基于GAN的负荷数据修复及其在EV短期负荷预测中的应用

赵厚翔，沈晓东，吕 林，兰 鹏，刘俊勇，刘代勇

（1.四川大学电气工程学院，四川省成都市 610065；2.国网四川省电力公司德阳供电公司，四川省德阳市 618000）

0 引言

随着电动汽车（EV）的广泛普及，电池中储存的电能为电网实施需求响应以及极端情况下的电网支撑提供了可能［1］。然而EV的高普及率也会给电网带 来众多不利影 响［2］。EV充电站作为EV与 电 网的连接点，充电站的负荷预测精确度关乎电网的运行效率和安全。同时，EV作为一种电网资源，利用智能充电提高EV利用效率也离不开精确的负荷预测。因此，更加精确的EV负荷预测结果，对于支持EV充电发展［3］、促进EV高效使用［4］以及保障电网安全至关重要。

随着智能充电设施的大规模部署，可获得的实际EV历史充电数据为传统电力负荷预测中使用时间序列分析［5-7］、机器学习［6-9］、深度学习［10］等算法进行预测提供了数据支撑。但这种基于数据驱动的预测算法的性能表现也一定程度依赖数据集质量，高质量的数据集往往能提高数据驱动算法的预测精度［11-12］。

由于终端数据采集器或者网络通信故障等原因，常常使得历史负荷数据集中存在数据缺失和数据异常的问题［13］。而不同的数据修复方法对预测精度的提高也有不同［14］，现有文献中对于缺失值和异常值的处理方法主要有3种：①直接删除法［15-16］，这种方法往往会忽略数据中的重要信息，并且缺失率越高，对于后续数据分析的影响越大；②简单插补法，通常采用均值插补、中位数插补以及其他数学插补方法［17-18］，这种方法只关注数值之间的联系，以统计学方法实现插补；……