王哲, 萬寶,凌天晗,董曉紅,穆云飛,鄧友均,唐舒懿
(1.國網(wǎng)天津市電力公司,天津市 300010;2. 國網(wǎng)天津市電力公司濱海供電分公司,天津市 300450;3.智能電網(wǎng)教育部重點實驗室(天津大學(xué)),天津市 300072)
近年來,隨著電動汽車(electric vehicle, EV)的
發(fā)展,作為智能電網(wǎng)和智能交通網(wǎng)絡(luò)集成[1]關(guān)鍵環(huán)節(jié)的EV及其充電設(shè)施的應(yīng)用和研究正在如火如荼地進行中。其中公交車作為社會公共資源,在該領(lǐng)域的交通電力化方面有較好的推廣和應(yīng)用。目前電動公交車的滲透率較大,且充電頻率和充電量較高,故而其充電負荷對電網(wǎng)運行與調(diào)度產(chǎn)生著不可忽略的影響。因此,電動公交車充電負荷預(yù)測研究具有重要的理論和現(xiàn)實意義[2]。而公交車白天發(fā)車班次較為固定,停留時間較短,因此公交車間歇性和隨機性的充電行為在時間上增加了充電負荷預(yù)測的難度。
傳統(tǒng)的電力負荷預(yù)測方法有回歸分析法、相似日法等[3]。隨著分布式電源和電動汽車等新型負荷類型的大規(guī)模接入,對傳統(tǒng)的負荷預(yù)測方法帶來了極大挑戰(zhàn)。相比于傳統(tǒng)的電力負荷,考慮不同的充電方式、出行規(guī)律、充電效率、充電頻率等特點,EV充電負荷時間上的分布與電力負荷的規(guī)律不同。此外,EV充電負荷受出行路況、天氣、運營狀態(tài)等多因素的影響,在時間上具有較大的隨機性。
近年來,人工智能方法廣泛應(yīng)用于EV充電負荷預(yù)測領(lǐng)域,包括淺層網(wǎng)絡(luò)和深度學(xué)習(xí)算法。但基于淺層網(wǎng)絡(luò)的傳統(tǒng)方法,如人工神經(jīng)網(wǎng)絡(luò)算法和支持向量機(support vector machine, SVM)通常會陷入學(xué)習(xí)速度慢,收斂速度慢等問題[4]。而深度學(xué)習(xí)則具有出色的特征學(xué)習(xí)能力,并且可以用較少的參數(shù)表示復(fù)雜的功能。其中,文獻[5]提出基于長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)的新型深度學(xué)習(xí)方法用于多時間尺度EV充電負荷預(yù)測;文獻[6]提出了基于核主成分分析和非劣排序遺傳算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的EV充電站短期負荷預(yù)測方法;文獻[7]將LSTM網(wǎng)絡(luò)模型應(yīng)用于電動汽車充電負荷的短期負荷預(yù)測中,實驗證明使用LSTM預(yù)測具有精確性和有效性。此外,由于電動公交車發(fā)車的間隔時間較短,其充電負荷具有間歇性和時序特征,而利用LSTM神經(jīng)網(wǎng)絡(luò)模型作為時間循環(huán)神經(jīng)網(wǎng)絡(luò)可以有效解決EV充電的時間尺度問題,提高負荷預(yù)測的準(zhǔn)確性。
另一方面,相比于其他類型電動汽車,如電動出租車和私家車等,電動公交車的工作時間和行駛路線較為穩(wěn)定,但不同線路公交車受電動公交車工作模式、頻率和發(fā)車時間等特征的影響,其行駛規(guī)律差異性較大,導(dǎo)致個體充電負荷差異性較大。而目前電動公交車負荷預(yù)測方法大多對電動公交車群體充電負荷進行預(yù)測[8]。因此,可通過聚類算法將具有相同特性的EV用戶劃分為同一類簇,對不同類簇進行建模分析以考慮個體的差異性,提高總體負荷預(yù)測精度[9]。在負荷聚類時,考慮負荷曲線趨勢性和周期性的相似程度,正確衡量負荷隨時間變化的形態(tài)和輪廓的相似性,才能把握用戶的用電習(xí)慣和特性,從而能夠較好地實現(xiàn)對負荷的聚類[10]。
