![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于图时空神经网络的多充电站负荷协同预测方法.pdf
《基于图时空神经网络的多充电站负荷协同预测方法.pdf》由会员分享,可在线阅读,更多相关《基于图时空神经网络的多充电站负荷协同预测方法.pdf(13页珍藏版)》请在咨信网上搜索。
1、第 13 卷第 5 期2023 年 9 月汽车工程学报Chinese Journal of Automotive EngineeringVol.13No.5Sept.2023基于图时空神经网络的多充电站负荷协同预测方法王 宁,陈 宇,李 波(同济大学 汽车学院,上海 201804)摘要:针对传统充电站负荷预测方法只能实现对单一站点预测的问题,提出一种基于图时空神经网络(Graph Spatiotemporal Neural Network,GSTNN)模型的多充电站负荷协同预测方法。定义时空信息图,描述充电站负荷之间的时空关系;构建时空特征提取网络,分别利用图卷积神经网络和门控序列卷积网络提取
2、信息图的空间和时间维度信息,并使用长短期记忆网络(Long Short Term Memory Networks,LSTM)挖掘影响负荷预测的外部特征信息;融合提取的所有特征,进行负荷预测。算例结果表明,基于GSTNN模型的方法能充分考虑时空特征和外部特征的影响,协同多个充电站的负荷数据进行预测,并同时输出各充电站的预测结果,有效提高预测准确度,有助于电网稳定运行。关键词:新能源汽车;充电站负荷预测;图时空神经网络;长短期记忆网络中图分类号:U469.72文献标志码:ADOI:10.3969/j.issn.20951469.2023.05.16Collaborative Load Predic
3、tion for Multiple Charging Stations Based on Graph Spatiotemporal Neural NetworkWANG Ning,CHEN Yu,LI Bo(School of Automotive Studies,Tongji University,Shanghai 201804,China)Abstract:Addressing the limitation of traditional charging station load prediction methods,which only forecast the load predict
4、ion of a single site,the paper proposes a collaborative forecasting method for multiple charging stations using the Graph Spatiotemporal Neural Network(GSTNN).Firstly,a spatiotemporal infographic is defined to describe the spatiotemporal relationship between charging station loads.Then,a spatiotempo
5、ral feature extraction network is constructed.It utilizes the graph convolutional neural network and the gated sequence convolutional network to extract spatial and temporal dimension information from the infographic.Furthermore,the Long Short-Term Memory Networks(LSTM)are used to mine external feat
6、ure information that affects load prediction.Finally,all the extracted features are fused to predict the load.The results from the test cases show that the method based on the GSTNN model fully considers the influences of spatiotemporal characteristics and external features,cooperates with the load
