A Novel Ultra Short-Term Load Forecasting Method for Regional Electric Vehicle Charging Load Using Charging Pile Usage Degree

Electric vehicle(EV)charging load is greatly affected by many traffic factors,such as road congestion.Accurate ultra short-term load forecasting(STLF)results for regional EV charging load are important to the scheduling plan of regional charging load,which can be derived to realize the optimal vehicle to grid benefit.In this paper,a regional-level EV ultra STLF method is proposed and discussed.The usage degree of all charging piles is firstly defined by us based on the usage frequency of charging piles,and then constructed by our collected EV charging transactiondata in thefield.Secondly,these usagedegrees are combinedwithhistorical charging loadvalues toform the inputmatrix for the deep learning based load predictionmodel.Finally,long short-termmemory(LSTM)neural network is used to construct EV charging load forecastingmodel,which is trained by the formed inputmatrix.The comparison experiment proves that the proposed method in this paper has higher prediction accuracy compared with traditionalmethods.In addition,load characteristic index for the fluctuation of adjacent day load and adjacent week load are proposed by us,and these fluctuation factors are used to assess the prediction accuracy of the EV charging load,together with the mean absolute percentage error(MAPE).

基于误差幅空特性分析的空间负荷预测误差评价方法

对空间负荷预测误差进行有效评价是客观认识预测结果,指导预测结果合理应用的前提。然而,现有空间负荷预测误差评价的研究存在对误差的空间分布不考虑或考虑不充分导致评价不准确的问题。为此,提出一种基于误差幅空特性分析的空间负荷预测误差评价方法。首先,从空间负荷预测误差幅值大小和空间分布对电网规划影响的角度出发,对误差的幅空特性进行详细分析;其次,利用运输问题的数学模型来表征正负误差的幅空抵消特性,使用各空间邻近度–幅值误差值曲线与x轴围成面积之和来表征剩余未抵消误差的幅空叠加特性;然后,分别通过伏格尔法和各梯形面积累加公式来计算正负误差的幅空抵消影响值和剩余未抵消误差的幅空叠加影响值,并在此基础上构建空间负荷预测误差评价指标;最后,基于误差对电网规划的实际影响给出对误差评价指标性能的检验方法。算例分析表明,与传统方法相比,该文所提误差评价方法从幅值和空间两个维度实现了对空间负荷预测误差更为全面的评估,与误差对电网规划影响的实际情况贴近度更高。

基于时空图注意力网络的超短期区域负荷预测

目前,空间负荷预测研究对复杂时空关系的考虑不足。为此,文中提出一种基于多维、多源特征的区域级负荷超短期时空预测模型。首先,根据已有的区域级负荷进行元胞划分,构建考虑元胞相关性的图拓扑。其次,分别通过图注意力网络、一维卷积神经网络和门控循环单元,从空间、特征和时间维度提取有效特征,连接全连接层输出结果。最后,基于美国新英格兰地区的真实电力负荷数据进行仿真验证,并提取模型注意力权重,分析元胞之间的空间依赖性。结果表明,所提模型相比传统模型在不同预测步长上均具有更高的预测精度和稳定性,有效挖掘了区域级负荷的空间依赖性。

基于时空注意力机制的台区多用户短期负荷预测

针对在低压台区海量高波动用户负荷预测场景下,传统探索单个用户时间特征的负荷预测方法存在无法学习用户之间的空间相关性、无法实现多用户共同预测的问题,该文提出一种基于时空注意力机制的Transformer负荷预测模型(STformer),提供精准的台区多用户短期负荷预测。首先,改进传统Transformer模型,嵌入序列分解模块、自相关计算模块和空间注意力模块。其中,序列分解模块可以将波动较大的用户负荷曲线分解为相对平稳的多个子序列,有助于更好地提取负荷曲线的时间依赖性和周期因子;自相关计算是一种改进的注意力机制,可以挖掘多个历史同时期子序列的时间相关性;空间注意力机制可以提取台区多用户之间的动态空间相关性。然后,利用蒙特卡洛随机失活方法(MC dropout)将STformer拓展到台区多用户负荷概率预测。最后,采用真实台区多用户负荷数据集进行验证,与多种负荷预测模型进行对比,证明STformer模型可有效提高短期多用户负荷点预测和概率预测的精确性和鲁棒性。

