彭 麗，楊京渝，蔣天香，李佳亮，曹 健，林之怡

(湖南城市學(xué)院 智慧城市能源感知與邊緣計算湖南省重點實驗室，湖南 益陽 413000)

我國明確提出的“碳達(dá)峰、碳中和”戰(zhàn)略目標(biāo)，為推動先進環(huán)保、先進儲能等綠色低碳新技術(shù)的不斷成熟，打造綠色低碳領(lǐng)域的競爭優(yōu)勢提供了新空間[1-2].電動汽車因能從源頭上解決環(huán)境污染、緩解不可再生能源的短缺、減少CO2排放等問題，獲得了廣泛關(guān)注和積極推廣[3-4].然而，大規(guī)模的電動汽車接入和無序充電給城市電網(wǎng)帶來的沖擊也與日俱增，影響了電力系統(tǒng)的安全穩(wěn)定運行[5].因此，提高電動汽車充電樁負(fù)荷預(yù)測的精度，可以更好地指導(dǎo)電網(wǎng)運行、調(diào)度等工作，有效消除電動汽車充電給電網(wǎng)帶來的負(fù)面影響，具有重要的理論與實際意義.

目前，國內(nèi)外學(xué)者已在電動汽車充電站負(fù)荷預(yù)測上做了較多相關(guān)研究.電動汽車充電站負(fù)荷預(yù)測手段主要可分為模型驅(qū)動方法和數(shù)據(jù)驅(qū)動方法2 大類[6].模型驅(qū)動方法是通過建立數(shù)學(xué)模型來模擬電動汽車充電的時空分布特性，如文獻[7]提出了一種新型的Sigmoid 云模型，該模型能更準(zhǔn)確地描述電動汽車用戶收益與響應(yīng)行為之間的不確定關(guān)系，預(yù)測信息更為全面；文獻[8]提出了充電負(fù)荷時空分布的模擬方法，創(chuàng)建了充電站吸引力模型，提出了交通耗時指數(shù)概念，實現(xiàn)了充電站負(fù)荷時空分布的模擬.模型驅(qū)動方法雖然具有較好的可解釋性和通用性，但數(shù)學(xué)模型的創(chuàng)建往往太過復(fù)雜，難以保證預(yù)測精度.

數(shù)據(jù)驅(qū)動方法基于充電站實際歷史數(shù)據(jù)，采用統(tǒng)計學(xué)習(xí)法建立預(yù)測模型，相比于模型驅(qū)動方法，其預(yù)測結(jié)果更接近于真實值的變化趨勢.傳統(tǒng)的充電站負(fù)荷預(yù)測方法有相似日法、回歸分析法等[9-10].隨著人工智能的發(fā)展，BP 神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)、支持向量機(support vector machine，SVM)、長短時記憶神經(jīng)網(wǎng)絡(luò)(long short term memory，LSTM)、卷積神經(jīng)網(wǎng)絡(luò)(convolution neural networks，CNN)等現(xiàn)代預(yù)測方法均取得了較好的建模預(yù)測效果[11-13].文獻[14]提出了采用支持向量機的電動汽車充電站短期負(fù)荷預(yù)測方法；文獻[15]研究了數(shù)據(jù)新鮮度和交叉熵相結(jié)合的組合預(yù)測方法；文獻[16]采用經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)對原始充電負(fù)荷進行分解，經(jīng)模糊熵計算各分量的復(fù)雜度后得到一系列子序列，再通過LSTM 和回歸支持向量機(support vector regression，SVR)分別對高頻和中低頻分量進行預(yù)測.但以上研究大多只考慮時間維度上的預(yù)測，重點關(guān)注時間維度信息的挖掘，忽略了復(fù)雜的空間維度信息潛在的影響，因此限制了模型的預(yù)測精度.

為了更好地進行電動汽車充電負(fù)荷時空動態(tài)預(yù)測，提高其預(yù)測精度，本文提出了一種基于DCC-2D 的電動汽車充電站時空動態(tài)負(fù)荷預(yù)測方法.首先，為了使模型能夠?qū)W習(xí)到空間維度信息，通過向三維卷積添加空洞因子構(gòu)建二維空洞卷積層；其次，將二維空洞卷積層堆疊以構(gòu)成整個二維卷積神經(jīng)網(wǎng)絡(luò)，使得模型可以學(xué)習(xí)到時間維度信息；最后，以某市充電站負(fù)荷數(shù)據(jù)為例，實驗驗證所提模型的正確性和優(yōu)越性.

1 時空卷積神經(jīng)網(wǎng)絡(luò)模型

1.1 一維空洞因果卷積

單純的因果卷積對時間的建模長度受限于卷積核的大小，為了捕獲長期的依賴關(guān)系，需線性地堆疊較多的層數(shù).為了盡量減少堆疊層數(shù)，可采用堆疊空洞卷積層的結(jié)構(gòu).該結(jié)構(gòu)輸出層的特征映射如式(2)所示.

