CN114692965A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114692965A
CN114692965A CN202210306553.4A CN202210306553A CN114692965A CN 114692965 A CN114692965 A CN 114692965A CN 202210306553 A CN202210306553 A CN 202210306553A CN 114692965 A CN114692965 A CN 114692965A
Authority
CN
China
Prior art keywords
electric vehicle
electric
electric automobile
cluster
generalized
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
Application number
CN202210306553.4A
Other languages
English (en)
Inventor
刘海光
陈汝斯
李顺
蔡德福
曹侃
杨军
王作维
周鲲鹏
吴赋章
李晓辉
万黎
王涛
王莹
王文娜
董航
张良一
孙冠群
王尔玺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Wuhan University WHU, Electric Power Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210306553.4A priority Critical patent/CN114692965A/zh
Publication of CN114692965A publication Critical patent/CN114692965A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种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，所述方法包括：针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。本发明可以解决现有电动汽车可调度潜力计算模型无法兼顾准确性和泛化性的问题，且可提高预测效率。

Description

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
技术领域
本发明涉及电力系统需求响应技术领域，具体是一种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。
背景技术
随着电力系统配电网中可再生能源的渗透率不断提升和电动汽车的广泛使用，电网中功率的随机性、波动性显著增强，从而给电力系统安全带来巨大挑战。为确保电力系统的经济稳定运行，系统中必须具备充足的可控、可调度资源，保障电能实时供需平衡。传统电源作为可调度资源存在调峰成本高、发电容量利用率低的问题，而拥有快速响应能力的海量需求侧用户对维持电能供需平衡和安全稳定同等重要。其中，具有代表性的新型负荷—电动汽车可以作为需求侧的可调度资源为电网提供各种辅助服务。而对电动汽车集群可调度潜力的精确预测是实现这些辅助服务的关键。
电动汽车可调度潜力预测方法主要分为模型驱动和数据驱动，其中模型驱动的方法主要基于蒙特卡洛法、队列网络理论预测电动汽车可调度潜力，考虑到电动汽车接入电网位置的随机性和时空分特性，建立这种静态的预测模型很容易造成先验错误，从而也很难准确预测动态的电动汽车集群可调度潜力。数据驱动方法利用充电站记录的电动汽车历史运行数据进行电动汽车集群可调度潜力预测，由于电动汽车集群可调度潜力并不是一组确定的充放电功率向量，而是所有可能的充放电决策构成的包络空间，且充放电功率在时间尺度上存在强相关性，但目前这些数据驱动方法并未考虑变量间隐含的约束关系。
只是针对电动汽车个体建模，不但因引入海量的变量导致模型维数过高，而且日前阶段难以预测电动汽车个体的出行特性导致准确获取其出行时间参数困难。同时，个体可调度潜力并未达到直接参与电力市场的门槛，所以需要由充电站作为统一聚合商管理站内电动汽车的充放电，建立广义储能设备模型。
目前，时序预测方法主要有LSTM、RNN、CNN模型，这些方法在时序数据预测方面取得很好的效果，但是模型普遍较为复杂导致参数优化困难且模型训练依赖大量的历史数据，这都给实际运用场景带来了困难。而广义回归神经网络具有很强的非线性映射能力和柔性网络结构以及高容错性和鲁棒性，适合解决高非线性的问题，最重要的是，在样本较少时预测效果也较好。
发明内容
本发明考虑到现有电动汽车可调度潜力计算模型无法兼顾准确性和泛化性的问题，且为了提高预测效率，提出一种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。
本发明采用如下技术方案实现：
一种基于数模混合驱动的电动汽车集群可调度潜力预测方法，包括如下步骤：
步骤1、针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
步骤2、基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
步骤3、将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
步骤4、将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
进一步的，步骤1中是针对慢充模式的单个电动汽车充放电状态进行建模，所述电动汽车个体的决策空间包括放电功率边界约束、电池容量安全边界以及充电站的总负荷。
进一步的，所述充放电功率边界约束如下所示：
Figure BDA0003565505550000031
式中：
Figure BDA0003565505550000032
分别表示电动汽车n在t时段的充、放电功率；
Figure BDA0003565505550000033
分别表示电动汽车n的充、放电上限功率；
Figure BDA0003565505550000034
表示电动汽车n并网时间集合；
Figure BDA0003565505550000035
