CN117400771A - 一种基于电动汽车的充电桩充电控制方法 - Google Patents
一种基于电动汽车的充电桩充电控制方法 Download PDFInfo
- Publication number
- CN117400771A CN117400771A CN202311250508.2A CN202311250508A CN117400771A CN 117400771 A CN117400771 A CN 117400771A CN 202311250508 A CN202311250508 A CN 202311250508A CN 117400771 A CN117400771 A CN 117400771A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- charging pile
- load
- information
- 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 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 8
- 230000036316 preload Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/30—Constructional details of charging stations
- B60L53/31—Charging columns specially adapted for electric vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于电动汽车的充电桩充电控制方法,包括以下步骤:构建充电桩充电控制系统;采集预测和申报结果的相关数据;进行数据处理;对充电桩进行负荷预测模型训练;获取可调容量完成调节并进行上报。上述技术方案通过将小波变换技术、小波主要成分分析技术与LSTM技术相结合,建立了WT‑WPCA‑LSTM的多维度负荷预测模型,针对充电桩的类型进行分组建模,并且区分不同时间尺度的建模方法,实现对于充电桩的有效调控,满足电动汽车的高效充电需求。
Description
技术领域
本发明涉及电动汽车技术领域,尤其涉及一种基于电动汽车的充电桩充电控制方法。
背景技术
在能源转型变革新形势下,一方面随着新能源在电网中的渗透率不断提高,其输出的不确定性及波动性给电网调度带来新的挑战。另一方面电动汽车大规模、无序的充放电行为将引起电网中的潮流波动,甚至产生谐波污染,也给电网的安全稳定运行带来了风险。电动汽车已逐渐成为我国规模增速最快、发展潜力最大的电力系统负荷侧灵活性资源。近年来锂离子电池能量密度、循环寿命等关键参数呈现快速进步趋势,成本仍有较大下降空间,大量电动汽车作为分布式储能为电力系统提供规模可观的灵活性资源,可大幅提升电力系统运行的安全稳定性和对波动性可再生能源的消纳能力。
电动汽车可以作为用户侧需求响应的重要资源。但是由于电动汽车单体的功率太小且较为分散,因此电动汽车需要通过充电桩聚集到电动汽车充电负荷聚集商(简称EVA)的负荷聚集平台,接受平台的统一调度和控制,从而参与电能量和辅助服务市场。
有资料显示,车网互动是电动汽车与能源连接的重要方式,近年来频频得到国家政策支持。但经历多年发展,车网互动仍未实现规模化、商业化运营。其中,顶层设计缺失、激励政策不足、产学研力量难聚合成为阻碍其发展的三大难题。加强新能源汽车与电网能量互动,对于发挥新能源汽车分布式储能优势,降低新能源汽车的用电成本,提高电网调峰调频和安全应急响应能力具有重要意义。
中国专利文献CN109327034A公开了一种“电动汽车充电控制方法及充电桩”。提供给用户两种选项,一种是接受需求响应管理,另一种是不接受需求响应管理;充电桩根据用户的操作,确定用户是否接受需求响应,若接受需求响应,则由电动汽车需求响应管理系统确定对应充电桩的充电功率;若不接受需求响应,由充电车辆确定充电桩的充电功率;根据充电桩的充电功率对对应的充电车辆进行充电。本发明在充分利用现有配电网资源的基础上,对充电桩进行有序引导和输出的实时功率进行动态调整控制,引导电动汽车的充电行为从单向无序的随机充电模式向有序充电模式过渡。上述技术方案缺少对充电桩负荷的精准预测。
发明内容
本发明主要解决原有的缺少对充电桩负荷的精准预测的技术问题,提供一种基于电动汽车的充电桩充电控制方法,通过将小波变换技术、小波主要成分分析技术与LSTM技术相结合,建立了WT-WPCA-LSTM的多维度负荷预测模型,针对充电桩的类型进行分组建模,并且区分不同时间尺度的建模方法,实现对于充电桩的有效调控,满足电动汽车的高效充电需求。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
S1构建充电桩充电控制系统;
S2采集预测和申报结果的相关数据;
S3进行数据处理;
S4对充电桩进行负荷预测模型训练;
S5获取可调容量完成调节并进行上报。
获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息,并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值;
