CN113487131A - 一种基于充电需求和储能调节的站网互动方法 - Google Patents

Abstract

本发明属于电动汽车充电技术领域，具体涉及一种基于充电需求和储能调节的站网互动方法。该方法考虑到季节、工作日、休息日等因素的客观影响通过prophet时序预测模型对电动汽车当日的充电负荷需求进行预测，不需过多的参数调整，能够有效预测电动汽车的充电负荷需求；然后引入储能，根据充电需求和储能情况完成对电动汽车的功率分配，能够将充电场站的变配电设施、充电设备、储能设备以及充电车辆实现统一管理，能够灵活的分配每个车位的充电功率，有利于提高充电效率，实现站网互动。

Description

一种基于充电需求和储能调节的站网互动方法

技术领域

本发明属于电动汽车充电技术领域，具体涉及一种基于充电需求和储能调节的站网互动方法。

背景技术

随着环境污染问题的日益严重，世界各国大力发展电动车技术。近些年，我国在全国范围内开展新能源汽车的推广应用工作，使电动汽车的推广取得了一定程度的进步。然而随着电动机车数量的逐渐增加，电动汽车充电问题随之显露，因而需要充分考虑充电场站构建的合理性，而充电场站的构建需要考虑多个因素的影响，其中电动汽车的需求符合和充电场站的供电能力就是重点考虑的部分。

电动汽车的需求负荷预测对提升我国电力行业服务的质量起到越来越重要的作用，可以显著影响电力行业的日常运营以及调度，同时也可以提高该行业的供电安全稳定性，罗江鹏等人在《基于出行链数据的电动汽车充电需求预测模型》中为了解决电动汽车充电站规划过程中用户充电需求信息缺乏的问题，结合贝叶斯理论，构建了一种基于出行链数据的电动汽车充电需求预测模型，陈丽丹等人在《基于出行链的电动汽车充电负荷预测模型》中提出了一种基于电动汽车行驶出行链的考虑充电频率的电动汽车充电负荷预测方法并采用蒙特卡洛仿真方法对不同渗透率、夏冬季、工作日和周末等不同场景对电动汽车充电负荷进行计算，兰馨等人在《基于BP神经网络的电动汽车负荷预测》中分析不同影响因素对充电负荷的影响，在此基础上结合BP神经网络算法对电动汽车的发展趋势进行预测，建立电动汽车充电负荷预测模型。然而上述作者进行电动汽车负荷预测时大多采用的仍是传统算法进行预测模型的搭建，这种方案精度相对较低、操作流程相对比较麻烦，而且并没有充分挖掘工作日、休息日、季节、季度等自然因素对预测模型的影响。

而且由于电动车数量的大量增加，充电场站的供电能力与充电需求难以达到平衡状态，尤其在充电高峰时段，这种现象尤其严重，当供电难以达到充电需求时，就需要引入储能进行调控以在保证变压器功率的情况下保证充电需求。而目前仍未有相关研究能够对电动汽车的充电负荷以及充电场站全天各时段的充电功率和储能进行调控，无法根据电动汽车的充电需求预测性的对充电场站的充电进行分配，因此需要提供一种方法实现该目的。

发明内容

针对目前未有相关研究针对充电需求和储能进行调控的缺陷和问题，本发明提供一种基于充电需求和储能调控的站网互动方法。

本发明解决其技术问题所采用的方案是：一种基于充电需求和储能调节的站网互动方法，包括以下步骤：

步骤一、获取充电场站往期不同时段电动汽车电荷日需求量，通过prophet模型预测对应时段电动汽车的电荷负荷需求，绘制充电电荷需求曲线，获取对应时期全天的充电电荷需求；

