龐松嶺 范凱迪 陳超 竇潔

【摘要】為提高電動(dòng)汽車充電負(fù)荷預(yù)測的準(zhǔn)確性，設(shè)計(jì)了一種基于輕量級梯度提升機(jī)（LightGBM）算法和出行鏈理論的電動(dòng)汽車充電負(fù)荷多時(shí)間尺度預(yù)測模型。利用出行鏈描述用戶出行過程，采用蒙特卡洛法抽取時(shí)空數(shù)據(jù)，計(jì)算不同區(qū)域出行和停留時(shí)間的概率密度函數(shù)，采用牛頓法劃分多時(shí)間尺度充電概率，明確駕駛時(shí)空分布與充電狀況，并運(yùn)用模糊數(shù)學(xué)定理與LightGBM分類充電負(fù)荷數(shù)據(jù)，構(gòu)建了多季節(jié)多時(shí)段預(yù)測模型。采用LightGBM高效并行計(jì)算模式，明確充電負(fù)荷變化規(guī)律，實(shí)現(xiàn)了多時(shí)間尺度預(yù)測。試驗(yàn)結(jié)果表明：所建立的模型在不同季節(jié)和電動(dòng)汽車數(shù)量條件下，預(yù)測誤差低于100 kW，預(yù)測空報(bào)率低于3%，可準(zhǔn)確展現(xiàn)充電負(fù)荷的變化規(guī)律。

主題詞：輕量級梯度提升機(jī) 出行鏈理論 充電負(fù)荷 多時(shí)間尺度 預(yù)測模型

中圖分類號：TM714? ?文獻(xiàn)標(biāo)志碼：A? ?DOI： 10.19620/j.cnki.1000-3703.20230993

A Multi Time Scale Prediction Model for Electric Vehicle Charging Load Based on LightGBM Algorithm and Travel Chain Theory

【Abstract】To improve the prediction accuracy of electric vehicle charging load， a multi time scale prediction model for electric vehicle charging load was designed based on the Lightweight Gradient Boosting Machine （LightGBM） algorithm and travel chain theory. The travel chain was used to describe the users travel process， Monte Carlo method was used to extract the spatiotemporal data， and the probability density functions of travel and stay time in different regions was calculated. Newton method was used to divide the probability of charging at multiple time scales， clarifying the spatiotemporal distribution of driving and charging conditions. Fuzzy mathematics theorem and LightGBM were applied to classify charging load data， and a multi season and multi time prediction model were constructed. The efficient parallel computing mode of LightGBM was applied which clarified the variation pattern of charging load， and multi time scale prediction was achieved. The experimental results show that the established model has a prediction error of less than? ? ?100 kW and a prediction false alarm rate of less than 3% under different seasons and the number of electric vehicles， and can accurately display the variation pattern of charging load.

Key words： Light Gradient Boosting Machine （LightGBM）， Travel chain theory， Charging load， Multiple time scales， Prediction model

1 前言

電動(dòng)汽車大規(guī)模充電帶來的高用電量與強(qiáng)變化性使傳統(tǒng)電網(wǎng)運(yùn)行壓力增大，電動(dòng)汽車充電負(fù)荷預(yù)測有助于充電站規(guī)劃科學(xué)的運(yùn)營制度，對優(yōu)化電網(wǎng)運(yùn)行能力具有重要意義[1]，是保證電網(wǎng)安全高效運(yùn)行的關(guān)鍵。

吳丹等[2]基于XGBoost與輕量級梯度提升機(jī)（Light Gradient Boosting Machine，LightGBM）提出了電動(dòng)汽車充電負(fù)荷預(yù)測模型，并采用嶺回歸（Ridge Regression，RR）算法進(jìn)行求解，實(shí)現(xiàn)了負(fù)荷預(yù)測。張琳娟等[3]以出行起訖點(diǎn)（Origin-Destination，OD）時(shí)空分布矩陣為基礎(chǔ)構(gòu)建電動(dòng)汽車負(fù)荷預(yù)測方法，基于蒙特卡洛方法建立電動(dòng)汽車充電負(fù)荷預(yù)測模型，完成了負(fù)荷預(yù)測。張美霞等[4]建立了一種電動(dòng)汽車出行時(shí)空轉(zhuǎn)移模型，根據(jù)OD分析法模擬出行規(guī)律，憑借鋰電池充放電試驗(yàn)信息確定不同溫度對電池容量的影響，引入錨定效應(yīng)分析用戶心理與充電決策的關(guān)聯(lián)關(guān)系，基于用戶主觀意愿構(gòu)建了充電負(fù)荷預(yù)測模型。袁小溪等[5]對檢測區(qū)域進(jìn)行網(wǎng)格劃分，以網(wǎng)格為空間預(yù)測單元，使用貝葉斯正則化反向傳播（Back-Propagation，BP）神經(jīng)網(wǎng)絡(luò)法明確電動(dòng)汽車充電負(fù)荷與各類影響因素的內(nèi)在關(guān)聯(lián)，實(shí)現(xiàn)充電需求預(yù)測。上述方法均未考慮充電負(fù)荷的時(shí)空變化特征，預(yù)測結(jié)果不夠精準(zhǔn)。

為了提高電動(dòng)汽車充電負(fù)荷預(yù)測的準(zhǔn)確性，本文采用出行鏈理論明確電動(dòng)汽車用戶出行時(shí)空規(guī)律，對每個(gè)特征量間的隱含關(guān)系進(jìn)行近似線性關(guān)聯(lián)分析，依據(jù)不同季節(jié)一天內(nèi)多時(shí)段等多時(shí)間尺度，歸一化計(jì)算車輛充電負(fù)荷多時(shí)間尺度指標(biāo)，明確電動(dòng)汽車的駕駛時(shí)空分布與充電狀況，并基于改進(jìn)的強(qiáng)回歸樹構(gòu)建充電負(fù)荷多時(shí)間尺度預(yù)測模型，運(yùn)用LightGBM算法高效率并行計(jì)算模式求解該模型，獲得充電負(fù)荷多時(shí)間尺度預(yù)測結(jié)果，并通過試驗(yàn)驗(yàn)證所建立模型的有效性。

2 電動(dòng)汽車充電負(fù)荷多時(shí)間尺度預(yù)測

2.1 出行鏈特征量近似線性關(guān)聯(lián)分析

出行鏈表示用戶在出行意愿支配下，從初始點(diǎn)出發(fā)，依照時(shí)間次序途經(jīng)多個(gè)目標(biāo)地點(diǎn)，最終抵達(dá)終點(diǎn)結(jié)束出行的過程。出行鏈特征量涵蓋駕駛與停留2個(gè)部分。為完整定義用戶出行流程，將出行鏈特征量分為時(shí)間特征量和空間特征量。

時(shí)間特征量能闡明電動(dòng)汽車出行的時(shí)序改變狀況，包含抵達(dá)、離開第i次出行目標(biāo)地的時(shí)間Ti、TLi，離開第（i-1）次出行目的地開始第i次出行的時(shí)間TLi-1，第i次出行駕駛時(shí)間tgi、停留時(shí)間tsi。

空間特征量定義了電動(dòng)汽車移動(dòng)時(shí)的空間轉(zhuǎn)移狀況，包含初始出發(fā)地與終點(diǎn)的里程P0、第（i-1）次出行目的地里程（即第i次出行初始里程）Pi-1、第i次出行目的地里程Pi和出行的總里程p。

出行鏈每個(gè)特征量之間都具備耦合關(guān)系，時(shí)間鏈中，Ti與TLi可使用tgi、tsi獲得：

Ti=TLi-1+tgi? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

TLi=Ti+tsi? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

同理，空間鏈中特征量的耦合關(guān)系為：

p=Pi+（P0-Pi-1）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

依照用戶出行類別，將出行目標(biāo)擬作回家、工作、購物、社交、其他事務(wù)5種類型[6-9]。將出行目的地劃分為住宅區(qū)、工作區(qū)、商業(yè)區(qū)，且設(shè)定每個(gè)區(qū)域充電設(shè)備都能正常使用，出行鏈長度為3，即最多涵蓋3個(gè)出行目標(biāo)地。

為明確用戶出行時(shí)空分布狀況，以Pi、tgi、tsi的概率分布作為輸入量，使用蒙特卡洛法隨機(jī)抽取數(shù)據(jù)[10]，產(chǎn)生不同的空間特征量。因當(dāng)前電動(dòng)汽車出行信息較少，將燃油車出行規(guī)律擬作電動(dòng)汽車出行規(guī)律，經(jīng)數(shù)據(jù)分析獲得輸入量概率分布結(jié)果。

假設(shè)用戶出行時(shí)空基本符合正態(tài)分布[11]，將其概率密度函數(shù)定義為：

式中：f0為用戶第一次出行時(shí)段的概率密度函數(shù)；α為正態(tài)分布系數(shù)，此處為標(biāo)準(zhǔn)正態(tài)分布，因此取α=1；μ為密度分布系數(shù)，即概率密度函數(shù)的標(biāo)準(zhǔn)差。

概率密度函數(shù)的標(biāo)準(zhǔn)差σ為：

式中：f0（x）為概率密度函數(shù)，x為概率密度，[a，b]為函數(shù)定義域，τ為概率密度函數(shù)的均值。

概率密度函數(shù)的均值τ的計(jì)算公式為：

用戶出行的行駛時(shí)間與行駛前、后的目標(biāo)地類別相關(guān)，將其分成3個(gè)類別：從住宅區(qū)到非住宅區(qū)、從非住宅區(qū)到住宅區(qū)、從非住宅區(qū)到非住宅區(qū)[12-13]。假設(shè)3種行駛類型的時(shí)間均服從對數(shù)正態(tài)分布，將其概率密度函數(shù)定義為：

式中：μj為對數(shù)正態(tài)分布的均值，j=1，2，3分別表示從住宅區(qū)到非住宅區(qū)、從非住宅區(qū)到住宅區(qū)、從非住宅區(qū)到非住宅區(qū)。