圖1 一維空洞卷積神經(jīng)網(wǎng)絡(luò)示例

1.2 三維卷積

二維卷積只能捕捉到空間維度的信息.式(3)表示二維卷積神經(jīng)網(wǎng)絡(luò)第i層中第j卷積核(x,y)的卷積結(jié)果.

2 基于DCC-2D 的充電站負(fù)荷預(yù)測模型

2.1 基于DCC-2D 的充電負(fù)荷預(yù)測流程

一維空洞因果卷積神經(jīng)網(wǎng)絡(luò)是主要考慮時間維度信息的預(yù)測方法，而電動車充電站負(fù)荷具有時空動態(tài)特性，一維空洞卷積無法滿足其預(yù)測精度要求.因此，將一維空洞卷積的一維卷積替換為三維卷積，構(gòu)建二維空洞因果卷積神經(jīng)網(wǎng)絡(luò).其卷積過程如式(5)所示，感受野的大小r如式(6)所示，其中R表示三維卷積核中第一維的大小.

所提模型的整個預(yù)測流程如圖2 所示.

圖2 模型預(yù)測流程

1)根據(jù)充電站位置建立充電站的平面分布圖，完成充電負(fù)荷時空維度的刻畫.

2)根據(jù)充電站歷史負(fù)荷數(shù)據(jù)，按時間順序?qū)⒏髡军c在平面分布圖上畫成熱量圖.

3)對熱量圖的數(shù)據(jù)進行歸一化處理.

4)將數(shù)據(jù)輸入預(yù)測模型進行訓(xùn)練，再根據(jù)預(yù)測結(jié)果的好壞調(diào)整預(yù)測模型的超參數(shù)，直至模型訓(xùn)練達(dá)到理想的效果.

5)將所得數(shù)據(jù)進行反歸一化處理，得到最后的預(yù)測結(jié)果.

2.2 評價指標(biāo)

充電站充電負(fù)荷預(yù)測的評價指標(biāo)包括：1)可決系數(shù)R2(R-squared)

3 算例仿真分析

3.1 仿真參數(shù)設(shè)置

為了驗證所提預(yù)測方法的正確性和優(yōu)越性，本文將STN 預(yù)測模型與所提模型進行了對比.實驗選取我國某城市10 個充電站的實際充電負(fù)荷數(shù)據(jù)進行仿真.數(shù)據(jù)采樣頻率為1 條/h，將過去300 h 的充電負(fù)荷數(shù)據(jù)作為訓(xùn)練集，滾動預(yù)測未來24 h 的充電站負(fù)荷.實驗選擇在TensorFlow 平臺上進行，其硬件環(huán)境為：CPU，i7-7000；GPU，1050Ti 4 G；內(nèi)存，16 G.

3.2 預(yù)測結(jié)果與分析

分別采用DCC-2D 和STN 2 種預(yù)測模型對充電站未來24 h 的充電負(fù)荷進行了預(yù)測，其結(jié)果如圖3 所示.

圖3 各模型預(yù)測結(jié)果對比

由圖3 可以看出，DCC-2D 模型的預(yù)測結(jié)果更加貼近真實值變化趨勢，相比STN 模型有較明顯的優(yōu)勢.

表1 給出了DCC-2D 和STN 2 個預(yù)測模型在3 次實驗中的eMAE、eMSE和R2評價指標(biāo)數(shù)據(jù)及其對應(yīng)的平均值.

表1 預(yù)測結(jié)果誤差評價指標(biāo)

由表1 可知，DCC-2D 預(yù)測模型的eMAE和eMSE平均值比STN 預(yù)測模型分別下降了0.25 kW 和1.89 kW2，其降幅分別為17.36%和20.32%；DCC-2D 的R2平均值比STN 提升了0.07%.由此可知，DCC-2D 模型比STN 模型具有更高的預(yù)測準(zhǔn)確率.這說明本文所提方法能夠提高電動汽車充電負(fù)荷的預(yù)測精度.

4 結(jié)論

為提高充電站時空動態(tài)充電負(fù)荷的預(yù)測精度，本文提出了一種基于DCC-2D 的電動汽車充電站時空動態(tài)負(fù)荷預(yù)測方法，并通過算例仿真對比驗證了所提模型的正確性和優(yōu)越性.

研究結(jié)果表明，所提預(yù)測模型不僅可以學(xué)習(xí)空間維度信息，還能夠?qū)W習(xí)時間維度信息.相比于STN 預(yù)測模型，其在eMAE和eMSE評價指標(biāo)上分別下降了17.36%和20.32%，在一定程度上提高了充電站充電負(fù)荷的預(yù)測精度，有助于緩解大量電動汽車充電負(fù)荷接入時對電網(wǎng)帶來的壓力，進一步推動城市電動汽車的發(fā)展.