基于改進LSTM神經網絡的電動汽車充電負荷預測

摘 "要： 當前對電動汽車（EV）充電負荷預測的研究缺少真實的數據支撐，并且模型考慮場景過于簡單，影響因素考慮不到位，預測結果缺乏說服力。基于此，提出一種考慮多種電動汽車充電負荷影響因素的電動汽車充電負荷預測方法。首先，考慮天氣、季節、溫度、工作日、節假日等因素對電動汽車充電負荷的影響，采用三標度層次分析法分析各影響因素權重；其次，建立LSTM神經網絡預測模型，通過真實數據訓練得到用于預測的LSTM神經網絡模型，結合影響因素權重分析結果對預測模型進行修正，得到最終的改進LSTM神經網絡負荷預測模型；最后，采用常州某小區的真實數據對所提預測方法進行試驗驗證。結果表明，所提方法可以實現電動汽車充電負荷的精確預測，且負荷預測結果可為有序充電策略研究提供參考。

關鍵詞： 電動汽車； 充電負荷預測； LSTM神經網絡模型； 影響因素權重； 層次分析法； 有序充電

中圖分類號： TN876?34； U469.72 " " " " " " " " " 文獻標識碼： A " " " " " " " " " 文章編號： 1004?373X（2024）06?0097?05

Electric vehicle charging load prediction based on improved LSTM neural network

LIN Xiang1， ZHANG Hao1， MA Yuli2， CHEN Liangliang1

（1. State Grid Electric Power Research Institute， Nanjing 211000， China;

2. School of Electrical amp; Automation Engineering， Nanjing Normal University， Nanjing 210023， China）

Abstract： As the current research on charging load prediction of electric vehicles （EVs） lacks support from real data， the model considers scenarios that are too simple， and the influencing factors are not fully considered， the prediction results lack persuasiveness. On this basis， a charging load prediction method for electric vehicles that considers various factors affecting the charging load of electric vehicles is proposed. Considering of the impact factors such as weather， season， temperature， working days， and holidays on the charging load of electric vehicles， a three scale analytic hierarchy process is used to analyze the weights of each influencing factor. An LSTM neural network prediction model is established， the LSTM neural network model for prediction is obtained by training the real data， and the prediction model is modified based on the weight analysis results of impact factors to obtain the final improved LSTM neural network load prediction model. Real data from a residential area in Changzhou was used for experimental verification， and the results show that the proposed method can achieve accurate prediction of electric vehicle charging load， and the load prediction results can provide a foundation for the study of orderly charging strategies.

Keywords： electric vehicles; charging load prediction; LSTM neural network model; influencing factors weight; analytic hierarchy process; orderly charging

0 "引 "言

我國新能源車正處于高速發展的階段[1]，大量電動汽車接入電網，電能需求快速增長，導致時間上用電負荷峰谷差增加，充電成本差異大[2]。局部空間段/局部時間上電網容量不足，對電網運行造成了不良影響（電壓跌落、頻率下降，電網保護動作）[3?4]，因此需要對電動汽車實施有序充電的控制策略。但實現有序充電之前，要滿足電動汽車的充電需求，所以有必要對電動汽車充電負荷進行精準預測。

關于電動汽車充電負荷預測，現在已經有較多的研究進行了探討。例如，文獻[5?6]結合電動汽車充電行為，采用蒙特卡洛算法模擬出了某市的電動汽車充電負荷情況；文獻[7]基于電動汽車時空動態特性，利用圖WaveNet預測得到了電動汽車充電負荷；文獻[8]預測出了在較長時間尺度下不同季節電動汽車充電負荷；文獻[9]建立了基于綜合預測的電動汽車充電負荷預測模型，應用灰色預測、反向傳播（BP）神經網絡以及長短時記憶（LSTM）網絡三種預測模型對電動汽車充電負荷進行預測；文獻[10]考慮電動汽車時空分布，采用基于OD矩陣的算法對電動汽車充電負荷進行預測；文獻[11]提出一種基于動態能耗模型與用戶心理的電動汽車充電負荷預測模型；文獻[12]建立一種基于XGBoost與LightGBM集成的電動汽車充電負荷預測模型；文獻[13]考慮路況擁堵因素對電動汽車耗電量的影響，提出一種聚類分析的方法對電動汽車充電負荷進行預測。但上述文獻對于電動汽車充電負荷的預測主要是基于理想場景對電動汽車的充電行為進行模擬，缺少真實數據的支撐，并且模型考慮場景往往過于簡單，很多影響因素考慮不到位，使預測得到的結果缺乏說服力。

