CN109858103B - 用于配电网的电动汽车充电站负载建模方法 - Google Patents

Abstract

本发明涉及一种用于配电网的电动汽车充电站负载建模方法，针对电动汽车大量接入配电网引起峰值负荷增加以及变压器和线路过载，考虑电网侧负荷方差变化、电动汽车充电站运营以及配电网的峰值限制，采用径向基神经网络方法，建立电动汽车充电站负载模型以及约束条件，可准确预测电动汽车充电站负载充电功率曲线。该方法从配电网和电动汽车充电站的角度考虑配电网的峰值需求，采用智能算法建立电动汽车充电站负载模型，且径向基神经网络权值由线性方程直接解出，避免局部最小值问题，具有算法简单、学习速度快、适应配电网不同运行模式的优点。

Description

用于配电网的电动汽车充电站负载建模方法

技术领域

本发明涉及一种电动汽车充电技术，特别涉及一种用于配电网的电动汽车充电站负载建模方法，。

背景技术

随着环境污染和能源危机的日益加剧，具有能源利用率高、清洁和节能优势的电动汽车受到社会的普遍关注，但电动汽车大量接入配电网，会引起配电网峰值负荷和线路损耗增加、变压器和线路过载等影响。电动汽车充电站负载预测方法的应用为降低和抑制由电动汽车充电对配电网造成的冲击提供了可能，也为配电网的优化运行和规划提供了依据。但目前电动汽车充电站负荷预测方法很少考虑电网侧负荷方差变化、电动汽车充电站运营以及配电网的峰值限制等需求，因此将电动汽车充电站建立为智能负载模型并能够自动响应配电网的运行需求是一个需解决的问题。

发明内容

本发明是针对电动汽车大量接入配电网，引起配电网峰值负荷和线路损耗增加的问题，提出了一种用于配电网的电动汽车充电站负载建模方法，准确预测电动汽车充电站负载充电功率曲线，并自动响应配电网的运行需求。

本发明的技术方案为：一种用于配电网的电动汽车充电站负载建模方法，具体包括如下步骤：

采用实际数据模拟电动汽车进入电动汽车充电站充电的数据，共采样60天的数据，以一小时为时间间隔进行采样记录，以此作为样本数据；

1)从配电网的角度考虑，电网侧负荷方差最小化，从电动汽车充电站的角度考虑，电动汽车充电站充电数量最大化，设置两个目标函数为：

式中：λ₁表示电网侧一天的最小化负荷方差；λ₂表示电动汽车充电站一天的最大化充电数量；t表示时段；P_t表示t时段内电动汽车充电站的充电功率；P_1,t表示t时段内不含电动汽车负荷的配电网基本负荷；P_av表示调度电网侧负荷的平均值；x_1,t表示同时充电的电动汽车数量；

2)为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值，设置约束条件为：

P_d,min≤P_t≤P_d,max

式中：P_d,min表示电动汽车充电站的最小充电功率；P_d,max表示电动汽车充电站的最大充电功率；

3)在目标函数和约束条件影响下，采用径向基神经网络建立电动汽车充电站负荷模型：

径向基神经网络输入神经元、隐藏层神经元和输出层神经元；

电动汽车充电站负荷模型输入信号为：同时充电的电动汽车数量x_1,t、总充电电流x_2,t、电动汽车达到率x_3,t；

径向基神经网络中的基函数采用高斯函数，方差表示为：

式中：σ表示高斯函数的方差；d表示样本的电动汽车充电功率值；径向基神经网络隐含层神经元中心c_i采用直接计算法随机在输入样本中选取；c_i表示第i个隐含层结点的中心；i表示隐含层节点数；

隐含层至输出层之间神经元的连接权值用最小二乘法表示为：

式中：w_i表示隐含层第i个节点到输出层的连接权值；表示选取所有中心之间的最大距离；

最终所得电动汽车充电站负载模型为：

本发明的有益效果在于：本发明用于配电网的电动汽车充电站负载建模方法，采用径向基神经网络学习、预测电动汽车充电站负载充电功率曲线，从配电网和电动汽车充电站的角度响应配电网的峰值需求，有助于缓解配电网的峰值负荷，且径向基神经网络具有其他前向神经网络所不具有的最佳逼近性能和全局最优特性，权值由线性方程直接解出，避免局部最小值问题，算法结构简单、学习速度快。该方法的提出为电动汽车充电站建立为智能负载模型并响应配电网的运行需求提供了简单可行的解决方案。

附图说明

图1为本发明基于径向基神经网络的结构图；

图2为本发明考虑配电网需求的电动汽车充电站负荷功率曲线；

图3为本发明考虑电动汽车充电站需求的电动汽车充电站负荷功率曲线。

具体实施方式

本实施例中，配电网采用IEEE 30节点径向分布系统，电动汽车充电站位于23节点处。采用传统燃油汽车到达目标加油站购买燃油的数据模拟电动汽车进入电动汽车充电站充电的数据，共采样60天的数据，以一小时为时间间隔进行采样记录，以此作为样本数据。

本发明提出一种用于配电网的电动汽车充电站负载建模方法，该方法采用径向基神经网络建立电动汽车充电站负载模型，径向基神经网络结构如附图1所示，包含三个输入层神经元、四个隐藏层神经元和一个输出层神经元。

从配电网的角度考虑，电网侧负荷方差最小化，从电动汽车充电站的角度考虑，电动汽车充电站充电数量最大化，设置两个目标函数为：

式中：λ₁表示电网侧一天的最小化负荷方差；λ₂表示电动汽车充电站一天的最大化充电数量；t表示时段；P_t表示t时段内电动汽车充电站的充电功率；P_1,t表示t时段内不含电动汽车负荷的配电网基本负荷；P_av表示调度电网侧负荷的平均值；x_1,t表示同时充电的电动汽车数量。

为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值，设置约束条件为：

P_d,min≤P_t≤P_d,max

式中：P_d,min表示电动汽车充电站的最小充电功率；P_d,max表示电动汽车充电站的最大充电功率。

径向基神经网络隐含层神经元中心参数c_i采用直接计算法随机在输入样本中选取。径向基神经网络中的基函数采用高斯函数，电动汽车充电站负荷模型输入信号为：同时充电的电动汽车数量x_1,t、总充电电流x_2,t、电动汽车达到率x_3,t，进行空间映射的变换得到隐含层神经元的输出信号，径向基神经网络的激活函数可表示为：

式中：R(·)表示激活函数；t表示时段；σ表示高斯函数的方差；exp表示指数函数；||·||表示欧式范数；c_i表示第i个隐含层结点的中心；i表示隐含层节点数。

径向基神经网络的基函数为高斯函数，方差表示为：

式中：σ表示高斯函数的方差；d表示样本的电动汽车充电功率值。

隐含层至输出层之间神经元的连接权值用最小二乘法表示为：

式中：w_i表示隐含层第i个节点到输出层的连接权值；表示选取的4个中心之间的最大距离。

考虑上述目标函数和约束条件(目标函数λ₁影响电动汽车充电站负载模型输出P_t的大小，目标函数λ₂影响电动汽车充电站负载模型输入x_1,t的大小，约束条件确定电动汽车充电站负载模型输出的范围)，设置电动汽车充电站负荷模型的输入为同时充电的电动汽车数量、总充电电流和电动汽车达到率，输出为电动汽车充电站充电功率，采用径向基神经网络建立所述电动汽车充电站负载模型：

为了验证所述用于配电网的电动汽车负载智能建模方法的正确性和有效性，从配电网的角度考虑配电网的峰值限制，仿真结果考虑配电网需求的电动汽车充电站负载功率曲线如附图2所示。由附图2可知，样本的电动汽车充电功率曲线与预测电动汽车充电站负载充电功率曲线相匹配，从配电网的角度考虑配电网的峰值限制，电动汽车充电功率在(6h,20h)期间略高于估计的功率曲线，且最大预测功率(16h,19h)期间不超过配电网允许的电动汽车充电站最大充电功率。仿真结果表明，所述用于配电网的电动汽车充电站智能负载建模方法能有效预测电动汽车充电站负载充电功率曲线且实现了从配电网的角度响应配电网峰值需求，使电动汽车充电站智能负载充电功率不超过配电网允许的最大功率，从而适应配电网的运行模式。

从电动汽车充电站的角度考虑配电网的峰值限制，仿真结果考虑电动汽车充电站需求的电动汽车充电站负载功率曲线如附图3所示。由附图3可知，样本的电动汽车充电功率曲线与预测电动汽车充电站负载充电功率曲线相匹配，从电动汽车充电站的角度考虑配电网的峰值限制，电动汽车站同时刻充电数量最大化，电动汽车充电功率在(5h,21h)期间略高于估计的功率曲线和满足配电网需求的电动汽车充电站负载功率曲线，且最大预测功率(8h,19h)期间不超过配电网允许的电动汽车充电站最大充电功率。仿真结果表明，所述用于配电网的电动汽车充电站负载智能建模方法能有效预测电动汽车充电站负载充电功率曲线且实现了从电动汽车充电站的角度响应配电网峰值需求，使电动汽车充电站负载功率最大化利用且不超过配电网允许的最大功率，从而适应配电网的运行模式。

Claims (1)

1.一种用于配电网的电动汽车充电站负载建模方法，其特征在于，具体包括如下步骤：

采用实际数据模拟电动汽车进入电动汽车充电站充电的数据，共采样60天的数据，以一小时为时间间隔进行采样记录，以此作为样本数据；

1)从配电网的角度考虑，电网侧负荷方差最小化，从电动汽车充电站的角度考虑，电动汽车充电站充电数量最大化，设置两个目标函数为：

式中：λ₁表示电网侧一天的最小化负荷方差；λ₂表示电动汽车充电站一天的最大化充电数量；t表示时段；P_t表示t时段内电动汽车充电站的充电功率；P_1,t表示t时段内不含电动汽车负荷的配电网基本负荷；P_av表示调度电网侧负荷的平均值；x_1,t表示同时充电的电动汽车数量；

2)为了确保电动汽车充电站充电需求不会造成配电网产生额外的峰值，设置约束条件为：

P_d,min≤P_t≤P_d,max

式中：P_d,min表示电动汽车充电站的最小充电功率；P_d,max表示电动汽车充电站的最大充电功率；

3)在目标函数和约束条件影响下，采用径向基神经网络建立电动汽车充电站负荷模型：

径向基神经网络输入神经元、隐含层神经元和输出层神经元；

电动汽车充电站负荷模型输入信号为：同时充电的电动汽车数量x_1,t、总充电电流x_2,t、电动汽车达到率x_3,t；

径向基神经网络中的基函数采用高斯函数，方差表示为：

式中：σ表示高斯函数的方差；d表示样本的电动汽车充电功率值；径向基神经网络隐含层神经元中心c_i采用直接计算法随机在输入样本中选取；c_i表示第i个隐含层结点的中心；i表示隐含层节点数；

隐含层至输出层之间神经元的连接权值用最小二乘法表示为：

式中：w_i表示隐含层第i个节点到输出层的连接权值；表示选取所有中心之间的最大距离；

最终所得电动汽车充电站负载模型为：