近年來,針對用戶負荷的聚類分析,已有大量研究。常用聚類算法主要包括K均值(K-means)聚類算法[11]、基于密度含噪聲的空間聚類(density-based spatial clustering of applications with noise,DBSCAN)算法[12]、模糊C均值聚類算法(fuzzy C-means, FCM)[13]和譜聚類算法[14]等。文獻[15]提出了加入凝聚層次聚類的一種改進K-means算法,實現(xiàn)對負荷曲線的聚類分析;文獻[16]針對海量的負荷數(shù)據(jù),利用信息熵分段聚合近似方法對數(shù)據(jù)集進行降維,再應(yīng)用譜聚類算法對負荷曲線進行分類。其中譜聚類在數(shù)據(jù)降維、負荷分類有效性、穩(wěn)定性和降低運算量等方面具有一定優(yōu)勢。但目前聚類方法多數(shù)僅將距離作為曲線相似度的判斷依據(jù)。
為解決以上問題,本文采用基于距離與形態(tài)相似性度量的譜聚類算法,考慮電動公交車個體的差異性,對數(shù)據(jù)進行聚類處理。此外,EV充電負荷作為一種典型的時間序列數(shù)據(jù),具有趨勢性、周期性等時序特征。因此,本文提出一種基于譜聚類和LSTM神經(jīng)網(wǎng)絡(luò)的電動公交車充電負荷預(yù)測方法,以解決以上問題。
本文所提的充電負荷預(yù)測方法框架如圖1所示。電動公交車充電負荷特征與其工作時間和行駛路線等特性密切相關(guān)。因此,在進行簡單的數(shù)據(jù)預(yù)處理與清洗后,首先利用考慮距離與形態(tài)的譜聚類算法進行充電負荷聚類,將用電規(guī)律相似的電動公交車充電負荷聚為一簇;然后對各類電動公交車群體利用LSTM神經(jīng)網(wǎng)絡(luò)進行分組訓(xùn)練并預(yù)測充電負荷;最后,對不同LSTM神經(jīng)網(wǎng)絡(luò)得到的預(yù)測結(jié)果進行累加,得到最終的總充電負荷預(yù)測值。
圖1 充電負荷預(yù)測方法框架Fig.1 Framework of charging load forecasting method
公交車的工作時間和行駛路線有明確規(guī)定,其充電地點一般設(shè)在公交車始發(fā)站[17],因此其充電負荷空間特性較為固定。但由于電動公交車發(fā)車時間間隔較短,不能進行長時間的持續(xù)充電,因此其充電負荷曲線具有間歇型特征,某個電動公交車日負荷曲線如圖2所示。
圖2 電動公交車日負荷曲線Fig.2 Daily load curve of the electric bus
受電動公交車工作模式的影響,不同線路的充電負荷差異性較大。直接按照線路進行分組,就會忽略電動公交車個體每日的實際負荷情況,不能更好地在負荷量和負荷曲線趨勢上區(qū)分日負荷,因此可利用聚類,考慮個體工作特性的差異性。在利用真實數(shù)據(jù)進行聚類之前,需要對原始數(shù)據(jù)進行如下的預(yù)處理和清洗。
負荷曲線主要依據(jù)其形狀和距離特征,因此需要對數(shù)據(jù)進行標(biāo)幺化處理:
(1)
式中:xi(t)為充電負荷曲線i在時段t的實際負荷值;x′i(t)為相應(yīng)的標(biāo)幺化值;xi,max、xi,min分別為充電負荷曲線i中的最大、最小負荷值。
負荷曲線經(jīng)標(biāo)幺化,形成負荷矩陣X,如下式所示:
(2)
式中:n為負荷曲線個數(shù);T為一日內(nèi)的數(shù)據(jù)維數(shù),即時段數(shù);x′nT是第n條負荷曲線的第T時段數(shù)據(jù)。
在采集電動公交車的充電數(shù)據(jù)時,由于數(shù)據(jù)丟失、通信錯誤或者用戶操作不當(dāng)?shù)仍?,會造成?shù)據(jù)異常[18]。這些數(shù)據(jù)會影響聚類算法的效果,從而影響預(yù)測模型的預(yù)測精度,因此需要進行數(shù)據(jù)清洗。
譜聚類算法是一種基于譜圖理論的聚類方法。它構(gòu)建基于相似度的無向加權(quán)圖,從而將聚類問題轉(zhuǎn)化為圖分區(qū)問題。該算法是通過將以上進行過預(yù)處理和清洗后的每個數(shù)據(jù),設(shè)置為圖形的頂點,將頂點之間的相似性量化設(shè)置為相應(yīng)連接的權(quán)重[19]。其中,圖論的最佳準(zhǔn)則是最大化子圖內(nèi)部的相似度,并最小化子圖間的相似度,從而利用圖論的最佳準(zhǔn)則來劃分圖的區(qū)域。本文考慮距離與形態(tài)的相似性度量,計算負荷曲線的相似度,并利用譜聚類算法實現(xiàn)負荷曲線的分類。
基于曲線距離的相似性度量用于衡量個體在空間上存在的距離,距離越遠說明個體間的差異越大。本文選取歐氏距離作為曲線距離的相似性度量,歐氏距離衡量的是多維空間中各個點之間的絕對距離。負荷曲線i與j之間的距離計算公式如下:
(3)
式中:dij為日充電負荷曲線i與j之間的歐式距離。
利用歐氏距離,構(gòu)建基于曲線距離的相似度矩陣D,如式(4)所示:
(4)
式中:d11,d22,…,dnn均為0。
負荷曲線的形態(tài)特性更能反映出負荷時間序列的形態(tài)或者輪廓的相似性[20]。其中灰色關(guān)聯(lián)分析法是根據(jù)因素之間發(fā)展趨勢的相似或相異程度,來衡量因素間的關(guān)聯(lián)程度,它能反映出曲線間幾何形狀的差別程度,度量曲線形態(tài)特征。本文選取灰色關(guān)聯(lián)分析法作為度量曲線形態(tài)相似性的方法。負荷曲線i與j間的關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度如下:
(5)
(6)
式中:ξij(t)為負荷曲線i與j在時段t的關(guān)聯(lián)系數(shù);ρ∈(0,1)為分辨系數(shù);γij為負荷曲線i與j之間的關(guān)聯(lián)度。本文選取關(guān)聯(lián)度作為曲線形態(tài)特性的相似性度量。
利用關(guān)聯(lián)度,構(gòu)建基于形態(tài)特性的曲線相似度矩陣Y,如下所示:
(7)
本文基于曲線距離與形態(tài)特性的相似性度量,計算負荷曲線的相似度矩陣W,如下所示:
(8)
式中:α、β分別為相似度矩陣D、Y的權(quán)重系數(shù)。
步驟1:輸入聚類所需的n×T維矩陣X,權(quán)重系數(shù)α=α0,權(quán)重系數(shù)β=β0和聚類數(shù)K=K0;
步驟2:計算基于曲線距離與形態(tài)特性的相似度矩陣D、Y。根據(jù)式(8)可確定相似度矩陣W,且矩陣W是n×n對稱矩陣,如下所示:
(9)
式中:w11,w22,…,wnn均0。
構(gòu)造度矩陣S如下:
(10)
度矩陣S中元素si,可由式(11)求得:
(11)
步驟3:構(gòu)造如下拉普拉斯矩陣L
L=S-W
(12)
步驟4:根據(jù)式(13),計算標(biāo)準(zhǔn)化后的拉普拉斯矩陣L′:
(13)
步驟5:取前K個最小特征值,計算特征向量;利用以上K個特征向量,組成新的矩陣Vn×K,構(gòu)成特征向量空間;
步驟6:利用K-means聚類算法對特征向量空間Vn×K進行聚類,對應(yīng)于原始數(shù)據(jù)的聚類,得到K簇的劃分:
Bk={r1,r2, …,ru}
(14)
式中:Bk為第k簇的負荷曲線編號集合;ru為第u條負荷曲線;u為該簇中負荷曲線的個數(shù)。
步驟7:判斷是否滿足終止條件:若滿足,則執(zhí)行步驟8;若不滿足,執(zhí)行α=α+τ,β=1-α,τ為固定步長。重復(fù)步驟4~7,直到滿足終止條件,并記錄下聚類數(shù)、相應(yīng)的輪廓系數(shù)(silhouette coefficient, SC)指數(shù)、戴維森堡丁指數(shù)(Davies-Bouldin index, DBI)和每簇的負荷曲線。其中,SC指數(shù)結(jié)合內(nèi)聚度和分離度兩種因素評價聚類效果。SC指數(shù)越接近邊界值表示聚類效果越好。DBI表示類內(nèi)距離平均值之和與類間距離之比的最大值,其值越小表示不同類相離越遠,聚類效果越好。終止條件如下:
1)α=1;
2)相鄰兩次SC或DBI變化小于閾值;
步驟8:執(zhí)行K=K+1,判斷聚類數(shù)K是否小于預(yù)設(shè)的最大值Kmax;若小于,則重復(fù)步驟5~8,直到K=Kmax。并從中選擇SC或DBI指數(shù)最優(yōu)對應(yīng)的聚類數(shù)K,從而確定將負荷分成幾簇以及每簇的負荷曲線。