為了解決模型考慮情景過于簡單和對不確定因素考慮不足導致預測精度較低等問題，本文充分考慮電動汽車（Electric Vehicle， EV）充電負荷影響因素，提出一種基于改進LSTM神經網絡的電動汽車充電負荷預測方法。首先，采用三標度層次分析法對影響電動汽車充電負荷的因素進行權重分析，即考慮充電模型應用場景的多樣性，并提高權重分析的客觀性；接著，利用LSTM神經網絡建立電動汽車充電負荷預測模型，利用三標度層次分析法分析結果對LSTM算法中的影響因素權重進行修正，得到更可靠的預測模型；最后，通過《電動汽車充電運營管理服務系統》獲取一個小區的電動汽車充電負荷真實數據，并應用前文研究所得預測模型得到該小區電動汽車充電負荷預測值，分析誤差，從而驗證本文方法的準確性。

1 "影響電動汽車充電因素權重分析

電動汽車充電負荷具有較強的隨機性、波動性，且電動汽車的充電規律受天氣、季節、溫度、工作日、節假日等因素影響，不同因素影響下的電動汽車充電規律十分復雜。

層次分析法（AHP）是指將與決策總是有關的元素分解成目標、準則、方案等層次，在此基礎之上對各參量指標賦予相應權重的方法[14]。傳統的層次分析法利用九標度法構造判斷矩陣，但是客觀性不夠，缺乏說服力。為了避免已有方法中對電動汽車充電影響因素權重判斷的主觀性，本文對層次分析法進行改進，運用三標度層次分析法分析影響電動汽車充電因素的權重，具體過程如下：

1） 構造判斷矩陣。對于[n]個狀態指標量[an]、指標[ai]與指標[aj]，兩兩之間進行相互比較，構造各個指標的重要程度，形成判斷矩陣[Χ]，公式如下：

[X=x11x12…x1nx21x22…x2n????xn1xn2…xnn] " " " " " "（1）

式中：[xij]表示第[i]個狀態指標與第[j]個狀態指標的重要程度比較結果，[i，j]=1，2，…，n。

2） 確定排序數。在得到判斷矩陣后，對解答出來第[i]種指標和其他指標量的比較結果進行求和，得到排序指數[bi]，公式為：

[bi=j=1n xij] " " " " " " " " " " （2）

3） 確定評判矩陣。利用排序數求解評判矩陣中的元素[yij]，公式如下：

[yij=bi-bjbmax-bminkm-1+1， " " " " "bi≥bj1bi-bjbmax-bminkm-1+1， " " " "bilt;bj] （3）

式中：

[km=bmaxbmin， " bmax=maxbi， " bmin=minbi]

[bi]、[bj]為重要性排序指數；[bmax]為最大排序指數；[bmin]為最小排序指數；[km]為最大排序指數和最小排序指數的比值；[yij]為相對重要性程度元素。

4） 根據計算的評判矩陣[Yij]結果構造擬優一致矩陣[Y'ij]，公式為：

[Y'ij=101nk=1n dik-djk] " " " " " " " "（4）

式中：[Y'ij]為擬優一致矩陣；[dij=ln Yij]，即[Yij]參數取對數得到[dij]。

2 "電動汽車充電負荷預測方法

2.1 "LSTM神經網絡

循環神經網絡（RNN）可以應用于負荷預測的實際問題中，但在實際應用中存在長程依賴問題和梯度消失問題。為了解決這些問題，本文提出了LSTM神經網絡。LSTM神經網絡主要通過引入門控機制來控制信息的累積速度，包括有選擇地加入新的信息，并有選擇地遺忘之前累積的信息，由此改善循環神經網絡的長程依賴問題，以及緩解長序列訓練過程中的梯度消失問題。

在LSTM神經網絡中，每個神經元都包含三個基本單元，分別是遺忘門[ft]、輸入門[it]和輸出門[Ot]。其結構如圖1所示。

LSTM三個門的作用如下：

1） 遺忘門[ft]：決定上一個時刻的記憶單元狀態需要遺忘多少信息，保留多少信息到當前記憶單元狀態。

2） 輸入門[it]：控制當前時刻輸入信息候選狀態有多少信息需要保存到當前記憶單元狀態。

3） 輸出門[Ot]：控制當前時刻的記憶單元狀態有多少信息需要輸出給外部狀態。

圖1中，當前時刻為t，[ht-1]、[Ct-1]分別為t-1時刻神經元的隱藏狀態變量和細胞狀態變量，[xt]為當前時刻的輸入序列。輸入到神經元的信息依次通過遺忘門、輸入門和輸出門，計算得到當前t時刻序列的[ht]和[Ct]。[ht]和[Ct]繼續傳入t+1時刻神經元的同時，會傳入輸出層，生成t時刻的預測結果[yt]。其中，遺忘門決定去除哪些無用信息。遺忘門根據t-1時刻神經元狀態[ht-1]和當前時刻輸入[xt]，利用Sigmoid激活函數為每個細胞狀態變量[Ct-1]中的信息決定一個在0～1（完全放棄至完全保留）之間的數字，決定信息的保留程度，公式如下：

