CN111313449B - 一种基于机器学习的集群电动汽车功率优化管理方法 - Google Patents
一种基于机器学习的集群电动汽车功率优化管理方法 Download PDFInfo
- Publication number
- CN111313449B CN111313449B CN202010135383.9A CN202010135383A CN111313449B CN 111313449 B CN111313449 B CN 111313449B CN 202010135383 A CN202010135383 A CN 202010135383A CN 111313449 B CN111313449 B CN 111313449B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- lstm
- soc
- cluster
- power
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于机器学习的集群电动汽车功率优化管理方法,先建立基于机器学习的集群电动汽车功率管理模型;再通过采集并处理历史数据,代入长短期记忆神经网络LSTM进行离线训练;之后,比较步骤B中所进行的离线训练的结果,在集群电动汽车管理系统中安装具有最佳训练效果的LSTM;最后,在线采集数据输入LSTM,在线生成调度结果,下达调度指令。本方法在离线阶段进行数学计算,在在线运行时只需要通过训练好的LSTM网络匹配输入和输出的关系,快速得到近似最优的调度信号,降低了对在线运行时CPU的要求,适合于大规电动汽车的在线调度计算。
Description
技术领域
本发明属于电力系统优化调度领域,具体涉及一种基于机器学习技术的集群电动汽车功率优化管理方法。
背景技术
随着电动汽车(electric vehicle,EV)的大量普及与电动汽车入网(vehicle toGrid,V2G)技术的发展,越来越多的集群电动汽车充放电功率优化管理方法被提出,用以避免电动汽车无序充电行为对电网带来的不良影响或是解决负荷的波动、可再生能源的间歇性等问题。
集群电动汽车的功率优化管理是一个连续时序决策过程,受电动汽车的特性约束。由于电动汽车的充放电效率不同,与电动汽车相关的电能管理模型通常需要引入互补约束,以保证每辆电动汽车的充放电是相互排斥的。因此,所建立的模型具有很强的非凸性,难以直接求解。混合整数线性规划是最广泛用于解决这一问题的方法。基于迭代的平滑方法和精确惩罚方法也被用来解决这个问题。近年来,粒子群算法、遗传算法、模拟退火算法等智能算法也被用在求解中。
此外,为了保证每辆电动汽车电量状态在相邻时间步长的时间耦合性,上述优化方法需要在一个较长的时间范围内求解,并且依赖于准确的预测。因此,随着调度电动汽车数量和考虑的时间范围增加,上述优化方法的求解时间过长,使得控制信号无法及时送达到各辆电动汽车。同时,问题维数的增长也会带来相当大的预测与计算压力,因此需要优化系统配置一个高性能的中央处理器,这就会加重对优化管理系统的投资。
为了满足大量电动汽车协调优化的计算要求,目前也出现了一种短视的调度策略,通过减少时间维数来减少计算量,并且不依赖于预测。然而,由于电动汽车的优化范围局限于当前时段,缺乏基于预测的长期规划,使得电动汽车的调度灵活性会随着调度过程的进行而降低,因此,在短视控制下难以获得全局最优解。
随着近年来计算机算力的进步,结合大数据技术,应用机器学习等数据驱动模型,以人工神经网络、递归神经网络与支持向量机为代表的智能运算技术已大规模的应用在各类电力系统的优化和计算问题中。通过对海量数据间信息的挖掘,应用机器学习技术能够实现具有快速性与一定准确度的问题求解。但现有的机器学习应用多集中于负荷预测、分类等,在功率优化管理上的研究很少,现有的研究只涵盖了对家用电器、储能或是单辆电动汽车功率的控制。
事实上,集群电动汽车功率优化管理对机器学习方法的应用有着更为迫切的需求。主要原因有两个方面。一方面,集群电动汽车功率优化管理系统需要协调调度多辆电动汽车的充放电功率。因此,集群电动汽车功率优化问题的维数比储能功率优化管理的问题维数大,对计算机的计算能力要求也更高。另一方面,集群电动汽车功率优化管理系统的日常运行依赖于许多智能电表和计算设备(如安装在每个充电桩中的设备),因此由于总投资成本的经济性,每个设备的计算能力有限。
然而,将现有的机器学习方法应用到集群电动汽车的协调调度是有挑战性的:电动汽车接入电网的时间有限,不能像储能、家用电器一样具备长时间提供调度功率的能力,且单辆电动汽车的充放电功率大小有限,通常需要以电动汽车集群的形式参与优化管理。目前还未出现机器学习在集群电动汽车功率优化管理上的应用,因此,需要进一步探索基于机器学习的集群电动汽车功率优化管理方法。
发明目的
本发明的目的在于,基于机器学习这一技术,提供一种在充分考虑电动汽车特性的基础上,既能降低计算复杂度,又能保证调度优化性的集群电动汽车的功率优化管理方法。其中,必须满足的电动汽车特性包括充放电互斥性与电量状态的时间耦合性。降低计算复杂度包括降低模型求解复杂度与预测复杂度,主要通过避免矩阵求逆、迭代等模型求解过程提高模型求解速度,并摆脱模型对预测的依赖性。保证调度的优化性体现为电能优化管理的结果具有近似最优性。
发明内容
本发明提供了一种基于机器学习的集群电动汽车功率优化管理方法,包含如下步骤:
步骤A.建立基于机器学习的集群电动汽车功率管理模型;
步骤B.采集并处理历史数据,代入长短期记忆神经网络LSTM进行离线训练;
步骤C.比较步骤B中所进行的离线训练的结果,在集群电动汽车管理系统中安装具有最佳训练效果的LSTM;
步骤D.在线采集数据输入LSTM,在线生成调度结果,下达调度指令。
优选地,在步骤A所述的基于机器学习的集群电动汽车功率管理模型中,集群电动汽车中每一个电动汽车充电桩对应一个长短期记忆神经网络LSTM,应用具有记忆性的LSTM对每一辆电动汽车在下一时段的荷电状态SOC进行预测,如式(1)所示:
其中,si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出;n代表预测的时间依赖性,即考虑多少个先前状态;u表示预测SOC需要考虑的优化系统状态量,即LSTM网络的输入;f表示由LSTM网络得到的输入与输出间的映射关系;符号^用于表示预测值,即由LSTM预测出的SOC决策结果;表示第i辆电动汽车在第t+1时段的预测SOC;
对于集群电动汽车的SOC决策,如式(2)所示:
其中,n表示集群电动汽车中所包括的电动汽车充电桩的个数;
得到每辆电动汽车的SOC后,每辆电动汽车的充放电功率由式(3)进行计算:
其中,PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率,其取值大于0表示充电功率,小于0表示放电功率;Cb表示电动汽车的电池容量,单位为kWh;τ表示规定的每一时段的时长,将调度总时间区间划分为T个长度为τ的时段,对每一时段执行一次功率调度;ηc与ηd分别表示充电效率与放电效率。
更优选地,在步骤B中,所述历史数据为步骤A所建集群电动汽车功率管理模型中预测SOC需要考虑的优化系统状态量的历史值,至少应包括过去一年以上的该区域的电动汽车接入参数、负荷大小、电价;采集好数据后,应用混合整数线性规划算法建立优化模型,求解出各组历史数据所对应的各辆电动汽车最优充放电功率配置;历史数据与各组历史数据所对应的充放电配置最优解构成了LSTM网络的训练数据集;训练数据集中数据的数量级是不同的,且LSTM对数据数量级敏感,将这些数据通过最小-最大标准化缩放到[0-1]范围内;根据每辆电动汽车的接入、离开充电桩的时间对训练数据集进行修剪,只保留电动汽车接入充电桩时段范围内的训练数据集;修剪好数据集后,代入LSTM网络进行离线训练。
再进一步优选地,在步骤C中,所述比较步骤B中所进行的离线训练的结果是:以步骤B中混合整数线性规划模型的目标函数为比较指标,依次用第i个已配置好的LSTM网络生成第k组充电桩历史数据的比较指标值(i=1,...,N,k=1,...,N),通过比较,筛选出其中表现最佳的LSTM网络,并在在集群电动汽车管理系统中安装N个具有最佳训练效果的LSTM网络,为接入每个充电桩的电动汽车的调度生成SOC。
最优选地,在步骤D中,基于步骤C中已安装了N个具有最佳训练效果LSTM网络的集群电动汽车管理系统,在在线运行阶段,当有电动汽车连接到充电桩并开始充电时,充电桩将检测该电动汽车的实际SOC,并在输入向量u中对其进行更新;然后,系统采集当前时段t的其它必要输入数据,并写入输入向量u;然后,所有的输入都被更新;通过LSTM网络,预测下一个时段t+1该辆电动汽车的SOC,并根据步骤A所述的式(1)-(3),生成功率控制信号;在电动汽车接入一个充电桩后,该充电桩所对应的LSTM网络将不断重复在线数据采集-SOC预测-功率控制信号生成这一过程,直到该辆电动汽车离开充电桩。
附图说明
图1是本发明基于机器学习的集群电动汽车功率优化管理方法流程图;
图2是本发明电动汽车管理系统的控制框架图
图3是随机抽取4个充电桩的电动汽车SOC的优化控制效果对比曲线
具体实施方式
下面结合附图详细描述本发明。图1是本发明基于机器学习的集群电动汽车功率优化管理方法流程图,本发明电动汽车管理系统的控制框架图如图2所示,本发明由一个集群电动汽车管理系统集中式管理与N个电动汽车充电桩相连的电动汽车,通过各电动汽车所接入的充电桩对电动汽车的充放电功率进行控制。在在线运行时,集群电动汽车管理系统通过充电桩并行地对电动汽车下达充放电功率指令。
步骤A:建立基于机器学习技术的集群电动汽车功率管理模型。
步骤A1:为系统配置LSTM神经网络。基于系统控制框架,令系统中每一个电动汽车充电桩对应一个长短期记忆(Long Short-Term Memory,LSTM)神经网络,以实现对集群电动汽车的功率协同调度。之所以应用LSTM神经网络是因为集群电动汽车的功率优化管理是一个时间顺序的决策过程,LSTM作为一种递归神经网络,能够发现时间顺序间的相关性,所以它在时间顺序问题上的性能确实优于标准的前馈神经网络。此外,由于具有长短期存储器与遗忘门结构,LSTM相比于普通的递归神经网络具有更强的记忆能力,在许多任务中表现出良好的性能。
步骤A2:设置每个LSTM网络的输入与输出。为了便于管理,我们将调度总时间区间划分为T个长度为τ的时段,对每一时段执行一次功率调度。由于电动汽车的荷电状态(state of charge,SOC)能够反应调度功率大小,并且其值在时间上具有很强的连续性,故设置每个LSTM网络在当前时段的输出为下一时间段的SOC值。输入量为预测SOC需要考虑的优化系统状态量,通常在集群电动汽车功率优化管理中,它可以包含电价、负荷、当前状态的电动汽车参数等。
步骤A3:建立LSTM网络的下一时段SOC预测模型。基于步骤A1与A2,对单个LSTM网络,其数学模型如式(1)所示。
其中,si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出。n代表预测的时间依赖性,即考虑多少个先前状态。u表示预测SOC需要考虑的优化系统状态量,即LSTM网络的输入。f表示由LSTM网络得到的输入与输出间的映射关系。符号(^)用于表示预测值,即由LSTM预测出的SOC决策结果。这样,我们就可以得到第i辆电动汽车在第t+1时段的预测对于集群电动汽车的SOC决策问题,可以整理如式(2)所示。
其中,N表示所研究集群电动汽车中所含电动汽车充电桩的个数。
步骤A4:基于LSTM网络建立当前时段调度功率模型。基于步骤A3所建立的LSTM网络下一时段SOC预测模型,在得到每辆电动汽车的SOC后,每辆电动汽车的充放电功率可由式(3)进行计算。
其中,PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率,其取值大于0表示充电功率,小于0表示放电功率。Cb表示电动汽车的电池容量,单位为kWh。τ表示规定的每一时段的时长。ηc与ηd分别表示充电效率与放电效率。
由式(1)-(3)可以看出,通过建立SOC的预测模型,能够满足每一辆电动汽车的充放电互斥性与SOC的时耦性。
步骤B:采集并处理历史数据,代入LSTM网络进行离线训练。
步骤B1:采集海量历史数据。需要采集的历史数据为步骤A所建模型中预测SOC需要考虑的优化系统状态量u的历史值,一般在集群电动汽车功率优化管理中,需要考虑的状态量为该区域的电动汽车接入参数、负荷大小、电价等。由于机器学习技术是一种数据驱动的技术,为了保证LSTM网络的应用效果,尽量多的考虑到系统可能出现的情况,避免偶然性,需要一个具有海量数据的历史数据样本,才能在面对不同实际情况时具有好的泛化能力。如果数据集过小,则LSTM网络所学到的内容可能不足以处理各种实际情况,同时也可能出现过拟合问题。因此,我们规定所用样本数据至少应为过去一年以上。
步骤B2:利用传统的线性规划优化算法对历史数据求取电动汽车最优充放电功率。采集好数据后,应用传统的线性规划算法建立优化模型,求解出各组历史数据所对应的各辆电动汽车最优充放电功率安排。所述线性规划优化算法模型如(4)-(18)所示:
除一些变量已在公式(1)-(3)中做过解释外,其余变量的解释如下:式(4)为集群电动汽车功率优化管理的调度目标,即经济性最优。cTOU与cF分别为分时电价与上网电价。Pg为电动汽车集群与电网之间的功率交换。分别表示从电网流向电动汽车集群的功率大小与电动汽车集群注入电网的功率。式(6)-(9)是为了保证与在同一时间段内至少有一个取值为0,即Pg在一个时段内只能有一种状态。与为0-1整数变量。与b分别为集群电动汽车与电网间功率流动的上下限值。与分别表示第i辆电动汽车充电和向电网放电的功率,与分别构成其充放电上下限。与也为无量纲的0-1变量,作用为保证一辆电动汽车在一个时间段内只有充电或放电一种状态。与分别表示第i辆电动汽车到达(接入)和离开(断开)充电桩的时间编号。与分别表示电动汽车SOC的上下限。表示电动汽车的充电需求,即在电动汽车离开时需要达到的电池电量状态。
步骤B3:训练数据集整合。以历史数据与各组历史数据所对应的充放电安排最优解构成LSTM网络的训练数据集。考虑到训练数据集中数据的数量级是不同的,且LSTM对数据数量级敏感,需要将这些数据通过最小-最大标准化缩放到[0-1]范围内。
步骤B4:训练数据集修剪。根据每辆电动汽车的接入、离开充电桩的时间对训练数据集进行修剪,只保留电动汽车接入充电桩时段范围内的训练数据集。修剪数据的原因为:电动汽车具有到达、离开时间,并不可能与某一充电桩保持持续不断的连接关系,这意味着该充电桩一天的SOC极大可能是时间离散的。因此,时间相关性只存在于一天中的一部分,即电动汽车接入的时间段内。如果不进行数据的裁剪,LSTM只会试图拟合历史数据,而不会学习做出可行的SOC预测,因为没有这种时间相关性。因此,对LSTM网络进行训练是很困难的,即使该网络达到了很好的训练目标,也只会导致过拟合问题,在实际应用时调度效果不佳。为了使得LSTM网络具有更好的性能,防止LSTM神经网络学习到一些无关时间的数据,我们切断电动汽车不在充电桩上的时间段,以适于LSTM网络的学习。
步骤B5:LSTM网络训练。修剪好数据集后,代入LSTM网络进行离线训练。为了训练LSTM网络,我们选择Adam作为该网络的优化器,因为它的计算效率和良好的性能。我们将Adam的学习率设置为0.01,其他参数设置为默认值。在比较了预测精度和网络复杂度的基础上,选择了具有2个LSTM层的LSTM网络结构。其中,每个LSTM层中含有20个节点。因此,训练好的LSTM网络包括1个输入层、2个LSTM层、1个全连接层、1个回归层,共5层结构。
步骤C:比较离线训练结果,在集群电动汽车管理系统中安装具有最佳训练效果的LSTM网络。
步骤C1:交叉比较N个LSTM的训练结果,筛选出具有最佳性能的一个LSTM网络。在训练完成后,我们得到了与N个充电桩所对应的N个训练好的LSTM神经网络,注意到,不同的电动汽车充电桩会有不同的历史数据,基于不同的电动汽车充电桩训练的LSTM即使网络结构相同,其网络参数也可能会有所不同。因此,为了达到最佳的性能,我们需要通过比较训练结果以获得性能最佳的LSTM网络。具体的比较方法为:以步骤B中线性规划模型的目标函数为比较指标,依次用第i个已配置好的LSTM网络生成第k组充电桩历史数据的比较指标值(i=1,...,N,k=1,...,N),通过比较,筛选出其中表现最佳的LSTM网络。
步骤C2:在集群电动汽车管理系统中安装LSTM神经网络。由于已经选取出了对N个充电桩内的历史数据具有最佳拟合效果的LSTM网络,即具有最佳训练效果的LSTM网络,我们认为在实际应用时面对在线数据,这一LSTM网络也具有良好的SOC预测效果。因此我们将N个最佳训练效果的LSTM网络嵌入到集群电动汽车管理系统的CPU中,为接入每个充电桩的电动汽车的调度生成SOC。
步骤D.在线采集数据输入LSTM,在线生成调度结果,下达调度指令。
步骤D1:在线采集输入数据。在在线运行阶段,当有电动汽车连接到充电桩并开始充电时,充电桩将检测该电动汽车的实际SOC并在输入向量u中对其进行更新。然后,系统采集当前时间步t的其它必要输入数据,如负荷、电价数据,并写入输入向量u。然后,所有的输入都被成功地更新。
步骤D2:利用LSTM网络在线生成调度结果。当所有数据都被更新后,集群电动汽车管理系统运行LSTM网络,预测各辆接入的电动汽车在下一个时间步的SOC,再如步骤A4所述,计算每辆电动汽车的充放电功率,生成功率控制信号并下达。在电动汽车接入一个充电桩后,该充电桩所对应的LSTM网络将不断重复这个在线数据采集-SOC预测-功率控制信号生成过程,直到该辆电动汽车离开充电桩,即完成了电动汽车接入期间连续的功率优化管理。
表1对比了一个含有100个电动汽车充电桩的集群电动汽车系统采用传统的混合整数线性规划模型(mixed integer programming,MIP,MILP)与本方法(LSTM)的计算时间。对比表格数据可以看出,无论从单个计算点的计算时间来看,还是全天的计算时间,LSTM的计算时间较MILP缩短效果显著。
表1 LSTM与MILP方法的求解时间比较
MILP | LSTM | |
单个计算点求解时间 | 1.81s | 0.02s |
全天求解时间 | 188.73s | 15.20s |
从具有100个充电桩的集群电动汽车系统中随机抽取了4辆电动汽车的SOC曲线,如图3所示,从图中可以看出,传统的MILP方法与LSTM方法在求解SOC的结果基本重合,通过对比可以看出LSTM的求解结果具有近似最优性。
发明效果
相较于现有技术,本发明具有如下优点:
1、不同于以往的考虑V2G的集群电动汽车功率优化管理方法,本方法将问题的计算量放在了离线阶段,在在线运行时不需要计算底层的数学问题,只需要通过训练好的LSTM网络匹配输入和输出的关系,快速得到近似最优的调度信号,具有很高的计算效率,降低了对在线运行时CPU的要求,适合于大规电动汽车的在线调度计算。
2、虽然本方法在求解时不需要任何对系统未来状态量的预测,但本方法仍然可以取得近似最优解。这是由于LSTM网络的训练过程中,学习了海量的历史数据与其对应的最优解之间的映射关系,加之LSTM网络的记忆性,能够保证利用LSTM网络对集群电动汽车的优化调度是基于一个较长的时间尺度,因此它可以在不依赖预测的情况下具有近似最优性。
3、由于本方法在LSTM训练数据集的生成时,具有一个数据修剪过程,即只保留了有电动汽车接入段时的数据集,使得LSTM网络对历史最优决策的学习更加明确,避免了冗余信息对LSTM网络学习效果的影响,使LSTM的决策能够达到更加理想的调度效果。图3也展示了本方法(完整LSTM)与未修剪数据的LSTM在SOC预测上的对比,以传统的MILP精确的求解结果作为参照,可以看出,未修剪数据的LSTM在SOC预测上对MILP求解结果的拟合度更差,而完整的LSTM的拟合程度较高,说明修剪数据的过程的确能够对LSTM的决策性能带来提高。
4、本方法在建模方式上具有一般性,不具有任何特殊的应用条件,适用范围广泛,易推广至各种集群电动汽车功率优化调度过程中应用。
Claims (4)
1.一种基于机器学习的集群电动汽车功率优化管理方法,包含如下步骤:
步骤A.建立基于机器学习的集群电动汽车功率管理模型;其中,所述基于机器学习的集群电动汽车功率管理模型中,集群电动汽车中每一个电动汽车充电桩对应一个长短期记忆神经网络LSTM,应用具有记忆性的LSTM对每一辆电动汽车在下一时段的荷电状态SOC进行预测,如式(1)所示:
其中,si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出;n代表预测的时间依赖性,即考虑多少个先前状态;ui(t)表示预测第i辆电动汽车在第t个时段的SOC需要考虑的优化系统状态量,即LSTM网络的输入;f表示由LSTM网络得到的输入与输出间的映射关系;符号^用于表示预测值,即由LSTM预测出的SOC决策结果;表示第i辆电动汽车在第t+1时段的预测SOC;
对于集群电动汽车的SOC决策,如式(2)所示:
其中,N表示集群电动汽车中所包括的电动汽车充电桩的个数;
得到每辆电动汽车的SOC后,每辆电动汽车的充放电功率由式(3)进行计算:
其中,PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率,其取值大于0表示充电功率,小于0表示放电功率;Cb表示电动汽车的电池容量,单位为kWh;τ表示规定的每一时段的时长,将调度总时间区间划分为T个长度为τ的时段,对每一时段执行一次功率调度;ηc与ηd分别表示充电效率与放电效率;
步骤B.采集并处理历史数据,代入长短期记忆神经网络LSTM进行离线训练;
步骤C.比较步骤B中所进行的离线训练的结果,在集群电动汽车管理系统中安装具有最佳训练效果的LSTM;
步骤D.在线采集数据输入LSTM,在线生成调度结果,下达调度指令。
2.根据权利要求1所述的一种基于机器学习的集群电动汽车功率优化管理方法,在步骤B中,所述历史数据为步骤A所建集群电动汽车功率管理模型中预测SOC需要考虑的优化系统状态量的历史值,至少应包括过去一年以上的区域内的电动汽车接入参数、负荷大小、电价;采集好数据后,应用混合整数线性规划算法建立优化模型,求解出各组历史数据所对应的各辆电动汽车最优充放电功率配置;历史数据与各组历史数据所对应的充放电配置最优解构成了LSTM网络的训练数据集;训练数据集中数据的数量级是不同的,且LSTM对数据数量级敏感,将这些数据通过最小-最大标准化缩放到[0-1]范围内;根据每辆电动汽车的接入、离开充电桩的时间对训练数据集进行修剪,只保留电动汽车接入充电桩时段范围内的训练数据集;修剪好数据集后,代入LSTM网络进行离线训练。
3.根据权利要求2所述的一种基于机器学习的集群电动汽车功率优化管理方法,在步骤C中,所述比较步骤B中所进行的离线训练的结果是:以步骤B中混合整数线性规划模型的目标函数为比较指标,依次用第i个已配置好的LSTM网络生成第k组充电桩历史数据的比较指标值(i=1,...,N,k=1,...,N),通过比较,筛选出其中表现最佳的LSTM网络,并在集群电动汽车管理系统中安装N个具有最佳训练效果的LSTM网络,为接入每个充电桩的电动汽车的调度生成SOC。
4.根据权利要求3所述的一种基于机器学习的集群电动汽车功率优化管理方法,其中,在步骤D中,基于步骤C中已安装了N个具有最佳训练效果LSTM网络的集群电动汽车管理系统,在在线运行阶段,当有电动汽车连接到充电桩并开始充电时,充电桩将检测该电动汽车的实际SOC,并在输入向量ui(t)中对其进行更新;然后,系统采集当前时段t的其它必要输入数据,并写入输入向量ui(t);然后,所有的输入都被更新;通过LSTM网络,预测下一个时段t+1该辆电动汽车的SOC,并根据步骤A所述的式(1)-(3),生成功率控制信号;在电动汽车接入一个充电桩后,该充电桩所对应的LSTM网络将不断重复在线数据采集-SOC预测-功率控制信号生成这一过程,直到该辆电动汽车离开充电桩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135383.9A CN111313449B (zh) | 2020-03-02 | 2020-03-02 | 一种基于机器学习的集群电动汽车功率优化管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135383.9A CN111313449B (zh) | 2020-03-02 | 2020-03-02 | 一种基于机器学习的集群电动汽车功率优化管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111313449A CN111313449A (zh) | 2020-06-19 |
CN111313449B true CN111313449B (zh) | 2022-11-29 |
Family
ID=71147916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135383.9A Active CN111313449B (zh) | 2020-03-02 | 2020-03-02 | 一种基于机器学习的集群电动汽车功率优化管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111313449B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836287B (zh) * | 2020-11-10 | 2023-06-27 | 华北电力大学 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
CN113103905B (zh) * | 2021-04-02 | 2022-07-15 | 山东大卫国际建筑设计有限公司 | 一种电动汽车智能充电分配调节方法、装置、设备及介质 |
CN114692965A (zh) * | 2022-03-25 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 基于数模混合驱动的电动汽车集群可调度潜力预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
WO2019117957A1 (en) * | 2017-12-15 | 2019-06-20 | Total Solar International | System device, and method for mode-based energy storage management using machine learning |
CN110011342A (zh) * | 2019-04-04 | 2019-07-12 | 华北电力大学 | 一种集群电动汽车充放电功率优化管理方法 |
CN110489671A (zh) * | 2019-08-20 | 2019-11-22 | 南京邮电大学 | 一种基于encoder-decoder模型的道路充电桩推荐方法 |
-
2020
- 2020-03-02 CN CN202010135383.9A patent/CN111313449B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019117957A1 (en) * | 2017-12-15 | 2019-06-20 | Total Solar International | System device, and method for mode-based energy storage management using machine learning |
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
CN110011342A (zh) * | 2019-04-04 | 2019-07-12 | 华北电力大学 | 一种集群电动汽车充放电功率优化管理方法 |
CN110489671A (zh) * | 2019-08-20 | 2019-11-22 | 南京邮电大学 | 一种基于encoder-decoder模型的道路充电桩推荐方法 |
Non-Patent Citations (1)
Title |
---|
长时间尺度下的电动汽车有序充放电调度;段小宇等;《电网技术》;20180725;第42卷(第12期);第4037-4044页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111313449A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | Model-free real-time EV charging scheduling based on deep reinforcement learning | |
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
Al-Ogaili et al. | Review on scheduling, clustering, and forecasting strategies for controlling electric vehicle charging: Challenges and recommendations | |
CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
CN114091879A (zh) | 基于深度强化学习的多园区能源调度方法和系统 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和系统 | |
CN114676941B (zh) | 园区综合能源系统电-热负荷联合自适应预测方法及装置 | |
Abedi et al. | Rolling-horizon optimization integrated with recurrent neural network-driven forecasting for residential battery energy storage operations | |
CN109687447A (zh) | 一种电力能耗预测方法及装置 | |
Zhao et al. | A fast and optimal smart home energy management system: State-space approximate dynamic programming | |
Erick et al. | Energy trading in grid-connected PV-battery electric vehicle charging station | |
CN111342471B (zh) | 一种基于机器学习的家庭产消者功率优化管理方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
Khan et al. | Comparison of electric vehicle load forecasting across different spatial levels with incorporated uncertainty estimation | |
Yang et al. | Adaptive data decomposition based quantile-long-short-term memory probabilistic forecasting framework for power demand side management of energy system | |
El-Azab et al. | Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques | |
CN115115145A (zh) | 分布式光伏智能住宅的需求响应调度方法及系统 | |
Li et al. | Multi-objective bi-directional V2G behavior optimization and strategy deployment | |
Guiducci et al. | A Reinforcement Learning approach to the management of Renewable Energy Communities | |
Gokhale et al. | Reinforcement Learning for Electric Vehicle Charging using Dueling Neural Networks | |
Mohammadi et al. | Ai-based optimal scheduling of renewable ac microgrids with bidirectional lstm-based wind power forecasting | |
Juárez et al. | Optimal real-time scheduling of battery operation using reinforcement learning | |
Sun et al. | Imitation learning‐based online optimal scheduling for microgrids: An approach integrating input clustering and output classification | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption |
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 |