基于深度学习考虑出行模式的电动汽车充电负荷场景生成

作     者：钱涛 任孟极 邵成成 朱丹丹 周前 王秀丽 QIAN Tao;REN Mengji;SHAO Chengcheng;ZHU Dandan;ZHOU Qian;WANG Xiuli

作者机构：西安交通大学电气工程学院陕西省西安市710049 国网江苏省电力有限公司电力科学研究院江苏省南京市211103 

出 版 物：《电力系统自动化》 (Automation of Electric Power Systems)

年 卷 期：2022年第46卷第12期

页      面：67-75页

核心收录：

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0807[工学-动力工程及工程热物理] 082303[工学-交通运输规划与管理] 0802[工学-机械工程] 0811[工学-控制科学与工程] 082302[工学-交通信息工程及控制] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金委员会-国家电网公司智能电网联合基金资助项目(U1766205) 国家电网公司科技项目(5400-202099508A-0-0-00) 

主　　题：电动汽车 充电负荷 交通网 深度学习 数据驱动 卷积自编码器 条件对抗生成网络 

摘      要：随着电动汽车的快速普及,交通网与电网的耦合进一步加深,交通网出行模式将对电动汽车充电负荷产生显著影响。传统的充电负荷模拟方法依赖于对交通路网和电动汽车个体建模并有较强的假设。文中提出了一种基于数据驱动的卷积自编码器和条件对抗生成网络的电动汽车充电负荷场景生成方法。该方法首先采用基于无监督学习的卷积自编码器对交通网出行预测数据降维并自适应地抽取出特征信息。其次,设计了一种适用于日前交通网充电负荷场景生成的条件生成对抗网络,并利用卷积自编码器抽取出的特征信息,隐式地学习得到不同交通网出行模式对应的电动汽车充电负荷条件概率分布,从而实现日前的电动汽车充电负荷场景生成,为电网运行与充电站运营提供了支撑。最后,以实际城市路网为例验证了所提出充电负荷场景生成方法的有效性。