一种基于多场景生成的电动汽车并网风险评估方法及系统与流程

1.本发明涉及用电领域，具体涉及一种基于多场景生成的电动汽车并网风险评估方法及系统。


背景技术：

2.随着新能源技术的快速发展，电动汽车渗透率逐渐增大。不同类型电动汽车的充电模式和充电规律有着较大差异，其充电的随机性影响着电力系统的安全稳定运行。电动汽车充电是一个动态随机的过程，实际充电环境相对复杂，受车辆类型、充电模式、天气、时间、充电桩分布等因素的影响，静态风险评估模型只考虑一种简单场景，对实际环境模拟存在不足，无法客观准确地进行评估。因此，如何建立更加真实的电动汽车接入配电网的风险场景是一个亟待解决的问题。


技术实现要素：

3.为了解决的问题，本发明提供了一种基于多场景生成的电动汽车并网风险评估方法，包括：
4.获取各时段电动汽车的充电数据；
5.基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率；
6.基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值；
7.基于所述多个电动汽车充电场景风险值评估电动汽车并网风险。
8.优选的，所述基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率，包括：
9.基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电位置累计密度函数；
10.基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电功率的累计密度函数；
11.基于所述电动汽车充电位置和充电功率的累计密度函数结合所述拉丁超立方算法得到所述电动汽车在各时间段的充电位置和平均充电功率。
12.优选的，所述基于所述电动汽车充电位置和充电功率的累计密度函数结合所述拉丁超立方算法得到所述电动汽车在各时间段的充电位置和平均充电功率，包括：
13.基于所述电动汽车充电位置和充电功率的累计密度函数以采样点覆盖整个分布区间为标准进行分层抽样得到各个区间的采样点；
14.基于所述各个区间的采样点利用反变换函数得到所述电动汽车在各时间段的充电位置和平均充电功率。
15.优选的，所述基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个
电动汽车充电场景风险值，包括：
16.基于所述电动汽车在各时间段的充电位置和平均充电功率结合概率积公式得到电动汽车的分布位置和平均充电功率的概率积；
17.基于所述电动汽车的充电位置和平均充电功率的概率积结合风险值公式得到所述多个电动汽车充电场景风险值；
18.优选的，所述概率积公式如下式所示：
[0019][0020]
式中，p
t
(d
tm
)为第m辆电动汽车在时间段t出现在位置d
tm
的概率；p
t
(c
tm
)为第m辆电动汽车在时间段t充电功率为c
tm
的概率；k为时间段；p为概率积。
[0021]
优选的，所述风险值公式如下式所示：
[0022]
r0＝p0×
δu；
[0023]
式中，p0为本场景的发生概率；δu为累计的节点电压偏差；r0为风险值。
[0024]
优选的，所述基于所述多个电动汽车充电场景风险值评估电动汽车并网风险，包括：
[0025]
将所述多个电动汽车充电场景风险值进行期望求和得到综合风险值；
[0026]
基于所述综合风险值评估电动汽车并网风险。
[0027]
优选的，所述电动汽车的充电数据包括：
[0028]
电动汽车的保有量、充电频次、充电时间和充电地点。
[0029]
基于同一发明构思本发明还提供了一种基于多场景生成的电动汽车并网风险评估系统，其特征在于,包括：
[0030]
数据获取模块，用于获取各时段电动汽车的充电数据；
[0031]
计算模块，用于基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率；
[0032]
风险值计算模块，用于基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值；
[0033]
评估模块，用于基于所述多个电动汽车充电场景风险值评估电动汽车并网风险。
[0034]
优选的，所述计算模块，包括：
[0035]
充电位置密度计算子模块，用于基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电位置累计密度函数；
[0036]
充电功率密度计算子模块，用于基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电功率的累计密度函数；
[0037]
