基于改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)的電動汽車充電負(fù)荷預(yù)測

摘 "要： 當(dāng)前對電動汽車（EV）充電負(fù)荷預(yù)測的研究缺少真實的數(shù)據(jù)支撐，并且模型考慮場景過于簡單，影響因素考慮不到位，預(yù)測結(jié)果缺乏說服力?；诖耍岢鲆环N考慮多種電動汽車充電負(fù)荷影響因素的電動汽車充電負(fù)荷預(yù)測方法。首先，考慮天氣、季節(jié)、溫度、工作日、節(jié)假日等因素對電動汽車充電負(fù)荷的影響，采用三標(biāo)度層次分析法分析各影響因素權(quán)重；其次，建立LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過真實數(shù)據(jù)訓(xùn)練得到用于預(yù)測的LSTM神經(jīng)網(wǎng)絡(luò)模型，結(jié)合影響因素權(quán)重分析結(jié)果對預(yù)測模型進(jìn)行修正，得到最終的改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測模型；最后，采用常州某小區(qū)的真實數(shù)據(jù)對所提預(yù)測方法進(jìn)行試驗驗證。結(jié)果表明，所提方法可以實現(xiàn)電動汽車充電負(fù)荷的精確預(yù)測，且負(fù)荷預(yù)測結(jié)果可為有序充電策略研究提供參考。

關(guān)鍵詞： 電動汽車； 充電負(fù)荷預(yù)測； LSTM神經(jīng)網(wǎng)絡(luò)模型； 影響因素權(quán)重； 層次分析法； 有序充電

中圖分類號： TN876?34； U469.72 " " " " " " " " " 文獻(xiàn)標(biāo)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(fā)展的階段[1]，大量電動汽車接入電網(wǎng)，電能需求快速增長，導(dǎo)致時間上用電負(fù)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(wǎng)容量不足，對電網(wǎng)運行造成了不良影響（電壓跌落、頻率下降，電網(wǎng)保護(hù)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(xiàn)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(fù)荷進(jìn)行精準(zhǔn)預(yù)測。

關(guān)于電動汽車充電負(fù)荷預(yù)測，現(xiàn)在已經(jīng)有較多的研究進(jìn)行了探討。例如，文獻(xiàn)[5?6]結(jié)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(fù)荷情況；文獻(xiàn)[7]基于電動汽車時空動態(tài)特性，利用圖WaveNet預(yù)測得到了電動汽車充電負(fù)荷；文獻(xiàn)[8]預(yù)測出了在較長時間尺度下不同季節(jié)電動汽車充電負(fù)荷；文獻(xiàn)[9]建立了基于綜合預(yù)測的電動汽車充電負(fù)荷預(yù)測模型，應(yīng)用灰色預(yù)測、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)以及長短時記憶（LSTM）網(wǎng)絡(luò)三種預(yù)測模型對電動汽車充電負(fù)荷進(jìn)行預(yù)測；文獻(xiàn)[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(fù)荷進(jìn)行預(yù)測；文獻(xiàn)[11]提出一種基于動態(tài)能耗模型與用戶心理的電動汽車充電負(fù)荷預(yù)測模型；文獻(xiàn)[12]建立一種基于XGBoost與LightGBM集成的電動汽車充電負(fù)荷預(yù)測模型；文獻(xiàn)[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(fù)荷進(jìn)行預(yù)測。但上述文獻(xiàn)對于電動汽車充電負(fù)荷的預(yù)測主要是基于理想場景對電動汽車的充電行為進(jìn)行模擬，缺少真實數(shù)據(jù)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(yù)測得到的結(jié)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(dǎo)致預(yù)測精度較低等問題，本文充分考慮電動汽車（Electric Vehicle， EV）充電負(fù)荷影響因素，提出一種基于改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)的電動汽車充電負(fù)荷預(yù)測方法。首先，采用三標(biāo)度層次分析法對影響電動汽車充電負(fù)荷的因素進(jìn)行權(quán)重分析，即考慮充電模型應(yīng)用場景的多樣性，并提高權(quán)重分析的客觀性；接著，利用LSTM神經(jīng)網(wǎng)絡(luò)建立電動汽車充電負(fù)荷預(yù)測模型，利用三標(biāo)度層次分析法分析結(jié)果對LSTM算法中的影響因素權(quán)重進(jìn)行修正，得到更可靠的預(yù)測模型；最后，通過《電動汽車充電運營管理服務(wù)系統(tǒng)》獲取一個小區(qū)的電動汽車充電負(fù)荷真實數(shù)據(jù)，并應(yīng)用前文研究所得預(yù)測模型得到該小區(qū)電動汽車充電負(fù)荷預(yù)測值，分析誤差，從而驗證本文方法的準(zhǔn)確性。

