CN112836287B - 一种基于神经网络的电动汽车资源灵活性预测方法 - Google Patents
一种基于神经网络的电动汽车资源灵活性预测方法 Download PDFInfo
- Publication number
- CN112836287B CN112836287B CN202011244845.7A CN202011244845A CN112836287B CN 112836287 B CN112836287 B CN 112836287B CN 202011244845 A CN202011244845 A CN 202011244845A CN 112836287 B CN112836287 B CN 112836287B
- Authority
- CN
- China
- Prior art keywords
- flexibility
- power
- electric automobile
- time
- electric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 230000014759 maintenance of location Effects 0.000 claims abstract 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000005284 excitation Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000006116 polymerization reaction Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
Abstract
一种基于神经网络的电动汽车资源灵活性预测方法本发明属于电力系统预测领域，具体涉及一种基于神经网络的电动汽车资源灵活性预测方法。电网运行中需求响应资源的灵活性已成为应对间歇性可再生能源发电增长带来的问题的有价值的解决方案。然而，在现有研究中，需求侧资源（DR）的灵活性预测还没有得到充分的解决。本方法应用时间卷积网络（TCN）组合变压器这一深度学习技术，对电动汽车（EVs）这种DR资源的聚合柔性进行了预测。预测基于这些DR资源的历史功耗数据和用于促进预测的DR信号（DS）。从预测结果中可以得到聚合灵活性性的大小和保持时间。通过实例仿真验证了灵活性性预测的准确性。在不同的维护时间下，灵活性性的大小会发生变化。所提出的灵活性预测方法展示了其在释放需求侧灵活性以向电网提供备用方面的应用潜力。
Description
技术领域
本发明属于电力系统预测领域，具体涉及一种基于神经网络的电动汽车资源灵活性预测方法。
背景技术
可再生能源发电和分布式能源在电网中整合使电力系统面临电力供需失衡的问题。随着智能电网和电力市场的发展，需求侧资源有望在解决这一问题方面发挥积极作用。需求侧响应(DR)计划近年来受到越来越多的关注，因为它能够以一种经济高效的方式支持电网运行。需求侧响应计划通常利用需求响应资源的灵活性，通过提供价格补偿或经济激励来调整自身的用电量。从广义上讲，灵活性是指系统对内外部不确定性的响应能力，即系统在内外部变量发生变化时的响应能力。然而，在电力系统中，对其灵活性的定义在世界上还没有统一的定义。目前，一个被广泛接受的定义来自国际能源机构(IEA)。它将电力系统灵活性定义为在面对大干扰时通过调整发电量或负荷来保持可靠性的能力。根据IEA对灵活性的定义，对于负荷侧的需求响应资源，其灵活性体现在增加和减少电力需求的能力上。根据以往研究显示，在节约能源和成本以及电网运行(如负荷转移和峰值功率储备)方面，需求响应计划具有显著的潜力。与传统方法相比，需求侧资源具有环境友好性和快速响应时间的优点，但它们通常很小，需要由聚合商聚合以参与系统运行。
目前如何充分利用电网中需求侧资源，国内外学者已经做了大量的研究。在对电网移峰方面，有研究以最小化充电成本为目标，实现了聚合电动汽车的移峰效应；在频率控制方面，有研究提出了多区域电力系统需求侧资源的频率控制策略，同时还有通过激励机制激励需求侧资源参与实现负载转移和改善供电馈线电压。需求侧资源的有效性很大程度上取决于需求侧资源聚合灵活性，由于分布式需求侧资源的复杂特性和随机的用户行为，使得其聚合灵活性具有不确定性，比如电动汽车充电行为就具有不确定性与随机性。因此，许多风险控制策略被广泛应用于需求响应计划中处理不确定性。比如考虑聚合电动汽车(EV)向电网提供备用服务时的条件风险值、提出保守频率调节策略、考虑电动汽车规划与实际调度能力的偏差问题、采用多场景随机优化考虑不确定性等。以上提及的风险控制方法可以帮助聚合商考虑需求侧响应计划中的不确定性，但结果可能过于保守，可能会导致用户经济利益损失，甚至不能充分发挥需求侧资源在电网运行中的灵活性。准确的灵活性预测可以帮助聚合商更实际地处理不确定性。然而，关于灵活性预测的研究却很少。有研究提出了基于循环神经网络(RNN)的灵活性预测方法，该方法可以产生聚合生活热水系统的灵活性，并根据灵活性性预测结果进行第二天的日前和实时负荷调度。然而，它只能给出总灵活性调度范围，而不能提供相应灵活性的弹性时间。此外，通常基于RNN的方法在相当复杂的问题上可能表现出较差的性能。基于现有研究，提出一种对需求侧资源灵活性的合理预测方法，具有研究意义。
