基于K-means与LSTM的充电桩负荷概率预测方法OA

随着电动汽车保有量的快速增长,其充电负荷的随机性与波动性给电网的安全稳定运行带来了显著挑战,因而精准预测其充电负荷成为新型电力系统建设的关键需求。现有研究忽略了不同充电桩服务对象的异质性,导致不同用途电动车充电负荷特征混叠,预测结果难以支撑电网风险决策。针对上述问题,提出一种基于K-means与长短期记忆网络的电动汽车充电负荷概率预测方法。首先,采用K-means聚类将充电桩按负荷模式与主要服务车辆类型划分为私人车用途、公交车用途、公务车用途、出租车用途及其他用途5类集群,消除特征混叠效应;随后,构建基于长短期记忆网络的预测模型,以加权分位数损失函数替代传统均方误差损失,输出10%~90%分位数预测区间的结果。为验证模型有效性,使用某省级电网公司提供的充电桩负荷数据进行实验,结果表明:完成充电桩集群划分后,负荷预测的平均均方误差降低了16.6%。所提方法能够为电网运行的风险评估与调度决策提供有效支撑。