电动汽车充电需求的协调分层概率预测
系统与控制
2024-11-05 v2 机器学习
系统与控制
摘要
电动汽车（EV）的日益普及显著改变了智能电网中的典型负荷曲线。随着快充技术的发展，EV充电需求的波动性不断增加，这要求实时功率平衡具备额外的灵活性。EV充电需求预测涉及对不同电动汽车充电站（EVCS）的高维时间序列动态进行概率建模。本文以分层概率的方式研究多个EVCS的预测问题。对于每个充电站，训练一个基于部分输入凸神经网络（PICNN）的深度学习模型，以预测日前充电需求的条件分布，从而避免传统分位数回归模型中常见的分位数交叉问题。然后，利用可微凸优化层（DCL）对从分布中采样的场景进行协调，以生成满足分层约束的一致性场景。与传统的基于优化的分层协调方法相比，该方法以机器学习的方式学习一个更优的权重矩阵，用于调整不同目标的预测结果。基于真实世界EV充电数据的数值实验证明了所提方法的有效性。
引用
@article{arxiv.2411.00337,
title = {Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand},
author = {Kedi Zheng and Hanwei Xu and Zeyang Long and Yi Wang and Qixin Chen},
journal= {arXiv preprint arXiv:2411.00337},
year = {2024}
}
备注
Paper accepted for IEEE Transactions on Industrial Applications. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses