基于BERT-TCN的电动汽车充电站基线负荷估计方法

本发明属于电动汽车充电站，具体涉及一种基于bert-tcn的电动汽车充电站基线负荷估计方法。

背景技术：

1、随着电动汽车保有量的持续攀升，其规模化充电行为加剧了电力系统负荷的峰谷差，给电网的安全稳定运行提出了新的挑战。需求响应作为提升电力系统运行灵活性的重要手段，通过电价信号或资金补贴引导用户改变用电行为，实现削峰填谷、平缓负荷曲线的目的。

2、基线负荷是指用户在不参与需求响应的情况下本应消耗的电力负荷，是计算参与需求响应用户经济补偿的核心依据。基线负荷估计的精确度直接影响需求响应参与者的补偿公平性和参与积极性。电动汽车充电站作为电动汽车与电网互动的重要媒介，其基线负荷的精确估计对于促进车网互动、提升需求响应实施效果具有重要意义。

3、目前，国内外常用的基线负荷估计方法主要分为历史平均法、对照组法、回归法。但上述常用的基线负荷估计方法存在以下共性技术缺陷：第一，未能充分利用时间维度上的多层次周期性规律，现有方法往往只关注单一时间尺度，缺乏对多尺度时序特征的协同建模能力；第二，未能有效挖掘空间维度上的站间相关性特征，现有方法多采用单站独立建模方式，忽略了充电站之间的空间聚类特征；第三，缺乏时空特征的深度融合机制，导致在负荷模式突变或外部环境变化时估计精度和鲁棒性不足。

4、因此，亟需提出一种能够综合利用电动汽车充电站负荷时间相关性和空间相关性特征、具备高精度和高鲁棒性的基线负荷估计方法。

技术实现思路

1、本发明的目的在于提供一种基于bert-tcn的电动汽车充电站基线负荷估计方法，以解决上述背景技术中提到的现有基线负荷估计方法难以同时有效捕捉负荷长期周期性特征与短期波动性特征、未能充分挖掘充电站之间空间相关性特征、缺乏时空特征自适应深度融合机制的问题。

2、本发明采用的技术方案是：基于bert-tcn的电动汽车充电站基线负荷估计方法，所述方法包括：

3、步骤s1：数据预处理与输入矩阵构建，收集电动汽车充电站的历史负荷数据、温度数据、湿度数据和电价数据，经预处理后构建多维输入矩阵；

4、步骤s2：bert周期性特征提取，将所述输入矩阵输入bert模型，基于多头自注意力机制提取负荷在时间维度上的跨日、跨周周期性特征，得到周期性特征向量；

5、步骤s3：tcn波动性特征提取，将所述输入矩阵并行输入tcn模型，基于扩张因果卷积和残差连接提取负荷日内短时局部随机波动性特征，得到波动性特征向量；

6、步骤s4：对比学习空间特征增强，以步骤s2得到的周期性特征向量为基础，通过构建正负样本对并采用infonce损失函数进行自监督训练，优化bert模型参数，使周期性特征向量同时具备时序周期特性与空间关联特性，得到时空增强特征向量；

7、步骤s5：时空特征自适应融合，将步骤s4得到的时空增强特征向量与步骤s3得到的波动性特征向量进行注意力融合，计算动态权重系数并进行自适应加权融合，生成多维融合特征；

8、步骤s6：基线负荷估计输出，将所述多维融合特征展平，并通过全连接回归得到目标时段的基线负荷估计值。

9、进一步地，所述步骤s1中电动汽车充电站基线负荷估计模型输入矩阵表达式为：

10、，

11、式中，n表示输入序列的总长度，代表滑动窗口历史视野步数；load为电动汽车充电站历史负荷数据向量，tem为温度数据向量，hum为湿度数据向量，mon为电价数据向量。

12、进一步地，所述步骤s2中bert周期性特征提取具体包括以下子步骤：

13、步骤s21：向量构造，将输入矩阵经三个不同的线性变换矩阵分别映射为查询向量q、键向量k和值向量v：

14、，

15、，

16、，

17、式中,xtarget为待估计目标时段的特征矩阵；xhistory为滑动窗口历史视野内的特征矩阵；xload为历史负荷值向量；wq、wk、wv为可学习的线性变换权重矩阵；

18、构造查询向量q、键向量k和值向量v三部分之后，每个向量包含的数据如下式所示：

19、，

20、，

21、，

22、式中，qt表示需要进行基线负荷估计时段t的特征向量；m表示基线负荷估计时段长度； kt表示滑动窗口视野内历史时段负荷的特征信息，包括历史负荷load、温度tem、湿度hum和电价mon；vt表示历史时段的负荷值；n表示输入序列的总长度，代表滑动窗口历史视野步数；

23、步骤s22：缩放点积注意力计算，基于查询向量q、键向量k和值向量v，对于第i个注意力头：

24、，

25、式中，分别为第i个注意力头中查询、键、值的投影矩阵，dk为键向量维度，softmax是激活函数；

26、步骤s23：多头注意力聚合，将h个注意力头的输出拼接后经线性变换映射回原始维度：

27、，

28、式中，h为注意力头数量；w0为输出投影矩阵；

29、步骤s24：残差连接与层归一化：

30、，

31、式中，x（l-1）为第l-1层编码器的输出；为第l层编码器经残差连接与层归一化后的输出；

32、步骤s25：前馈神经网络非线性变换：

33、，

34、，

35、式中，w1、w2为前馈网络权值矩阵；b1、b2为偏置向量；relu是激活函数；

36、步骤s26：经l层编码器逐层堆叠处理后，输出周期性特征向量fbert：

37、。

38、进一步地，所述步骤s3中tcn波动性特征提取具体包括以下子步骤：

39、步骤s31：扩张因果卷积运算，对于第l层扩张因果卷积：

40、，

41、式中，f(l)(·)为第l层卷积核函数；为第l-1层输出在时刻t-dl·i的值,当l-1时，x(0)=x，即输入特征矩阵,也为第l层扩张因果卷积的输入；dl=2l-1为第l层的扩张率；k为卷积核大小；

42、步骤s32：权重规范化与激活：

43、,

44、式中， 为权重规范化操作； 为激活函数；

45、步骤s33：随机失活正则化：

46、 ,

47、式中，p为随机失活概率；

48、步骤s34：残差连接：

49、，

50、式中，x（l-1）为第l-1层残差块的输入；x(l)为第l层残差块的输出；

51、步骤s35：经m层残差块堆叠处理后，输出波动性特征向量：

52、。

53、进一步地，所述步骤s4中的对比学习空间特征增强包括：

54、步骤s41：正样本构建，对步骤s26得到的周期性特征向量fbert进行数据增强，通过幅值抖动和时间抖动生成正样本：

55、，

56、式中，为幅值扰动噪声；为时间平移扰动；

57、步骤s42：负样本选取，对于包含n个充电站的训练批次，将同批次内其他n-1个充电站的周期性特征向量作为负样本；

58、步骤s43：相似度计算，采用余弦相似度衡量特征向量间的相似程度：

59、，

60、步骤s44：infonce损失函数构建：

61、 ，

62、式中，为温度超参数，为正样本对，为负样本对，loss为损失函数;

63、步骤s45：通过反向传播算法最小化loss，迭代更新bert模型参数，使正样本对在特征空间中相互靠近、负样本对相互远离，得到融合空间关联特性的时空增强特征向量。

64、进一步地，所述步骤s5中的时空特征自适应融合包括：

65、步骤s51：分别对步骤s3和步骤s4中两路特征进行线性变换：

66、，

67、，

68、式中，wb、wt为特征变换权值矩阵，bb、bt为偏置向量；

69、步骤s52：计算动态权重系数：

70、，

71、式中，为softmax激活函数；为bert分支的动态权重系数；

72、步骤s53：自适应加权融合生成多维融合特征：

73、。

74、进一步地，所述步骤s6中基线负荷估计输出为：

75、，

76、式中，wout为输出层权值矩阵，bout为偏置向量，为展平操作，为目标时段各采样点的基线负荷估计值向量。

77、采用本发明产生的有益效果：本发明突破了现有的电动汽车充电站基线负荷估计方法对其负荷周期性特征和波动性特征提取兼顾性一般，导致基线负荷估计结果的精确度和稳定性难以保证。该方案首先分别通过bert架构和tcn架构分别提取电动汽车充电站负荷的周期性特征和波动性特征；其次构建动态权重矩阵，通过特征的权重动态变化实现基线负荷估计结果精度提升。本方法通过引入bert模型的多头自注意力机制，捕获跨日、跨周的周期规律，实现周期性特征提取；同时，借助时序卷积网络的扩张因果卷积结构，以层级化方式提取局部负荷波动特征，增强模型对实时负荷突变的敏感性。