基于DCC-2D的電動汽車充電站時空動態負荷預測

彭 麗，楊京渝，蔣天香，李佳亮，曹 健，林之怡

(湖南城市學院 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“碳達峰、碳中和”戰略目標，為推動先進環保、先進儲能等綠色低碳新技術的不斷成熟，打造綠色低碳領域的競爭優勢提供了新空間[1-2].電動汽車因能從源頭上解決環境污染、緩解不可再生能源的短缺、減少CO2排放等問題，獲得了廣泛關注和積極推廣[3-4].然而，大規模的電動汽車接入和無序充電給城市電網帶來的沖擊也與日俱增，影響了電力系統的安全穩定運行[5].因此，提高電動汽車充電樁負荷預測的精度，可以更好地指導電網運行、調度等工作，有效消除電動汽車充電給電網帶來的負面影響，具有重要的理論與實際意義.

目前，國內外學者已在電動汽車充電站負荷預測上做了較多相關研究.電動汽車充電站負荷預測手段主要可分為模型驅動方法和數據驅動方法2 大類[6].模型驅動方法是通過建立數學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，該模型能更準確地描述電動汽車用戶收益與響應行為之間的不確定關系，預測信息更為全面；文獻[8]提出了充電負荷時空分布的模擬方法，創建了充電站吸引力模型，提出了交通耗時指數概念，實現了充電站負荷時空分布的模擬.模型驅動方法雖然具有較好的可解釋性和通用性，但數學模型的創建往往太過復雜，難以保證預測精度.

數據驅動方法基于充電站實際歷史數據，采用統計學習法建立預測模型，相比于模型驅動方法，其預測結果更接近于真實值的變化趨勢.傳統的充電站負荷預測方法有相似日法、回歸分析法等[9-10].隨著人工智能的發展，BP 神經網絡(back propagation neural network，BPNN)、支持向量機(support vector machine，SVM)、長短時記憶神經網絡(long short term memory，LSTM)、卷積神經網絡(convolution neural networks，CNN)等現代預測方法均取得了較好的建模預測效果[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荷預測方法；文獻[15]研究了數據新鮮度和交叉熵相結合的組合預測方法；文獻[16]采用經驗模態分解(empirical mode decomposition，EMD)對原始充電負荷進行分解，經模糊熵計算各分量的復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測.但以上研究大多只考慮時間維度上的預測，重點關注時間維度信息的挖掘，忽略了復雜的空間維度信息潛在的影響，因此限制了模型的預測精度.

為了更好地進行電動汽車充電負荷時空動態預測，提高其預測精度，本文提出了一種基于DCC-2D 的電動汽車充電站時空動態負荷預測方法.首先，為了使模型能夠學習到空間維度信息，通過向三維卷積添加空洞因子構建二維空洞卷積層；其次，將二維空洞卷積層堆疊以構成整個二維卷積神經網絡，使得模型可以學習到時間維度信息；最后，以某市充電站負荷數據為例，實驗驗證所提模型的正確性和優越性.

1 時空卷積神經網絡模型

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系，需線性地堆疊較多的層數.為了盡量減少堆疊層數，可采用堆疊空洞卷積層的結構.該結構輸出層的特征映射如式(2)所示.

圖1 一維空洞卷積神經網絡示例

1.2 三維卷積

二維卷積只能捕捉到空間維度的信息.式(3)表示二維卷積神經網絡第i層中第j卷積核(x,y)的卷積結果.

2 基于DCC-2D 的充電站負荷預測模型

2.1 基于DCC-2D 的充電負荷預測流程

一維空洞因果卷積神經網絡是主要考慮時間維度信息的預測方法，而電動車充電站負荷具有時空動態特性，一維空洞卷積無法滿足其預測精度要求.因此，將一維空洞卷積的一維卷積替換為三維卷積，構建二維空洞因果卷積神經網絡.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.

所提模型的整個預測流程如圖2 所示.

圖2 模型預測流程

1)根據充電站位置建立充電站的平面分布圖，完成充電負荷時空維度的刻畫.

2)根據充電站歷史負荷數據，按時間順序將各站點在平面分布圖上畫成熱量圖.

3)對熱量圖的數據進行歸一化處理.

4)將數據輸入預測模型進行訓練，再根據預測結果的好壞調整預測模型的超參數，直至模型訓練達到理想的效果.

5)將所得數據進行反歸一化處理，得到最后的預測結果.

2.2 評價指標

充電站充電負荷預測的評價指標包括：1)可決系數R2(R-squared)

3 算例仿真分析

3.1 仿真參數設置

為了驗證所提預測方法的正確性和優越性，本文將STN 預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荷數據進行仿真.數據采樣頻率為1 條/h，將過去300 h 的充電負荷數據作為訓練集，滾動預測未來24 h 的充電站負荷.實驗選擇在TensorFlow 平臺上進行，其硬件環境為：CPU，i7-7000；GPU，1050Ti 4 G；內存，16 G.

3.2 預測結果與分析

分別采用DCC-2D 和STN 2 種預測模型對充電站未來24 h 的充電負荷進行了預測，其結果如圖3 所示.

圖3 各模型預測結果對比

由圖3 可以看出，DCC-2D 模型的預測結果更加貼近真實值變化趨勢，相比STN 模型有較明顯的優勢.

表1 給出了DCC-2D 和STN 2 個預測模型在3 次實驗中的eMAE、eMSE和R2評價指標數據及其對應的平均值.

表1 預測結果誤差評價指標

由表1 可知，DCC-2D 預測模型的eMAE和eMSE平均值比STN 預測模型分別下降了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 模型具有更高的預測準確率.這說明本文所提方法能夠提高電動汽車充電負荷的預測精度.

4 結論

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

研究結果表明，所提預測模型不僅可以學習空間維度信息，還能夠學習時間維度信息.相比于STN 預測模型，其在eMAE和eMSE評價指標上分別下降了17.36%和20.32%，在一定程度上提高了充電站充電負荷的預測精度，有助于緩解大量電動汽車充電負荷接入時對電網帶來的壓力，進一步推動城市電動汽車的發展.