CN115764855A - 一种电动汽车快充站实时可调节能力及可用电量预测方法 - Google Patents
一种电动汽车快充站实时可调节能力及可用电量预测方法 Download PDFInfo
- Publication number
- CN115764855A CN115764855A CN202210808216.5A CN202210808216A CN115764855A CN 115764855 A CN115764855 A CN 115764855A CN 202210808216 A CN202210808216 A CN 202210808216A CN 115764855 A CN115764855 A CN 115764855A
- Authority
- CN
- China
- Prior art keywords
- power
- electric
- time
- charging
- vehicle
- 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 63
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 241001673102 Jaya Species 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 239000002184 metal Substances 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 15
- 230000015654 memory Effects 0.000 description 10
- 108090000623 proteins and genes Proteins 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种电动汽车快充站负荷实时可调节能力及可用电量预测方法,基于实测电动汽车快充功率随电池荷电状态的变化特性数据进行分类、分段线性拟合,建立微分方程并求解获得电动汽车快充功率随时间的变化特性,有效构建不同类型电动汽车快充负荷的特性及参数的异质性;使用经验模态分解‑时间模式注意力机制‑双向长短期网络模型对快充站的电动汽车负荷数据进行预测;最后,基于充电站历史负荷曲线和预测负荷,通过一种非侵入式识别方法获得快充站每个时刻在充电的电动汽车类型及数量,同时得到每辆电动汽车的实时充电功率和电池荷电状态,从而预测出快充站的实时可调节能力及可用电量,为电网的实时运行、调度优化以及故障恢复提供支撑。
Description
技术领域
本发明涉及电力系统城市电网电动汽车负荷调控领域,尤其是一种电动汽车快充站实时可调节能力及可用电量预测方法。
背景技术
使用风电、光伏等清洁能源代替传统发电资源以成为未来的发展趋势,但风电光伏等可再生能源的间歇性和不确定性也给电网的安全和稳定运行带来挑战。同时,电动汽车具有碳排放低、环境友好的优势,电动汽车的快充技术的不断发展也有效解决了电动汽车充电效率过低、等待时间长的问题,因此,电动汽车行业发展迅速。电动汽车负荷作为一种负荷侧可调资源,具有调节灵活、成本低、集群响应能力强的优势,但电动汽车作为一种满足用户出行需求的移动侧储能资源,不能不受控制的被电网调控,因此,有必要对电动汽车负荷的实时可调节能力进行分析。
电动汽车作为一种移动侧储能资源,其电动汽车的开始充电时间、充电地点、充电时长具有不确定性,对于单个充电站,接入电网的电动汽车充电车辆数随时间变化,且单车的充电时间和充电容量无法直接获取。由于电动汽车车辆规模的扩大和电动汽车充电站数量的增多,使用传感器测量所需信息,经济性和隐私性均不可行。因此,有必要基于电动汽车快充负荷,通过电动汽车负荷分解获得所需的电动汽车可调节能力信息。相比于传统的5~10kW的电动汽车慢充负荷,电动汽车的快充负荷功率较大,高达100kW,对电力系统基础设施的运营和容量带来的较大挑战,同时,电动汽车在快充过程中,到达一定荷电状态时,会存在一定的功率衰减,使用传统恒功率的方法分解电动汽车负荷将增加电动汽车快充站负荷充电车辆数判断的误差。
发明内容
发明目的:本发明的目的在于提供一种电动汽车快充站实时可调节能力及可用电量预测方法,首先,基于实测电动汽车快充功率随SOC的变化特性数据进行分类、分段线性拟合,并建立微分方程并求解获得电动汽车快充功率随时间的变化特性,有效构建不同类型电动汽车快充负荷的特性及参数的异质性;然后,使用EMD-TPA-LSTM模型对快充站的电动汽车负荷数据进行预测,最后,基于充电站历史负荷曲线和预测负荷,通过一种非侵入式识别方法获得快充站每个时刻在充电的电动汽车类型及数量,同时得到每辆电动汽车的实时充电功率和SOC,从而预测出快充站的实时可调节能力及可用电量。
技术方案:本发明提供的一种电动汽车快充站实时可调节能力及可用电量预测方法,包含以下步骤:
1)使用经验模态分解-时间模式注意力机制-双向长短期网络的预测方法对电动汽车快充站的负荷进行预测,生成未来一天的快充站负荷预测结果;
2)获取快充站负荷预测结果,根据每个时刻的电动汽车快充功率预测值判断每个时刻的电动汽车充电数量基础值,并使用外层遗传算法生成每个时刻的电动汽车充电数量浮动值,进而获得每个时刻的快充站充电车辆数的最终值;
3)根据每个时刻的快充站充电车辆数,以每辆车的最大充电时长为准则,生成每辆电动汽车的到达时刻、离开时刻、充电持续时间,并基于充电持续时间判断每辆电动汽车的快充时长;
4)根据到达快充站的每辆电动汽车的快充负荷时长确定待求解的电动汽车快充功率参数总数,使用内层遗传算法生成每辆电动汽车的快充参数随机值;
5)将每辆电动汽车的快充负荷在时间上叠加生成快充站一天时间的总负荷,以每个时刻的快充站快充功率作为原始电动汽车负荷,将原始电动汽车负荷分解为每辆车的电动汽车实时充电数据,并在时间上叠加重组生成重组后的电动汽车负荷,将重组后的电动汽车负荷和原始电动汽车负荷的平均绝对误差最小化为目标函数,使用双层遗传算法求解获得每个时刻的快充站充电车辆数的最优值和每辆电动汽车的快充功率的最优值;
6)根据电动汽车功率随电池荷电状态SOC的变化特性曲线,基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线。
7)基于每辆电动汽车的快充功率值和不同车型的典型功率和电量时间特性曲线,通过基于Jaya算法的优化模型生成每辆车的车型、对应的实时功率和实时电量。
8)根据每辆电动汽车的快充功率的最优值和实时电量计算生成每辆电动汽车的实时可行电量和可调功率,将每辆电动汽车的实时可行电量或可调节功率在时间上叠加生成快充站总实时可行电量和可调功率。
进一步的,步骤1)的经验模态分解-时间模式注意力机制-双向长短期网络的预测方法的步骤如下:
步骤1.1:使用经验模态分解将原始快充站负荷预测分解为周期性分量和多个波动分量。
步骤1.2:对于每一个周期性分量和波动分量,均使用基于时间模式注意力机制-双向长短期网络的预测方法进行预测,生成周期性分量和波动分量的预测结果。
步骤1.3:将各分量预测结果在时间上累加,生成最终的电动汽车快充站负荷预测结果。
进一步的,步骤2)中,对于具有NEV_max个PEV_maxkW等级快充桩的电动汽车充电站,设定第t时刻该快充站的总充电负荷为PEV(t)kW;当仅有一辆车为不满功率充电,其他车辆均为满功率充电时,获得该充电站的充电车辆数的最小值,即充电车辆基础值n0(t)的计算公式为:
其中,PEV(t)为第t时刻的快充站快充功率,即原始电动汽车负荷,单位为 kW;nEV为充电车辆数,且有nEV∈{1,2,…,NEV_max};NEV_max为快充站的快充桩总数量;PEV_max为快充桩的最大充电功率。
则,第t时刻的电动汽车充电数量最终值n(i)的计算公式为:
式中,lp是第p辆车的充电时长。
进一步的,步骤5)中,目标函数和约束条件如下:
目标函数:将重组后的电动汽车负荷和原始电动汽车负荷的平均绝对误差最小化为目标函数,具体如下:
式中,N1为待处理的电动汽车快充站负荷序列的序列长度,n为每个采样时刻在快充站进行充电的电动汽车数量,该值是N1×1维的向量;为整个采样时段内,到达快充站的电动汽车总数,有PEV,p(t)为第p辆电动汽车在t时刻的快充功率,当该辆车在t时刻未到达或已离开快充站时,有PEVp(t)=0;当该车在t时刻快充站进行充电时,后者的大小取决于PEV,p,max和
约束条件,在优化模型的求解过程中有如下3个约束条件:
约束1:电动汽车充电数量约束,每个时刻的在快充站进行充电的电动汽车数量n(t)不应当超过该快充站的充电桩总数nmax,即:
n(t)≤NEV_max;
约束2:电动汽车快充功率约束,考虑到每辆车的快充功率不能大于快充站的充电桩的提供的最大快充功率,因此有:
0≤PEV,p(t)≤PEV_max
式中,PEV_max为该快充站的充电桩的最大快充功率,对于150kW的快充桩,有PEV_max=150kW;
约束3:电动汽车快充功率衰减度约束,考虑到电动汽车的衰减特性,衰减程度应该0%~100%内取值,即:
进一步的,步骤6)中,电动汽车功率随电池荷电状态SOC的变化特性曲线如下:
受电池组容量、电池荷电状态SOC、电池温度、电池的化学特性因素影响,电动汽车快充功率随电池荷电状态SOC的变化曲线分为两阶段,即:
恒功率充电阶段:电池管理系统BMS控制电动汽车以充电桩允许的最大充电功率进行充电;
功率匀速下降阶段:随着电池荷电状态SOC的增加,电池管理系统BMS控制电动汽车的快充功率匀速下降;
因此,电动汽车快充功率随电池荷电状态SOC的变化曲线用如下公式表达:
式中,wsoc为电池荷电状态SOC数值,且有wsoc∈[SOCmin,SOCmax],SOCmin为电池荷电状态的最小值,SOCmax为电池荷电状态的最大值,aj和bj是电动汽车在功率匀速下降阶段功率曲线的拟合参数,该值通过Origin2021的线性拟合工具获得,且有bj<0,为第j类电动汽车可以维持恒功率充电的最大电池荷电状态SOC,该值也是阶段二的起始电池荷电状态SOC;考虑到阶段二开始时的电动汽车充电功率为因此,的计算公式如下:
进一步的,步骤6)中,基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线如下:
对于恒功率充电阶段,快充功率随时间的变化仍为定值,仅计算该阶段的最大充电时间t1,具体计算公式如下:
对于功率匀速下降阶段,通过分析电动汽车实时充电电量和电动汽车实时快充功率得关系获得Pj(t)的求解公式,具体推导过程如下:
电动汽车快充功率匀速下降时,有:
电动汽车充电功率是电动汽车的实时充电电量Wji(t)是随时间变化的微分值,即:
则:
上式是关于Pj(t)的一阶定常数微分方程,使用matlab的dsolve函数求解获得Pji(t),结果如下:
综上,可获得电动汽车的时变特性Pji(t)在两个阶段的解析式:
对Pj(t)在时间上求定积分即可获得Wj(t)的解析式,即:
进一步的,步骤7)中,基于Jaya算法的优化模型生成每辆车的车型、对应的实时功率和实时电量,该模型的目标函数和约束条件如下:
目标函数:
式中,j和i为第j类车中第i种车型,为到达电动汽车充电站的第p辆车在其充电过程中的第tl个采样时刻的功率估计值;Pji(tc+(tl-1)·T)为第ji类车的典型电动汽车功率曲线在第tc+(tl-1)·Tmin的数值;tc为开始充电时间,单位为:min;T为电动汽车快充站功率的采样间隔;
约束条件:该模型考虑典型车辆类型约束和开始充电时刻约束的情况下,具体如下:
1≤j≤jmax
1≤i≤ijmax
1≤tc≤tjimax
式中,jmax为电动汽车充电功率特性种类数的最大值,ijmax为第j中充电功率下的最大电池容量的数量最大值,tjimax为第ji类车的最大充电时长,单位为 min。
进一步的,步骤8)中,每辆电动汽车的实时可行电量定义如下:
进一步的,步骤8)中,每辆电动汽车的实时可调功率定义如下:
电动汽车可调功率分为电动汽车可上调功率和电动汽车可下调功率,电动汽车可上调功率指接入电网的电动汽车负荷的增加值,在不考虑电动汽车电池容量和实时电池荷电状态SOC时,单辆电动汽车的可上调功率可以通过电动汽车的最大充电功率和实时充电功率的差值来计算,即:
式中,为不考虑电动汽车电池容量和实时电池荷电状态SOC下的第j 类第i种电动汽车车型在t时刻的可上调功率,和Pji(t)分别为第j类第i种电动汽车车型在t时刻的最大充电功率和实时充电功率,为避免电池过热损耗,随着电池荷电状态SOC的增加逐渐降低;
对于单辆车,计算该定义下的电动汽车可上调功率的上限,即:
最终的电动汽车可上调功率:
单辆电动汽车的可下调功率的定义如下:
式中,分别为原始定义下、考虑电动汽车电池容量和实时电池荷电状态SOC下、和最终定义下的第j类第i种电动汽车车型在t 时刻的可下调功率,为第j类第i种电动汽车车型的接入电网的充放电功率的最低值,当电动汽车可以向电网放电时,当电动汽车仅能接入电网进行充电时,有
快充站总实时可行电量和可调功率的定义如下:
对于第t时刻,电动汽车充电站的可调节功率是该时刻接入电网的每辆车的可调节功率的总和,即:
对于第t时刻,电动汽车充电站可行电量是该时刻接入电网的每辆车的可行电量的总和,即:
有益效果:本发明与现有技术相比,其显著特点是使用EMD-TPA-BiLSTM对电动汽车快充站负荷进行预测,通过重组后的电动汽车负荷和原始电动汽车负荷的平均绝对误差最小化为目标函数,求解获得每个时刻的快充站充电车辆数的最优值和每辆电动汽车的快充功率的最优值,有效识别电动汽车快充负荷的衰减特性和不同电动汽车车型快充参数的异质性及不确定性,挖掘单个快充站负荷的可调节能力,进一步生成快充站总实时可上调负荷容量和总实时可下调负荷容量,为电网了解不同快充站的实时可调节负荷容量及一段时间内的充电车流信息提供技术支持。
附图说明
图1是本发明的流程示意图;
图2是本发明中功率匀速下降阶段曲线示意图;
图3是本发明中典型电动汽车车型快充功率特性曲线结果;
图4是本发明中典型电动汽车车型电量特性曲线结果;
图5是本发明中EMD分解结果;
图6是本发明的实施例中电动汽车快充站负荷预测结果对比图;
图7是本发明的实施例中P0(t)、P(t)、n0(t)和n(t)的对比图;
图8是本发明的实施例中电动汽车快充站可行电量评估结果;
图9是本发明的实施例中电动汽车快充站可调功率评估结果。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步的详细说明。
请参阅图1所示,本发明提供的一种电动汽车快充站实时可调节能力及可用电量预测方法,包含以下步骤:
1)使用经验模态分解-时间模式注意力机制-双向长短期网络的预测方法对电动汽车快充站的负荷进行预测,生成未来一天的快充站负荷预测结果。该方法的基本步骤如下:
步骤1.1:使用经验模态分解将原始快充站负荷预测分解为周期性分量和多个波动分量。经验模态分解的概念及步骤如下:
经验模态分解Empirical Mode Decomposition,EMD,是一种自适应信号时频处理方法。该方法可以将非线性、非平稳的原始信号分解为有限个本征模函数 Intrinsic ModeFunction,简称IMF。所分解出来的各IMF分量相较于原始序列具备更强的平稳性和规律性,有助于提高预测精度。
对于给定原始序列x(t)的具体分解步骤如下:
步骤1.1.1:寻找原始序列x(t)的所有极大值点和极小值点,使用三次样条插值法分别形成上包络线xup(t)和下包络线xlow(t),并计算上下包络线的均值 m(t):
步骤1.1.2:计算原始序列x(t)与包络线的均值m(t)的插值:
h(t)=x(t)-m(t)
步骤1.1.3:判断h(t)是否满足IMF的约束条件,若不满足,则将h(t)作为新的输入序列,重复步骤1.1.1-步骤1.1.2,直到计算生成的h(t)满足约束条件为止;若满足,则h(t)为x(t)的第一个IMF分量,记为c1(t)=h(t),此时剩余分量r1(t)为:
r1(t)=x(t)-c1(t)
步骤1.1.4:将剩余分量r1(t)作为新的原始序列,重复步骤1.1.1-步骤 1.1.4n次,直到cn(t)是一个本征模态函数或者剩余分量rn(t)是一个单调函数,终止分解过程。此时,EMD的最终结果可表示为:
式中:ci(t)为第i个IMF分量;rn(t)为剩余分量,为原始序列的趋势项。
步骤1.2:对于每一个周期性分量和波动分量,均使用基于时间模式注意力机制-双向长短期网络的预测方法进行预测,生成周期性分量和波动分量的预测结果。双向长短期记忆网络的概念及步骤如下:
双向长短期记忆网络Bidirectional Long Short Term Memory,BiLSTM,网络由前向和后向传播的两层LSTM组合而成,上下层分别按照正向和反向时间序列进行计算,然后分别保存每个时刻隐含层的输出,综合两次结果来获得最终输出。因此,BiLSTM不仅具有传统LSTM可以处理时间序列的长期依赖关系的优势,还可以通过反向计算分析未来数据与当前数据的内在联系,因此,在时间序列预测方面表现良好。
传统LSTM由遗忘门、输入门、输出门和记忆细胞构成基本的记忆模块。遗忘门决定哪些信息需要从记忆细胞中遗忘,输入门控制前一时刻的输出和当前输入的输入对记忆细胞的影响;记忆细胞用于存储当前时刻的状态变量。
LSTM模块各变量的计算关系如下:
ft=σ(Wf·[st-1,xt]+bf)
it=σ(Wi·[st-1,xt]+bi)
ot=σ(Wo[st-1,xt]+bo)
gt=tanh(Wg[st-1,xt]+bg)
式中,ft为LSTM单元在t时刻的遗忘门向量、it为LSTM单元在t时刻的输入门向量、ot为LSTM单元在t时刻的输出门向量、gt为LSTM单元在t时刻的备选的用来更新的细胞状态、ct为LSTM单元在t时刻的更新后的细胞状态、st为 LSTM单元在t时刻的输出向量、xt为LSTM单元在t时刻的输入向量;st-1为前一个时刻的LSTM单元的输出向量;Wf为LSTM单元的遗忘门、Wi为LSTM单元的输入门、Wo为LSTM单元的输出门、Wg为LSTM单元的记忆细胞的权重矩阵;bf为遗忘门的偏置项、bi为输入门的偏置项、bo为输出门的偏置项、bg为记忆细胞的偏置项;σ(·)为sigmoid的激活函数,tanh(·)为tanh激活函数。
BiLSTM同时提取2个方向的数据特征,因此,当前时刻的BiLSTM网络单元输出为:
St=[st,f st,b]
式中,st,f为单个BiLSTM记忆模块的当前时刻的前向输出向量,st,b为单个 BiLSTM记忆模块的当前时刻的后向输出向量。
时间模式注意力机制的概念及步骤如下:
传统注意力机制通过给神经网络的隐含层单元分配不同的概率权重来突出关键信息的影响,进而提高模型判断的准确度。而时间模式注意力机制是一种自适应的注意力加权机制,该方法基于一组卷积神经网络Convolutional Neural Network,CNN,来提取恒定不变的时间模式,类似于将时序数据信息转化为频域信息,从而更敏锐的捕捉信号的内在联系,增强预测模型的学习能力。其使用的基本步骤如下:
步骤1.2.2:计算vt作为HC的行向量的加权和;
定义得分函数Score(·)评估变量的关联性:
步骤1.2.3:计算注意力权重αi:
步骤1.2.4:对HC的行向量进行αi加权,得到vt:
步骤1.2.5:然后对vt和ht进行融合,得到隐藏层输出结果ht′:
ht′=Whht+Wvvt
式中,Wh和Wv均为模型参数。
步骤1.3:将各分量预测结果在时间上累加,生成最终的电动汽车快充站负荷预测结果。
2)获取快充站负荷预测结果,根据每个时刻的电动汽车快充功率预测值判断每个时刻的电动汽车充电数量基础值,并使用外层遗传算法生成每个时刻的电动汽车充电数量浮动值,进而获得每个时刻的快充站充电车辆数的最终值;
对于一个具有NEV_max个PEV_maxkW等级快充桩的电动汽车充电站,本研究取 NEV_max=20,PEV_max=150,假设第t时刻该快充站的总充电负荷为PEV(t)kW;当仅有一辆车为不满功率充电,其他车辆均为满功率充电时,可以获得该充电站的充电车辆数的最小值,即充电车辆基础值n0(t)的计算公式为:
其中,PEV(t)为第t时刻的快充站快充功率,即原始电动汽车负荷,单位为 kW;nEV为充电车辆数,且有nEV∈{1,2,…,NEV_max};NEV_max为快充站的快充桩总数量;PEV_max为快充桩的最大充电功率。
则,第t时刻的电动汽车充电数量最终值n(t)的计算公式为:
3)根据每个时刻的快充站充电车辆数,以每辆车的最大充电时长为准则,生成每辆电动汽车的到达时刻、离开时刻、充电持续时间,并基于充电持续时间判断每辆电动汽车的快充时长;
电动汽车快充站各车辆充电时段判断机制如下:
假设在t∈[1,2,…,N1]的时段内,到电动汽车充电站第p辆车的充电时长为 lp,则有lp∈{1,2,...,lmax}单位为15min,在本专利中有lmax=3。根据每个时刻的充电车辆数n(t)t∈[1,2,…,N1]的变化,以及每辆车是否到达最大充电时长lmax来判断每辆车的充电行为,进而获得充电起止时刻。具体有以下三种情况
场景一:车辆到达