基于融合技术的中长期电力负荷预测方法

当前电力负荷预测模型在数据复杂性高、数据稀缺、模型泛化和动态社会经济因素适应性方面存在局限,影响了其在复杂电网规划中的应用。为满足电网或者大型风、光、火、储、网、荷能源基地项目的规划调度需求,提出了一种融合技术,将灰色预测、空间负荷密度预测和变分自编码器与深度因果卷积神经网络相结合,以实现中长期负荷预测。通过引入有序加权平均微分算子,融合不同预测方法,提升结果的准确性。实验结果表明,本方法相较于传统方法展现更高的准确性和鲁棒性,特别是在进行电力负荷远景预测时,所提方法能够有效提升预测的可靠性和适用性。该技术有效克服传统方法固有的数据复杂性、数据稀缺性和模型泛化问题,同时适应社会经济条件的动态变化。该方法为电网、大型源网荷储多能互补类项目的规划和发展提供有力的决策支持。

基于多尺度LDTW和TCN的空间负荷预测方法

空间负荷预测为合理建设和使用变电站、馈线等提供了重要的指导,成为配电网规划中不可或缺的一部分。配电网规划的精细化产生了大量高分辨率的负荷数据,社会的快速发展使得地块的用电特征日趋复杂。当前的空间负荷预测没有充分考虑负荷数据之间的时间特性,且在预测过程中也未考虑到不同类型地块间可能存在的负荷峰值出现时间不一致问题。为此,提出一种空间负荷预测方法,通过基于多尺度限制对齐路径长度(LDTW)的谱聚类分析用户的负荷曲线在形状上的相似性,并提取不同地块的典型用电行为,以进一步分类确定同类型地块对应的同时率。多尺度LDTW通过限制序列之间匹配步长的上限来抑制病态匹配的产生,提高曲线相似性的综合评估能力。根据聚类结果筛选适合待预测区域的训练样本并构建基于时间卷积网络(TCN)的回归预测模型,将预测结果基于地块各自的同时率进行聚合,实现空间负荷预测。实验结果表明:该方法加强了对负荷曲线形状的分析和对不同类型地块同时率的区分,在聚类方面,DBI指数达到0.57,VI指数达到0.31;在预测方面,相对误差达到1.93%,决定系数达到0.941,相比其他典型方法均取得了较大改善。

汉江流域安康段农业面源污染负荷预测及时空演变分析

为明确安康地区农业面源污染特征,以期为面源污染防治提供支持。利用ECM模型对2013—2021年安康市10个县区的农业面源污染总氮(TN)和总磷(TP)污染负荷进行了估算,采用等标污染负荷法对污染源进行评价,利用灰色模型对安康市2022—2025年面源污染负荷进行预测。结果表明:2013—2021年安康市农业种植、畜禽养殖和农村生活的TN、TP负荷总量分别为17410.47~19631.84 t、1290.62~1728.90 t,面源污染TN和TP污染负荷先降低后升高,2019年降至最低;2021年安康地区不同污染源TN依次为农业种植(77.50%)>畜禽养殖(12.63%)>农村生活(9.86%),不同污染源TP依次为畜禽养殖(46.63%)>农业种植(39.27%)>农村生活(14.10%);安康市2021年与2025年农业面源污染TN和TP污染负荷具有空间分布的一致性;各县区2022—2025年农业种植、畜禽养殖和农村生活TN、TP负荷总量分别为17376.38~18094.98 t、1121.84~1229.11 t,面源污染负荷整体有所降低;基于快速聚类结果,安康市2025年各区域面源污染控制分区可划为3种污染类型。

