一种充电负荷曲线辨识方法及系统与流程

摘要: 本发明涉及电动汽车充电负荷分析,具体来说是一种充电负荷曲线辨识方法及系统。背景技术:1、随着电动汽车充电设施规模增加,同一充电站在不同日期以及不同区域充电站之间...
一种充电负荷曲线辨识方法及系统与流程

本发明涉及电动汽车充电负荷分析,具体来说是一种充电负荷曲线辨识方法及系统。

背景技术:

1、随着电动汽车充电设施规模增加,同一充电站在不同日期以及不同区域充电站之间会形成大量日负荷曲线。识别其中具有相近运行规律的典型模式,可用于充电站运行画像、异常日期筛查、需求响应对象分类以及后续预测模型分组训练。

2、现有负荷曲线辨识方法通常直接将一天内的多个离散采样点作为高维向量,再采用欧氏距离、动态时间规整或常规聚类方法计算曲线相似性。该方式存在三个问题:第一,离散采样点之间的连续变化关系没有被显式建模,难以稳定获得负荷变化速度和加速度等局部动态信息;第二,当采样间隔较短时,一条日曲线包含大量维度,距离计算容易受到高频量测噪声影响;第三,两条曲线可能具有相近的整体峰谷形态,但其中一条因强降雨、价格跳变或临时交通变化出现短时跌落或反弹,此类局部畸变在整条曲线的总体距离中容易被平均化,从而被错误归入常规模式。

技术实现思路

1、本发明所要解决的技术问题在于针对离散负荷曲线直接聚类难以兼顾连续变化规律与局部瞬态畸变、原始高维采样点计算量较大以及极端扰动样本易被整体距离掩盖的问题。

2、本发明通过以下技术手段实现解决上述技术问题的:

3、本发明旨在提供一种基于函数型频域解耦的充电负荷曲线辨识方法,将传统的高维离散曲线聚类拆分为“连续化—主形态提取—局部瞬态度量—低维聚类”四个连续环节。步骤s1首先把原始离散数据转换成可求导的平滑函数;步骤s2利用该函数提取全局主导形态,并给出每条曲线的低维主成分得分和基准重构曲线;步骤s3只针对步骤s2未解释的局部残差进行微分分析,并根据实际气象和电价扰动增强异常时段的度量;步骤s4使用前两类互补特征完成无监督聚类。由此解决整体距离掩盖局部畸变、原始维度过高以及参数来源不明确的问题。具体方案如下:

4、一种基于函数型频域解耦的充电负荷曲线辨识方法,包括以下步骤:

5、步骤s1:统一获取单日离散充电负荷及同步外部数据,利用b样条基函数和粗糙度惩罚得到平滑连续负荷函数,同时获得连续一阶和二阶导数。步骤s1输出连续函数型负荷曲线,供步骤s2进行全局形态分析,并供步骤s3后续进行微分计算。

6、步骤s2:对步骤s1输出的全部训练样本执行函数型主成分分析,得到均值函数、特征函数、特征值和各样本主成分得分;根据累计方差贡献率选择前m个主成分并重构每条曲线的主导基准形态。主成分得分输出至步骤s4,重构基准曲线输出至步骤s3。

7、步骤s3:将步骤s1的实际平滑曲线与步骤s2的主导基准曲线相减得到局部残差,再计算残差的一阶和二阶导数;结合环境温度变化、降水和电价变化构造外部扰动权重,形成单一瞬态畸变指标。该指标专门描述“整体形态相近但局部发生快速偏离”的程度,并输出至步骤s4。

8、步骤s4:对步骤s2的主成分得分和步骤s3的瞬态畸变指标进行标准化和加权,采用基于密度的空间聚类算法形成典型充电模式簇,并将低密度孤立样本作为异常或未归属样本输出。

9、进一步的,步骤s1中,充电负荷由充电桩计量或运营平台获得,环境温度和降水量由气象监测或预报系统获得,电价由电价发布系统获得;b样条基函数数量依据单日采样点数量设置候选范围,粗糙度惩罚参数通过广义交叉验证或验证集重构误差确定,以在量测保真度和曲线平滑度之间取得平衡。

10、进一步的,步骤s2中,根据全部训练样本函数型曲线计算均值函数和协方差核函数,通过求解协方差积分算子的特征方程得到正交特征函数与特征值;按照特征值由大到小排列,保留累计方差贡献率不低于预设阈值的前m个主成分,并计算各样本在所述m个特征函数上的投影得分。

11、进一步的,步骤s3中,利用前m个主成分重构各样本的主导基准曲线,并以原平滑函数型负荷曲线与所述主导基准曲线之差作为局部残差;分别按照训练数据统计尺度对残差、一阶残差导数和二阶残差导数进行归一化,使不同量纲的瞬态特征能够共同参与畸变度量。

12、进一步的,步骤s3中,外部扰动权重由环境温度变化率、降水强度和电价变化量中的至少一项构成;各外部变量使用训练集统计范围归一化,其非负权重根据训练数据中外部变量与残差能量的相关程度确定或通过验证集辨识效果选择,从而提高异常天气或价格突变时局部波形变化在瞬态畸变指标中的贡献。

13、进一步的,对前m个主成分得分和瞬态畸变指标分别执行零均值单位方差标准化,依据聚类稳定性和轮廓系数确定瞬态畸变维度相对主成分维度的特征权重;基于k近邻距离曲线确定邻域搜索半径候选范围,并在训练样本上结合噪声点比例和聚类稳定性确定邻域搜索半径及核心点最小样本数。

14、进一步的,对新采集的日负荷曲线沿用训练阶段确定的b样条基函数、粗糙度惩罚参数、均值函数、主成分特征函数、特征标准化参数和聚类参数,依次计算主成分得分及瞬态畸变指标,并根据其与既有密度簇的可达关系输出对应充电负荷模式或异常噪声标记。

15、本发明还提供一种充电负荷曲线辨识系统,包括:

16、拟合模块:用于获取电动汽车充电站的历史离散日负荷采样序列以及对应的环境温度、降水量和电价数据,利用b样条基函数与二阶粗糙度惩罚将离散负荷序列拟合为具有连续一阶及二阶导数的函数型负荷曲线;

17、主成分分析模块:用于对所述函数型负荷曲线执行函数型主成分分析,提取累计方差贡献率达到预设阈值的主成分特征函数及对应得分,并利用所保留主成分重构各样本的主导基准曲线;

18、计算模块:用于计算函数型负荷曲线与所述主导基准曲线之间的残差及其一阶、二阶导数,将气象和电价突变量转换为外部扰动权重,计算加权残差微分能量得到瞬态畸变指标;

19、判断模块:用于将所述主成分得分和瞬态畸变指标进行标准化并构建综合特征向量,采用基于密度的空间聚类算法辨识典型充电负荷模式,并对新输入曲线按照相同函数化、投影和特征构造流程进行模式归属判断。

20、进一步的,根据全部训练样本函数型曲线计算均值函数和协方差核函数,通过求解协方差积分算子的特征方程得到正交特征函数与特征值;按照特征值由大到小排列,保留累计方差贡献率不低于预设阈值的前m个主成分,并计算各样本在所述m个特征函数上的投影得分;利用前m个主成分重构各样本的主导基准曲线,并以原平滑函数型负荷曲线与所述主导基准曲线之差作为局部残差;分别按照训练数据统计尺度对残差、一阶残差导数和二阶残差导数进行归一化,使不同量纲的瞬态特征能够共同参与畸变度量。

21、进一步的,外部扰动权重由环境温度变化率、降水强度和电价变化量中的至少一项构成;各外部变量使用训练集统计范围归一化,其非负权重根据训练数据中外部变量与残差能量的相关程度确定或通过验证集辨识效果选择。

22、与已有技术相比,本发明的有益效果体现在:

23、1、通过带粗糙度约束的函数型拟合,将原始离散采样点转换为可连续求导的负荷函数,既降低量测噪声对局部差分的放大作用,又保留真实峰谷和爬坡变化。

24、2、利用函数型主成分将大部分全局日内变化压缩为少量主成分得分,减少直接在数十或数百个采样点上计算距离造成的高维冗余;同时利用主成分重构形成每条曲线自身的主导基准,为后续局部残差计算提供明确参照。

25、3、瞬态畸变指标仅针对主成分重构未解释的残差及其导数进行计算,并根据实际气象和电价扰动提高异常时段权重,可增强对整体形状相近但局部突变不同样本的区分能力。

26、4、最终聚类输入由少量主成分得分和一个瞬态畸变指标组成,参数均由训练样本统计量、累计方差贡献率、交叉验证或聚类稳定性确定,避免大量经验参数来源不明,并便于对新采集曲线重复执行。

27、综上,本发明能够先从离散量测中恢复连续负荷形态,再将“全局主导趋势”和“局部瞬态变化”分别量化,最后在低维特征空间中进行模式辨识的方法,使各环节具有明确的数据来源、输入输出关系和参数确定方式,为充电站运行画像、异常日期筛查、需求响应对象分类以及预测模型训练提高精确数据。