场景二:车辆离开
当前时刻充电车辆数小于前一个时刻充电车辆数,即,n(t)<n(t-1),按车辆到达顺序,最先到达的最先离开。或者,上一时刻的充电车辆中有充电时长lp大于lmax,该车离开,离开车辆的充电时长lp不变,离开时刻为
场景三:车辆充电
当前时刻充电车辆数等于前一个时刻充电车辆数,即n(t)=n(t-1),且在场景二中未离开的车辆,对其充电时长lp加一,lp=lp+1。
基于上述规则,可以获得到达电动汽车充电站的每辆车的到达时刻充电时长lp和离开时刻 为在t∈[1,2,…,N1]时段内到达电动汽车充电站进行充电的车辆总数,该值根据上述判断规则,遍历N1个采样点后计算生成。
4)根据到达快充站的每辆电动汽车的快充负荷时长确定待求解的电动汽车快充功率参数总数,使用内层遗传算法生成每辆电动汽车的快充参数随机值;
式中,lp是第p辆车的充电时长。
每辆车在其充电时段内的每个实时充电功率也是阶段一模型的待优化变量,但直接将其设置为决策变量进行优化求解,难以反映电动汽车充电过程中的衰减特性,因此,本文采用单车最大充电功率PEV,p,max和各时段衰减速率来间接计算,根据表1可知,新的待优化变量总数仍为
5)将每辆电动汽车的快充负荷在时间上叠加生成快充站一天的总负荷,以每个时刻的快充站快充功率作为原始电动汽车负荷,将原始电动汽车负荷分解为每辆车的电动汽车实时充电数据,并在时间上叠加重组生成重组后的电动汽车负荷,将重组后的电动汽车负荷和原始电动汽车负荷的平均绝对误差最小化为目标函数,使用双层遗传算法求解获得每个时刻的快充站充电车辆数的最优值和每辆电动汽车的快充功率的最优值;
基于双层遗传算法的电动汽车快充站实时充电车辆数和单车充电功率优化模型的目标函数和约束条件如下:
目标函数:以原始电动汽车快充站负荷于分解后的各辆车的电动汽车负荷之和的误差最小为目标函数。考虑到原始快充负荷中存在0值,因此,选择平均绝对误差MeanAbsolute Error,MAE,作为误差评价指标,具体如下:
式中,N1为待处理的电动汽车快充站负荷序列的序列长度,当时间序列的采样频率为次/15min,采样时长为24h时,有N1=96;PEV为快充站的总充电负荷,n为每个采样时刻在快充站进行充电的电动汽车数量,该值是一个N1×1维的向量;为整个采样时段内,到达快充站的电动汽车总数,有 PEV,p(t)为第p辆电动汽车在t时刻的快充功率,当该辆车在t时刻未到达或已离开快充站时,有PEV,p(t)=0;当该车在t时刻快充站进行充电时,后者的大小取决于PEV,p,max和
约束条件,在优化模型的求解过程中,需要保证充电的电动汽车总数和各辆车的快充特性负荷实际,因此有如下3个约束条件:
约束1:电动汽车充电数量约束,每个时刻的在快充站进行充电的电动汽车数量n(t)不应当超过该快充站的充电桩总数nmax,即:
n(t)≤NEV_max
约束2:电动汽车快充功率约束,考虑到每辆车的快充功率不能大于快充站的充电桩的可以提供的最大快充功率,因此有:
0≤PEV,p(t)≤PEV_max
式中,PEV_max为该快充站的充电桩的最大快充功率,对于150kW的快充桩,有PEV_max=150kW。
约束3:电动汽车快充功率衰减度约束,考虑到电动汽车的衰减特性,衰减程度应该0%~100%内取值,即:
双层遗传算法的基本概念和结构如下:
传统单层遗传算法Genetic Algorithm,GA,是模拟生物界中种群进化基本规律的智能群优化算法。该算法通过随机数生成特定数量的初始种群基因;然后采用选择、交叉、变异的手段对初始基因群进行数据处理,生成过渡种群;接着,通过适应度函数从过渡种群中筛选出最符合要求的基因来生成子种群基因,将其作为新种群重复上述选择、交叉、变异直至最大设置迭代次数。但传统的单层遗传算法只能处理决策变量总数确定情况下的规划问题的求解。因此,提出了一种双层遗传算法。
外层GA主要负责生成包含充电车辆浮动值Δn随机数信息的初始种群。在外层GA的适应度计算部分,对于每一个种群基因Δn,使用电动汽车快充站实时充电车辆数和各车辆充电时段判断机制计算生成到达电动汽车充电站的车辆总数和各辆车的充电时长生成待求解的电动汽车车辆实时充电功率采样数据总数该值即为内层GA的决策变量的总数目。
此时,在外层GA的每个种群基因的适应度计算部分嵌入内层GA,内层GA 的初始种群包含了单车最大充电功率PEV,p,max和各时段衰减速率 的随机数的初始信息。在内层GA的适应度计算部分,生成PEV,p(t) PEV,p(t)和P(t),并计算MAE(n,PEV),该值不仅作为内层GA种群目标函数的值,同时也是外层GA目标函数值通过优化外层的n和内层的PEV,p(t)使得优化模型的误差最小。
6)根据电动汽车功率随电池荷电状态State of Charge,SOC,的变化特性曲线,基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线。
请参阅图2所示,电动汽车功率随SOC的变化特性曲线如如下:
受电池组容量、电池荷电状态SOC、电池温度和电池的化学特性等多种因素影响,较高的充电电流会导致电池过热和寿命缩短,因此,在SOC增加的过程中,电池管理系统BMS需要降低电动汽车的实时快充功率,以避免电池过热。因此,电动汽车快充功率随SOC的变化曲线可以分为两阶段,即:
恒功率充电阶段:该阶段的电动汽车的SOC较小,电池管理系统BMS控制电动汽车以充电桩允许的最大充电功率进行充电,但由于不同电动汽车生产商的电池制造和快充控制技术等不同,不是所有车辆均可到达充电桩允许的最大快充功率。
功率匀速下降阶段:该阶段的电池SOC较大,为避免电池过热损耗,随着 SOC的增加,电池管理系统BMS控制电动汽车的快充功率匀速下降,功率下降方式有阶梯式下降和线性下降两种,当阶梯式下降的锯齿较小时,为线性下降。
因此,电动汽车快充功率随SOC的变化曲线可用如下公式表达:
式中,wsoc为电动汽车的SOC数值,且有wsoc∈[SOCmin,SOCmax],SOCmin为电池荷电状态的最小值,SOCmax为电池荷电状态的最大值,本文取SOCmin=20, SOCmax=80,单位为:%;Pj(wsoc)为第j类电动汽车的SOC为wsoc时,该类电动汽车的快充功率大小,单位为:kW;为第j类电动汽车在恒功率充电阶段的最大充电功率,该值为本节的电动汽车快充特性类别的划分依据。aj和bj是电动汽车在功率匀速下降阶段功率曲线的拟合参数,该值通过Origin2021的线性拟合工具获得,且有bj<0。为第j类电动汽车可以维持恒功率充电的最大 SOC,该值也是阶段二的起始SOC;考虑到阶段二开始时的电动汽车充电功率为因此,的计算公式如下:
基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线如下:
考虑到现有的电动汽车快充特性是电动汽车快充功率随SOC的变化特性曲线Pj(wsoc),但在实际电动汽车可调节能力分析下,需要电动汽车快充功率随时间的变化曲线即Pj(t),因此,有必要将Pj(wsoc)转化为Pj(t)。