拉丁超立方计算子模块，用于基于所述电动汽车充电位置和充电功率的累计密度函数结合所述拉丁超立方算法得到所述电动汽车在各时间段的充电位置和平均充电功率。
[0038]
优选的，所述拉丁超立方计算子模块具体用于：
[0039]
基于所述电动汽车充电位置和充电功率的累计密度函数以采样点覆盖整个分布区间为标准进行分层抽样得到各个区间的采样点；
[0040]
基于所述各个区间的采样点利用反变换函数得到所述电动汽车在各时间段的充电位置和平均充电功率。
[0041]
优选的，所述风险值计算模块具体用于：
[0042]
基于所述电动汽车在各时间段的充电位置和平均充电功率结合概率积公式得到电动汽车的分布位置和平均充电功率的概率积；
[0043]
基于所述电动汽车的充电位置和平均充电功率的概率积结合风险值公式得到所述多个电动汽车充电场景风险值。
[0044]
优选的，所述评估模块具体用于：
[0045]
将所述多个电动汽车充电场景风险值进行期望求和得到综合风险值；
[0046]
基于所述综合风险值评估电动汽车并网风险。
[0047]
优选的，所述电动汽车充电数据包括：
[0048]
电动汽车的保有量、充电频次、充电时间和充电地点。
[0049]
与现有技术相比，本发明的有益效果为：
[0050]
本发明提供了一种基于多场景生成的电动汽车并网风险评估方法，包括：获取各时段电动汽车的充电数据；基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率；基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值；基于所述多个电动汽车充电场景风险值评估电动汽车并网风险。解决了实际充电环境复杂，无法准确有效评估电动车充电的风险状况,通过拉丁超立方算法进行分层抽样，获取不同概率下的风险场景，经过多次抽样计算不同场景下的风险状况。考虑不同复杂场景下，不同类型电动汽车在不同时间、地点、充电模式下对电网产生的风险，计算风险结果具有客观性。
附图说明
[0051]
图1是本发明提供的一种基于多场景生成的电动汽车并网风险评估方法流程图；
[0052]
图2是本发明的为lhs分层采样原理图；
[0053]
图3是本发明的一种工作流程图。
具体实施方式
[0054]
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
[0055]
实施例1：
[0056]
本发明提供一种基于多场景生成的电动汽车并网风险评估方法,如图1所示，包括：
[0057]
步骤1：获取各时段电动汽车的充电数据；
[0058]
步骤2：基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率；
[0059]
步骤3：基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值；
[0060]
步骤4：基于所述多个电动汽车充电场景风险值评估电动汽车并网风险。
[0061]
步骤1中对获取各时段电动汽车的充电数据，具体包括：
[0062]
步骤a1，在已知不同类型电动汽车保有量、充电频次、充电时间、充电地点等历史
数据下，获取电动汽车在各时间段下的分布位置、平均充电功率的累计概率密度函数。
[0063]
步骤2中对基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率，具体包括：
[0064]
基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电位置累计密度函数；
[0065]
基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电功率的累计密度函数；
[0066]
假设配电网区域内有m辆电动汽车，d
tm
、c
tm
分别表示第m(m＝1,2,....m)辆充电汽车在时间段t下在配电网中的位置、平均充电功率，fm(d
tm
)、fm(c
tm
)分别为d
tm
、c
tm
的累计概率密度函数。
[0067]
基于所述电动汽车充电位置和充电功率的累计密度函数结合所述拉丁超立方算法得到所述电动汽车在各时间段的充电位置和平均充电功率。
[0068]
步骤a2，考虑不同时段的风险状况，设有k个时间段，将24小时等分为k段，每段时间为24/k。使用简单随机抽样获取时间段t，在时间段t的条件下，使用拉丁超立方算法(lhs)进行场景抽样，lhs包括两个步骤：
①
采样：按照采样规模n对各个输入变量进行分层采样，使每个输入变量的采样点都能覆盖其整个分布区间；
②
反变换：按照累计概率密度函数，将采样值带入反函数，获取实际需要的变量值。lhs分层采样原理如图2所示。
[0069]
基于所述电动汽车充电位置和充电功率的累计密度函数以采样点覆盖整个分布区间为标准进行分层抽样得到各个区间的采样点；
[0070]
对于电动汽车的分布位置和平均充电功率，其具体采样过程为，如图3所示，
[0071]
设置采样规模为n，即为本次场景中的电动汽车数量。首先，将区间[0,1]平均分为n等分，则每个区间的概率均为1/n；在区间[0,1/n)、[1/n,2/n)、
……
、[n-1/n,1]中分别随机抽取采样点。设第(r＝1,2,
…
n)个区间的采样点为αr，αr满足
[0072]
基于所述各个区间的采样点利用反变换函数得到所述电动汽车在各时间段的充电位置和平均充电功率。
[0073]
最后，利用反变换得到第r个采样区间对应的变量值其中为fm(g)的反变换。
[0074]
按上述步骤，分别在fm(dm)、fm(cm)上对n辆电动汽车进行采样，获取n辆电动汽车在时间段t时，分布在配电网中的位置和平均充电功率。
[0075]
步骤3中基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值，具体包括：
[0076]
基于所述电动汽车在各时间段的充电位置和平均充电功率结合概率积公式得到电动汽车的分布位置和平均充电功率的概率积；
[0077]
步骤a3，计算在时间段t内充电场景的风险值，风险场景发生的概率为所有电动汽车在其对应分布位置和平均充电功率条件下的概率积，
[0078][0079]
其中，p
t
(d
tm
)为第m辆电动汽车在时间段t出现在位置d
tm
的概率，p
t
(c
tm
)为第m辆电
动汽车在时间段t充电功率为c
tm
的概率。第m辆汽车对应位置和充电功率的产生概率，可以用该辆电动汽车所在的抽取区间上的积分进行表示，则
[0080][0081]
将风险指标l可设定为累计节点电压偏差值，设第m辆电动汽车的位置为d
tm
＝(xm,ym)，电网的节点数为ng,用欧氏距离来判断得到电动汽车归属的节点，通过潮流计算得到各节点电压，累计的节点电压偏差ui为第i(i＝1,2,
……
,ng)个节点的电压偏差值。
[0082]
基于所述电动汽车的充电位置和平均充电功率的概率积结合风险值公式得到所述多个电动汽车充电场景风险值。
[0083]
当前场景下的风险值r0＝p0×
δu，p0为本场景的发生概率，由于p0是考虑多个电动汽车位置和充电功率的场景发生概率，所以概率值较小，计算得到的风险值仅为当前场景下的风险，当需要综合评估电动汽车接入电网的风险时，需要生成更多的场景。
[0084]
步骤4中基于所述多个电动汽车充电场景风险值评估电动汽车并网风险，具体包括：
[0085]
将所述多个电动汽车充电场景风险值进行期望求和得到综合风险值；
[0086]
基于所述综合风险值评估电动汽车并网风险。
[0087]
步骤a4，重复步骤a2和步骤a3生成s个不同的充电场景，当场景数不断增多，可参与风险计算的样本增多，能更真实的反应电动汽车接入电网后的充电情况，从而综合计算所有场景下的风险值其中，pi、li分别为第i个场景的出现概率和损失值。
[0088]
实施例2：
[0089]
基于同一种发明构思，本发明还提供了一种基于多场景生成的电动汽车并网风险评估系统，包括：
[0090]
数据获取模块，用于获取各时段电动汽车的充电数据；
[0091]
计算模块，用于基于所述各时段电动汽车的充电数据结合拉丁超立方算法得到电动汽车在各时间段的充电位置和平均充电功率；
[0092]
风险值计算模块，用于基于所述电动汽车在各时间段的充电位置和平均充电功率得到多个电动汽车充电场景风险值；
[0093]
评估模块，用于基于所述多个电动汽车充电场景风险值评估电动汽车并网风险。
[0094]
数据获取模块具体用于：
[0095]
获取不同类型电动汽车保有量、充电频次、充电时间、充电地点等历史数据。
[0096]
计算模块具体用于：
[0097]
充电位置密度计算子模块，用于基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电位置累计密度函数；
[0098]
充电功率密度计算子模块，用于基于所述各时间段电动汽车的充电数据结合时间抽样得到电动汽车充电功率的累计密度函数；
[0099]
在已知不同类型电动汽车保有量、充电频次、充电时间、充电地点等历史数据下，获取电动汽车在各时间段下的分布位置、平均充电功率的累计概率密度函数。
[0100]
拉丁超立方计算子模块具体用于：
[0101]
基于所述电动汽车充电位置和充电功率的累计密度函数以采样点覆盖整个分布区间为标准进行分层抽样得到各个区间的采样点；
[0102]
设置采样规模为n，即为本次场景中的电动汽车数量。首先，将区间[0,1]平均分为n等分，则每个区间的概率均为1/n；在区间[0,1/n)、[1/n,2/n)、
……
、[n-1/n,1]中分别随机抽取采样点。设第(r＝1,2,
…
n)个区间的采样点为αr，αr满足
[0103]
按上述步骤，分别在fm(dm)、fm(cm)上对n辆电动汽车进行采样，获取n辆电动汽车在时间段t时，分布在配电网中的位置和平均充电功率。
[0104]
基于所述各个区间的采样点利用反变换函数得到所述电动汽车在各时间段的充电位置和平均充电功率。
[0105]
最后，利用反变换得到第r个采样区间对应的变量值其中为fm(g)的反变换。
[0106]
风险值计算模块具体用于：
[0107]
基于所述电动汽车在各时间段的充电位置和平均充电功率结合概率积公式得到电动汽车的分布位置和平均充电功率的概率积；
[0108]
计算在时间段t内充电场景的风险值，风险场景发生的概率为所有电动汽车在其对应分布位置和平均充电功率条件下的概率积，
[0109][0110]
其中，p
t
(d
tm
)为第m辆电动汽车在时间段t出现在位置d
tm
的概率，p
t
(c
tm
)为第m辆电动汽车在时间段t充电功率为c
tm
的概率。第m辆汽车对应位置和充电功率的产生概率，可以用该辆电动汽车所在的抽取区间上的积分进行表示，则
[0111]
基于所述电动汽车的充电位置和平均充电功率的概率积结合风险值公式得到所述多个电动汽车充电场景风险值。
[0112]
当前场景下的风险值r0＝p0×
δu，p0为本场景的发生概率，由于p0是考虑多个电动汽车位置和充电功率的场景发生概率，所以概率值较小，计算得到的风险值仅为当前场景下的风险，当需要综合评估电动汽车接入电网的风险时，需要生成更多的场景。
[0113]
评估模块具体用于：
[0114]
将所述多个电动汽车充电场景风险值进行期望求和得到综合风险值；
[0115]
基于所述综合风险值评估电动汽车并网风险。
[0116]
生成s个不同的充电场景，当场景数不断增多，可参与风险计算的样本增多，能更真实的反应电动汽车接入电网后的充电情况，从而综合计算所有场景下的风险值
其中，pi、li分别为第i个场景的出现概率和损失值。
[0117]
实施例3：
[0118]
下面以某一区域电网为例子对所述一种基于多场景生成的电动汽车并网风险评估方法进行详细介绍：
[0119]
步骤s1：假定在某一区域电网中，包含10辆电动汽车，生成10个场景，将全天时段分为12个，分别为00:00-02:00、02:00-04:00、
…
、22:00-24:00。根据电动汽车历史数据分别获得12个时段的电动汽车在配电网位置、充电功率的累计概率分布函数。
[0120]
步骤s2：对时间段进行简单随机抽样，抽取时间段为10:00-12:00，找到对应时间段10:00-12:00的电动汽车位置和充电功率的累计概率密度函数，假设两个函数都为正态分布，将区间[0,1]平均分为10等分，则每个区间的概率均为0.1，在每个区间内随机抽取一点，设本次抽取的点为每个区间的中间点，分别为0.05、0.15、0.25、
…
、0.95，将上述值带入累计概率密度函数的反函数中，分别计算10辆电动汽车的分布位置(0.1,0.5)、(0.4,0.2)、
…
，平均充电功率8kw、27kw、
…
，这10辆电动汽车在时间段10:00-12:00的分布和充电状况构成了一个充电场景。
[0121]
步骤s3：计算上述生成场景的发生概率，每个抽样点抽取概率分别以区间[0,0.1]、[0.1,0.2]、
…
、[0.9,1]区间计算累计概率密度函数的积分(与横轴围成图形的面积)表示，将对应概率累乘即为场景发生概率p。以节点电压偏差量作为风险指标，各节点累计电压偏差值为vu，则该场景的风险值r＝pvu。
[0122]
步骤s4：重复9次步骤s2和步骤s3，生成剩下9个场景并计算风险值，将所有场景风险值累加即为多场景下的电动汽车接入电网的风险值。
[0123]
显然，所描述的实施例是本发明一部分实施例，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前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0124]
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。
[0125]
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。
[0126]
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。
[0127]
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。
[0128]
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。