发明内容
本发明在基于RNN的灵活性预测方法的基础上，提出了一种基于时间卷积网络(TCN)结合Transformer模型的深度学习方法，考虑物理特性以及不同的功耗策略，对EV这种典型需求侧资源的实时聚合灵活性进行多步预测。首先，提出了一种基于TCN结合Transformer模型的需求侧资源灵活性多步预测方法，该模型是序列预测问题中最先进的模型之一。其次，从预测结果中可以得到灵活性的调度范围和弹性时间。可以通过算例验证了较长时间内灵活性预测的准确性。灵活性预测结果可以支持需求侧资源的规划和运营，如为电网提供备用容量等。
本发明提供了一种基于神经网络的电动汽车资源灵活性预测方法主要包含如下步骤：
步骤A.建立电动汽车聚合商灵活性模型。
步骤B.建立单辆电动汽车的物理特性模型。
步骤C.考虑两种典型的功率损耗策略来研究其对灵活性的影响，由单步长推出预测多步递推步长下的灵活性。
步骤D.建立TCN结合Transformer模型。
步骤E.经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测。在实时方面预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率。然后，将输出作为下一个输入，可以得到相应的功率多步预测。
系统框架如图1所示。
优选地，步骤A中建立电动汽车聚合商灵活性模型为：
式中，FEVA(t)表示为电动汽车聚合在t时刻的灵活性，PEVA(t)表示为t时刻电动汽车聚合的功率需求，
为聚合电动汽车参与需求侧响应时t时刻的功率。式(1)表示电动汽车聚合商的灵活性模型。如附图中图一所示，假设功率传输的正方向是从电网到需求侧。电动汽车聚合商(EVA)能够发送指令，即DR信号，协调和调度所有分布式电动汽车的功率，并向根据指示转移负荷的DR用户提供具有激励的电价。在EVA中分别有两个TCN组合Transformer来预测电动汽车的灵活性。
更优选地，在步骤B中，如式(1)所示，聚合DR资源的灵活性与功率需求密切相关，而聚合DR资源的功率需求受每个需求侧资源的物理特性和功耗策略的影响。对于电动汽车，最终用户的需求是如式(6)所示，获得一定量的电池荷电状态(SOC)。本发明考虑电动汽车的三种充放电模式，即额定功率慢充Pslow、额定功率快充Pfast和额定功率放电Pdis。将单辆电动汽车的特性描述为如下：
Pdis≤PEV(t)≤Pfast (2)
E(t+1)＝E(t)+ηPEV(t)Δt，ift∈[tstart，tdep) (3)
E(t)＝Estart，ift＝tstart (5)
E(t)≥Eexp，ift＝tdep (6)
E(t)≤Emax (7)
PEV(t)≥Pslow，ifE(t)＜Emax (8)
式中，EV在时间步长t处的功率可以表示为PEV(t)，PEV(t)和PEVA(t)之间的关系为
Pfast指的是快速充电功率，Pdis指放电功率，Pslow指慢充电功率，E(t)表示时间步长t时电动汽车的荷电状态(SOC)，η表示效率，Δt表示采样时间刻度，Esart是指充电开始时tstart电动汽车初始荷电状态，Eexp是指电动汽车车主在离开时tdep的预期荷电状态，Emax是指充电时的最大荷电状态，针对电动汽车车主的突然离开，我们设定了一个最低的SOC水平来保证电动汽车的充电需求，所以(8)是为了保证当电动汽车荷电状态低于这个水平时必须充电。
进一步优选地，在步骤C中，由于除了DR资源的特性外，用户偏好的功耗策略也会对功率需求产生很大影响，针对此本发明考虑两种典型的功耗策略来研究对灵活性的影响：
策略一：电动车一停车就开始充电。
策略二：由于分时电价已广泛应用于电动汽车停车场和居民区，电动汽车的功率损耗量可能会受到分时电价的引导。在策略二中，考虑了一种在分时电价下的优化用电模式。对于聚合电动汽车，策略二的优化目标如下式所示：
mincTOU(t)·PEVA(t)·Δt (9)
cTOU(t)指的是分时电价。这两种功耗策略都受到每辆电动汽车物理特性的限制，我们假设电动汽车的快速充电模式只有在进行DR程序时才启用。
为了便于DR管理和灵活性预测，引入需求响应信号(DS)来表示DR管理中的指令。DS指的是从聚合商发送到所有终端用户以切换其状态的请求信号。参考步骤A中的描述，我们考虑DS的三个不同选项，分别是0、1、-1，所有被管理的电动汽车将参与不同类型的DR，这取决于DS的值。
为了在DS≠0时最大限度地激活DR资源的能力，并在DS＝0时尊重其特性和用户需求，电动汽车响应设置也会相对应。DS＝1时，电动汽车增加充电功率或减少放电功率，DS＝-1时，反之，DS＝0时，电动汽车不参与DR计划。注意EVA将向所有EV发送相同的DS，而不是向每个EV发送不同的DS。
在DR计划中，DR资源提供的灵活性通常需要维持一段时间。为了得到不同保持时间下的灵活性，提出了一种基于DS的计算方法：如果聚合商想要得到至少保持k个时间步长的增加用电量的灵活性，则EVA可以根据DS信号在这一时刻激活多个EV。然后，可以通过求(10)中所示的最小值来获得至少可以保持k个时间步长的灵活性。注：求最小值的物理意义是确保在几个连续的周期内，灵活性可以用一个常量形式表示。
