CN112101624A - 一种基于arima的电动汽车随机充电需求预测及调度方法 - Google Patents
一种基于arima的电动汽车随机充电需求预测及调度方法 Download PDFInfo
- Publication number
- CN112101624A CN112101624A CN202010812763.1A CN202010812763A CN112101624A CN 112101624 A CN112101624 A CN 112101624A CN 202010812763 A CN202010812763 A CN 202010812763A CN 112101624 A CN112101624 A CN 112101624A
- Authority
- CN
- China
- Prior art keywords
- arima
- charging
- power
- electric vehicle
- demand
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000001932 seasonal effect Effects 0.000 claims abstract description 6
- 238000005315 distribution function Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000003556 assay Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000002620 method output Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001050985 Disco Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明属于电力需求中的信息技术领域,涉及一种基于ARIMA的电动汽车随机充电需求预测及调度方法,用于同时预测CEL和CDE的充电需求。具体步骤是:电动汽车充电需求预测模型以每日驾驶模式和距离为输入,确定预期的充电负荷分布;通过调整ARIMA模型的参数,使预测器的MSE最小;通过优化自回归阶数参数来提高ARIMA预测器的准确性;由于CEL和CDE的季节性和每日驾驶模式不同,提出时间解耦的需求预测方法,在减少错误方面提供了显着的优化。本方法研究了电动汽车充电需求在两种工况下对负荷预测器准确性的影响:(1)针对CEL+CDE的集成预测器;(2)针对CEL+CDE的解耦预测器。最后,预测模型输出用于制定一个有约束条件的日前调度问题,以减小其随机性对电力系统运行的影响。
Description
技术领域
本发明属于电力需求中的信息技术领域,具体涉及基于自动回归综合移动平均(autoregressive integrated moving average,ARIMA)算法的电动汽车随机充电需求预测及调度方法。
背景技术
电动汽车(electric vehicles,EV)的大规模使用极大地影响了未来电力系统中的总体负载状况。电动汽车正逐渐取代基于化石燃料的传统汽车,成为经济、环保的替代产品。根据白宫和美国能源部的公告,降低电池技术成本将加速电动汽车销量的增长趋势。可再生能源资源、需求响应负荷和分布式发电单元(如电动汽车)为未来电力系统改善资源利用和保持可接受的可靠性水平铺平了道路。作者把电动汽车视为改善电力系统运行的有利资源。电动汽车可以充当灵活的储能资源,并参与辅助服务采购。因此,插电式电动汽车可以为智能电网提供分布式可调度的能量存储。在这种情况下,分析了智能电网分布式储能系统的最优控制及其对电力需求的影响。随着城市中电动汽车(EV)数量的增加,电动汽车充电的电力需求激增,配电网将承受更大的压力。
使用电动汽车有许多优点,但也存在一些问题。相关文献研究了电动汽车在电力系统中的高普及率带来的利弊,建立了配电网中电动汽车充电站分配的多目标优化模型,提出了一个两阶段模型来分配电动汽车停车场。配电系统要考虑功率损耗,网络可靠性和电压偏差。该方法对配电网的可靠性指标改进、损耗降低和成本优化进行了研究。但在优化模型和潮流求解中均未考虑负荷预测误差。在插电式电动汽车(plug-in electricvehicle,PEV)集成商与DISCO合作方面,相关文献提高了系统的可靠性并参与了能源市场交易,同时考虑了相对于PEV引入激励的行为,并提供了与电动汽车大规模集成相关的问题的全面综述。该方法利用电动汽车是可延期分配的负荷,减少风力发电的波动性。然而,电动汽车的出发和到达时间是以确定性的方式建模的。值得注意的是,电动汽车充电需求的概率模型和需求预测的不确定性不仅会影响电力系统运行的决策程序,还会影响电力系统规划问题。
