一种光伏发电和电动汽车负荷的聚合功率预测方法

1.一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：包含：S1、收集各母线节点光伏电站的历史数据，包含光伏电站的历史发电功率、相对湿度、温度以及降雨量，通过K-means++算法选取与预测日天气情况最接近的相似日历史数据作为训练样本；S2、利用核主成分分析法对已提取的最大相似日数据进行降维处理，提取出数据主要特征；S3、搭建基于改进人工蜂群算法优化的Elman神经网络光伏发电预测模型，并预测光伏发电功率；S4、将充电区域划分为工作区、住宅区和休闲区，应用停车生成率模型计算电动汽车的充电体量，并基于出行链技术求取电动汽车来往于不同地点的行驶距离，计算电动汽车的荷电状态；S5、根据电动汽车的充电需求，判断电动汽车的充电方式，根据充电方式抽取电动汽车的充电起始时间；S6、通过蒙特卡洛算法模拟并统计位于不同母线节点的电动汽车负荷功率；S7、根据不同母线节点的光伏发电功率和电动汽车负荷功率数据，考虑节点间的拓扑连接关系，基于图神经网络实现聚合功率预测。 2.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于，所述步骤S1具体包括：S11、收集并预处理待预测光伏电站的历史数据，包含历史光伏发电功率和气象数据，对待预测光伏电站的历史数据作归一化处理：其中，x i 为历史数据样本i未归一化之前的值，x i，max 为对应样本数据中的最大值，x i，min 为对应样本数据中的最小值； 为归一化后的值；随机选取历史数据集中一个样本c作为聚类中心，计算历史数据样本距离当前聚类中心的欧氏距离，并选择最小值记为d i ；其中， 为数据样本i的天气特征；S12、计算每个样本点被选为下一个聚类中心的概率，选择最大概率值所对应的样本点作为下一个聚类中心，其中概率计算公式为：根据上述概率，通过轮盘赌法选择下一个聚类中心；S13、重复以上步骤，选出所有的聚类中心；计算其余样本与所有聚类中心的距离，将样本值放入距离最小的聚类点集合中，重复以上操作直至聚类点固定；提取含有待预测日数据样本的聚类体，将其中数据作为训练样本。 3.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：步骤S2具体包括：S21、设置初始输入为含有p个样本，q个发电功率采样点的变量矩阵：S22、提取输入变量的主要成分等价为计算核矩阵的特征值λ i 和单位矩阵正交化后的特征向量Φ i ；根据特征值的贡献率β i 和累计贡献率β Σ (i)计算主成分分量μ i ：μ i ＝(φ i ) T Z p×q ；i＝1，2......p。 4.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：所述步骤S3具体包括：S31、通过改进的人工蜂群算法得到神经网络的最优权值；S32、使用Elman神经网络对光伏功率进行预测。 5.根据权利要求4所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：通过改进的人工蜂群算法得到神经网络的最优权值，具体操作如下：S311、记蜜源i(i＝1，2，L，n)，其中n为蜜源的总量；将蜜源的位置记为W i ＝[W i1 ，W i2 ，L，W iN ]，将可行解空间的维数记为Q；将蜜源初始化：其中， 表示为第j维解的最大值； 表示为第i个解的第j维； 表示为第j维的最小值； S312、蜜源的适应度值F i t i 为：其中，F i 为待优化问题的目标函数；S313、蜜源和引领蜂一一对应，所述引领蜂根据下式在蜜源附近进行搜索：其中， 表示第i个蜜源W i 生成的可能解N i 的第j维； 根据贪婪选择确定迭代方向：S314、对人工蜂群算法进行优化，跟随蜂按照概率选择蜜源，优化公式如下：其中，max(F i t i )表示蜜源适应度的最大值。 6.根据权利要求4所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：Elman神经网络包含输入层、隐含层、输出层以及承接层；其中隐含层的输出为：D(t)＝F(w 1 x(t-1)+w 3 q(t))；其中，x(t)为输入层；q(g)表示隐含层到承接层的输出，q(t)＝D(t-1)；隐含层到输出层的输出为y(t)＝G(w 2 D(t))；其中w 1 表示输入层到隐含层的连接权值、w 2 为隐含层到输出层的连接权值、w 3 表示承接层到隐含层的连接权值；F(g)表示隐含层神经元的传递函数；G(g)表示输出层神经元的传递函数。 7.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：所述步骤S4具体包括：S41：计算位于不同地区的电动汽车停车体量；依据停车需求生成率与土地所归属的功能类型之间关系进行建立电动汽车停车生成率模型；用E i 表示i功能用地的停车需求生成率，M i 表示i功能用地的建筑面积，则停车需求量N a 为：N a ＝f i E i M i ；式中：f i 为停车生成率修正系数；S42：将从家出发再返回到家这一路程记为一条完整的出行链，包含时间和空间；将电动汽车的当前状态记为S 1 ，下一个状态记为S x ，其中S x ∈(S 1 ，S 2 ，L，S i )；P mn 表示从P m 状态转移到P n 状态的转移概率，其中：m为工作区O、住宅区R以及休闲区A中任意一情形；车辆从m行驶到n，两地间的状态转移概率P mn 为：电动汽车的每天行驶的总距离l的对数服从正态分布，l～(η L ，σ L 2 )，其中： 表示行驶路程的期望； 表示行驶路程的方差；电动汽车从m行驶到n地的概率密度D mn (t)为：S43：设电动汽车在t 0 时刻出发，在t时刻到达，行驶的路程为l，则其荷电状态为：其中L max 为最大行驶距离；t av 为平均行驶时间。 8.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：所述步骤S5具体包括：当电动汽车电池满足 时用户选择快充，否则为慢充；其中，k为人为设置的最低接收电量比例，P m 为慢充功率，t p-i 为从地点p到地点i的行驶时间，E r-i 为电池剩余电量，e为电动汽车每公里耗电量，c为电池容量；f c (t)表示起始充电时间的概率密度，服从分段正态分布：式中e、d t ——分别为充电起始时间的期望和方差。 9.根据权利要求1所述的一种光伏发电和电动汽车负荷的聚合功率预测方法，其特征在于：所述步骤S7具体包括：S71、用无向图G＝(V，E，A)来描述节点的拓扑连接关系；其中V表示节点集，n表示节点的个数，V＝(v 1 ，v 2 ，K，v n )，v i ∈v表示节点；E为各个光伏电站和电动汽车负荷之间的连接边的集合，A表示邻接矩阵；图神经网络的操作包括节点信息聚合和信息更新：S72、在图神经网络中嵌入卷积运算：其中，K j 代表第j层的隐含表示； 表示节点及包含自身环路的邻接矩阵， 表示 的度数矩阵；ACT(·)表示非线性激活函数；S73、将电力线路拓扑图转换成对应的线图来获取元素信息，转换规则为：其中E i，head 为边的源节点；E i，finish 为边的目标节点；所述特征提取网络 为：S74、通过叠加多层图神经网络实现对光伏发电数据和电动汽车负荷数据的空间特征提取，通过数据样本训练图神经网络模型，完成光伏发电和电动汽车负荷功率的聚合预测。