CN115577614A - 基于二次聚类的电动汽车集群可调度容量建模方法 - Google Patents

基于二次聚类的电动汽车集群可调度容量建模方法 Download PDF

Info

Publication number
CN115577614A
CN115577614A CN202211074087.8A CN202211074087A CN115577614A CN 115577614 A CN115577614 A CN 115577614A CN 202211074087 A CN202211074087 A CN 202211074087A CN 115577614 A CN115577614 A CN 115577614A
Authority
CN
China
Prior art keywords
charging
clustering
formula
capacity
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.)
Pending
Application number
CN202211074087.8A
Other languages
English (en)
Inventor
王杨洋
茆美琴
施永
杜燕
李端超
杨铖
周堃
朱明磊
王媛玥
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.)
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
State Grid Anhui Electric Vehicle Service Co Ltd
Original Assignee
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
State Grid Anhui Electric Vehicle Service 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 Hefei University of Technology, State Grid Anhui Electric Power Co Ltd, State Grid Anhui Electric Vehicle Service Co Ltd filed Critical Hefei University of Technology
Priority to CN202211074087.8A priority Critical patent/CN115577614A/zh
Publication of CN115577614A publication Critical patent/CN115577614A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于二次聚类的电动汽车集群可调度容量建模方法，应用于大规模电动汽车参与电力系统不同辅助服务场景下，针对性评估聚合可调度容量时空分布。基于充电桩充电历史运营数据对电动汽车个体单次充电过程可调度容量进行建模，获得可充电容量、可充电功率、可放电容量和可放电功率描述可调度容量指标；将充电运营数据采用K‑means方法聚类为数种充电画像；根据电力系统辅助服务的场景选择二次聚类的原始参数并结合一次聚类结果，采用主成分分析和自组织映射相结合的方法将充电桩进一步聚类为数个充电桩聚合体；最后得到每个聚合体的聚合可调度容量。本发明方法能够获得具有不同时空分布特性的可调度容量聚合模型，使之适应于各类型场景调度。

Description

基于二次聚类的电动汽车集群可调度容量建模方法
技术领域
本发明涉及一种基于二次聚类的电动汽车集群可调度容量建模方法，更具体地说是应用于电动汽车大规模接入电网的环境下，电动汽车参与电网不同辅助服务时，大规模电动汽车的可调度容量时空分布评估方法。因此给出一种可以综合电动汽车行为习惯和充电桩特性的聚合方法，以及电动汽车单次充电过程和聚合体的可调度容量的建模方法，从而获得符合辅助服务需求的电动汽车聚合体的可调度容量时空分布。
背景技术
巨量电动汽车(Electric Vehicle,EV)不稳定的电能需求的随机性与可再生能源的波动性耦合会加剧电力系统供求时空不匹配问题，并将带来电压波动、网损上升等问题。但是，电动汽车与电网智能互动技术的应用，如，有序充电和电动汽车到电网(Vehicle toGrid,V2G) 以及人工智能技术可以将EV聚合成可调度资源，从而参与调频、调压和调峰等电力系统电力平衡辅助服务，提升电力系统整体运行效率。
由于单台电动汽车容量和功率很小，而省市级辅助服务至少需要数百千瓦到数百兆瓦级的可调范围，因此现有规范(如《广州市虚拟电厂实施细则》《安徽电力调峰辅助服务市场运营规则(试行)》等)一般对电力系统辅助服务的参与方容量有准入要求。因此，针对大规模电动汽车聚合可调度容量时空特性分布展开研究，具有重要的理论及实际意义。电动汽车聚合可调度容量是EV集群(EVA)作为可调度资源参与电网辅助服务的能力，其含义为在满足用户电能需求的前提下，EV作为储能系统与电网进行双向交换能量的上下限，以及对应的充放电功率上下限。
但现有模型中，电动汽车的集群聚合方法主要基于经验的，且不会根据充电桩情况或者场景需求改变集群组成。比如直接将一个或数个充电站视为一个集群，或者将区域内的所有 EV根据数量均分为多个集群。这类方法形成的集群，同一集群内部的EV个体缺乏时空等特征上的一致性，不同的集群之间也缺乏明确的特性差别，难以针对不同场景聚合成具有适应性的集群。基于此，有研究提出了根据电动汽车的行为数据或者电动汽车充电桩/站的属性数据采用智能聚类算法形成不同集群的方法。但目前的聚类算法一般仅面向电动汽车个体或者仅面向充电桩/站进行聚类，难以综合考虑二者影响。并且在聚类时不会根据调度场景需求改变聚类依据，从而有可能降低调度效果。
发明内容
本发明是为避免上述现有技术所存在的不足，提供一种基于二次聚类的电动汽车可调度容量建模方法，是一种应用与电动汽车参与电网辅助服务时上报可调度容量的方法；以期通过本发明方法能够获得具有不同时空分布特性的可调度容量聚合模型，使之适应于各类型场景调度。
本发明为解决技术问题采用如下技术方案：
本发明基于二次聚类的电动汽车集群可调度容量建模方法的特点是：首先基于充电桩充电历史运营数据对电动汽车个体单次充电过程的可调度容量进行建模，获得可充电容量、可充电功率、可放电容量和可放电功率四个描述可调度容量的指标；其次将充电运营数据采用 K-means方法聚类为数种充电画像；再根据电力系统辅助服务的场景选择二次聚类的原始参数并结合一次聚类结果，采用主成分分析和自组织映射相结合的方法将充电桩进一步聚类为数个充电桩聚合体；最后得到每个聚合体的聚合可调度容量。
本发明基于二次聚类的电动汽车集群可调度容量建模方法的特点也在于包括如下步骤：
步骤1、根据电动汽车个体充电运营数据进行单次充电过程可调度容量建模
所述电动汽车个体充电运营数据包括：充电开始时间、充电结束时间、充电总电量、充电桩额定充电功率和充电桩额定放电功率；
所述单次充电过程的可调度容量是指在满足电动汽车用户电能需求的前提下，电动汽车个体与电网交换的能量和功率的上限和下限；采用可充电容量SCC、可充电功率SCP、可放电容量SDC和可放电功率SDP四个指标来描述可调度容量；
所述可充电容量SCC由式(1)所表征：
SCCd,t＝min[Ed,c,(t+ts-td,0)Pcηc]-Ed,t (1)
式(1)中：
以d表征充电记录的编号，d＝1,…,D，D为充电记录的总数，ηc为充电效率；
SCCd,t是编号为d的充电记录在t时刻的可充电容量，Pc为额定充电功率；
ts为调度时间间隔，td,0为编号为d的充电记录充电的开始时间；
Ed,c是编号为d的充电记录的充电的总电量；
Ed,t是编号为d的充电记录在t时刻的电量，由式(2)计算获得：
Ed,t＝min(Ed,c,(t-td,0)Pcηc) (2)
所述可充电功率SCP由式(3)所表征：
SCPd,t＝min(SCCd,t/ηcts,Pc) (3)
式(3)中：
SCPd,t是编号为d的充电记录在t时刻的可充电功率；
所述可放电容量SDC由式(4)所表征：
SDCd,t＝Ed,t-max[0,Ed,c-(td,end-t-ts)Pcηc] (4)
式(4)中：
SDCd,t是编号为d的充电记录在t时刻的可放电容量；
td,end是编号为d的充电记录充电的结束时间；
所述可放电功率SDP由式(5)所表征：
Figure RE-GDA0003942068140000036
式(5)中：
SDPd,t是编号为d的充电记录在t时刻的可放电功率，
Pd为额定放电功率，ηd为放电效率；
步骤2、聚类参数的选取和数据归一化：
一次聚类选取四个参数，分别是空闲时间占比ftrd，以及通过读取历史数据获得的充电开始时间、充电结束时间和充电总电量；
所述空闲时间占比ftrd由式(6)表征：
Figure RE-GDA0003942068140000031
所述空闲时间占比ftrd是指：充电时间中空闲时间占总充电时间的比例，其值为0-1；
则，一次聚类的参数向量
Figure RE-GDA0003942068140000032
由式(7)所表征：
Figure RE-GDA0003942068140000033
对一次聚类所选取的四个参数按式(8)进行归一化处理：
Figure RE-GDA0003942068140000034
式(8)中：
Figure RE-GDA0003942068140000035
是编号为d的充电记录归一化后的参数向量；
xmin为参数最小值向量，xmax为参数最大值向量；
步骤3、基于k-means算法的充电行为一次聚类：
步骤3.1、初始化聚类数目K的值为2，设定最大聚类数目Kmax和最大迭代次数itermax；
步骤3.2、根据聚类数目K的值，随机选取K个数据作为初始聚类中心，初始化迭代次数iter的赋值为1；
步骤3.3、按式(9)计算获得每个数据对象与聚类中心的距离，将数据与最近的聚类中心归为一类：
Figure RE-GDA0003942068140000041
式(9)中：
||a-b||是向量a和b的距离；
ai为向量a的第i个维度，bi为向量b的第i个维度，I为向量a与b的总维数；
步骤3.4、根据步骤3.3的归类结果，按式(10)计算获得第k类的中心坐标R(k)，以此更新每一类的中心；
Figure RE-GDA0003942068140000042
式(10)中：
以k表征每一类的编号，k＝1,…,K；
以jk表征第k类的参数向量编号，Nk为第k类的参数向量数目，jk＝1,…,NK；
Figure RE-GDA0003942068140000043
为第jk个参数向量；
步骤3.5、将迭代次数iter的赋值加1，若加1之后的迭代次数iter小于itermax，则返回步骤3.3，否则进入步骤3.6；
步骤3.6、按式(11)计算获得聚类数目为K时的Davies-Bouldin指标值DBI(K)：
Figure RE-GDA0003942068140000044
式(11)中：
以h表征需要和第k类计算距离的其它类的编号；
Figure RE-GDA0003942068140000045
为第k类的数据对象与聚类中心的距离均值；
Figure RE-GDA0003942068140000046
为第h类的数据对象与聚类中心的距离均值；
dk,h为第h类和第k类聚类中心的距离；
步骤3.7、将K的赋值增加1，若加1之后的K赋值大于Kmax，则返回步骤3.2；否则选取DBI值最小的K，输出对应的聚类结果，步骤3结束，完成一次聚类，由此，充电行为都被聚类为K种，将其称为充电画像，即有K种充电画像；
步骤4、二次聚类的数据准备：
二次聚类的对象为充电桩，充电桩中各类充电画像的比例称为充电画像向量，由式(12)表征：
Figure RE-GDA0003942068140000051
式(12)中：
以s表征充电桩的编号，以nS表征充电桩的总数，s＝1,…,nS；
ps为充电桩s的充电画像向量；Ns,k为充电桩s的第k类充电画像的数量；
根据电动汽车参与辅助服务的场景设定相应的选择参数，将所述选择参数加入充电画像向量的尾部，形成由式(13)所表征的具有多维参数的充电桩参数向量
Figure RE-GDA0003942068140000052
Figure RE-GDA0003942068140000053
式(13)中：
以M0表征充电桩参数向量的维数；以m0表征充电桩参数向量的维度编号，m0＝1,…,M0；
Figure RE-GDA0003942068140000054
为充电桩参数向量
Figure RE-GDA0003942068140000055
的第m0个维度；
合计S个充电桩参数向量形成的矩阵
Figure RE-GDA0003942068140000056
作为二次聚类的原始数据；
所述矩阵
Figure RE-GDA0003942068140000057
由式(14)表征：
Figure RE-GDA0003942068140000058
步骤5、基于主成分分析方法的降维：
步骤5.1、计算矩阵
Figure RE-GDA0003942068140000059
的协方差矩阵；
步骤5.2、计算所述协方差矩阵的特征值
Figure RE-GDA00039420681400000510
和对应的特征向量
Figure RE-GDA00039420681400000511
步骤5.3、将特征值从大到小进行排列，选取合计占总特征值之和95％以上的特征值对应的特征向量合并为降维矩阵Cs，以m表示降维矩阵的列编号，降维矩阵的总列数记为M；
所述降维矩阵Cs由式(15)表征：
Cs＝[x1,...,xs,...,xS]T (15)
式(15)中，xs为降维后的充电桩参数向量；
步骤6、基于自组织映射神经网络的二次聚类：
通过自组织映射神经网络SOM二次聚类后，输入降维矩阵Cs中的S个向量xs被聚类为 L个类，形成了L个充电桩聚合体；
步骤7、获得各聚合体可调度容量聚合模型：
所述L个充电桩聚合体，其每个聚合体的可调度容量即为本聚合体所有的充电记录的可调度容量之和，由式(16)表征：
Figure RE-GDA0003942068140000061
式(16)中：
以l表征充电桩聚合体的编号，l＝1,…,L；Nl为充电桩聚合体l中充电纪录的数目；
SCCl,t为t时刻编号为l的充电桩聚合体可充电容量；
SCPl,t为t时刻编号为l的充电桩聚合体可充电功率；
SDCl,t为t时刻编号为l的充电桩聚合体可放电容量；
SDPl,t为t时刻编号为l的充电桩聚合体可放电功率。
完成聚合体的可调度容量建模。
本发明基于二次聚类的电动汽车集群可调度容量建模方法的特点也在于：在所述步骤6 中是按如下方法进行二次聚类：
自组织映射神经网络SOM的输入层为Cs，输出层为二维排列的神经元；
所述神经元是与降维矩阵Cs列数M相同长度的向量wj，由式(17)表征：
Figure RE-GDA0003942068140000062
式(17)中：
以j表征神经元的编号，以J表征神经元的数目；
wj,m为神经元j的第m个权值，对应降维矩阵Cs的第m列；
步骤6.1、输入矩阵Cs，输入SOM神经元的数目L，输入二次聚类迭代次数最大值timax，初始化所有神经元wj，初始化二次聚类迭代次数ti的值为1；
步骤6.2、采用式(8)归一化矩阵Cs中的向量xs；
步骤6.3、随机选取一个xs，采用式(9)计算其与所有神经元向量的距离，选取距离最小的神经元向量为获胜神经元wc；
步骤6.4、对获胜神经元wc和与获胜神经元相邻的神经元按式(18)进行权值更新：
wj(ti+1)＝wj(ti)+α(ti)h(j,c)(xs-wj(ti)) (18)
式(18)中：
wj(ti)为第ti次迭代时神经元的向量；
wj(ti+1)为第ti+1次迭代时神经元的向量；
α(ti)为第ti次迭代时的学习率，其值随着迭代次数增加而下降；
h(j,c)为神经元wj和神经元wc的邻域函数，由式(19)表征：
h(j,c)＝exp(-||Zj-Zc||/2δ(ti)2) (19)
式(19)中：
Zj为神经元j的坐标；Zc为神经元c的坐标；
δ(ti)为第ti次迭代时邻域半径，其值随着迭代次数增加而下降；
步骤6.5、将ti的赋值增加1，并判断在增加1之后是否大于timax；
若不大于timax，则返回步骤6.3；
否则结束二次聚类，实现基于SOM方法的二次聚类过程。
本发明基于二次聚类的电动汽车集群可调度容量建模方法的特点也在于：在所述步骤4 中根据电动汽车参与辅助服务的场景设定相应的选择参数是指：若用于调压，设定相应的选择参数为：充电桩经度、纬度和额定充电功率；若用于调峰和调频，设定相应的选择参数为：额定充电功率。
与已有技术相比，本发明有益效果体现在：
1、本发明基于充电桩运营数据对EV单次充电过程和聚合体的可调度容量进行建模，在建模中考虑不同场景辅助服务技术需求对可调度容量模型的影响。相比传统的充电过程建模的方法，本发明方法一方面降低了建模所需的数据量，从而提高通信和计算效率，另一方面可以更好地与电力系统辅助服务场景的需求匹配；
2、本发明通过智能的二次聚类综合考虑了电动汽车行为习惯特性和充电桩固有特性，而传统方法聚类中只能考虑电动汽车特性和充电桩特性两者之一，因此本发明聚类方法可以更好地体现电动汽车聚合体的实际可调度容量时空分布。
3、本发明采用k-means和SOM相结合的方法，相比均采用K-means或SOM方法进行聚类，可以兼顾k-means面对大规模数据聚类速度快的优点和SOM聚类准确性较好的优点，从而可以提升聚类效率和聚类效果。
附图说明
图1和图2分别为调频调压条件下2021年12月1日的可调度容量和可高度功率；
图3和图4分别为调峰条件下2021年12月1日的可调度容量和可调度功率；
图5和图6分别为调频条件下2021年12月1日EVA1的可调度容量和可调度功率；
图7和图8分别为调峰条件下2021年12月1日EVA1的可调度容量和可调度功率；
图9和图10分别为调压条件下2021年12月1日EVA1的可调度容量和可调度功率；
图11为“傍晚型”充电画像的充电功率，ftr＝0.55；
图12为“凌晨型”充电画像的充电功率，ftr＝0.66；
具体实施方式
本实施例基于二次聚类的电动汽车集群可调度容量建模方法是，首先基于充电桩充电历史运营数据对电动汽车个体单次充电过程的可调度容量进行建模，获得可充电容量、可充电功率、可放电容量和可放电功率四个描述可调度容量的指标；其次将充电运营数据采用 K-means方法聚类为数种充电画像；再根据电力系统辅助服务的场景选择二次聚类的原始参数并结合一次聚类结果，采用主成分分析和自组织映射相结合的方法将充电桩进一步聚类为数个充电桩聚合体；最后得到每个聚合体的聚合可调度容量。
本实施例中基于二次聚类的电动汽车集群可调度容量建模方法包括如下步骤：
步骤1、根据电动汽车充电运营数据的单次充电过程可调度容量建模
电动汽车充电运营数据包括：充电开始时间、充电结束时间、充电总电量、充电桩额定充电功率和充电桩额定放电功率；
可调度容量是指在满足电动汽车用户电能需求的前提下，电动汽车作为储能系统与电网进行双向交换能量的上限和下限，以及对应的充放电功率的上限和下限；采用可充电容量SCC、可充电功率SCP、可放电容量SDC和可放电功率SDP四个指标来描述可调度容量；这四个指标的计算基于两个假设，即假设电动汽车以最大功率恒定充电，以及电动汽车在接入充电桩时即开始充电。
可充电容量SCC由式(1)所表征：
SCCd,t＝min[Ed,c,(t+ts-td,0)Pcηc]-Ed,t (1)
式(1)中：
以d表征充电记录的编号，D为充电记录的总数，d＝1,…,D，ηc为充电效率；
SCCd,t是编号为d的充电记录在t时刻的可充电容量，Pc为额定充电功率；
ts为调度时间间隔，td,0为编号为d的充电记录充电的开始时间；
Ed,c是编号为d的充电记录的充电的总电量；
Ed,t是编号为d的充电记录在t时刻的电量，由式(2)计算获得：
Figure RE-GDA0003942068140000081
可充电功率SCP由式(3)所表征：
Figure RE-GDA0003942068140000094
式(3)中：
SCPd,t是编号为d的充电记录在t时刻的可充电功率；
可放电容量SDC由式(4)所表征：
SDCd,t＝Ed,t-max[0,Ed,c-(td,end-t-ts)Pcηc] (4)
式(4)中：
SDCd,t是编号为d的充电记录在t时刻的可放电容量；
td,end是编号为d的充电记录充电的结束时间；
可放电功率SDP由式(5)所表征：
Figure RE-GDA0003942068140000095
式(5)中：
SDPd,t是编号为d的充电记录在t时刻的可放电功率，
Pd为额定放电功率，ηd为放电效率；
如下步骤2到步骤6是对二次聚类的主要过程。一次聚类以电动汽车充电记录为原始数据，通过K-means聚类获得多种充电画像；而后将充电桩中各类型充电画像的比例和以及由调度场景决定的充电桩特性作为原始数据，对充电桩进行进一步聚类。最终形成具有不同特征的EVA以便于预测，从而适用于调频、调峰和调压等多种电力系统调度场景的辅助服务能定量评估。
步骤2、聚类参数的选取和数据归一化：
一次聚类的目的是对充电记录进行聚类，从而使得大量充电记录被聚类为数个在时间和电量等习惯上不同的充电画像。如倾向于上午充电的、倾向于夜间充电的以及全天都可以充电的各类充电画像；一次聚类选取四个参数，分别是空闲时间占比ftrd，以及通过读取历史数据获得的充电开始时间、充电结束时间和充电总电量；
空闲时间占比ftrd由式(6)表征：
Figure RE-GDA0003942068140000091
空闲时间占比ftrd是指：充电时间中空闲时间占总充电时间的比例，其值为0-1；
则，一次聚类的参数向量
Figure RE-GDA0003942068140000092
由式(7)所表征：
Figure RE-GDA0003942068140000093
对一次聚类所选取的四个参数按式(8)进行归一化处理：
Figure RE-GDA0003942068140000101
式(8)中：
Figure RE-GDA0003942068140000102
是编号为d的充电记录归一化后的参数向量；
xmin为参数最小值向量，xmax为参数最大值向量；
待归一化的参数向量不可能完全相等，因此，xmax不可能完全相等于xmin，则式(8)不会出现分母为0的情况。
步骤3、基于k-means算法的充电行为一次聚类：
步骤3.1、初始化聚类数目K的值为2，设定最大聚类数目Kmax和最大迭代次数itermax；
步骤3.2、根据聚类数目K的值，随机选取K个数据作为初始聚类中心，初始化迭代次数iter的赋值为1；
