基于稳态特征的充电桩时空动态负荷监测方法

黎海生，沈新平，李让，连国聪，陈正雍

（广东电网有限责任公司汕尾供电局，广东汕尾 516600）

随着国家电动交通工具的发展，电动车、电动汽车等交通工具在社会中的应用越来越广泛，而电动工具的充电过程存在一定的不稳定性，容易造成电网出现故障或波动等情况，给国家的电力部门工作和电网的良好运行带来困扰。对此，国家也发布相关文件政策，推动电动工具充电技术的发展改革，加强对于电动工具移动充电的电力负荷监测[1-3]。

对电力交通工具的充电负荷情况进行监测，一般通过采用数据统计模型，对充电桩电力负荷情况进行数据采集和相关运算[4]。随着网络大数据技术的发展，监测算法也发展出多种形式，由于目前对电动工具充电桩负荷监测的要求提高，需要对其进行时空动态负荷监测。因此，传统的监测算法无法满足动态监测的标准要求。该文根据充电桩时空动态负荷的相关情况，基于稳态特征方法对充电桩时空动态负荷监测方法进行了研究，并通过实验研究，证明了该文研究的负荷监测方法有更好的动态负荷监测效果。

1 充电桩时空动态负荷特征提取

1.1 负荷数据采集处理

基于稳态特征的充电桩时空动态负荷监测方法，首先要对监测区域内的充电桩负荷情况进行数据采集和分析处理。数据采集主要通过充电桩内部的采集器采集充电桩个体的电力负荷情况，然后将数据通过通信装置传输到后台控制服务器中，再由总服务器对负荷数据进行相关处理。

独立的充电桩内部装有监测电力负荷情况的传感器，主要通过监测电力线路的负荷情况，获取充电桩的负荷数据[5-7]。传感器再将采集到的数据传输到采集器的数据处理程序中，数据处理程序会对负荷数据进行简单的数据筛选和检测，根据相关规则筛选排除受到噪声干扰或其他因素影响的负荷信号信息，然后通过识别负荷数据的时间或空间信息，对其进行相关的分类排序，得到有条理的负荷数据信息集合[8-10]。然后通过通信装置，将负荷数据信息传输到后台中心服务器，其中需要经过对应的通信协议检测，以保证数据信息传输的稳定性和保密性。通信装置一般支持移动网络和无线通信网络的使用，充电桩的负荷数据采集终端能够在局域网络覆盖范围内进行较为稳定的数据信息通信传输，并且在网关协议的保护下具有一定的安全性[11-13]。同样，工作人员对后台中心控制服务器进行数据处理环节也需要通过权限验证才能对负荷数据信息进行具体的处理操作。数据采集过程如图1 所示。

图1 数据采集过程

中心服务器接收到来自充电桩数据采集终端的负荷数据信息，根据相应的处理规则对数据进行预处理[14-16]。首先进一步检测负荷数据的真实度，通过线性相关分析矩阵等算法筛选排除存在异常的负荷数据，然后将负荷要求的数据信息导入负荷数据时空动态监测矩阵运算程序中，根据充电桩负荷时空动态分布情况进行数据划分，按照充电桩的位置分布情况对负荷数据进行空间定位划分，构建二维负荷矩阵，然后利用卷积神经网络算法对负荷的时间情况进行运算，获取按时段划分的监测区域充电桩负荷数据三维矩阵[17]。依照处理条件设定数据处理程序，根据充电桩负荷功率等级划分情况，分别进行分析处理，结合负荷数据时空动态监测矩阵对负荷数据进行监测结果归一化处理运算，运算公式如式（1）所示：

式中，L表示负荷数据归一化处理数据，k代表归一化处理的函数系数（常数），mn表示n时间段内的负荷监测矩阵运算所得的负荷量，dn表示n时间段内充电桩的电力负荷量。根据此公式运算得到处理后的充电桩时空动态负荷的监测数据，在此基础上进行负荷数据的稳态特征识别和提取。特征分类如图2 所示。

图2 特征分类

1.2 稳态特征识别提取

根据不同的检测指标分别对相关数据进行特征分析。数据处理程序会将电力负荷的具体数据依照相关运算转化为图像进行表示，然后利用图像特征识别程序，对监测区内所有充电桩的电力负荷情况按照不同的检测指标进行对应的特征数据检测识别。以检测指标的正常变化图像作为参考标准，对检测图像数据信息进行对比，并对变量数据进行相关性运算，获取负荷指标具体的数据变化，进而获取存在一定突出变化的特征信息数据。识别显示结果如图3 所示。

图3 识别显示结果

由于负荷数据的特征提取可能存在特征重复等情况，所以在进行特征提取之前，首先要对重复性特征进行筛选排除。对经过特征识别后的特征信息，进行线性相关矩阵运算，将相似度达到较高标准的特征信息数据进行排除，最终保留具有一定独特性的特征数据。然后将特征数据按照其检测指标进行相应划分，整理归纳到特征数据库内进行备份和保存，完成负荷数据的稳态特征提取。