基于态势感知的配电网空间负荷预测系统

针对动态地区配电网空间负荷优化预测问题,设计了一种基于实时自控态势感知的配电网空间负荷预测系统。首先构建配电网空间负荷预测目标决策要素经验池;然后利用深度长短期神经网络对配电网历史运行数据集进行处理,实现配电网实时自控态势感知;最后利用深度确定性策略梯度算法构建空间负荷预测与目标决策要素经验池之间的耦合模型,实现配电网空间负荷高效精准预测。对模型展开了实际算例分析,多类型配网供电区域场景下配电网空间负荷预测精度达到91.03%,多类型配网供电区域场景下配电网空间负荷预测效率提高了23.71%。

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。

基于双层XGBoost和数据增强的空间负荷预测方法

为了解决空间负荷预测面临的特征变量众多和数据匮乏问题,文中提出一种基于双层极端梯度提升(extreme gradient boosting,XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域;其次构建基于双层XGBoost的特征选择模型,第一层XGBoost对特征进行评分及排序,将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测,根据子区域负荷预测结果选择每个子区域的最佳特征变量;然后利用生成对抗网络(generative adversarial network,GAN)增强每个子区域的训练集样本,并通过极限学习机(extreme learning machine,ELM)实现子区域预测;最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例,对文中方法进行仿真实验和对比分析。结果表明,文中方法可同时解决特征变量选择和数据匮乏问题,具有更高的预测精度。

基于元胞历史负荷数据的负荷密度指标法

已有负荷密度指标的求取方法往往忽视了对实测历史负荷数据的挖掘,或是忽略了同类负荷的非均匀分布问题,为此提出了一种基于元胞历史负荷数据的负荷密度指标法。该方法通过I类元胞的负荷密度确定分类负荷密度协调系数,根据I类元胞的历史负荷与其供电面积、用地信息、分类负荷密度之间的约束关系,建立元胞负荷与分类负荷密度的关系方程,并采用最小二乘法求取分类负荷密度指标,利用已求得的历年分类负荷密度指标预测其在目标年的大小,求出每个II类元胞的负荷值,从而实现空间负荷预测。工程实例验证了该方法的实用性和有效性。

空间电力负荷预测方法综述与展望

空间电力负荷预测是电力系统规划的前提与基础,特别是随着对电力系统进行精益化管理要求的提出,空间电力负荷预测问题成为重要的研究课题。为了能够充分地利用该领域内已有的研究成果,并开展更深入的探索及其有效的应用,回顾了空间电力负荷预测技术发展的历史,对现有的各种空间电力负荷预测方法、原理做了系统的归纳,提出了尚需解决的问题,对未来的研究方向作了展望。

空间负荷预测中的负荷时序消差方法

通过分析影响基于时序的空间负荷预测(SLF)精度的主要因素,提出一种用于识别和校正负荷转移的负荷时序消差方法。将元胞之间经常出现的非永久性负荷转移分为跨单位时间型和非跨单位时间型2种,对前一种采用改进的负荷转移耦合法实现负荷时序消差,对后一种采用基于累积负荷曲线确定元胞负荷最大值的算法实现负荷时序消差,从而降低元胞之间负荷转移对SLF精度的不利影响。通过算例验证了基于负荷时序消差的SLF效果,结果表明该方法实用、有效。

基于GIS的空间电力负荷预测平台的研究与开发

为满足现代城市电网规划对电力负荷预测提出的新要求,形成了建设基于GIS的空间电力负荷预测(SLF)平台的总体方案。应用空间分析理论,采用电网的分层分区技术,开发了以城市空间电力负荷分析和预测为核心,集负荷历史数据采集与管理、空间信息处理以及预测结果评价一体化的信息管理和预测系统。提出了空间电力负荷规律性分析方法、实用化的SLF方法等关键技术,为进行详尽的数据挖掘分析、高质量的需求预测和一体化的空间电力负荷管理提供界面友好的可视化操作平台。该平台适应城市电网规划精益化的新要求,可为提高SLF精度、提升负荷预测工作的管理水平、科学指导城市电网规划提供有力的技术支持。

空间负荷预测中确定元胞负荷最大值的概率谱方法

针对元胞负荷中异常数据会给空间负荷预测带来不利影响的问题,提出一种用于确定元胞负荷最大值的概率谱方法。该方法从城市电网规划需求的角度入手,结合城市电网的实际运行方式,对元胞负荷中出现的异常数据进行了分类,阐明了各类异常数据对空间负荷预测产生影响的作用方式,揭示了元胞之间负荷转移、元胞负荷非平稳增长、元胞负荷数据奇异与规划所需数据之间的内在联系,通过计算元胞负荷的概率谱曲线来描述和刻画不同类型异常数据的各自特点,在采用高斯拟合技术处理过的元胞负荷概率谱曲线上对元胞负荷最大值进行限定和约束。实例分析表明,使用概率谱方法确定的元胞负荷最大值进行空间负荷预测,提高了预测精度。

基于多尺度空间分辨率的空间负荷预测误差评价方法

针对如何评估空间负荷预测(spatial load forecasting,SLF)中空间误差的难题,提出了基于多尺度空间分辨率的空间负荷预测误差评价方法。该方法考虑到SLF的局部预测误差会对整个预测区域产生影响,从如何计算局部预测误差给其他位置预测值带来影响的问题入手,将极端场景作为边界条件分析SLF结果的误差地图,揭示了在不同空间分辨率下,对相同的空间预测误差的感知程度多数情况并不一样,甚至还可能完全相反的演变规律,建立了针对既有网架结构、供电容量和规划目标年负荷水平的SLF误差评价机制,给出了SLF误差评价指标。运用该方法对东北某市的一个行政区进行空间负荷预测的工程实例表明,所提出的SLF误差评价方法是行之有效的。

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。

城网空间电力负荷预测中的负荷规律性分析

空间电力负荷预测(spatial load forecasting,SLF)是城市电网规划必不可少的计算,其预测结果是确定所需配置供电设备容量和分布的基础,预测结果准确与否对城市电网建设及其运行的经济性和安全性都有影响。文章从城市电网的空间结构分析入手,以分层分区处理为原则,以目标层级的负荷元胞为基础,描述和刻画了该层级下空间电力负荷的规律性,着重分析了10 kV电压层级下元胞负荷的周期性、增长的非平稳性及元胞之间的负荷转移。通过实例进一步阐述了该负荷规律性分析方法,结果表明该方法能够充分合理地描述空间电力负荷的特点,客观反映SLF方法的优劣,为寻找更有效的SLF方法奠定了基础。

应用聚类分析与非参数核密度估计的空间负荷分布规律

空间负荷预测是配电网规划的前提和基础。针对现有研究偏重对预测方法的理论创新和精度提升,缺乏对各地各类空间负荷分布规律研究的不足,提出一种基于聚类分析与非参数核密度估计的空间负荷分布规律研究方法。以浙江电网为例,对调研采集的空间负荷按城市发展类型、用地类型进行二级划分后,利用基于非参数核密度估计方法提取各类样本负荷密度的典型分布特征,结合实际对浙江11个城市的工业、商业、居住等多类空间负荷的分布规律进行分析研究,为配电网规划提供可靠支撑。

基于改进型ANFIS的负荷密度指标求取新方法

针对传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求这一不足,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种新颖的、基于自适应神经模糊系统(ANFIS)的负荷密度指标求取新方法。该方法用熵权法对影响因素的输入值进行加权处理,运用Fletcher-Reeves共轭梯度法改进ANFIS默认的混合学习算法,建立改进型ANFIS预测模型来求取负荷密度,克服了传统方法输出结果不可量化和精度不高等缺点。通过一个实例验证了该方法的实用性和有效性。