1、第 42 卷 第 2 期2023 年2 月Zhejiang Electric PowerVol.42，No.02Feb.25.2023基于CNN-GAN与半监督回归的电动汽车充电负荷预测闫威，李南，沈月秀，施力欣，胡滨，周舟（国网浙江省电力有限公司嘉兴供电公司，浙江 嘉兴 314000）摘要：随着电动汽车用户在交通用户中所占比例不断增大，其充电行为对于电力系统运行产生重要的影响，因此对电动汽车充电负荷进行准确预测具有重要意义。对此，提出了一种基于CNN-GAN（卷积神经网络-生成对抗网络）与半监督回归的充电负荷预测方法。采用GMM（高斯混合模型）对用户样本进行聚类分析，并提取典型用户行为特征。
2、考虑历史数据及降雨量、温度等天气信息的影响，搭建各组基于CNN-GAN的电动汽车负荷预测模型，并通过半监督回归得到预测结果。以华东某区域内实际电动汽车数据为例，对比多种方法的预测结果及评价指标。结果显示，CNN-GAN预测模型预测精度优于其他方法，验证了所提方法的可行性。关键词：CNN-GAN；半监督回归；电动汽车；充电负荷预测DOI:10.19585/j.zjdl.202302011 开放科学（资源服务）标识码（OSID）：Electric vehicle charging load forecasting based on CNN-GAN and semi-supervised regre
3、ssionYAN Wei，LI Nan，SHEN Yuexiu，SHI Lixin，HU Bin，ZHOU Zhou（State Grid Jiaxing Electric Power Supply Company，Jiaxing，Zhejiang 314000，China）Abstract:With the increasing proportion of electric vehicle users in transportation users，their charging behavior dramatically influences the power system operati
4、on.Therefore，it is crucial to predict the charging load of electric vehicles accurately.In this regard，a charging load prediction method is proposed based on CNN-GAN（convolutional neural network-generative adversarial network）and semi-supervised regression.A GMM（Gaussian mixture model）is used for cl
5、uster analysis of the user samples and extraction of the typical user behavior features.Given the influence of historical data and weather information such as rainfall and temperature，the EV load prediction model groups based on CNN-GAN are built，and the prediction results are obtained by semi-super
6、vised regression.The EV data from a region of East China are used to compare the prediction results and evaluation indexes of several methods.The results show that the prediction model based on CNN-GAN is superior to other methods in prediction accuracy，and the feasibility of the proposed method is
7、verified.Keywords:CNN-GAN；semi-supervised regression；electric vehicle；charging load prediction0引言随着石油、煤炭等资源的大量消耗，生态环境所受到的负面影响日益严重。在美国，三分之一的温室气体排放来自交通运输1，为减少温室气体排放，大多数国家开始注意到电动汽车这一绿色交通工具。电动汽车与电网之间的联系也愈加紧密。由于电动汽车用户充电行为的随机性以及电动汽车充电功率的波动性，电动汽车充电行为对电力系统安全稳定运行提出了重要挑战2。而可靠的电动汽车充电负荷预测技术可以帮助电力系统调度中心有效应对电动汽车随
8、机充电所带来的影响。因此，研究可靠稳定的电动汽车充电负荷预测技术具有重要意义。另一方面，由于电动汽车用户的习惯需求不同，电动汽车的充电行为也会出现一定的差异。不同的电动汽车充电行为以及驾驶规律会对电动汽车日充电负荷产生很大的影响。因此，对不同电动汽车用户的不同充电行为进行聚类分析，可以建立更有针对性的电动汽车充电模型，便于提基金项目：国网浙江省电力有限公司科技项目（5211JX2000K7）第 42 卷取典型用户。由此可见，合理的电动汽车用户聚类分析工作可以提高对于不同用户群体的特征分析水平，有利于更好地搭建不同群体的充电负荷模型。目前，许多学者已经在电动汽车充电负荷预测和电动汽车用户聚类分析
