基于特征驱动的多头注意力-LSTM方法用于V2G调度中的电力负荷预测
《eTransportation》:Electrical Load Forecasting for V2G Scheduling: A Feature-Driven Multi-Head Attention-LSTM Approach
【字体:
大
中
小
】
时间:2026年02月10日
来源:eTransportation 18.7
编辑推荐:
田雨燕|钟佳豪|邵子云|陈C.C.|简琳妮香港城市大学(东莞)能源与动力工程系,中国东莞523808
摘要:电力负荷预测是车辆到电网调度中的关键技术,它为实现降低负荷波动的调度目标提供必要信息。现有研究表明,不同时间点预测负荷的相对大小关系越接近实际负荷的相对大小关系,车辆到电
田雨燕|钟佳豪|邵子云|陈C.C.|简琳妮香港城市大学(东莞)能源与动力工程系,中国东莞523808
摘要:电力负荷预测是车辆到电网调度中的关键技术,它为实现降低负荷波动的调度目标提供必要信息。现有研究表明,不同时间点预测负荷的相对大小关系越接近实际负荷的相对大小关系,车辆到电网调度的效果就越好。基于这一结论,本文提出一种用于车辆到电网调度的电力负荷预测方法。通过计算各时间点负荷值与日平均值的差异,构建了一种称为负荷相对幅度(LRM)的特征,为预测模型提供负荷间的相对大小关系,从而提升车辆到电网调度的性能。此外,该方法还构建了一个以特征驱动的多头注意力长短期记忆模型,其中LRM特征作为输入。由于多头注意力机制能够引导模型关注任务的关键部分,因此LRM特征被用来加权关键矩阵,以提高高峰和低谷时期的预测精度,而这些时期对车辆到电网调度的性能尤为重要。通过实际负荷数据的大量实验,证明了所提模型的有效性和优越性。具体而言,与长短期记忆模型相比,所提模型在不同数量电动汽车的情景下,可使车辆到电网调度性能提升15%至22.3%,同时也能优于卷积神经网络和紧凑型Transformer模型。
引言:随着交通领域的电气化进程加快,全球电动汽车的普及速度也在不断提升。根据国际能源署的数据,2023年全球电动汽车保有量已超过4000万辆[1]。虽然大规模电动汽车的接入为电力系统带来了宝贵的灵活资源,但也带来了更为复杂且不稳定的负荷模式[2]。集中式充电会加剧负荷波动,给电网带来更大的运行压力[3]。车辆到电网技术则为解决这些问题提供了有效途径,它能够让电动汽车参与削峰填谷等需求侧管理措施[4][5][6]。这些功能为基于车辆到电网技术的调度策略奠定了基础,而这类策略需要准确预测未来的负荷变化。
车辆到电网操作通常分为两个阶段:提前规划阶段和实时调度阶段[7]。提前规划阶段会根据对未来需求、供应和电价状况的预测来确定基本的充放电计划[8]。随后,实时调度阶段会以更短的间隔调整该计划,以适应实际的电网状况和价格变化[9][10]。由于提前规划阶段的充放电时间安排直接取决于预测的负荷模式,因此车辆到电网调度的有效性在很大程度上取决于预测的质量[11]。
在众多车辆到电网调度目标中,降低负荷波动这一目标受到了广泛关注[12]。通过协调电动汽车的不同时段充放电行为,可以平滑负荷曲线,减小峰谷差,从而提高系统的效率与稳定性[12]。要在提前规划阶段实现这一目标,就需要可靠的未来负荷预测,因为不准确的预测会直接降低车辆到电网调度的性能[13]。因此,电力负荷预测是实现降低负荷波动调度目标的关键环节。要确保大规模的提前规划操作能够顺利进行,就需要准确把握电力负荷的时间分布特征,这也就对电力负荷预测方法提出了更高要求[14][15]。当预测精度不足时,就难以实现最优调度,这就凸显了将预测设计与调度目标相契合的重要性[16]。