[ft=σUfxt+Wfht-1+bf] （5）

輸入門決定有多少新的信息加入到當前時刻。輸入門由兩部分組成，一部分利用Sigmoid激活函數再次對信息進行選擇，另一部分利用tanh激活函數計算新的待添加值，公式分別如下：

[it=σUixt+Wiht-1+bi] " " " " " "（6）

[Ct=tanhUCtxt+WCht-1+bC] " " " "（7）

式中[Ct]表示潛在細胞狀態。

以上兩步會刷新細胞狀態，將[Ct-1]更新為[Ct]，公式如下：

[Ct=ftCt-1+itCt] " " " " " " （8）

式（8）表示先刪去舊的細胞狀態中的無用信息，再根據選擇添加新輸入的信息。

輸出門決定當前時刻細胞狀態的輸出。輸出門首先利用Sigmoid激活函數決定細胞狀態的哪個部分將被輸出，再通過tanh激活函數計算新的隱藏狀態，公式如下：

[Ot=σU0xt+W0ht-1+b0] （9）

[ht=OttanhCt] "（10）

式中：[Ct]、[Ot]、[ht]分別是細胞狀態、輸出門和隱藏狀態的輸出；[σ（?）]是Sigmoid激活函數；[tanh （?）]是雙曲正切激活函數；[U]、[W]是每個門設置的權重；b表示偏置。

2.2 "電動汽車充電負荷預測模型

獲取電動汽車充電負荷相關數據并進行處理，以使得所述數據歸一化。將數據分為影響因素類別和充電負荷，影響因素分為作息、天氣、溫度和季節共4類。將作息中工作日和休息日分別定為1和2；天氣中的晴、小雨、中雨、大雨和雪分別定為1、2、3、4、5；溫度以所獲取數據為準；季節中的春夏秋冬分別規定為1、2、3、4，而后將數據進行歸一化處理。

根據離散化公式處理所述有序充電負荷相關數據，以使得所述大樣本數據歸一化，離散化公式為：

[x'i（t）=xi（t）-xi，min（t）xi，max（t）-xi，min（t）] （11）

式中：[xi（t）]為樣本集合數據在時段t的實際值；[x'i（t）]為樣本集合數據在時段t的歸一化值；[xi，max（t）]為樣本集合數據中的最大值；[xi，min（t）]為樣本集合數據中的最小值。

具體地，[xi（t）]表示第[i]個樣本的實際負荷相關值，采用離散標準化的方法將數據按比例縮放，使之落入一個小的特定區間，最后使得所有負荷數據在標準化后的值均處于[0，1]區間。

將數據集分為訓練集和測試集，采用BPTT法代入訓練集數據對LSTM神經網絡模型進行訓練，訓練后所得到的LSTM神經網絡模型便是最終得到的電動汽車充電負荷預測模型。

2.3 "LSTM神經網絡改進措施

在得到電動汽車充電負荷預測模型后，利用三標度層次分析法得到的權重對LSTM神經網絡不同時間節點產生的預測值進行加權修正，進而得到更精確的電動汽車充電負荷預測結果。LSTM神經網絡改進后的預測流程如圖2所示。

3 "實驗結果與分析

本文仿真實驗選擇常州某小區進行分析。

3.1 "權重分析算例

本算例運用了常州某小區的2022年第二季度共92天的負荷和影響因素數據進行分析。輸入向量為天氣、季節、溫度、工作日、節假日處理過后的數據，輸出向量為天氣、季節、溫度、工作日、節假日所占的權重。權重分析結果如圖3所示。

由圖3三標度層次分析法的權重計算結果顯示，作息的權重為57.511%，天氣的權重為23.645%，溫度的權重為5.934%，季節的權重為12.91%，指標權重值最大的為作息（57.511%），權重值最小的為溫度（5.934%）。其中最大特征根為4.221，根據RI表查到對應的RI值為0.882，CR=[CIRI]=0.083≤0.1，因此通過一次性檢驗。

