CN106203720A - 一种多时间尺度电动汽车集群可调度容量预测方法 - Google Patents
一种多时间尺度电动汽车集群可调度容量预测方法 Download PDFInfo
- Publication number
- CN106203720A CN106203720A CN201610563275.5A CN201610563275A CN106203720A CN 106203720 A CN106203720 A CN 106203720A CN 201610563275 A CN201610563275 A CN 201610563275A CN 106203720 A CN106203720 A CN 106203720A
- Authority
- CN
- China
- Prior art keywords
- schedulable
- electric automobile
- capacity
- vehicle
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000008093 supporting effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L55/00—Arrangements for supplying energy stored within a vehicle to a power network, i.e. vehicle-to-grid [V2G] arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种多时间尺度电动汽车集群可调度容量预测方法,其特征是在分布式并行大数据处理平台上构建实时电动汽车集群可调度容量预测模型,利用实时状态数据,根据预测模型获得实时电动汽车集群可调度容量预测结果;根据实时电动汽车集群可调度容量预测结果和表征特征属性的特征数据进行相关性分析,提取特征数据构建数据集,在分布式并行大数据处理平台上构建并行大数据算法,利用大数据算法和数据集构建日前电动汽车集群可调度容量预测模型。本发明发挥大数据并行处理的优势,能够为电网多时间尺度调度、电动汽车充放电控制及电网可靠性分析提供有力的数据支撑。
Description
技术领域
本发明涉及一种电动汽车集群可调度容量预测方法,更具体地说是一种基于大数据的电动汽车集群可调度容量预测方法。
背景技术
电动汽车在环保、清洁和节能方面有传统汽车无法比拟的优势。由于电动汽车充电有很大的随机性,大规模电动汽车的接入会对电网造成不利影响,包括影响配电网电能质量、增加控制优化难度等。Vehicle-to-grid(v2g)技术的发展给电动汽车的大规模接入带来新的机遇。连接到一定电网区域的电动汽车集群可以作为一个很大的分布式储能系统,可以为电网提供各种辅助支撑服务,如调峰、调频、经济调度。实现这些服务的前提是精确和快速的电动汽车集群可调度容量预测。
现有技术中,电动汽车集群可调度容量预测方法多是根据各种概率模型。包括基于二项分布的电动汽车接入时间概率模型,电动汽车在可能出现地点的概率模型,以及基于队列理论的各类电动汽车概率模型。使用概率模型是一种便捷的方法,但是考虑到电动汽车的时空分布特性,建立精确的可调度容量预测概率模型难度很大。电力系统对电动汽车这样波动性负荷调度需要进行多时间尺度调度,但迄今关于多时间尺度调度没有相关技术的公开报导。
目前,大数据已经在新能源发电、电网预警和电力负荷预测等方面上得到了应用。许多电动汽车厂商已实现电动汽车与数据监控中心通信,实时采集电动汽车电池相关信息。经测算,到2020年,中国电动汽车保有量超过500万,届时假设以1min为间隔实时采集接入电力系统的电动汽车状态,那么一年产生的数据量将达到10-20PB。针对如此大规模数据,利用传统数据处理工具就显得困难。
由此可见,传统的可调度容量预测存在以下不足:
一是采用概率模型预测方法面临人为因素干扰和概率模型精度不高的问题。
二是没有考虑多时间尺度电力调度,不能满足电力系统多时间尺度调度的要求。
三是没有考虑进行可调度容量计算与预测的数据是大数据问题,要想获得较高的预测精度,采用概率模型的方法同样需要对大量的电动汽车充电数据进行调研。
发明内容
本发明是为避免上述现有技术所在的不足,提供一种基于大数据的多时间尺度电动汽车集群可调度容量预测方法,充分发挥大数据并行计算在处理海量数据能力和速度上的优势,提高计算和预测的速度和精度,为电网多时间尺度调度、电动汽车充放电控制及电网可靠性分析提供有力的数据支撑。
本发明为解决技术问题采用如下技术方案:
本发明多时间尺度电动汽车集群可调度容量预测方法的特点在于:
所述预测方法包括实时电动汽车集群可调度容量预测和日前电动汽车集群可调度容量预测;所述电动汽车集群可调度容量包括电动汽车集群可调度充电容量和电动汽车集群可调度放电容量;
所述预测方法按如下步骤进行:
步骤1、设定所述实时电动汽车集群可调度容量预测的预测时间尺度td;以预测时间尺度td为时间间隔,采集获得接入电网区域的电动汽车的实时状态数据;
步骤2、在分布式并行大数据处理平台上构建实时电动汽车集群可调度容量预测模型;利用所述实时状态数据,根据预测模型获得实时电动汽车集群可调度容量预测结果;
步骤3、根据实时电动汽车集群可调度容量预测结果和表征特征属性的特征数据进行相关性分析,提取所述特征数据构建数据集L,L=(X,Y),其中,X为依据q种特征属性构建的特征向量,Y为日前电动汽车集群可调度容量预测的目标变量的向量;
步骤4、在所述分布式并行大数据处理平台上构建并行大数据算法;利用所述大数据算法和所述数据集L构建日前电动汽车集群可调度容量预测模型;
步骤5、根据所述特征属性构建预测日的特征向量X0,利用所述预测日的特征向量X0,根据日前电动汽车集群可调度容量预测模型获得日前电动汽车集群可调度容量预测结果。
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:所述实时状态数据包括电动汽车的状态参数和用户设置参数;
所述电动汽车的状态参数包括:车辆编号i,当前时刻t,车辆i接入电网区域的地点pi,车辆i接入电网区域的初始时刻ti s,车辆i的电池额定容量Ci,车辆i在当前时刻t的荷电状态SOC值车辆i的电池规格,车辆i的智能充电器规格;
所述用户设置参数为:用户预期离开电网区域时的车辆i的荷电状态SOC的最小值和最大值用户预期车辆i离开电网区域的离开时刻ti e。
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:按如下步骤构建实时电动汽车集群可调度容量预测模型:
步骤(1):对接入电网区域的车辆进行分类;
步骤(2):确定单台电动汽车可调度容量;
步骤(3):确定集群电动汽车可调度容量;
步骤(4):在所述分布式并行大数据处理平台上,以分布式并行的方式实现步骤(1)、步骤(2)和步骤(3),完成实时电动汽车集群可调度容量预测模型的构建。
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:
定义车辆i的充放电率为ri,
式中,Si t+Δt为车辆i在t+Δt时刻的荷电状态SOC值,Δt是t到t+Δt时刻的时间;
ri<0表征车辆i处于充电状态;ri>0表征车辆i处于放电状态,ri=0表征车辆i处于空置状态;根据车辆i的电池规格和智能充电器规格确定充放电率ri的上限值和下限值
车辆i预计离开电网区域的离开时间记为
车辆i的最短充电时间记为
则有:所述步骤(1)中对接入电网区域的车辆进行分类是按如下方式进行:
当或时,车辆i为不能参与调度的不可调度类;
当时,车辆i为只允许充电调度的允许充电类;
当时,车辆i为只允许放电调度的允许放电类;
当车辆i为允许充电和放电调度的充放电类;
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:按如下方式确定单台电动汽车可调度容量:
对于不可调度类的车辆i,其可调度充电容量和可调度放电容均为零;
对于允许充电类的车辆i,其可调度充电容量为:其可调度放电容量为零;
对于允许放电类车辆i,其可调度放电容量为:其可调度充电容量为零;
对于充放电类车辆i,其可调度放电容量为:其可调度充电容量为:
电力系统根据调度需求设定充放电率ri的值,
当时,根据计算获得车辆i可调度充电容量的最大值并且所述车辆i可调度充电容量的最大值应满足式(1):
若所述车辆i可调度充电容量的最大值不满足式(1),则设定车辆i可调度充电容量的最大值为:
当时,根据计算获得车辆i可调度放电容量的最大值并且所述车辆i可调度放电容量的最大值应满足式(2):
若车辆i可调度放电容量的最大值不满足式(2),则设定车辆i可调度放电容量的最大值为:
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:所述集群电动汽车可调度容量包括集群电动汽车可调度充电容量和集群电动汽车可调度放电容量并有:n为所述电网区域中的电动汽车总量。
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:所述步骤3中特征属性包括:
(1)实时电动汽车集群可调度容量预测结果历史数据:所述实时电动汽车集群可调度容量预测结果包括实时电动汽车集群可调度充电容量预测结果和实时电动汽车集群可调度放电容量预测结果,所述历史数据包括之前一个月的历史数据的平均值,之前一周的历史数据的平均值,以及之前一天的历史数据,共六种特征属性;
(2)日期类型属性:是否是节假日,是否是周末,共两种特征属性;
(3)气象数据属性:温度,风速,降雨量和湿度,共四种特征属性。
本发明多时间尺度电动汽车集群可调度容量预测方法的特点也在于:所述并行大数据算法为随机森林算法(Random Forests,RF)、极限学习机算法(Extreme LearningMachine,ELM)、K近邻算法(k-Nearest Neighbor,KNN),或决策树算法(Decision Tree,DT)。
与已有技术相比,本发明有益效果体现在:
1、本发明可以同时进行实时和日前两种不同时间尺度的电动汽车集群可调度容量预测,可以为电力系统多时间尺度调度提供有力的数据支撑;
2、本发明在实时电动汽车集群可调度容量预测中,通过用户设置参数保证了用户对车辆的使用需求,体现了预测结果的准确和合理性;
3、本发明充分考虑到电动汽车集群可调度容量预测将面临大数据问题,利用分布式并行大数据平台,解决所述多时间尺度电动汽车集群可调度容量预测的大数据储存和大数据快速处理问题;
4、本发明通过实时电动汽车集群可调度容量预测历史数据,结合日期类型和气象数据构建数据集,并采用并行大数据算法进行日前电动汽车集群可调度容量预测建模,保证了日前电动汽车集群可调度容量预测的快速性,准确性和通用性。
附图说明
图1为本发明中实时和日前两种时间尺度关系图;
图2为利用本发明方法获得的实时电动汽车集群可调度容量预测结果;
图3为利用本发明方法并基于并行随机森林算法的日前电动汽车集群可调度容量预测结果。
具体实施方式
多时间尺度电动汽车集群可调度容量预测方法包括实时电动汽车集群可调度容量预测和日前电动汽车集群可调度容量预测,电动汽车集群可调度容量包括电动汽车集群可调度充电容量和电动汽车集群可调度放电容量。
本实施例中预测方法按如下步骤进行:
步骤1、设定实时电动汽车集群可调度容量预测的预测时间尺度td;基于电力系统实时调度的时间尺度通常为1秒到10分钟,因此td取值为1秒到10分钟;以预测时间尺度td为时间间隔,采集获得接入电网区域的电动汽车的实时状态数据;td取值越小,实时电动汽车集群可调度容量预测结果越准确,需要综合考虑的影响因素包括:数据通信能力,车辆SOC变化率,以及所构建的分布式大数据平台数据处理能力。
步骤2、在分布式并行大数据处理平台上构建实时电动汽车集群可调度容量预测模型;利用实时状态数据,根据预测模型获得实时电动汽车集群可调度容量预测结果;分布式并行大数据处理平台为基于分布式大数据处理工具,由是Hadoop、Spark或Storm,构建的集成有多台计算机的数据处理平台;采用分布式大数据平台的目的是为了解决多时间尺度电动汽车集群可调度容量预测的大数据问题,和满足实时电动汽车集群可调度容量预测快速性要求。利用实时状态数据进行实时电动汽车进群可调容量预测的目的是提高实时电动汽车进群可调容量预测结果的准确性和可靠性。
步骤3、根据实时电动汽车集群可调度容量预测结果和表征特征属性的特征数据进行相关性分析,提取特征数据构建数据集L,L=(X,Y),其中,X为依据q种特征属性构建的特征向量,Y为日前电动汽车集群可调度容量预测的目标变量的向量,Y的取值为对应的实时电动汽车集群可调度容量预测结果。
特征属性包括实时电动汽车集群可调度容量预测结果历史数据、日期类型属性以及气象数据属性;其中:
关于实时电动汽车集群可调度容量预测结果历史数据:实时电动汽车集群可调度容量预测结果包括实时电动汽车集群可调度充电容量预测结果和实时电动汽车集群可调度放电容量预测结果,历史数据包括之前一个月的历史数据的平均值,之前一周的历史数据的平均值,以及之前一天的历史数据,共六种特征属性;
设定日期类型属性:是否是节假日,是否是周末,共两种特征属性;这两种属性为离散性型变量,每个属性包含两种情况,可以用‘1’表示“是”,用‘0’表示“否”。
设定气象数据属性:温度,风速,降雨量和湿度,共四种特征属性。
步骤4、在分布式并行大数据处理平台上构建并行大数据算法;利用大数据算法和数据集L构建日前电动汽车集群可调度容量预测模型。
步骤5、根据特征属性构建预测日的特征向量X0,利用预测日的特征向量X0,根据日前电动汽车集群可调度容量预测模型获得日前电动汽车集群可调度容量预测结果。
具体实施中,实时状态数据包括电动汽车的状态参数和用户设置参数;
其中,电动汽车的状态参数包括:车辆编号i,当前时刻t,车辆i接入电网区域的地点pi,车辆i接入电网区域的初始时刻ti s,车辆i的电池额定容量Ci,车辆i在当前时刻t的荷电状态SOC值车辆i的电池规格,车辆i的智能充电器规格;
用户设置参数为:用户预期离开电网区域时的车辆i的荷电状态SOC的最小值和最大值用户预期车辆i离开电网区域的离开时刻ti e。
具体实施中,按如下步骤构建实时电动汽车集群可调度容量预测模型:
步骤(1):对接入电网区域的车辆进行分类;
步骤(2):确定单台电动汽车可调度容量;
步骤(3):确定集群电动汽车可调度容量;
步骤(4):在所述分布式并行大数据处理平台上,以分布式并行的方式实现步骤(1)、步骤(2)和步骤(3),完成实时电动汽车集群可调度容量预测模型的构建。
以基于Spark搭建的分布式并行大数据平台为例,将大型任务分解为多个Map方法和ReduceByKey方法,并分配给分布式大数据平台中所有的计算机,实现分布式并行执行;本实施例利用Map方法执行步骤(1)和步骤(2),利用ReduceByKey方法执行步骤(3)。
定义车辆i的充放电率为ri,Si t+Δt为车辆i在t+Δt时刻的荷电状态SOC值,Δt是t到t+Δt时刻的时间。
ri<0表征车辆i处于充电状态;ri>0表征车辆i处于放电状态,ri=0表征车辆i处于空置状态;根据车辆i的电池规格和智能充电器规格确定充放电率ri的上限值和下限值
将车辆i预计离开电网区域的离开时间记为
将车辆i的最短充电时间记为
则有:对接入电网区域的车辆按如下方式进行分类,分类主要以用户设置参数进行划分,从而保证了用户对车辆的使用需求:
当或时,车辆i为不能参与调度的不可调度类;
当时,车辆i为只允许充电调度的允许充电类;
当时,车辆i为只允许放电调度的允许放电类;
当车辆i为允许充电和放电调度的充放电类;