式中：sn,t、sn,t-1分别表示电动汽车n在t时段及t-1时段的电池电量；ηch、ηdis、ηref分别表示充、放电效率和放电补偿系数；Δt表示调度时间窗口；
电动汽车n在t时段电池容量安全边界如下所示：
Figure BDA0003565505550000036
式中：
Figure BDA0003565505550000037
分别表示电池容量安全边界的上下界限；
通过管理站内EV的充放电统一参与市场投标，直接参与市场投标的是充电站的总负荷，如下式所示：
Figure BDA0003565505550000038
式中：
Figure BDA0003565505550000039
分别表示某个充电站j总的充、放电功率；
Figure BDA00035655055500000310
表示某个充电站j中的电动汽车集合；T表示调度时间集合。
进一步的，步骤2基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力，具体包括：
为实现电动汽车n在t时段定义域的延拓，引入状态变量Xn,t来表征电动汽车并网状态，由电动汽车个体的停靠时间直接得到，如下式所示：
Figure BDA00035655055500000311
式中：Xn,t表示电动汽车个体n在t时段的并网状态，1表示处于并网，0表示处于离网；
Figure BDA0003565505550000041
表示电动汽车个体n到达的时间；
Figure BDA0003565505550000042
表示电动汽车个体n离开的时间；
然后，将单个电动汽车模型定义域
Figure BDA0003565505550000043
延拓至全调度周期T，引入闵可夫斯基求和的思想将电动汽车群体聚合为广义储能设备，如下所示：
Figure BDA0003565505550000044
式中：
Figure BDA0003565505550000045
分别表示充电站j广义储能设备在t时段的最大充放电功率；
Figure BDA0003565505550000046
分别表示充电站j广义储能设备在t时段的电量边界；ΔSj,t表示某个充电站j广义储能设备在t时段因EV(电动汽车)并网状态变化导致的电量变化；
为利用充电站历史运行数据预测电动汽车集群的可调度潜力，首先定义并选取预测所需要的历史数据，如下所示：
Figure BDA0003565505550000048
式中:Ωv表示数据集v中的电动汽车数据；Nv表示数据集v中电动汽车的数量；EVn表示电动汽车n的历史运行数据；
充电站记录的电动汽车历史数据包括其到达时刻、到达时刻的电池电量、离开时刻、离开时刻的电池电量、电池电量下界、电池电量上界、电池最大充电功率、最大放电功率，如下所示：
Figure BDA0003565505550000047
最后，计算每一个数据集的广义储能设备参数，计算公式如下：
Figure BDA0003565505550000051
将计算结果作为后验得到的电动汽车集群可调度潜力。
进一步的，所述广义回归神经网络(GRNN)由四层构成，包括：输入层、模式层、求和层和输出层，对应的网络输入为X＝[x1，x2，…，xn]T，网络输出为Y＝[y1，y2，…，yk]T；
输入层：输入层神经元数目等于学习样本中输入向量的维数，各个神经元是最简单的分布单元，直接将输入变量传递给模式层；
模式层：模式层神经元个数依然与学习样本数目相同，各神经元对应不同的样本，模式层神经元传递函数为：
Figure BDA0003565505550000052
神经元i的输出为输入变量与其对应的样本X之间Eulid距离平方的指数平方
Figure BDA0003565505550000053
的指数形式，式中X为网络输入变量；Xi为第i个神经元对应的学习样本；
求和层：求和层中使用两种类型的神经元进行求和；
第一类神经元的计算公式：
Figure BDA0003565505550000054
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
Figure BDA0003565505550000055
第二类神经元的计算公式：
Figure BDA0003565505550000061
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：
Figure BDA0003565505550000062
输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果
Figure BDA0003565505550000063
的第j个元素，即：
Figure BDA0003565505550000064
进一步的，步骤3中训练广义回归神经网络模型，具体包括：将电动汽车历史数据中前一天t时段的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为GRNN的输入，将历史数据中当天的广义储能设备在t时段的
Figure BDA0003565505550000065
ΔSj,t依次分别看成y1、y2、y3、y4、y5作为GRNN的输出，采用随机梯度下降法更新模型参数。
进一步的，步骤4中将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力，具体包括：利用当前的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为训练完成的GRNN的输入，预测得到未来一天中t时刻的电动汽车集群可调度潜力，从而得到日前电动汽车集群可调度潜力的预测值。
一种基于数模混合驱动的电动汽车集群可调度潜力预测装置，包括：
决策空间获取模块，用于针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
决策空间叠加模块，用于基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
模型训练模块，用于将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
可调度潜力预测模块，用途将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
本发明针对电动汽车传统建模方法存在的变量多、单个电动汽车出行特点难以掌握的缺点，基于闵可夫斯基求和对电动汽车集群可调度潜力进行物理建模，可在保留变量间约束关系的前提下，将单个EV变量映射到一个超立方体空间，其包含所有个体的决策空间，保证了所有充放电决策的可行性；本发明基于GRNN对电动汽车集群可调度潜力进行预测，可解决现有LSTM、RNN、CNN等预测模型的优化参数多、结构复杂、对历史数据需求量大的不足的问题。
附图说明
图1是本发明基于数模混合驱动的电动汽车集群可调度潜力预测方法的流程示意图；
图2是广义回归神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明基于数模混合驱动的电动汽车集群可调度潜力预测方法其中一个实施例的流程图，所述方法包括：
步骤1：针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间。电动汽车可调度潜力并不像其他负荷一样是一组确定的功率向量，这是因为与电动汽车停泊特性有关系，电动汽车个体的决策空间指的是所有可能的充放电决策构成的包络空间。所述电动汽车个体的决策空间包括充放电功率边界约束、电池容量安全边界。
由于快充电动汽车不具备可调度潜力，而慢充模式的电动汽车具有反相供电的能力以及负荷可平移的特点，针对慢充模式的单个电动汽车建模，充放电功率边界约束如下所示：
Figure BDA0003565505550000081
式中：
Figure BDA0003565505550000082
分别表示电动汽车n在t时段的充、放电功率；
Figure BDA0003565505550000083
分别表示电动汽车n的充、放电上限；
Figure BDA0003565505550000084
表示电动汽车n并网时间集合。
Figure BDA0003565505550000085
式中：sn,t、sn,t-1分别表示电动汽车n在t时段及t-1时段的电池电量；ηch、ηdis、ηref分别表示充、放电效率和放电补偿系数；Δt表示调度时间窗口。
电动汽车n在t时段电池容量安全边界如下所示：
Figure BDA0003565505550000086
式中：
Figure BDA0003565505550000087
分别表示电池容量安全边界的上下界限。
考虑到海量电动汽车会引入大量变量导致模型维度过高且单个EV出行特性难以预测，同时单个EV的充放电容量并未达到参与电力市场的门槛，一般需要由负荷聚合商统一管理。而充电站正好充当这一角色，其通过管理站内EV的充放电统一参与市场投标。所以直接参与市场投标的是整个充电站的总负荷，如下式所示：
Figure BDA0003565505550000091
式中：
Figure BDA0003565505550000092
分别表示某个充电站j总的充、放电功率；
Figure BDA0003565505550000093
表示某个充电站j中的电动汽车集合；T表示调度时间集合。
步骤2：基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力。
考虑到现有电动汽车可调度潜力计算模型无法兼顾准确性和泛化性的问题，将充电站内的若干个体叠加形成一个新的包含所有个体的决策空间。为了实现单个电动汽车n定义域的延拓，引入状态变量Xn,t来表征电动汽车并网状态，由电动汽车个体的停靠时间直接得到，如下式所示：
Figure BDA0003565505550000094
式中：Xn,t表示电动汽车个体n在t时段的并网状态，1表示处于并网，0表示处于离网；
Figure BDA0003565505550000095
表示电动汽车个体n到达的时间；
Figure BDA0003565505550000096
表示电动汽车个体n离开的时间。进一步地，将单个电动汽车模型定义域
Figure BDA0003565505550000097
延拓至全调度周期T，引入闵可夫斯基求和的思想将电动汽车群体聚合为广义储能设备，如下式所示：
Figure BDA0003565505550000098
式中：
Figure BDA0003565505550000101
分别表示充电站j广义储能设备在t时段的最大充放电功率；
Figure BDA0003565505550000102
分别表示充电站j广义储能设备在t时段的电量边界；ΔSj,t表示某个充电站j广义储能设备在t时段因EV并网状态变化导致的电量变化。
在保留变量间约束关系前提下，将单个电动汽车的变量空间映射到一个超立方体空间，从而保证充放电决策的可行性。该空间包含了充电站所有可能的充放电决策，而广义储能设备的关键参数
Figure BDA0003565505550000103
决定了电动汽车集群作为柔性储荷资源的潜力，将其作为电动汽车集群的可调度潜力。
为利用充电站历史运行数据预测电动汽车集群的可调度潜力，首先定义并选取预测所需要的历史数据，如下所示：
Figure BDA0003565505550000104
式中:Ωv表示数据集v中的电动汽车数据；Nv表示数据集v中电动汽车的数量；EVn表示电动汽车n的历史运行数据。
充电站记录的电动汽车历史数据包括其到达时刻、到达时刻的电池电量、离开时刻、离开时刻的电池电量、电池电量下界、电池电量上界、电池最大充电功率、最大放电功率，如下所示：
Figure BDA0003565505550000105
计算每一个数据集的广义储能设备参数，计算公式如下：
Figure BDA0003565505550000106
将计算结果作为后验得到的电动汽车集群可调度潜力。
步骤3：将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型。
所述的广义回归神经网络(GRNN)由四层构成，包括：输入层、模式层、求和层和输出层。对应的网络输入X＝[x1，x2，…，x7]T，其中输出为Y＝[y1，y2，…，y5]T。广义回归神经网络结构图如图2所示。
输入层：输入层神经元数目等于学习样本中输入向量的维数，各个神经元是最简单的分布单元，直接将输入变量传递给模式层。
模式层：模式层神经元个数依然与学习样本数目相同，各神经元对应不同的样本，模式层神经元传递函数为：
Figure BDA0003565505550000111
神经元i的输出为输入变量与其对应的样本X之间Eulid距离平方的指数平方