目前相关电动汽车综合预测模型研究仅集中于电动汽车的充电需求,但是没有考虑需求预测的不确定性,即假设需求和充电开始时间是确定的。电动汽车的充电需求对系统调度和电力市场有相当大的影响。系统运营商应考虑电动汽车的充电需求及其不确定性,以便为系统提供最佳的能量和储备。通过减少提前调度与实时操作之间的不匹配,更准确的电动汽车模型和需求预测可以潜在地受益于市场并降低成本。电动汽车的使用会增加电力需求的不确定性,因此,需要更准确的预测方法来改善系统的运行和性能。
发明内容
发明目的:
针对目前电动汽车用电量大,需求的预测不确定性,使配电网承受更大压力的问题,本方法提出了一种基于ARIMA的需求预测器,能够实现高精度的需求预测及调度的方法。
技术方案:
一种基于ARIMA的电动汽车随机充电需求预测及调度方法,其特征在于:针对于常规充电负载和电动汽车停车场的充电需求,本方法包括需求预测部份和调度方法部分;基于自回归综合移动平均模型预测电力消耗,并给出基于发电成本和发电机组的启动/关闭成本最小的随机优化模型;
a、电动汽车不确定性表征方面:通过分布函数建模来表征电动汽车充电不确定性,实现随机电力系统调度;
b、充电需求预测模型方面:提出了一种自回归综合移动平均模型来预测电力消耗,包括传统的用电负载和电动汽车的充电需求;在提出的电动汽车停车场模型中,根据历史数据利用了到达和离开时间的概率密度函数;根据驾驶员的驾驶模式,利用每日驾驶距离数据的概率密度函数计算期望的驾驶距离值;根据负载点历史数据调整ARIMA模型的参数,以保持最佳均方根误差;对于自回归模型,最佳均方根误差保持恒定;
c、电动汽车负荷季节性和每日驾驶模式解耦方面:预测模型输出代表预测需求的概率密度函数,用于针对与常规充电负载和电动汽车停车场相关的不确定性制定基于条件约束的日前调度问题。
在步骤b中,提出了基于历史数据的电力需求预测模型,给出了基于ARIMA的需求预测三步框架;对于高阶自回归阶次,均方根误差保持恒定,因此对于传统x2检验,不同天的误差值不相关,且该误差是白噪声;如果将ARIMA(N,d,0)用于预测目的,则预测误差为高斯白噪声;随机过程ft是x2检验的GWN,即,等效地,每t可以说此时获得的最小均方根误差是标准偏差;
基于历史数据使用以下三个步骤调整ARIMA模型参数:
步骤一:在三个值1、2、3中找到最佳积分顺序,在大多数情况下的负荷预测中,d=1是最佳整合顺序;
步骤二:根据历史数据中可用的天数确定适当的自回归阶数;
步骤三:计算均方误差以获得白高斯噪音的标准偏差。
在步骤a和b中,提出了电动汽车充电和停车场需求概率建模方法,使用以下两种概率方法得到电动汽车的充电需求参数:
(1)期望行驶距离;
(2)期望充电时间;
具体分析如下:
1)预期行驶距离:考虑电动汽车的大规模集成的同时估算日间用电负荷;为了估算电动汽车的能源消耗,使用出厂报告的燃油经济性值和历史每日行驶距离;对数正态分布函数用于生成概率每日驱动距离,表示为MD;
其中RVr是标准正态值,均值为零且方差为1的正态分布,μm和σm是对数正态分布参数,根据Md的历史数据均值和标准差获得,分别表示为μmd和σmd;
其中,Em是行驶每英里的能耗,Cb表示最大电池容量;电动汽车的预期能量需求如(4)所示;
2)将预期的充电持续时间视为有效参数,它取决于充电速率chr,电池容量Cb以及到达时间概率τar和离开时间概率τd;为了获得到达时间和离开时间,高斯分布被用作随机居民消费行为的最佳估计;概率到达和离开时间确定为:
其中,RV1和RV2代表两个正态分布的随机变量,μar和σar根据历史数据显示τar的均值和标准差,μd和σd分别是出发时间的均值和标准差;到达和离开时间需要满足以下不等式:τd>τar;如果不满足此约束条件,则应生成另一组出发和到达时间;生成可行的概率到达和离开时间后,每个EV的概率充电持续时间可以计算为:
τdur=τd-τar (6)
最终,可以使用(7)根据期望的充电状态计算每个EV的充电需求。
在步骤a、b、c中,针对电动汽车在电网的随机充电调度方法,要考虑如下方面:ARIMA预测模型提供的概率分布函数用于日程安排问题,且提出的预测输出方法也用于许多电力系统的运行/计划问题;本方法使用随机安全约束机组协议SCUC公式说明如何使用提出的预测模型输出,同时所提的预测方法输出用于其他运营/计划目的;本方法使用ARIMA预测器输出来公式化随机SCUC问题;目标函数是最大程度地降低发电成本和发电机组的启动/关闭成本,如下所示:
目标函数的第一项是发电机组的发电成本,第二项是在调度范围内该组启动/关闭成本;
除了考虑的常规负载的不确定性之外,还考虑了电动汽车的随机行为,考虑了以下参数:(1)基于历史数据的预期每日行驶距离;(2)概率到达/离开时间;使用蒙特卡洛模拟对场景进行建模,利用条件约束优化来解决SCUC问题;使用ARIMA预测器确定用电需求和电动汽车功耗的概率分布函数,可将优化约束公式转化为(9)-(17);约束(9)-(15)是确定性的,(16)和(17)是随机约束,建模为条件约束:
其中(9)表示发电机组功率输出的上限和下限;等式约束(10)是通过发电机组提供的备用;通过(11)和(12)为机组爬坡增加和减少时间;最小上/下时间限制由(13)和(14)表示;等价约束(15)是加权平衡约束;随机变量的期望值由该提议的基于ARIMA负荷预测器确定,在此约束中使用了电力充电站需求和电动汽车的功耗;由于在实时系统操作中可能与预期值存在偏差,因此将条件约束(16)公式化为确保在过程中有足够的电量储备实时调度,该条件约束在时间t的置信度用表示;网络安全考虑条件约束(17),此约束确保线路l在时间t处的功率流在其限制内,且具有预定的置信度βt;应该注意的是需要由运营商进行适当设置以权衡经济性和系统运行可靠性之间的关系;
为了解决上述日前调度问题,条件约束需要用其等效的确定性模型代替;系统操作员需要了解随机参数/变量的概率密度函数s,以制定条件约束的确定性等效模型;ARIMA预测模型提供电动汽车充电需求和电力需求如下:
概率分布函数的标准偏差直接影响日前最优调度;更大的标准偏差会导致更严格的约束(19)和(20),会增加总运营成本;标准偏差越小,可以实现越小的运营成本;此外,更准确的预测可有效降低重新调度成本,这是在日前市场和实时运营中弥补发电机组产生的功率的预定值之间偏差,需要执行的操作;因此,ARIMA预测模型的定义平均值和标准偏差在日程安排问题,ARIMA模型提供的期望值用于功率平衡约束(15)。
本方法的创新之处主要体现在以下三个方面:
1、电动汽车不确定性表征方面:本方法中通过分布函数建模表征电动汽车充电不确定性,以便为系统提供最佳的能量和储备。通过减少提前调度与实时操作之间的不匹配,更准确的电动汽车模型和需求预测可以潜在地受益于市场并降低成本,实现随机电力系统调度。
2、充电需求预测模型方面:本方法提出了一种自回归综合移动平均模型来预测电力消耗,包括传统的用电负载和电动汽车的充电需求。
3、电动汽车负荷季节性和每日驾驶模式解耦方面:由于CEL和CDE可能具有不同的季节性模式,因此需考虑两种策略来研究电动汽车的充电需求对建议的负荷预测器准确性的影响:聚合CEL+CDE预测模型和解耦的CEL/CDE预测模型。本方法提出的预测模型输出代表预测需求的PDF,用于针对与CEL和CDE相关的不确定性制定基于条件约束的日前调度问题。
附图说明
图1基于ARIMA的电动汽车充放电时间序列预测的流程图;
图2基于ARIMA的需求预测三步流程图。
具体实施方式:
本方法根据历史数据的时间分辨率来制定时间序列。根据历史数据的可用性,本方法可以针对各个时间步长制定ARIMA预测器。假设第k天公交车在第k天的需求平均值用D表示。使用ARIMA(N,d,0)构造第k天的时间序列,如(1)所示。
其中N和d分别是ARIMA模型的自回归阶和积分阶。aq表示模型的自回归部分的参数。L是任意时间序列ft上的滞后算子,使得Lrft=ft-r。基于(1),本方法可以将第t个时间段的预测需求表示为其中t是第k天第t小时的公交车b的预期需求,代表相应的预测误差。作为基于ARIMA的预测器,本方法计划将预测的需求用于随机日程调度问题,因此在本方法中,时间范围和时间步长分别为1天和1小时。本方法提出的预报器不限于特定的时间步长。
本方法提出了基于历史数据的电力需求预测模型,给出了基于ARIMA的需求预测三步框架。对于高阶自回归阶次,均方根误差保持恒定,因此对于传统x2检验,不同天的误差值不相关,且该误差是白噪声。因此,如果将ARIMA(N,d,0)用于预测目的,则预测误差为高斯白噪声(gaussian white noise,GWN)。也就是,随机过程ft是x2检验的GWN,即,等效地,每t可以说此时获得的最小RMS误差是标准偏差。
本方法基于历史数据使用以下三个步骤调整ARIMA模型参数:
步骤一:在三个值1、2、3中找到最佳积分顺序,在大多数情况下的负荷预测中,d=1是最佳整合顺序。
步骤二:根据历史数据中可用的天数确定适当的自回归阶数。
步骤三:计算均方误差以获得白高斯噪音的标准偏差。
本方法提出了电动汽车(EV)充电和停车场需求概率建模方法,使用以下两种概率方法得到电动汽车的充电需求参数:
(1)期望行驶距离;
(2)期望充电时间。
具体分析如下:
1)预期行驶距离:本方法的目标是在考虑电动汽车的大规模集成的同时估算日间用电负荷。为了估算电动汽车的能源消耗,本方法使用出厂报告的燃油经济性值和历史每日行驶距离。对数正态分布函数用于生成概率每日驱动距离,表示为MD。
其中RVr是标准正态值(均值为零且方差为1的正态分布),μm和σm是对数正态分布参数,根据Md的历史数据均值和标准差获得,分别表示为μmd和σmd。根据行驶距离的历史数据,μmd和σmd分别被认为是40英里和20英里。在(3)中计算出充满电电池的最大行驶距离,用表示。
其中,Em是行驶每英里的能耗,Cb表示最大电池容量。电动汽车的预期能量需求如(4)所示。
2)本方法还将预期的充电持续时间视为有效参数,它取决于充电速率(chargingrate,chr),电池容量(battery capacity,Cb)以及到达时间概率(τar)和离开时间概率(τd)。为了获得到达时间和离开时间,高斯分布被用作随机居民消费行为的最佳估计。概率到达和离开时间确定为:
其中,RV1和RV2代表两个正态分布的随机变量,μar和σar根据历史数据显示τar的均值和标准差,μd和σd分别是出发时间的均值和标准差。到达和离开时间需要满足以下不等式:τd>τar。如果不满足此约束条件,则应生成另一组出发和到达时间。生成可行的概率到达和离开时间后,每个EV的概率充电持续时间可以计算为:
τdur=τd-τar (6)
最终,可以使用(7)根据期望的充电状态计算每个EV的充电需求。
本方法提出了一种在电动汽车在电网的随机充电调度方法。ARIMA预测模型提供的概率分布函数可用于日程安排问题,且提出的预测方法输出也可以用于许多电力系统的运行/计划问题。本方法使用随机安全约束机组协议SCUC公式说明如何使用提出的预测模型输出,同时所提的预测方法输出可用于用于其他运营/计划目的。安全约束机组协议(SCUC)是日前调度中最重要的决策过程之一。本方法使用ARIMA预测器输出来公式化随机SCUC问题。目标函数是最大程度地降低发电成本和发电机组的启动/关闭成本,如下所示:
目标函数的第一项是发电机组的发电成本,第二项是在调度范围内(例如24小时)该组启动/关闭成本。
除了考虑的常规负载的不确定性之外,本方法还考虑了电动汽车的随机行为,考虑了以下参数:(1)基于历史数据的预期每日行驶距离;(2)概率到达/离开时间。本方法使用蒙特卡洛模拟对场景进行建模,利用条件约束优化来解决SCUC问题。使用ARIMA预测器确定用电需求和电动汽车功耗的概率分布函数,可将优化约束公式转化为(9)-(17)。约束(9)-(15)是确定性的,(16)和(17)是随机约束,建模为条件约束。
其中(9)表示发电机组功率输出的上限和下限;等式约束(10)是通过发电机组提供的备用;通过(11)和(12)为机组爬坡增加和减少时间;最小上/下时间限制由(13)和(14)表示。等价约束(15)是加权平衡约束。随机变量的期望值由该提议的基于ARIMA负荷预测模型确定,在此约束中使用了电力充电站需求和电动汽车的功耗。由于在实时系统操作中可能与预期值存在偏差,因此将条件约束(16)公式化为确保在过程中有足够的电量储备实时调度。该条件约束在时间t的置信度用表示。网络安全考虑条件约束(17)。此约束确保线路l在时间t处的功率流在其限制内,且具有预定的置信度βt。应该注意的是需要由运营商进行适当设置以权衡经济性和系统运行可靠性之间的关系。
条件约束的确定性模型
为了解决上述日前调度问题,条件约束需要用其等效的确定性模型代替。系统操作员需要了解随机参数/变量的PDFs,以制定条件约束的确定性等效模型。ARIMA预测模型提供电动汽车充电需求和电力需求如下:
概率分布函数的标准偏差直接影响日前最优调度。更大的标准偏差会导致更严格的约束(19)和(20),因此,会增加总运营成本。标准偏差越小,可以实现越小的运营成本。此外,更准确的预测可有效降低重新调度成本,这是在日前市场和实时运营中弥补预定值之间偏差(发电机组产生的功率)需要执行的操作。因此,ARIMA预测模型(定义平均值和标准偏差)在日程安排问题,另外,ARIMA模型提供的期望值用于功率平衡约束(15)。
本方法涉及的英文缩写和公式参数具体含义如下:
实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在本计算机可读存储器中的指令产生包括指令装置的制造品,本指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好的理解本发明。
图1为基于ARIMA的电动汽车充放电时间序列预测的流程图。
电动汽车的充电需求对系统调度和电力市场有相当大的影响。系统运营商应考虑电动汽车的充电需求及其不确定性,以便为系统提供最佳的能量和储备。通过减少提前调度与实时操作之间的不匹配,更准确的电动汽车模型和需求预测可以潜在地受益于市场并降低成本。本方法中的电动汽车充电不确定性可以通过分布函数建模,实现随机电力系统调度。
本方法提出了一种自回归综合移动平均模型来预测电力消耗,包括传统的电负载和电动汽车的充电需求。在提出的电动汽车停车场模型中,本方法根据历史数据利用了到达和离开时间的概率密度函数(PDF)。为了考虑不同驾驶员的驾驶模式,利用每日驾驶距离数据的PDF计算期望的驾驶距离值。根据负载点历史数据调整ARIMA模型的参数,以保持最佳均方根(RMS)误差。对于自回归(AR)模型,RMS误差保持恒定。本方法设定不同日期的误差值是不相关的,并且该误差是白噪声。
由于CEL和CDE可能具有不同的季节性模式,因此要考虑两种策略来研究电动汽车的充电需求对建议的负荷预测器准确性的影响:聚合CEL+CDE预测器和解耦CEL/CDE预测器。提出的预测器的输出代表预测需求的PDF,用于针对与CEL和CDE相关的不确定性制定基于条件约束的日前调度问题。本方法的主要重点是传输系统调度的需求预测,而电动汽车则在配电系统中得到了大规模普及。
图2为基于ARIMA的需求预测三步流程图。
图2提出了基于历史数据的电力需求预测模型,给出了基于ARIMA的需求预测三步框架。对于高阶自回归阶次,均方根误差保持恒定,因此对于传统x2检验,不同天的误差值不相关,且该误差是白噪声。因此,如果将ARIMA(N,d,0)用于预测目的,则预测误差为高斯白噪声(GWN)。也就是,随机过程ft是x2检验的GWN,即,等效地,每t可以说此时获得的最小RMS误差是标准偏差。
本方法基于历史数据使用以下三个步骤调整ARIMA模型参数:
步骤一:在三个值1、2、3中找到最佳积分顺序,在大多数情况下的负荷预测中,d=1是最佳整合顺序。
步骤二:根据历史数据中可用的天数确定适当的自回归阶数。
步骤三:计算均方误差以获得白高斯噪音的标准偏差。
Claims (4)
1.一种基于ARIMA的电动汽车随机充电需求预测及调度方法,其特征在于:针对于常规充电负载和电动汽车停车场的充电需求,本方法包括需求预测部份和调度方法部分;基于自回归综合移动平均模型预测电力消耗,并给出基于发电成本和发电机组的启动/关闭成本最小的随机优化模型;
a、电动汽车不确定性表征方面:通过分布函数建模来表征电动汽车充电不确定性,实现随机电力系统调度;
b、充电需求预测模型方面:提出了一种自回归综合移动平均模型来预测电力消耗,包括传统的用电负载和电动汽车的充电需求;在提出的电动汽车停车场模型中,根据历史数据利用了到达和离开时间的概率密度函数;根据驾驶员的驾驶模式,利用每日驾驶距离数据的概率密度函数计算期望的驾驶距离值;根据负载点历史数据调整ARIMA模型的参数,以保持最佳均方根误差;对于自回归模型,最佳均方根误差保持恒定;
c、电动汽车负荷季节性和每日驾驶模式解耦方面:预测模型输出代表预测需求的概率密度函数,用于针对与常规充电负载和电动汽车停车场相关的不确定性制定基于条件约束的日前调度问题。
2.根据权利要求1所述的基于ARIMA的电动汽车随机充电需求预测及调度方法,其特征在于:
在步骤b中,提出了基于历史数据的电力需求预测模型,给出了基于ARIMA的需求预测三步框架;对于高阶自回归阶次,均方根误差保持恒定,因此对于传统x2检验,不同天的误差值不相关,且该误差是白噪声;如果将ARIMA(N,d,0)用于预测目的,则预测误差为高斯白噪声;随机过程ft是x2检验的GWN,即,等效地,每t可以说此时获得的最小均方根误差是标准偏差;
基于历史数据使用以下三个步骤调整ARIMA模型参数:
步骤一:在三个值1、2、3中找到最佳积分顺序,在大多数情况下的负荷预测中,d=1是最佳整合顺序;
步骤二:根据历史数据中可用的天数确定适当的自回归阶数;
步骤三:计算均方误差以获得白高斯噪音的标准偏差。
3.根据权利要求1所述的基于ARIMA的电动汽车随机充电需求预测及调度方法,其特征在于:
在步骤a和b中,提出了电动汽车充电和停车场需求概率建模方法,使用以下两种概率方法得到电动汽车的充电需求参数:
(1)期望行驶距离;
(2)期望充电时间;
具体分析如下:
1)预期行驶距离:考虑电动汽车的大规模集成的同时估算日间用电负荷;为了估算电动汽车的能源消耗,使用出厂报告的燃油经济性值和历史每日行驶距离;对数正态分布函数用于生成概率每日驱动距离,表示为MD;
其中RVr是标准正态值,均值为零且方差为1的正态分布,μm和σm是对数正态分布参数,根据Md的历史数据均值和标准差获得,分别表示为μmd和σmd;
其中,Em是行驶每英里的能耗,Cb表示最大电池容量;电动汽车的预期能量需求如(4)所示;
2)将预期的充电持续时间视为有效参数,它取决于充电速率chr,电池容量Cb以及到达时间概率τar和离开时间概率τd;为了获得到达时间和离开时间,高斯分布被用作随机居民消费行为的最佳估计;概率到达和离开时间确定为:
其中,RV1和RV2代表两个正态分布的随机变量,μar和σar根据历史数据显示τar的均值和标准差,μd和σd分别是出发时间的均值和标准差;到达和离开时间需要满足以下不等式:τd>τar;如果不满足此约束条件,则应生成另一组出发和到达时间;生成可行的概率到达和离开时间后,每个EV的概率充电持续时间可以计算为:
τdur=τd-τar (6)
最终,可以使用(7)根据期望的充电状态计算每个EV的充电需求。
4.根据权利要求1所述的基于ARIMA的电动汽车随机充电需求预测及调度方法,其特征在于:
在步骤a、b、c中,针对电动汽车在电网的随机充电调度方法,要考虑如下方面:ARIMA预测模型提供的概率分布函数用于日程安排问题,且提出的预测输出方法也用于许多电力系统的运行/计划问题;本方法使用随机安全约束机组协议SCUC公式说明如何使用提出的预测模型输出,同时所提的预测方法输出用于其他运营/计划目的;本方法使用ARIMA预测器输出来公式化随机SCUC问题;目标函数是最大程度地降低发电成本和发电机组的启动/关闭成本,如下所示:
目标函数的第一项是发电机组的发电成本,第二项是在调度范围内该组启动/关闭成本;
