基于时空耦合特性的充电站运行状态预测.pdfVIP

第46 卷 第3 期 2022 年2 月10 日 Vol.46No.3 Feb.10，2022 DOI：10.7500/AEPS20210629005 基于时空耦合特性的充电站运行状态预测 苏 粟，李玉璟，夏明超，汤小康，韦存昊，梁 方 （北京交通大学电气工程学院，北京市 100044） 摘要：提出一种基于时空耦合特性和深度学习模型的充电站运行状态预测方法。首先，基于充电 站历史运行数据和所在区域的交通通行速度数据集，利用k-means聚类方法将充电站划分为不同 类型，分析充电站运行状态在时间上的特性；建立单个充电站的“偏移量- 交通- 时间”三维矩阵模 型，深度挖掘充电站运行状态与周边交通状况在时间和空间上的耦合相关性。其次，将充电站状态 与交通状况的时间滞后相关特性进行空间重构，利用卷积神经网络进行特征提取，通过长短期记忆 网络进行时间序列预测，构建基于Keras深度学习框架的充电站运行状态多步预测模型。最后，以 20个充电站的真实运行数据进行验证，并与多种预测算法进行对比，结果表明，所提方法具有较高 的预测精度。 关键词：充电站；运行状态；交通状况；多步预测；Keras深度学习框架 0 引言 建模更贴近充电站真实运行状况。文献［13］基于深 ［1］ 度学习方法对某区域的充电需求进行预测。文献 目前，电动汽车仍存在着续航里程短 、充电时 ［14］利用道路的实时流量，建立充电站充电需求模 间长等不足，同时，车主选择充电站的随机性和盲目 ［2］ 型。文献［15-16］通过车辆出行和充电历史数据，挖 性导致部分充电站排队过长、用户出行成本增加 。 充电站运行状态预测能够将未来短时间段内的使用 掘不同区域充电需求的时空分布特征。上述研究虽 状态可视化，是为用户提供准确便利充电引导的必 然依据真实数据建立充电站负荷预测模型，但预测 要前提。 结果多为负荷需求的大小，由于充电站内充电桩的 现有研究多从“车-路-站”耦合互动的角度提高 功率并不完全相同，因此，充电负荷需求结果并不能 用户充电引导服务水平。文献［3-4］对电动汽车在 完全准确和直观地说明充电站目前的运行状态，预 不同道路的能耗进行预测。文献［5］考虑能耗的不 测结果尚不能为用户出行规划提供参考建议。 确定性来优化车辆行驶路线。文献［6］利用图卷积 目前，以充电站使用状态为基础，以用户充电引 网络预测道路交通速度。了解充电站的实时状态可 导为落脚点开展的研究较少。充电站使用状态受地 ［7］ 进一步为用户提供有价值的信息 。文献［8］指出 理位置、日类型、交通状况等诸多因素影响，难以通 了充电站排队行为会使总成本增加1%~26%。文 过一个合适的数学模型准确表达。传统的自回归 献［9］考虑充电站排队时间，通过最小化行程时间来 （AR）模型和自回归移动平均方法［17-18］利用变量自 求解路径。但上述文献均着眼于充电站的当前状 身的历史数据进行预测，不能反映外部因素的影 态，随着电动汽车数量快速增长，充电站的实时状态 响。而支持向量机［19-20］、长短期记忆（LSTM）网 将不足以为大规模用户提供便捷服务。 ［21］ ［22-23］ 络 、深度信念网络（DBN） 等深度学习算法， 文献［10-11］结合动