Figure BDA0003565505550000112
的指数形式。式中X为网络输入变量；Xi为第i个神经元对应的学习样本。
求和层：求和层中使用两种类型的神经元进行求和。
第一类神经元的计算公式：
Figure BDA0003565505550000113
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
Figure BDA0003565505550000114
第二类神经元的计算公式：
Figure BDA0003565505550000115
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：
Figure BDA0003565505550000121
输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果
Figure BDA0003565505550000124
的第j个元素，即：
Figure BDA0003565505550000122
其中训练广义回归神经网络模型，具体包括：将历史数据中前一天t时段的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为GRNN的输入，将历史数据中当天的广义储能设备在t时段的
Figure BDA0003565505550000123
ΔSj,t依次分别看成y1、y2、y3、y4、y5作为GRNN的输出，采用随机梯度下降法更新模型参数。
步骤4：将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。具体的，利用当前的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为训练完成的GRNN的输入，就可预测得到未来一天中t时刻的电动汽车集群可调度潜力，从而得到日前电动汽车集群可调度潜力的预测值。
本发明实施例还提供一种基于数模混合驱动的电动汽车集群可调度潜力预测装置，包括：
决策空间获取模块，用于针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
决策空间叠加模块，用于基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
模型训练模块，用于将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
可调度潜力预测模块，用途将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
本发明通过充电站统一管理站内的电动汽车的充放电功率，使得电动汽车作为灵活资源参与电力市场投标，而准确预测电动汽车集群的可调度潜力将直接影响参与电力市场投标决策的可行性以及系统灵活资源优化配置策略的有效性和灵活性，因此电动汽车可调度潜力的预测具有重要价值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：包括如下步骤：
步骤1、针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
步骤2、基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
步骤3、将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
步骤4、将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
2.如权利要求1所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：步骤1中是针对慢充模式的单个电动汽车充放电状态进行建模，所述电动汽车个体的决策空间包括放电功率边界约束、电池容量安全边界以及充电站的总负荷。
3.如权利要求2所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：所述充放电功率边界约束如下所示：
Figure FDA0003565505540000011
式中：
Figure FDA0003565505540000012
分别表示电动汽车n在t时段的充、放电功率；
Figure FDA0003565505540000013
分别表示电动汽车n的充、放电上限功率；
Figure FDA0003565505540000014
表示电动汽车n并网时间集合；
Figure FDA0003565505540000015
式中：sn,t、sn,t-1分别表示电动汽车n在t时段及t-1时段的电池电量；ηch、ηdis、ηref分别表示充、放电效率和放电补偿系数；Δt表示调度时间窗口；
电动汽车n在t时段电池容量安全边界如下所示：
Figure FDA0003565505540000021
式中：
Figure FDA0003565505540000022
分别表示电池容量安全边界的上下界限；
通过管理站内EV的充放电统一参与市场投标，直接参与市场投标的是充电站的总负荷，如下式所示：
Figure FDA0003565505540000023
式中：
Figure FDA0003565505540000024
分别表示某个充电站j总的充、放电功率；
Figure FDA0003565505540000025
表示某个充电站j中的电动汽车集合；T表示调度时间集合。
4.如权利要求3所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：步骤2基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力，具体包括：
为实现电动汽车n在t时段定义域的延拓，引入状态变量Xn,t来表征电动汽车并网状态，由电动汽车个体的停靠时间直接得到，如下式所示：
Figure FDA0003565505540000026
式中：Xn,t表示电动汽车个体n在t时段的并网状态，1表示处于并网，0表示处于离网；
Figure FDA0003565505540000027
表示电动汽车个体n到达的时间；
Figure FDA0003565505540000028
表示电动汽车个体n离开的时间；
然后，将单个电动汽车模型定义域