根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩;
根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在相应时间维度的负荷预测模型;
利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型,得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值;
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息,得到所述负荷聚集平台在各时间维度下的可调容量,并对各所述时间维度下的可调容量进行上报。
作为优选,所述的步骤S1中的充电桩充电控制系统包括:
数据采集数模块,对影响预测和申报结果的相关数据进行采集;
数据处理和负荷预测模块,对收集的相关数据信息进行预处理、存储、建模,并且通过对关键信息进行实时监控在必要时发出人工干预的指令和参考值;在线评估和申报模块,对于已经预测出来的负荷水平进行可调性在线评估。
作为优选,所述的步骤S2预测和申报结果的相关数据包括,负荷聚合商的充电桩所在区域的天气数据,充电桩信息,充电用户信息和市场相关信息。
作为优选,所述的步骤S3包括基本数据处理和分类,最基本的负荷数据为每15分钟一个节点,在进行日内的小时前预测时,对每小时中的4个时间节点的功率进行平均,从而得出每天24点的历史负荷数据。
作为优选,所述的步骤S3包括缺失数据处理和相关数据提取分类,寻找最为接近的两个相似时间点的数据进行处理,对数据进行标准化预处理,然后提取对预测结果有影响的指标信息,包括SOC,天气信息,极端节假日,重大事件。
作为优选,所述的步骤S4具体包括,进行小时前预测中,S4.1参考因素包括,第一类的基本历史信息负荷数据P历史电量P,第二类相关历史信息包括相关节点的历史实时电价所形成的充电桩平台加权电价C*,节假日历史信息、历史调控系数K*和车辆的荷电状态SOC;
S4.2对负荷数据P通过小波变换进行降噪处理,对节点加权点电价C*做小波主要成分分析处理,对所有在线车辆的荷电状态SOC进行加权计算;
S4.3处理过后的P、C*与温度历史信息、历史调控系数K*一起形成5维历史数据送入LSTM作为训练数据;
S4.4在模型训练当中,将训练数据与实际值之间的对比进行预测评估,分别计算其平方根误差RMS、平均绝对误差MAE和平均绝对误差百分比MAPE;
S4.5若回测结果不合格,则继续调整训练数据的规模或者调或者调整缺失数据的值,再进行迭代,直到回测结果满足评估要求。
电动汽车充电负荷序列预测容易受到噪声的影响,因此在对充电负荷时序数据进行建模分析前,要对其历史信息进行降噪处理。降噪的根本目是在保留原始信号的主要数据特征的基础上尽可能地去除噪声信息。小波变换技术有能力处理非平稳且不规则的负荷时间序列数据,并且保留更多的原始信息。因此,需要采用小波变换技术对直接影响预测结果的基本历史信息历史负荷数据P进行小波降噪从而获取更多的趋势信息。
作为优选,所述的步骤S4.2对节点加权点电价C*做小波主要成分分析处理具体包括,首先,利用多个普通小波对多变量信号的每一维度进行小波分解,得到分解后的小波系数矩阵;然后,通过小波系数矩阵估计整体的噪声大小,并选取合适的阈值对小波系数矩阵进行阈值处理;接着,利用主成分分析技术对阈值化后的小波系数矩阵进行主成分提取,并去除小波系数矩阵中的次要成分;最后,将去除次要成分的小波系数矩阵进行小波逆变换,重构出原始的多变量信号。
作为优选,所述的步骤S4.2对所有在线车辆的荷电状态SOC进行加权计算,电动汽车负荷聚集平台的加权SOC*计算公式如下所示:
其中,为在线电动汽车数量之和,/>为所有在线车辆的荷电状态SOC之和。
作为优选,所述的步骤S5获取可调容量具体包括,用Fp来表示聚合平台的可以下调的功率,对于日前预测,其可调功率可以用如下公式表示:
其中,Lp为平台的日前预测负荷值,Kmin为充电桩最小充电功率占额定功率的比例,为不参加负荷调节的用户之和。
作为优选,对不处于接近满电量状态的充电用户进行小扰动在线测试,在其充电功率参考值上叠加一个较小的扰动分量,如果功率反馈值不发生变化,则考虑该充电桩在下一个时刻可能不能参与调节,在评估时对其进行核减,记在当中,并且计入到历史调节系数中,在进行了可调容量计算以及小扰动的在线评估之后,将最终形成的结果申报至交易中心以及电网相关机构。
本发明的有益效果是:通过将小波变换技术、小波主要成分分析技术与LSTM技术相结合,建立了WT-WPCA-LSTM的多维度负荷预测模型,针对充电桩的类型进行分组建模,并且区分不同时间尺度的建模方法,实现对于充电桩的有效调控,满足电动汽车的高效充电需求。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种整体架构图。
图3是本发明的一种负荷可调能力申报的流程图。
图4是本发明的一种日前负荷预测的WT-WPCA-LSTM混合模型训练流程图。