对于恒功率充电阶段,快充功率随时间的变化仍为定值,仅需计算该阶段的最大充电时间t1,具体计算公式如下:
对于功率匀速下降阶段,可以通过分析电动汽车实时充电电量和电动汽车实时快充功率得关系获得Pj(t)的求解公式,具体推导过程如下:
电动汽车快充功率匀速下降时,有:
又因为电动汽车充电功率是电动汽车的实时充电电量Wji(t)是随时间微分值,即:
则:
上式是关于Pj(t)的一阶定常数微分方程,使用matlab的dsolve函数即可求解获得Pji(t),结果如下:
综上,可获得电动汽车的时变特性Pji(t)在两个阶段的解析式:
对Pj(t)在时间上求定积分即可获得Wj(t)的解析式,即:
7)基于每辆电动汽车的快充功率值和不同车型的典型功率和电量时间特性曲线,通过基于Jaya算法的优化模型生成每辆车的车型、对应的实时功率和实时电量。
基于Jaya算法的优化模型生成每辆车的和实时电量,该模型的目标函数和约束条件如下:
目标函数:
以典型车型特性曲线的采样起始时刻和车辆类型为决策变量,以典型功率曲线采样值和阶段一生成的充电负荷估计值的MAE最小为优化目标,使用迭代速度较快的Jaya算法来求解获得每辆车的电动汽车充电负荷估计值最接近的电动汽车快充功率和同时刻电动汽车电量的实际采样值,为电动汽车可调节能力的精准预测提供数据支撑。模型的目标函数如下:
式中,为到达电动汽车充电站的第p辆车在其充电过程中的第tl个采样时刻的功率估计值;Pji(tc+(tl-1)·T)为第ji类车的典型电动汽车功率曲线在第tc+(tl-1)·Tmin的数值;tc为开始充电时间,单位为:min;T为电动汽车快充站功率的采样间隔,本文中,T=15min。
约束条件:该模型在优化过程中仅需考虑典型车辆类型约束和开始充电时刻约束,具体如下:
1≤j≤jmax
1≤i≤ijmax
1≤tc≤tjimax
式中,jmax为电动汽车充电功率特性种类数的最大值,ijmax为第j中充电功率下的最大电池容量的数量最大值,tjimax为第ji类车的最大充电时长,单位为: min。
Jaya算法的基本概念和求解步骤如下:
Jaya算法是一种简单高效元启发算法,该算法除种群数外无需设置自身参数,具有收敛快、巡优强的特点。该算法的核心思想在于个体位置更新策略,要求候选解的变化应逼近最优解,同时远离最劣解。
针对目标函数F(x),假设在R次迭代过程中,M表示变量的个数,N表示种群的大小。因此,Xm,n,r可以表示第r次迭代中第m个变量中第n个候选解的值。该算法的求解过程如下:
步骤7.1:初始化种群个体数、个体长度和终止判据。
步骤7.2:找到当前种群的最优个体和最劣个体。
步骤7.3:遍历所有个体,根据如下公式更新个体参数。
Xm,n,r+1=Xm.n.r+r1,m,r(Xm,best,r-|Xm,n,r|)-r2,m,r(Xm,worst,r-|Xm,n,r|)
式中:Xm,best,r和Xm,worst,r分别表示当前第r次迭代过程中变量m的种群最优解和最劣解;r1,m,r和r2,m,r表示第r次迭代中变量m在[0,1]区间生成的两个随机数; r1,m,r(Xm,best,r-|Xm,n,r|)表示解靠近最优解的趋势,-r2,m,r(Xm,worst,r-|Xm,n,r|)表示解远离最劣解的趋势。
步骤7.4:判断更新后的个体是否由于更新前的个体,若是,则更新个体,否则保留原值。
步骤7.5:判断当前最优个体是否满足终止判据,若是则结束程序,否则,遍历步骤7.4-7.5。
8)根据每辆电动汽车的快充功率的最优值和实时电量计算生成每辆电动汽车的实时可上/下行电量和可上/下调功率,将每辆电动汽车的实时可行电量或可调节功率在时间上叠加生成快充站总实时可上/下行电量和可上/下调功率。
每辆电动汽车的实时可行电量定义如下:
在电动汽车参与电网调频等场景下,需要了解一段时间内电动汽车可以提供给电网的总电量,具体包括电动汽车可上行电量和电动汽车可下行电量的概念,结合电动汽车的电池容量和实时SOC,可得:
每辆电动汽车的实时可调功率定义如下:
电动汽车可调功率分为电动汽车可上调功率和电动汽车可下调功率。电动汽车可上调功率指接入电网的电动汽车负荷的增加值。在不考虑电动汽车电池容量和实时SOC时,单辆电动汽车的可上调功率可以通过电动汽车的最大充电功率和实时充电功率的差值来计算,即:
式中,为不考虑电动汽车电池容量和实时SOC下的第j类第i种电动汽车车型在t时刻的可上调功率。和Pji(t)分别为第j类第i种电动汽车车型在t时刻的最大充电功率和实时充电功率,为避免电池过热损耗,随着 SOC的增加逐渐降低。
对于单辆车,当该车的SOC较大时,即便其充电功率仍可增加,但新充入的电量会造成电动汽车电池过充,损耗电池寿命,因此,有必要计算该定义下的电动汽车可上调功率的上限,即:
最终的电动汽车可上调功率:
同理,考虑电动汽车电池容量和实时SOC时,单辆电动汽车的可下调功率的定义如下:
式中,分别为原始定义下、考虑电动汽车电池容量和实时SOC下、和最终定义下的第j类第i种电动汽车车型在t时刻的可下调功率。为第j类第i种电动汽车车型的接入电网的充放电功率的最低值,当电动汽车可以向电网放电时,当电动汽车仅能接入电网进行充电时,有本文取前一种情况。
快充站总实时可行电量和可调功率的定义如下:
对于第t时刻,电动汽车充电站的可调节功率是该时刻接入电网的每辆车的可调节功率的总和,即:
同理,对于第t时刻,电动汽车充电站可行电量是该时刻接入电网的每辆车的可行电量的总和,即:
实施例1
本实施例使用美国一个市区大型快充站的2017年全年15min级的电动汽车快充负荷数据进行算例分析。该快充站装有20个150kW的充电桩,年利用率为 20.70%。首先,基于EMD-TPA-BiLSTM预测框架对1月31日和(xx段时间)的电动汽车快充站负荷进行预测,同时,对于TPA-BiLSTM和LSTM的预测结果进行对比,以检验本文所提框架的有效性和优越性;然后,基于两阶段优化模型,生成到达电动汽车快充站各辆车的快充参数信息(车型、充电时段、实时功率和电量);最后,结合本文所提的可调节能力量化方法对于电动汽车快充站可调节能力进行量化评估,为电动汽车快充负荷参与电网调度提供数据支撑。
(1)电动汽车快速充电负荷模型
基于欧洲电动汽车数据库提供的电动汽车快充参数数据,根据电动汽车的快充特性和电池容量收集了23种典型的电动汽车快充参数信息。并使用电动汽车快充时变特性模型进行典型电动汽车快充功率和电量特性建模。
表2 23种典型电动汽车的车辆名称
表3 23种典型电动汽车的最大电池容量
表2和表3中的j为第j快充特性类型,i为第j种快充功率特性下的第i种电池最大容量。
表4 5种快充功率-SOC特性参数拟合结果
基于表4的4种快充功率-SOC特性参数拟合结果和表3的23种典型电动汽车的最大电池容量可建立微分方程推导获得电动汽车快充功率-时间特性曲线结果Pji(t)和电动汽车快充功率-时间特性曲线结果Wji(t),具体结果如图3 和图4所示。
由图3和图4可以看出不同和下快充功率特性差异明显,因此,同一时刻采样获得的不同车辆的功率PEV,p(t)也会有较大差异。此外,在不同的SOC 状态下开始充电,对应的图3中充电开始时间tc不同,同种车辆的功率PEV,p(t)也会有较大差异。
(2)基于EMD-TPA-biLSTM的电动汽车快充站短期充电预测
本专利使用的电动汽车快充站负荷数据属于非平稳信号,尽管该数据具有日周期性,但受电动汽车快充行为的不确定性影响,相邻时刻的电动汽车负荷波动较大,且波动幅值变化的规律性不强。直接使用TPA-BiLSTM进行预测,往往只能捕捉数据的整体变化趋势,对波动性的跟随效果较差,因此,本算例使用EMD 对电动汽车快充站数据进行分解,分解产生14个IMF分量和1个剩余分量。将变化较为平稳的IMF5-IMF14以及剩余分量合并生成可以反映电动汽车快充站负荷整体变化趋势和日周期性的趋势项,直接使用TPA-BiLSTM进行预测,剩余的 IMF1-IMF4,分别单独使用TPA-BiLSTM进行预测。具体的EMD的分解结果如下图5所示。
如图5所示的EMD分解并重组后的5条曲线,对于每一条曲线,均使用基于EMD-TPA-BiLSTM的预测方法进行负荷预测。同时,分别使用基于LSTM和 TPA-BiLSTM的预测方法对于原始电动汽车快充站负荷进行预测和对比分析。
预测模型使用的LSTM网络层和TPA-BiLSTM的分别包含单层和双层LSTM网络,每层LSTM的神经元数量为256个。TPA-BiLSTM网络在注意力机制模块包含一个得分函数用于生成注意力权重矩阵,以及2个全连接层,计算获得加权隐藏层;在输出层采用全连接层对结果进行降维,使用sigmoid激活函数。预测模型的输入特征为4,输出特征为1。
考虑到电动汽车快充站数据具有日周期性,将电动汽车快充站在1月1日~1 月30日的负荷数据作为训练样本,对1月31日的负荷数据进行预测。三种方法的预测结果如图6和表5所示。
使用平均绝对误差(Mean Absolute Error,MSE)、均方根误差(Root MeanSquare Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)这四种误差评估指标对模型的结果进行分析,具体计算公式如下:
表5 1月31日电动汽车快充站负荷预测结果对比表
结合图6和表5可知,传统的LSTM模型在学习电动汽车波动特性时,存在明显的时间滞后现象,使得预测结果的误差较大。而TPA-BiLSTM模型可以有效捕捉负荷极值的出现时刻,但由于电动汽车快充站数据波动的不规律性,预测模型在训练时倾向于学习数据的均值,导致预测结果的波动小于实际负荷波动。最后,本文提出的EMD-TPA-BiLSTM预测模型,通过对电动汽车快充站负荷数据进行EMD分解和各成分单独预测,有效捕捉了电动汽车快充站负荷的整体趋势和波动规律。
因此,本文所提预测模型在MAPE、RMSE、MSE和MAE结果上均明显优于前两种模型。
(3)电动汽车快充站负荷的可调节能力评估
在使用EMD-TPA-BiLSTM对电动汽车快充站的负荷进行预测后,使用1月31 日的96点电动汽车快充负荷预测数据作为电动汽车快充站负荷P0(t)的输入数据,使用两阶段优化模型对到达电动汽车快充站的车辆快充参数进行分析和提取。
(3.1)基于双层GA的电动汽车快充站实时充电车辆数和单车充电功率分解方法
该部分的模型是基于双层GA的两阶段优化求解模型,该模型以电动汽车快充站原始负荷P0(t)和优化模型重组负荷P(t)的误差最小为优化目标。在阶段一求解部分,根据电动汽车快充站的负荷P0(t)来求解最优电动汽车快充站实时充电车辆数。电动汽车快充站负荷原始P0(t)和重组值P(t)、实时充电车辆基础值 n0(t)和实际值n(t)的对比结果如图7所示。
由图7可知,P(t)和P0(t)基本一致,这说明分解后的各车辆充电功率PEV,p(t) 在时间上的累加值P(t)与电动汽车快充站负荷的特征相符合,进而说明本文使用分解方法具有一定的合理性。此外,阶段一求解获得的实时充电车辆实际值n(t) 与直接通过功率计算生成的n0(t)存在0~2的车辆数浮动Δn(t)。负荷波动的局部极大值处,Δn(t)往往较大,负荷波动的极小值处,Δn(t)趋近于0。出现这种现象的可能原因是:当负荷波动处于局部极大值时,有较多的车在该时刻到达,由车型导致的充电功率大小差异使得n0(t)难以有效反映在电动汽车快充站进行充电的车辆的实际数量n(t)。
结合n(t)可以推出在1月31日到达电动汽车快充站的车辆总数以及各辆车的充电时段信息,进而代入阶段二生成每辆车的实时功率估计值选择15:00~16:00和21:00~22:00这两个时段的电动汽车车辆快充参数估计结果进行分析,具体如下表6和表7所示。
表6 15:00~16:00到达快充站的电动汽车快充信息估计结果
表7 21:00~22:00到达快充站的电动汽车快充信息估计结果
由表6和表7可知,15:00~16:00时段的P(t)的数值较大,且不断上升,因此,该时段的到达的充电车辆总数为14辆,分解后每辆车的充电时长都较长,均有tl=3。21:00~22:00时段,P(t)的数值较小,该值先上升(85~87)再下降 (87~89)。该时段分解后的车辆总数为6辆,相对其他时刻较少,由于P(t)在 87点到达最大值,后续时刻数值下降,因此,第186辆车和第188辆车仅在电动汽车快充站充电两个时段后即离开。
(3.2)基于Jaya算法的电动汽车典型快充功率和电量匹配方法
模型生成的单车电动汽车快充功率是由单车最大快充功率PEV,j,max和各时段衰减度构成的单车电动汽车快充功率估计值。每辆车的快充特性是否有具体车型ji可以对应,以及每辆车的电池最大容量和实时电量Wji(t)仍是未知数。因此,本节通过优化给定范围车型参数ji和如图3所示的相应车辆功率曲线Pji(t)的开始采样时刻tc的优化,可以获取每辆车对应的和Wji(t),以便于后续的电动汽车可调节能力的量化。
以21:00~22:00时段到达电动汽车快充站的6辆车为例进行分析,使用基于 Jaya算法的电动汽车典型快充功率和电量匹配方法获得的每辆车的车型匹配结果和电量结果如表8所示。
结合表7和8的结果可以看出,(3.1)的两阶段模型估计生成的每辆电动汽车的快充功率采样值和典型电动汽车采样生成的Pji(tc+(tl-1)·T)的数值差别较小,且对于大部分电动汽车有对于该情况,可能是由于汽车电池老化造成的实际充电功率小于典型值的情况。
表8 21:00~22:00到达快充站的电动汽车车型匹配和实时电量结果
对于1月31日的199辆电动汽车数据进行匹配,各车型出现的频数如表9 所示。对于150kW的充电桩,第一、二种快充特性电动汽车车型到达该电动汽车快充站进行充电的数量较多,且同一种快充特性下,电池容量更大的车辆数更多,这也与实际电动汽车用户的快充行为相符合,说明了本节模型分解出的电动汽车车辆快充参数信息具有一定的合理性。
表9 1月31日到电动汽车快充站的各电动汽车车型出现频数
(3.3)考虑车型参数的电动汽车快充站负荷可调节能力评估结果
基于(3.1)和(3.2)节的电动汽车快充参数信息,使用电动汽车可调节能力量化方法对电动汽车快充站的可调节能力进行评估。1月31日电动汽车快充站可行电量和可调功率的评估结果分别如图8和图9所示。由图8可以看出,在同一时刻,电动汽车快充站的可下行电量要小于可上行电量,这与到达电动汽车充电站的各辆车电量较低,有较大的充电需求和较小的放电潜力相符合。
由图9可以看出,由于大部分到达快充站的电动汽车一般按照最大快充功率进行充电,因此,每辆车的实际电动汽车可上调功率很小,基本可以忽略不计。
Claims (10)
1.一种电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,包含以下步骤:
1)使用经验模态分解-时间模式注意力机制-双向长短期网络的预测方法对电动汽车快充站的负荷进行预测,生成未来一天的快充站负荷预测结果;
2)获取快充站负荷预测结果,根据每个时刻的电动汽车快充功率预测值判断每个时刻的电动汽车充电数量基础值,并使用外层遗传算法生成每个时刻的电动汽车充电数量浮动值,进而获得每个时刻的快充站充电车辆数的最终值;
3)根据每个时刻的快充站充电车辆数,以每辆车的最大充电时长为准则,生成每辆电动汽车的到达时刻、离开时刻、充电持续时间,并基于充电持续时间判断每辆电动汽车的快充时长;
4)根据到达快充站的每辆电动汽车的快充时长确定待求解的电动汽车快充功率参数总数,使用内层遗传算法生成每辆电动汽车的快充参数随机值;
5)将每辆电动汽车的快充负荷在时间上叠加生成快充站一天时间的总负荷,以每个时刻的快充站快充功率作为原始电动汽车负荷,将原始电动汽车负荷分解为每辆车的电动汽车实时充电数据,并在时间上叠加重组生成重组后的电动汽车负荷,将重组后的电动汽车负荷和原始电动汽车负荷的平均绝对误差最小化为目标函数,使用双层遗传算法求解获得每个时刻的快充站充电车辆数的最优值和每辆电动汽车的快充功率的最优值;
6)根据电动汽车功率随电池荷电状态SOC的变化特性曲线,基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线;
7)基于每辆电动汽车的快充功率值和不同车型的典型功率和电量时间特性曲线,通过基于Jaya算法的优化模型生成每辆车的车型、对应的实时功率和实时电量;
8)根据每辆电动汽车的快充功率的最优值和实时电量计算生成每辆电动汽车的实时可行电量和可调功率,将每辆电动汽车的实时可行电量或可调节功率在时间上叠加生成快充站总实时可行电量和可调功率。
2.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤1)的经验模态分解-时间模式注意力机制-双向长短期网络的预测方法的步骤如下:
步骤1.1:使用经验模态分解将原始快充站负荷预测分解为周期性分量和多个波动分量;
步骤1.2:对于每一个周期性分量和波动分量,均使用基于时间模式注意力机制-双向长短期网络的预测方法进行预测,生成周期性分量和波动分量的预测结果;
步骤1.3:将各分量预测结果在时间上累加,生成最终的电动汽车快充站负荷预测结果。
3.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤2)中,对于具有NEV_max个PEV_maxkW等级快充桩的电动汽车充电站,设定第t时刻该快充站的总充电负荷为PEV(t)kW;当仅有一辆车为不满功率充电,其他车辆均为满功率充电时,获得该充电站的充电车辆数的最小值,即充电车辆基础值n0(t)的计算公式为:
其中,PEV(t)为第t时刻的快充站快充功率,即原始电动汽车负荷,单位为kW;nEV为充电车辆数,且有nEV∈{1,2,…,NEV_max};NEV_max为快充站的快充桩总数量;PEV_max为快充桩的最大充电功率;
则,第t时刻的电动汽车充电数量最终值n(t)的计算公式为:
其中,Δn(t)∈{0,1,...,Δnmax},Δnmax为电动汽车充电数量浮动值的最大值,当Δnmax=2时,对于长度为N1的快充站电动汽车负荷序列,电动汽车充电车辆实际值有N13种可能的情况。
5.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤5)中,目标函数和约束条件如下:
目标函数:将重组后的电动汽车负荷P(t)和原始电动汽车负荷P0(t)的平均绝对误差最小化为目标函数,具体如下:
式中,N1为待处理的电动汽车快充站负荷序列的序列长度,为每个采样时刻在快充站进行充电的电动汽车数量,该值是N1×1维的向量;为整个采样时段内,到达快充站的电动汽车总数,有PEV,p(t)为第p辆电动汽车在t时刻的快充功率,当该辆车在t时刻未到达或已离开快充站时,有PEV,p(t)=0;当该车在t时刻快充站进行充电时,后者的大小取决于PEV,p,max和
约束条件:在优化模型的求解过程中,有如下3个约束条件:
约束1:电动汽车充电数量约束,每个时刻的在快充站进行充电的电动汽车数量n(t)不应当超过该快充站的充电桩总数nmax,即:
n(t)≤NEV_max;
约束2:电动汽车快充功率约束,考虑到每辆车的快充功率不能大于快充站的充电桩的提供的最大快充功率,因此有:
0≤PEV,p(t)≤PEV_max
式中,PEV_max为该快充站的充电桩的最大快充功率,对于150kW的快充桩,有PEV_max=150kW;
约束3:电动汽车快充功率衰减度约束,考虑到电动汽车的衰减特性,衰减程度应该0%~100%内取值,即:
6.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤6)中,电动汽车功率随电池荷电状态SOC的变化特性曲线如下:
受电池组容量、电池荷电状态SOC、电池温度、电池的化学特性因素影响,电动汽车快充功率随电池荷电状态SOC的变化曲线分为两阶段,即:
恒功率充电阶段:电池管理系统BMS控制电动汽车以充电桩允许的最大充电功率进行充电;
功率匀速下降阶段:随着电池荷电状态SOC的增加,电池管理系统BMS控制电动汽车的快充功率匀速下降;
因此,电动汽车快充功率随电池荷电状态SOC的变化曲线用如下公式表达:
式中,wsoc为电池荷电状态SOC数值,且有wsoc∈[SOCmin,SOCmax],SOCmin为电池荷电状态的最小值,SOCmax为电池荷电状态的最大值,aj和bj均为电动汽车在功率匀速下降阶段功率曲线的拟合参数,该值通过Origin2021的线性拟合工具获得,且有bj<0,为第j类电动汽车可以维持恒功率充电的最大电池荷电状态SOC,该值也是阶段二的起始电池荷电状态SOC;考虑到阶段二开始时的电动汽车充电功率为因此,的计算公式如下:
7.根据权利要求6所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤6)中,基于微分方程建模生成不同车型的功率和电量随时间变化的典型特性曲线如下:
对于恒功率充电阶段,快充功率随时间的变化仍为定值,仅计算该阶段的最大充电时间t1,具体计算公式如下:
对于功率匀速下降阶段,通过分析电动汽车实时充电电量和电动汽车实时快充功率得关系获得Pj(t)的求解公式,具体推导过程如下:
电动汽车快充功率匀速下降时,有:
电动汽车充电功率Pji是电动汽车的实时充电电量Wji(t)随时间变化的微分值,即:
则:
上式是关于Pj(t)的一阶定常数微分方程,使用matlab的dsolve函数求解获得Pji(t),结果如下:
综上,获得电动汽车的时变特性Pji(t)在两个阶段的解析式:
对Pj(t)在时间上求定积分即获得Wj(t)的解析式,即:
8.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤7)中,基于Jaya算法的优化模型生成每辆车的车型、对应的实时功率和实时电量,该模型的目标函数和约束条件如下:
目标函数:
式中,j和i为第j类车中第i种车型,为到达电动汽车充电站的第p辆车在其充电过程中的第tl个采样时刻的功率估计值;Pji(tc+(tl-1)·T)为第ji 类车的典型电动汽车功率曲线在第tc+(tl-1)·Tmin的数值;tc为开始充电时间,单位为:min;T为电动汽车快充站功率的采样间隔;
约束条件:该模型考虑典型车辆类型约束和开始充电时刻约束的情况下,具体如下:
1≤j≤jmax
1≤i≤ijmax
1≤tc≤tjimax
式中,jmax为电动汽车充电功率特性种类数的最大值,ijmax为第j中充电功率下的最大电池容量的数量最大值,tjimax为第ji类车的最大充电时长,单位为min。
10.根据权利要求1所述的电动汽车快充站负荷实时可调节能力及可用电量预测方法,其特征在于,步骤8)中,每辆电动汽车的实时可调功率定义如下:
电动汽车可调功率分为电动汽车可上调功率和电动汽车可下调功率,电动汽车可上调功率指接入电网的电动汽车负荷的增加值,在不考虑电动汽车电池容量和实时电池荷电状态SOC时,单辆电动汽车的可上调功率可以通过电动汽车的最大充电功率和实时充电功率的差值来计算,即:
式中,为不考虑电动汽车电池容量和实时电池荷电状态SOC下的第j类第i种电动汽车车型在t时刻的可上调功率,为第j类第i种电动汽车车型在t时刻的最大充电功率,Pji(t)为第j类第i种电动汽车车型在t时刻的实时充电功率,随着电池荷电状态SOC的增加逐渐降低;
对于单辆车,计算该定义下的电动汽车可上调功率的上限,即:
最终的电动汽车可上调功率:
单辆电动汽车的可下调功率的定义如下:
式中,为原始定义下的第j类第i种电动汽车车型在t时刻可下调功率,为考虑电动汽车电池容量和实时电池荷电状态SOC下的第j类第i种电动汽车车型在t时刻可下调功率,为最终定义下的第j类第i种电动汽车车型在t时刻可下调功率,为第j类第i种电动汽车车型的接入电网的充放电功率的最低值,当电动汽车可以向电网放电时,当电动汽车仅能接入电网进行充电时,有
快充站总实时可行电量和可调功率的定义如下:
对于第t时刻,电动汽车充电站的可调节功率是该时刻接入电网的每辆车的可调节功率的总和,即:
式中,Pup/down(t)为第t时刻的电动汽车可上调/下调功率,Nz(t)为t时刻接入电网的电动汽车总数,为t时刻接入电网的第z辆电动汽车的可上调/下调功率,jz为该车所属的类别,iz为为该车所属的车型;
对于第t时刻,电动汽车充电站可行电量是该时刻接入电网的每辆车的可行电量的总和,即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808216.5A CN115764855A (zh) | 2022-07-11 | 2022-07-11 | 一种电动汽车快充站实时可调节能力及可用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808216.5A CN115764855A (zh) | 2022-07-11 | 2022-07-11 | 一种电动汽车快充站实时可调节能力及可用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115764855A true CN115764855A (zh) | 2023-03-07 |
Family
ID=85350080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808216.5A Pending CN115764855A (zh) | 2022-07-11 | 2022-07-11 | 一种电动汽车快充站实时可调节能力及可用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115764855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307192A (zh) * | 2023-03-22 | 2023-06-23 | 北京鹅厂科技有限公司 | 充电桩充电时间估算的方法与装置 |
-
2022
- 2022-07-11 CN CN202210808216.5A patent/CN115764855A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307192A (zh) * | 2023-03-22 | 2023-06-23 | 北京鹅厂科技有限公司 | 充电桩充电时间估算的方法与装置 |
CN116307192B (zh) * | 2023-03-22 | 2023-09-01 | 北京鹅厂科技有限公司 | 充电桩充电时间估算的方法与装置 |
WO2024192961A1 (zh) * | 2023-03-22 | 2024-09-26 | 北京鹅厂科技有限公司 | 充电桩充电时间估算的方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN106709820A (zh) | 一种基于深度置信网络的电力系统负荷预测方法及装置 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115115125B (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
CN113537582A (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
CN118157093A (zh) | 电力系统可调资源调节潜力动态预估方法、系统及设备 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN117522444A (zh) | 一种基于v2g的电动汽车充电站动态电价制定方法及系统 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN114444803A (zh) | 电动汽车充电站充电负荷预测方法、系统、终端及介质 | |
Padhan et al. | Power forecasting with minimal loss using lstm and pv model | |
CN118144621B (zh) | 一种充电站充电任务调配方法 |
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 |