電動(dòng)汽車充電只能發(fā)生在抵達(dá)目標(biāo)地后的停留過程中，因此每個(gè)目標(biāo)區(qū)域的停留時(shí)間與充電模式的選擇和充電時(shí)長直接相關(guān)[14-15]。將工作區(qū)停留時(shí)間的概率密度函數(shù)f（w）記作：

式中：tz為工作區(qū)的平均停留時(shí)間，w=（tsi-tz）/c為每個(gè)目標(biāo)區(qū)域的停留時(shí)間，c為次數(shù)。

根據(jù)式（8）同理可得商業(yè)區(qū)與住宅區(qū)的停留時(shí)間概率密度。

不考慮交通堵塞，結(jié)合每個(gè)出行目標(biāo)區(qū)域停留時(shí)間的概率密度，將時(shí)間鏈與空間鏈的特征量間進(jìn)行耦合。整合不同時(shí)間尺度下的充電負(fù)荷數(shù)據(jù)與對應(yīng)的地理位置信息，獲取時(shí)間和空間上的充電負(fù)荷數(shù)據(jù)。從整合后的充電負(fù)荷數(shù)據(jù)中提取時(shí)間鏈和空間鏈的特征。運(yùn)用統(tǒng)計(jì)和建模方法，研究不同時(shí)間尺度下的充電負(fù)荷對應(yīng)的地理位置分布以及在不同地理位置上的充電負(fù)荷變化趨勢等，進(jìn)而獲得電動(dòng)汽車用戶行駛里程：

Pi=f（w）vtgi? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

式中：v為用戶本次出行的平均車速。

通過近似線性關(guān)聯(lián)分析出行鏈特征量，對時(shí)間鏈和空間鏈的特征量進(jìn)行具體分析，獲得電動(dòng)汽車用戶行駛里程，作為充電負(fù)荷多時(shí)間尺度預(yù)測的基礎(chǔ)。

2.2 充電負(fù)荷多時(shí)間尺度預(yù)測模型構(gòu)建

基于前文獲得的行駛目的地概率密度和電動(dòng)汽車用戶行駛里程，從多時(shí)間尺度構(gòu)建充電負(fù)荷預(yù)測模型。對歷史充電負(fù)荷數(shù)據(jù)進(jìn)行季節(jié)特征提取，通過季節(jié)分解法分析季節(jié)性變化的趨勢和周期性。增加時(shí)間尺度的維度，以捕捉不同時(shí)間尺度上的季節(jié)變化。分析后發(fā)現(xiàn)，季節(jié)變化中氣溫是負(fù)荷的主要影響因素[16]，因此在構(gòu)建模型前，需進(jìn)行負(fù)荷數(shù)據(jù)和氣溫?cái)?shù)據(jù)的歸一化處理。將不同季節(jié)（季節(jié)時(shí)間尺度）一天之內(nèi)多時(shí)段（小時(shí)尺度）的負(fù)荷數(shù)據(jù)歸一化到[0，1]范圍，使用最大-最小歸一化方法，將負(fù)荷數(shù)據(jù)映射到指定范圍內(nèi)，以便統(tǒng)一比較和分析不同季節(jié)、不同時(shí)段的負(fù)荷數(shù)據(jù)。采用量化因子歸一化處理方式量化處理負(fù)荷數(shù)據(jù)的時(shí)間尺度指標(biāo)?？紤]氣溫對負(fù)荷的影響，因不同季節(jié)一天之內(nèi)氣溫會(huì)發(fā)生變化，過冷或過熱均需要啟動(dòng)空調(diào)，負(fù)荷將發(fā)生變化，因此將氣溫作為負(fù)荷數(shù)據(jù)歸一化指標(biāo)，將氣溫的歸一化形式記作：

Yt=（ut-umin）（ut-umax）? ? ? ? ? ? ? ? ? ? ? ? ?（10）

式中：Yt為t時(shí)段歸一化后的溫度，ut為t時(shí)段實(shí)時(shí)氣溫，umin、umax分別為最低、最高氣溫。

現(xiàn)階段，電動(dòng)汽車多為每天充電一次或設(shè)置固定的充電模式，但用戶駕駛至某目的地時(shí)是否選擇充電與剩余電量有很大關(guān)系，一般剩余電量在40%以上才能保證電動(dòng)汽車正常運(yùn)行[17]?；谇拔牡碾妱?dòng)汽車用戶行駛里程，計(jì)算第i次出行結(jié)束時(shí)的電池荷電狀態(tài)Ri：

