Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand
作者: Kedi Zheng, Hanwei Xu, Zeyang Long, Yi Wang, Qixin Chen
分类: eess.SY, cs.LG
发布日期: 2024-11-01 (更新: 2024-11-04)
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
💡 一句话要点
提出基于PICNN和可微凸优化的分层概率电动汽车充电需求预测方法
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 电动汽车充电需求预测 分层概率预测 部分输入凸神经网络 可微凸优化 智能电网 需求响应
📋 核心要点
- 电动汽车充电需求预测面临高维时间序列建模挑战，现有方法难以有效捕捉充电站之间的层级关系。
- 论文提出一种基于PICNN和可微凸优化层的分层概率预测框架，显式建模充电站之间的层级约束关系。
- 实验结果表明，该方法能够有效预测电动汽车充电需求，并优于传统的分位数回归模型和优化方法。
📝 摘要（中文）
电动汽车(EV)渗透率的增长显著改变了智能电网的典型负荷曲线。随着快速充电技术的发展，电动汽车充电需求的波动性日益增加，这需要额外的灵活性来实现实时功率平衡。电动汽车充电需求的预测涉及对不同电动汽车充电站(EVCS)高维时间序列动态的概率建模。本文研究了多个电动汽车充电站的分层概率预测问题。对于每个充电站，训练一个基于部分输入凸神经网络(PICNN)的深度学习模型来预测日前充电需求的条件分布，从而避免了传统分位数回归模型中常见的量化交叉问题。然后，使用可微凸优化层(DCL)来协调从分布中采样的场景，以产生满足分层约束的连贯场景。与传统的基于优化的分层协调方法相比，它学习了一个更好的权重矩阵，用于以机器学习的方式调整不同目标的预测结果。基于真实电动汽车充电数据的数值实验证明了该方法的有效性。
🔬 方法详解
问题定义：电动汽车充电需求的日益增长和波动性给智能电网的实时功率平衡带来了挑战。准确预测不同充电站的充电需求至关重要，但现有方法难以有效捕捉充电站之间的层级关系，并且传统的量化回归模型容易出现量化交叉问题，导致预测结果不一致。
核心思路：论文的核心思路是利用部分输入凸神经网络(PICNN)对每个充电站的充电需求进行概率预测，并使用可微凸优化层(DCL)来协调不同充电站的预测结果，以满足层级约束。PICNN能够保证预测分布的凸性，从而避免量化交叉问题。DCL通过学习权重矩阵来调整预测结果，从而实现更好的分层协调。
技术框架：该方法主要包含两个阶段：1) 基于PICNN的概率预测阶段：针对每个充电站，利用历史充电数据训练一个PICNN模型，预测其日前充电需求的条件分布。PICNN的输入包括历史充电数据、天气信息、节假日信息等。2) 基于DCL的分层协调阶段：从每个充电站的预测分布中采样多个场景，然后利用DCL对这些场景进行协调，以满足充电站之间的层级约束。DCL通过学习权重矩阵来调整每个充电站的预测结果，从而实现更好的分层协调。
关键创新：该方法的主要创新点在于：1) 提出了一种基于PICNN的概率预测模型，能够有效避免量化交叉问题。2) 提出了一种基于DCL的分层协调方法，能够显式建模充电站之间的层级约束关系，并利用机器学习的方法学习权重矩阵，从而实现更好的分层协调。
关键设计：PICNN的网络结构包括输入层、部分凸层和输出层。部分凸层采用ReLU激活函数，保证输出的凸性。DCL的损失函数包括两部分：一部分是预测误差，另一部分是层级约束违反程度。通过最小化损失函数来学习权重矩阵。具体参数设置未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在真实电动汽车充电数据集上取得了显著的性能提升。与传统的分位数回归模型相比，该方法能够有效避免量化交叉问题，并提高预测精度。与传统的基于优化的分层协调方法相比，该方法能够学习更好的权重矩阵，从而实现更好的分层协调。具体提升幅度未知。
🎯 应用场景
该研究成果可应用于智能电网的电动汽车充电调度和需求响应。通过准确预测电动汽车充电需求，电网运营商可以更好地规划电网资源，提高电网的稳定性和可靠性。此外，该方法还可以用于电动汽车充电站的选址和容量规划，以及电动汽车用户的充电行为引导。
📄 摘要（原文）
The growing penetration of electric vehicles (EVs) significantly changes typical load curves in smart grids. With the development of fast charging technology, the volatility of EV charging demand is increasing, which requires additional flexibility for real-time power balance. The forecasting of EV charging demand involves probabilistic modeling of high dimensional time series dynamics across diverse electric vehicle charging stations (EVCSs). This paper studies the forecasting problem of multiple EVCS in a hierarchical probabilistic manner. For each charging station, a deep learning model based on a partial input convex neural network (PICNN) is trained to predict the day-ahead charging demand's conditional distribution, preventing the common quantile crossing problem in traditional quantile regression models. Then, differentiable convex optimization layers (DCLs) are used to reconcile the scenarios sampled from the distributions to yield coherent scenarios that satisfy the hierarchical constraint. It learns a better weight matrix for adjusting the forecasting results of different targets in a machine-learning approach compared to traditional optimization-based hierarchical reconciling methods. Numerical experiments based on real-world EV charging data are conducted to demonstrate the efficacy of the proposed method.