基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置

1.本发明涉及电力系统需求响应技术领域，具体是一种基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置。


背景技术：

2.随着电力系统配电网中可再生能源的渗透率不断提升和电动汽车的广泛使用，电网中功率的随机性、波动性显著增强，从而给电力系统安全带来巨大挑战。为确保电力系统的经济稳定运行，系统中必须具备充足的可控、可调度资源，保障电能实时供需平衡。传统电源作为可调度资源存在调峰成本高、发电容量利用率低的问题，而拥有快速响应能力的海量需求侧用户对维持电能供需平衡和安全稳定同等重要。其中，具有代表性的新型负荷—电动汽车可以作为需求侧的可调度资源为电网提供各种辅助服务。而对电动汽车集群可调度潜力的精确预测是实现这些辅助服务的关键。
3.电动汽车可调度潜力预测方法主要分为模型驱动和数据驱动，其中模型驱动的方法主要基于蒙特卡洛法、队列网络理论预测电动汽车可调度潜力，考虑到电动汽车接入电网位置的随机性和时空分特性，建立这种静态的预测模型很容易造成先验错误，从而也很难准确预测动态的电动汽车集群可调度潜力。数据驱动方法利用充电站记录的电动汽车历史运行数据进行电动汽车集群可调度潜力预测，由于电动汽车集群可调度潜力并不是一组确定的充放电功率向量，而是所有可能的充放电决策构成的包络空间，且充放电功率在时间尺度上存在强相关性，但目前这些数据驱动方法并未考虑变量间隐含的约束关系。
4.只是针对电动汽车个体建模，不但因引入海量的变量导致模型维数过高，而且日前阶段难以预测电动汽车个体的出行特性导致准确获取其出行时间参数困难。同时，个体可调度潜力并未达到直接参与电力市场的门槛，所以需要由充电站作为统一聚合商管理站内电动汽车的充放电，建立广义储能设备模型。
5.目前，时序预测方法主要有lstm、rnn、cnn模型，这些方法在时序数据预测方面取得很好的效果，但是模型普遍较为复杂导致参数优化困难且模型训练依赖大量的历史数据，这都给实际运用场景带来了困难。而广义回归神经网络具有很强的非线性映射能力和柔性网络结构以及高容错性和鲁棒性，适合解决高非线性的问题，最重要的是，在样本较少时预测效果也较好。


技术实现要素：

6.本发明考虑到现有电动汽车可调度潜力计算模型无法兼顾准确性和泛化性的问题，且为了提高预测效率，提出一种基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置。
7.本发明采用如下技术方案实现：
8.一种基于数模混合驱动的电动汽车集群可调度潜力预测方法，包括如下步骤：
9.步骤1、针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
10.步骤2、基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
11.步骤3、将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
12.步骤4、将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
13.进一步的，步骤1中是针对慢充模式的单个电动汽车充放电状态进行建模，所述电动汽车个体的决策空间包括放电功率边界约束、电池容量安全边界以及充电站的总负荷。
14.进一步的，所述充放电功率边界约束如下所示：
[0015][0016]
式中：分别表示电动汽车n在t时段的充、放电功率；分别表示电动汽车n的充、放电上限功率；表示电动汽车n并网时间集合；
[0017][0018]
式中：s
n,t
、s
n,t-1
分别表示电动汽车n在t时段及t-1时段的电池电量；η
ch
、η
dis
、η
ref
分别表示充、放电效率和放电补偿系数；δt表示调度时间窗口；
[0019]
电动汽车n在t时段电池容量安全边界如下所示：
[0020][0021]
式中：分别表示电池容量安全边界的上下界限；
[0022]
通过管理站内ev的充放电统一参与市场投标，直接参与市场投标的是充电站的总负荷，如下式所示：
[0023][0024]
式中：分别表示某个充电站j总的充、放电功率；表示某个充电站j中的电动汽车集合；t表示调度时间集合。
[0025]
进一步的，步骤2基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力，具体包括：
[0026]
为实现电动汽车n在t时段定义域的延拓，引入状态变量x
n,t
来表征电动汽车并网状态，由电动汽车个体的停靠时间直接得到，如下式所示：
[0027][0028]
式中：x
n,t
表示电动汽车个体n在t时段的并网状态，1表示处于并网，0表示处于离
网；表示电动汽车个体n到达的时间；表示电动汽车个体n离开的时间；
[0029]
然后，将单个电动汽车模型定义域延拓至全调度周期t，引入闵可夫斯基求和的思想将电动汽车群体聚合为广义储能设备，如下所示：
[0030][0031]
式中：分别表示充电站j广义储能设备在t时段的最大充放电功率；分别表示充电站j广义储能设备在t时段的电量边界；δs
j,t
表示某个充电站j广义储能设备在t时段因ev(电动汽车)并网状态变化导致的电量变化；
[0032]
为利用充电站历史运行数据预测电动汽车集群的可调度潜力，首先定义并选取预测所需要的历史数据，如下所示：
[0033][0034]
式中:ωv表示数据集v中的电动汽车数据；nv表示数据集v中电动汽车的数量；evn表示电动汽车n的历史运行数据；
[0035]
充电站记录的电动汽车历史数据包括其到达时刻、到达时刻的电池电量、离开时刻、离开时刻的电池电量、电池电量下界、电池电量上界、电池最大充电功率、最大放电功率，如下所示：
[0036][0037]
最后，计算每一个数据集的广义储能设备参数，计算公式如下：
[0038][0039]
将计算结果作为后验得到的电动汽车集群可调度潜力。
[0040]
进一步的，所述广义回归神经网络(grnn)由四层构成，包括：输入层、模式层、求和层和输出层，对应的网络输入为x＝[x1，x2，
…
，xn]
t
，网络输出为y＝[y1，y2，
…
，yk]
t
；
[0041]
输入层：输入层神经元数目等于学习样本中输入向量的维数，各个神经元是最简单的分布单元，直接将输入变量传递给模式层；
[0042]
模式层：模式层神经元个数依然与学习样本数目相同，各神经元对应不同的样本，模式层神经元传递函数为：
[0043][0044]
神经元i的输出为输入变量与其对应的样本x之间eulid距离平方的指数平方的指数形式，式中x为网络输入变量；xi为第i个神经元对应的学习样本；
[0045]
求和层：求和层中使用两种类型的神经元进行求和；
[0046]
第一类神经元的计算公式：
[0047][0048]
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
[0049][0050]
第二类神经元的计算公式：
[0051][0052]
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本yi中的第j个元素，传递函数为：
[0053][0054]
输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即：
[0055][0056]
进一步的，步骤3中训练广义回归神经网络模型，具体包括：将电动汽车历史数据中前一天t时段的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为grnn的输入，将历史数据中当天的广义储能设备在t时段的δs
j,t
依次分别看成y1、y2、y3、y4、y5作为grnn的输出，采用随机梯度下降法更新模型参数。
[0057]
进一步的，步骤4中将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力，具体包括：利用当前的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为训练完成的grnn的输入，预测得到未来一天中t时刻的电动汽车集群可调度潜力，从而得到日前电动汽车集群可调度潜力的预测值。
[0058]
一种基于数模混合驱动的电动汽车集群可调度潜力预测装置，包括：
[0059]
决策空间获取模块，用于针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
[0060]
决策空间叠加模块，用于基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
[0061]
模型训练模块，用于将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
[0062]
可调度潜力预测模块，用途将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
[0063]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
[0064]
一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
[0065]
本发明针对电动汽车传统建模方法存在的变量多、单个电动汽车出行特点难以掌握的缺点，基于闵可夫斯基求和对电动汽车集群可调度潜力进行物理建模，可在保留变量间约束关系的前提下，将单个ev变量映射到一个超立方体空间，其包含所有个体的决策空间，保证了所有充放电决策的可行性；本发明基于grnn对电动汽车集群可调度潜力进行预测，可解决现有lstm、rnn、cnn等预测模型的优化参数多、结构复杂、对历史数据需求量大的不足的问题。
附图说明
[0066]
图1是本发明基于数模混合驱动的电动汽车集群可调度潜力预测方法的流程示意图；
[0067]
图2是广义回归神经网络结构图。
具体实施方式
[0068]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069]
图1所示为本发明基于数模混合驱动的电动汽车集群可调度潜力预测方法其中一个实施例的流程图，所述方法包括：
[0070]
