CN109508826A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109508826A CN109508826A CN201811346132.4A CN201811346132A CN109508826A CN 109508826 A CN109508826 A CN 109508826A CN 201811346132 A CN201811346132 A CN 201811346132A CN 109508826 A CN109508826 A CN 109508826A
- Authority
- CN
- China
- Prior art keywords
- time
- schedulable
- capacity
- cluster
- electric vehicle
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000035945 sensitivity 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种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，基于电池管理系统获得电动汽车实时运行信息，对确定可参与电网调度的电动汽车进行分类，计算获得实时电动汽车集群可调度容量，获得特征数据，根据不同时间尺度的需求生成不同时间尺度下的训练集和测试集，采用并行梯度提升决策树算法，根据损失函数取样后利用训练集训练出若干个子决策树模型，经过迭代加权后，基于权值将子决策树模型集成为不同时间尺度下的电动汽车集群可调度容量预测模型，最后将测试集代入预测模型得到预测结果。本发明预测精度高、速度快，有效避免在大规模电动汽车接入电网时可能对电网造成冲击，满足电网调度需求提供不同时间尺度的调度计划。
Description
技术领域
本发明属于电力系统负荷预测和调度领域，更具体地说是一种电动汽车集群可调度容量预测方法。
背景技术
随着能源和环境问题的日益严重，电动汽车(EV)因为其环保和节能等特性受到关注。然而，由于EV充电在时间和空间上的随机性以及间歇性，大量无序的EV将对电网的稳定性、经济性以及安全性造成较大的影响。研究表明，电动汽车与电网互动(V2G)技术能够通过电网与EV间电能的双向流动为电力系统提供灵活的储能资源，从而降低对电网的影响。实现V2G技术的重要前提是快速准确地预测电动汽车可调度容量。
目前，关于V2G的研究大多围绕EV电池作为储能参与电网运行调度，估计EV为电网提供的可用容量。常见模型大多是通过概率模型进行实时计算，包括基于二项分布的EV接入时间概率模型，EV的不同接入位置概率模型，利用蒙特卡洛模拟法生成不同类型EV集群，对不同的行为特征进行概率分布建模。然而，概率模型预测中采用了大量的参数假设，造成预测精度不足。
随着物联网技术的快速发展，能够从EV的电池管理系统(BMS)中获得EV的实时运行数据。大量实际的EV运行数据是建立准确模型的基础。预计到2030年，全球的EV数量将达到1.25亿辆。如果未来有5000万辆EV参与电力系统调度，数据采集的时间间隔为1min，数据的规模将达到每年1-2PB。因此，基于实时数据采集的电动汽车可调度容量预测问题其本质为大数据分析问题，大量的数据对系统容量、运算速度以及结果准确性的要求都较高，但是利用现有的传统预测算法难以处理。
发明内容
本发明的目的是针对电动汽车可调度容量预测精度上的不足，提供一种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，在精度提升的同时，利用大数据并行处理的优势，提高算法的速度，避免在大规模电动汽车接入电网时可能对电网造成冲击，并满足电网调度需求的不同提供不同时间尺度的调度计划。
本发明为解决技术问题采用如下技术方案：
本发明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的特点是包括如下步骤：
步骤1、通过电动汽车的电池管理系统BMS采集并通过GPRS技术上传到服务器端，获得电动汽车实时运行信息，确定电动汽车是否参与电网调度，并对电动汽车进行分类；
所述电动汽车实时运行信息包括：电池额定容量Ci和电动汽车EVi在t时刻的电荷状态
在车主愿意参与调度的情况下，所述电动汽车是否参与调度是由电网侧调度周期ts、用户侧预计离开电网时间ti,f和达到用户所设置SOC的最短充电时间ti,c所确定：
若有：ti,f<ts或ti,f<ti,c，电动汽车EVi不参与调度；
若有：ti,f≥ts和ti,f≥ti,c，电动汽车EVi能够参与调度，并按如下方式进行分类：
当时，电动汽车EVi只允许参与充电调度；
当时，电动汽车EVi只允许参与放电调度；
当时，电动汽车EVi允许参与充电调度和放电调度；
其中，为充电完成时用户期望的SOC最小值，为充电完成时用户期望的SOC最大值；
步骤2、在大数据平台上建立实时电动汽车集群可调度容量模型，并根据所述实时电动汽车集群可调度容量模型获得参加电网调度的电动汽车的实时电动汽车集群可调度容量：
将参与电网调度的电动汽车分为以下三种情况，并利用电池额定容量Ci计算获得电动汽车EVi的实时可调度充电容量SCCi和实时可调度放电容量SDCi：
第一种：当时，电动汽车EVi只允许充电调度，且有：
第二种：当时，电动汽车EVi只允许放电调度，且有：
第三种：当时，电动汽车EVi允许充放电调度，且有：
其中，和分别表示在保证电池安全充放电下所设置的SOC上限值和SOC下限值；
建立由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型：
其中，n为所述电网区域中参与电网调度的电动汽车集群的数量；
利用由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型，获得实时电动汽车集群可调度充电容量SCCn和实时电动汽车集群可调度放电容量SDCn，以所述SCCn和SDCn表征参加电网调度的电动汽车的实时电动汽车集群可调度容量；
步骤3、利用特征数据分别生成训练集和测试集
3.1、将所述实时电动汽车集群可调度容量作为历史数据，针对所述历史数据按如下方式获得历史数据特征值：SCCt,day和SDCt,day：
由式(3)和式(4)分别计算获得电动汽车集群对应t时刻在上个月中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上个月中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上个月中每一天的可调度放电容量之和；
D为上个月的实际天数；
由式(5)和式(6)分别计算获得电动汽车集群对应t时刻在上周中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上周中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上周中每一天的可调度放电容量之和；
SCCt,day为电动汽车集群对应t时刻在前一天中的可调度充电容量；
SDCt,day为电动汽车集群对应t时刻在前一天中的可调度放电容量；
3.2、确定各时间属性特征值，包括：
以t时刻值作为实时数据接收时间的时间属性特征值；
以“1”和“0”表征是否为行车高峰时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为放假时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为工作时间的时间属性特征值，“1”为是，“0”为否；
3.3、由所述历史数据特征值和时间属性特征值构成特征数据，以所述特征数据为标签，结合t时刻的实时电动汽车集群可调度容量构建数据集，将所述数据集分为训练集和测试集；
步骤4、根据电网调度对不同时间尺度下的需求，对训练集和测试集按时间尺度的不同划分为不同时间尺度下的训练集和测试集，在大数据平台上采用并行梯度提升决策树算法利用所述训练集，获得不同时间尺度下的电动汽车集群可调度容量预测模型，利用所述测试集代入不同时间尺度下的电动汽车集群可调度容量预测模型计算获得不同时间尺度下的电动汽车集群可调度容量预测结果。
本发明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的特点也在于：在所述步骤4中，所述并行梯度提升决策树算法是指：
首先从训练集中训练出第一棵子决策树模型，之后每一轮保持训练集不变，根据上一轮损失函数调整下一轮中每个样本的采样权重，并且损失函数越大下一轮采样权重越大，如此重复进行直至训练出第z棵子决策树模型，对于损失函数小的子决策树模型取更大的模型权重θh；
所述损失函数由式(7)所表征：
yt为步骤2中获取的实时电动汽车集群可调度容量，yt为t时刻电动汽车集群可调度容量实际值；为t时刻电动汽车集群可调度容量预测值；
不同时间尺度下的电动汽车集群可调度容量预测模型建模方法相同，是指：采用并行梯度提升决策树算法利用训练集进行建模，获得由式(8)所表征的子决策树模型
式中，X＝(x1,t,x2,t,...,xm,t)为t时刻时所获取的m种特征数据，h为子决策树模型数量；
将z棵子决策树模型加权结合得到由式(9)所表征的不同时间尺度下的电动汽车集群可调度容量预测模型f(X)；
式中，θh为模型权重；
将测试集代入模型f(X)，得到不同时间尺度下的电动汽车集群可调度容量预测值如式(10)所示：
所述不同时间尺度包括实时1分钟、超短期1小时和短期24小时三种调度需求进行预测分析以适应电网调度不同时间尺度需求。
与已有技术相比，本发明有益效果体现在：
1、本发明采用并行梯度提升决策树算法，并利用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，较决策树算法和随机森林算法，提高了预测精度；
2、本发明面对传统机器学习算法无法处理的大数据问题，利用大数据平台，解决数据存储、数据处理、数据分析及数据挖掘问题，利用其并行处理特性，大大加快传统算法速度；
3、本发明可以通过大数据分析的方式，结合EV的历史数据和实际电网的调度需求，通过不同时间尺度分析，包括实时1分钟、超短期1小时和短期24小时，为电网制定EV调度计划。
附图说明
图1为本发明中不同预测时间尺度协调调度流程图；
图2为本发明中并行梯度提升决策树算法实现过程；
图3为本发明中典型日00:00-24:00可调度放电容量预测效果；
表1为三种大数据算法在短期24小时可调度容量预测的预测误差比较；
表2为三种大数据算法在超短期1小时可调度容量预测的预测误差比较；
具体实施方法
本实施例中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包括如下步骤：
步骤1、通过电动汽车的电池管理系统BMS采集并通过GPRS技术上传到服务器端，获得电动汽车实时运行信息，确定电动汽车是否参与电网调度，并对电动汽车进行分类；
电动汽车实时运行信息包括：电池额定容量Ci和电动汽车EVi在t时刻的电荷状态由于数据传输问题，采集的电动汽车实时运行信息可能会发生部分时刻数据缺失，针对这一情况，可调度容量取0，针对异常数据，可调度容量取上一时刻值，然后确定电动汽车是否参与调度。
在车主愿意参与调度的情况下，电动汽车是否参与调度是由电网侧调度周期ts、用户侧预计离开电网时间ti,f和达到用户所设置SOC的最短充电时间ti,c所确定：
若有：ti,f<ts或ti,f<ti,c，电动汽车EVi不参与调度；
若有：ti,f≥ts和ti,f≥ti,c，电动汽车EVi能够参与调度，并按如下方式进行分类：
当时，电动汽车EVi只允许参与充电调度；
当时，电动汽车EVi只允许参与放电调度；
当时，电动汽车EVi允许参与充电调度和放电调度；
其中，为充电完成时用户期望的SOC最小值，为充电完成时用户期望的SOC最大值。
步骤2、在大数据平台上建立实时电动汽车集群可调度容量模型，并根据实时电动汽车集群可调度容量模型获得参加电网调度的电动汽车的实时电动汽车集群可调度容量：
将参与电网调度的电动汽车分为以下三种情况，并利用电池额定容量Ci计算获得电动汽车EVi的实时可调度充电容量SCCi和实时可调度放电容量SDCi：
第一种：当时，电动汽车EVi只允许充电调度，且有：
第二种：当时，电动汽车EVi只允许放电调度，且有：
第三种：当时，电动汽车EVi允许充放电调度，且有：
其中，和分别表示在保证电池安全充放电下所设置的SOC上限值和SOC下限值；
建立由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型：
其中，n为电网区域中参与电网调度的电动汽车集群的数量；
利用由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型，获得实时电动汽车集群可调度充电容量SCCn和实时电动汽车集群可调度放电容量SDCn，以SCCn和SDCn表征参加电网调度的电动汽车的实时电动汽车集群可调度容量。
所述大数据平台是由多节点服务器构成，采用Apache基金会开发的Hadoop和Spark系统，平台结合Spark和Hadoop的优点，利用分布式文件系统(HDFS)技术解决海量数据存储问题，Spark Streaming技术处理最小时间间隔为500ms的流数据，实现实时并行计算。
为了通过并行处理减少时间，计算方法采用“分而治之”的思想，考虑到电动汽车的实时运行信息采集时间间隔为1分钟，设置实时处理时间为60s。通过大数据平台可以实时接收数据流并分批处理，满足实时计算的时间要求。首先将电动汽车实时运行信息在HDFS上分批处理后，通过Map()计算单台电动汽车的可调度容量，通过键值对<key，value>同时解决多台电动汽车接入时的大数据问题。然后，通过ReduceByKey()函数迭代计算Map的输出值。最后，在HDFS中输出电动汽车集群的可调度容量。
步骤3、利用特征数据分别生成训练集和测试集
3.1、将实时电动汽车集群可调度容量作为历史数据，针对历史数据按如下方式获得历史数据特征值：SCCt,day和SDCt,day：
由式(3)和式(4)分别计算获得电动汽车集群对应t时刻在上个月中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上个月中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上个月中每一天的可调度放电容量之和；
D为上个月的实际天数；
由式(5)和式(6)分别计算获得电动汽车集群对应t时刻在上周中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上周中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上周中每一天的可调度放电容量之和；
SCCt,day为电动汽车集群对应t时刻在前一天中的可调度充电容量；
SDCt,day为电动汽车集群对应t时刻在前一天中的可调度放电容量；
3.2、确定各时间属性特征值，包括：
以t时刻值作为实时数据接收时间的时间属性特征值；
以“1”和“0”表征是否为行车高峰时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为放假时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为工作时间的时间属性特征值，“1”为是，“0”为否；
3.3、由历史数据特征值和时间属性特征值构成特征数据，以特征数据为标签，结合t时刻的实时电动汽车集群可调度容量构建数据集，将数据集分为训练集和测试集，其中训练集用来训练生成模型，测试集用于检验最终生成模型的性能。
步骤4、根据电网调度对不同时间尺度下的需求，对训练集和测试集按时间尺度的不同划分为不同时间尺度下的训练集和测试集，在大数据平台上采用并行梯度提升决策树算法利用训练集，获得不同时间尺度下的电动汽车集群可调度容量预测模型，利用测试集代入不同时间尺度下的电动汽车集群可调度容量预测模型计算获得不同时间尺度下的电动汽车集群可调度容量预测结果。
具体实施中，并行梯度提升决策树算法是指：首先从训练集中训练出第一棵子决策树模型，之后每一轮保持训练集不变，根据上一轮损失函数调整下一轮中每个样本的采样权重，并且损失函数越大下一轮采样权重越大，如此重复进行直至训练出第z棵子决策树模型，对于损失函数小的子决策树模型取更大的模型权重θh；算法如图1所示，由于其本身是由多棵子决策树生成，所以可以通过对迭代过程中每一棵树的并行化实现算法的并行化。其中损失函数描述的是模型的不可靠程度，损失函数越大，则说明越不准确。如果损失函数不断下降，则证明精度在不停地提升，损失函数由式(7)所表征：
yt为步骤2中获取的实时电动汽车集群可调度容量，yt为t时刻电动汽车集群可调度容量实际值；为t时刻电动汽车集群可调度容量预测值；
不同时间尺度下的电动汽车集群可调度容量预测模型建模方法相同，是指：采用并行梯度提升决策树算法利用训练集进行建模，获得由式(8)所表征的子决策树模型
式中，X＝(x1,t,x2,t,...,xm,t)为t时刻时所获取的m种特征数据，h为子决策树模型数量；
将z棵子决策树模型加权结合得到由式(9)所表征的不同时间尺度下的电动汽车集群可调度容量预测模型f(X)；
式中，θh为模型权重；
将测试集代入模型f(X)，得到不同时间尺度下的电动汽车集群可调度容量预测值如式(10)所示：
不同时间尺度包括实时1分钟、超短期1小时和短期24小时三种调度需求进行预测分析以适应电网调度不同时间尺度需求，不同预测时间尺度协调调度流程图如图2所示。
为了评估所提出并行机器学习算法在超短期和短期电动汽车集群可调度容量模型的性能，计算测试集的预测误差，选择由式(11)所表达的平均绝对百分比误差MAPE和由式(12)所表达的均方根误差RMSE作为评价指标：
其中，yt和表示时刻t电动汽车集群可调度容量实际值和预测值，s为时间长度。如果yt为0，则用电动汽车集群可调度容量的历史平均值替换。MAPE值越小，预测值越准确。RMSE用来放大预测误差，反映数据离散程度，提高误差灵敏度。
实施例1：针对采集实际接入区域内521台电动汽车半年的充放电数据，利用本发明方法对该预测区域内典型日的电动汽车集群可调度容量进行预测。
图3描述了典型日00:00到24:00时间段的可调度放电容量真实值与预测值，如图3所示，关于真实值和预测值两条曲线基本一致，结果表明采用并行梯度提升决策树算法的预测误差MAPE仅为3.31％。
表1、表2显示了并行梯度提升决策树GBDT、并行随机森林RF和并行决策树DT算法在短期24小时可调度容量预测模型和超短期1小时可调度容量预测两种时间尺度下得出的SCC和SDC的MAPE和RMSE误差以及训练时间。
表1三种大数据算法在短期24小时可调度容量预测的预测误差比较
表2三种大数据算法在超短期1小时可调度容量预测的预测误差比较
结果表明，预测的时间尺度越大，预测误差就越大；预测时间尺度越小，预测的误差就越小。RMSE不随时间尺度增大产生趋势性变化，这取决于数据的复杂程度和异常数据的含量。在表2中对比得到，GBDT在精度上最优，DT与之接近，均优于RF。GBDT较RF在SCC和SDC上的平均绝对百分比误差MAPE分别低7.55％和7.58％。此外，选择均方根误差RMSE作为误差评价指标，进一步加大了算法之间的预测误差，RMSE误差上分别比RF低10.57％和29.07％。
Claims (2)
1.一种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，其特征是包括如下步骤：
步骤1、通过电动汽车的电池管理系统BMS采集并通过GPRS技术上传到服务器端，获得电动汽车实时运行信息，确定电动汽车是否参与电网调度，并对电动汽车进行分类；
所述电动汽车实时运行信息包括：电池额定容量Ci和电动汽车EVi在t时刻的电荷状态
在车主愿意参与调度的情况下，所述电动汽车是否参与调度是由电网侧调度周期ts、用户侧预计离开电网时间ti,f和达到用户所设置SOC的最短充电时间ti,c所确定：
若有：ti,f<ts或ti,f<ti,c，电动汽车EVi不参与调度；
若有：ti,f≥ts和ti,f≥ti,c，电动汽车EVi能够参与调度，并按如下方式进行分类：
当时，电动汽车EVi只允许参与充电调度；
当时，电动汽车EVi只允许参与放电调度；
当时，电动汽车EVi允许参与充电调度和放电调度；
其中，为充电完成时用户期望的SOC最小值，为充电完成时用户期望的SOC最大值；
步骤2、在大数据平台上建立实时电动汽车集群可调度容量模型，并根据所述实时电动汽车集群可调度容量模型获得参加电网调度的电动汽车的实时电动汽车集群可调度容量：
将参与电网调度的电动汽车分为以下三种情况，并利用电池额定容量Ci计算获得电动汽车EVi的实时可调度充电容量SCCi和实时可调度放电容量SDCi：
第一种：当时，电动汽车EVi只允许充电调度，且有：
SDCi＝0；
第二种：当时，电动汽车EVi只允许放电调度，且有：
SCCi＝0，
第三种：当时，电动汽车EVi允许充放电调度，且有：
其中，和分别表示在保证电池安全充放电下所设置的SOC上限值和SOC下限值；
建立由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型：
其中，n为所述电网区域中参与电网调度的电动汽车集群的数量；
利用由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型，获得实时电动汽车集群可调度充电容量SCCn和实时电动汽车集群可调度放电容量SDCn，以所述SCCn和SDCn表征参加电网调度的电动汽车的实时电动汽车集群可调度容量；
步骤3、利用特征数据分别生成训练集和测试集
3.1、将所述实时电动汽车集群可调度容量作为历史数据，针对所述历史数据按如下方式获得历史数据特征值：SCCt,day和SDCt,day：
由式(3)和式(4)分别计算获得电动汽车集群对应t时刻在上个月中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上个月中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上个月中每一天的可调度放电容量之和；
D为上个月的实际天数；
由式(5)和式(6)分别计算获得电动汽车集群对应t时刻在上周中的可调度充电容量平均值及可调度放电容量平均值
为电动汽车集群对应t时刻在上周中每一天的可调度充电容量之和；
为电动汽车集群对应t时刻在上周中每一天的可调度放电容量之和；
SCCt,day为电动汽车集群对应t时刻在前一天中的可调度充电容量；
SDCt,day为电动汽车集群对应t时刻在前一天中的可调度放电容量；
3.2、确定各时间属性特征值，包括：
以t时刻值作为实时数据接收时间的时间属性特征值；
以“1”和“0”表征是否为行车高峰时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为放假时间的时间属性特征值，“1”为是，“0”为否；
以“1”和“0”表征是否为工作时间的时间属性特征值，“1”为是，“0”为否；
3.3、由所述历史数据特征值和时间属性特征值构成特征数据，以所述特征数据为标签，结合t时刻的实时电动汽车集群可调度容量构建数据集，将所述数据集分为训练集和测试集；
步骤4、根据电网调度对不同时间尺度下的需求，对训练集和测试集按时间尺度的不同划分为不同时间尺度下的训练集和测试集，在大数据平台上采用并行梯度提升决策树算法利用所述训练集，获得不同时间尺度下的电动汽车集群可调度容量预测模型，利用所述测试集代入不同时间尺度下的电动汽车集群可调度容量预测模型计算获得不同时间尺度下的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，其特征是在所述步骤4中：
所述并行梯度提升决策树算法是指：首先从训练集中训练出第一棵子决策树模型，之后每一轮保持训练集不变，根据上一轮损失函数调整下一轮中每个样本的采样权重，并且损失函数越大下一轮采样权重越大，如此重复进行直至训练出第z棵子决策树模型，对于损失函数小的子决策树模型取更大的模型权重θh；
所述损失函数由式(7)所表征：
yt为步骤2中获取的实时电动汽车集群可调度容量，yt为t时刻电动汽车集群可调度容量实际值；为t时刻电动汽车集群可调度容量预测值；
不同时间尺度下的电动汽车集群可调度容量预测模型建模方法相同，是指：采用并行梯度提升决策树算法利用训练集进行建模，获得由式(8)所表征的子决策树模型
式中，X＝(x1,t,x2,t,...,xm,t)为t时刻时所获取的m种特征数据，h为子决策树模型数量；
将z棵子决策树模型加权结合得到由式(9)所表征的不同时间尺度下的电动汽车集群可调度容量预测模型f(X)；
式中，θh为模型权重；
将测试集代入模型f(X)，得到不同时间尺度下的电动汽车集群可调度容量预测值如式(10)所示：
所述不同时间尺度包括实时1分钟、超短期1小时和短期24小时三种调度需求进行预测分析以适应电网调度不同时间尺度需求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346132.4A CN109508826B (zh) | 2018-11-13 | 2018-11-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811346132.4A CN109508826B (zh) | 2018-11-13 | 2018-11-13 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109508826A true CN109508826A (zh) | 2019-03-22 |
| CN109508826B CN109508826B (zh) | 2022-01-07 |
Family
ID=65748260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811346132.4A Active CN109508826B (zh) | 2018-11-13 | 2018-11-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508826B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208705A (zh) * | 2019-05-09 | 2019-09-06 | 赛尔网络有限公司 | 一种锂电池剩余寿命预测方法及装置 |
| 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 |
| CN112183987A (zh) * | 2020-09-22 | 2021-01-05 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
| CN112572462A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶的控制方法、装置、电子设备及存储介质 |
| CN114742118A (zh) * | 2020-12-23 | 2022-07-12 | 中国科学院广州能源研究所 | 电动汽车集群充放电负荷组合预测方法 |
| 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
| CN103605079A (zh) * | 2013-11-20 | 2014-02-26 | 浙江工业大学 | 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法 |
| JP2014129069A (ja) * | 2012-12-28 | 2014-07-10 | Toshiba Corp | 蓄電システム |
| CN104064829A (zh) * | 2013-11-28 | 2014-09-24 | 清华大学 | 一种基于电动汽车集群充电预测的电动汽车实时充电方法 |
| CN106203720A (zh) * | 2016-07-15 | 2016-12-07 | 合肥工业大学 | 一种多时间尺度电动汽车集群可调度容量预测方法 |
| CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
| CN107545369A (zh) * | 2017-09-04 | 2018-01-05 | 重庆大学 | 计及用户参与度的电动汽车集群实时有序调度方法 |
-
2018
- 2018-11-13 CN CN201811346132.4A patent/CN109508826B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014129069A (ja) * | 2012-12-28 | 2014-07-10 | Toshiba Corp | 蓄電システム |
| CN103499792A (zh) * | 2013-07-18 | 2014-01-08 | 浙江工业大学 | 电动汽车动力电池集群可用容量的预测方法 |
| CN103605079A (zh) * | 2013-11-20 | 2014-02-26 | 浙江工业大学 | 公交电动汽车及其梯次利用电池集群的v2g可用容量评估方法 |
| CN104064829A (zh) * | 2013-11-28 | 2014-09-24 | 清华大学 | 一种基于电动汽车集群充电预测的电动汽车实时充电方法 |
| CN106203720A (zh) * | 2016-07-15 | 2016-12-07 | 合肥工业大学 | 一种多时间尺度电动汽车集群可调度容量预测方法 |
| CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
| CN107545369A (zh) * | 2017-09-04 | 2018-01-05 | 重庆大学 | 计及用户参与度的电动汽车集群实时有序调度方法 |
Non-Patent Citations (2)
| Title |
|---|
| 岳友 等: "基于大数据的电动汽车集群可调度容量多时间尺度预测方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 龚亚强: "基于电力大数据的负荷预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208705A (zh) * | 2019-05-09 | 2019-09-06 | 赛尔网络有限公司 | 一种锂电池剩余寿命预测方法及装置 |
| 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 |
| 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 |
| CN112572462A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶的控制方法、装置、电子设备及存储介质 |
| US11529971B2 (en) | 2019-09-30 | 2022-12-20 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method and apparatus for autonomous driving control, electronic device, and storage medium |
| CN112183987A (zh) * | 2020-09-22 | 2021-01-05 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
| CN112183987B (zh) * | 2020-09-22 | 2022-07-19 | 国网电力科学研究院武汉能效测评有限公司 | 电动汽车集群储荷调度评价系统及评价方法 |
| CN114742118A (zh) * | 2020-12-23 | 2022-07-12 | 中国科学院广州能源研究所 | 电动汽车集群充放电负荷组合预测方法 |
| CN114742118B (zh) * | 2020-12-23 | 2023-10-27 | 中国科学院广州能源研究所 | 电动汽车集群充放电负荷组合预测方法 |
| 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 |
|---|---|
| CN109508826B (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
| CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
| CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
| CN106203720B (zh) | 一种多时间尺度电动汽车集群可调度容量预测方法 | |
| CN110889527B (zh) | 一种基于lstm神经网络的电动汽车充电负荷预测方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN112488362A (zh) | 一种协调电动汽车参与辅助服务市场的储能优化配置方法 | |
| CN113655385B (zh) | 锂电池soc估计方法、装置及计算机可读存储介质 | |
| CN103295081A (zh) | 基于bp神经网络的电力系统负荷预测方法 | |
| CN110751314A (zh) | 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 | |
| Wu et al. | SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics | |
| CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
| CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
| CN108876052A (zh) | 电动汽车充电负荷预测方法、装置和计算机设备 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN114219214A (zh) | 考虑新能源与电动汽车接入的电网综合风险评估体系 | |
| 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 | |
| Wang et al. | Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM | |
| CN115860185A (zh) | 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN114742118B (zh) | 电动汽车集群充放电负荷组合预测方法 | |
| CN117175579A (zh) | 一种电动汽车充放电分群调度方法及系统 | |
| CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |