056]
由小波基函数经过平移因子a和伸缩因子b后生成依赖于参数(a，b)的小波序列
ψ
a,b
(t)，尺度函数
[0057]
利用小波分析进行分解和重构，小波变换的第j层系数通过滤波器系数获得第j-1层系数的分解式为
[0058][0059]
令则c
j-1
和d
j-1
可以分别看成cj的低频信号和细节信号，即低频系数和高频系数；
[0060]
递归应用小波分解算法，则得到信号cj的低频信号cm以及在不同分辨率下的细节信号dm,d
m+1
,d
j-1
，称cm，dm，d
m+1
，
…
，d
j-1
为cj的小波变换；
[0061]
通过双尺度方程对应的滤波器系数{hn,n∈z}，{gn,n∈z}，使用第j-1层系数重构第j层小波系数为
[0062][0063]
递归应用使用小波重构算法得到小波变换恢复信号；
[0064]
将历史相似日的规律性较强的基础负荷进行波形分解，选择合适的小波基函数，对pa(t)进行3层小波变换，提取出低频信息c1和三个高频信息d1,d2,d3，将对高频信息进行信息重构；其中，c1部分为季节性基础负荷部分pb(t)，需求响应信号和高频信息重构部分即为需求响应主体部分负荷。
[0065]
进一步的，根据所述历史日季节性基础负荷建立数学模型；根据所述数学模型对预测日的历史日季节性基础负荷进行预测，获得预测日季节性基础负荷，包括：
[0066]
对所述历史日季节性基础负荷进行时序预测，对观测值序列进行平稳性检测，在数据平稳后则对其进行白噪声检验、模型识别，确定数学模型的模型参数；
[0067]
应用所述数学模型预测并进行误差分析，得到住宅区公共区预测日的季节性基础负荷预测结果。
[0068]
进一步的，根据所述历史相似日需求响应主导部分负荷进行灰色预测并马尔可夫修正误差的方法包括：
[0069]
建立相似日需求响应主体部分负荷与相似日需求响应计划、各气象交通因素之间的关系的灰色预测模型，根据相似日的灰色方程，得到预测日多元灰色预测值；
[0070]
针对需求响应主体部分负荷中存在的误差项，对预测日多元灰色预测值进行马尔可夫修正值，最终得到预测日需求响应主体部分负荷。
[0071]
第二方面，本发明提供一种电动汽车充电桩负荷预测装置，所述装置包括：
[0072]
获取模块：用于获取电动汽车充电桩所在区域；
[0073]
分区模块：用于依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区；
[0074]
预测模块：用于分别对不同分区的电动汽车充电桩的负荷进行预测，获得各区域的负荷；叠加各区域负荷，得到总负荷。
[0075]
第三方面，本发明还提供了一种电动汽车充电桩负荷预测装置，包括处理器及存
储介质；
[0076]
所述存储介质用于存储指令；
[0077]
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0078]
与现有技术相比，本发明所达到的有益效果：
[0079]
1、本发明考虑到了用户需求层面，更贴合实际应用场景；分别对不同分区的电动汽车充电桩的负荷进行预测，具体场景具体分析，提高预测准确性。依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区，相比传统预测，考虑到了用户需求层面，更贴合实际应用场景；
[0080]
2、本发明的历史数据的选择对预测起到最直接的作用，利用灰色相关度筛选出相似日，不仅避免了人为筛选的不稳定性，而且提高了筛选的科学性；
[0081]
3、本发明利用小波变化对季节负荷进行分解与重构，误差结果明显低于直接利用传统方法进行预测；
[0082]
4、本发明利用灰色马尔可夫多因素预测，灰色关联系数考虑到了自变量的时间特性以及气象因素等多重外在变量，但是没有考虑预测误差对结果的反馈，而马尔可夫是后随机性预测方程，故当状态变量和时间变量是离散数据时，会对中间累加过程中产生误差有较好的调节效果，采用马尔可夫模糊矩阵对灰色预测产生的误差进行修正，提高负荷部分预测的准确性。
附图说明
[0083]
图1为一种考虑需求响应激励因素的电动汽车充电站划分区域的方法
[0084]
图2为住宅区、工作区的电动汽车充电站的负荷预测流程
[0085]
图3为公共区的电动汽车充电站的负荷预测流程
[0086]
图4为待处理负荷的小波分解结果
[0087]
图5为本文所提方法对电动汽车预测的结果。
具体实施方式
[0088]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0089]
实施例一：
[0090]
本实施例提供一种电动汽车充电桩复合的预测方法，包括以下步骤：
[0091]
步骤1.一种考虑需求响应激励因素的电动汽车充电站划分区域的方法：
[0092]