7、data of multiple charging stations for prediction,and produces results for each station concurrently,thereby effectively impoving prediction accuracy and supporting the stable operation of the power grid.Keywords:new energy vehicles;charging station load prediction;graph spatiotemporal neural networ
8、k;long short-term memory networks收稿日期:20230622改稿日期:20230814基金项目:国网浙江省电力有限公司科技项目(2023FD02):多网融合数据驱动的电动汽车充电安全防护关键技术研究及应用参考文献引用格式:王宁,陈宇,李波.基于图时空神经网络的多充电站负荷协同预测方法 J.汽车工程学报,2023,13(5):760-772.WANG Ning,CHEN Yu,LI Bo.Collaborative Load Prediction for Multiple Charging Stations Based on Graph Spatiotempora
9、l Neural Network J.Chinese Journal of Automotive Engineering,2023,13(5):760-772.(in Chinese)第 5 期王宁 等:基于图时空神经网络的多充电站负荷协同预测方法随着环境恶化问题的日益突出,由于传统煤矿、石油等不可再生能源存在自身资源短缺和污染问题,能源消费正向电动化、清洁化、低碳化、智慧化转型1。电动汽车因高效能、零污染、低排放等优点逐渐受到各国政府的重视2,电动汽车产业高速发展,大规模电动汽车接入电网,造成电网波动性变化,在可靠性、安全性和经济性等方面影响电网运行3-5,对其充电负荷进行预测十分有必要。精
10、准预测有助于促进电动汽车与电网的互动,实现有序充电,进而优化电网负荷运行曲线,保障电网稳定运行,提高充电设施的利用率,减少电动汽车充电给电网带来的负面影响6-7。现有的负荷预测方法可按照时间尺度分为 4类:超短期预测、短期预测、中期预测和长期预测,如图 1所示8-9。不同的时间尺度应用场景有所区别,超短期预测适用于电力系统实时监控,短期预测适用于充电设施的日常运维,中长期预测多用于辅助未来充电基础设施的投资规划和资源配置10。为实现协调电动汽车与电网关系的目的,国内外相关研究以短期为主,从车端和充电站端两方面展开。从车端展开的预测方法多利用统计学方法建立车辆出行和充电模型,采用蒙特卡洛法进行仿
11、真分析11-14。但由于用户行为存在高度的异质性和随机性,此类方法的模型参数设计复杂,模型难以克服长尾效应的影响,会导致最终的车端仿真结果与真实充电行为存在差异15,普适性较差。相比从车端展开的预测方法,从充电站端出发的预测方案通过采集大量充电站有效历史负荷数据,考虑温度、天气状况、节假日、特殊日期、生活习惯、交通状况等因素对充电行为的影响6,利用机器学习类算法直接从数据中探索负荷变化规律16,规避了建模仿真带来的误差影响,预测结果更接近于真实值的变化趋势,方法实用性更强。在电动汽车高速发展的背景下,充电站负荷数据井喷式增长,基于充电站端的方法应用前景广阔,国内外积极展开研究。李恒杰等17考虑
12、电动汽车基础设施需求的特异性和电动汽车配置的差异性,建立能量集成轻量梯度提升框架进行充电站充电负荷预测,能在缩短训练时间和降低计算资源需求的同时实现充电站负荷的超短期预测。龚钢军等18考虑环境、日期类型等影响充电站负荷量的关键因素,改进深度学习中的栈式自编码器,提出栈式自编码器-极限学习机,实现对大量数据的特征提取,对充电负荷进行精准预测。FENG Jiawei等19将基于多变量残差修正的灰色模型和LSTM相结合,建立从影响因素数据到预测的映射,降低电动汽车负荷预测误差,有效提高电动汽车充电站负荷预测的精度。SHEN Xiaodong等20针对充电站数据稀缺问题,提出一种基于生成对抗网络的数据
13、生成方法,在LSTM中添加新型门控机制进行负荷预测,并通过试验证明该方法的有效性。上述方法虽取得了良好的预测效果,但他们的研究只从时间序列角度探索外部因素对于充电负荷的影响,对象均为单个站点,方法泛化能力不足,不能实现对多个站点负荷的协同精准预测。为解决这一难题,诸多学者基于电动汽车充电负荷存在空间与时间的双重动态变化的特点,挖掘各充电站负荷在空间维度上存在的联系,构建预测方法时充分考虑空间维度信息的影响,从而实现对多个站点负荷的协同精准预测。张秀钊等21利用LSTM层和三维卷积层捕获充电桩负荷的空间和时间维度信息,构建时空神经网络同时输出多个时间步的时空动态负荷矩阵,实现对于充电负荷时空二维
14、信息的准确预测。彭丽等22通过二维空洞卷积层学习空间维度信息,并利用二维空洞卷积层的堆叠实现对时间维度信息的学习,成功构建一个能充分考虑空间和时间维度信息的模型。上述文献虽然具有优异的预测效果,但是忽略了外部特征对于模型精度的积极影响,易出现模型鲁棒性不佳的问题。对此,王圣元23意识到外部因素在充电站负荷预测中的当前时刻 1小时1天1年20年超短期预测短期预测中期预测长期预测 图1按时间尺度分类的负荷预测方法761汽车工程学报第 13 卷重要性,构建基于门控图神经网络的负荷时-空预测模型,取得良好的预测结果,但只是将天气特征和日期特征作为图神经网络的输入,未深入挖掘其特征规律。为此,本文提出一
15、种能同时考虑负荷时空因素和外部因素影响,并且能协同多个充电站负荷进行预测的方法,该方法基于GSTNN模型,将充电站看作充电负荷节点,构建每一时刻所有充电站的负荷加权有向图以刻画充电站之间的空间关系,对有向图进行堆叠后输入时空神经网络,进行时空因素特征提取,同时利用LSTM网络提取天气、日期、历史负荷等外部因素的特征,再利用融合网络将特征进行拼接,最终实现同时对多个充电站的精准负荷 预 测。与 随 机 森 林(Random Forest,RF)、LightGBM(Light Gradient Boosting Machine)、XGBoost(eXtreme Gradient Boosting)
16、、多层感知机(Multilayer Perceptron,MLP)、LSTM、不考虑外部因素的图时空神经网络(GSTNN_nf)等模型进行比较,本文提出的考虑外部因素的GSTNN模型能充分考虑影响充电站负荷的因素,实现对多个充电站负荷的协同预测,同时输出各充电站的预测负荷,并具有更高的预测精度。1基于图神经网络的充电站负荷预测1.1图神经网络原理深度学习凭借其特有的深层结构,使模型能具备极强的特征表示和概念抽象能力,避免了传统机器学习方法对特征工程的依赖24,已经在图像处理、机 器 翻 译、自 动 驾 驶 等 多 个 领 域 广 泛 应用25-27,并取得了优异的效果。在上述领域使用的神经网络
17、中,处理的数据节点都有固定的排列规则和顺序,此类数据称为欧式结构数据,如图 2a所示。但实际应用过程中,很多问题的数据节点排列无序,如图2b所示,传统深度学习难以解决此类问题,图神经网络应运而生。图神经网络以具有不规则结构的图数据作为处理对象,可将图定义为G=(V,E),其中V表示节点的集合,E表示边的集合。利用图神经网络解决问题就是把实际问题转换成图中节点之间的连接和消息传播问题,通过交叉传播来获得更加丰富的邻域信息,从而实现节点信息的更新28,更新过程可表示为:Vm=f(vc,ve,va,Vm-1)。(1)式中:Vm为在m层的节点v;f为状态转移函数;vc为v节点的特征;ve为与v节点相连
18、的边的特征;va为v节点邻域的节点特征;Vm-1为在 m-1 层的节点v。为提高图神经网络的性能,现有研究将多种深度学习技术与图神经网络结合,提出了图卷积神经网络、图注意力网络、门控图神经网络等新型模型。1.2充电站时空信息图构造在图神经网络中,节点和边集合的定义是构建和分析图结构的基础,因此,首先利用给定的充电站历史负荷数据和地理位置关系构建加权有向图,(a)欧式数据结构(b)非欧式数据结构图2数据结构示意图762第 5 期王宁 等:基于图时空神经网络的多充电站负荷协同预测方法并添加邻接矩阵进一步描述节点之间的连接关系。定义图为G=(Vt,E,A),其中,Vt为N个充电站节点的集合,对应于交
19、通网络中N个充电站在t时刻的充电负荷值,表示为Vt=v1,t,v2,t,vN,t,vi,t为第i个充电站在时刻t的充电负荷值;E为边的集合;A为邻接矩阵,是一个维度为NN的矩阵。基于有向图的构建,可将充电站负荷预测问题转换为利用包含N个充电站M个时刻历史负荷值的有向图,来预测未来t时间段内整个区域的充电站负荷。形式上可表达为:Vt+t,Vt+1=f(Vt,Vt-M+1;)。(2)式中:为需要学习的参数,包括边集合、邻接矩阵等;Vt+1为预测的t+1时刻所有充电站的负荷预测数据的集合;Vt为t时刻观测到的所有充电站的负荷。1.3邻接矩阵构建邻接矩阵是表示顶点之间相邻关系的矩阵,为了捕捉隐藏的空间
20、相关性,目前许多研究的常用手段是通过定义不同类型的邻接矩阵来映射更深层次的图结构29。由于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30。本研究以充电站之间的路网距离作为基准,使用基于阈值的高斯核31构建邻接矩阵,将路网距离转化为一个反映两个充电站连通性的权重,计算式,如式(3)所示。(i,j)=exp()-dij22,i j&exp()-dij22 0,otherwise。(3)式中:(i,j)为从充电站i到充电站j的边权重;dij为从充电站i到充电站j的路网距离;为距离的标准差;为控制矩阵分布和稀疏性的阈值。2时空负荷预测模型构建2.1模型框架
21、为了解决充电站负荷的预测问题,本文提出一个GSTNN模型,其整体架构如图3所示。GSTNN模型由时空特征提取网络和外部特征提取网络两部分组成。在时空特征提取网络中,将不同充电站同一时刻的负荷特征Vt=v1,t,v2,t,vN,t作为时空卷积模块的输入,利用时间门卷积捕获时间特征,利用空间图卷积捕获空间特征,对两类特征进行叠加后,将结果输入全连接层,实现时空卷积模块的最终输出。在外部特征提取网络中,本文首先提取预测时刻t+1至t+的外部特征,并将其转化为特征矩阵S,然后利用 LSTM 进行特征提取,再利用全连接对结果进行映射和整合。最后,通过融合层将两个模块的最终输出进行融合处理,得到t+1到t
22、+时间段内的预测结果V=Vt+1,Vt+2,Vt+。2.2时空模块为 了 融 合 来 自 空 间 域 和 时 间 域 的 特 征,GSTNN模型构建时空特征提取网络对图结构时间序列进行处理。如图3所示,该时空特征提取网络由多个时空卷积模块和一个全连接模块组成,每个时空卷积模块中空间图形卷积层桥接两个门控序列卷积层,形成一个“三明治”结构。传统卷积神经网络是针对规则网格的标准卷积,难以处理非结构化数据。目前,常使用扩展卷积的空间定义法或谱图卷积法对卷积神经网络数据进行泛化处理。此次基于谱图卷积的原理构建空间图形卷积层,该卷积层能充分考虑网络的连通性和全局性,直接对图结构数据进行处理,提取空间域中
23、的特征,卷积核对图形信号进行过滤的计算式为:(L)x=(UUT)x=U()UTx。(4)式中:x为图形信号;为卷积核;L为归一化图拉普拉斯算子;U为L的特征向量矩阵;为L的特征值对角矩阵。由于采用图傅利叶基进行乘法运算,计算量较大,本文利用切比雪夫多项式逼近来克服这一问题,从而将图卷积改写成:(L)x k=0k-1kTk()Lx。(5)763汽车工程学报第 13 卷式中:L=2Lmax-In为缩放拉普拉斯算子,max为L的最大特征值,In为单位矩阵;Tk(L)是由缩放拉普拉斯算子计算的k阶拉普拉斯多项式。基于卷积神经网络结构简单、训练速度快等特点,本文选用门控序列卷积来对充电站负荷的时间动态行
24、为进行捕捉,其由一维因果卷积和门控线性单元串联组成。一维因果卷积利用卷积核进行特征提取,门控线性单元可以堆叠时间层特征,从而获取更加全面的特征。卷积核与输入V之间的映射关系可以表示为:*V=P(Q)。(6)式中:P、Q分别为GLU中门的输入;为元素级哈达玛积;为sigmoid门。最后经过全连接层对所有输入的图结构数据进行处理,经过线性变换,最终得到n个通道的结果,记为Vn。2.3外部特征模块考虑到季节、天气、时间、历史负荷等外部特征对于充电站负荷的影响,GSTNN模型中还包含一个外部特征提取网络,如图3所示,该网络由一个LSTM和一个全连接网络串联而成。LSTM具有长时记忆功能,能解决长序列训
25、练过程中存在的梯度消失和梯度爆炸问题,适用于处理与时间序列高度相关的特征。由于此次使用的外部因素多与时间序列高度相关,所以选择LSTM进行特征提取,再连接一个全连接层用于特征从低维到高维的映射,最终输出外部分量特征为Ve。2.4融合模块为充分考虑充电负荷历史时空分布以及外部因素对于充电站负荷预测的影响,本文利用一个特征融合层将时空分量的输出Vn与外部分量的输出Ve进行融合,融合过程可表示为:V=tanh(Wr 2Vn+We 2Ve+b)。(7)式中:Wr和We为调节时空分量和外部分量影响程度的可调节参数;2为2模矩阵张量积,对数据进行降维和特征提取,并简化计算和分析;tanh为双曲正切函数,使
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 时空 神经网络 充电站 负荷 协同 预测 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。