考虑电动汽车用户行为的农村配电网负荷预测方法及装置与流程

本技术涉及电力系统负荷预测，尤其涉及一种考虑电动汽车用户行为的农村配电网负荷预测方法及装置。

背景技术：

1、随着“双碳”目标的深入推进和新能源汽车下乡政策的实施，县域电动汽车保有量呈增长趋势。电动汽车充电负荷具有时空分布随机性较强、受用户行为影响较大的特点，其接入对农村配电网的安全稳定运行产生一定影响。

2、传统负荷预测方法通常以历史负荷数据作为主要输入，未充分考虑县域用户特有的农忙节律、分时电价响应等行为模式对充电负荷的影响。现有涉及用户行为的负荷预测研究中，其应用场景多集中于城市交通领域，对于县域地区农事活动导致的出行规律变化尚缺乏深入建模。在外部特征的量化方式上，部分研究将电价作为离散分类变量处理，未充分利用价格信号的连续引导强度信息；对于农忙因素的刻画，多数研究采用二值化表示方式，难以反映农忙程度的渐变特征及日内波动规律。上述因素在一定程度上影响了负荷预测方法在县域场景下的预测精度。

技术实现思路

1、本技术的主要目的在于提供一种考虑电动汽车用户行为的农村配电网负荷预测方法及装置，旨在解决现有农村配电网负荷预测方法未充分考虑电价政策、农事活动等用户行为因素，导致预测精度不足的技术问题。

2、为实现上述目的，本技术提出一种考虑电动汽车用户行为的农村配电网负荷预测方法，的方法包括：

3、获取目标区域的多源原始数据，多源原始数据包括历史负荷时序数据、电价政策数据、农事活动数据以及气象观测数据；

4、根据电价政策数据构建连续数值型的电价特征序列，根据农事活动数据和电动汽车的历史充电记录构建表征农忙强度的农忙系数序列，并从气象观测数据中提取气象特征序列；

5、将电价特征序列、农忙系数序列及气象特征序列分别与历史负荷时序数据进行时间维度对齐，基于相关性分析筛选出与负荷相关的关键特征，并将筛选出的关键特征与历史负荷时序数据拼接，形成多维用户行为特征向量；