考虑到不同区域需求响应的主要激励因素和电动汽车的充电行为各不相同，将电动汽车充电桩划分为住宅区、工作区及公共区。住宅区、工作区的电动汽车充电桩的特点是用电规律，周期性强，影响因素单纯；住宅区有大量私人充电桩，对需求响应的参与度不高；住宅区、工作区对需求响应的反应主要体现在价格激励上。公共区的电动汽车充电桩的特点是充电行为无序，规律性差，影响因素多；公共区充电桩对需求响应的参与度较高。针对不同场景下的电动汽车对需求响应的主要激励因素不同，分别对住宅区、工作区的电动汽车充电桩和公共区的电动汽车充电桩进行负荷预测。
[0093]
步骤2.对住宅区、工作区的电动汽车充电桩的负荷进行预测，具体包括：
[0094]
步骤2.1：分析预测日类型、并提取历史小时电价数据、历史日温度、历史日风速云量等气象因素：
[0095]
设预测日为
[0096]
x0＝{x0(1)，x0(2)，...，x0(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0097]
式中，x0(1)为星期几，编码1到7；x0(1)为是否为周末、假期，是则编码为1，否则编码为0；x0(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；x0(4)为当日的最高温度值；x0(5)为当日的最低温度值；x0(6)，x0(7)，...，x0(29)为一天24个时间段，各时间段的电价，n为影响因素个数；
[0098]
所述历史日影响因素数据集为
[0099]
xi＝{xi(1)，xi(2)，...，xi(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0100]
式中，xi(1)为星期几，编码1到7；xi(2)为是否为周末、假期，是则编码为1，否则编码为0；xi(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；xi(4)为当日的最高温度值；xi(5)为当日的最低温度值；xi(6)，xi(7)，...，xi(29)为一天24个时间段，各时间段的电价，n为影响因素个数。
[0101]
步骤2.2：计算预测日与历史日的关联度，对各指标进行标准化处理，根据历史日与预测日的关联度排序，选取n天历史相似日：
[0102]
关联系数计算公式为
[0103][0104]
式中：|x0(k)-xi(k)|为第k点x0与xi的绝对值差，也成为hamming距离，表示不同影响因素之间的替换之后对关联度的影响，hamming距离越大表示关联度越强；p为分辨系数，0＜p＜1。对于单位不一致的影响因素，对其进行归一化处理。
[0105]
关联系数只代表某一时刻预测日与历史日之间的关系，由于在不同时刻影响需求侧响应的因素会发生变化，求解关联系数的累积平均值作为样本之间的关联度如下
[0106][0107]
式中：ri为第i个因素对样本的影响，结合实际应用，若ri≥0.7则称之为强相关因素，有正面效果，实验选择n天历史相似日。
[0108]
步骤2.3：利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测：
[0109]
以7天相似日24h的历史电价数据、每日气象因素，以及相似日日24h历史负荷数据分别作为svr的输入和输出数据，训练回归模型，利用训练好的模型对预测日对应部分负荷进行预测，得到预测日24h的负荷数据。
[0110]
步骤3.对公共区的电动汽车充电桩的负荷进行预测，具体包括：
[0111]
步骤3.1：分析预测日的日类型，并提取其对应历史负荷数据、交通因素、气象因素以及需求响应能力，计算预测日与历史日的关联度，对各指标进行标准化处理，根据历史日与预测日的关联度排序，选取n天历史相似日x1,x2,x3,...,xn。
[0112]
步骤3.2：根据需求响应信号p
dr
(t)的可预知性，得到周期规律性强的基础负荷pb(t)。公共区的电动汽车充电桩负荷p(t)是由无响应时的基础负荷p0(t)和聚合代理实际响应负荷量p
dr(ture)
(t)两个部分构成，但这两部分的信息都不能直接获取。实际响应负荷量p
dr(ture)
(t)是由p
dr
是提前得到的信息和气象因素、用户行为随机性导致的聚合代理的需求响应计划在t时刻的误差项r(t)。同时无响应时的负荷在同一季节的基础负荷具有很强的规律性，可以将p0(t)分为季节性基础负荷pb(t)和由不同日气象因素、用户行为随机性等导致不同日负荷波动项r(t)。公共区的电动汽车充电桩负荷p(t)基于季节性基础负荷的独立性和需求响应的可预知性分解表达式为
[0113]
p(t)＝pb(t)+p
dr
(t)+r(t)+r(t)
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0114]
根据需求响应信号p
