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

doi:10.7500/AEPS20210629005

您当前的位置：

首页 >

文章列表页 >

基于时空耦合特性的充电站运行状态预测

学术研究 | 更新时间：2025-06-16

- 基于时空耦合特性的充电站运行状态预测
- Operation State Prediction of Charging Station Based on Spatio-Temporal Coupling Characteristics
- 电力系统自动化 2022年46卷第3期页码：23-32
- 作者机构：
  
  北京交通大学电气工程学院，北京市 100044
- 作者简介：
  
  苏粟(1981—)，女，博士，副教授，博士生导师，主要研究方向：电动汽车与电网互动、电动汽车驾驶行为特性和人工智能在电力系统中的应用。E-mail：ssu@bjtu.edu.cn
  李玉璟(1996—)，女，通信作者，博士研究生，主要研究方向：电动汽车与电网互动、电动汽车充电引导、电动汽车充电站运营规划。E-mail：20117006@bjtu.edu.cn
  夏明超(1976—)，男，博士，教授，主要研究方向：能源互联网、配电网分析与优化、需求响应及柔性负荷调度等。E-mail：mchxia@bjtu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(51677004)
- DOI：10.7500/AEPS20210629005
  中图分类号：
- 收稿：2021-06-29，
  
  修回：2021-10-19，
  
  网络出版：2021-12-09，
  
  纸质出版：2022-02-10
- 稿件说明：
移动端阅览
苏粟,李玉璟,夏明超等.基于时空耦合特性的充电站运行状态预测[J].电力系统自动化,2022,46(3):23-32.

SU Su,LI Yujing,XIA Mingchao,et al.Operation State Prediction of Charging Station Based on Spatio-Temporal Coupling Characteristics[J].Automation of Electric Power Systems,2022,46(3):23-32.
苏粟,李玉璟,夏明超等.基于时空耦合特性的充电站运行状态预测[J].电力系统自动化,2022,46(3):23-32. DOI： 10.7500/AEPS20210629005.

SU Su,LI Yujing,XIA Mingchao,et al.Operation State Prediction of Charging Station Based on Spatio-Temporal Coupling Characteristics[J].Automation of Electric Power Systems,2022,46(3):23-32. DOI： 10.7500/AEPS20210629005.

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

-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。

Abstract

A prediction method for the operation status of charging stations based on spatio-temporal characteristics and the deep learning model is proposed. Firstly

based on the historical operation data of charging stations and the traffic speed data set in the area

the

-means clustering method is used to classify the charging stations into different types and the temporal characteristics of the operation status of charging stations are analyzed. The “offset-traffic-time” three-dimensional matrix model of individual charging stations is established to deeply explore the coupling correlation between the operation status of charging stations and the surrounding traffic conditions in time and space. Secondly

the spatial reconstruction of the time-lagged correlation between charging station status and traffic conditions is carried out

the feature extraction is carried out by convolutional neural network

and the time series prediction is carried out by long short-term memory network

so as to build a multi-step prediction model of charging station operation status based on Keras deep learning framework. Finally

the proposed method is validated with the data of 20 charging stations and compared with various prediction algorithms

and the results show that the proposed method has high prediction accuracy.

关键词

Keywords

references

ERDOĞAN S ， MILLER-HOOKS E . A green vehicle routing problem ［J］. Transportation Research Part E： Logistics and Transportation Review ， 2012 ， 48 （ 1 ）： 100 - 114 .

JIANG N ， XIE C ， DUTHIE J C ， et al . A network equilibrium analysis on destination， route and parking choices with mixed gasoline and electric vehicular flows ［J］. EURO Journal on Transportation and Logistics ， 2014 ， 3 （ 1 ）： 55 - 92 .

GUO J H ， JIANG Y ， YU Y B ， et al . A novel energy consumption prediction model with combination of road information and driving style of BEVs ［J］. Sustainable Energy Technologies and Assessments ， 2020 ， 42 ： 100826 .

DE CAUWER C ， VAN MIERLO J ， COOSEMANS T . Energy consumption prediction for electric vehicles based on real-world data ［J］. Energies ， 2015 ， 8 （ 8 ）： 8573 - 8593 .

BASSO R ， KULCSÁR B ， SANCHEZ-DIAZ I . Electric vehicle routing problem with machine learning for energy prediction ［J］. Transportation Research Part B： Methodological ， 2021 ， 145 ： 24 - 55 .

ZHANG Z K ， LI Y D ， SONG H F ， et al . Multiple dynamic graph based traffic speed prediction method ［J］. Neurocomputing ， 2021 ， 461 ： 109 - 117 .

SAVARI G F ， KRISHNASAMY V ， SATHIK J ， et al . Internet of Things based real-time electric vehicle load forecasting and charging station recommendation ［J］. ISA Transactions ， 2020 ， 97 ： 431 - 447 .

KESKIN M ， LAPORTE G ， ÇATAY B . Electric vehicle routing problem with time-dependent waiting times at recharging stations ［J］. Computers & Operations Research ， 2019 ， 107 ： 77 - 94 .

DING D ， LI J H ， TU P J ， et al . Electric vehicle charging warning and path planning method based on spark ［J］. IEEE Access ， 2020 ， 8 ： 8543 - 8553 .

GUO Q L ， XIN S J ， SUN H B ， et al . Rapid-charging navigation of electric vehicles based on real-time power systems and traffic data ［J］. IEEE Transactions on Smart Grid ， 2014 ， 5 （ 4 ）： 1969 - 1979 .

邢强，陈中，黄学良，等 . 基于数据驱动方式的电动汽车充电需求预测模型［J］. 中国电机工程学报， 2020 ， 40 （ 12 ）： 3796 - 3813 .

XING Qiang ， CHEN Zhong ， HUANG Xueliang ， et al . Electric vehicle charging demand forecasting model based on data-driven approach retraction ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 12 ）： 3796 - 3813 .

董红召，方雅秀，付凤杰 . 物联感知环境下电动汽车充电等待时间分布的预测方法［J］. 电力系统自动化， 2020 ， 44 （ 9 ）： 86 - 94 .

DONG Hongzhao ， FANG Yaxiu ， FU Fengjie . Prediction method of charging waiting time distribution for electric vehicles in Internet of Things perception environment ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 9 ）： 86 - 94 .

王毅，谷亿，丁壮，等 . 基于模糊熵和集成学习的电动汽车充电需求预测［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 114 - 121 .

WANG Yi ， GU Yi ， DING Zhuang ， et al . Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 114 - 121 .

ARIAS M B ， KIM M ， BAE S . Prediction of electric vehicle charging-power demand in realistic urban traffic networks ［J］. Applied Energy ， 2017 ， 195 ： 738 - 753 .

XYDAS E ， MARMARAS C ， CIPCIGAN L M ， et al . A data-driven approach for characterising the charging demand of electric vehicles： a UK case study ［J］. Applied Energy ， 2016 ， 162 ： 763 - 771 .

HILTON G ， KIAEE M ， BRYDEN T ， et al . A stochastic method for prediction of the power demand at high rate EV chargers ［J］. IEEE Transactions on Transportation Electrification ， 2018 ， 4 （ 3 ）： 744 - 756 .

梁星星，冯旸赫，黄金才，等 . 基于自回归预测模型的深度注意力强化学习方法［J］. 软件学报， 2020 ， 31 （ 4 ）： 948 - 966 .

LIANG Xingxing ， FENG Yanghe ， HUANG Jincai ， et al . Novel deep reinforcement learning algorithm based on attention-based value function and autoregressive environment model ［J］. Journal of Software ， 2020 ， 31 （ 4 ）： 948 - 966 .

CHEN J F ， WANG W M ， HUANG C M . Analysis of an adaptive time-series autoregressive moving-average （ARMA） model for short-term load forecasting ［J］. Electric Power Systems Research ， 1995 ， 34 （ 3 ）： 187 - 196 .

黄新波，蒋卫涛，朱永灿，等 . 基于时间序列和支持向量机的变压器故障预测［J］. 高电压技术， 2020 ， 46 （ 7 ）： 2530 - 2538 .

HUANG Xinbo ， JIANG Weitao ， ZHU Yongcan ， et al . Transformer fault prediction based on time series and support vector machine ［J］. High Voltage Engineering ， 2020 ， 46 （ 7 ）： 2530 - 2538 .

周艳真，吴俊勇，冀鲁豫，等 . 基于两阶段支持向量机的电力系统暂态稳定预测及预防控制［J］. 中国电机工程学报， 2018 ， 38 （ 1 ）： 137 - 147 .

ZHOU Yanzhen ， WU Junyong ， JI Luyu ， et al . Two-stage support vector machines for transient stability prediction and preventive control of power systems ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 1 ）： 137 - 147 .

郭亦宗，冯斌，岳铂雄，等 . 负荷聚合商模式下考虑需求响应的超短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 79 - 87 .

GUO Yizong ， FENG Bin ， YUE Boxiong ， et al . Ultra-short-term load forecasting considering demand response in load aggregator mode ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 79 - 87 .

孔祥玉，郑锋，鄂志君，等 . 基于深度信念网络的短期负荷预测方法［J］. 电力系统自动化， 2018 ， 42 （ 5 ）： 133 - 139 .

KONG Xiangyu ， ZHENG Feng ， E Zhijun ， et al . Short-term load forecasting based on deep belief network ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 5 ）： 133 - 139 .

杨智宇，刘俊勇，刘友波，等 . 基于自适应深度信念网络的变电站负荷预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4049 - 4061 .

YANG Zhiyu ， LIU Junyong ， LIU Youbo ， et al . Transformer load forecasting based on adaptive deep belief network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4049 - 4061 .

孙圣举 . 基于路网密度的城市功能空间分布评价及优化研究—以西安市为例［D］. 西安：西北大学， 2020 .

SUN Shengju . The evaluation and optimization of functional spatial distribution based on road network density in Xi’an ［D］. Xi’an ： Northwest University ， 2020 .

张天成 . 实时数据流相关性分析与挖掘技术研究［D］. 沈阳：东北大学， 2008 .

ZHANG Tiancheng . Study on correlation analysis and mining in real-time data streams ［D］. Shenyang ： Northeastern University ， 2008 .

肖勇，赵云，涂治东，等 . 基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法［J］. 电力系统保护与控制， 2019 ， 47 （ 11 ）： 37 - 43 .

XIAO Yong ， ZHAO Yun ， TU Zhidong ， et al . Topology checking method for low voltage distribution network based on improved Pearson correlation coefficient ［J］. Power System Protection and Control ， 2019 ， 47 （ 11 ）： 37 - 43 .

LAI Guokun ， CHANG Weicheng ， YANG Yiming ， et al . Modeling long- and short-term temporal patterns with deep neural networks ［C］// The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval ， July 8-12 ， 2018 ， Ann Arbor， USA .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及道路交通指数影响的公交充电站充电桩优化配置方法

考虑随机用户均衡的区县级电动汽车快充站规划

考虑电动汽车和5G基站的电力-信息-交通耦合网络需求响应策略

考虑负荷预测不确定性的快充站储能鲁棒实时控制策略