除了考虑的常规负载的不确定性之外,还考虑了电动汽车的随机行为,考虑了以下参数:(1)基于历史数据的预期每日行驶距离;(2)概率到达/离开时间;使用蒙特卡洛模拟对场景进行建模,利用条件约束优化来解决SCUC问题;使用ARIMA预测器确定用电需求和电动汽车功耗的概率分布函数,可将优化约束公式转化为(9)-(17);约束(9)-(15)是确定性的,(16)和(17)是随机约束,建模为条件约束:
其中(9)表示发电机组功率输出的上限和下限;等式约束(10)是通过发电机组提供的备用;通过(11)和(12)为机组爬坡增加和减少时间;最小上/下时间限制由(13)和(14)表示;等价约束(15)是加权平衡约束;随机变量的期望值由该提议的基于ARIMA负荷预测器确定,在此约束中使用了电力充电站需求和电动汽车的功耗;由于在实时系统操作中可能与预期值存在偏差,因此将条件约束(16)公式化为确保在过程中有足够的电量储备实时调度,该条件约束在时间t的置信度用表示;网络安全考虑条件约束(17),此约束确保线路l在时间t处的功率流在其限制内,且具有预定的置信度βt;应该注意的是需要由运营商进行适当设置以权衡经济性和系统运行可靠性之间的关系;
为了解决上述日前调度问题,条件约束需要用其等效的确定性模型代替;系统操作员需要了解随机参数/变量的概率密度函数s,以制定条件约束的确定性等效模型;ARIMA预测模型提供电动汽车充电需求和电力需求如下:
概率分布函数的标准偏差直接影响日前最优调度;更大的标准偏差会导致更严格的约束(19)和(20),会增加总运营成本;标准偏差越小,可以实现越小的运营成本;此外,更准确的预测可有效降低重新调度成本,这是在日前市场和实时运营中弥补发电机组产生的功率的预定值之间偏差,需要执行的操作;因此,ARIMA预测模型的定义平均值和标准偏差在日程安排问题,ARIMA模型提供的期望值用于功率平衡约束(15)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812763.1A CN112101624A (zh) | 2020-08-13 | 2020-08-13 | 一种基于arima的电动汽车随机充电需求预测及调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812763.1A CN112101624A (zh) | 2020-08-13 | 2020-08-13 | 一种基于arima的电动汽车随机充电需求预测及调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101624A true CN112101624A (zh) | 2020-12-18 |
Family
ID=73752980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010812763.1A Pending CN112101624A (zh) | 2020-08-13 | 2020-08-13 | 一种基于arima的电动汽车随机充电需求预测及调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114597951A (zh) * | 2022-04-06 | 2022-06-07 | 西南交通大学 | 一种电动汽车参与交流城轨供电系统节能运行的优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105322559A (zh) * | 2015-11-11 | 2016-02-10 | 重庆大学 | 一种基于v2g技术的电动汽车配电调度控制方法 |
KR20160078677A (ko) * | 2014-12-24 | 2016-07-05 | 한국전기연구원 | 전기자동차를 이용한 최적수요관리 방법 및 그 시스템 |
CN108229733A (zh) * | 2017-12-21 | 2018-06-29 | 中南大学 | 一种考虑用户满意度评价的电动汽车充电调度方法 |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
CN110415016A (zh) * | 2019-06-19 | 2019-11-05 | 国网电动汽车服务(福建)有限公司 | 一种基于最优化充放电策略的充电价格制定策略 |
CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
CN111244988A (zh) * | 2020-01-06 | 2020-06-05 | 华北电力大学 | 考虑分布式电源的电动汽车和储能优化调度方法 |
CN111242362A (zh) * | 2020-01-07 | 2020-06-05 | 杭州电子科技大学 | 基于充电站综合状态预测的电动汽车实时充电调度方法 |
