基于穩態特征的充電樁時空動態負荷監測方法

黎海生，沈新平，李讓，連國聰，陳正雍

（廣東電網有限責任公司汕尾供電局，廣東汕尾 516600）

隨著國家電動交通工具的發展，電動車、電動汽車等交通工具在社會中的應用越來越廣泛，而電動工具的充電過程存在一定的不穩定性，容易造成電網出現故障或波動等情況，給國家的電力部門工作和電網的良好運行帶來困擾。對此，國家也發布相關文件政策，推動電動工具充電技術的發展改革，加強對于電動工具移動充電的電力負荷監測[1-3]。

對電力交通工具的充電負荷情況進行監測，一般通過采用數據統計模型，對充電樁電力負荷情況進行數據采集和相關運算[4]。隨著網絡大數據技術的發展，監測算法也發展出多種形式，由于目前對電動工具充電樁負荷監測的要求提高，需要對其進行時空動態負荷監測。因此，傳統的監測算法無法滿足動態監測的標準要求。該文根據充電樁時空動態負荷的相關情況，基于穩態特征方法對充電樁時空動態負荷監測方法進行了研究，并通過實驗研究，證明了該文研究的負荷監測方法有更好的動態負荷監測效果。

1 充電樁時空動態負荷特征提取

1.1 負荷數據采集處理

基于穩態特征的充電樁時空動態負荷監測方法，首先要對監測區域內的充電樁負荷情況進行數據采集和分析處理。數據采集主要通過充電樁內部的采集器采集充電樁個體的電力負荷情況，然后將數據通過通信裝置傳輸到后臺控制服務器中，再由總服務器對負荷數據進行相關處理。

獨立的充電樁內部裝有監測電力負荷情況的傳感器，主要通過監測電力線路的負荷情況，獲取充電樁的負荷數據[5-7]。傳感器再將采集到的數據傳輸到采集器的數據處理程序中，數據處理程序會對負荷數據進行簡單的數據篩選和檢測，根據相關規則篩選排除受到噪聲干擾或其他因素影響的負荷信號信息，然后通過識別負荷數據的時間或空間信息，對其進行相關的分類排序，得到有條理的負荷數據信息集合[8-10]。然后通過通信裝置，將負荷數據信息傳輸到后臺中心服務器，其中需要經過對應的通信協議檢測，以保證數據信息傳輸的穩定性和保密性。通信裝置一般支持移動網絡和無線通信網絡的使用，充電樁的負荷數據采集終端能夠在局域網絡覆蓋范圍內進行較為穩定的數據信息通信傳輸，并且在網關協議的保護下具有一定的安全性[11-13]。同樣，工作人員對后臺中心控制服務器進行數據處理環節也需要通過權限驗證才能對負荷數據信息進行具體的處理操作。數據采集過程如圖1 所示。

圖1 數據采集過程

中心服務器接收到來自充電樁數據采集終端的負荷數據信息，根據相應的處理規則對數據進行預處理[14-16]。首先進一步檢測負荷數據的真實度，通過線性相關分析矩陣等算法篩選排除存在異常的負荷數據，然后將負荷要求的數據信息導入負荷數據時空動態監測矩陣運算程序中，根據充電樁負荷時空動態分布情況進行數據劃分，按照充電樁的位置分布情況對負荷數據進行空間定位劃分，構建二維負荷矩陣，然后利用卷積神經網絡算法對負荷的時間情況進行運算，獲取按時段劃分的監測區域充電樁負荷數據三維矩陣[17]。依照處理條件設定數據處理程序，根據充電樁負荷功率等級劃分情況，分別進行分析處理，結合負荷數據時空動態監測矩陣對負荷數據進行監測結果歸一化處理運算，運算公式如式（1）所示：

式中，L表示負荷數據歸一化處理數據，k代表歸一化處理的函數系數（常數），mn表示n時間段內的負荷監測矩陣運算所得的負荷量，dn表示n時間段內充電樁的電力負荷量。根據此公式運算得到處理后的充電樁時空動態負荷的監測數據，在此基礎上進行負荷數據的穩態特征識別和提取。特征分類如圖2 所示。

圖2 特征分類

1.2 穩態特征識別提取

根據不同的檢測指標分別對相關數據進行特征分析。數據處理程序會將電力負荷的具體數據依照相關運算轉化為圖像進行表示，然后利用圖像特征識別程序，對監測區內所有充電樁的電力負荷情況按照不同的檢測指標進行對應的特征數據檢測識別。以檢測指標的正常變化圖像作為參考標準，對檢測圖像數據信息進行對比，并對變量數據進行相關性運算，獲取負荷指標具體的數據變化，進而獲取存在一定突出變化的特征信息數據。識別顯示結果如圖3 所示。

圖3 識別顯示結果

由于負荷數據的特征提取可能存在特征重復等情況，所以在進行特征提取之前，首先要對重復性特征進行篩選排除。對經過特征識別后的特征信息，進行線性相關矩陣運算，將相似度達到較高標準的特征信息數據進行排除，最終保留具有一定獨特性的特征數據。然后將特征數據按照其檢測指標進行相應劃分，整理歸納到特征數據庫內進行備份和保存，完成負荷數據的穩態特征提取。