EV充電負荷的大小會隨著用電時間有明顯的變化,屬于時序性很強的數(shù)據(jù)。其中循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)是處理時間序列強大而有用的工具[21],但RNN對長期依賴信息的學(xué)習(xí)能力不足,會出現(xiàn)梯度消失等問題。而本文選用的LSTM神經(jīng)網(wǎng)絡(luò)可以有效解決RNN網(wǎng)絡(luò)梯度消失和梯度爆炸等問題。電動公交車日負荷曲線經(jīng)過上述的數(shù)據(jù)處理及譜聚類后,根據(jù)得到的不同聚類群體,將不同簇分別采用LSTM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,得到適用于每個群體的網(wǎng)絡(luò)結(jié)構(gòu),從而實現(xiàn)較為精準(zhǔn)的充電負荷預(yù)測。
進行LSTM網(wǎng)絡(luò)訓(xùn)練前,需要確定LSTM網(wǎng)絡(luò)輸入特征。輸入特征主要為影響預(yù)測點充電負荷大小的因素,包括社會因素(如日期、星期、工作日或節(jié)假日等)及天氣因素(如溫度、濕度、降雨量等)[22]。處于不同環(huán)境時,EV充放電效果和續(xù)航能力都不同,負荷需求量差異較大,如在較低溫度開啟空調(diào)后,同一輛公交車的充電量將會增加??紤]電動公交車的負荷特性,本文選取以下影響因素作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入,其中歷史負荷是將該簇內(nèi)的實際充電負荷按照相應(yīng)日期和相應(yīng)時刻點累加,作為該簇的歷史負荷值:
1)負荷點所屬日期DATE;
2)負荷點所屬時段t;
3)共T個時段數(shù);
4)負荷點所屬星期類別e;
5)負荷點的溫度Temp;
6)負荷點的降雨量Prci;
7)預(yù)測點前一時段t-1的歷史負荷。
上節(jié)所述的譜聚類算法主要是通過分析日負荷曲線特征進行分組,然后將具有相同相似性的曲線劃分為一類,就是為每一條日負荷曲線打好標(biāo)簽(如1,2,……,13)。得到每類標(biāo)簽后,將相同類別的日負荷曲線中每日的每時刻數(shù)據(jù)累加,就能得到該簇的總負荷數(shù)據(jù),并可通過標(biāo)簽找到該日對應(yīng)的日期和星期,從而找到對應(yīng)的天氣數(shù)據(jù)。然后,按照一定比例pr將該簇的歷史負荷劃分為訓(xùn)練集與測試集。訓(xùn)練集用于訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò),調(diào)整選取最優(yōu)網(wǎng)絡(luò)參數(shù),測試集用于測試最終的網(wǎng)絡(luò)性能。將該簇的總?cè)肇摵蓴?shù)據(jù)、日期、時間、星期類別與相應(yīng)的天氣數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。通過訓(xùn)練LSTM網(wǎng)絡(luò)結(jié)構(gòu),每個簇對應(yīng)一種LSTM結(jié)構(gòu),其輸出為預(yù)測的該簇電動公交車的充電負荷。最后將每簇的預(yù)測結(jié)果,直接相加就可得到預(yù)測的電動公交車總?cè)后w的充電負荷。其中,LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)如圖3所示。圖中,xt和ht分別是輸入值與中間狀態(tài);xt-1,xt+1,ht-1和ht+1分別是t-1時刻和t+1時刻的輸入值與t-1時刻與t+1時刻的中間狀態(tài);σ為sigmoid函數(shù),tanh為雙曲正切函數(shù),A1,A2分別表示上一、下一時刻的門。
圖3 LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)Fig.3 Structure of LSTM network unit
LSTM通過利用“門”來控制丟棄或者增加信息,從而實現(xiàn)遺忘或記憶的功能,以避免RNN長期依賴的問題[23]。一個LSTM單元有3個這樣的門,分別是遺忘門、輸入門、輸出門,計算公式如(15)—(20)所示:
ft=σ(Wf[ht-1,xt]+bf)
(15)
it=σ(Wi[ht-1,xt]+bi)
(16)
(17)
(18)
Ot=σ(Wo[ht-1,xt]+bo)
(19)
ht=Ot⊙φ(St)
(20)
每個門由一個σ神經(jīng)網(wǎng)絡(luò)層和一個乘法運算組成。σ函數(shù)的輸出在0和1之間,指示輸入數(shù)據(jù)信息的保持程度。0表示完全屏蔽,1表示完全通過。因此,通過將每個矢量相加并相乘,最終實現(xiàn)了充電負荷的輸出。
本文在評價LSTM預(yù)測模型時,選擇平均絕對百分誤差(mean absolute percentage error,MAPE),平均絕對誤差(mean absolute error,MAE)以及均方根誤差(root mean square error,RMSE)來描述預(yù)測效果,計算公式分別如下:
(21)
(22)
(23)
本文采用某市2019年12月份全天所有電動公交車充電數(shù)據(jù)作為測試數(shù)據(jù),具體包含103個電動公交車編號,及其每次充電的交易電量,充電開始時間和充電結(jié)束時間。2019年12月份全天的天氣數(shù)據(jù)可由中國氣象數(shù)據(jù)網(wǎng)獲得[24],并作為電動公交車充電負荷的影響因素加以考慮。按30 min間隔統(tǒng)計充電負荷,并假設(shè)一日內(nèi)氣象數(shù)據(jù)不變。
本文利用的是31天的充電負荷數(shù)據(jù),即DATE∈{1,2,…,31};一天內(nèi)的數(shù)據(jù)個數(shù),即t∈{1,2,…,48};一周內(nèi)有7種星期類型,即e∈{1,2,…,7}。
本文選取103輛電動公交車31天日充電負荷數(shù)據(jù),利用第2節(jié)所提的譜聚類對3 193組數(shù)據(jù)進行聚類分析,取ρ=0.5,初始權(quán)重系數(shù)α和β分別為0.05和0.95,固定步長τ為0.05。SC指數(shù)和DBI指數(shù)隨聚類數(shù)K變化趨勢如圖4所示。由圖4可以看出,當(dāng)K=13時SC指數(shù)和DBI指數(shù)都達到最優(yōu)取值。此時,權(quán)重系數(shù)α和β分別為0.95和0.05。因此,最后聚類數(shù)選定為13,每類的中心線如圖5所示。
圖4 SC指數(shù)和DBI指數(shù)隨聚類數(shù)K的變化趨勢Fig.4 Change of SC and DBI indices with the amount of the amount K of the clusters
圖5 聚類中心線Fig.5 Cluster center line
由圖5可以看出,不同線路的電動公交車日充電負荷曲線存在明顯的差異。主要是由于公交車的工作性質(zhì),白天需要按點發(fā)車,沒有大量時間集中充電,因此只能利用早中午、晚上休息時間以及到達始發(fā)站的停車時間進行充電。而不同線路的公交車發(fā)車班次數(shù),行駛里程都不一樣,從而充電負荷曲線具有不同的特征。其中類2與類9的充電大量集中在早晚時段,同時類9在中午也進行充電;類5與類12存在明顯的用電尖峰,但充電時間與頻率有所不同;類13集中在晚上充電,白天充電負荷較少;其余各類在白天到達始發(fā)站及中晚休息時間均有充電,但充電負荷大小和班次停靠時間的不同,負荷也不相同,波動性較強。
通過第2部分的聚類分析,得到13簇充電負荷曲線分類,每簇中既包含不同線路車輛也包含不同日期的充電負荷曲線。將每簇中充電負荷真實值按照日期和時刻進行累加,以作為每個LSTM網(wǎng)絡(luò)的輸入,進行負荷訓(xùn)練與預(yù)測。對每類數(shù)據(jù)按照8∶2劃分訓(xùn)練集與測試集。
實驗在Windows系統(tǒng)下利用TensorFlow開發(fā)完成。LSTM神經(jīng)網(wǎng)絡(luò)使用Keras Python包對時間序列預(yù)測。在建立LSTM網(wǎng)絡(luò)結(jié)構(gòu)后,通過觀測訓(xùn)練時的損失值來衡量模型訓(xùn)練的效果。當(dāng)所設(shè)參數(shù)能使每一類訓(xùn)練損失值達到收斂且趨于穩(wěn)定,則為該類最佳參數(shù),得到各類別LSTM網(wǎng)絡(luò)預(yù)測性能如表1所示。由表1可知,由于各類群體自身特征不同,預(yù)測性能也各不相同。將各類預(yù)測日結(jié)果累加,可得到最終總?cè)肇摵深A(yù)測結(jié)果。13類數(shù)據(jù)均達到最佳預(yù)測效果,每類損失值均能收斂且達到穩(wěn)定。
表1 每類的LSTM結(jié)構(gòu)參數(shù)與預(yù)測性能Table 1 Structural parameters and forecasting performance of LSTM networks for each cluster
訓(xùn)練時,類1和類2的訓(xùn)練和預(yù)測數(shù)據(jù)分別如圖6和圖7所示,可以看出不同類的EV充電負荷具有明顯差異,但類間的日負荷分布規(guī)律較為一致,且預(yù)測精度較高。圖8為類1和類2訓(xùn)練時隨著訓(xùn)練次數(shù)增加的損失值變化,由圖可知,模型訓(xùn)練能穩(wěn)定收斂,有較好的預(yù)測效果。
圖6 類1訓(xùn)練和預(yù)測值Fig.6 Training and predictive values of Class 1
圖8 類1和類2訓(xùn)練時的損失值變化Fig.8 Changes in loss value during the training for Class 1 and Class 2
為驗證所提方法的有效性,分別將本文方法與Kmeans-LSTM網(wǎng)絡(luò)的預(yù)測方法和單一LSTM網(wǎng)絡(luò)的預(yù)測方法做對比,結(jié)果如圖9所示(12月26日至28日)。其中,單一LSTM網(wǎng)絡(luò)的預(yù)測方法是將所有電動公交車按相同日期累加得到日總負荷,再進行LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練。
由圖9可以看出,在負荷值預(yù)測上,雖然單一LSTM網(wǎng)絡(luò)的預(yù)測方法結(jié)果比其他方法的預(yù)測結(jié)果在數(shù)值上比較準(zhǔn)確,但預(yù)測值在時間上明顯滯后,而本文所提方法的預(yù)測值在時間上能更好地跟蹤真實值。Kmeans-LSTM網(wǎng)絡(luò)預(yù)測結(jié)果則在負荷值與增減趨勢上都存在較多誤差,但預(yù)測結(jié)果準(zhǔn)確度MAPE比單LSTM網(wǎng)絡(luò)預(yù)測方法有所提升,如表2所示。從中可以看出,相比于其他預(yù)測方法,本文提出的方法準(zhǔn)確度較高,預(yù)測結(jié)果的MAPE在11%以下。
圖9 負荷預(yù)測模型對比Fig.9 Comparison of load forecasting model
表2 預(yù)測模型MAPE誤差對比Table 2 MAPE error comparison of the prediction model
本文通過分析電動公交車的充電負荷特性,結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)在時間序列上有較好的處理能力,提出了基于譜聚類和LSTM神經(jīng)網(wǎng)絡(luò)的電動公交車充電負荷預(yù)測方法。首先通過對數(shù)據(jù)進行簡單的預(yù)處理和清洗工作,分析電動公交車日負荷曲線特征,利用譜聚類算法對電動公交車日負荷曲線進行聚類;然后針對每簇群體的充電負荷數(shù)據(jù),利用其相應(yīng)數(shù)據(jù)訓(xùn)練LSTM網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),并預(yù)測該類負荷;通過將所有LSTM預(yù)測結(jié)果求和得到總?cè)后w的充電負荷預(yù)測值;最后利用某市電動公交車數(shù)據(jù),通過與其他方法進行比較,驗證了所提方法的有效性。