基于以上的分析和建模，可以计算出电动汽车可行的DR功率，并从计算出的DR功率中获得聚合电动汽车的灵活性。说明书附图2表示了在不同DS下单个EV功耗和状态变化，其中DS的动作时间持续两个时间步。
当DS＝1时，图2中的示例EV可提供持续时间为2个时间步长的Pfast-Pslow调度灵活性。由于电动汽车用户充电需求的限制，当DS＝-1时，它可以提供Pdis-Pslow的调度灵活性，持续时间为1个时间步长。电动汽车维持2个时间步长的灵活性为0。要预测电动汽车多步的灵活性，我们需要在DS＝0和DS≠0的情况下进行预测。
这种形式类似于自然语言过程(NLP)领域中的序列到序列(Seq2Seq)模型的形式，因此我们可以使用NLP中最先进的模型“Transformer”来实现这种预测。
更进一步优选地，步骤D中建立了TCN结合Transformer模型。要实现一个Seq2Seq模型，各种递归神经网络(RNNs)、卷积神经网络(CNNs)是主要的选择。然而，这些基于RNN/CNN的模型存在许多问题，尤其是基于RNN的模型。在基于RNN的模型中，最严重的问题之一就是长时间依赖问题。在进行长序列输入时，基于RNN的模型会遭受梯度探索和梯度消失。虽然已经提出了一些更新的RNN结构，如LSTM和GRU，但是当序列太长时，这些更新的RNN也会失败。在普通的Transformer结构中，输入需要经过一个“输入嵌入层”，然后才被发送到内部结构。在自然语言处理领域，输入嵌入层的功能是用一个低维向量来表示非常高维的一维编码。一般来说，这可以看作是一种特征提取。基于此，在本发明中找到了一种方法来实现这种输入的特征提取。CNN是一个很好的选择，因为卷积运算是从原始输入中提取信息的有力工具。考虑到本发明中的输入是时间序列，在各种基于CNN的模型中，2018年提出的称为“时间卷积网络(TCN)”的模型是基于CNN处理时间序列最先进的模型之一。在步骤D中，将展示如何在原始的Transformer模型中使用TCN的形式来实现这样的特征提取。
作为模型的核心，Transformer由于本身机制原因，在进行长时间序列方面表现出了强大的性能。需要注意的是，在TCN模型中，输入和输出的长度是相同的，但是我们只选择TCN结构顶部最后96个时间步的输出作为Transformer的输入。我们这样做有两个原因。一方面，通过合理的设计，最后96个输出端包含了输入序列的全部信息，另一方面，较短的序列可以减少Transformer的计算负担。我们称整体结构为TCN组合Transformer模型。
更再进一步优选地，步骤E.经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测。在实时方面预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率。然后，将输出作为下一个输入，可以得到相应的功率多步预测。在(18)中，我们建立了实现这种预测的一般形式。在步骤E中，将细化(18)。如上所述，模型的输出应为在不同DS下的
对于输入，除了/>
DS(t+k)，...DS(t)和/>
我们需要基于不同物理特性指定变量，包括N，/>
eEVA；首先，我们只需为所有场景设置N＝192，由于本发明将一天分为96个时段，说明过去两天的输入被考虑在内，其他变量取决于不同的情况，包括EVA以及策略一和策略二。
对于策略一，我们只需设置
和/>
意味着编码器和解码器中没有外部因素。在这种情况下，(18)和(15)可以改写为(20)和(21)：
对于策略二，考虑到基本功率是根据分时电价来设置的，因此我们将分时电价作为外部因素，无论是对于
还是对于eEVA。我们有：
[eEVA(t+k)，...eEVA(t)]＝[cTOU(t+k)，...cTOU(t)] (24)
为了训练TCN结合Transformer模型，假设EVA可以收集所有电动汽车的电池容量、SOC、到达时间和离开时间等历史信息。EVA可以得到策略一和策略二中电动汽车的基本充放电功率PEVA，以及每天在不同DS下的
开始训练模型。
发明目的本方法的主要目的是根据用户过去的实际用电量数据，对典型的需求侧资源——电动汽车的灵活性进行实时预测。
附图说明
1、图1为系统框架；
2、图2为单辆电动汽车在DS下持续两个时间步长的功耗和状态变化：(a)DS＝1；(b)DS＝-1；(c)DS＝0。
发明效果
相较于现有技术，本发明具有如下优点：
1、不同于以往的风险控制策略在需求响应计划中处理不确定性，结果可能过于保守，可能会导致用户经济利益损失，甚至不能充分发挥需求侧资源在电网运行中的灵活性。本方法可以帮助聚合商更实际地更准确地处理不确定性。
2、本方法是根据用户过去的实际用电量数据，对典型的需求侧资源——电动汽车的灵活性进行实时预测。不仅能给出总灵活性调度范围，还能提供相应灵活性的弹性时间。
3、提出了一种基于时间卷积网络(TCN)结合Transformer的算法，预测基于电动汽车的历史耗电行为以及用于促进预测和DR管理的DS信号。通过聚合电动汽车分析，验证了灵活性预测的准确性。在不同的终端用户用电策略下，得出了电动汽车的灵活性特点。随着弹性时间的增加，灵活性可调范围减小。灵活性预测结果可为电网日常运行中的DR计划规划提供依据。
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灵活性预测过程中应用。
Claims (2)
1.一种基于神经网络的电动汽车资源灵活性预测方法，其特征在于：包含如下步骤：
步骤A.建立电动汽车聚合商灵活性模型；步骤A中建立的电动汽车聚合商灵活性模型为：
式中，FEVA(t)表示为电动汽车聚合在t时刻的灵活性，PEVA(t)表示为t时刻电动汽车聚合的功率需求，
为聚合电动汽车参与需求侧响应时t时刻的功率，式(1)表示电动汽车聚合商的灵活性模型，假设功率传输的正方向是从电网到需求侧，电动汽车聚合商EVA能够发送指令，即DR信号，协调和调度所有分布式电动汽车的功率，并向根据指示转移负荷的DR用户提供具有激励的电价，在EVA中分别有两个TCN组合Transformer模型来预测电动汽车的灵活性；
步骤B.建立单辆电动汽车的物理特性模型；在步骤B中，如式(1)所示，聚合DR资源的灵活性与功率需求密切相关，而聚合DR资源的功率需求受每个需求侧资源的物理特性和功耗策略的影响；对于电动汽车，最终用户的需求是如式(6)所示，获得一定量的电池荷电状态SOC；本方法考虑电动汽车的三种充放电模式，即额定功率慢充Pslow、额定功率快充Pfast和额定功率放电Pdis，将单辆电动汽车的物理特性模型描述为如下：
Pdis≤PEV(t)≤Pfast (2)
E(t+1)＝E(t)+ηPEV(t)Δt，ift∈[tstart，tdep) (3)
E(t)＝Estart，ift＝tstart (5)
E(t)≥Eexp，ift＝tdep (6)
E(t)≤Emax (7)
PEV(t)≥Pslow，ifE(t)＜Emax (8)
式中，EV在时间步长t处的功率可以表示为PEV(t)，PEV(t)和PEVA(t)之间的关系为
Pfast指的是快速充电功率，Pdis指放电功率，Pslow指慢充电功率，E(t)表示时间步长t时电动汽车的荷电状态SOC，η表示效率，Δt表示采样时间刻度，Esart是指充电开始时tstart电动汽车初始荷电状态，Eexp是指电动汽车车主在离开时tdep的预期荷电状态，Emax是指充电时的最大荷电状态，针对电动汽车车主的突然离开，我们设定了一个最低的SOC水平来保证电动汽车的充电需求，所以(8)是为了保证当电动汽车荷电状态低于这个水平时必须充电；
步骤C.考虑两种典型的功率损耗策略来研究其对灵活性的影响，由单步长递推预测多步长下的灵活性；在步骤C中，由于除了DR资源的特性外，用户偏好的功耗策略也会对功率需求产生很大影响，考虑两种典型的功耗策略来研究对灵活性的影响：
策略一：电动车一停车就开始充电；
策略二：由于分时电价已广泛应用于电动汽车停车场和居民区，电动汽车的功率损耗量可能会受到分时电价的引导；在策略二中，考虑了一种在分时电价下的优化用电模式，对于聚合电动汽车，策略二的优化目标如下式所示：
mincTOU(t)·PEVA(t)·Δt (15)
cTOU(t)指的是分时电价，这两种功耗策略都受到每辆电动汽车物理特性的限制，我们假设电动汽车的快速充电模式只有在进行DR程序时才启用；
为了便于DR管理和灵活性预测，引入需求响应信号DS来表示DR管理中的指令，DS指的是从聚合商发送到所有终端用户以切换其状态的请求信号，参考步骤A中的描述，考虑DS的三个不同选项，分别是0、1、-1，所有被管理的电动汽车将参与不同类型的DR，这取决于DS的值；
为了在DS≠0时最大限度地激活DR资源的能力，并在DS＝0时尊重其特性和用户需求，电动汽车响应设置也会相对应；DS＝1时，电动汽车增加充电功率或减少放电功率；DS＝-1时，反之，DS＝0时，电动汽车不参与DR计划，注意EVA将向所有EV发送相同的DS，而不是向每个EV发送不同的DS；
在DR计划中，DR资源提供的灵活性通常需要维持一段时间，为了得到不同保持时间下的灵活性，提出了一种基于DS的计算方法：如果聚合商想要得到至少保持k个时间步长的增加用电量的灵活性，则EVA可以根据DS信号在这一时刻激活多个EV；然后，可以通过求(16)中所示的最小值来获得至少可以保持k个时间步长的灵活性，注：求最小值的物理意义是确保在几个连续的周期内，灵活性可以用一个常量形式表示；
基于以上的分析和建模，可以计算出电动汽车可行的DR功率，并从计算出的DR功率中获得聚合电动汽车的灵活性；
当DS＝1时，EV可提供持续时间为2个时间步长的Pfast-Pslow调度灵活性，由于电动汽车用户充电需求的限制，当DS＝-1时，它可以提供Pdis-Pslow的调度灵活性，持续时间为1个时间步长；电动汽车维持2个时间步长的灵活性为0，要预测电动汽车多步的灵活性，我们需要在DS＝0和DS≠0的情况下进行预测：
