CN106712065A - 一种电动汽车充电对配电网有功损耗影响指数预测方法 - Google Patents

Abstract

本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法，涉及配电网技术领域。该方法对含有充电汽车的配电网有功损耗造成影响的参数进行测量并归一化处理后，建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测。本发明针对含电动汽车的配电网系统进行实时监测，测量系统运行参数、系统的地理气象环境参数及区域所含充电桩个数，对电动汽车充电对配电网有功损耗影响指数进行预测，根据计算结果实时地对该系统进行控制，显著提高系统运行的可靠性与经济性。

Description

一种电动汽车充电对配电网有功损耗影响指数预测方法

技术领域

本发明涉及配电网技术领域，尤其涉及一种电动汽车充电对配电网有功损耗影响指数预测方法。

背景技术

为高效利用能源，热电联供系统日益发展壮大，热电联供系统中分布式光储设备和空调负荷组成了一个复杂的系统。由于电动汽车充电具有随机性，对配电网的有功损耗造成很大影响，造成了电网的频率及电压的波动，从而影响电能质量，现有的电动汽车充电对配电网有功损耗影响相关研究较少，不能有效利用电网运行状态数据及地理气象综合数据资源，计算准确度和可靠度不高。

发明内容

针对现有技术的缺陷，本发明提供一种电动汽车充电对配电网有功损耗影响指数预测方法，根据分布式光储系统及空调负荷运行特点进行分布式光储发电出力对空调运行稳定性影响指数预测评估，使每个光热联合发电系统及其所接入的空调负荷能够安全、稳定、高效运行。

一种电动汽车充电对配电网有功损耗影响指数预测方法，包括以下步骤：

步骤1：选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量，所述参数包括：系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc及区域充电桩个数n_qc；

步骤2：对测量数据中的系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc进行如下的归一化处理：

其中，i＝1，2，...，n，n表示对每类测量数据采集的个数，V_qc′(i)、i_qc′(i)、T_qc′(i)、W_qc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据，V_qc(i)、I_qc(i)、T_qc(i)、W_qc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据，max()、min()分别表示相应测量数据的最大值和最小值；

步骤3：根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，如下式所示：

其中，yqc(i)为电动汽车充电对配电网有功损耗影响指数，k_j为所需求解的不同工况j下的工况系数，1≤j≤m_qc，m_qc为最优分类数，n_qc为区域充电桩个数，max()为相应的数据归一化处理后数据中的最大值，min()为相应的数据归一化处理后数据中的最小值；

步骤4：采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测，得到分布式光储发电出力对空调运行稳定性影响指数预测值，具体方法为：

步骤4.1：采用粒子群聚类算法对归一化处理后的数据进行聚类划分，得到最优分类数m_qc，并对得到的系统不同运行工况进行编号为1～m_qc；粒子群聚类算法的输入为归一化处理后的数据构成的样本集，样本集数据个数为N_qc，最大迭代次数为τ_max；

步骤4.2：对工况编号j所对应的归一化处理后的数据进行提取，采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数k_j进行求解，即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型；

步骤4.3：某一时刻采集的数据经过归一化处理和粒子群聚类算法后，得到此刻系统所属的工况，将求得的对应的工况系数k_j和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型，得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。

进一步地，所述步骤4.1的具体方法为：

步骤4.1.1：分类数初始化，m_qc＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_qc个值作为聚类中心值，并将这m_qc个聚类中心值作为粒子群初始值；

步骤4.1.3：进行粒子群迭代搜索，得到此运行方式分类数下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力；

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，...，N_gl；

步骤4.1.5：将m_qc加1，若m_qc＜N_qc，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_qc从1到N_qc对应的欧氏距离之和将JP_phm最小值所对应的m_qc作为工况的最优分类数。

进一步地，所述步骤4.2对工况系数k_j进行逐个求解的具体方法为：

步骤4.2.1：对工况参数初始化，令j＝1；

步骤4.2.2：提取工况编号j所对应的重构后相空间中的相点，建立求取该工况所对应的工况系数的神经网络模型，定义神经网络目标函数如下式所示；

其中，为第j种工况下第m次训练后神经网络系统的期望输出，k_j(m)为第j种工况下第m次训练后神经网络系统的实际输出；

步骤4.2.3：进行网络权值训练，计算输出层权值ω′，权值更新公式如下式所示；

ω′(m)＝ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))

其中，ω′(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；网络实际输出的k_j即为工况j下的工况系数；

步骤4.2.4：将j加1，若j＜m_qc，则重复步骤4.2.2至4.2.4，否则，计算结束，得到1～m_qc工况下模型对应的工况系数，执行步骤4.3。

由上述技术方案可知，本发明的有益效果在于：本发明提供的一种电动汽车充电对配电网有功损耗影响指数预测方法，针对含电动汽车的配电网系统进行实时监测，选取系统运行参数——系统母线电压系统母线电流，系统所在环境地理气象环境参数——温度、湿度，以及区域所含充电桩的个数，根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测，根据计算结果实时地对该系统进行控制，显著提高系统运行的可靠性与经济性。

附图说明

图1为本发明实施例提供的电动汽车充电对配电网有功损耗影响指数预测方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种电动汽车充电对配电网有功损耗影响指数预测方法，如图1所示，具体方法如下所述。

步骤1：选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量，所述参数包括：系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc及区域充电桩个数n_qc。

步骤2：对测量数据中的系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc进行如下的归一化处理：

其中，i＝1，2，...，n，n表示对每类测量数据采集的个数，本实例中，n＝100，V_qc′(i)、I_qc′(i)、T_qc′(i)、W_qc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据，V_qc(i)、I_qc(i)、T_qc(i)、W_qc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据，max()、min()分别表示相应测量数据的最大值和最小值。

步骤3：根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，如下式所示；

其中，yqc(i)为电动汽车充电对配电网有功损耗影响指数，k_j为所需求解的不同工况j下的工况系数，j为整数，1≤j≤m_qc，m_qc为最优分类数，n_qc为区域充电桩个数，max()为相应的数据归一化处理后数据中的最大值，min()为相应的数据归一化处理后数据中的最小值。

步骤4：采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测，得到分布式光储发电出力对空调运行稳定性影响指数预测值，具体方法为：

步骤4.1：采用粒子群聚类算法对归一化处理后的数据进行聚类划分，得到最优分类数m_qc，并对得到的系统不同运行工况进行编号为1～m_qc；粒子群聚类算法的输入为归一化处理后的数据构成的样本集，样本集数据个数N_qc＝400，最大迭代次数τ_max＝50，具体方法为：

步骤4.1.1：分类数初始化，m_qc＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_qc个值作为聚类中心值，并将这m_qc个聚类中心值作为粒子群初始值；

步骤4.1.3：进行粒子群迭代搜索，得到此运行方式分类数下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力。本实施例中，c₁＝0.9，c₂＝1.3，w＝1.2，当随机数rand()分别为0.6或0.4时，粒子群算法寻优效果最好。

粒子群适应度用如下函数计算；

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，...，N_gl；

步骤4.1.5：将m_qc加1，若m_qc＜N_qc，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_qc从1到N_qc对应的欧氏距离之和将JP_phm最小值所对应的m_qc作为工况的最优分类数。本实施例中，最优分类数m_gc＝4。

步骤4.2：对工况编号j所对应的归一化处理后的数据进行提取，采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数k_j进行求解，即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型，具体方法为：

步骤4.2.1：对工况参数初始化，令j＝1；

步骤4.2.2：提取工况编号j所对应的重构后相空间中的相点，建立求取该工况所对应的工况系数的神经网络模型，定义神经网络目标函数如下式所示；

其中，为第j种工况下第m次训练后神经网络系统的期望输出，k_j(m)为第j种工况下第m次训练后神经网络系统的实际输出；

步骤4.2.3：进行网络权值训练，计算输出层权值ω′，权值更新公式如下式所示；

ω′(m)＝ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))

其中，ω′(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；网络实际输出的k_j即为工况j下的工况系数；本实施例中，训练结束后，得到ε(m)＝0.00098。

步骤4.2.4：将j加1，若j＜m_qc，则重复步骤4.2.2至4.2.4，否则，计算结束，得到1～m_qc工况下模型对应的工况系数，执行步骤4.3。

本实施例中，按照此方法依次求取四种工况下的工况系数分别为：k₁＝1.25，k₂＝1.46，k₃＝1.8，k₄＝2.05。

步骤4.3：某一时刻采集的数据经过归一化处理和粒子群聚类算法后，得到此刻系统所属的工况，将求得的对应的工况系数k_j和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型，得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。

本实施例中，当母线电压V_qc＝35kV、系统母线电流I_qc＝6A、配电网所在环境的温度T_qc＝25、湿度W_qc＝65％RH时，区域充电桩个数为25，此工况经过聚类计算，属于第三类，即k₃＝1.8，得到该时刻电动汽车充电对配电网有功损耗影响指数为1.3。当影响指数小于1.3时，动汽车充电对配电网有功损耗影响较小，电网维持现状运行，当指数超过1.3时，调节电网的有功输出，使影响指数保持在1.3以下。

本实施例提供的一种电动汽车充电对配电网有功损耗影响指数预测方法，针对含电动汽车的配电网系统进行实时监测，选取系统运行参数——系统母线电压系统母线电流，系统所在环境地理气象环境参数——温度、湿度，以及区域所含充电桩的个数；并根据监测参数对电动汽车充电对配电网有功损耗影响指数进行预测，根据计算结果实时地对该系统进行控制，显著提高系统运行的可靠性与经济性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种电动汽车充电对配电网有功损耗影响指数预测方法，其特征在于：该方法包括以下步骤：

步骤1：选取对含有充电汽车的配电网有功损耗造成影响的参数进行测量，所述参数包括：系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc及区域充电桩个数n_qc；

步骤2：对测量数据中的系统母线电压V_qc、系统母线电流I_qc、配电网所在环境的温度T_qc、湿度W_qc进行如下的归一化处理：

${V_{qc}}^{\′}\left(i\right)=\frac{V_{qc}\left(i\right)-min\left(V_{qc}\right(i\left)\right)}{max\left(V_{qc}\right(i\left)\right)-\min \left(V_{qc}\right(i\left)\right)};$

${I_{qc}}^{\′}\left(i\right)=\frac{I_{qc}\left(i\right)-min\left(I_{qc}\right(i\left)\right)}{\max \left(I_{qc}\right(i\left)\right)-\min \left(I_{qc}\right(i\left)\right)};$

${T_{qc}}^{\′}\left(i\right)=\frac{T_{qc}\left(i\right)-\min \left(T_{qc}\left(i\right)\right)}{\max \left(T_{qc}\left(i\right)\right)-\min \left(T_{qc}\left(i\right)\right)};$

${W_{qc}}^{\′}\left(i\right)=\frac{W_{qc}\left(i\right)-min\left(W_{qc}\right(i\left)\right)}{max\left(W_{qc}\right(i\left)\right)-\min \left(W_{qc}\right(i\left)\right)};$

其中，i＝1，2，...，n，n表示对每类测量数据采集的个数，V_qc′(i)、I_qc′(i)、T_qc′(i)、W_qc′(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个归一化测量数据，V_qc(i)、I_qc(i)、T_qc(i)、W_qc(i)分别表示系统母线电压、系统母线电流、温度、湿度的第i个测量数据；

步骤3：根据归一化的数据建立含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，如下式所示；

$yqc\left(i\right)=\frac{k_j{\left({T_{qc}}^{\′}\left(i\right)\right)}^{\frac{1}{n_{qc}}}{W_{qc}}^{\′}\left(i\right)}{{\left({W_{qc}}^{\′}\left(i\right)\right)}^{n_{qc}}}-\frac{1}{n_{qc}}\ln \frac{{V_{qc}}^{\′}\left(i\right)-\min \left({V_{qc}}^{\′}\left(i\right)\right)}{\max \left({I_{qc}}^{\′}\left(i\right)\right)-{I_{qc}}^{\′}\left(i\right)}$

其中，yqc(i)为电动汽车充电对配电网有功损耗影响指数，K_j为所需求解的不同工况j下的工况系数，j为整数，1≤J≤m_qc，m_qc为最优分类数，n_qc为区域充电桩个数；

步骤4：采用模糊神经网络求解含有工况系数的电动汽车充电对配电网有功损耗影响指数数学模型，针对数据归一化处理后的数据对某一时刻的系统有功损耗影响指数进行预测，得到分布式光储发电出力对空调运行稳定性影响指数预测值，具体方法为：

步骤4.1：采用粒子群聚类算法对归一化处理后的数据进行聚类划分，得到最优分类数m_qc，并对得到的系统不同运行工况进行编号为1～m_qc；粒子群聚类算法的输入为归一化处理后的数据构成的样本集，样本集数据个数为N_qc，最大迭代次数为τ_max；

步骤4.2：对工况编号j所对应的归一化处理后的数据进行提取，采用模糊神经网络对所建立的电动汽车充电对配电网有功损耗影响指数数学模型中的工况系数k_j进行求解，即得到工况j条件下电动汽车充电对配电网有功损耗影响指数确定的数学模型；

步骤4.3：某一时刻采集的数据经过归一化处理和粒子群聚类算法后，得到此刻系统所属的工况，将求得的对应的工况系数k_j和归一化处理后的数据输入电动汽车充电对配电网有功损耗影响指数数学模型，得到该时刻电动汽车充电对配电网有功损耗影响指数预测值yqc(i)。

2.根据权利要求1所述的一种电动汽车充电对配电网有功损耗影响指数预测方法，其特征在于：所述步骤4.1的具体方法为：

步骤4.1.1：分类数初始化，m_qc＝1；

步骤4.1.2：对粒子群参数进行初始化；相空间相点中随机选择m_qc个值作为聚类中心值，并将这m_qc个聚类中心值作为粒子群初始值；

步骤4.1.3：进行粒子群迭代搜索，得到此运行方式分类数下的最优聚类中心，最大迭代次数为τ_max，粒子群迭代更新方程如下式所示；

$\left\{\begin{array}{c}{v}_{iD}^{k+1}={\mathrm{wv}}_{iD}^k+c_{1}rand\left(\right)({\mathrm{pb}}_{iD}^k-x_{iD}^k)+c_{2}rand\left(\right)({\mathrm{gb}}_{iD}^k-x_{iD}^k)\\ x_{iD}^{k+1}=x_{iD}^k+v_{iD}^{k+1}\end{array}\right.$

其中，为第k次迭代下，第i个粒子的速度；表示第k次迭代为止第i个粒子的最佳位置；表示第k次迭代为止粒子种群中所有粒子位置中的最佳位置，表示第i个粒子第k次迭代所在位置，c₁、c₂表示学习常数，rand()为0～1之间的随机数，w为惯性权重，用于权衡局部最优能力和全局最优能力；

粒子群适应度用如下函数计算；

$f_{fit}=\frac{1}{1+J_m}$

其中，f_fit为粒子群适应度函数，J_m为各个粒子到聚类中心的欧氏距离之和；

步骤4.1.4：计算聚类中心值间的欧氏距离之和JP_phm，其中phm＝1，2，...，N_gl；

步骤4.1.5：将m_qc加1，若m_qc＜N_qc，则重复步骤4.1.2至4.1.5，否则，执行步骤4.1.6；

步骤4.1.6：比较分类数m_qc从1到N_qc对应的欧氏距离之和将Jp_phm最小值所对应的m_qc作为工况的最优分类数。

3.根据权利要求2所述的一种电动汽车充电对配电网有功损耗影响指数预测方法，其特征在于：所述步骤4.2对工况系数k_j进行逐个求解的具体方法为：

步骤4.2.1：对工况参数初始化，令j＝1；

步骤4.2.2：提取工况编号j所对应的重构后相空间中的相点，建立求取该工况所对应的工况系数的神经网络模型，定义神经网络目标函数如下式所示；

$\mathrm{\ϵ}\left(m\right)=\frac{1}{2}{\left({\hat{k}}_j\right(m)-k_j(m\left)\right)}^2$

其中，为第j种工况下第m次训练后神经网络系统的期望输出，k_j(m)为第j种工况下第m次训练后神经网络系统的实际输出；

步骤4.2.3：进行网络权值训练，计算输出层权值ω′，权值更新公式如下式所示；

ω′(m)＝ω′(m-1)+Δω′(m)+a(ω′(m-1)-ω′(m-2))

其中，ω′(m)为第m次训练后的输出层权值，η为学习速率，a为动量因子，η，a∈[0，1]；设定阈值当时，网络权值训练结束；网络实际输出的k_j即为工况j下的工况系数；

步骤4.2.4：将j加1，若j＜m_qc，则重复步骤4.2.2至4.2.4，否则，计算结束，得到1～m_qc工况下模型对应的工况系数，执行步骤4.3。