步骤3.3、按式(9)计算获得每个数据对象与聚类中心的距离，将数据与最近的聚类中心归为一类：
Figure RE-GDA0003942068140000103
式(9)中：
||a-b||是向量a和b的距离；
ai为向量a的第i个维度，bi为向量b的第i个维度，I为向量a与b的总维数；
步骤3.4、根据步骤3.3的归类结果，按式(10)计算获得第k类的中心坐标R(k)，以此更新每一类的中心；
Figure RE-GDA0003942068140000104
式(10)中：
以k表征每一类的编号，k＝1,…,K；
以jk表征第k类的参数向量编号，Nk为第k类的参数向量数目，jk＝1,…,NK；
Figure RE-GDA0003942068140000105
为第jk个参数向量；
步骤3.5、将迭代次数iter的赋值加1，若加1之后的迭代次数iter小于itermax，则返回步骤3.3，否则进入步骤3.6；
步骤3.6、按式(11)计算获得聚类数目为K时的Davies-Bouldin指标值DBI(K)：
Figure RE-GDA0003942068140000111
式(11)中：
以h表征需要和第k类计算距离的其他类的编号；
Figure RE-GDA0003942068140000112
为第k类的数据对象与聚类中心的距离均值；
Figure RE-GDA0003942068140000113
为第h类的数据对象与聚类中心的距离均值；
dk,h为第h类和第k类聚类中心的距离；
Davies-Bouldin指标值是一种常见的评价聚类质量的指标，其的核心思想是计算每个簇与之最相似簇之间相似度，然后再通过求得所有相似度的平均值来衡量整个聚类结果的优劣。如果簇与簇之间的相似度越高(Davies-Bouldin指标值偏高)，也就说明簇与簇之间的距离越小，那么此时聚类结果就越差，反之亦然。
步骤3.7、将K的赋值增加1，若加1之后的K赋值大于Kmax，则返回步骤3.2；否则选取DBI值最小的K，输出对应的聚类结果，步骤3结束，完成一次聚类，由此，充电行为都被聚类为K种，将其称为充电画像，即有K种充电画像；
步骤4、二次聚类的数据准备：
二次聚类是在一次聚类的结果基础上，对根据充电桩位置信息进一步聚类，从而最终获得多个EVA；二次聚类的对象为充电桩，充电桩中各类充电画像的比例称为充电画像向量，由式(12)表征：
Figure RE-GDA0003942068140000114
式(12)中：
以s表征充电桩的编号，以nS表征充电桩的总数，s＝1,…,nS；
ps为充电桩s的充电画像向量；Ns,k为充电桩s的第k类充电画像的数量；
根据电动汽车参与辅助服务的场景设定相应的选择参数，包括：
若用于调压，设定相应的选择参数为：充电桩经度、纬度和额定充电功率；
若用于调峰和调频，设定相应的选择参数为：额定充电功率。
将选择参数加入充电画像向量的尾部，形成由式(13)所表征的具有多维参数的充电桩参数向量
Figure RE-GDA0003942068140000115
Figure RE-GDA0003942068140000116
式(13)中：
以M0表征充电桩参数向量的维数；以m0表征充电桩参数向量的维度编号，m0＝1,…,M0；
Figure RE-GDA0003942068140000121
为充电桩参数向量
Figure RE-GDA0003942068140000122
的第m0个维度；
合计S个充电桩参数向量形成的矩阵
Figure RE-GDA0003942068140000123
作为二次聚类的原始数据；
矩阵
Figure RE-GDA0003942068140000124
由式(14)表征：
Figure RE-GDA0003942068140000125
步骤5、基于主成分分析方法的降维：
步骤5.1、计算矩阵
Figure RE-GDA0003942068140000126
的协方差矩阵；
步骤5.2、计算协方差矩阵的特征值
Figure RE-GDA0003942068140000127
和对应的特征向量
Figure RE-GDA0003942068140000128
步骤5.3、将特征值从大到小进行排列，选取合计占总特征值之和95％以上的特征值对应的特征向量合并为降维矩阵Cs，以m表示降维矩阵的列编号，降维矩阵的总列数记为M；
降维矩阵Cs由式(15)表征：
Figure RE-GDA0003942068140000129
式(15)中，xs为降维后的充电桩参数向量；
步骤6、基于自组织映射神经网络的二次聚类：
SOM是一种无监督的将高维数据映射到低维空间的竞争学习的神经网络，这个低维空间一般设计为二维网格，每个网格有一个神经元且与其他网格的神经元相邻。其相比K-means有两个特点：一是K-means需要事先定下类的个数，SOM则不用，隐藏层中的某些节点可以没有任何输入数据属于它。所以，K-means受初始化的影响要比较大；二是K-means为每个输入数据找到一个最相似的类后，只更新这个类的参数，而SOM则会更新临近的节点，所以SOM的准确性可能会比K-means好；但另一方面，SOM的时间复杂度远高于K-means。这造成了SOM的速度显著低于K-means，因此不适于数据量很大的一次聚类。
通过自组织映射神经网络SOM二次聚类后，输入降维矩阵Cs中的S个向量xs被聚类为 L个类，形成了L个充电桩聚合体；
具体实施中是按如下方法进行二次聚类：
自组织映射神经网络SOM的输入层为Cs，输出层为二维排列的神经元；
神经元是与降维矩阵Cs列数M相同长度的向量wj，由式(17)表征：
Figure RE-GDA00039420681400001210
式(17)中：
以j表征神经元的编号，以J表征神经元的数目；
wj,m为神经元j的第m个权值，对应降维矩阵Cs的第m列；
步骤6.1、输入矩阵Cs，输入SOM神经元的数目L，输入二次聚类迭代次数最大值timax，初始化所有神经元wj，初始化二次聚类迭代次数ti的值为1；
步骤6.2、采用式(8)归一化矩阵Cs中的向量xs；
步骤6.3、随机选取一个xs，采用式(9)计算其与所有神经元向量的距离，选取距离最小的神经元向量为获胜神经元wc；
步骤6.4、对获胜神经元wc和与获胜神经元相邻的神经元按式(18)进行权值更新：
wj(ti+1)＝wj(ti)+α(ti)h(j,c)(xs-wj(ti)) (18)
式(18)中：
wj(ti)为第ti次迭代时神经元的向量；
wj(ti+1)为第ti+1次迭代时神经元的向量；
α(ti)为第ti次迭代时的学习率，其值随着迭代次数增加而下降；
h(j,c)为神经元wj和神经元wc的邻域函数，由式(19)表征：
h(j,c)＝exp(-||Zj-Zc||/2δ(ti)2) (19)
式(19)中：
Zj为神经元j的坐标；Zc为神经元c的坐标；
δ(ti)为第ti次迭代时邻域半径，其值随着迭代次数增加而下降；
步骤6.5、将ti的赋值增加1，并判断在增加1之后是否大于timax；
若不大于timax，则返回6.3；
否则结束二次聚类，实现基于SOM方法的二次聚类过程。
步骤7、获得可调度容量聚合模型：
L个充电桩聚合体，其每个聚合体的可调度容量即为本聚合体所有的充电记录的可调度容量之和，由式(16)表征：
Figure RE-GDA0003942068140000141
式(16)中：
以l表征充电桩聚合体的编号，l＝1,…,L；Nl为充电桩聚合体l中充电纪录的数目；
SCCl,t为t时刻编号为l的充电桩聚合体可充电容量；SCPl,t为t时刻编号为l的充电桩聚合体可充电功率；SDCl,t为t时刻编号为l的充电桩聚合体可放电容量；SDPl,t为t时刻编号为l的充电桩聚合体可放电功率。
完成聚合体的可调度容量建模。
本实施例以选定区域的的4000余个充电桩全年产生的约180万条充电数据作为原始数据进行本方法说明。每条充电数据信息包括：充电开始时间、结束时间、充电量、额定充电功率、经度、纬度和充电桩编号。计算得知，选定区域中所有数据的ftr均值为0.62。考虑到不同辅助服务技术指标后，计算得到选定区域的单日可调度容量随时间的分布如图1和图2以及图3和图4所示；图1中的曲线a1为可充电容量，曲线b1为可放电容量；图2中的曲线a2为可充电功率，曲线b2为可放电功率。图3中曲线a3为可充电容量，曲线b3为可放电容量；图4中曲线a4为可充电功率，曲线b4为可放电功率。
通过对178万条充电数据中充电开始时间、结束时间、充电电量和空闲时间占比四个参数进行聚类，并采用CH参数循环评估K的选择，最终K＝8时聚类效果最好，CH 值为490640。最终，62.3万条充电数据被分为8类充电画像，一次聚类结果如表1所示。
表1
充电画像 充电次数 平均充电开始时间 平均充电结束时间 平均充电量 平均ftr
1 298656 18:10 23:35 63.08 0.55
2 289507 00:15 07:12 45.41 0.66
3 217034 08:40 15:15 18.13 0.27
4 523755 20:00 06:30 18.75 0.81
5 55225 23:05 03:55 95.62 0.43
6 156904 11:35 13:55 63.08 0.56
7 163964 07:15 11:45 19.24 0.69
8 79110 22:25 02:30 53.95 0.45
选取其中数目最多的2种，其充电功率分布曲线如图11和图12所示。
一次聚类的原始数据选择和场景无关，然而二次聚类则需要根据场景需求决定聚类原始数据。对调峰、调频和调压这三种场景来说，调峰和调频不需要位置参数参与聚类，而调压则需要位置变量。
不含位置的二次聚类：
在调频和调峰场景下，以选定区域的电动汽车充电桩为对象。在一次聚类的基础上，对4181个充电桩形成充电画像向量，与充电桩额定充电功率相结合，产生7维向量。
采用PCA降维，选取对聚类影响合集超过95％的维度。结果显示，维度被降为了4维，大大降低了聚类运算量。采取SOM聚类，最终形成不含位置的2类充电桩二次聚类结果如表2所示：
表2
充电桩聚合体 充电次数 充电桩数目 平均充电功率(KW) 平均ftr
1 955742 1401 121.71 0.68
2 66379 1266 7 0.45
3 438790 557 68.22 0.58
4 69313 82 183.67 0.32
5 236656 251 108.58 0.45
6 17277 431 39.51 0.40
针对EVA1的可调度情况进一步进行分析，如图5和图6，以及图7和图8所示，图5 中的曲线a5为可充电容量，曲线b5为可放电容量；图6中的曲线a6为可充电功率，曲线b6为可放电功率。图7中的曲线a7为可充电容量，曲线b7为可放电容量；图8中的曲线a8为可充电功率，曲线b8为可放电功率；可见，EVA1在调峰和调频场景下的可调度容量和功率均呈现出双峰的特点。且通过可充电容量和可放电容量的对比可以看到，EVA1 在晚间17:00前后可充电容量最高，而后迅速降低，但可放电容量从17:00之后一直维持到凌晨才降低。这说明大量电动汽车从傍晚接入配网就迅速充电直到凌晨以后才离开。说明EVA1 在晚间进行充电功率调整的潜力很大，并且EVA1的ftr为0.68，同样说明了其调度潜力很大。
含位置的二次聚类：
辅助服务调压场景是指电动汽车参与配网调压，而非选定区域内的输电网调压。因此，选取选定区域中充电纪录最多的部分区域A作为电动汽车参与配网调压的场景。在调压场景下，考虑位置变量，选取一次聚类的结果中属于部分区域A的数据，在此基础上，对部分区域A的2122个充电桩形成充电画像向量，并与充电桩经度、纬度和额定充电功率相结合，产生6+3＝9维向量。
采用PCA降维，选取对聚类影响合集超过95％的维度。结果显示，维度被降为了5维，大大降低了聚类运算量。
采取SOM聚类，最终形成如表3所示的包含位置的二次聚类结果，为6类；即2122 个充电桩被聚类为了6个EVA。
表3
充电桩聚合体 充电次数 充电桩数目 平均充电功率(KW) 平均ftr
1 29081 487 7 0.42
2 272705 349 108.46 0.34
3 236145 288 131.42 0.61
4 21190 411 11.35 0.54
5 13439 223 59.492 0.73
6 20037 364 39.81 0.39
针对EVA1的可调度情况进一步进行分析，如图9和图10所示；图9中的曲线a9为可充电容量，曲线b9为可放电容量；图10中的曲线a10为可充电功率，曲线b10为可放电功率。
可以看到EVA1在夜间可调度资源较多，这是由于EVA1的充电桩主要在夜晚运营。而SCC在早上6点之前就进入低谷，SDC则在约9点才进入低谷，说明此时有大量EV 已经充满但并未离开充电桩。

Claims (4)

1.一种基于二次聚类的电动汽车集群可调度容量建模方法，其特征是：首先基于充电桩充电历史运营数据对电动汽车个体单次充电过程的可调度容量进行建模，获得可充电容量、可充电功率、可放电容量和可放电功率四个描述可调度容量的指标；其次将充电运营数据采用K-means方法聚类为数种充电画像；再根据电力系统辅助服务的场景选择二次聚类的原始参数并结合一次聚类结果，采用主成分分析和自组织映射相结合的方法将充电桩进一步聚类为数个充电桩聚合体；最后得到每个聚合体的聚合可调度容量。
2.根据权利要求1所述的基于二次聚类的电动汽车集群可调度容量建模方法，其特征是包括如下步骤：
步骤1、根据电动汽车个体充电运营数据进行单次充电过程可调度容量建模
所述电动汽车个体充电运营数据包括：充电开始时间、充电结束时间、充电总电量、充电桩额定充电功率和充电桩额定放电功率；
所述单次充电过程的可调度容量是指在满足电动汽车用户电能需求的前提下，电动汽车个体与电网交换的能量和功率的上限和下限；采用可充电容量SCC、可充电功率SCP、可放电容量SDC和可放电功率SDP四个指标来描述可调度容量；
所述可充电容量SCC由式(1)所表征：
SCCd,t＝min[Ed,c,(t+ts-td,0)Pcηc]-Ed,t (1)
式(1)中：
以d表征充电记录的编号，d＝1,…,D，D为充电记录的总数，ηc为充电效率；
SCCd,t是编号为d的充电记录在t时刻的可充电容量，Pc为额定充电功率；
ts为调度时间间隔，td,0为编号为d的充电记录充电的开始时间；
Ed,c是编号为d的充电记录的充电的总电量；
Ed,t是编号为d的充电记录在t时刻的电量，由式(2)计算获得：
Ed,t＝min(Ed,c,(t-td,0)Pcηc) (2)
所述可充电功率SCP由式(3)所表征：
SCPd,t＝min(SCCd,t/ηcts,Pc) (3)
式(3)中：
SCPd,t是编号为d的充电记录在t时刻的可充电功率；
所述可放电容量SDC由式(4)所表征：
SDCd,t＝Ed,t-max[0,Ed,c-(td,end-t-ts)Pcηc] (4)
式(4)中：
SDCd,t是编号为d的充电记录在t时刻的可放电容量；
td,end是编号为d的充电记录充电的结束时间；
所述可放电功率SDP由式(5)所表征：
SDPd,t＝-min(SDCd,tηd/ts,Pd) (5)
式(5)中：
SDPd,t是编号为d的充电记录在t时刻的可放电功率，
Pd为额定放电功率，ηd为放电效率；
步骤2、聚类参数的选取和数据归一化：
一次聚类选取四个参数，分别是空闲时间占比ftrd，以及通过读取历史数据获得的充电开始时间、充电结束时间和充电总电量；
所述空闲时间占比ftrd由式(6)表征：
Figure FDA0003830754090000021
所述空闲时间占比ftrd是指：充电时间中空闲时间占总充电时间的比例，其值为0-1；
则，一次聚类的参数向量
Figure FDA0003830754090000022
由式(7)所表征：
Figure FDA0003830754090000023
对一次聚类所选取的四个参数按式(8)进行归一化处理：
Figure FDA0003830754090000024
式(8)中：
Figure FDA0003830754090000025
是编号为d的充电记录归一化后的参数向量；
xmin为参数最小值向量，xmax为参数最大值向量；
步骤3、基于k-means算法的充电行为一次聚类：
步骤3.1、初始化聚类数目K的值为2，设定最大聚类数目Kmax和最大迭代次数itermax；
步骤3.2、根据聚类数目K的值，随机选取K个数据作为初始聚类中心，初始化迭代次数iter的赋值为1；
步骤3.3、按式(9)计算获得每个数据对象与聚类中心的距离，将数据与最近的聚类中心归为一类：
Figure FDA0003830754090000026
式(9)中：
||a-b||是向量a和b的距离；
ai为向量a的第i个维度，bi为向量b的第i个维度，I为向量a与b的总维数；
步骤3.4、根据步骤3.3的归类结果，按式(10)计算获得第k类的中心坐标R(k)，以此更新每一类的中心；
Figure FDA0003830754090000031
式(10)中：
以k表征每一类的编号，k＝1,…,K；
以jk表征第k类的参数向量编号，Nk为第k类的参数向量数目，jk＝1,…,NK；
Figure FDA0003830754090000032
为第jk个参数向量；
步骤3.5、将迭代次数iter的赋值加1，若加1之后的迭代次数iter小于itermax，则返回步骤3.3，否则进入步骤3.6；
步骤3.6、按式(11)计算获得聚类数目为K时的Davies-Bouldin指标值DBI(K)：
Figure FDA0003830754090000033
式(11)中：
以h表征需要和第k类计算距离的其它类的编号；
Figure FDA0003830754090000034
为第k类的数据对象与聚类中心的距离均值；
Figure FDA0003830754090000035
为第h类的数据对象与聚类中心的距离均值；
dk,h为第h类和第k类聚类中心的距离；
步骤3.7、将K的赋值增加1，若加1之后的K赋值大于Kmax，则返回步骤3.2；否则选取DBI值最小的K，输出对应的聚类结果，步骤3结束，完成一次聚类，由此，充电行为都被聚类为K种，将其称为充电画像，即有K种充电画像；
步骤4、二次聚类的数据准备：
二次聚类的对象为充电桩，充电桩中各类充电画像的比例称为充电画像向量，由式(12)表征：
Figure FDA0003830754090000036
式(12)中：
以s表征充电桩的编号，以nS表征充电桩的总数，s＝1,…,nS；
ps为充电桩s的充电画像向量；Ns,k为充电桩s的第k类充电画像的数量；
根据电动汽车参与辅助服务的场景设定相应的选择参数，将所述选择参数加入充电画像向量的尾部，形成由式(13)所表征的具有多维参数的充电桩参数向量
Figure FDA0003830754090000041
Figure FDA0003830754090000042
式(13)中：
以M0表征充电桩参数向量的维数；以m0表征充电桩参数向量的维度编号，m0＝1,…,M0；
Figure FDA0003830754090000043
为充电桩参数向量
Figure FDA0003830754090000044
的第m0个维度；
合计S个充电桩参数向量形成的矩阵
Figure FDA0003830754090000045
作为二次聚类的原始数据；
所述矩阵
Figure FDA0003830754090000046
由式(14)表征：
Figure FDA0003830754090000047
步骤5、基于主成分分析方法的降维：
步骤5.1、计算矩阵
Figure FDA0003830754090000048
的协方差矩阵；
步骤5.2、计算所述协方差矩阵的特征值
Figure FDA0003830754090000049
和对应的特征向量
Figure FDA00038307540900000410
步骤5.3、将特征值从大到小进行排列，选取合计占总特征值之和95％以上的特征值对应的特征向量合并为降维矩阵Cs，以m表示降维矩阵的列编号，降维矩阵的总列数记为M；
所述降维矩阵Cs由式(15)表征：
Cs＝[x1,...,xs,...,xS]T (15)
式(15)中，xs为降维后的充电桩参数向量；
步骤6、基于自组织映射神经网络的二次聚类：
通过自组织映射神经网络SOM二次聚类后，输入降维矩阵Cs中的S个向量xs被聚类为L个类，形成了L个充电桩聚合体；
步骤7、获得各聚合体可调度容量聚合模型：
所述L个充电桩聚合体，其每个聚合体的可调度容量即为本聚合体所有的充电记录的可调度容量之和，由式(16)表征：
Figure FDA0003830754090000051
式(16)中：
以l表征充电桩聚合体的编号，l＝1,…,L；Nl为充电桩聚合体l中充电纪录的数目；
SCCl,t为t时刻编号为l的充电桩聚合体可充电容量；
SCPl,t为t时刻编号为l的充电桩聚合体可充电功率；
SDCl,t为t时刻编号为l的充电桩聚合体可放电容量；
SDPl,t为t时刻编号为l的充电桩聚合体可放电功率。
完成聚合体的可调度容量建模。
3.根据权利要求2所述的基于二次聚类的电动汽车集群可调度容量建模方法，其特征是：在所述步骤6中是按如下方法进行二次聚类：
自组织映射神经网络SOM的输入层为Cs，输出层为二维排列的神经元；
所述神经元是与降维矩阵Cs列数M相同长度的向量wj，由式(17)表征：
wj＝{wj,1,...,wj,m,...,wj,M} (17)
式(17)中：
以j表征神经元的编号，以J表征神经元的数目；
wj,m为神经元j的第m个权值，对应降维矩阵Cs的第m列；
步骤6.1、输入矩阵Cs，输入SOM神经元的数目L，输入二次聚类迭代次数最大值timax，初始化所有神经元wj，初始化二次聚类迭代次数ti的值为1；
步骤6.2、采用式(8)归一化矩阵Cs中的向量xs；
步骤6.3、随机选取一个xs，采用式(9)计算其与所有神经元向量的距离，选取距离最小的神经元向量为获胜神经元wc；
步骤6.4、对获胜神经元wc和与获胜神经元相邻的神经元按式(18)进行权值更新：
wj(ti+1)＝wj(ti)+α(ti)h(j,c)(xs-wj(ti)) (18)
式(18)中：
wj(ti)为第ti次迭代时神经元的向量；
wj(ti+1)为第ti+1次迭代时神经元的向量；
α(ti)为第ti次迭代时的学习率，其值随着迭代次数增加而下降；
h(j,c)为神经元wj和神经元wc的邻域函数，由式(19)表征：
h(j,c)＝exp(-||Zj-Zc||/2δ(ti)2) (19)
式(19)中：
Zj为神经元j的坐标；Zc为神经元c的坐标；
δ(ti)为第ti次迭代时邻域半径，其值随着迭代次数增加而下降；
步骤6.5、将ti的赋值增加1，并判断在增加1之后是否大于timax；
若不大于timax，则返回步骤6.3；
否则结束二次聚类，实现基于SOM方法的二次聚类过程。
4.根据权利要求2所述的基于二次聚类的电动汽车集群可调度容量建模方法，其特征是：在所述步骤4中根据电动汽车参与辅助服务的场景设定相应的选择参数是指：
若用于调压，设定相应的选择参数为：充电桩经度、纬度和额定充电功率；
若用于调峰和调频，设定相应的选择参数为：额定充电功率。
CN202211074087.8A 2022-09-02 2022-09-02 基于二次聚类的电动汽车集群可调度容量建模方法 Pending CN115577614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211074087.8A CN115577614A (zh) 2022-09-02 2022-09-02 基于二次聚类的电动汽车集群可调度容量建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211074087.8A CN115577614A (zh) 2022-09-02 2022-09-02 基于二次聚类的电动汽车集群可调度容量建模方法

Publications (1)

Publication Number Publication Date
CN115577614A true CN115577614A (zh) 2023-01-06

Family

ID=84579128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211074087.8A Pending CN115577614A (zh) 2022-09-02 2022-09-02 基于二次聚类的电动汽车集群可调度容量建模方法

Country Status (1)

Country Link
CN (1) CN115577614A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273181A (zh) * 2023-11-17 2023-12-22 天津平高易电科技有限公司 一种电动汽车充电调度方法和系统
CN117556971A (zh) * 2023-11-02 2024-02-13 江苏智融能源科技有限公司 一种基于人工智能的有序充电推荐系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556971A (zh) * 2023-11-02 2024-02-13 江苏智融能源科技有限公司 一种基于人工智能的有序充电推荐系统及方法
CN117556971B (zh) * 2023-11-02 2024-06-11 江苏智融能源科技有限公司 一种基于人工智能的有序充电推荐系统及方法
CN117273181A (zh) * 2023-11-17 2023-12-22 天津平高易电科技有限公司 一种电动汽车充电调度方法和系统
CN117273181B (zh) * 2023-11-17 2024-04-26 天津平高易电科技有限公司 一种电动汽车充电调度方法和系统

Similar Documents

Publication Publication Date Title
CN115577614A (zh) 基于二次聚类的电动汽车集群可调度容量建模方法
US7428514B2 (en) System and method for estimation of a distribution algorithm
CN109878369B (zh) 一种基于模糊pid实时电价的电动汽车充放电优化调度方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN109936128A (zh) 一种规模化电动汽车接入条件下的动态需求响应方法
CN112330028A (zh) 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
CN114726045B (zh) 一种基于ipea-lstm模型的锂电池soh估计方法
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN109066663A (zh) 考虑电动汽车聚类分群的竞价方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN111428766B (zh) 一种高维海量量测数据的用电模式分类方法
CN103078152A (zh) 集中性充电站智能充电方法
Leonori et al. Anfis synthesis by clustering for microgrids ems design
CN111914900B (zh) 一种用户用电模式分类方法
CN117220281A (zh) 一种电动汽车接入电网调节能力量化评估方法及系统
CN114944662B (zh) 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法
CN115032544A (zh) 数据不完备场景下的动力锂电池剩余寿命预测方法
CN116231665A (zh) 电力负荷调控方法、装置、非易失性存储介质及电子设备
CN114971092A (zh) 一种变电站主控楼混凝土用量预测方法和装置
Zhu et al. Typical scene acquisition strategy for VPP based on multi-scale spectral clustering algorithm
Sun et al. Imitation learning‐based online optimal scheduling for microgrids: An approach integrating input clustering and output classification
CN116910637B (zh) 基于改进的iga-rbf神经网络短期负荷预测方法
CN116386215B (zh) 一种基于人流量用于移动电箱的智能充电方法

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