论文部分内容阅读
电动汽车未来大规模接入电网时,其充放电的时间和空间随机性,会对配电网网损、电能质量、可靠性、稳定性等方面产生很大的影响,给电网调度带来巨大挑战。该文提出了基于深度学习的电动汽车负荷预测模型,为电网智慧调度提供决策依据。针对电动汽车负荷预测存在精度不高和模型理想化等问题,在现有预测方法和概率性区间预测的基础上,结合深度学习对数据拟合能力强、能够发现时序规律等特点,分别提出了两种基于LSTM神经网络分位数回归和空洞因果卷积神经网络分位数回归的概率预测方法。模型采用Adam随机梯度下降法对网络结构中的各层参数进行估计,得到最优参数。最后滚动预测得出未来96个时间点内各时刻电动汽车负荷的概率密度函数,相比单纯的点预测结果,区间预测能够得到更加丰富的信息和容错程度,同时也能得到未来某段时间内电动汽车负荷完整概率分布的有效预测。根据中国某地电动汽车负荷实际数据预测结果表明,所提出的概率密度预测方法不仅能得出较为精确的点预测结果,并且还能获得电动汽车负荷完整的概率密度函数预测结果,比神经网络分位数回归精度更准确,且在相同置信度下的预测区间范围更小。针对电动汽车充电负荷具有很强的时空随机性,从而加大电网控制的难度以及影响电能质量的情况,提出一种时空动态负荷预测模型—二维空洞因果卷积神经网络。首先向三维卷积的卷积核所属时间维度添加空洞因子,构成二维空洞卷积层,使模型可以学习到空间维度的信息。然后通过此类层的堆叠构成整个网络,保证网络能够接受到长期的历史输入,使模型能够学习到时间维度信息。实验仿真,结果证明了所提预测模型的有效性。该文的研究不仅拟解决含电动汽车的部分电网信息采集和运行状态的预测问题,研究成果也可进一步拓展到电动汽车有序充放电策略的研究中。