3.2 "電動汽車有序充電負荷預測結果

本算例對常州某小區的電動汽車充電負荷進行分析，該小區用于電動汽車充電的配變容量為140 kVA。通過《電動汽車充電運營管理服務系統》獲取該小區電動汽車充電負荷的真實數據，并對該小區電動汽車充電負荷進行預測。本算例將一天分為96個點，每15 min進行一次數據統計，而后應用于預測模型之中，得到該小區該典型日的充電負荷曲線，如圖4所示。由預測結果可知，該小區的充電峰值在22：00至次日凌晨3：00左右，負荷峰值為70.64 kW，其余大部分時間充電功率較低，有很大的有序充電調控潛力。

為了充分驗證改進LSTM算法預測的準確性，分別采用LSTM神經網絡和改進LSTM神經網絡對同一個居民區的電動汽車充電負荷進行預測。同時，為了體現改進LSTM神經網絡方法在不同季節同樣適用，分別在夏季和冬季的一天對同一居民區的電動汽車充電負荷進行預測。為了更清楚地將本文方法和LSTM算法預測結果進行觀察比較，繪制預測結果和誤差情況曲線，如圖5～圖8所示。

兩種方法的夏季和冬季預測結果曲線如圖5～圖6所示，圖中橫坐標為數據采集點，從一天的0時開始，每15 min采集1次，一共96次。由圖5可以清晰地看出，改進的LSTM神經網絡預測方法預測準確率遠高于LSTM神經網絡預測方法。圖7～圖8所示為兩種預測方法的誤差比較結果。由圖可知，改進LSTM神經網絡預測方法大大減小了LSTM算法的預測誤差。由圖5～圖6可以看出無論是夏季還是冬季，用改進LSTM算法預測得到的可用容量結果都比LSTM算法更精確。由圖7～圖8也可以得到這個結論。本文方法與真實值極為接近，說明其具有精準的預測能力。

4 "結 "語

文中提出一種基于改進LSTM神經網絡的電動汽車充電負荷預測方法。該方法可以分析不同影響因素的權重，提高預測的客觀性，從而克服了傳統權重研究方法主觀性較大的缺點。本文通過三標度層次分析法改進LSTM神經網絡預測模型，進而準確預測電動汽車充電負荷。以常州某小區為例進行仿真實驗，結果表明，所提方法可以實現電動汽車充電負荷的精確預測，同時負荷預測結果可為有序充電策略研究提供基礎。

注：本文通訊作者為林祥。

參考文獻

[1] 國務院辦公廳.國務院辦公廳印發《新能源汽車產業發展規劃（2021—2035年）》[N].中國電子報，2020?11?03.

[2] 翁志鵬，周京華，李津，等.面向電動汽車有序充放電研究綜述[J].科學技術與工程，2023，23（14）：5827?5839.

[3] 夏博，楊超.含電動汽車的主動配電網優化調度[J].科學技術與工程，2019，19（15）：143?149.

[4] 朱心月，岳云濤，李炳華，等.電動汽車有序充放電分群調度策略[J].科學技術與工程，2021，21（19）：8023?8030.

[5] 秦建華，潘崇超，張璇，等.基于充電行為分析的電動汽車充電負荷預測[J].電測與儀表，2023，60（4）：19?26.

[6] ZHOU Niancheng， XIONG Xicong， WANG Qianggang. Probability model and simulation method of electric vehicle charging load on distribution network [J]. Electric power components and systems， 2014， 42（9/12）： 879?888.

[7] 胡博，張鵬飛，黃恩澤，等.基于圖WaveNet的電動汽車充電負荷預測[J].電力系統自動化，2022，46（16）：207?213.

[8] 牛牧童，廖凱，楊健維，等.考慮季節特性的多時間尺度電動汽車負荷預測模型[J].電力系統保護與控制，2022，50（5）：74?85.

[9] 李楠，馬宏忠.基于綜合預測模型和蒙特卡洛的電動汽車保有量及負荷預測方法研究[J].電機與控制應用，2022，49（12）：74?80.

[10] 張琳娟，許長清，王利利，等.基于OD矩陣的電動汽車充電負荷時空分布預測[J].電力系統保護與控制，2021，49（20）：82?91.

[11] 張美霞，吳子敬，楊秀.基于動態能耗模型與用戶心理的電動汽車充電負荷預測[J].現代電力，2022，39（6）：710?719.

[12] 吳丹，雷珽，李芝娟，等.基于XGBoost與LightGBM集成的電動汽車充電負荷預測模型[J].電子技術應用，2022，48（9）：44?49.

[13] 王睿，高欣，李軍良，等.基于聚類分析的電動汽車充電負荷預測方法[J].電力系統保護與控制，2020，48（16）：37?44.

[14] 陸牧君，王佳樂，楊嘉賢，等.基于層次分析法的電動汽車調度方法研究[J].電工技術，2020（20）：37?38．