园区大型活动的电动汽车需求响应潜力预测方法

本发明涉及电力系统与智能交通领域，尤其涉及园区大型活动的电动汽车需求响应潜力预测方法及系统。

背景技术：

1、在园区举办大型活动中，电动汽车用户的需求响应行为具有明显的时空聚集性、间歇性负荷集中、用户行为受活动属性强影响、响应时长相对固定等特点；而园区对电力系统的可靠性要求较高。 现有相关专利的技术方案普遍采用单一研究方法，包括：（1）基于历史充电数据（充电时段、功率、用户行为）构建数据库，通过k-means聚类、或出行链模型分析用户行为特征提取充电高峰/低谷规律，并借助蒙特卡洛模拟生成用户样本，但此类方法对建成环境等外生变量与响应行为的耦合机制建模不足，导致模型泛化能力受限；（2）采用lstm、bp神经网络等时序模型预测基础负荷曲线，并通过隶属度函数、遗传算法或路网-电网耦合模型量化用户行为对负荷的调节影响（如延迟充电、响应电价策略）。总的来说，现有技术通常对比常规预测曲线与用户响应后的调节曲线，计算可调潜力容量（如削峰填谷空间），共性技术包括分场景建模、数据驱动的行为聚类等，核心目标是提升电网调度决策的科学性与响应潜力预测的可靠性。 共性技术瓶颈体现为三点：多时间尺度协同缺失（分钟级调控与年尺度规划割裂）、跨域数据融合低效、时空场景解构不精确。 在数据方面，现有技术通常采用单一数据源（如充电桩历史负荷数据）或静态场景划分（如仅按工作日/节假日分类）；在模型方面，现有技术通常通过线性回归或单一机器学习模型（如lstm）预测充电负荷，模型泛化性差；在模型输入特征方面，现有技术未将园区活动特征纳入模型中。具体如下：

2、（1）充电时空场景识别不够精确：现有技术缺乏多源异构数据融合能力与精细化时空场景解构，导致时空场景识别精确度较低，模型缺乏对不同时空场景（如活动前/后、节假日/工作日、不同地理区）的泛化能力，存在过拟合风险。 （2）响应需求潜力预测模型无法同时处理静态数据与动态数据：时空建模割裂：现有技术通常采用单一模型（如 lstm 或传统回归模型），导致时空数据处理维度割裂，难以同时处理单一场景子集数据（如活动特征、响应电价等）与高维时序数据。同时，预测粒度粗糙，且缺乏多尺度特征提取机制。动态适应性差：现有技术通常采用静态的超参优化方法，缺乏活动场景驱动的预测框架，预测模型的精度较低。 （3）现有模型的输入特征未充分考虑园区特性：通常仅考虑充电桩历史负荷数据，未融合建成环境、园区特性等多源信息，导致需求响应预测未能将电动汽车用户需求响应行为与园区特性进行关联，缺乏对园区的需求响应潜力预测。

技术实现思路

1、本发明提出一种园区大型活动的电动汽车需求响应潜力预测方法，通过精细化识别园区周边电动汽车用户的用能行为模式，结合静态特征与动态时序特征的联合建模，实现对不同时空场景下电动汽车可调度负荷潜力的高精度预测，即针对该园区大型活动情景下产生的集群电动汽车需求响应潜力进行预测，满足园区对电力系统高可靠性的要求。

2、可以理解的是，本发明的园区包括但不限于产业园区、文旅园区、城市综合园区等，指具备独立地理边界、配套电力系统及大型活动承载能力的特定区域。

3、本发明的另一个目的在于提出一种针对园区大型活动下的园区大型活动的电动汽车需求响应潜力预测系统。

4、为达上述目的，本发明一方面提出一种园区大型活动的电动汽车需求响应潜力预测方法，包括：

5、对园区举办大型活动时的电动汽车用能行为的多源异构数据进行预处理得到融合数据集；

6、按照时间和空间维度对融合数据集进行划分得到带有时空特征标签的数据子集，并利用聚类算法对划分后的数据子集进行分析以识别出多个时空维度交叉组合的数据子集；其中，所述时空特征标签，包括活动周期规则、时段分类规则、空间区域划分规则和日期类型；

7、构建并训练集成预测模型，包括xgboost模型、tcn模型和动态融合模块，将时空维度交叉组合的数据子集输入至xgboost模型输出静态特征权重，并将时空维度交叉组合的数据子集中的时序特征数据输入至tcn模型以输出时序特征权重，利用动态融合模块将静态特征权重与时序特征权重按预设的动态可调比例融合，预测最终需求响应功率曲线以优化集成预测模型；