针对以上分类,按如下方式确定单台电动汽车可调度容量:
对于不可调度类的车辆i,其可调度充电容量和可调度放电容量均为零;
对于允许充电类的车辆i,其可调度充电容量为:其可调度放电容量为零;
对于允许放电类车辆i,其可调度放电容量为:其可调度充电容量为零;
对于充放电类车辆i,其可调度放电容量为:其可调度充电容量为:
电力系统根据调度需求设定充放电率ri的值,
当时,根据计算获得车辆i可调度充电容量的最大值并且车辆i可调度充电容量的最大值应满足式(1):
若车辆i可调度充电容量的最大值不满足式(1),则设定车辆i可调度充电容量的最大值为:
当时,根据计算获得车辆i可调度放电容量的最大值并且所述车辆i可调度放电容量的最大值应满足式(2):
若车辆i可调度放电容量的最大值不满足式(2),则设定车辆i可调度放电容量的最大值为:
式(1)和式(2)表示的含义是:车辆充电调度时,SOC不能超过用户设置的SOC的最大值;车辆放电调度时,SOC不能低于用户设置的SOC的最小值。这样一方面减少电动汽车充放电频次,从而降低车辆电池损耗,另一方面,进一步保证了用户对车辆的使用需求。
本实施例中集群电动汽车可调度容量包括集群电动汽车可调度充电容量和集群电动汽车可调度放电容量并有:n为电网区域中的电动汽车总量。
从确定单台电动汽车可调度容量方法和确定集群电动汽车可调度容量方法可以发现其中需要进行大量的迭代计算。本实例利用分布式并行计算方法将迭代计算分布式并行化,以缩短计算时间,增加实时电动汽车集群可调度容量预测的速度。
本实施例中并行大数据算法为随机森林算法(Random Forests,RF)、极限学习机算法(Extreme Learning Machine,ELM)、K近邻算法(k-Nearest Neighbor,KNN),或决策树算法(Decision Tree,DT)。使用并行大数据算法,不仅可以保证日前电动汽车集群可调度容量预测的精度,还可以大大提高预测速度。
具体应用实例:本实例使用Hadoop和Spark共同构建所述分布式并行大数据处理平台,目的是使用Hadoop解决所述多时间尺度电动汽车集群可调度容量预测的大数据储存问题,使用Spark解决大数据所述多时间尺度电动汽车集群可调度容量预测快速处理问题,具体参数如下:
硬件:五台电脑,每台电脑有两个CPU和2G内存,一台千兆交换机
软件:Hadoop-2.7.0和Spark-1.6.0
集群方式:完全分布式,一个主节点和四个从节点。
设定td为1min,则每天都含有1440个时间点,分别用“1-1440”的数字表示对应的时间点,日前时间尺度含有1440个时间间隔,两种时间尺度电动汽车集群可调度容量关系图如图1所示。
按如下方式在分布式并行大数据平台上构建实时电动汽车集群可调度容量预测模型:
(1)、选用Spark工具中Spark Streaming构建实时电动汽车集群可调度容量预测模型;
(2)、实时状态数据自带键值对<key1,value1>;
(3)、利用map()函数计算得到每台电动汽车的可调度容量,对于每台电动汽车的可调度容量的计算结果输出格式为<key2,value2>,其中,key2值是根据电动汽车时空分布特性自定义,value2为单台电动汽车的可调度容量;
(4)、利用ReduceBykey()函数。对含有相同键值的map()函数输出结果进行叠加,结果输出格式为<key2,value3>,其中,value3为实时电动汽车集群的可调度电容量。
通过对某地1000辆电动汽车进行实时状态数据采集,利用实时电动汽车集群可调度容量预测模型,得到实时电动汽车集群可调度容量预测结果,其曲线如图2所示。图2中SDC表示实时电动汽车集群可调度放电容量预测结果,SCC表示实时电动汽车集群可调度充电容量预测结果。
本实施例中在分布式并行大数据平台上构建数据集L和随机森林算法,采用随机森林算法对数据集L进行训练,建立基于随机森林算法的日前电动汽车集群可调度容量预测模型;将预测日的特征向量引入日前电动汽车集群可调度容量预测过模型,从而获得基于并行随机森林算法的日前电动汽车集群可调度容量预测结果,如图3所示。图3中SDC为实时电动汽车集群可调度放电容量预测结果,SCC为实时电动汽车集群可调度充电容量预测结果;SDC-RF为基于随机森林算法的日前电动汽车集群可调度放电容量预测结果;SCC-RF为基于随机森林算法的日前电动汽车集群可调度充电容量预测结果。
Claims (8)
1.一种多时间尺度电动汽车集群可调度容量预测方法,其特征是:
所述预测方法包括实时电动汽车集群可调度容量预测和日前电动汽车集群可调度容量预测;所述电动汽车集群可调度容量包括电动汽车集群可调度充电容量和电动汽车集群可调度放电容量;
所述预测方法按如下步骤进行:
步骤1、设定所述实时电动汽车集群可调度容量预测的预测时间尺度td;以预测时间尺度td为时间间隔,采集获得接入电网区域的电动汽车的实时状态数据;
步骤2、在分布式并行大数据处理平台上构建实时电动汽车集群可调度容量预测模型;利用所述实时状态数据,根据预测模型获得实时电动汽车集群可调度容量预测结果;
步骤3、根据实时电动汽车集群可调度容量预测结果和表征特征属性的特征数据进行相关性分析,提取所述特征数据构建数据集L,L=(X,Y),其中,X为依据q种特征属性构建的特征向量,Y为日前电动汽车集群可调度容量预测的目标变量的向量;
步骤4、在所述分布式并行大数据处理平台上构建并行大数据算法;利用所述大数据算法和所述数据集L构建日前电动汽车集群可调度容量预测模型;
步骤5、根据所述特征属性构建预测日的特征向量X0,利用所述预测日的特征向量X0,根据日前电动汽车集群可调度容量预测模型获得日前电动汽车集群可调度容量预测结果。
2.根据权利要求1所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:所述实时状态数据包括电动汽车的状态参数和用户设置参数;
所述电动汽车的状态参数包括:车辆编号i,当前时刻t,车辆i接入电网区域的地点pi,车辆i接入电网区域的初始时刻车辆i的电池额定容量Ci,车辆i在当前时刻t的荷电状态SOC值 车辆i的电池规格,车辆i的智能充电器规格;
所述用户设置参数为:用户预期离开电网区域时的车辆i的荷电状态SOC的最小值和最大值 用户预期车辆i离开电网区域的离开时刻
3.根据权利要求2所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:按如下步骤构建实时电动汽车集群可调度容量预测模型:
步骤(1):对接入电网区域的车辆进行分类;
步骤(2):确定单台电动汽车可调度容量;
步骤(3):确定集群电动汽车可调度容量;
步骤(4):在所述分布式并行大数据处理平台上,以分布式并行的方式实现步骤(1)、步骤(2)和步骤(3),完成实时电动汽车集群可调度容量预测模型的构建。
4.根据权利要求3所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:
定义车辆i的充放电率为ri,
式中,为车辆i在t+Δt时刻的荷电状态SOC值,Δt是t到t+Δt时刻的时间;
ri<0表征车辆i处于充电状态;ri>0表征车辆i处于放电状态,ri=0表征车辆i处于空置状态;根据车辆i的电池规格和智能充电器规格确定充放电率ri的上限值和下限值r i ;
车辆i预计离开电网区域的离开时间记为
车辆i的最短充电时间记为
则有:所述步骤(1)中对接入电网区域的车辆进行分类是按如下方式进行:
当或时,车辆i为不能参与调度的不可调度类;
当时,车辆i为只允许充电调度的允许充电类;
当时,车辆i为只允许放电调度的允许放电类;
当车辆i为允许充电和放电调度的充放电类。
5.根据权利要求4所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:按如下方式确定单台电动汽车可调度容量:
对于不可调度类的车辆i,其可调度充电容量和可调度放电容量均为零;
对于允许充电类的车辆i,其可调度充电容量为:其可调度放电容量为零;
对于允许放电类车辆i,其可调度放电容量为:其可调度充电容量为零;
对于充放电类车辆i,其可调度放电容量为:其可调度充电容量为:
电力系统根据调度需求设定充放电率ri的值,
当ri=r i 时,根据计算获得车辆i可调度充电容量的最大值并且所述车辆i可调度充电容量的最大值应满足式(1):
若所述车辆i可调度充电容量的最大值不满足式(1),则设定车辆i可调度充电容量的最大值为:
当时,根据计算获得车辆i可调度放电容量的最大值并且所述车辆i可调度放电容量的最大值应满足式(2):
若车辆i可调度放电容量的最大值不满足式(2),则设定车辆i可调度放电容量的最大值为:
6.根据权利要求5所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:所述集群电动汽车可调度容量包括集群电动汽车可调度充电容量和集群电动汽车可调度放电容量并有:n为所述电网区域中的电动汽车总量。
7.根据权利要求1所述的多时间尺度电动汽车集群可调度容量预测方法,其特征是:所述步骤3中特征属性包括:
(1)实时电动汽车集群可调度容量预测结果历史数据:所述实时电动汽车集群可调度容量预测结果包括实时电动汽车集群可调度充电容量预测结果和实时电动汽车集群可调度放电容量预测结果,所述历史数据包括之前一个月的历史数据的平均值,之前一周的历史数据的平均值,以及之前一天的历史数据,共六种特征属性;
(2)日期类型属性:是否是节假日,是否是周末,共两种特征属性;
(3)气象数据属性:温度,风速,降雨量和湿度,共四种特征属性。
8.根据权利要求1所示的多时间尺度电动汽车集群可调度容量预测方法,其特征是:所述并行大数据算法为随机森林算法(Random Forests,RF)、极限学习机算法(ExtremeLearning Machine,ELM)、K近邻算法(k-Nearest Neighbor,KNN),或决策树算法(DecisionTree,DT)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610563275.5A CN106203720B (zh) | 2016-07-15 | 2016-07-15 | 一种多时间尺度电动汽车集群可调度容量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610563275.5A CN106203720B (zh) | 2016-07-15 | 2016-07-15 | 一种多时间尺度电动汽车集群可调度容量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203720A true CN106203720A (zh) | 2016-12-07 |
CN106203720B CN106203720B (zh) | 2019-06-14 |
Family
ID=57474960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610563275.5A Active CN106203720B (zh) | 2016-07-15 | 2016-07-15 | 一种多时间尺度电动汽车集群可调度容量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203720B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945558A (zh) * | 2017-03-31 | 2017-07-14 | 天津大学 | 集群电动汽车v2g控制策略 |
CN107199903A (zh) * | 2017-05-31 | 2017-09-26 | 国网山东省电力公司莱芜供电公司 | 一种电动汽车接入配电网的智能充电策略 |
CN107612048A (zh) * | 2017-10-23 | 2018-01-19 | 重庆大学 | 基于模型预测的电动汽车调频控制策略 |
CN108909479A (zh) * | 2018-06-19 | 2018-11-30 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
CN109130897A (zh) * | 2018-08-01 | 2019-01-04 | 上海电力学院 | 一种基于时空双尺度的匹配式v2v能量交换方法 |
CN109508826A (zh) * | 2018-11-13 | 2019-03-22 | 合肥工业大学 | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 |
CN109560577A (zh) * | 2018-12-04 | 2019-04-02 | 东莞理工学院 | 一种交直流混合分布式可再生能源系统的控制方法及系统 |
CN109624781A (zh) * | 2018-12-11 | 2019-04-16 | 华北电力大学 | 一种基于电动汽车能量响应能力预测的储能容量配置方法 |
CN110232219A (zh) * | 2019-05-17 | 2019-09-13 | 华南理工大学 | 一种基于数据挖掘的电动汽车可调度容量核定方法 |
CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
CN111190112A (zh) * | 2020-02-10 | 2020-05-22 | 宜宾职业技术学院 | 一种基于大数据分析的电池充放电预测方法及系统 |
WO2020198689A1 (en) * | 2019-03-28 | 2020-10-01 | Nuvve Corporation | Multi-technology grid regulation service |
CN112677807A (zh) * | 2020-12-31 | 2021-04-20 | 南方电网科学研究院有限责任公司 | 一种电动汽车参与电力现货市场充电优化控制系统和方法 |
CN115465141A (zh) * | 2022-09-16 | 2022-12-13 | 上海挚达科技发展有限公司 | 电动汽车充放电控制方法、装置、电子设备及存储介质 |
US11695274B1 (en) | 2022-03-21 | 2023-07-04 | Nuvve Corporation | Aggregation platform for intelligent local energy management system |
US11747781B1 (en) | 2022-03-21 | 2023-09-05 | Nuvve Corporation | Intelligent local energy management system at local mixed power generating sites for providing grid services |
CN117634931A (zh) * | 2024-01-25 | 2024-03-01 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011142131A1 (ja) * | 2010-05-11 | 2011-11-17 | パナソニック株式会社 | 電気機器制御システム、サーバ、電気機器及び電気機器制御方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
CN103996078A (zh) * | 2014-05-29 | 2014-08-20 | 重庆大学 | 电动汽车集群充放电优化控制方法 |
CN104899691A (zh) * | 2015-06-08 | 2015-09-09 | 中国电力科学研究院 | 一种确定规模化电动汽车可调度容量的方法 |
-
2016
- 2016-07-15 CN CN201610563275.5A patent/CN106203720B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011142131A1 (ja) * | 2010-05-11 | 2011-11-17 | パナソニック株式会社 | 電気機器制御システム、サーバ、電気機器及び電気機器制御方法 |
CN103241130A (zh) * | 2013-04-10 | 2013-08-14 | 华中科技大学 | 一种电动公交车充换电站的能量管理方法及系统 |
CN103996078A (zh) * | 2014-05-29 | 2014-08-20 | 重庆大学 | 电动汽车集群充放电优化控制方法 |
CN104899691A (zh) * | 2015-06-08 | 2015-09-09 | 中国电力科学研究院 | 一种确定规模化电动汽车可调度容量的方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945558A (zh) * | 2017-03-31 | 2017-07-14 | 天津大学 | 集群电动汽车v2g控制策略 |
CN107199903A (zh) * | 2017-05-31 | 2017-09-26 | 国网山东省电力公司莱芜供电公司 | 一种电动汽车接入配电网的智能充电策略 |
CN107612048B (zh) * | 2017-10-23 | 2021-03-16 | 重庆大学 | 基于模型预测的电动汽车调频控制策略 |
CN107612048A (zh) * | 2017-10-23 | 2018-01-19 | 重庆大学 | 基于模型预测的电动汽车调频控制策略 |
CN108909479A (zh) * | 2018-06-19 | 2018-11-30 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
CN108909479B (zh) * | 2018-06-19 | 2021-09-03 | 河南森源电气股份有限公司 | 一种公交场站式充电桩的充电方法及装置 |
CN109130897A (zh) * | 2018-08-01 | 2019-01-04 | 上海电力学院 | 一种基于时空双尺度的匹配式v2v能量交换方法 |
CN109130897B (zh) * | 2018-08-01 | 2021-10-08 | 上海电力学院 | 一种基于时空双尺度的匹配式v2v能量交换方法 |
CN109508826A (zh) * | 2018-11-13 | 2019-03-22 | 合肥工业大学 | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 |
CN109508826B (zh) * | 2018-11-13 | 2022-01-07 | 合肥工业大学 | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 |
CN109560577A (zh) * | 2018-12-04 | 2019-04-02 | 东莞理工学院 | 一种交直流混合分布式可再生能源系统的控制方法及系统 |
CN109624781A (zh) * | 2018-12-11 | 2019-04-16 | 华北电力大学 | 一种基于电动汽车能量响应能力预测的储能容量配置方法 |
WO2020198689A1 (en) * | 2019-03-28 | 2020-10-01 | Nuvve Corporation | Multi-technology grid regulation service |
CN110232219A (zh) * | 2019-05-17 | 2019-09-13 | 华南理工大学 | 一种基于数据挖掘的电动汽车可调度容量核定方法 |
CN110232219B (zh) * | 2019-05-17 | 2022-12-16 | 华南理工大学 | 一种基于数据挖掘的电动汽车可调度容量核定方法 |
CN110751314B (zh) * | 2019-09-16 | 2022-05-31 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
CN111190112A (zh) * | 2020-02-10 | 2020-05-22 | 宜宾职业技术学院 | 一种基于大数据分析的电池充放电预测方法及系统 |
CN112677807A (zh) * | 2020-12-31 | 2021-04-20 | 南方电网科学研究院有限责任公司 | 一种电动汽车参与电力现货市场充电优化控制系统和方法 |
US11695274B1 (en) | 2022-03-21 | 2023-07-04 | Nuvve Corporation | Aggregation platform for intelligent local energy management system |
US11747781B1 (en) | 2022-03-21 | 2023-09-05 | Nuvve Corporation | Intelligent local energy management system at local mixed power generating sites for providing grid services |
CN115465141A (zh) * | 2022-09-16 | 2022-12-13 | 上海挚达科技发展有限公司 | 电动汽车充放电控制方法、装置、电子设备及存储介质 |
CN117634931A (zh) * | 2024-01-25 | 2024-03-01 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
CN117634931B (zh) * | 2024-01-25 | 2024-04-16 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106203720B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203720B (zh) | 一种多时间尺度电动汽车集群可调度容量预测方法 | |
Zhai et al. | A novel predictive energy management strategy for electric vehicles based on velocity prediction | |
Zhao et al. | Machine learning-based method for remaining range prediction of electric vehicles | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN106055775B (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
Reddy et al. | Distributed resource scheduling in smart grid with electric vehicle deployment using fireworks algorithm | |
WO2012002001A1 (ja) | 電力制御方法、プログラムおよび電力制御装置 | |
CN109508826B (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN107024663A (zh) | 基于充电曲线特征kpca聚类的锂电池筛选方法 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN106355290A (zh) | 一种基于马尔科夫链的电动汽车充电负荷预测方法及系统 | |
CN103793605A (zh) | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 | |
CN104156791A (zh) | 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法 | |
CN116151486B (zh) | 含储能系统的光伏充电站多时间尺度随机优化方法及装置 | |
CN106557832A (zh) | 一种微电网选址定容方法 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
CN113887858A (zh) | 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法 | |
CN106712065B (zh) | 一种电动汽车充电对配电网有功损耗影响指数预测方法 | |
CN105896580B (zh) | 一种微电网多目标优化控制方法及装置 | |
CN107067130A (zh) | 一种基于电动汽车马尔可夫充电需求分析模型的快速充电站容量规划方法 | |
CN114629148A (zh) | 一种含电动汽车资源的电力系统调度框架方法及其系统 | |
Fotouhi et al. | A MATLAB graphical user interface for battery design and simulation; from cell test data to real-world automotive simulation | |
CN105676129B (zh) | 一种基于灰色理论的锂离子电池荷电状态预测方法 | |
CN110472841B (zh) | 一种电动汽车快速充电站的储能配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |