本技術(shù)涉及充電站的負荷預測，具體而言，涉及一種負荷預測方法。

背景技術(shù)：

1、隨著全球氣候變化和能源危機問題在近年來不斷引起廣泛關(guān)注，傳統(tǒng)內(nèi)燃機汽車對環(huán)境的影響也日益凸顯。這些汽車通常依賴于石油等化石燃料，其運行過程中會排放大量二氧化碳、氮氧化物等有害氣體，嚴重污染空氣質(zhì)量并加劇環(huán)境問題。因此，減少汽車行駛過程中的碳排放已成為迫切需要解決的問題，以緩解氣候變化帶來的影響。

2、電動汽車作為一項新興的能源技術(shù)，以其對化石能源的低消耗、對環(huán)境的低污染以及積極的社會效益迅速贏得了市場的青睞，其產(chǎn)業(yè)規(guī)模迅速擴張，電動車數(shù)量爆發(fā)式增長。然而大量充電樁并入電網(wǎng)，對電網(wǎng)運行的穩(wěn)定性和電動汽車充電站的運行效率造成了巨大挑戰(zhàn)。具體體現(xiàn)在：1、充電行為的集中性可能導致電網(wǎng)負荷的峰谷差異加劇，這對電網(wǎng)的調(diào)度提出了更高的要求。電網(wǎng)需要更加靈活地應(yīng)對負荷的波動，以維持電力供應(yīng)的穩(wěn)定性。2、電動汽車充換電站的負荷波動性和時空不穩(wěn)定性增加了電力供應(yīng)的難度。電網(wǎng)設(shè)備，如變壓器和輸電線路，在負荷波動較大時會承受更大的壓力。如果充電樁分布不均或充電時間過于集中，可能會引發(fā)局部電網(wǎng)的電壓崩潰、設(shè)備損壞，甚至導致系統(tǒng)性的大面積停電等嚴重安全事故。為了確保電力系統(tǒng)的整體運行效率和安全穩(wěn)定，對充換電站的負荷進行準確預測顯得尤為重要。因此需要對充換電站的負荷進行預測以保證電力系統(tǒng)的整體運行效率和安全穩(wěn)定，同時提高電動汽車充電站的服務(wù)效率和可靠性。

3、傳統(tǒng)的負荷預測模型通常依賴于單個充電站提供的少量電動汽車充電記錄，主要適用于充電模式較簡單的情況。然而隨著大量充電樁并入電網(wǎng)，充電行為的時空不穩(wěn)定性以及高負荷波動性的特點，使得這些傳統(tǒng)模型難以深入挖掘用戶的充電模式，進而準確預測負荷。因此需要利用多個充電站的數(shù)據(jù)進行聯(lián)合預測，通過圖神經(jīng)網(wǎng)絡(luò)技術(shù)深入挖掘負荷數(shù)據(jù)的空間依賴性以提升模型精度。然而，電動汽車充電樁涉及到運營商的核心敏感數(shù)據(jù)，這使得聯(lián)合預測面臨隱私泄露的風險，因為這一過程需要不同電站之間共享負荷數(shù)據(jù)。此外隨著電站數(shù)量的增加，云端服務(wù)器將承受巨大的通信和計算壓力。目前關(guān)于充換電站負荷預測的研究中缺乏考慮對用戶隱私保護和計算壓力帶來的影響。

4、因此，需要一種對用戶隱私進行保護的負荷預測方法。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種負荷預測方法，以至少解決現(xiàn)有技術(shù)中負荷預測方法缺少對用戶的隱私保護的問題。