8、基于时空维度交叉组合的数据子集对应的无活动日历史数据计算基准负荷曲线，并将实时的时空场景子集数据输入至优化后的集成预测模型输出预测负荷曲线，并计算预测负荷曲线与基准负荷曲线之间的差值，以量化不同时空场景子集下的需求响应潜力。

9、本发明实施例的园区大型活动的电动汽车需求响应潜力预测方法还可以具有以下附加技术特征：

10、在本发明的一个实施例中，多源异构数据包括充电行为数据、建成环境数据和活动特性数据；其中，充电行为数据包括电池荷电状态、充电起始时间与结束时间、充电时长、实时充电功率、充电站位置坐标、电池荷电状态soc起始值与结束值、时段标记和用户id；建成环境数据包括poi数据、路网特征数据；活动特性数据包括园区数据、活动类型、活动时间、活动持续时间和参与人数。

11、在本发明的一个实施例中，对园区举办大型活动时的电动汽车用能行为的电动汽车用能行为的多源异构数据进行预处理得到融合数据集，包括：

12、定义活动时间，匹配充电行为时间，通过判断条件，将充电行为数据与活动特性数据相关联得到第一关联结果；

13、使用geohash进行统一编码，并通过计算相同或相邻的geohash码将充电行为数据与建成环境数据、活动特性数据按空间邻近性进行关联得到第二关联结果；

14、统一采用北京时间并通过pandas实现以分钟为单位的时间序列对齐得到时间序列对齐结果；

15、基于第一关联结果、第二关联结果和时间序列对齐结果，将充电行为数据、建成环境数据和活动特性数据相融合，以构建融合数据集。

16、在本发明的一个实施例中，利用聚类算法对划分后的数据子集进行分析以识别出多个时空维度交叉组合的数据子集，包括：

17、计算基于多源异构数据对应的每个组合数据中各变量的统计特征，将各变量数据进行z-score标准化处理：，和分别为第个组合数据第个变量的均值与标准差，将作为聚类输入变量；

18、设置邻域半径和最小点数，并使用欧氏距离衡量样本间相似性：

19、

20、遍历所有组合数据，对于样本集中任一样本点，构建以样本点为中心、以为邻域半径的邻域点集合，并判断该邻域点集合中包含的样本点数量是否满足，若满足，则样本点为核心点，并从该核心点出发，对密度可达的样本点进行扩展，形成相应的聚类簇；

21、聚类完成后，对所有组合计算轮廓系数，作为评估聚类结构是否有实际效用和聚类合理性的标准，参与轮廓系数计算的有效样本点总数为，若平均轮廓系数，进入训练阶段；否则需调整参数和，重新聚类；

22、训练完成后，最终输出若干时空场景簇，即识别得到的时空场景子集，并根据场景子集的特征，进行子集标签化。

23、在本发明的一个实施例中，将时空维度交叉组合的数据子集输入至xgboost模型输出静态特征权重，包括：

24、对时空维度交叉组合的数据子集进行预处理以删除异常值；

25、基于预处理后的数据，并根据xgboost 原理通过迭代构建回归树拟合数据，目标函数为：

26、

27、其中，为预测值与真实值的损失函数；为树的数量，为第棵树；，为正则化项，控制模型复杂度，为叶节点数量，为叶节点权重，和为正则化参数；

28、根据树模型中特征的分裂次数和增益指标，获取特征权重：对于

n个场景子集，每个子集对应

k维特征，输出权重矩阵：

29、

30、其中，表示第

n个场景子集下第

k维特征的权重。

31、在本发明的一个实施例中，将时空维度交叉组合的数据子集中的时序特征数据输入至tcn模型以输出时序特征权重，包括：

32、对时序特征数据进行预处理，并删除异常值；

n个场景子集，每个场景子集包含

l维时序特征；

33、设为输入时序特征序列在时间步的取值，，为时间序列长度；tcn 通过多层因果膨胀卷积捕获长期依赖，即对第层卷积进行如下操作：；其中，

p为卷积核大小，为第层的膨胀率，为卷积核的第个权重，为relu激活函数；

34、通过堆叠多层因果膨胀卷积层，捕获不同时间尺度的依赖关系：；其中，，为最终隐藏层输出，和为第层的权重和偏置；

35、对每个场景子集

n，通过全局平均池化和全连接层生成时序特征权重向量，即：

36、表示第个场景子集经过全局平均池化后得到的时序特征聚合向量，通过进行特征聚合；

t为时间序列长度；

37、表示第个场景子集对应的时序特征权重向量，表示权重映射过程中的偏置向量，表示全连接权重映射矩阵，用于将时序特征聚合向量映射为各时序特征对应的权重得分，通过进行权重映射，确保权重之和为1；

38、将所有场景子集的权重向量组合为矩阵，其中为第

n个场景子集的时序特征权重向量，维度为

l。

39、在本发明的一个实施例中，将静态特征权重与时序特征权重按动态可调比例融合，预测最终需求响应功率曲线；融合公式：

40、

41、其中，为场景子集自适应权重(为sigmoid激活函数，引入非线性特性。

42、在本发明的一个实施例中，训练xgboost和tcn两个子模型，包括：

43、以最小化每个子模型在对应场景子集上的rmse为目标，对每个子模型进行独立训练：

44、

45、

46、其中，场景子集

s中的样本数量；表示场景子集

s中第

i个样本的真实观测值；和分别表示xgboost和tcn模型对应于超参数和的预测值；中训练的超参数组合包括：学习率、最大树深、子样本比例；中训练的超参数组合包括：卷积核大小、膨胀率、网络层数、dropout率（）；

47、通过五折交叉验证对每组超参数组合进行模型性能验证和评估，包括：

48、确定xgboost和tcn模型的超参数空间；

49、以高斯过程为代理模型，分别针对xgboost和tcn模型，在每一轮贝叶斯优化中进行如下操作：

50、根据当前代理模型，在超参数空间中确定下一组最优的超参数组合；通过五折交叉验证计算模型性能的均值rmse作为目标函数值；更新代理模型，迭代至预设的优化次数或收敛；五折交叉验证公式为：

51、

52、其中，表示第折交叉验证中的样本数量；

53、最终，获取每个子模型各自的最优超参数组合和。

54、在本发明的一个实施例中，基于最优超参数组合和；融合层优化目标函数为：

55、

56、

57、其中，表示场景子集对应的动态自适应融合权重，且，为场景子集下动态融合层通过目标函数优化得到的最优解；

58、通过最小化，训练得到中的动态自适应权重，其中，为第个样本输入 xgboost 的静态特征向量，为第个样本输入tcn 的时序特征序列，和分别为 xgboost模型和 tcn 模型。

59、在本发明的一个实施例中，基于时空维度交叉组合的数据子集对应的无活动日历史数据计算基准负荷曲线，并将实时的时空场景子集数据输入至优化后的集成预测模型输出预测负荷曲线，并计算预测负荷曲线与基准负荷曲线之间的差值，以量化不同时空场景子集下的需求响应潜力，包括：

60、计算特定场景子集

s的基准负荷曲线：

61、

62、其中，为无活动日或最低负荷日历史负荷数据集合，表示集合中第d天的时序负荷数据，时间序列点

t=1，…，t；

63、计算所有子场景下的最优自适应权重后，计算获取中的静态特征权重与时序特征权重，即获取优化后的xgboost-tcn集成模型，调用优化后的xgboost-tcn集成模型，输入和数据，输出预测负荷曲线；

64、计算预测负荷曲线与基准负荷曲线之间的差值，量化需求响应潜力，量化不同时空场景子集下的需求响应潜力，并按时空场景子集分类存储。

65、为达上述目的，本发明另一方面提出一种园区大型活动的电动汽车需求响应潜力预测系统，包括：

66、多源异构数据挖掘模块，用于对园区举办大型活动时的电动汽车用能行为的多源异构数据进行预处理得到融合数据集；

67、时空场景解构与识别模块，用于按照时间和空间维度对融合数据集进行划分得到带有时空特征标签的数据子集，并利用聚类算法对划分后的数据子集进行分析以识别出多个时空维度交叉组合的数据子集；其中，所述时空特征标签，包括活动周期规则、时段分类规则、空间区域划分规则和日期类型；

68、面向不同时空场景的集成模型构建模块，用于构建并训练集成预测模型，包括xgboost模型、tcn模型和动态融合模块，将时空维度交叉组合的数据子集输入至xgboost模型输出静态特征权重，并将时空维度交叉组合的数据子集中的时序特征数据输入至tcn模型以输出时序特征权重，利用动态融合模块将静态特征权重与时序特征权重按预设的动态可调比例融合，预测最终需求响应功率曲线以优化集成预测模型；

69、需求响应潜力预测模块，用于基于时空维度交叉组合的数据子集对应的无活动日历史数据计算基准负荷曲线，并将实时的时空场景子集数据输入至优化后的集成预测模型输出预测负荷曲线，并计算预测负荷曲线与基准负荷曲线之间的差值，以量化不同时空场景子集下的需求响应潜力。

70、本发明实施例的园区大型活动的电动汽车需求响应潜力预测方法和系统，对时空场景进行精细化解构，提高预测系统的准确性。将静态数据与动态数据融合在同一个潜力预测系统框架内，并提出了动态的模型训练策略，从而提供更具有泛化能力的预测模型。充分考虑大型活动特性，收集相关数据，提出多源异构数据的融合方法，从而将用户用能行为特性与活动特性相结合，能够更准确地针对该园区大型活动情景下产生的集群电动汽车需求响应潜力进行预测。

71、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。