9、领域取得了很大的进展。文献 3 提出了一种基于随机森林算法的模型，用于充电站电动汽车充电负荷预测。文献 4展示了一种考虑用户后悔心理影响的充电负荷预测方法。文献 5 提出了一种基于出行起讫点矩阵、考虑时空分布的电动汽车负荷预测方法，由于采用蒙特卡洛法建立负荷预测模型，如参数选择不合适，会出现误差过大从而降低预测准确度的情况。文献 6-7 考虑气象等多种因素对于充电负荷变化的影响。文献 8-9 采用Bass模型，考虑汽车保有量、季节特性等因素进行电动汽车充电负荷预测，而Bass模型通常用于中长期充电负荷预测，在短期、日前预测中表现并不突出。近年来，机器学习领域发展迅速，各种机器学习方法被应用到各
10、类功率、流量、负荷预测中。同时，部分学者使用机器学习方法搭建电动汽车负荷预测模型，取得了一定的成果。文献 10 提出了基于图WaveNet的模型，考虑电动汽车充电桩节点信息进行电动汽车充电负荷预测。文献 11 搭建LS-SVM（最小二乘支持向量机）、LSTM（长短期记忆）网络进行充电负荷预测。文献 12 中利用谱聚类对电动汽车负荷曲线进行聚类，针对每一组曲线进行对应预测。但上述模型在面对复杂信息时难以挖掘分析数据之间的深层关系，并且网络中参数较多，训练网络模型时待优化参数过多，使得训练时间过长。目前，GAN（生成对抗网络）是机器学习领域新兴的的神经网络算法，GAN可有效捕捉输入信息之间的深层联
11、系，面对复杂信息的输入时，拥有较强的特征分析能力。文献 13 中使用GAN实现压缩采样马赛克图像的颜色恢复。文献 14 搭建了用于股票价格信息预测的GAN模型。文献15 提出了一种轻量级actor-critic的生成对抗网络，将GAN模型与actor-critic 相连，使得GAN有着更好的动态性能以及在线学习能力，提高微电网的鲁棒性与适应性。GAN 已经在其他领域取得了大量的应用成果，但是在电动汽车充电负荷预测领域的研究并不深入。因此，考虑到充电负荷受到用户群体充电习惯差异、气象信息、历史负荷等因素的影响，建立了基于CNN-GAN（卷积神经网络-生成对抗网络）的电动汽车充电负荷预测模型，通过
12、对比多种机器学习算法，验证本文所提出方法的可行性。1GANGAN是由生成模型G与判别模型D组成的神经网络模型 16。其中，生成模型目标是分析真实样本的深层分布信息，模拟真实样本的详细分布，制造与真实样本极其相似的虚拟样本；判别模型的目标是能够准确识别输入样本是虚拟样本或真实样本，并输出对应结果。GAN结构如图1所示。生成模型和判别模型通过最大、最小博弈，在更新优化过程中，对生成模型和判别模型分别进行更新，最终达到纳什均衡状态。由于当输入数据是x或G（z）时，判别模型的最后结果只能为1或0，所以判别模型基于交叉熵的损失函数如式（1）所示：LD=-Elog D(x)-Elog 1-D(G(z)（1
13、）式中：E为期望函数；log为自然对数。生成模型目标为生成能过“骗过”判别模型的虚拟样本，因此其损失函数如式（2）所示：LG=Elog 1-D(G(z)（2）生成模型与判别模型持续进行最大最小博弈，不断提高对应的生成能力或判别能力，直到完成更新优化练过程，因此GAN基于交叉熵的损失函数为：图1 GAN结构Fig.1 GAN structure84 第 2 期闫威，等：基于CNN-GAN与半监督回归的电动汽车充电负荷预测minGmaxDV(D，G)=Elog D(x)+Elog 1-D(G(z)(3)2基于CNN-GAN的电动汽车负荷预测模型基于CNN-GAN的电动汽车负荷预测流程如图2所示，主
14、要包括GMM（高斯混合模型）聚类分析、数据集构建、GAN更新训练过程。GMM聚类分析是针对大量电动汽车充电样本进行聚类分析。数据集构建过程依据GMM聚类分析结果，针对每一组进行对应数据预处理，选择多种对于充电负荷预测影响较大的元素，确定输入数据形式以及训练样本与测试样本个数。在GAN更新训练过程中，由完成数据预处理的训练样本作为真实样本，将一组随机高斯噪声向量作为生成模型初始输入；生成模型将生成虚拟样本与真实样本共同送入判别模型，判别模型输出判别结果，通过半监督回归得到预测值；根据各模型的损失函数计算各层网络误差，反向传递误差，顺序更新D与G，最终获得各参数最优权重。完成训练后，使用各组对应G
15、AN预测模型进行预测，并与其他方法进行对比。在对比验证环节，各对比方法使用相同的测试样本数据集，采用百分比偏差MAPE与均方根误差RMSE两项指标评价各方法准确性。2.1GMM聚类分析电动汽车充电负荷的时间分布主要由充电电量、充电速度和充电时间3个方面决定。因此，选取上述3种因素作为GMM聚类分析的特征向量。GMM由多个高斯分布函数线性组合17。其基本形式如式（4）所示：p(u|)=k=1KCk(u|k)（4）式中：u代表三维特征向量；代表GMM模型参数，包括均值、协方差、权重；K代表子高斯分布个数；Ck为第k个模型概率，(x|k)为第k个子模型高斯分布密度函数。通过EM（期望最大化）算法计算
16、得到各项参数，该算法分为E和M两个步骤。在E步骤中依据当前参数计算第j个数据uj来自于模型k的概率rjk，即：rjk=Ck(uj|k)k=1KCk(uj|k)（5）在M步骤，计算新一轮迭代参数，包括更新均值k、协方差矩阵k和权重系数Ck，可分别表示为：k=jN(rjkuj)jNrjk（6）k=jNrjk(uj-k)(uj-k)TjNrjk（7）Ck=1Nj=1Nrjk（8）式中：N为样本数量。重复E步骤与M步骤，直到i+1-i，结束迭代。完成GMM聚类分析后得到3组聚类结果，根据不同的用户标签，分别计算第一、二、三组的日充电负荷；重复计算得到多周的各组充电负荷日数据。2.2数据集构建根据聚类结果，构建每组数据集。多数用户的出行存在一些周期性规律，同时与气温、降雨量等气象因素密切相关。因此，为了提取用户出行规律与预测日充电负荷的内在关系，选择气温、降雨量、湿度、历史负荷等信息作为输入数据，如表1所示。表中预测日日期周一至周五设置为0.20.6，周六、周日为2.2与2.7，可以更好区分工作日与非工作日。2.3GAN模型结构传统的深度学习模型由于网络架构较为复杂，导致网络待训练参数过多，出现