Figure FDA0003565505540000029
延拓至全调度周期T，引入闵可夫斯基求和的思想将电动汽车群体聚合为广义储能设备，如下所示：
Figure FDA0003565505540000031
式中：
Figure FDA0003565505540000032
分别表示充电站j广义储能设备在t时段的最大充放电功率；
Figure FDA0003565505540000033
分别表示充电站j广义储能设备在t时段的电量边界；ΔSj,t表示某个充电站j广义储能设备在t时段因EV并网状态变化导致的电量变化；
为利用充电站历史运行数据预测电动汽车集群的可调度潜力，首先定义并选取预测所需要的历史数据，如下所示：
Figure FDA0003565505540000034
式中:Ωv表示数据集v中的电动汽车数据；Nv表示数据集v中电动汽车的数量；EVn表示电动汽车n的历史运行数据；
充电站记录的电动汽车历史数据包括其到达时刻、到达时刻的电池电量、离开时刻、离开时刻的电池电量、电池电量下界、电池电量上界、电池最大充电功率、最大放电功率，如下所示：
Figure FDA0003565505540000035
最后，计算每一个数据集的广义储能设备参数，计算公式如下：
Figure FDA0003565505540000036
将计算结果作为后验得到的电动汽车集群可调度潜力。
5.如权利要求1所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：所述广义回归神经网络由四层构成，包括：输入层、模式层、求和层和输出层，对应的网络输入为X＝[x1，x2，…，xn]T，网络输出为Y＝[y1，y2，…，yk]T；
输入层：输入层神经元数目等于学习样本中输入向量的维数，各个神经元是最简单的分布单元，直接将输入变量传递给模式层；
模式层：模式层神经元个数依然与学习样本数目相同，各神经元对应不同的样本，模式层神经元传递函数为：
Figure FDA0003565505540000041
神经元i的输出为输入变量与其对应的样本X之间Eulid距离平方的指数平方
Figure FDA0003565505540000042
的指数形式，式中X为网络输入变量；Xi为第i个神经元对应的学习样本；
求和层：求和层中使用两种类型的神经元进行求和；
第一类神经元的计算公式：
Figure FDA0003565505540000043
它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
Figure FDA0003565505540000044
第二类神经元的计算公式：
Figure FDA0003565505540000045
它对所有模式层的神经元进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为：
Figure FDA0003565505540000046
输出层：输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果
Figure FDA0003565505540000051
的第j个元素，即：
Figure FDA0003565505540000052
6.如权利要求5所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：步骤3中训练广义回归神经网络模型，具体包括：将电动汽车历史数据中前一天t时段的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为GRNN的输入，将历史数据中当天的广义储能设备在t时段的
Figure FDA0003565505540000053
ΔSj,t依次分别看成y1、y2、y3、y4、y5作为GRNN的输出，采用随机梯度下降法更新模型参数。
7.如权利要求1所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法，其特征在于：步骤4中将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力，具体包括：利用当前的电动汽车到达时间x1、离开时间x2、到达时电量x3、离开时电量x4、电池电量上界x5、电池电量下界x6、最大充电功率x7作为训练完成的GRNN的输入，预测得到未来一天中t时刻的电动汽车集群可调度潜力，从而得到日前电动汽车集群可调度潜力的预测值。
8.一种基于数模混合驱动的电动汽车集群可调度潜力预测装置，其特征在于包括：
决策空间获取模块，用于针对单个电动汽车充放电状态进行建模，得到电动汽车个体的决策空间；
决策空间叠加模块，用于基于闵可夫斯基求和原理将电动汽车的个体决策空间叠加，聚合得到广义储能设备参数，将其作为后验的电动汽车集群可调度潜力；
模型训练模块，用于将充电站记录的电动汽车历史数据和后验得到的电动汽车集群可调度潜力分别作为广义回归神经网络的输入和输出训练广义回归神经网络模型；
可调度潜力预测模块，用途将充电站记录的日前数据作为训练好的广义回归神经网络模型的输入，预测得到电动汽车集群的可调度潜力。
9.一种电子设备，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1-7中任一项所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于数模混合驱动的电动汽车集群可调度潜力预测方法。
CN202210306553.4A 2022-03-25 2022-03-25 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 Pending CN114692965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210306553.4A CN114692965A (zh) 2022-03-25 2022-03-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210306553.4A CN114692965A (zh) 2022-03-25 2022-03-25 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