步骤D.建立TCN结合Transformer模型；步骤D中建立了TCN结合Transformer模型，具体包括：在原始的Transformer模型中选择使用时间卷积网络TCN的形式来实现特征提取，作为TCN模型的核心，Transformer由于本身机制原因，在进行长时间序列方面表现出了强大的性能；在TCN模型中，输入和输出的长度是相同的，选择TCN结构顶部最后96个时间步的输出作为Transformer模型的输入，最后96个输出端包含了输入序列的全部信息；
步骤E.经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测；在预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率，然后，将输出作为下一个输入，可以得到相应的功率多步预测。
2.根据权利要求1所述基于神经网络的电动汽车资源灵活性预测方法，所述步骤E经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测，在实时方面预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率；然后，将输出作为下一个输入，可以得到相应的功率多步预测；在(24)中，我们建立了实现这种预测的一般形式，在步骤E中，将细化(24)，如上所述，模型的输出应为在不同DS下的
对于输入，除了/>
DS(t+k)，...DS(t)和/>
我们需要基于不同物理特性指定变量，包括N，/>
eEVA；首先，我们只需为所有场景设置N＝192，将一天分为96个时段，说明过去两天的输入被考虑在内，其他变量取决于不同的情况，包括EVA以及策略一和策略二；
对于策略一，我们只需设置
知/>
意味着编码器和解码器中没有外部因素，在这种情况下，(24)和(21)可以改写为(26)和(27)：
对于策略二，考虑到基本功率是根据分时电价来设置的，因此我们将分时电价作为外部因素，无论是对于
还是对于eEVA，我们有：
[eEVA(t+k)，...eEVA(t)]＝[cTOU(t+k)，...cTOU(t)] (30)
为了训练TCN结合Transformer模型，假设EVA可以收集所有电动汽车的电池容量、SOC、到达时间和离开时间历史信息，EVA可以得到策略一和策略二中电动汽车的基本充放电功率PEVA，以及每天在不同DS下的
开始训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011244845.7A CN112836287B (zh) | 2020-11-10 | 2020-11-10 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011244845.7A CN112836287B (zh) | 2020-11-10 | 2020-11-10 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112836287A CN112836287A (zh) | 2021-05-25 |
| CN112836287B true CN112836287B (zh) | 2023-06-27 |
Family
ID=75923800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011244845.7A Active CN112836287B (zh) | 2020-11-10 | 2020-11-10 | 一种基于神经网络的电动汽车资源灵活性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836287B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511767B (zh) * | 2022-02-11 | 2023-12-01 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
| CN118172047A (zh) * | 2024-05-14 | 2024-06-11 | 山东大学 | 考虑可用装机容量的短期风电功率预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728410A (zh) * | 2019-10-16 | 2020-01-24 | 重庆大学 | 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989407A (zh) * | 2015-02-12 | 2016-10-05 | 中国人民解放军信息工程大学 | 一种基于神经网络的短波中值场强预测系统、方法及装置 |
| GB2577853B (en) * | 2018-06-22 | 2021-03-24 | Moixa Energy Holdings Ltd | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
| CN108964031B (zh) * | 2018-07-12 | 2021-05-14 | 电子科技大学 | 电动汽车充电及参与调压的模型预测控制方法 |