1 "影響電動汽車充電因素權(quán)重分析

電動汽車充電負(fù)荷具有較強(qiáng)的隨機(jī)性、波動性，且電動汽車的充電規(guī)律受天氣、季節(jié)、溫度、工作日、節(jié)假日等因素影響，不同因素影響下的電動汽車充電規(guī)律十分復(fù)雜。

層次分析法（AHP）是指將與決策總是有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上對各參量指標(biāo)賦予相應(yīng)權(quán)重的方法[14]。傳統(tǒng)的層次分析法利用九標(biāo)度法構(gòu)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(quán)重判斷的主觀性，本文對層次分析法進(jìn)行改進(jìn)，運用三標(biāo)度層次分析法分析影響電動汽車充電因素的權(quán)重，具體過程如下：

1） 構(gòu)造判斷矩陣。對于[n]個狀態(tài)指標(biāo)量[an]、指標(biāo)[ai]與指標(biāo)[aj]，兩兩之間進(jìn)行相互比較，構(gòu)造各個指標(biāo)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(tài)指標(biāo)與第[j]個狀態(tài)指標(biāo)的重要程度比較結(jié)果，[i，j]=1，2，…，n。

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

[bi=j=1n xij] " " " " " " " " " " （2）

3） 確定評判矩陣。利用排序數(shù)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(shù)；[bmax]為最大排序指數(shù)；[bmin]為最小排序指數(shù)；[km]為最大排序指數(shù)和最小排序指數(shù)的比值；[yij]為相對重要性程度元素。

4） 根據(jù)計算的評判矩陣[Yij]結(jié)果構(gòu)造擬優(yōu)一致矩陣[Y'ij]，公式為：

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

式中：[Y'ij]為擬優(yōu)一致矩陣；[dij=ln Yij]，即[Yij]參數(shù)取對數(shù)得到[dij]。

2 "電動汽車充電負(fù)荷預(yù)測方法

2.1 "LSTM神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）可以應(yīng)用于負(fù)荷預(yù)測的實際問題中，但在實際應(yīng)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(jīng)網(wǎng)絡(luò)。LSTM神經(jīng)網(wǎng)絡(luò)主要通過引入門控機(jī)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(huán)神經(jīng)網(wǎng)絡(luò)的長程依賴問題，以及緩解長序列訓(xùn)練過程中的梯度消失問題。

在LSTM神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)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(jié)構(gòu)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(tài)需要遺忘多少信息，保留多少信息到當(dāng)前記憶單元狀態(tài)。

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

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

圖1中，當(dāng)前時刻為t，[ht-1]、[Ct-1]分別為t-1時刻神經(jīng)元的隱藏狀態(tài)變量和細(xì)胞狀態(tài)變量，[xt]為當(dāng)前時刻的輸入序列。輸入到神經(jīng)元的信息依次通過遺忘門、輸入門和輸出門，計算得到當(dāng)前t時刻序列的[ht]和[Ct]。[ht]和[Ct]繼續(xù)傳入t+1時刻神經(jīng)元的同時，會傳入輸出層，生成t時刻的預(yù)測結(jié)果[yt]。其中，遺忘門決定去除哪些無用信息。遺忘門根據(jù)t-1時刻神經(jīng)元狀態(tài)[ht-1]和當(dāng)前時刻輸入[xt]，利用Sigmoid激活函數(shù)為每個細(xì)胞狀態(tài)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(shù)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(dāng)前時刻。輸入門由兩部分組成，一部分利用Sigmoid激活函數(shù)再次對信息進(jìn)行選擇，另一部分利用tanh激活函數(shù)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(xì)胞狀態(tài)。