6、将多维用户行为特征向量输入预先构建的深度学习负荷预测模型进行训练，并在模型收敛后利用深度学习负荷预测模型对未来时刻的负荷进行预测，输出负荷预测结果。

7、在一实施例中，构建连续数值型的电价特征序列的步骤包括：

8、根据电价政策数据确定各时间点所属的电价时段，将每个时间点对应的电价数值作为基础电价分量；

9、基于基础电价分量，提取相邻时间点之间的电价差值作为电价变化趋势分量；

10、提取当前时间点的电价与当日最低电价之间的比值作为电价相对水平分量；

11、将基础电价分量、电价变化趋势分量和电价相对水平分量组合，构成连续数值型的电价特征序列。

12、在一实施例中，构建表征农忙强度的农忙系数序列的步骤包括：

13、根据农事活动数据确定各月份的月度基准农忙系数；

14、根据农村居民出行作息规律划分日内时段，并为各日内时段配置日内波动系数；

15、将月度基准农忙系数与对应日期的日内波动系数相乘，得到分层农忙系数，作为农忙系数序列的基础值；

16、获取电动汽车的历史充电记录，提取历史充电记录中的充电行为特征，根据充电行为特征对分层农忙系数进行数据驱动的动态校准，生成校准后的农忙系数序列。

17、在一实施例中，根据充电行为特征对分层农忙系数进行数据驱动的动态校准的步骤包括：

18、从历史充电记录中提取单位时间内的充电频次、平均充电量、充电时段集中度和充电持续时间均值，作为充电行为特征；

19、将充电行为特征输入预设的映射函数，输出由充电行为反推的农忙强度初始估计值；

20、将农忙强度初始估计值与基于农事活动数据确定的先验农忙强度进行融合，得到校准后的农忙强度，以更新分层农忙系数。

21、在一实施例中，将筛选出的关键特征与历史负荷时序数据拼接，形成多维用户行为特征向量的步骤包括：

22、采用斯皮尔曼相关系数法分别计算电价特征序列、农忙系数序列、气象特征序列与历史负荷时序数据之间的相关性度量值；

23、将相关性度量值大于预设阈值的特征确定为关键特征；

24、将关键特征在时间维度上与历史负荷时序数据对齐，并按时间步拼接，使得每个时间步均包含负荷值及其对应的关键特征值，构成多维用户行为特征向量。

25、在一实施例中，深度学习负荷预测模型为长短期记忆网络模型，将多维用户行为特征向量输入预先构建的深度学习负荷预测模型进行训练的步骤包括：

26、对多维用户行为特征向量进行归一化处理，消除各特征之间的量纲差异；

27、采用滑动窗口方式从归一化后的多维用户行为特征向量中构造训练样本集；

28、将训练样本集输入至长短期记忆网络模型，长短期记忆网络模型包括依次连接的输入层、lstm隐藏层、dropout层、全连接层及输出层；

29、采用优化器结合梯度裁剪策略对长短期记忆网络模型进行参数优化，并在达到收敛条件时完成模型训练。

30、在一实施例中，输出负荷预测结果的步骤之后，还包括：

31、获取多种不同测试场景下的多源原始数据，测试场景至少包括不同季节场景、不同日期类型场景和不同电价时段场景；

32、将各测试场景下的多源原始数据分别输入训练完成的深度学习负荷预测模型，获得各测试场景对应的负荷预测结果；

33、根据各测试场景对应的负荷预测结果与对应场景下的实际负荷数据，评估深度学习负荷预测模型的泛化能力和鲁棒性。

34、此外，为实现上述目的，本技术还提出一种考虑电动汽车用户行为的农村配电网负荷预测装置，考虑电动汽车用户行为的农村配电网负荷预测装置包括：

35、数据获取模块，用于获取目标区域的多源原始数据，多源原始数据包括历史负荷时序数据、电价政策数据、农事活动数据以及气象观测数据；

36、特征构建模块，用于根据电价政策数据构建连续数值型的电价特征序列，根据农事活动数据和电动汽车的历史充电记录构建表征农忙强度的农忙系数序列，并从气象观测数据中提取气象特征序列；

37、特征融合模块，用于将电价特征序列、农忙系数序列及气象特征序列分别与历史负荷时序数据进行时间维度对齐，基于相关性分析筛选出与负荷相关的关键特征，并将筛选出的关键特征与历史负荷时序数据拼接，形成多维用户行为特征向量；

38、模型预测模块，用于将多维用户行为特征向量输入预先构建的深度学习负荷预测模型进行训练，并在模型收敛后利用深度学习负荷预测模型对未来时刻的负荷进行预测，输出负荷预测结果。

39、此外，为实现上述目的，本技术还提出一种电子设备，电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序配置为实现如上文的考虑电动汽车用户行为的农村配电网负荷预测方法的步骤。

40、此外，为实现上述目的，本技术还提出一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文的考虑电动汽车用户行为的农村配电网负荷预测方法的步骤。

41、本技术提出的一个或多个技术方案，至少具有以下技术效果：

42、1.通过获取并融合电价政策、农事活动等多源数据，从根本上解决了传统方法仅依赖单一历史负荷数据而导致信息维度缺失的问题，为后续预测提供了丰富的决策信息基础。进而，通过将离散的电价政策数据构建为连续数值型特征、并基于农事活动与充电记录构建动态可校准的农忙系数，克服了现有技术中将电价视为分类变量、将农忙因素视为静态二值变量的缺陷，使得模型能够感知电价连续变化的激励强度以及农忙程度的渐变与日内波动，从而精确量化了用户行为对负荷的非线性影响。在此基础上，通过对齐多源特征并通过相关性分析筛选关键特征，构建了多维用户行为特征向量，保证了输入数据在时间维度上的严格同步与特征有效性，剔除了冗余干扰信息。最终，将所构建的高质量多维特征向量输入深度学习模型进行训练与预测，使得模型能够从负荷、电价、农忙、气象的联合数据分布中学习到用户行为与负荷变化之间的内在复杂映射关系，而非简单拟合历史曲线。由此，本方案在整体上显著提升了模型对负荷波动的解释能力与预测精度，实现了预测结果对真实负荷拟合优度的显著提升，有效解决了现有技术中因忽略关键用户行为因素而导致预测精度不足的技术问题。

43、2.通过将电价政策数据拆解为基础电价、电价变化趋势和电价相对水平三个维度，使模型能够全面感知电价信号的连续变化规律，不仅识别当前电价水平，还能捕捉电价涨跌趋势对用户提前或推迟充电的引导作用，以及当前电价相对于谷电的昂贵程度对用户充电时机选择的影响。由此，模型能够精准学习电价变化与负荷波动之间的非线性映射关系，显著提升电价切换时段附近负荷预测的准确性。

44、3.通过构建月度基准系数与日内波动系数相乘的分层农忙系数结构，使农忙程度的刻画兼顾了月份尺度的农事活动周期和日内尺度的出行作息规律；进一步引入基于历史充电记录的数据驱动校准机制，使农忙系数能够根据实际充电行为特征进行动态自适应调整，克服了传统静态赋值方法无法反映不同年度、不同区域农业生产实际强度差异的缺陷。由此，模型能够精确捕捉农忙与农闲状态下用户充电行为的时序分布差异，有效增强农事季节交替期间负荷预测的拟合能力。