dr
(t)的可预知性，得到周期规律性强的基础负荷pb(t)表达式
[0115]
pb(t)＝pb(t)+r(t)+r(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0116]
式中，p(t)为电动汽车充电桩负荷，pb(t)季节性基础负荷，pb(t)为周期规律性强的基础负荷，p
dr
(t)需求响应信号，r(t)为需求响应信号p
dr
(t)和实际响应负荷p
dr(ture)
(t)在t时刻的误差项，r(t)为不同日气象因素、用户行为随机性等导致不同日负荷波动项。
[0117]
步骤3.3：将n天相似日的基础负荷部分进行波形分解，选择合适的小波基函数。小波变换的基本思想是用一组函数不断逼近信号本身，由小波基函数经过平移因子a和伸缩因子b后生成依赖于参数(a，b)的小波序列ψ
a,b
(t)，尺度函数利用小波分析进行分解和重构，小波变换的第j层系数通过滤波器系数获得第j-1层系数的分解，对pb(t)进行j层小波变换，取分解后相似部分作为季节性基础负荷部分pb(t)。
[0118]
步骤3.4：对求得的历史日季节性基础负荷建立数学模型，对预测日的该部分负荷进行预测。季节性基础负荷部分基本不受短期各气象因素、需求响应信号等的影响，不同日的负荷在变化趋势相同的基础上，还有一些随机过程的影响，利用时间序列模型便比较适合。指数平滑模型是基于对趋势和季节性数据的描述，arima模型的目的是描述数据之间的相关性，考虑到数据集的季节性，对季节性基础负荷的预测有更理想的效果。应用时间序列模型对季节性基础负荷部分进行分析预测。
[0119]
首先需要对观测值序列进行平稳性检测，如果不平稳，则对其进行差分运算直到差分后的数据平稳；在数据平稳后则对其进行白噪声检验，白噪声是指零均值常方差的随机平稳序列；如果是平稳非白噪声序列就计算acf(自相关系数)、pacf(偏自相关系数)，进行arma等模型识别，对已识别好的模型，确定模型参数，最后应用预测并进行误差分析。
[0120]
步骤3.5：建立充电桩负荷与需求响应计划、各气象交通因素之间的关系的预测模型，对预测日需求响应资源主导的负荷部分进行预测。电动汽车需求响应近几年才得到较快的发展，数据有限。灰色模型便于操作，所需数据量少，适合在数据不足的情况下做预测，因此，用灰色系统预测模型对需求响应资源主导负荷部分进行初步预测。
[0121]
定义一组原始数据
[0122]
x＝[x1,x2,x3,...,y]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0123]
x1＝{x
(1)
(1),x
(1)
(2),...,x
(1)
(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0124]
式中，x1,x2,...,xn为相似日的充电桩影响因素，y为历史日充电桩变量。
[0125]
生成x1累加数据组x
(1)
中的元素x
(1)
'(k)，定义x
(1)
的紧邻均值生成序列z
(1)
，定义
白化形式的一阶一元微分方程gm(1,1)，对累加生成数据做均值生成b与常熟项向量，用最小二乘法求解灰参数，代入灰参数，对上述结果累减还原得到gm(1,1)灰色微分方程的自由可行解，可表示为
[0126][0127]
重复以上步骤得出相似日x1,x2,...,xn的灰色方程。
[0128]
预测日多元灰色预测方程可表示为
[0129]
y(k)＝b0+b
1 x
(1)
(k)+b
2 x
(2)
(k)+...+b
n x
(n)
(k)
ꢀꢀꢀꢀꢀꢀ
(10)
[0130]
式中，y(k)为在k时刻预测对象的预测值，x
(1)
(k),x
(2)
(k),x
(3)
(k)为在k时刻影响因素的预测值，ε'(k+1)＝d
×
(ε1,ε2,...,εn)
t
为灰色作用量。
[0131]
灰色预测模型考虑到了自变量的时间特性以及气象因素等多重外在变量的灰色关联系数，但是没有考虑预测误差对结果的反馈，而马尔可夫是后随机性预测方程，故当状态变量和时间变量是离散数据是，会对中间累加过程中产生误差有较好的调节效果，因此，采用马尔可夫模糊矩阵对灰色预测产生的误差进行修正，提高需求响应资源主导负荷部分预测的准确性。
[0132]
修正矩阵d可定义为d＝s*a，s为隶属度矩阵，a为转移矩阵，定义相对误差ε(k)，经过修正后的误差值ε'(k+1)为
[0133]
ε'(k+1)＝d
×
(ε1,ε2,...,εn)
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0134]
式中，ε'(k+1)为修正后的误差值，d为修正矩阵，ε(k)为预测值与真实值的相对误差项。
[0135]
修正后的预测值为
[0136][0137]
式中，y'(k+1)为修正后的预测值，y(k+1)为预测值，ε'(k+1)为修正后的误差值。
[0138]
将预测日的季节性基础负荷和广义需求响应资源主导的部分负荷叠加，得到公共区域总负荷。
[0139]
简单来说，相似日选择的过程一样，只需要最终的n个相似日日期。这是为后期数据选取做铺垫，后期预测需要历史负荷、气象等数据时，选择相似日的负荷、气象等数据，用相似日预测，提高准确性。
[0140]
基于历史相似日的资料，预测计算公共区的电动汽车充电桩的负荷：
[0141]
电动汽车负荷(历史负荷已知)-需求响应信号(可预知)＝季节负荷季节负荷＝季节性基础负荷+误差项(通过小波分解得到的季节性基础负荷)
[0142]
需求响应信号+误差项＝需求响应主导部分负荷(灰色预测+马尔可夫修正误差项)
[0143]
p(t)＝p0(t)+p
dr(ture)
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0144]
p0(t)＝pb(t)+r1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0145]
p
dr(ture)
(t)＝p
dr
(t)+r2(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0146]
p(t)＝pb(t)+r1(t)+p
dr
(t)+r2(t)＝p
dr
(t)+pb(t)+r(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0147]
式中，p(t)为电动汽车充电桩负荷，p0(t)为无响应时的基础负荷，p
dr(ture)
(t)为实
际响应负荷，pb(t)季节性基础负荷，r1(t)为不同日气象因素、用户行为随机性等导致不同日负荷波动项，p
dr
(t)为需求响应信号，r2(t)为需求响应信号p
dr
(t)和实际响应负荷p
dr(ture)
(t)在t时刻的误差项，r(t)为需求响应主导部分负荷误差项。
[0148]
电动汽车充电桩负荷是由无响应时的基础负荷p0(t)和实际需求响应p
dr(ture)
(t)构成，如式(13)。但是实际应用中都有误差项，如式(14)(15)。
[0149]
由式(16)中已知的电动汽车历史负荷p(t)和提前可预知的需求响应信号p
dr
(t)，得到历史相似日季节负荷pb(t)+r(t)，式中，r(t),r1(t),r2(t)均表示误差项。
[0150]
通过小波分解得到季节性基础负荷pb(t)，根据式(16)得到需求响应主导部分负荷p
dr
(t)+r(t)。对历史相似日pb(t)进行时序预测，得到预测日pb(t)；对历史相似日p
dr
(t)+r(t)进行灰色预测并马尔可夫修正误差，得到预测日p
dr
(t)+r(t)；两部分叠加得到公共区预测日总负荷p(t)。
[0151]
本实施例提供一种计及需求响应的电动汽车充电桩负荷的预测方法的具体实施过程，实验针对2017年上半年旧金山电动汽车充电桩负荷进行预测。
[0152]
图1为本发明实施例提供一种考虑需求响应激励因素的电动汽车充电站划分区域的方法进行说明。
[0153]
考虑到不同区域需求响应的主要激励因素和电动汽车的充电行为各不相同，将电动汽车充电桩划分为住宅区、工作区及公共区。住宅区、工作区的电动汽车充电桩的特点是用电规律，周期性强，影响因素单纯；住宅区有大量私人充电桩，对需求响应的参与度不高；住宅区、工作区对需求响应的反应主要体现在价格激励上。公共区的电动汽车充电桩的特点是充电行为无序，规律性差，影响因素多；公共区充电桩对需求响应的参与度较高。针对不同场景下的电动汽车对需求响应的主要激励因素不同，分别对住宅区、工作区的电动汽车充电桩和公共区的电动汽车充电桩进行负荷预测。
[0154]
图2为计及需求响应划分区域的住宅区工作区负荷预测流程图。下面对2017年上半年旧金山住宅区、工作区的电动汽车充电桩的负荷进行预测，具体实施步骤包括：
[0155]
步骤1：选取2017年6月16日作为预测日，分析预测日类型、历史小时电价数据、历史日温度、历史日风速云量等气象因素：
[0156]
设预测日为
[0157]
x0＝{x0(1)，x0(2)，...，x0(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0158]
历史日为
[0159]
xi＝{xi(1)，xi(2)，...，xi(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0160]
式中：k为序号，1，...,i；xk(1)为星期，编码1到7；xk(2)为是否为周末、假期，是则编码为1，否则编码为0；xk(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；xk(4)为当日的最高温度值；xk(5)为当日的最低温度值；xi(6)，xi(7)，...，xi(29)为一天24个时间段，各时间段的电价。
[0161]
步骤2：由于气象因素、电价因素、日期编码等是不同单位的指标，需要对其进行归一化处理。计算预测日与历史日的关联度，根据历史日与预测日的关联度排序，选取n天历史相似日：
[0162]
关联系数计算公式为
[0163][0164]
式中：|x0(k)-xi(k)|为第k点x0与xi的绝对值差，也成为hamming距离，表示不同影响因素之间的替换之后对关联度的影响，hamming距离越大表示关联度越强；p为分辨系数，0＜p＜1。
[0165]
关联系数只代表某一时刻预测日与历史日之间的关系，由于在不同时刻影响需求侧响应的因素会发生变化，求解关联系数的累积平均值作为样本之间的关联度如下
[0166][0167]
式中：ri为第i个历史日对预测日的影响，实验选择7天历史相似日，经过筛选得到相似日分别为4月7日、4月14日、4月21日、4月28日、5月12日、5月19日、5月26日。
[0168]
步骤3：利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测。以7天相似日24h的历史电价数据、每日气象因素，以及相似日日24h历史负荷数据分别作为svr的输入和输出数据，训练回归模型，利用训练好的模型对预测日对应部分负荷进行预测，得到预测日24h的负荷数据。
[0169]
图3为计及需求响应划分区域的公共区负荷预测流程图，具体实施步骤包括：
[0170]
步骤1：选取2017年6月16日作为预测日，分析预测日的日类型，并提取其对应历史负荷数据、交通因素、气象因素以及需求响应能力，计算预测日与历史日的关联度，对各指标进行标准化处理，根据历史日与预测日的关联度排序，选取7天历史相似日x1,x2,x3,...,x7。其中，交通因素选择davidson模型表达
[0171]
t(q)＝t0[1+j*(q/(c-q))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0172]
式中：t(q)为流量为q时路段上的行程时间，t0为零流量时车辆在路段上的行驶时间，c为路段的实际通行能力，j为模型的曲率参数。
[0173]
实验选择7天历史相似日，经过筛选得到相似日分别为4月7日、4月14日、4月21日、4月28日、5月12日、5月19日、5月26日。
[0174]
步骤2：小波变换的基本思想是用一组函数不断逼近信号本身，由小波基函数经过平移因子a和伸缩因子b后生成依赖于参数(a，b)的小波序列ψ
a,b
(t)，尺度函数利用小波分析进行分解和重构，小波变换的第j层系数通过滤波器系数获得第j-1层系数的分解式为
[0175][0176]
令则c
j-1
和d
j-1
可以分别看成cj的低频信号和细节信号，即低频系数和高频系数。递归应用小波分解算法，则可以得到信号cj的低频信号cm以及在不同分辨率下的细节信号dm,d
m+1
,d
j-1
，称cm，dm，d
m+1
，
…
，d
j-1
为cj的小波变换。
[0177]
通过双尺度方程对应的滤波器系数{hn,n∈z}，{gn,n∈z}，使用第j-1层系数重构第j层小波系数为
[0178][0179]
递归应用使用小波重构算法得到小波变换恢复信号。
[0180]
将7天相似日的进行波形分解，选择合适的小波基函数，对pa(t)进行3层小波变换，提取出低频信息c1和三个高频信息d1,d2,d3，将对高频信息进行信息重构。其中，c1部分为季节性基础负荷部分pb(t)。
[0181]
步骤3：对求得的历史日季节性基础负荷建立数学模型，对预测日的该部分负荷进行预测。季节性基础负荷部分基本不受短期各气象因素、需求响应信号等的影响，不同日的负荷在变化趋势相同的基础上，还有一些随机过程的影响，利用时间序列模型便比较适合。指数平滑模型是基于对趋势和季节性数据的描述，arima模型的目的是描述数据之间的相关性，考虑到数据集的季节性，对季节性基础负荷的预测有更理想的效果。应用时间序列模型对季节性基础负荷部分进行分析预测。
[0182]
首先需要对观测值序列进行平稳性检测，如果不平稳，则对其进行差分运算直到差分后的数据平稳；在数据平稳后则对其进行白噪声检验，白噪声是指零均值常方差的随机平稳序列；如果是平稳非白噪声序列就计算acf(自相关系数)、pacf(偏自相关系数)，进行arma等模型识别，对已识别好的模型，确定模型参数，最后应用预测并进行误差分析。
[0183]
步骤4：建立充电桩负荷与需求响应计划、各气象交通因素之间的关系的预测模型，对预测日需求响应资源主导的负荷部分进行预测。电动汽车需求响应近几年才得到较快的发展，数据有限。灰色模型便于操作，所需数据量少，适合在数据不足的情况下做预测，因此，用于灰色系统预测模型对需求响应资源主导负荷部分进行初步预测。