在近期文献中,将预测任务与下游运营目标相结合的理念以多种不同的术语出现。闭环预测这一概念被描述为应用驱动学习[17]、决策导向预测[18]、成本导向预测[19]以及价值导向预测[20]。尽管名称有所不同,但这些方法都遵循一个共同原则:上游预测任务的目标应与下游决策过程的最终目标紧密匹配。基于这一思路,本研究采用了[20]中提出的价值导向预测理念,致力于构建一种能够直接支持车辆到电网调度并提升系统整体性能的预测方法。
随着深度学习的快速发展,电力负荷预测模型也发生了显著变化,出现了各种先进的架构,如混合卷积神经网络-长短期记忆网络、长短期记忆网络-门控循环单元网络以及多解码器Transformer模型[21][22][23]。然而,大多数提前规划阶段的电力负荷预测模型主要关注预测精度,往往忽视了捕捉负荷曲线整体趋势的重要性[24]。这种忽视可能导致基于电力负荷预测的方案在优化车辆到电网调度方面的效果不佳。在本研究中,“趋势”指的是一天内负荷曲线的结构变化,这种变化体现在不同时间点之间的相对大小关系和时间顺序上。车辆到电网调度的目标是引导电动汽车在负荷较低的时段充电,在负荷较高的时段放电,而“高”和“低”这两个概念是相对的,是由预测的负荷值相互比较得出的[20]。
传统预测模型中的预测误差可能会扭曲不同时间点负荷值的相对排序,从而导致对峰谷时段的误判。由于这些时间节点对车辆到电网的充放电决策至关重要,仅依靠数值精度是不够的。电力负荷预测模型还需要捕捉那些决定这些关键时段时机的趋势相关特征。传统的基于精度的评估指标无法完全满足这一要求,因为常规的电力负荷预测目标与旨在支持车辆到电网调度的预测目标有着本质上的区别[24]。
在此背景下,车辆到电网调度预测与电力失衡预测之间存在明显区别,其差异在于目标和应用场景。电力失衡预测侧重于预测电网中实时的供需差异,通常旨在尽快消除失衡或干扰。而车辆到电网调度则需要预测更长时间范围内的趋势,以便优化电动汽车的充放电行为。这种长期协调能够确保负荷长期保持平衡,从而直接保障电网的稳定性。为了清晰对比传统电力失衡缓解场景下的预测应用与以车辆到电网调度为目标的预测应用,图1展示了两种均分为三个连续阶段的框架:预测、优化和调度结果。
图1(a)展示了电力失衡预测后再优化的框架。在该框架中,预测阶段主要利用历史电力负荷数据以及可再生能源发电量数据,对未来需求进行逐点预测。这些预测结果会被传递到优化阶段,在那里会做出平衡供需的电力调度决策。此外,优化阶段还会向预测模块反馈电力失衡偏差信息。这些反馈信息反映了实际发电量与负荷之间的差异,使得预测过程能够根据系统的失衡状况进行调整,从而形成预测与优化之间的闭环机制。最终的调度结果则体现了实际发电量与实际负荷之间的匹配程度。调度的有效性在很大程度上取决于逐点负荷预测的精度,即使是微小的预测误差也可能导致供需平衡方面出现严重问题。
图1(b)展示了以车辆到电网调度为目标的预测-优化框架。在该框架中,预测阶段主要依靠历史电力负荷数据来捕捉和预测负荷的潜在趋势。在车辆到电网调度中,预测的作用是为充放电策略提供方向性指导,重点识别负荷的高峰期和低谷期。因此,能够准确捕捉负荷趋势的预测,能够让电动汽车队列在最佳时机进行能量交换,从而实现削峰填谷,同时提升系统的稳定性。在优化阶段,预测结果会被用来指导电动汽车的充放电策略。此外,优化阶段还会向预测模块反馈车辆到电网调度性能的相关信息。这些反馈信息提供了关于调度结果的定量数据,使得预测过程能够更好地与车辆到电网调度目标相契合,从而形成基于决策的预测与调度之间的闭环互动。该框架下的调度结果能够体现通过协同的车辆到电网行动,是否有效地实现了削峰填谷。在这里,调度的有效性并不那么依赖于预测的绝对精度,而更多取决于对负荷模式的正确识别。因此,即便存在一定的预测偏差,只要能够准确捕捉负荷趋势,通过车辆到电网的协同作用,依然可以实现有效的削峰填谷,进而提升电力系统的整体灵活性与稳定性。
受这些研究结果的启发,本文通过特征工程和模型创新提升了预测性能,尤其注重为车辆到电网调度应用提供支持。与那些主要致力于减少数值预测误差的现有电力负荷预测研究不同,本研究更关注那些直接影响车辆到电网调度质量的负荷曲线结构特征。首先,本文提出了一种名为负荷相对幅度(LRM)的创新特征,它是通过用每日平均负荷值减去各时间点的负荷值来构建的。这一特征使得电力负荷预测模型能够捕捉负荷曲线中的时间趋势和相对大小关系,而这些正是提升面向车辆到电网调度的预测性能的关键。此外,由于LRM是从相对角度来描述负荷变化,而非依赖绝对的功率水平,因此它在不同的电网容量约束条件下依然具有稳定性,同时还能保留那些有助于车辆到电网调度决策的峰谷结构。
进一步地,本文还开发了一种以特征驱动的多头注意力长短期记忆模型,其中LRM特征被用作注意力加权机制。通过引导注意力模块更加关注那些与每日平均值存在显著偏差的时段,该模型大幅提升了高峰和低谷时段的预测精度。这些时段对于确定最佳的电动汽车充放电计划至关重要,因此在这些区域进行有针对性的优化对车辆到电网应用来说具有很大的价值。综上所述,LRM特征与基于特征驱动的注意力设计的结合,形成了一种综合性的电力负荷预测解决方案,它不仅能够提升模型捕捉峰谷特征和相对大小关系的能力,而不仅仅是减少逐点预测误差,从而为面向车辆到电网调度的负荷预测做出了重要贡献。
近年来,由于在电力系统规划与运行管理中的重要作用,电力负荷预测受到了广泛关注。它主要可分为短期、中期和长期预测,分别对应从几分钟到几天、几周到几个月以及几年到几十年的时间尺度[25]。短期预测对于实时调度和市场交易至关重要,既要求高精度,又需要快速响应[26]。中期预测则为电力合同签订和设备维护计划提供支持,需要考虑季节性变化和节假日因素。长期预测则为电力系统容量规划、基础设施建设以及能源政策制定提供依据,需要综合考虑经济增长、人口变化和技术进步等因素[25]。此外,电力负荷预测还是电力系统规划、实时调度、能源管理以及可再生能源整合中的核心组成部分。它在维持电力供需平衡、优化资源分配以及推动新兴能源技术的有效利用方面发挥着至关重要的作用[26]。例如,准确的电力负荷预测可以通过优化发电计划并减少备用容量的需求,从而帮助降低运营成本,提升电力系统的经济性[27]。另外,电力负荷预测也是实现智能电网和需求响应的重要基础,它能够让电力公司根据需求变化灵活调整电力供应,进而提升电网的可靠性和韧性[28]。
深度学习技术的快速发展为各类时间序列预测提供了更加灵活高效的解决方案[29]。在电力负荷预测领域,许多学者都在特征构建和模型创新方面进行了深入研究[30]。例如,A. Rafati等人针对电力市场放松管制以及可再生能源整合所带来的挑战,提出了一种新的混合数据驱动方法,用于小时级电力负荷预测,该方法基于对电力负荷非线性及动态特性的创新性分析[31]。此外,S. Zhang等人提出了一种名为MTMV-CNN-LSTM的深度学习框架,该框架结合了多任务学习、卷积神经网络和长短期记忆网络技术[32]。该模型通过为主要任务和辅助任务的相关训练数据赋予不同权重,有效解决了数据冗余和卷积运算效率低的问题,从而显著提升了模型的泛化能力[32]。总体而言,深度学习在预测精度和稳定性方面的突破为将ELF与V2G调度相结合的进一步研究提供了强有力的技术支持。在特征构建方面,相关研究从单一时间序列扩展到多源异构数据,以更准确地捕捉ELF的复杂性。例如,除了历史负荷和天气信息外,还引入了交通流量、行驶路径、用户画像、价格激励策略以及社交媒体数据等,用于构建预测模型,以掌握车辆的行驶模式和实时状态[33]、[34]、[35]。此外,精心设计的特征有助于模型识别复杂的非线性关联与依赖关系,而输入特征的质量和相关性则直接影响模型学习有意义表征、适应不同数据分布的能力,以及在实际应用中实现稳定可靠性能的能力[36]、[37]。因此,采用以特征为导向的模型开发策略对于提升预测精度和运营效率至关重要[38]。随着深度学习模型在ELF领域的不断成功,注意力机制逐渐成为时间序列预测中的重要工具。虽然LSTM和GRU等传统循环神经网络能够捕捉时间序列的依赖关系,但它们在保留长距离时间序列信息方面存在一定局限[39]。而通过引入自注意力机制,可以更灵活地识别不同时间步之间的相关性[40]。在ELF应用中,早期的研究大多采用编码器-解码器架构,其中历史负荷数据作为编码器的输入,编码器隐藏层最后一步的输出再经过注意力机制处理后与解码器部分结合,从而生成多步预测结果。RNNsearch等传统注意力机制常被用来让模型更关注关键时间段,从而通过有效捕捉数据中的时间依赖关系来提升预测精度[40]。Transformer架构的出现从根本上改变了序列建模的范式,在处理时间依赖关系方面取得了重大进展[41]、[42]。作为该架构的核心组成部分,多头注意力机制使得能够在多个子空间维度上并行学习时间相关性[43]。由于能够更有效地捕捉复杂的时间模式,这一机制在可再生能源功率预测以及电动汽车充电负荷预测等多个领域都展现了出色的性能[44]。近期,一些研究者开始探索利用稀疏注意力、分层注意力及相关机制来降低计算复杂度或提升模型的可解释性[45]、[46]。例如,在V2G场景中,不同充电站和区域的车辆在充电和放电行为上存在差异[47]。要结合这些差异与时间序列模式,就需要对不同区域和车辆群体的关键时刻进行精细化的注意力分配,从而避免在调度过程中出现局部拥堵和频率波动等问题[48]。除了在电力负荷预测方面的算法创新之外,V2G运行还处于一个更为广阔的城市能源系统中,该系统包含多元化的充电基础设施、多样的用户行为以及日益增加的可再生能源占比。近期研究强调了V2G在城市能源匹配及实现碳中和目标中的作用[49],同时也有研究通过激励机制和数据驱动的控制策略来探索基于行为感知的充电协调方法[50]。此外,还有研究着眼于电池更换等互补型灵活资源、快速充电基础设施对城市需求模式的影响,以及针对充电基础设施使用情况的大规模数据驱动分析,以此来构建真实的城市充电环境模型[51]、[52]、[53]。尽管这些研究界定了城市V2G系统的更广泛边界条件,但本文的重点在于预测与调度的衔接环节,着重探讨以价值为导向的负荷预测,以实现最小化波动的V2G调度。传统的能源预测方法主要致力于提升预测结果的统计精度,所得预测结果通常作为调度问题的输入,用于提前规划能源的调配方案[54]。然而,传统方法在优化调度过程中往往忽视了预测结果对实际运营成本或收益的直接影响[55]。这种预测与优化的分离可能导致预测精度虽高,但对调度而言的实际价值却有限[56]。为弥补传统方法的不足,研究人员近期提出了以价值为导向的预测方法,旨在使预测模型的训练目标与调度的实际价值相契合[55]、[56]、[57]。例如,Y. Zhang等人提出,通过将预测模型的目标函数与调度优化的运营成本直接关联,可以提高整个系统的经济效率。这种方法不仅注重预测精度,还重视预测结果在现实调度中的应用价值[56]。为便于对所提出的方法与现有最先进方法进行清晰严谨的比较,表1系统总结了近期文献中几种具有代表性的负荷预测模型的主要特点。比较内容涵盖了应用场景、核心建模框架、输入特征、面向调度的预测功能、评估指标以及主要的方法创新点。通过对比这些方面,该表凸显了本文的独特贡献,如采用以特征为导向的多头注意力机制、引入基于LRM的特征,以及明确聚焦于面向V2G调度的优化目标。这种对比分析不仅将本文置于当前研究的更广泛背景之中,也凸显了其在解决V2G调度负荷预测这一特定问题上的优势。本文旨在提出一种用于V2G调度的先进ELF方法。本文的贡献可总结如下:●提出了一种名为负荷相对幅度(LRM)的创新特征,用于量化某一时刻的负荷值与日平均值的相对差异,有助于模型更关注预测负荷值的相对大小。●通过将LRM特征与LSTM框架内的多头注意力机制相结合,构建了一种以特征为导向的多头注意力-LSTM(FDMHA-LSTM)模型。该模型能够提升负荷高峰期和低谷期的预测精度,而这些时段对V2G调度性能而言至关重要。●通过在真实世界负荷数据上进行的大量实验,证明了所提方法的整体有效性及其在面向V2G预测方面的实用价值,其表现体现在持续有助于降低负荷波动。本文的其余结构如下:第2节介绍V2G调度问题,并给出最小化负荷波动的数学建模公式;第3节详细阐述所提出的方法,包括数据预处理、创新特征的构建、所提模型的设计以及所采用的评估指标;第4节描述实验设置,并通过对比实验、消融研究以及针对典型基准方法的进一步评估,全面分析预测性能和调度优化结果;最后,第5节对全文进行总结。问题陈述本文所考虑的调度目标是最小化负荷波动,而要实现这一目标,就需要一种可靠的提前一日预测ELF的方法。对于这类V2G调度而言,不同时段负荷值的相对大小至关重要,因为电动汽车会被引导在负荷较低的时段充电,在负荷较高的时段放电[20]。预测误差可能会扭曲这些相对关系,从而导致对负荷高峰期和低谷期的错误判断,进而影响调度效果。研究框架图2展示了本文采用的整体研究框架,该框架分为三个主要阶段:特征工程、电力负荷预测以及V2G应用。整个研究过程按照有序的步骤展开,确保研究方法的系统性。研究首先从特征工程开始,收集原始电力负荷数据并进行预处理,以确保数据的质量和一致性,随后构建三种关键的输入特征:历史电力数据……结果与讨论本节将利用相关数据集,评估FDMHA-LSTM框架在负荷预测方面的性能。实验在配备Intel? 2.5GHz Core? i9处理器和RTX3070Ti显卡的64位Windows11系统上进行,软件平台为Python。为确保实验结果的可靠性,采用了100种不同的随机种子分别进行100次独立实验,其他条件保持不变,最终取各次实验结果的平均值。结论本文提出了一种基于特征构建和模型创新的ELF方法,用于V2G调度。该方法结合了以特征为导向的多头注意力机制以及基于LRM特征融合的LSTM网络。LRM特征是通过用每时刻的负荷值减去日平均负荷值得出的。通过引入LRM特征,模型能够更有效地捕捉负荷曲线中的相对幅度关系,从而有助于提升V2G的调度性能。CRediT作者贡献说明Shao Ziyun:写作——审阅与编辑;Zhong Jiahao:写作——审阅与编辑、形式分析;Yan Tianyu:写作——初稿撰写、验证、方法论、研究设计、形式分析、概念构建;Jian Linni:监督、项目管理、概念构建;Chan C.C.:写作——审阅与编辑。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。数据可用性数据可在请求时提供。利益冲突声明?作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号