2 充电桩时空动态负荷监测

2.1 时空动态负荷矩阵

电动交通工具的充电环节具有随机性、波动性、不稳定性等特征，且城市规划中关于电动交通工具充电桩的分布较为分散，因此对充电桩进行时空动态监测的过程较为复杂，没有一定的规律，监测点数量多而杂，所以需要对监测区域的充电桩负荷进行时空纬度构建。其序列公式如下：

式中，D表示充电桩的时空序列，t表示该监测矩阵的时长，(X,Y)表示监测区域的充电桩空间位置坐标。通过上述公式的运算能够得到关于某区域某一时段的充电桩电力负荷量监测情况，然后根据运算结果构建负荷矩阵，主要步骤如下：

1）根据充电桩空间分布情况构建适合的坐标图，将充电桩位置依次在坐标图中进行标注；

2）根据该区域电网相关情况，计算每个充电桩的负荷范围，经过坐标比例换算，在坐标图中进行划分；

3）根据同一时间段内所有充电桩的负荷范围进行负荷量数据累加运算，能够得到该区域这一时间段内的充电桩负荷监测情况矩阵。

2.2 时空动态负荷监测模型

根据充电桩时空动态负荷矩阵的构建情况，建立充电桩时空动态负荷监测模型。该文在充电桩时空动态负荷监测模型的构建中采用了卷积神经网络算法，提取时空动态负荷矩阵的时间信息数据。通过卷积运算，将不同时间序列的二维负荷矩阵进行空间卷积神经网络处理，获取矩阵的记忆层时间长短，并按照时间序列进行负荷空间情况监测，能够得到负荷矩阵的空间特征。然后进行三维卷积运算，在空间动态的负荷特征基础上，对矩阵的时间特征进行提取，提取过程采用的算法如下：

式中，H表示充电桩负荷的时间特征，Xn为负荷矩阵的时间序列，N表示参与该函数运算的时间序列总量，Wn是卷积函数的运算系数，bn表示卷积核的输出系数。由此能够得到该区域内某一时段充电桩负荷时空监测的三维负荷数据，构建出时空动态负荷监测模型。监测模型如图4 所示。

图4 监测模型示意图

3 实验研究

为了检验基于稳态特征的充电桩时空动态负荷监测方法的实际应用效果，进行了实验研究，并采用传统的负荷监测方法进行对比分析。以某一时段内某区域范围的共享电动汽车充电桩为实验对象，进行充电桩的时空动态负荷监测。该文研究的基于稳态特征的充电桩时空动态负荷监测方法进行负荷监测的主要流程如图5 所示。

图5 电力时空动态负荷监测流程示意图

首先，在实验计划设定的时间段对监测区域内的充电桩进行负荷信息采集，充电桩内部的传感器采集到负荷数据信息，然后通过通信装置传输到后台中心控制服务器，服务器的数据处理程序对负荷数据进行相应的分析处理和特征识别提取，然后输出处理后的数据信息，并完成数据存储，工作人员记录各环节数据处理的结果，然后对数据运算结果的误差情况进行计算统计。

传统的负荷监测方法的监测流程与该文方法基本一致，主要是在数据处理和特征提取中的算法选择不同。因此数据处理和特征提取的结果存在一定差异，所以导致不同监测方法对负荷数据的监测效果存在差距，主要表现在监测结果的准确度方面。该文对3 种负荷数据监测方法的监测结果误差率进行了计算分析，其误差率对比结果如图6 所示。

图6 监测结果误差率对比结果

根据图6 可知，相比于传统的监测方法，基于稳态特征的充电桩时空动态负荷监测方法误差率更低，具有更高的准确性，监测效果更好。从图中对比结果可以看到，基于稳态特征的充电桩时空动态负荷监测方法在相同时间段的监测结果误差率始终保持在10%以下，平均约为5%，且随着监测的充电桩数量增加，误差率虽有所上升，但幅度不大，整体变化比较稳定；基于神经网络的充电桩时空动态负荷监测方法的误差率基本在10%以上，在监测数量达到50 个时，误差率已接近20%，而且能够看出其误差率上升幅度较大，表明此监测方法监测效果不太稳定；而基于暂态过程的负荷监测方法整体误差率较高，在监测数量超过40 个时，其监测误差率明显上升，在监测充电桩达到50个时，其误差率接近30%。

由此可见，在相同的监测时段内，对同一区域相同数量的充电桩进行负荷时空动态监测，基于稳态特征的充电桩时空动态负荷监测方法比传统的检测方法误差率更低，监测准确率更高，实际应用效果更好。因此，该文研究的负荷监测方法更适用于当前的充电桩时空动态负荷监测，能够更精准、更有效地得到监测结果。

4 结束语

针对目前充电桩时空动态负荷监测方面存在的不足，该文根据稳态特征方法研究了基于稳态特征的充电桩时空动态负荷监测方法。介绍了电力时空动态负荷监测矩阵和监测模型的相关知识内容，分析了基于稳态特征的充电桩时空动态负荷监测数据处理和特征提取的相关算法，并通过实验研究检验了基于稳态特征的充电桩时空动态负荷监测方法的实际应用效果。该文研究的负荷监测方法能够促进我国当前的充电桩负荷监测技术领域的相关研究，有利于推动我国电力时空动态负荷监测技术的进一步发展。