[0184]
定义一组原始数据
[0185]
x＝[x1,x2,x3,...,y]
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0186]
x1＝{x
(1)
(1),x
(1)
(2),...,x
(1)
(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0187]
式中，x1,x2,...,xn为相似日的充电桩影响因素，y为历史日充电桩变量。
[0188]
生成x1累加数据组x
(1)
中的元素x
(1)
'(k)
[0189][0190]
令z
(1)
为x
(1)
的紧邻均值生成序列
[0191]z(1)
＝(z
(1)
(2),z
(1)
(3),...,z
(1)
(n))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0192]z(1)
(k)＝0.5x
(1)
'(k)+0.5x
(1)
'(k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(28)
[0193]
定义灰色的方程gm(n,1)
[0194]
x
(1)
'(k)+az
(1)
(k)＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(29)
[0195]
其中a为发展系数，b为灰色作用量；
[0196]
累加生成数据均值生成b与常数项向量
[0197][0198]
设灰微分方程的最小二乘估计参数列满足
[0199][0200]
得出白化方程模型
[0201]
x
(1)
(k)+az
(1)
(k)＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0202]
灰色微分方程的自由可行解，可表示为
[0203][0204]
重复以上步骤得出x1,x2,x3等其余影响因素的灰色方程；
[0205]
预测日多元灰色预测方程可表示为
[0206]
y(k)＝b0+b1x
(1)
(k)+b2x
(2)
(k)+...+bnx
(n)
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0207]
其中，y(k)为在k时刻预测对象的预测值，x
(1)
(k),x
(2)
(k),x
(3)
(k)为在k时刻影响因素的预测值，bi为灰色作用量。
[0208]
灰色预测模型考虑到了自变量的时间特性以及气象因素等多重外在变量的灰色关联系数，但是没有考虑预测误差对结果的反馈，而马尔可夫是后随机性预测方程，故当状态变量和时间变量是离散数据是，会对中间累加过程中产生误差有较好的调节效果，因此，采用马尔可夫模糊矩阵对灰色预测产生的误差进行修正，提高需求响应资源主导负荷部分预测的准确性。
[0209]
修正矩阵d可定义为d＝s*a，s为隶属度矩阵，a为转移矩阵，定义相对误差
[0210]
ε'(k+1)＝d
×
(ε1,ε2,...,εn)
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(35)
[0211]
修正后的预测值为
[0212][0213]
将预测日的季节性基础负荷和广义需求响应资源主导的部分负荷叠加，得到公共区域总负荷。
[0214]
实施例二：
[0215]
本实施例提供一种电动汽车充电桩负荷预测装置，其特征在于，所述装置包括：
[0216]
获取模块：用于获取电动汽车充电桩所在区域；
[0217]
分区模块：用于依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区；
[0218]
预测模块：用于分别对不同分区的电动汽车充电桩的负荷进行预测，获得各区域的负荷；叠加各区域负荷，得到总负荷。
[0219]
本实施例的装置可以执行实施例一所述方法。
[0220]
实施例三：
[0221]
本发明实施例还提供了一种电动汽车充电桩负荷预测装置，包括处理器及存储介
质；
[0222]
所述存储介质用于存储指令；
[0223]
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
[0224]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0225]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0226]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0227]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0228]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
技术特征：1.一种电动汽车充电桩负荷预测方法，其特征在于，包括以下步骤：获取电动汽车充电桩所在区域；依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区；分别对不同分区的电动汽车充电桩的负荷进行预测，获得各区域的负荷；叠加各区域负荷，得到总负荷。2.根据权利要求1所述的电动汽车充电桩负荷预测方法，其特征在于，依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区的方法包括：依据需求侧的激励因素和电动汽车的充电行为的特点，将电动汽车充电桩所在区域划分为住宅区、工作区及公共区；住宅区、工作区的电动汽车的充电行为的特点是用电规律，周期性强；住宅区、工作区的需求侧的激励因素包括价格激励；公共区的电动汽车的充电行为的特点是充电行为无序，规律性差；公共区的需求侧的激励因素包括参与度；分别对不同分区的电动汽车充电桩的负荷进行预测包括：对住宅区、工作区的电动汽车充电桩的负荷进行预测；对公共区的电动汽车充电桩的负荷进行预测。3.根据权利要求2所述的电动汽车充电桩负荷预测方法，其特征在于，对住宅区、工作区的电动汽车充电桩的负荷进行预测，具体包括：分析预测日特征，并提取住宅区、工作区的电动汽车充电桩的负荷对应的影响因素；获取历史日的资料，根据预测日和历史日的影响因素选取历史相似日；将历史相似日的24h的历史电价数据、历史负荷数据、当日气象因素作为输入，利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测，输出住宅区、工作区的电动汽车充电桩的预测日24h的负荷数据。4.根据权利要求3所述的电动汽车充电桩负荷预测方法，其特征在于，所述历史日的资料包括历史日的24h的历史电价数据、历史负荷数据、当日气象因素、当日类型、当日小时电价数据；所述当日气象因素包括当日温度、当日风速云量、当日降水量；根据预测日和历史日的影响因素选取历史相似日的方法包括：构建预测日影响因素数据集和历史日影响因素数据集；根据预测日影响因素数据集和历史日影响因素数据集，计算预测日与历史日的关联度；根据历史日和预测日之间的关联度进行关联度排序，选择前n天作为历史相似日，n为选取的相似日数量；所述影响因素包括：当日类型、当日小时电价数据、当日温度、当日风速云量；所述预测日影响因素数据集为x0＝{x0(1)，x0(2)，...，x0(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，x0(1)为星期几，编码1到7；x0(1)为是否为周末、假期，是则编码为1，否则编码为0；x0(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；x0(4)为当日的最高温度值；x0(5)为当日的最低温度值；x0(6)，x0(7)，...，x0(29)为一天24个时间段，各时间段的电价，n
为影响因素个数；所述历史日影响因素数据集为x
i
＝{x
i
(1)，x
i
(2)，...，x
i
(n)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，x
i
(1)为星期几，编码1到7；x
i
(2)为是否为周末、假期，是则编码为1，否则编码为0；x
i
(3)为天气，分为晴天、阴天、雨雪天，编码分别为1，2，3；x
i
(4)为当日的最高温度值；x
i
(5)为当日的最低温度值；x
i
(6)，x
i
(7)，...，x
i
(29)为一天24个时间段，各时间段的电价，n为影响因素个数。5.根据权利要求4所述的电动汽车充电桩负荷预测方法，其特征在于，根据预测日影响因素数据集和历史日影响因素数据集，计算预测日与历史日的关联度，包括：将各影响因素代入关联系数计算公式，得到各影响因素的历史日与预测日之间的关联系数；关联系数计算公式为：式中：|x0(k)-x
i
(k)|为第k点x0与x
i
的影响因素绝对值差，即hamming距离，表示不同影响因素之间的替换之后对关联度的影响，hamming距离越大表示关联度越强；p为分辨系数，0＜p＜1；求解各影响因素的历史日与预测日之间的关联系数的累计平均值，即历史日和预测日之间的关联度，公式如下式中：r
i
为第i个因素对样本的影响，若r
i
≥0.7则称之为强相关因素，有正面效果。6.根据权利要求3所述的电动汽车充电桩负荷预测方法，其特征在于，根据历史相似日，利用svr模型对住宅区、工作区的电动汽车充电桩的负荷进行分析预测，包括：利用训练好的svr模型对预测日对应部分负荷进行预测，得到预测日24h的负荷数据；所述svr模型的训练方法包括：以多天历史相似日的24h的历史电价数据、当日温度、风速云量、降水量、当日24h的历史负荷数据作为svr的输入数据，以预测日24h的负荷数据作为svr输出数据，训练回归模型。7.根据权利要求2所述的电动汽车充电桩负荷预测方法，其特征在于，对公共区的电动汽车充电桩的负荷进行预测，包括：分析预测日特征，并提取公共区的电动汽车充电桩的负荷对应的影响因素；获取历史日的资料，根据预测日和历史日的影响因素选取历史相似日；基于历史相似日的资料，预测计算公共区的电动汽车充电桩的负荷。8.根据权利要求7所述的电动汽车充电桩负荷预测方法，其特征在于，基于历史相似日的资料，计算公共区的电动汽车充电桩的负荷，包括：基于历史相似日的负荷p(t)和可预知的需求响应信号p
dr(ture)
(t)，获取规律性强的基础负荷p
b
(t)；
p
b
(t)＝p(t)-p
dr(ture)
(t)对规律性强的基础负荷进行小波分解，获得历史日季节性基础负荷和历史相似日需求响应主导部分负荷；根据所述历史日季节性基础负荷建立训练数学模型；根据所述数学模型对预测日的季节性基础负荷进行预测，获得预测日季节性基础负荷；根据所述历史相似日需求响应主导部分负荷进行灰色预测并马尔可夫修正误差，获得预测日的需求响应主导部分负荷；将预测日的季节性基础负荷和需求响应主导部分负荷叠加，得到公共区域总负荷。9.根据权利要求7所述的电动汽车充电桩负荷预测方法，其特征在于，对规律性强的基础负荷进行小波分解，具体包括：由小波基函数经过平移因子a和伸缩因子b后生成依赖于参数(a，b)的小波序列ψ
a,b
(t)，尺度函数利用小波分析进行分解和重构，小波变换的第j层系数通过滤波器系数获得第j-1层系数的分解式为令则c
j-1
和d
j-1
可以分别看成c
j
的低频信号和细节信号，即低频系数和高频系数；递归应用小波分解算法，则得到信号c
j
的低频信号c
m
以及在不同分辨率下的细节信号d
m
,d
m+1
,d
j-1
，称c
m
，d
m
，d
m+1
，
…
，d
j-1
为c
j
的小波变换；通过双尺度方程对应的滤波器系数{h
n
,n∈z}，{g
n
,n∈z}，使用第j-1层系数重构第j层小波系数为递归应用使用小波重构算法得到小波变换恢复信号；将历史相似日规律性较强的基础负荷进行波形分解，选择合适的小波基函数，对规律性较强的基础负荷进行3层小波变换，提取出低频信息c1和三个高频信息d1,d2,d3，将对高频信息进行信息重构；其中，c1部分为季节性基础负荷部分p
b
(t)，需求响应信号和高频信息重构部分即为需求响应主体部分负荷；根据所述历史日季节性基础负荷建立数学模型；根据所述数学模型对预测日的历史日季节性基础负荷进行预测，获得预测日季节性基础负荷，包括：对所述历史日季节性基础负荷进行时序预测，对观测值序列进行平稳性检测，在数据平稳后则对其进行白噪声检验、模型识别，确定数学模型的模型参数；应用所述数学模型预测并进行误差分析，得到住宅区公共区预测日的季节性基础负荷预测结果；根据所述历史相似日需求响应主导部分负荷进行灰色预测并马尔可夫修正误差的方法包括：
建立相似日需求响应主体部分负荷与相似日需求响应计划、各气象交通因素之间的关系的灰色预测模型，根据相似日的灰色方程，得到预测日多元灰色预测值；针对需求响应主体部分负荷中存在的误差项，对预测日多元灰色预测值进行马尔可夫修正值，得到预测日需求响应主体部分负荷。10.一种电动汽车充电桩负荷预测装置，其特征在于，所述装置包括：获取模块：用于获取电动汽车充电桩所在区域；分区模块：用于依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为不同分区；预测模块：用于分别对不同分区的电动汽车充电桩的负荷进行预测，获得各区域的负荷；叠加各区域负荷，得到总负荷。
技术总结本发明涉及一种计及需求响应的电动汽车充电负荷预测方法及装置，方法包括以下步骤：依据需求侧的激励因素和电动汽车的充电行为，将电动汽车充电桩所在区域划分为住宅区、工作区及公共区；分析预测日特征，提取相应区域的负荷数据、需求响应信号数据及气象、交通数据，对各指标标准化处理，利用灰色关联度选取相似日；在住宅区、工作区的电动汽车主要受价格激励影响，利用支持向量机进行预测；在公共区的电动汽车根据需求响应计划的可预知性，对充电桩负荷在不同层面进行小波分解，得到季节性基础负荷部分和需求响应为主体负荷部分，对分解后的两部分负荷分别利用时间序列模型和灰色马尔可夫模型预测，两部分预测结果叠加得到公共区总负荷。共区总负荷。共区总负荷。
技术研发人员：窦春霞 王慧敏 岳东 张占强 张智俊
受保护的技术使用者：南京邮电大学
技术研发日：2022.01.29
技术公布日：2022/7/5