CN111489009A (zh) * | 2019-06-06 | 2020-08-04 | 国网辽宁省电力有限公司 | 一种电动汽车充电站运行方式的优化计算方法及装置 |
-
2020
- 2020-08-13 CN CN202010812763.1A patent/CN112101624A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160078677A (ko) * | 2014-12-24 | 2016-07-05 | 한국전기연구원 | 전기자동차를 이용한 최적수요관리 방법 및 그 시스템 |
CN105322559A (zh) * | 2015-11-11 | 2016-02-10 | 重庆大学 | 一种基于v2g技术的电动汽车配电调度控制方法 |
CN108229733A (zh) * | 2017-12-21 | 2018-06-29 | 中南大学 | 一种考虑用户满意度评价的电动汽车充电调度方法 |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
CN111489009A (zh) * | 2019-06-06 | 2020-08-04 | 国网辽宁省电力有限公司 | 一种电动汽车充电站运行方式的优化计算方法及装置 |
CN110570007A (zh) * | 2019-06-17 | 2019-12-13 | 上海交通大学 | 电动汽车多时间尺度优化调度方法 |
CN110415016A (zh) * | 2019-06-19 | 2019-11-05 | 国网电动汽车服务(福建)有限公司 | 一种基于最优化充放电策略的充电价格制定策略 |
CN110968915A (zh) * | 2019-12-02 | 2020-04-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种电动汽车充电负荷预测方法 |
CN111244988A (zh) * | 2020-01-06 | 2020-06-05 | 华北电力大学 | 考虑分布式电源的电动汽车和储能优化调度方法 |
CN111242362A (zh) * | 2020-01-07 | 2020-06-05 | 杭州电子科技大学 | 基于充电站综合状态预测的电动汽车实时充电调度方法 |
Non-Patent Citations (6)
Title |
---|
CATALINA GÓMEZ-QUILES等: "A Novel Ensemble Method for Electric Vehicle Power Consumption Forecasting: Application to the Spanish System", IEEE ACCESS, vol. 07, pages 120840 - 120856 * |
CATALINA GÓMEZ-QUILES等: "A Novel Ensemble Method for Electric Vehicle Power Consumption Forecasting: Application to the Spanish System", Retrieved from the Internet <URL:IEEE Access> * |
M. HADI AMINI 等: "ARIMA-based decoupled time series forecasting of electric vehiclecharging demand for stochastic power system operation", pages 378 - 390, XP029707628, Retrieved from the Internet <URL:www.elsevier.com> DOI: 10.1016/j.epsr.2016.06.003 * |
刘杨等: "考虑气象因素的改进ARIMA电动汽车充电负荷预测", 《电器与能效管理技术》, no. 8, pages 53 - 58 * |
张禄 等: "应用曲线分群预测的电动汽车充电设施规划方法", 《现代电力》, vol. 35, no. 04, pages 21 - 26 * |
赖国书: "基于自回归求和滑动平均模型的居民区电动汽车负载特性分析", pages 176 - 182, Retrieved from the Internet <URL:谷歌学术> * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114597951A (zh) * | 2022-04-06 | 2022-06-07 | 西南交通大学 | 一种电动汽车参与交流城轨供电系统节能运行的优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand | |
Das et al. | Charging scheduling of electric vehicle incorporating grid-to-vehicle and vehicle-to-grid technology considering in smart grid | |
Amini et al. | ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation | |
Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
Mohanty et al. | Demand side management of electric vehicles in smart grids: A survey on strategies, challenges, modeling, and optimization | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
Liu et al. | Assessment of impacts of PHEV charging patterns on wind-thermal scheduling by stochastic unit commitment | |
Mukherjee et al. | A review of charge scheduling of electric vehicles in smart grid | |
Moradzadeh et al. | A new MILP formulation for renewables and energy storage integration in fast charging stations | |
Wang et al. | Two-stage admission and scheduling mechanism for electric vehicle charging | |
Yu et al. | A real time energy management for EV charging station integrated with local generations and energy storage system | |
Huber et al. | Effects of large scale EV and PV integration on power supply systems in the context of Singapore | |
CN113799640B (zh) | 适用于含电动汽车充电桩微电网的能量管理方法 | |
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 | |
Wang et al. | Event-based electric vehicle scheduling considering random user behaviors | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
Nguyen et al. | Smart charging and discharging of electric vehicles to support grid with high penetration of renewable energy | |
Deng et al. | Hierarchical operation management of electric vehicles for depots with PV on-site generation | |
CN116316567A (zh) | 一种阶梯碳交易机制下综合能源需求响应优化方法 | |
Cheng et al. | Carbon-aware ev charging | |
CN115587645A (zh) | 一种考虑充电行为随机性的电动汽车充电管理方法及系统 | |
Wang et al. | Admission and scheduling mechanism for electric vehicle charging with renewable energy | |
Minniti et al. | A hybrid robust-stochastic approach for the day-ahead scheduling of an EV aggregator | |
CN112101624A (zh) | 一种基于arima的电动汽车随机充电需求预测及调度方法 | |
Das et al. | Game theoretical energy management of EV fast charging station with V2G capability |
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 |