电动汽车集群充放电负荷组合预测方法

1.本发明涉及能源需求侧管理负荷预测技术领域，尤其涉及一种电动汽车集群充放电负荷组合预测方法。


背景技术：

2.随着电动汽车规模化的快速增长，车辆用电量不断增长，电动汽车充电将成为未来用电负荷增长的重要推动力之一，对发电侧、输电侧、配电侧与供电侧均带来挑战。电动汽车充电的随机性会造成本地充电需求与负荷峰值发生较大波动，任由电动汽车进行无序充电而不采取任何需求侧管理措施，可能让规划未来配变容量变得更加困难。因此，有必要优先考虑电动汽车与电网协同措施，通过需求管理手段，让电动汽车能够更友好地接入电网。
3.电动汽车充电行为所涉及的因素非常复杂，研究人员对各种影响因素综合考虑会形成不同的充电负荷预测模型和预测结果。传统的方法是基于概率模型进行实时模拟，目前已有越来越多的研究人员采用机器学习方法来预测电动汽车短期充电负荷。而在实际应用中，没有哪一种预测技术能够全面客观的对预测现象及其所处的环境进行模拟。负荷预测方法在建模过程中一般会受到两方面的限制：一是所建立的模型中未辨别各影响因素的重要性程度，因此不可能包含所有的重要影响因素，二是各个参数之间的内在关系也比较复杂，通常难以确定。


技术实现要素：

4.针对上述问题，本发明提出一种电动汽车集群充放电负荷组合预测方法，基于梯度提升决策树分类算法建立分类模型，对电动汽车的充放电状态进行分类，并基于重要特征因素的概率密度函数，利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型，最后计算多种调度策略下的电动汽车集群的充放电负荷，主要解决背景技术的问题。
5.为解决上述技术问题，本发明的技术方案如下：
6.一种电动汽车集群充放电负荷组合预测方法，包括以下步骤：
7.收集电动汽车的历史数据及用户充放电意愿，生成特征数据集；
8.将特征数据集带入梯度提升决策树分类模型，对电动汽车的充放电行为进行分类；
9.根据梯度提升决策树分类模型中对各特征因素重要性程度的判断结果，选取影响电动汽车充放电分类的特征因素，并拟合概率密度分布；
10.利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型；
11.计算多种调度策略下电动汽车的日充放电负荷，并绘制负荷分布曲线。
12.本发明的有益效果为：基于梯度提升算法的电动汽车充放电行为分类模型，区分v2g调度计划时段内电动汽车的充放电行为，为实施充放电负荷预测提供准确的负荷类型识别。再有，相较于传统负荷预测，本发明采用的组合预测方法对不同负荷类型获得更精准
的预测结果，解决v2g负荷分类不清，体量不明的问题。
附图说明
13.图1为本发明实施例中公开的电动汽车集群充放电负荷组合预测方法的框架示意图；
14.图2为本发明实施例中公开的梯度提升决策树分类模型的特征因素重要性雷达图；
15.图3为本发明实施例中公开的无序充电与有序充电日负荷曲线对比图；
16.图4为本发明实施例中公开的无序充电与双向充放电日负荷曲线对比图。
具体实施方式
17.为使本发明的目的、技术方案及优点更加清楚、明确，下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
18.如图1所示,本实施例提出了一种电动汽车集群充放电负荷组合预测方法，包括以下步骤：
19.步骤1，收集电动汽车的历史数据及用户充放电意愿，生成特征数据集；
20.历史数据指车辆的驾驶行为数据和充电行为数据，包括车辆到达时间atimei、车辆出发前的荷电状态车辆驶离时间dtimei、车辆驶离时的荷电状态日行驶里程di、最大续航里程电池容量capi、充电桩的充电功率和放电功率
21.历史数据用于计算车辆到达时的荷电状态soc
start
和历史充电时长ti，其中，i＝1，2，...，n，n为该区域参与电网调度的电动汽车数量；
[0022][0023][0024]
通过式(3)计算得到车辆停驶时间
[0025][0026]
用户充放电意愿包括用户可接受的放电后最低荷电状态用户期望的开始充电时最低荷电状态用户期望的充电单价和用户期望的放电收益通过式(4)和式(5)分别计算得到车辆充电时长和放电时长通过式(6)计算得到车辆充电/放电所需时间
[0027][0028][0029]
[0030]
当前时刻车辆是否放电由用户充放电意愿结合历史数据确定：当且仅当限定条件当前时刻车辆是否放电由用户充放电意愿结合历史数据确定：当且仅当限定条件同时成立，则车辆放电(类s1)，否则车辆不放电(类s0)，将限定条件中涉及的所有特征因素增加到特征数据集。
[0031]
步骤2，将特征数据集带入梯度提升决策树分类模型，对电动汽车的充放电行为进行分类；
[0032]
特征数据集分为训练集和测试集，利用训练集在调度中心大数据平台训练梯度提升决策树分类模型，然后将测试集数据带入梯度提升决策树分类模型，计算梯度提升决策树分类模型的分类准确度和精确度；根据分类后的不同类别，结合车辆自身荷电状态，给予每辆电动汽车类别标签和相应的调度指令，类别标签包括“参与放电调度”和“不参与放电调度”两种，调度指令包括“立刻充电”、“立刻放电”和“空闲”三种，在后续的负荷预测过程中，电动汽车将按照调度指令进行充放电活动，并持续至调度指令时间结束。
[0033]
步骤3，根据梯度提升决策树分类模型中对各特征因素重要性程度的判断结果，选取影响电动汽车充放电分类的特征因素，并拟合概率密度分布；
[0034]
各特征因素重要性程度的判断结果具体为：计算各特征因素在梯度提升决策树分类模型中的贡献度，对特征重要性进行排序，然后根据排序结果，筛选出影响电动汽车充放电分类的重要特征，重要特征作为梯度提升决策树分类模型的特征输入参数，利用历史数据拟合特征输入参数的概率密度函数，并更新分类模型，图2为本实施例中特征因素重要性雷达图。
[0035]
步骤4，利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型；
[0036]
利用蒙特卡洛模拟建立电动汽车充放电负荷预测模型具体为：利用蒙特卡洛法随机抽取每辆电动汽车的驾驶行为数据，对电动汽车集群连接至调度中心大数据平台时的状态数据进行仿真，状态数据包括车辆到达时间atimei、车辆到达时的荷电状态soc
start
、车辆驶离时间dtimei、车辆驶离时的荷电状态用户可接受的放电后最低荷电状态用户期望的开始充电时最低荷电状态电池容量capi、充电桩的充电功率和放电功率然后利用式(7)和式(8)分别计算每辆电动汽车每小时内的充电负荷和放电负荷：
[0037][0038][0039]
其中，i＝1，2，...，n，n为该区域参与电网调度的电动汽车数量，j＝1，2，...，24，单位：小时；为第i辆车在第j时段内的充电时长,为第i辆车在第j时段内的放电时长,为第i辆车在第j时段内的充电负荷，为第i辆车在第j时段内的放电负荷。
[0040]
步骤5，计算多种调度策略下电动汽车的日充放电负荷，并绘制负荷分布曲线；
[0041]
调度策略包括有序充电和v2g调度下的双向充放电，有序充电是指在满足电动汽车充电需求的前提下，通过调度中心智能控制措施优化调整电动汽车充电时序，且电动汽车遵守调度中心指令，在规定的时间内进行充电；双向充放电是指在满足电动汽车充电需
求的前提下，将电动汽车视作储能设施，当电网负荷或本地负荷过高时，由电动汽车向电网或本地负荷馈电，当电网负荷或本地负荷过低时，通过有序充电，调整本地负荷的峰谷差；
[0042]
结合不同调度策略，利用式(9)和式(10)分别计算电动汽车集群每小时内的充电负荷和放电负荷，并绘制负荷分布曲线，如图3、图4所示；
[0043][0044][0045]
其中，为电动汽车集群在第j时段内的充电总负荷，为电动汽车集群在第j时段内的放电总负荷。
[0046]
结果表明，提出的基于梯度提升算法的分类模型对电动汽车充放电分类的准确度为0.92，精确度为0.93，分类效果较好。
[0047]
在本次模拟中，车辆无序充电和有序充电总负荷均为2316.26kw，v2g模式下车辆的充电总负荷为2343.07kw，车辆的放电总负荷为1083.30kw。由图3可见，相较于无序充电，有序充电策略下车优化调整了电动汽车集群的充电时序，避免造成“峰上加峰”。由图4可见，相较于无序充电，有序充电、v2g都能够调整电动汽车的充电时序，减小无序充电给电网负荷和本地负荷造成的冲击。另外，v2g模式下部分车辆首先放电，调整本地负荷的峰值，放电结束后再进行有序充电，实现“移峰填谷”。
[0048]
本发明基于梯度提升算法的电动汽车充放电行为分类模型，区分v2g调度计划时段内电动汽车的充放电行为，为实施充放电负荷预测提供准确的负荷类型识别。再有，相较于传统负荷预测，本发明采用的组合预测方法对不同负荷类型获得更精准的预测结果，解决v2g负荷分类不清，体量不明的问题。
[0049]
下表1为本发明涉及的参数释义说明。
[0050]
表1参数说明
[0051][0052]
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。