步骤二、电动汽车键入S2G充电设备获取充电需求，在全天内以每小时为时间分割点，在对应时间段内判断当前变压器是否处于最优转换效率区间，

1、若在最优转换效率区间，启动充电程序；

2、若不在最优转换效率区间，根据储能电量情况判断储能电量是否满足需求；

(1)若满足需求，启动储能放电进行充电程序；

(2)若不满足需求，引入储能，同时对充电功率进行分配。

上述的基于充电需求和储能调节的站网互动方法，步骤一中通过prophet模型预测对应时段电动汽车的电荷负荷需求，方法为：根据电荷周期趋势性、电荷需求周期季节性以及电荷需求节假日分布拟合时间序列趋势分别构建周期性函数、趋势性函数和节假日函数，同时设置噪声项表示无法拟合的异常波动，叠加构建时间序列模型

y(t)＝g(t)+s(t)+h(t)+ε_tr

式中：g(t)为增长趋势值，c为趋势值的1个上限值；k为增长率，k越大增长速度越快；b为偏移量；随着时间t的发展，g(t)将逐渐趋近于c，非线性增长趋势将会达到饱和状态；

s(t)为周期性函数，P为时间周期，a_n，b_n为学习参数；

h(t)为节假日函数，D_i表示假日i相对应的日期，添加一个指示函数表示时间t是否在假期i期间，该指示函数主要由参数k_i决定，k_i的取值为{0,1}，L则代表假日和定义的特殊事件的总个数；

为噪声项，用于拟合无法用模型描述的异常点。

上述的基于充电需求和储能调节的站网互动方法，步骤(2)中对充电功率进行分配，分配方法为：

将全天的充电需求表示为Load＝{P_L1,P_L2,…,P_Li,…,P_L24}，从电网端能获得的电能为Supply＝{P_S1,P_S2,…,P_Si,…,P_S24}，储能电池每小时的充放电量Battery＝{P_B1,P_B2,…,P_Bi,…,P_B24}，计算不同时刻的充电需求，

η_iP_Li＝P_Si+P_Bi

式中：i∈[1,24]；P_Li表示时间i时刻的充电需求；P_Si表示i时刻从电网端能获得的电能；P_Bi表示i时刻的最优放电量；η_i为i时刻的衰减系数，η_i∈(0,1]。

上述的基于充电需求和储能调节的站网互动方法，还包括根据调度时长对电动汽车充电位置进行分配，

式中：T_hi表示水平移动的耗时，根据预计充电时长的大小，将充电时长短的放在距离出口近的位置，反之放置在距离出口较远的位置；T_vi表示竖直移动的耗时

本发明的有益效果：本发明采用prophet时间序列预测模型，能够考虑到季节、工作日、休息日等客观因素电动汽车负荷的影响，方便快捷的预测出不同时段的充电负荷；而且只需通过直接修改季节参数来对季节进行拟合，不需对众多参数进行调整，更为简便，处理具有周期性、趋势性、节假日属性的时间序列数据预测时可以达到较为理想的结果。同时引入储能对电动汽车的充电功率进行分配，能够将充电场站的变配电设施、充电设备、储能设备以及充电车辆实现统一管理，能够灵活的分配每个车位的充电功率，有利于提高充电效率，实现站网互动。

附图说明

图1为往期电动汽车日电和需求分布图。

图2为电动汽车电荷需求预测拟合图。

图3为电动汽车充电负荷曲线趋势。

图4为电动汽车全天充电负荷示意图。

图5为电动汽车充电功率分配流程图。

具体实施方式

针对目前对电动汽车充电负荷预测方法存在参数设置较多、流程繁琐、精度低进而难以实现对充电场站功率和储能进行分配的问题，本发明提供一种基于充电需求和储能调节的站网互动方法，在满足充电需求的情况下对场站功率和储能进行分配。下面结合附图和实施例对本发明进一步说明。

实施例1：本实施例的基于充电需求和储能调节的站网互动方法，首先根据往期不同季节、不同月份等时段电动汽车的电荷日需求量，通过prophet模型预测对应时段电动汽车的电荷负荷需求，绘制充电电荷需求曲线，获取对应时期全天的充电电荷需求。具体为：

(1)根据电荷需求周期趋势构建趋势性函数来表示时间序列上的非周期变化，

式中：g(t)为增长趋势值，c为趋势值的1个上限值；k为增长率，k越大增长速度越快；b为偏移量；随着时间t的发展，g(t)将逐渐趋近于c，非线性增长趋势将会达到饱和状态。

(2)根据电荷需求周期季节性构建周期性函数，其表现形式主要是傅里叶级数，

式中：P为时间周期，a_n，b_n为学习参数。

(3)根据签核需求节假日分布构建节假日函数，用来拟合节假日以及针对不同数据集的特殊日期，针对节假日而言需要针对不同国家地区进行针对性设置。从大体趋势上来看，具有某种历史的相关性(年、月、周)。比如工作日相较于周末来说电荷需求要大，“春节”、“五一”、“国庆”、“中秋”等假日前后会有电荷需求的异常波动。

假设节假日的影响力是独立的，假日i相对应的日期是D_i，添加一个指示函数表示时间t是否在假期i期间，该指示函数主要由参数k_i决定，k_i的取值为{0,1}，L则代表假日和定义的特殊事件的总个数，如下式所示：

将电荷需求周期趋势性、电荷需求周期季节性、电荷需求节假日分布三个方面来拟合时间序列不同的趋势，同时设置噪声项表示无法拟合的异常波动，叠加起来则是整个时间序列模型：

其中y(t)为整个时间序列模型，g(t)为趋势函数、s(t)为周期性函数、h(t)为节假日函数，

则用来拟合那些无法用模型描述的异常点。

针对上述模型的建立可以得知电动汽车预测算法的整体流程如下所示：

1、对天气进行量化，形成one-hot编码，同时针对每日每时最高温度、最低温度、平均温度进行合并，结合历史负荷需求特征分布形成最终输入数据集；

2、构建周期性函数、趋势性函数、节假日函数并结合当前数据集进行合理的参数设置；

3、设置噪声项表示无法建模和预测的随机波动使其整体变化符合高斯分布；

4、设置模型训练终止条件；

5、模型训练，最终输出训练模型结果。

本实施例主要采用中国某地区2014-2019年的电动汽车日电荷需求数据进行测试，验证本发明构建的时间序列模型的精确度，结果如图1所示。

可知，该地区电动汽车电荷需求呈现出明显的周期性分布，这说明实现电动汽车电荷需求预测时需要考虑到其周期性分布的特征。

将数据进行处理并经过训练得到如图2所示的预测结果。

可知，构建的模型在预测该地区的电荷需求时拟合程度较为理想，同时也可以发现从整体上来看，电动汽车的电荷需求呈现出缓慢上涨的趋势。

将电动汽车的充电负荷趋势和立式电动汽车的充电负荷趋势进行对比，如图3，可以看出，电动汽车的充电负荷曲线趋势与历史电动汽车的充电负荷曲线趋势近似，针对预测结果而言，体现出该地区的电荷需求逐年上涨，呈现出且工作日的电荷需求高于休息日的电荷需求、夏季电荷需求高与其他季节的趋势。

然后根据充电需求对电动汽车充电功率进行分配，分配流程如图4所示。

电动汽车键入S2G充电设备获取充电需求，在全天内以每小时为时间分割点，在对应时间段内判断当前变压器是否处于最优转换效率区间，

1、若在最优转换效率区间，启动充电程序；

2、若不在最优转换效率区间，根据储能电量情况判断储能电量是否满足需求；

(1)若满足需求，启动储能放电进行充电程序；

(2)若不满足需求，引入储能，同时对充电功率进行分配。

电动汽车充电功率分配方法为：

在一天时间内，以一个小时为时间分割点，一天内的充电需求为Load＝{P_L1,P_L2,…,P_L24},从电网端能获得的电能为Supply＝{P_S1,P_S2,…,P_S24},目标是计算得到储能电池每个小时最优充放电量Battery＝{P_B1,P_B2,…,P_B24},这组解要满足能量总和(Load-Supply)小于等于储能电池总电量，以及一个衰减系数组Decrease＝{η₁,η₂,…,η₂₄}，这组系数表明当电网供给+储能电池不能满足用电需求的时候，需要减少一些电动车的充电功率。

η_iP_Li＝P_Si+P_Bi

那么对于i∈[1,24]时刻，η_i∈(0,1]，当η_i<1是代表车辆达不到额定充电功率，假设用户的心理充电百分比为80％，则对于SOC超过80％的车辆进行充电功率降低。

对于i时刻的场站内车辆如果需要进行充电功率降低，实时功率表达为：

式中：P_Vj为第j辆车的实际充电功率，η_iP_Li为i时刻整个场站内的实际充电功率。

如图5所示，对于一天内预测的

其平均值为：

式中：P_i表示在i时刻场站内的充电需求；

则在i时刻储能的工作功率

当P_storage＞0，选用储能进行供电；当P_storage＜0，启动电网对储能进行充电。

实施例2：本实施例在实施例1的基础上，为了进一步优化分配策略，还考虑通过优化调度时长对电动汽车的充电位置进行分配。

AGV通过无线网络与SEMS进行对接，同样基于TCP/IP进行双向通讯。SEMS基于车辆充电位置根据S2G充电设备的功率均衡情况、充电时长预测、距离出口位置等信息进行分配。

一天总调度时长为：

式中，T_hi表示水平移动的耗时，T_vi表示竖直移动的耗时，那么对于充电时长的优化主要优化T_hi这部分时间，根据预计充电时长的大小，将充电时长短的放在距离出口近的位置，反之放置在距离出口较远的位置，距离计算采用曼哈顿距离(Manhattan Distance)算法进行计算，从而实现快速高效的对充电位置和功率进行分配。

以上所述仅为本发明的较佳实施例，并不限制本发明，凡在本发明的精神和原则范围内所做的任何修改、等同替换和改进，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于充电需求和储能调节的站网互动方法，其特征在于：包括以下步骤：

步骤一、获取充电场站往期不同时段电动汽车电荷日需求量，通过prophet模型预测对应时段电动汽车的电荷负荷需求，绘制充电电荷需求曲线，获取对应时期全天的充电电荷需求；

步骤二、电动汽车键入S2G充电设备获取充电需求，在全天内以每小时为时间分割点，在对应时间段内判断当前变压器是否处于最优转换效率区间，

1、若在最优转换效率区间，启动充电程序；

2、若不在最优转换效率区间，根据储能电量情况判断储能电量是否满足需求；

(1)若满足需求，启动储能放电进行充电程序；

(2)若不满足需求，引入储能，同时对充电功率进行分配。

2.根据权利要求1所述的基于充电需求和储能调节的站网互动方法，其特征在于：步骤一中通过prophet模型预测对应时段电动汽车的电荷负荷需求，方法为：根据电荷周期趋势性、电荷需求周期季节性以及电荷需求节假日分布拟合时间序列趋势分别构建周期性函数、趋势性函数和节假日函数，同时设置噪声项表示无法拟合的异常波动，叠加构建时间序列模型

式中：g(t)为增长趋势值，c为趋势值的1个上限值；k为增长率，k越大增长速度越快；b为偏移量；随着时间t的发展，g(t)将逐渐趋近于c，非线性增长趋势将会达到饱和状态；

s(t)为周期性函数，P为时间周期，a_n，b_n为学习参数；

h(t)为节假日函数，D_i表示假日i相对应的日期，添加一个指示函数表示时间t是否在假期i期间，该指示函数主要由参数k_i决定，k_i的取值为{0,1}，L则代表假日和定义的特殊事件的总个数；

为噪声项，用于拟合无法用模型描述的异常点。

3.根据权利要求1所述的基于充电需求和储能调节的站网互动方法，其特征在于：步骤(2)中对充电功率进行分配，分配方法为：将全天的充电需求表示为Load＝{P_L1,P_L2,…,P_Li,…,P_L24}，从电网端能获得的电能为Supply＝{P_S1,P_S2,…,P_Si,…,P_S24}，储能电池每小时的充放电量Battery＝{P_B1,P_B2,…,P_Bi,…,P_B24}，计算不同时刻的充电需求，

η_iP_Li＝P_Si+P_Bi

式中：i∈[1,24]；P_Li表示时间i时刻的充电需求；P_Si表示i时刻从电网端能获得的电能；P_Bi表示i时刻的最优放电量；η_i为i时刻的衰减系数，η_i∈(0,1]。

4.根据权利要求1所述的基于充电需求和储能调节的站网互动方法，其特征在于：还包括根据调度时长对电动汽车充电位置进行分配，

式中：T_hi表示水平移动的耗时，根据预计充电时长的大小，将充电时长短的放在距离出口近的位置，反之放置在距离出口较远的位置；T_vi表示竖直移动的耗时。

Images