新增功能:点击文字底部左下角“阅读原文”可在手机端查看论文全文,登录官网www.pcsee.org可免费下载论文。
基于多相关日场景生成的电动汽车充电负荷区间预测
黄南天,刘德宝,蔡国伟,潘霄,张良
(东北电力大学)
DOI:10.13334/j.0258-8013.pcsee.201906
随着电动汽车(electric vehicle,EV)渗透率的不断增加,其强随机性的充电负荷对配电网的稳定运行产生了较大影响。从现有研究成果看,确定性预测结果难以反应EV充电负荷的强随机性与不确定性对配电网带来的风险;而区间预测结果更能够反映EV充电负荷的强随机性。同时,基于模型驱动的EV充电负荷方法建模时涉及变量较多,且模型中存在较多假设条件,使得EV充电行为的分析偏于主观。相较于基于模型驱动的EV充电负荷预测方法,基于数据驱动的预测方法能够综合利用EV历史充电数据,简化EV充电负荷预测模型,不需假设大量模型参数等优点。但是,现有深度学习方法在预测环节较少考虑EV历史日充电行为与待预测日充电行为间的相关性,预测效果有待提升。因此需要一种有效的预测方法来减少日益增长的强不确定性EV充电负荷对配电网安全运行的影响。
EV充电负荷时序随机性强,随着EV渗透率的不断增加,其强随机性的充电负荷对配电网的稳定运行产生了较大影响。为提高配电网运行可靠性与经济性,考虑到待预测日充电负荷受相关历史日充电行为影响,提出一种基于多相关日场景生成的EV充电负荷区间预测方法。新方法获得的EV充电负荷区间预测结果能够准确覆盖具有强波动性的EV充电负荷;预测区间越限值小,有利于配电网的安全与经济运行。
(1)EV充电负荷多相关日场景集构建
电动汽车(electric vehicle,EV)充电负荷时序随机性强,待预测日充电负荷受相关历史日充电行为影响。采用斯皮尔曼等级(spearman rank,SR)相关系数理论分析待预测日与历史日EV充电负荷之间相关性,如图1所示。
图1 待预测日d与历史日d-i的SR相关系数
当代表极强相关。对于待预测日而言,其极强相关历史日分别为它的前1天、前2天、前6天、前7天与前8天。因此,新方法依据相关性按时间顺序构建包含待预测日及其5个极强相关历史日的多相关日充电场景(MCDCS)。
(2)基于b-VAE的EV充电场景生成
b-VAE假设数据是基于互相独立的因素生成的,得到EV充电负荷数据的简洁抽象表示,提取多日间具有极强相关性的充电负荷的关键特征并生成具有日间相关性的海量场景。
b-VAE的场景生成流程如图2所示:
图2 b-VAE场景生成流程
(3)基于相关场景筛选的EV充电负荷区间预测
MCDCS含6天EV充电负荷数据,其中,含待预测日充电负荷1天和历史日充电负荷5天,按照时间的先后顺序构成MCDCS,MCDCS中最后一日数据为待预测日EV充电负荷。基于相关性分析理论,以待预测日的5个极强相关的已知历史日充电负荷为基础,在生成多相关日充电场景集(GMCDCSS)中筛选与已知极强相关多历史日充电负荷的相关性最高的若干场景,组成相关场景集(RSS)。由RSS中各场景最后一日数据得到EV充电负荷区间预测与确定性预测结果。由于GMCDCSS与原始多相关日充电场景集(OMCDCSS)待预测日的充电负荷时序分布间存在差异性,故RSS理论上覆盖潜在未知充电场景的能力强,有利于区间预测结果的高覆盖率。
(4)区间预测流程
图3 区间预测流程图
采用区间预测效果较好的高斯过程回归(gaussian process regression,GPR)开展对比实验。
(1)预测区间越限值分析
若EV充电负荷实际值超出预测区间的数值过大将严重影响配电网运行可靠性。定义分别为t时刻实际充电负荷超出预测区间上、下限功率值,本文方法与GPR不同时刻的预测区间越限情况如图4所示:
图4 各时刻预测区间越限值
观察可知,新方法与GPR方法相比,预测区间越限值与x轴的包络面积更小,从潜在的预测区间越限值电量角度验证了新方法优于GPR方法。
(2)不同季节日内区间预测效果分析
在春夏秋冬四季各随机选取一天,对比分析两种方法不同季节预测效果,如图5所示。
图5 各季节EV充电负荷预测结果
EV充电负荷发生剧烈变化时,由GPR方法获得的预测区间无法有效跟踪充电负荷变化,导致充电负荷预测区间无法覆盖住实际值,如图5中各虚线框内区域所示。分析这四天的区间预测指标可知,新方法的PICP更高,反映真实EV充电负荷变化的能力更强;新方法PINAW更小,有助于提高配电网运行经济性;通过分析各预测日的MAPE指标,无法直接体现两种方法的优劣性,但从四天预测日的MAPE均值分析,新方法为14.9%,GPR方法为17.1%,新方法确定性预测结果精确度更高。
1)构建能够反映EV用户充电行为的原始多相关日充电场景集,由此描述EV的极强相关历史日充电行为对待预测日充电负荷的影响;
2)设计基于b-VAE的EV充电负荷场景生成模型,生成与原始多相关日充电场景集的概率分布相似而时序分布存在差异的多相关日充电场景集,既保留原始多相关日充电场景集的概率分布特性,同时能刻画潜在未知充电场景;
3)基于加权SR相关系数,在生成多相关日充电场景集中筛选相关场景集,由相关场景集的最后一日数据可求得EV充电负荷区间预测与确定性预测结果,获得覆盖率高、宽度窄的预测区间及精确的确定性预测结果;
实验表明,新方法的预测指标更优,预测区间能够准确覆盖具有强波动性的EV充电负荷;预测区间越限值更小,有利于配电网的安全与经济运行。
引文信息
黄南天,刘德宝,蔡国伟,等.基于多相关日场景生成的电动汽车充电负荷区间预测[J].中国电机工程学报,2021,41(23):7980-7990.
HUANG Nantian,LIU Debao,CAI Guowei,et al.Interval Prediction of Electric Vehicle Charging Load Based on Scene Generation With Multiple Correlation Days[J].Proceedings of the CSEE,2021,41(23):7980-7990(in Chinese).
黄南天(1980),男,博士,教授。研究方向为电力设备状态监控、含高比例可再生能源电力系统运行控制与规划等。近年来,第一作者发表三类高水平论文(T1类)12篇,获吉林省科技进步一等奖1项、授权发明专利9项,主持国家自然科学基金、吉林省重点研发计划等纵向科技项目6项。
刘德宝(1996),男,硕士研究生,研究方向为电动汽车充电负荷预测。
蔡国伟(1968),男,博士,教授,博士生导师,东北电力大学校长、国家百千万人才工程人选、国务院政府特殊津贴获得者。主持国家自然科学基金项目4项,承担国家重点研发计划项目课题1项,获得国家科技进步奖2项,吉林省科技进步一等奖2项,省部级科研奖励6项。授权发明专利30余项,发表SCI/EI期刊论文100余篇。研究方向为含新能源并网的电力系统稳定与控制。
潘 霄,(1981)男,博士,教授级高级工程师,辽宁省百千万人才工程人选,IEEE PES综合能源系统技术委员会常务理事,辽宁省能源发展研究中心首席专家,辽宁省能源与电力规划实验室主任。组织完成国家电网公司重大科研项目5项、起草《辽宁省十三五、十四五能源、电力规划》,承担辽宁省“十三五”、“十四五”规划重大科研课题7项、辽宁电力能源、电力研究课题及科技项目19项,获得辽宁省科技进步二等奖2项,国家电网科技进步奖1项、国家电网软科学成果奖1项,独著《能源电力规划工程原理与应用》、《清洁能源工程原理与应用》(清华大学出版社)等6部学术著作,发表核心期刊论文23篇、授权发明专利7项。研究方向为能源战略、能源电力规划。
张良(1985),男,博士,博士后,副教授。研究方向为V2G技术、电动汽车与电网耦合互动、充换电基础设施联合规划、多能源微电网规划与控制等。近年来,第一作者发表SCI/EI论文20余篇,授权发明专利5项,主持国家自然科学基金、吉林省科技厅国际科技合作项目等纵向科技项目5项。
责任编辑:乔宝榆
审核:朱腾翌
声明
本文为原创作品,所涉文字及图片版权均属中国电机工程学报编辑部所有,根据国家版权局最新规定,纸媒、网站、微博、微信公众号转载、摘编我编辑部的作品,务必请提前联系我编辑部。个人请按本微信原文转发、分享
↓↓↓ 点击“阅读原文”可查看原文