[RiG=Ri-1G-ziP]? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

式中：G為電池容量，zi為第i次出行的每公里耗電量。

由此獲得約束電動(dòng)汽車行駛至目的地時(shí)的充電條件為：

[RiG-zi+1Pi+1<0.4G]? ? ? ? ? ? ? ? ? ? ? ? （12）

電動(dòng)汽車充電時(shí)間由電池容量、起始荷電狀態(tài)與充電功率等因素決定[18-20]。如果在目的地充電，則充電時(shí)間為：

Tc=[（1-Ri-1）G+zip]/kQ? ? ? ? ? ? ? ? ? ? ? ?（13）

式中：k為充電效率，Q為充電功率水平。

牛頓法利用函數(shù)的一階和二階導(dǎo)數(shù)信息逐步逼近函數(shù)的根。在劃分充電概率的問題中，牛頓法可以將充電概率視為一個(gè)函數(shù)，通過迭代近似求解該函數(shù)的根，優(yōu)化了充電概率的計(jì)算過程，輔助提高了充電概率計(jì)算的收斂性和穩(wěn)定性。因此，在上述各項(xiàng)指標(biāo)基礎(chǔ)上，采用牛頓法劃分多時(shí)間尺度的充電概率[21-22]，即可明確電動(dòng)汽車的駕駛時(shí)空分布與充電狀況，獲得其在各目的地的充電負(fù)荷。若汽車到達(dá)目的地后，通過充電概率可以推算當(dāng)前剩余電量，并評估能否滿足下個(gè)行程的駕駛需求，基于牛頓法將電動(dòng)汽車處于t時(shí)段的充電概率Jt表示為：

式中：Ty為駕駛到目的地的行程終止時(shí)間段。

同時(shí)，運(yùn)用加法模式訓(xùn)練，得到預(yù)測改進(jìn)回歸樹模型Bt，記作：

式中：ci、di分別為損失函數(shù)一階與二階梯度統(tǒng)計(jì)結(jié)果，Di為葉子樣本數(shù)據(jù)集，β為懲罰系數(shù)，n為數(shù)據(jù)量，ai為分類系數(shù)，fi為負(fù)荷數(shù)據(jù)的第i棵分類決策樹（即第i次出行）。

改進(jìn)回歸樹模型的訓(xùn)練流程為：

a. 選擇特征。從所有特征中選取一個(gè)最優(yōu)的特征作為當(dāng)前節(jié)點(diǎn)的分裂特征。

b. 劃分?jǐn)?shù)據(jù)。根據(jù)選定的分裂特征將數(shù)據(jù)集劃分成2個(gè)子集，每個(gè)子集包含具有相同特征值的樣本。

c. 計(jì)算誤差。使用某個(gè)指標(biāo)（例如均方誤差）計(jì)算每個(gè)子集中實(shí)際值與預(yù)測值間的誤差。

d. 如果滿足迭代次數(shù)最大條件，則將當(dāng)前節(jié)點(diǎn)標(biāo)記為葉節(jié)點(diǎn)，并結(jié)束流程，否則轉(zhuǎn)到步驟e。

e. 遞歸劃分?jǐn)?shù)據(jù)。對于每個(gè)子集，重復(fù)步驟a～步驟d，直到滿足停止條件。

為探尋最能反映因變量本質(zhì)的自變量特征，完成多時(shí)間尺度充電負(fù)荷數(shù)據(jù)分類工作，將i棵弱回歸樹線性融合成強(qiáng)回歸樹，強(qiáng)回歸樹可降低數(shù)據(jù)內(nèi)存占用量，確保在不降低計(jì)算速率的基礎(chǔ)上訓(xùn)練更多數(shù)據(jù)，提高運(yùn)算準(zhǔn)確率。由此完成改進(jìn)回歸樹模型的訓(xùn)練，作為預(yù)測的基礎(chǔ)數(shù)學(xué)模型。

充分考慮前文獲得的汽車停留充電的時(shí)空概率密度，累加每個(gè)時(shí)間尺度的電動(dòng)汽車充電負(fù)荷，基于訓(xùn)練后的改進(jìn)回歸樹模型構(gòu)建充電負(fù)荷多時(shí)間尺度預(yù)測模型為：

式中：Jc為充電功率水平，Nh為充電車輛總數(shù)，Ji，t為第i次出行目的地t時(shí)段的充電功率。

了解電動(dòng)汽車出行規(guī)律后可知，車輛充電負(fù)荷預(yù)測存在多種隨機(jī)元素，上述基于改進(jìn)回歸樹模型的充電負(fù)荷多時(shí)間尺度預(yù)測模型獲得的預(yù)測結(jié)果在隨機(jī)元素干擾下難以獲得最優(yōu)解，因此需要選擇合適的算法求解模型的最優(yōu)值。

2.3 充電負(fù)荷多時(shí)間尺度預(yù)測求解

模糊數(shù)學(xué)原理普遍用于處理不確定性和模糊性的問題。LightGBM通過多個(gè)基學(xué)習(xí)器的集成，可以有效減少復(fù)雜問題求解過擬合的風(fēng)險(xiǎn)，能夠處理離散型和混合型數(shù)據(jù)。因此，運(yùn)用模糊數(shù)學(xué)定理與LightGBM可以完成隨機(jī)元素推導(dǎo)，適用于求解前文構(gòu)建的充電負(fù)荷多時(shí)間尺度預(yù)測模型這種復(fù)雜的數(shù)據(jù)模型。

利用LightGBM算法訓(xùn)練前文的改進(jìn)回歸樹模型，獲得多時(shí)間尺度負(fù)荷預(yù)測的分類求解結(jié)果。將LightGBM算法下的回歸樹模型表示為：