2 充電樁時空動態負荷監測

2.1 時空動態負荷矩陣

電動交通工具的充電環節具有隨機性、波動性、不穩定性等特征，且城市規劃中關于電動交通工具充電樁的分布較為分散，因此對充電樁進行時空動態監測的過程較為復雜，沒有一定的規律，監測點數量多而雜，所以需要對監測區域的充電樁負荷進行時空緯度構建。其序列公式如下：

式中，D表示充電樁的時空序列，t表示該監測矩陣的時長，(X,Y)表示監測區域的充電樁空間位置坐標。通過上述公式的運算能夠得到關于某區域某一時段的充電樁電力負荷量監測情況，然后根據運算結果構建負荷矩陣，主要步驟如下：

1）根據充電樁空間分布情況構建適合的坐標圖，將充電樁位置依次在坐標圖中進行標注；

2）根據該區域電網相關情況，計算每個充電樁的負荷范圍，經過坐標比例換算，在坐標圖中進行劃分；

3）根據同一時間段內所有充電樁的負荷范圍進行負荷量數據累加運算，能夠得到該區域這一時間段內的充電樁負荷監測情況矩陣。

2.2 時空動態負荷監測模型

根據充電樁時空動態負荷矩陣的構建情況，建立充電樁時空動態負荷監測模型。該文在充電樁時空動態負荷監測模型的構建中采用了卷積神經網絡算法，提取時空動態負荷矩陣的時間信息數據。通過卷積運算，將不同時間序列的二維負荷矩陣進行空間卷積神經網絡處理，獲取矩陣的記憶層時間長短，并按照時間序列進行負荷空間情況監測，能夠得到負荷矩陣的空間特征。然后進行三維卷積運算，在空間動態的負荷特征基礎上，對矩陣的時間特征進行提取，提取過程采用的算法如下：

式中，H表示充電樁負荷的時間特征，Xn為負荷矩陣的時間序列，N表示參與該函數運算的時間序列總量，Wn是卷積函數的運算系數，bn表示卷積核的輸出系數。由此能夠得到該區域內某一時段充電樁負荷時空監測的三維負荷數據，構建出時空動態負荷監測模型。監測模型如圖4 所示。

圖4 監測模型示意圖

3 實驗研究

為了檢驗基于穩態特征的充電樁時空動態負荷監測方法的實際應用效果，進行了實驗研究，并采用傳統的負荷監測方法進行對比分析。以某一時段內某區域范圍的共享電動汽車充電樁為實驗對象，進行充電樁的時空動態負荷監測。該文研究的基于穩態特征的充電樁時空動態負荷監測方法進行負荷監測的主要流程如圖5 所示。

圖5 電力時空動態負荷監測流程示意圖

首先，在實驗計劃設定的時間段對監測區域內的充電樁進行負荷信息采集，充電樁內部的傳感器采集到負荷數據信息，然后通過通信裝置傳輸到后臺中心控制服務器，服務器的數據處理程序對負荷數據進行相應的分析處理和特征識別提取，然后輸出處理后的數據信息，并完成數據存儲，工作人員記錄各環節數據處理的結果，然后對數據運算結果的誤差情況進行計算統計。

傳統的負荷監測方法的監測流程與該文方法基本一致，主要是在數據處理和特征提取中的算法選擇不同。因此數據處理和特征提取的結果存在一定差異，所以導致不同監測方法對負荷數據的監測效果存在差距，主要表現在監測結果的準確度方面。該文對3 種負荷數據監測方法的監測結果誤差率進行了計算分析，其誤差率對比結果如圖6 所示。

圖6 監測結果誤差率對比結果

根據圖6 可知，相比于傳統的監測方法，基于穩態特征的充電樁時空動態負荷監測方法誤差率更低，具有更高的準確性，監測效果更好。從圖中對比結果可以看到，基于穩態特征的充電樁時空動態負荷監測方法在相同時間段的監測結果誤差率始終保持在10%以下，平均約為5%，且隨著監測的充電樁數量增加，誤差率雖有所上升，但幅度不大，整體變化比較穩定；基于神經網絡的充電樁時空動態負荷監測方法的誤差率基本在10%以上，在監測數量達到50 個時，誤差率已接近20%，而且能夠看出其誤差率上升幅度較大，表明此監測方法監測效果不太穩定；而基于暫態過程的負荷監測方法整體誤差率較高，在監測數量超過40 個時，其監測誤差率明顯上升，在監測充電樁達到50個時，其誤差率接近30%。

由此可見，在相同的監測時段內，對同一區域相同數量的充電樁進行負荷時空動態監測，基于穩態特征的充電樁時空動態負荷監測方法比傳統的檢測方法誤差率更低，監測準確率更高，實際應用效果更好。因此，該文研究的負荷監測方法更適用于當前的充電樁時空動態負荷監測，能夠更精準、更有效地得到監測結果。

4 結束語

針對目前充電樁時空動態負荷監測方面存在的不足，該文根據穩態特征方法研究了基于穩態特征的充電樁時空動態負荷監測方法。介紹了電力時空動態負荷監測矩陣和監測模型的相關知識內容，分析了基于穩態特征的充電樁時空動態負荷監測數據處理和特征提取的相關算法，并通過實驗研究檢驗了基于穩態特征的充電樁時空動態負荷監測方法的實際應用效果。該文研究的負荷監測方法能夠促進我國當前的充電樁負荷監測技術領域的相關研究，有利于推動我國電力時空動態負荷監測技術的進一步發展。