步骤1：针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间。电动汽车可调度潜力并不像其他负荷一样是一组确定的功率向量，这是因为与电动汽车停泊特性有关系，电动汽车个体的决策空间指的是所有可能的充放电决策构成的包络空间。所述电动汽车个体的决策空间包括充放电功率边界约束、电池容量安全边界。
[0071]
由于快充电动汽车不具备可调度潜力，而慢充模式的电动汽车具有反相供电的能力以及负荷可平移的特点，针对慢充模式的单个电动汽车建模，充放电功率边界约束如下
所示：
[0072][0073]
式中：分别表示电动汽车n在t时段的充、放电功率；分别表示电动汽车n的充、放电上限；表示电动汽车n并网时间集合。
[0074][0075]
式中：s
n,t
、s
n,t-1
分别表示电动汽车n在t时段及t-1时段的电池电量；η
ch
、η
dis
、η
ref
分别表示充、放电效率和放电补偿系数；δt表示调度时间窗口。
[0076]
电动汽车n在t时段电池容量安全边界如下所示：
[0077][0078]
式中：分别表示电池容量安全边界的上下界限。
[0079]
考虑到海量电动汽车会引入大量变量导致模型维度过高且单个ev出行特性难以预测，同时单个ev的充放电容量并未达到参与电力市场的门槛，一般需要由负荷聚合商统一管理。而充电站正好充当这一角色，其通过管理站内ev的充放电统一参与市场投标。所以直接参与市场投标的是整个充电站的总负荷，如下式所示：
[0080][0081]
式中：分别表示某个充电站j总的充、放电功率；表示某个充电站j中的电动汽车集合；t表示调度时间集合。
[0082]
步骤2：基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力。
[0083]
考虑到现有电动汽车可调度潜力计算模型无法兼顾准确性和泛化性的问题，将充电站内的若干个体叠加形成一个新的包含所有个体的决策空间。为了实现单个电动汽车n定义域的延拓，引入状态变量x
n,t
来表征电动汽车并网状态，由电动汽车个体的停靠时间直接得到，如下式所示：
[0084][0085]
式中：x
n,t
表示电动汽车个体n在t时段的并网状态，1表示处于并网，0表示处于离网；表示电动汽车个体n到达的时间；表示电动汽车个体n离开的时间。进一步地，将单个电动汽车模型定义域延拓至全调度周期t，引入闵可夫斯基求和的思想将电动汽车群体聚合为广义储能设备，如下式所示：
[0086][0087]
式中：分别表示充电站j广义储能设备在t时段的最大充放电功率；分别表示充电站j广义储能设备在t时段的电量边界；δs
j,t
表示某个充电站j广义储能设备在t时段因ev并网状态变化导致的电量变化。
[0088]
在保留变量间约束关系前提下，将单个电动汽车的变量空间映射到一个超立方体空间，从而保证充放电决策的可行性。该空间包含了充电站所有可能的充放电决策，而广义储能设备的关键参数决定了电动汽车集群作为柔性储荷资源的潜力，将其作为电动汽车集群的可调度潜力。
[0089]
为利用充电站历史运行数据预测电动汽车集群的可调度潜力，首先定义并选取预测所需要的历史数据，如下所示：
[0090][0091]
式中:ωv表示数据集v中的电动汽车数据；nv表示数据集v中电动汽车的数量；evn表示电动汽车n的历史运行数据。
[0092]
充电站记录的电动汽车历史数据包括其到达时刻、到达时刻的电池电量、离开时刻、离开时刻的电池电量、电池电量下界、电池电量上界、电池最大充电功率、最大放电功率，如下所示：
[0093][0094]
计算每一个数据集的广义储能设备参数，计算公式如下：
[0095][0096]
将计算结果作为后验得到的电动汽车集群可调度潜力。
[0097]
步骤3：将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型。
[0098]
所述的广义回归神经网络(grnn)由四层构成，包括：输入层、模式层、求和层和输
出层。对应的网络输入x＝[x1，x2，
…
，x7]
t
，其中输出为y＝[y1，y2，
…
，y5]
t
。广义回归神经网络结构图如图2所示。
[0099]
输入层：输入层神经元数目等于学习样本中输入向量的维数，各个神经元是最简单的分布单元，直接将输入变量传递给模式层。
[0100]
模式层：模式层神经元个数依然与学习样本数目相同，各神经元对应不同的样本，模式层神经元传递函数为：
[0101][0102]
神经元i的输出为输入变量与其对应的样本x之间eulid距离平方的指数平方的指数形式。式中x为网络输入变量；xi为第i个神经元对应的学习样本。
[0103]
求和层：求和层中使用两种类型的神经元进行求和。
[0104]
第一类神经元的计算公式：
[0105][0106]
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
[0107][0108]
第二类神经元的计算公式：
[0109][0110]
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本yi中的第j个元素，传递函数为：
[0111][0112]
输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即：
[0113][0114]
其中训练广义回归神经网络模型，具体包括：将历史数据中前一天t时段的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为grnn的输入，将历史数据中当天的广义储能设备在t时段的δs
j,t
依次分别看成y1、y2、y3、y4、y5作为grnn的输出，采用随机梯度下降法更新模型参数。
[0115]
步骤4：将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预
测得到电动汽车集群的可调度潜力。具体的，利用当前的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为训练完成的grnn的输入，就可预测得到未来一天中t时刻的电动汽车集群可调度潜力，从而得到日前电动汽车集群可调度潜力的预测值。
[0116]
本发明实施例还提供一种基于数模混合驱动的电动汽车集群可调度潜力预测装置，包括：
[0117]
决策空间获取模块，用于针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
[0118]
决策空间叠加模块，用于基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
[0119]
模型训练模块，用于将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
[0120]
可调度潜力预测模块，用途将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
[0121]
本发明通过充电站统一管理站内的电动汽车的充放电功率，使得电动汽车作为灵活资源参与电力市场投标，而准确预测电动汽车集群的可调度潜力将直接影响参与电力市场投标决策的可行性以及系统灵活资源优化配置策略的有效性和灵活性，因此电动汽车可调度潜力的预测具有重要价值。
[0122]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0123]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0124]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0125]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0126]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然
可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。