式中：T為全部樹總棵數(shù)，A為葉子數(shù)量。

訓(xùn)練過程為：

a. 初始化。將訓(xùn)練集中的所有樣本視為一個(gè)葉節(jié)點(diǎn)，并計(jì)算它們的均值作為初始預(yù)測值。

b. 迭代訓(xùn)練。在每次迭代中，首先計(jì)算當(dāng)前模型的殘差（即實(shí)際值與當(dāng)前預(yù)測值的差），然后訓(xùn)練一個(gè)新的回歸樹模型來擬合殘差。

c. 葉節(jié)點(diǎn)分裂。對于每個(gè)葉節(jié)點(diǎn)，根據(jù)某個(gè)指標(biāo)（例如最小化方差或最小化絕對誤差）選擇最優(yōu)的分裂特征和分裂點(diǎn)，將該葉節(jié)點(diǎn)分裂成2個(gè)子節(jié)點(diǎn)。

d. 剪枝。使用正則化方法（例如最小化葉節(jié)點(diǎn)數(shù)或最小化復(fù)雜度）對生成的樹進(jìn)行剪枝，以避免過擬合。

e. 更新預(yù)測值。對于每個(gè)葉節(jié)點(diǎn)，用該節(jié)點(diǎn)的均值作為該節(jié)點(diǎn)上所有樣本的預(yù)測值。

f. 循環(huán)迭代。重復(fù)步驟b～步驟e，直到達(dá)到預(yù)定的迭代次數(shù)或滿足其他停止條件。

在已知樹結(jié)構(gòu)的情況下，設(shè)置各葉子節(jié)點(diǎn)vi內(nèi)的最佳葉子質(zhì)量分?jǐn)?shù)ej與全部樹集合的極值FT，計(jì)算公式分別為：

式中：ξ為節(jié)點(diǎn)權(quán)值。

對式（17）引入模糊數(shù)學(xué)原理中的拆分計(jì)算，基于LightGBM算法的充電負(fù)荷預(yù)測多時(shí)間尺度分類求解結(jié)果為：

式中：B為充電負(fù)荷結(jié)果數(shù)據(jù)量，I為樣本集樣本數(shù)量總和。

電動(dòng)汽車充電負(fù)荷多時(shí)間尺度預(yù)測方法流程如圖1所示。

3 試驗(yàn)驗(yàn)證與結(jié)果分析

3.1 試驗(yàn)準(zhǔn)備

依照相關(guān)電力標(biāo)準(zhǔn)，設(shè)定居住地與公共場所的充電功率水平分別為3.5 kW、20.3 kW。電動(dòng)汽車數(shù)量參照某市2022年6月汽車保有量520.3×104 輛的0.1%取整為5 200輛。利用MATLAB平臺(tái)完成驗(yàn)證分析，以出行鏈夏、冬季為不同檢驗(yàn)場景。

區(qū)域內(nèi)建設(shè)的充電站每天需完成3輛以上汽車的充電服務(wù)，汽車充電等待時(shí)間不超過30 min。該區(qū)域內(nèi)最多可布署11個(gè)充電站，且不少于5個(gè)，區(qū)域內(nèi)電動(dòng)車抵達(dá)目標(biāo)地充電站的行駛距離小于1 km。充電站的分布概率密度為0.5，電動(dòng)汽車在各充電站充電的分布概率密度為0.42，停留時(shí)間概率分布密度為0.42。

電動(dòng)汽車參數(shù)如表1所示。

電動(dòng)汽車恒充電功率水平為4.0 kW，采取每天充電一次的模式，部分歷史數(shù)據(jù)如表2所示，作為后續(xù)數(shù)據(jù)分析的依據(jù)。

對電動(dòng)汽車充電負(fù)荷數(shù)據(jù)進(jìn)行清洗補(bǔ)缺，以提升預(yù)測精度。

編寫試驗(yàn)算法偽代碼如下：

# 輸入：清洗和補(bǔ)缺后的充電負(fù)荷數(shù)據(jù)

# 輸出：充電負(fù)荷多時(shí)間尺度預(yù)測結(jié)果

# 使用模糊數(shù)學(xué)原理和LightGBM算法實(shí)現(xiàn)充電負(fù)荷多時(shí)間尺度預(yù)測模型

# 訓(xùn)練LightGBM模型

model = train_lightgbm_model（data）? # data為清洗和補(bǔ)缺后的充電負(fù)荷數(shù)據(jù)

# 使用訓(xùn)練好的模型進(jìn)行預(yù)測

predictions = model.predict（test_data）? # test_data為測試數(shù)據(jù)

# 返回預(yù)測結(jié)果

return predictions

# 執(zhí)行試驗(yàn)

result = run_experiment（）

# 輸出試驗(yàn)結(jié)果

print（result）

3.2 試驗(yàn)結(jié)果分析

3.2.1 出行鏈時(shí)間尺度特征量關(guān)聯(lián)分析

使用所提出的模型預(yù)測夏季和冬季伴隨電動(dòng)汽車數(shù)量的改變，充電負(fù)荷的變化情況，結(jié)果如圖2所示。

由圖2可知，不同電動(dòng)汽車數(shù)量充電負(fù)荷對初始負(fù)荷存在影響，繼而影響負(fù)荷預(yù)測結(jié)果，因此以電動(dòng)汽車數(shù)量作為變量，能夠測試本文預(yù)測結(jié)果與理想值的差距。