Publications (1)

Publication Number Publication Date
CN114692965A true CN114692965A (zh) 2022-07-01

Family

ID=82139673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210306553.4A Pending CN114692965A (zh) 2022-03-25 2022-03-25 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

Country Status (1)

Country Link
CN (1) CN114692965A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024060521A1 (zh) * 2022-09-21 2024-03-28 国网河北省电力有限公司电力科学研究院 主动型负荷可调度潜力的计算方法、终端及存储介质
CN117895557A (zh) * 2024-03-14 2024-04-16 国网山西省电力公司临汾供电公司 一种配电网调控方法、装置、介质及产品

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313449A (zh) * 2020-03-02 2020-06-19 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111313449A (zh) * 2020-03-02 2020-06-19 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王静: "城市需水量预测研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2016 (2016-02-15), pages 3 *
詹祥澎等: "考虑电动汽车可调度潜力的充电站两阶段市场投标策略", 《电力系统自动化》, 25 May 2021 (2021-05-25), pages 1 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024060521A1 (zh) * 2022-09-21 2024-03-28 国网河北省电力有限公司电力科学研究院 主动型负荷可调度潜力的计算方法、终端及存储介质
CN117895557A (zh) * 2024-03-14 2024-04-16 国网山西省电力公司临汾供电公司 一种配电网调控方法、装置、介质及产品
CN117895557B (zh) * 2024-03-14 2024-05-24 国网山西省电力公司临汾供电公司 一种配电网调控方法、装置、介质及产品

Similar Documents

Publication Publication Date Title
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
Wang et al. Distributed control for large-scale plug-in electric vehicle charging with a consensus algorithm
Zhang et al. A real-time energy management and speed controller for an electric vehicle powered by a hybrid energy storage system
Zhou et al. LSTM-based energy management for electric vehicle charging in commercial-building prosumers
CN114692965A (zh) 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
Yang et al. A reinforcement learning-based energy management strategy for fuel cell hybrid vehicle considering real-time velocity prediction
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
Chen et al. A battery management strategy in microgrid for personalized customer requirements
CN112491094B (zh) 一种混合驱动的微电网能量管理方法、系统及装置
Li et al. Online battery protective energy management for energy-transportation nexus
CN105631528A (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN113824111A (zh) 一种光储能场景中储能容量配置和调度方法
Jia et al. Learning-based model predictive energy management for fuel cell hybrid electric bus with health-aware control
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
CN107219469A (zh) 适用于无人机电池的续航电量预测方法
Yi et al. A data-driven framework for residential electric vehicle charging load profile generation
CN116470543A (zh) 一种虚拟电厂的运行控制方法、装置、设备及介质
CN114629148A (zh) 一种含电动汽车资源的电力系统调度框架方法及其系统
Trigkas et al. Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence
Ren et al. Optimal dynamic power allocation for electric vehicles in an extreme fast charging station
CN111516702B (zh) 一种混合动力车辆在线实时分层能量管理方法和系统
Liu et al. Real-time energy management strategy for fuel cell/battery vehicle based on speed prediction DP solver model predictive control
Kurukuru et al. Electric Vehicle Charging/Discharging Models for Estimation of Load Profile in Grid Environments
Wehinger et al. Assessing the effect of storage devices and a PHEV cluster on German spot prices by using model predictive and profit maximizing agents
CN114291067A (zh) 基于预测的混合动力汽车凸优化能量控制方法及系统

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