| CN110472785B (zh) * | 2019-08-08 | 2022-12-09 | 西安交通大学 | 一种基于负荷分类的电动汽车群调度方法 |
| CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
| CN111313449B (zh) * | 2020-03-02 | 2022-11-29 | 华北电力大学 | 一种基于机器学习的集群电动汽车功率优化管理方法 |
| CN111762051B (zh) * | 2020-06-03 | 2022-09-02 | 国网上海市电力公司 | 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法 |
| CN111725836B (zh) * | 2020-06-18 | 2024-05-17 | 上海电器科学研究所（集团）有限公司 | 一种基于深度强化学习的需求响应控制方法 |
-
2020
- 2020-11-10 CN CN202011244845.7A patent/CN112836287B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728410A (zh) * | 2019-10-16 | 2020-01-24 | 重庆大学 | 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112836287A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104283292B (zh) | 用于居民小区内的家用电动汽车自动充电控制系统及方法 | |
| Li et al. | Emission-concerned wind-EV coordination on the transmission grid side with network constraints: Concept and case study | |
| CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN109103912A (zh) | 考虑电网调峰需求的工业园区主动配电系统调度优化方法 | |
| CN105337310B (zh) | 一种串联结构光储型多微网经济运行系统及方法 | |
| CN112836287B (zh) | 一种基于神经网络的电动汽车资源灵活性预测方法 | |
| CN105024432A (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
| CN110138006B (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
| CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
| CN108037667B (zh) | 基于虚拟电厂的基站电能优化调度方法 | |
| CN111047097A (zh) | 一种综合能源系统日中滚动优化方法 | |
| WO2023226368A1 (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
| CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
| CN111864749A (zh) | 光伏系统出力园区电动汽车充电方法、系统及存储介质 | |
| CN110868134A (zh) | 基于分时电价和负荷特性的光伏电站三时段能量管理方法 | |
| CN109327035B (zh) | 一种电动汽车充电功率调节方法和系统 | |
| CN105552983A (zh) | 电动汽车并网调度的优化系统及其优化方法 | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
| CN116811628A (zh) | 一种含电动汽车充电的综合能源系统及有序充电方法 | |
| CN115983441A (zh) | 一种电动汽车集群的灵活性概率预测与随机优化调控方法 | |
| CN113013905B (zh) | 一种风光储微能量收集无线传感系统调度方法及装置 | |
| CN112109580B (zh) | 一种电量自分配的微电网电动汽车充放电控制系统 | |
| CN113852073A (zh) | 一种基于激励-响应充电决策估计的日前优化调度方法 | |
| Vandael et al. | A multi-agent system for managing plug-in hybrid vehicles as primary reserve capacity in a smart grid | |
| CN112949093A (zh) | 面向智能楼宇可调度负荷模型 |
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 |