3.2.2 充電負(fù)荷多時(shí)間尺度預(yù)測效果

將不同電動(dòng)汽車數(shù)量和不同時(shí)間尺度作為變量因素，本文將不同季節(jié)、一天內(nèi)不同時(shí)間作為多時(shí)間尺度測試本文模型的預(yù)測效果，季節(jié)時(shí)間尺度下充電負(fù)荷預(yù)測效果如圖3所示。

從圖3中可以看出，所提出模型得到的不同電動(dòng)汽車數(shù)量條件下充電負(fù)荷趨勢的峰谷差與理想值基本一致，誤差低于100 kW，證明模型在不同季節(jié)及電動(dòng)汽車數(shù)量條件下仍能夠有效預(yù)測。這是因?yàn)楸疚牟捎门ｎD法明確了充電負(fù)荷變化規(guī)律，不受時(shí)間尺度變化影響。

3.2.3 充電負(fù)荷多時(shí)間尺度預(yù)測求解精度測試

為進(jìn)一步驗(yàn)證方法的預(yù)測精度，將XGBoost[2]與LightGBM預(yù)測法、OD時(shí)空分布矩陣預(yù)測法[3]、動(dòng)態(tài)能耗法[4]、網(wǎng)格劃分法[5]作為對照組與本文提出的方法共同進(jìn)行試驗(yàn)對比。從電動(dòng)汽車充電負(fù)荷歷史數(shù)據(jù)中隨機(jī)抽取一天的數(shù)據(jù)作為樣本，在該樣本中，電動(dòng)汽車數(shù)量仍為5 200輛，恒充電功率水平為4.0 kW，并采取每天充電一次的模式。分別采用5種方法進(jìn)行日均充電負(fù)荷預(yù)測，結(jié)果如圖4所示。

從圖4中可以看出，因本文提出的方法全面考慮了充電場所區(qū)域的多樣性，計(jì)算得到的負(fù)荷曲線更加精準(zhǔn)，與其他方法相比更具計(jì)算優(yōu)勢。

使用空報(bào)率指標(biāo)檢驗(yàn)5種方法的負(fù)荷預(yù)測性能，空報(bào)率表示錯(cuò)誤預(yù)測結(jié)果在全部預(yù)測結(jié)果中的占比，占比越小，證明預(yù)測能力越優(yōu)秀。設(shè)定共進(jìn)行800次試驗(yàn)，取每100次試驗(yàn)的空報(bào)率均值進(jìn)行對比，結(jié)果如圖5所示。

由圖5可知，本文提出的方法的空報(bào)率始終低于3%，顯著小于其他方法，在實(shí)際應(yīng)用中更能展現(xiàn)出不同時(shí)間尺度下電動(dòng)汽車充電負(fù)荷變化規(guī)律，預(yù)測性能更好。這是因?yàn)楸疚臉?gòu)建的預(yù)測模型融合考慮了不同季節(jié)時(shí)間尺度下溫度對負(fù)荷的影響的變化、不同時(shí)段負(fù)荷變化，獲得了較高的負(fù)荷預(yù)測精度。

4 結(jié)束語

提升電動(dòng)汽車充電負(fù)荷預(yù)測準(zhǔn)確性，對確保電網(wǎng)的安全運(yùn)行尤為關(guān)鍵，本文提出一種基于LightGBM算法和出行鏈理論的電動(dòng)汽車充電負(fù)荷多時(shí)間尺度預(yù)測模型。試驗(yàn)結(jié)果表明，該模型在不同季節(jié)和電動(dòng)汽車數(shù)量條件下，預(yù)測誤差和預(yù)測空報(bào)率均較低，能準(zhǔn)確預(yù)測充電負(fù)荷變化。

本文方法在現(xiàn)階段得到了較好的預(yù)測結(jié)果，但電動(dòng)汽車充電負(fù)荷預(yù)測過程細(xì)節(jié)還有待優(yōu)化，具體體現(xiàn)在：

a. 充電負(fù)荷數(shù)據(jù)的優(yōu)化采集與分類。充電行為具有一定的規(guī)律性，往往存在明顯的周期性變化，且不同車型、不同充電設(shè)備、不同充電策略等均對充電負(fù)荷產(chǎn)生影響。因此，負(fù)荷數(shù)據(jù)采集難度較大。

b. 需進(jìn)一步考慮跨時(shí)段充電負(fù)荷預(yù)測的研究。這需要結(jié)合日歷信息和行駛軌跡等數(shù)據(jù)，提高對充電行為的建模和分析能力。

參 考 文 獻(xiàn)

[1] 劉志強(qiáng)， 張謙， 朱熠， 等. 計(jì)及車-路-站-網(wǎng)融合的電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測[J]. 電力系統(tǒng)自動(dòng)化， 2022， 46（12）： 36-45.