以上兩步會刷新細(xì)胞狀態(tài)，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(xì)胞狀態(tài)中的無用信息，再根據(jù)選擇添加新輸入的信息。

輸出門決定當(dāng)前時刻細(xì)胞狀態(tài)的輸出。輸出門首先利用Sigmoid激活函數(shù)決定細(xì)胞狀態(tài)的哪個部分將被輸出，再通過tanh激活函數(shù)計算新的隱藏狀態(tài)，公式如下：

[Ot=σU0xt+W0ht-1+b0] （9）

[ht=OttanhCt] "（10）

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

2.2 "電動汽車充電負(fù)荷預(yù)測模型

獲取電動汽車充電負(fù)荷相關(guān)數(shù)據(jù)并進(jìn)行處理，以使得所述數(shù)據(jù)歸一化。將數(shù)據(jù)分為影響因素類別和充電負(fù)荷，影響因素分為作息、天氣、溫度和季節(jié)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(shù)據(jù)為準(zhǔn)；季節(jié)中的春夏秋冬分別規(guī)定為1、2、3、4，而后將數(shù)據(jù)進(jìn)行歸一化處理。

根據(jù)離散化公式處理所述有序充電負(fù)荷相關(guān)數(shù)據(jù)，以使得所述大樣本數(shù)據(jù)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(shù)據(jù)在時段t的實際值；[x'i（t）]為樣本集合數(shù)據(jù)在時段t的歸一化值；[xi，max（t）]為樣本集合數(shù)據(jù)中的最大值；[xi，min（t）]為樣本集合數(shù)據(jù)中的最小值。

具體地，[xi（t）]表示第[i]個樣本的實際負(fù)荷相關(guān)值，采用離散標(biāo)準(zhǔn)化的方法將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間，最后使得所有負(fù)荷數(shù)據(jù)在標(biāo)準(zhǔn)化后的值均處于[0，1]區(qū)間。

將數(shù)據(jù)集分為訓(xùn)練集和測試集，采用BPTT法代入訓(xùn)練集數(shù)據(jù)對LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練后所得到的LSTM神經(jīng)網(wǎng)絡(luò)模型便是最終得到的電動汽車充電負(fù)荷預(yù)測模型。

2.3 "LSTM神經(jīng)網(wǎng)絡(luò)改進(jìn)措施

在得到電動汽車充電負(fù)荷預(yù)測模型后，利用三標(biāo)度層次分析法得到的權(quán)重對LSTM神經(jīng)網(wǎng)絡(luò)不同時間節(jié)點產(chǎn)生的預(yù)測值進(jìn)行加權(quán)修正，進(jìn)而得到更精確的電動汽車充電負(fù)荷預(yù)測結(jié)果。LSTM神經(jīng)網(wǎng)絡(luò)改進(jìn)后的預(yù)測流程如圖2所示。

3 "實驗結(jié)果與分析

本文仿真實驗選擇常州某小區(qū)進(jìn)行分析。

3.1 "權(quán)重分析算例

本算例運用了常州某小區(qū)的2022年第二季度共92天的負(fù)荷和影響因素數(shù)據(jù)進(jìn)行分析。輸入向量為天氣、季節(jié)、溫度、工作日、節(jié)假日處理過后的數(shù)據(jù)，輸出向量為天氣、季節(jié)、溫度、工作日、節(jié)假日所占的權(quán)重。權(quán)重分析結(jié)果如圖3所示。

由圖3三標(biāo)度層次分析法的權(quán)重計算結(jié)果顯示，作息的權(quán)重為57.511%，天氣的權(quán)重為23.645%，溫度的權(quán)重為5.934%，季節(jié)的權(quán)重為12.91%，指標(biāo)權(quán)重值最大的為作息（57.511%），權(quán)重值最小的為溫度（5.934%）。其中最大特征根為4.221，根據(jù)RI表查到對應(yīng)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(fù)荷預(yù)測結(jié)果

本算例對常州某小區(qū)的電動汽車充電負(fù)荷進(jìn)行分析，該小區(qū)用于電動汽車充電的配變?nèi)萘繛?40 kVA。通過《電動汽車充電運營管理服務(wù)系統(tǒng)》獲取該小區(qū)電動汽車充電負(fù)荷的真實數(shù)據(jù)，并對該小區(qū)電動汽車充電負(fù)荷進(jìn)行預(yù)測。本算例將一天分為96個點，每15 min進(jìn)行一次數(shù)據(jù)統(tǒng)計，而后應(yīng)用于預(yù)測模型之中，得到該小區(qū)該典型日的充電負(fù)荷曲線，如圖4所示。由預(yù)測結(jié)果可知，該小區(qū)的充電峰值在22：00至次日凌晨3：00左右，負(fù)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(diào)控潛力。

為了充分驗證改進(jìn)LSTM算法預(yù)測的準(zhǔn)確性，分別采用LSTM神經(jīng)網(wǎng)絡(luò)和改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)對同一個居民區(qū)的電動汽車充電負(fù)荷進(jìn)行預(yù)測。同時，為了體現(xiàn)改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)方法在不同季節(jié)同樣適用，分別在夏季和冬季的一天對同一居民區(qū)的電動汽車充電負(fù)荷進(jìn)行預(yù)測。為了更清楚地將本文方法和LSTM算法預(yù)測結(jié)果進(jìn)行觀察比較，繪制預(yù)測結(jié)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(yù)測結(jié)果曲線如圖5～圖6所示，圖中橫坐標(biāo)為數(shù)據(jù)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(jìn)的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測方法預(yù)測準(zhǔn)確率遠(yuǎn)高于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測方法。圖7～圖8所示為兩種預(yù)測方法的誤差比較結(jié)果。由圖可知，改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測方法大大減小了LSTM算法的預(yù)測誤差。由圖5～圖6可以看出無論是夏季還是冬季，用改進(jìn)LSTM算法預(yù)測得到的可用容量結(jié)果都比LSTM算法更精確。由圖7～圖8也可以得到這個結(jié)論。本文方法與真實值極為接近，說明其具有精準(zhǔn)的預(yù)測能力。

4 "結(jié) "語

文中提出一種基于改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)的電動汽車充電負(fù)荷預(yù)測方法。該方法可以分析不同影響因素的權(quán)重，提高預(yù)測的客觀性，從而克服了傳統(tǒng)權(quán)重研究方法主觀性較大的缺點。本文通過三標(biāo)度層次分析法改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型，進(jìn)而準(zhǔn)確預(yù)測電動汽車充電負(fù)荷。以常州某小區(qū)為例進(jìn)行仿真實驗，結(jié)果表明，所提方法可以實現(xiàn)電動汽車充電負(fù)荷的精確預(yù)測，同時負(fù)荷預(yù)測結(jié)果可為有序充電策略研究提供基礎(chǔ)。

注：本文通訊作者為林祥。

參考文獻(xiàn)

[1] 國務(wù)院辦公廳.國務(wù)院辦公廳印發(fā)《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)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(xué)技術(shù)與工程，2023，23（14）：5827?5839.

[3] 夏博，楊超.含電動汽車的主動配電網(wǎng)優(yōu)化調(diào)度[J].科學(xué)技術(shù)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(diào)度策略[J].科學(xué)技術(shù)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(fù)荷預(yù)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(fù)荷預(yù)測[J].電力系統(tǒng)自動化，2022，46（16）：207?213.

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

[9] 李楠，馬宏忠.基于綜合預(yù)測模型和蒙特卡洛的電動汽車保有量及負(fù)荷預(yù)測方法研究[J].電機(jī)與控制應(yīng)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(fù)荷時空分布預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2021，49（20）：82?91.

[11] 張美霞，吳子敬，楊秀.基于動態(tài)能耗模型與用戶心理的電動汽車充電負(fù)荷預(yù)測[J].現(xiàn)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(fù)荷預(yù)測模型[J].電子技術(shù)應(yīng)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(fù)荷預(yù)測方法[J].電力系統(tǒng)保護(hù)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(diào)度方法研究[J].電工技術(shù)，2020（20）：37?38．