2、為了實現(xiàn)上述目的，根據(jù)本技術(shù)的一個方面，提供了一種負荷預測方法，應(yīng)用于云端，包括：獲取電動汽車的歷史充電負荷數(shù)據(jù)，對所述歷史充電負荷數(shù)據(jù)進行加密，得到加密數(shù)據(jù)；對所述加密數(shù)據(jù)進行特征提取，得到多個特征序列，對多個所述特征序列進行特征聚類，根據(jù)特征聚類結(jié)果生成動態(tài)圖結(jié)構(gòu)；將所述動態(tài)圖結(jié)構(gòu)發(fā)送至客戶端，使得所述客戶端將所述動態(tài)圖結(jié)構(gòu)對應(yīng)的所述特征序列和所述客戶端提取的本地特征進行融合，得到融合特征，并根據(jù)所述融合特征進行負荷預測，得到負荷預測結(jié)果，根據(jù)所述負荷預測結(jié)果對電力資源進行分配，其中，所述負荷預測結(jié)果表明所述電動汽車的用電情況，所述云端和所述客戶端通信連接。

3、可選地，對所述歷史充電負荷數(shù)據(jù)進行加密，得到加密數(shù)據(jù)，包括：將所述歷史充電負荷數(shù)據(jù)劃分為多個預定長度的時間序列，其中，所述預定長度小于所述歷史充電負荷數(shù)據(jù)的長度；通過公式對多個所述預定長度的時間序列進行加密，得到所述加密數(shù)據(jù)，其中，表示所述加密數(shù)據(jù)，x表示所述歷史充電負荷數(shù)據(jù)，x＝[[x0,...,xl-1],...,[xt-l+1,...,xt]]，l表示所述預定長度，t表示所述歷史充電負荷數(shù)據(jù)的長度，w1表示第一個全連接層的權(quán)重矩陣，w2表示第二個全連接層的權(quán)重矩陣，b1代表第一偏置向量，b2代表第二偏置向量。

4、可選地，對所述加密數(shù)據(jù)進行特征提取，得到多個特征序列，包括：使用一維卷積層通過公式對所述加密數(shù)據(jù)進行特征提取，得到多個特征序列，其中，(xi*w)[n]表示第i個歷史充電負荷數(shù)據(jù)序列與卷積核w在位置n上的卷積結(jié)果，k表示所述卷積核的大小，w[k]表示所述卷積核在位置k上的權(quán)重，xi[n-k]表示第i個歷史充電負荷數(shù)據(jù)序列在位置n-k上的卷積結(jié)果。

5、可選地，對多個所述特征序列進行特征聚類，包括：對多個所述特征序列進行歸一化處理，得到歸一化特征序列；隨機選擇多個所述歸一化特征序列作為質(zhì)心，計算每個所述歸一化特征序列中的樣本至多個所述質(zhì)心的距離，將所述樣本分配至距離最小的所述質(zhì)心，得到多個聚類；計算每個所述聚類對應(yīng)的所有樣本的均值，并將所述質(zhì)心替換為所述均值，得到新質(zhì)心，在所述新質(zhì)心與所述質(zhì)心的差值的絕對值小于預設(shè)閾值的情況下，停止迭代，得到特征聚類結(jié)果。

6、可選地，根據(jù)特征聚類結(jié)果生成動態(tài)圖結(jié)構(gòu)，包括：根據(jù)特征聚類結(jié)果通過公式gi＝(vi,ei)生成動態(tài)圖結(jié)構(gòu)，其中，gi表示第i個動態(tài)圖結(jié)構(gòu)，vi表示所述動態(tài)圖結(jié)構(gòu)的第i個頂點，ei表示所述動態(tài)圖結(jié)構(gòu)的第i個邊。

7、根據(jù)本技術(shù)的另一方面，提供了一種負荷預測方法，應(yīng)用于客戶端，包括：獲取電動汽車的歷史充電負荷數(shù)據(jù)，對所述歷史充電負荷數(shù)據(jù)進行特征提取，得到本地特征；獲取云端發(fā)送的動態(tài)圖結(jié)構(gòu)，將所述動態(tài)圖結(jié)構(gòu)對應(yīng)的特征序列和所述本地特征進行融合，得到融合特征，其中，所述動態(tài)圖結(jié)構(gòu)是所述云端獲取電動汽車的歷史充電負荷數(shù)據(jù)，對所述歷史充電負荷數(shù)據(jù)進行加密，得到加密數(shù)據(jù)，對所述加密數(shù)據(jù)進行特征提取，得到多個特征序列，并對多個所述特征序列進行特征聚類，根據(jù)同一特征對應(yīng)的所述特征序列生成的；根據(jù)所述融合特征進行負荷預測，得到負荷預測結(jié)果，根據(jù)所述負荷預測結(jié)果對電力資源進行分配，其中，所述負荷預測結(jié)果表明所述電動汽車的用電情況，所述云端和所述客戶端通信連接。

8、可選地，將所述動態(tài)圖結(jié)構(gòu)對應(yīng)的特征序列和所述本地特征進行融合，得到融合特征，包括：對所述動態(tài)圖結(jié)構(gòu)對應(yīng)的特征序列和所述本地特征分別進行歸一化，得到歸一化特征序列和歸一化本地特征；對所述歸一化特征序列和所述歸一化本地特征通過公式進行融合，得到所述融合特征，其中，g表示所述融合特征，表示矩陣拼接操作，p*表示所述歸一化本地特征，s*表示所述歸一化特征序列。

9、可選地，對所述歷史充電負荷數(shù)據(jù)進行特征提取，得到本地特征，包括：通過一維卷積層對所述歷史充電負荷數(shù)據(jù)進行特征提取，得到所述本地特征。

10、可選地，根據(jù)所述融合特征進行負荷預測，得到負荷預測結(jié)果，包括：將所述融合特征劃分為不同的縮放尺度，通過公式對每個所述縮放尺度的所述融合特征執(zhí)行圖卷積以捕獲空間特征，其中，hsi是所述縮放尺度為si的隱藏表示，rsi是所述縮放尺度為si的最終表示，表示鄰接矩陣，表示度矩陣，w1si表示第一權(quán)重矩陣，表示第二權(quán)重矩陣，表示最終的權(quán)重矩陣，σ()表示relu激活函數(shù)，p表示dropout比例，bn()表示batch歸一化層，gsi表示所述縮放尺度為si的空間特征，表示，gout表示所有的所述縮放尺度的空間特征的和。

11、可選地，根據(jù)所述融合特征進行負荷預測，得到負荷預測結(jié)果，還包括：使用集成lstm方法確定所述融合特征的時間特征；根據(jù)公式將所述空間特征與所述時間特征進行融合，得到所述負荷預測結(jié)果，其中，p表示所述負荷預測結(jié)果，w1out表示所述空間特征的權(quán)重，表示所述時間特征的權(quán)重，ht表示所述時間特征，表示從過去η時間步長中捕獲的歷史充電負荷數(shù)據(jù)序列，x表示所述歷史充電負荷數(shù)據(jù)，wlo表示負荷權(quán)重。

12、應(yīng)用本技術(shù)的技術(shù)方案，獲取電動汽車的歷史充電負荷數(shù)據(jù)，對歷史充電負荷數(shù)據(jù)進行加密，得到加密數(shù)據(jù)；對加密數(shù)據(jù)進行特征提取，得到多個特征序列，對多個特征序列進行特征聚類，根據(jù)特征聚類結(jié)果生成動態(tài)圖結(jié)構(gòu)；將動態(tài)圖結(jié)構(gòu)發(fā)送至客戶端，使得客戶端將動態(tài)圖結(jié)構(gòu)對應(yīng)的特征序列和客戶端提取的本地特征進行融合，得到融合特征，并根據(jù)融合特征進行負荷預測，得到負荷預測結(jié)果，根據(jù)負荷預測結(jié)果對電力資源進行分配。與現(xiàn)有技術(shù)中，負荷預測方法缺少用戶隱私保護相比，本技術(shù)能夠?qū)⒇摵蓴?shù)據(jù)進行加密，之后再進行特征提取與負荷預測，在進行負荷預測時提高數(shù)據(jù)的安全性，保證用戶的數(shù)據(jù)安全。因此，能夠解決現(xiàn)有技術(shù)中負荷預測方法缺少用戶隱私保護的問題，達到在準確預測負荷的同時保護用戶隱私的效果。