LIU Z Q， ZHANG Q， ZHU Y， et al. Spatial-Temporal? ? ? Distribution Prediction of Charging Loads for Electric? ? ? ? Vehicles Considering Vehicle-Road-Station-Grid? ? ? ? ? ? ?Integration[J]. Automation of Electric Power Systems， 2022， 46（12）： 36-45.

[2] 吳丹， 雷珽， 李芝娟， 等. 基于XGBoost與LightGBM集成的電動(dòng)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.

WU D， LEI T， LI Z J， et al. Electric Vehicle Charging Load Forecasting Based on XGBoost and LightGBM Integration Model[J]. Application of Electronic Technique， 2022， 48（9）： 44-49.

[3] 張琳娟， 許長清， 王利利， 等. 基于OD矩陣的電動(dòng)汽車充電負(fù)荷時(shí)空分布預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制， 2021， 49（20）： 82-91.

ZHANG L J， XU C Q， WANG L L， et al. OD Matrix Based Spatiotemporal Distribution of EV Charging Load Prediction[J]. Power System Protection and Control， 2021， 49（20）： 82-91.

[4] 張美霞， 吳子敬， 楊秀. 基于動(dòng)態(tài)能耗模型與用戶心理的電動(dòng)汽車充電負(fù)荷預(yù)測[J]. 現(xiàn)代電力， 2022， 39（6）： 710-719.

ZHANG M X， WU Z J， YANG X. Electric Vehicle Charging Load Prediction Based on Dynamic Energy Consumption Model and User Psychology[J]. Modern Electric Power， 2022， 39（6）： 710-719.

[5] 袁小溪， 潘鳴宇， 段大鵬， 等. 基于網(wǎng)格劃分的電動(dòng)汽車充電負(fù)荷預(yù)測方法[J]. 電力科學(xué)與技術(shù)學(xué)報(bào)， 2021， 36（3）： 19-26.

YUAN X X， PAN M Y， DUAN D P， et al. Prediction Method of Electric Vehicle Charging Load Based on Grid Division[J]. Journal of Electric Power Science and Technology， 2021， 36（3）： 19-26.

[6] 楊梅， 李忠， 吳昊， 等. 基于多尺度時(shí)間特征LSTM的短期負(fù)荷預(yù)測[J]. 控制工程， 2022， 29（9）： 1722-1728.

YANG M， LI Z， WU H， et al. Short-Term Load Prediction of LSTM Based on Multi-Scale Time Characteristics[J].? ? ? Control Engineering of China， 2022， 29（9）： 1722-1728.

[7] 李香龍， 馬龍飛， 趙向陽， 等. 基于LSTM網(wǎng)絡(luò)的時(shí)間多尺度電采暖負(fù)荷預(yù)測[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2021， 33（4）： 71-75.

LI X L， MA L F， ZHAO X Y， et al. Multi-Time Scale? ? ? ? Electric Heating Load Forecasting Based on Long Short-term Memory Network[J]. Proceedings of the CSU-EPSA， 2021， 33（4）： 71-75.

[8] 張雅雯， 王志海， 劉海洋， 等. 基于多尺度殘差FCN的時(shí)間序列分類算法[J]. 軟件學(xué)報(bào)， 2022， 33（2）： 555-570.

ZHANG Y W， WANG Z H， LIU H Y， et al. Time Series Classification Algorithm Based on Multiscale Residual Full? ?Convolutional Neural Network[J]. Journal of Software， 2022， 33（2）： 555-570.

[9] 劉杰， 金勇杰， 田明. 基于VMD和TCN的多尺度短期電力負(fù)荷預(yù)測[J]. 電子科技大學(xué)學(xué)報(bào)， 2022， 51（4）： 550-557.

LIU J， JIN Y J， TIAN M. Multi-Scale Short-Term Load? ?Forecasting Based on VMD and TCN[J]. Journal of? ? ? ? ? ?University of Electronic Science and Technology of China， 2022， 51（4）： 550-557.

[10] 李恒杰， 朱江皓， 傅曉飛， 等. 基于集成學(xué)習(xí)的電動(dòng)汽車充電站超短期負(fù)荷預(yù)測[J]. 上海交通大學(xué)學(xué)報(bào)， 2022， 56（8）： 1004-1013.

LI H J， ZHU J H， FU X F， et al. Ultra-Short-Term Load Forecasting of Electric Vehicle Charging Stations Based on Ensemble Learning[J]. Journal of Shanghai Jiaotong? ? ? ?University， 2022， 56（8）： 1004-1013.

[11] 劉曉天， 傅軍， 趙思翔， 等. 基于二層規(guī)劃并計(jì)及負(fù)荷預(yù)測的電動(dòng)汽車充電樁選址定容方法[J]. 電測與儀表， 2021， 58（5）： 144-150.

LIU X T， FU J， ZHAO S X， et al. Location and Capacity? ?Determination Method of Electric Vehicle Charging Pile Based on Bi-Level Programming and Considering Load Forecasting[J]. Electrical Measurement & Instrumentation， 2021， 58（5）： 144-150.

[12] 秦建華， 李娜， 金泰， 等. 基于Vosviewer與Citespace對電動(dòng)汽車充電負(fù)荷領(lǐng)域的計(jì)量分析[J]. 科學(xué)技術(shù)與工程， 2022， 22（10）： 4196-4205.

QIN J H， LI N， JIN T， et al. Metrological Analysis of? ? ?Electric Vehicle Charging Load Based on Vosviewer and Citespace[J]. Science Technology and Engineering， 2022， 22（10）： 4196-4205.

[13] 李楠， 馬宏忠. 基于綜合預(yù)測模型和蒙特卡洛的電動(dòng)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.

LI N， MA H Z. Research on Electric Vehicle Ownership and Load Prediction Method Based on Comprehensive? ?Prediction Model and Monte Carlo[J]. Electric Machines & Control Application， 2022， 49（12）： 74-80.

[14] 林銘蓉， 胡志堅(jiān)， 高明鑫， 等. 基于時(shí)空規(guī)律的電動(dòng)汽車負(fù)荷建模及其自動(dòng)需求響應(yīng)[J]. 南方電網(wǎng)技術(shù)， 2022， 16（1）： 99-107.

LIN M R， HU Z J， GAO M X， et al. Electric Vehicle Load Modeling and Automatic Demand Response Based on Space-Time Law[J]. Southern Power System Technology， 2022， 16（1）： 99-107.

[15] 姚志力， 江斌開， 龔春陽， 等. 計(jì)及電動(dòng)汽車充電負(fù)荷特性的區(qū)域多能源站規(guī)劃設(shè)計(jì)[J]. 電網(wǎng)技術(shù)， 2022， 46（9）： 3304-3318.

YAO Z L， JIANG B K， GONG C Y， et al. Planning and? ? Design of Regional Multi-Energy Stations Considering Electric Vehicle Charging Load Characteristics[J]. Power System Technology， 2022， 46（9）： 3304-3318.

[16] 羅浩成， 胡澤春， 張洪財(cái). 環(huán)境溫度對電動(dòng)汽車充電負(fù)荷的影響分析[J]. 電力建設(shè)， 2015， 36（7）： 69-74.

LUO H C， HU Z C， ZHANG H C. Effect Analysis of? ? ? ? Ambient Temperature on Electric Vehicle Charging? ? ? ?Load[J]. Electric Power Construction， 2015， 36（7）： 69-74.

[17] 蔡海青， 代偉， 趙靜怡， 等. 基于多參數(shù)規(guī)劃的電動(dòng)汽車充電站有效容量評估方法[J]. 中國電力， 2022， 55（11）： 175-183.

CAI H Q， DAI W， ZHAO J Y， et al. Available Capacity Evaluation Method of Electric Vehicle Charging Stations Based on Multi-Parametric Programming[J]. Electric? ? ?Power， 2022， 55（11）： 175-183.

[18] 朱磊， 黃河， 高松， 等. 計(jì)及風(fēng)電消納的電動(dòng)汽車負(fù)荷優(yōu)化配置研究[J]. 中國電機(jī)工程學(xué)報(bào)， 2021， 41（增刊1）： 194-203.

ZHU L， HUANG H， GAO S， et al. Research on Optimal Load Allocation of Electric Vehicle Considering Wind? ?Power Consumption[J]. Proceedings of the CSEE， 2021， 41（S1）： 194-203.

[19] 方娜， 李俊曉， 陳浩， 等. 基于CNN-GRU-MLR的多頻組合短期電力負(fù)荷預(yù)測[J]. 計(jì)算機(jī)仿真， 2023， 40（1）： 118-124.

FANG N， LI J X， CHEN H， et al. Multi-Frequency? ? ? ? ? Combination Short-Term Power Load Forecasting Based on CNN-GRU-MLR[J]. Computer Simulation， 2023， 40（1）： 118-124.

[20] 史亮， 葛曉琳， 顧聞， 等. 考慮需求響應(yīng)的電動(dòng)汽車充電負(fù)荷研究[J]. 電測與儀表， 2022， 59（7）： 42-47.

SHI L， GE X L， GU W， et al. Research on Charging Loads of Electric Vehicles Considering Demand Response[J]. Electrical Measurement & Instrumentation， 2022， 59（7）： 42-47.

[21] 江友華， 屈靖潔， 曹以龍， 等. 考慮風(fēng)電-負(fù)荷及綜合需求響應(yīng)不確定性的能量樞紐雙層優(yōu)化運(yùn)行及配置方法[J]. 電測與儀表， 2022， 59（3）： 117-124.

JIANG Y H， QU J J， CAO Y L， et al. Double-Layer? ? ? ? Optimal Operation and Configuration Method for Energy Hub Considering Uncertainty of Wind Power-Load and? ? Integrated Demand Response[J]. Electrical Measurement & Instrumentation， 2022， 59（3）： 117-124.

[22] 徐蕙， 陳平， 李海濤， 等. MPSR-MKSVM電力負(fù)荷預(yù)測綜合優(yōu)化策略[J]. 電測與儀表， 2022， 59（1）： 77-83.

XU H， CHEN P， LI H T， et al. Comprehensive Optimization Strategy of Power Load Forecasting Based on MPSR-MKSVM[J]. Electrical Measurement & Instrumentation， 2022， 59（1）： 77-83.