图5是本发明的一种小时前负荷预测的WT-WPCA-LSTM混合模型训练流程图。
图6是本发明的一种15min前负荷预测的WT-WPCA-LSTM混合模型训练流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于电动汽车的充电桩充电控制方法,如图1、图3所示,包括以下步骤:
获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息,并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值;
根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩;
根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在相应时间维度的负荷预测模型;
利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型,得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值;
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息,得到所述负荷聚集平台在各时间维度下的可调容量,并对各所述时间维度下的可调容量进行上报。
如图2所示,该申报平台分为如下个模块:
(1)数据采集
首先要对影响预测和申报结果的相关数据进行采集,可以分为如下几大类:
1)负荷聚合商的充电桩所在区域的天气数据,包括温度,降雨降雪等数据,刷新频率为1小时,这些数据用于模型训练以及预测。
2)充电桩信息,包括交/直流桩属性、公交专用桩/公共充电桩/小区公共充电桩/小区私有充电桩属性,固定协议签约/灵活签约属性,额定功率等属性,对应平台ID,待机/关机/运行/正常/调节状态、桩所在电网节点。其中桩所在电网节点以电力现货市场下电网等值后所在的电网节点为准,主要用于区分不同区域的节点电价。
3)充电用户信息,包括车辆私家车/网约车/公交车属性,是否接受调控标志,车辆的SOC状态,充电目标(电量百分比)、默认充电功率。
4)市场相关信息,包括实时电价信息以及油价信息。现货开放之后还包括日内和日前的96节点电价信息。
(2)数据处理和预测模块
数据处理和预测模块主要负责对收集的相关数据信息进行预处理、存储、建模,并且通过对关键信息进行实时监控在必要时发出人工干预的指令和参考值。主要分为如下几个部分:
1)基本数据处理和分类
最基本的负荷数据为每15分钟一个节点。在进行日内的小时前预测时,则需要对每小时中的4个时间节点的功率进行平均,从而得出每天24点的历史负荷数据。
2)缺失数据处理
由于车网互动基本还处于试点准备阶段,因此在实际当中往往会存在数据缺失的问题。因此需要对残缺的数据进行特殊处理。本方案中采取寻找最为接近的两个相似时间点的数据进行处理。对数据进行标准化预处理,有利于提高模型的训练速度和预测精度。常用的数据标准化方法有最大最小值标准化和均值方差标准化两种方法。
3)相关数据提取分类
然后提取对预测结果有影响的指标信息,比如有SOC,天气信息,极端节假日,重大事件等。
4)负荷预测模型训练
对接入平台的可调充电桩进行分类和分组,分别分为工商业性质的公用交流桩、公用直流桩、公交车专用充电桩、小区直流公用桩、小区交流公用桩和小区私家车专用交流桩进行分组。在对充电桩进行分组以后,每一组充电桩都要针对不同的时间尺度的预测,需要采用不同的建模方式。平台所需要的预测包括日前预测、小时前预测和15分钟前预测。
对于日前预测,需要提前一天对第二天的96个节点的数据进行预测,属于多跨步预测,预测的难度相对较大,需要较多的相关数据和较为复杂的预测模型。在本技术方案当中,日前负荷预测采用的是WT-WPCA-LSTM混合预测模型。其中WT是小波变换WaveletTransform的简称,WPCA是小波主要成分分析Wavelet Principle Component Analysis的简称,LSTM是长短记期记忆网络Long Short-Term Memory的简称。建模的基本思想是将WT降噪、WPCA小波主要成分分析和LSTM三个模型有机地结合在一起。
a.小波变换WT
电动汽车充电负荷序列预测容易受到噪声的影响,因此在对充电负荷时序数据进行建模分析前,要对其历史信息进行降噪处理。降噪的根本目是在保留原始信号的主要数据特征的基础上尽可能地去除噪声信息。传统的降噪方法有平滑滤波、移动平均了滤波、简单非线性噪声消除以及线性傅里叶滤波等。电动汽车充电负荷时间序列数据不仅含有噪声,还普遍具有非线性、非平稳、高波动的特点。而这些传统的降噪方法并不能有效的去除电动汽车充电负荷时间序列数据中的噪声成分。而小波变换技术有能力处理非平稳且不规则的负荷时间序列数据,并且保留更多的原始信息。因此,需要采用小波变换技术对直接影响预测结果的基本历史信息历史负荷数据P进行小波降噪从而获取更多的趋势信息。
b.小波主要成分分析WPCA
WPCA降噪方法是通过对普通小波降噪方法直接拓展实现的。首先,利用多个普通小波对多变量信号的每一维度进行小波分解,得到分解后的小波系数矩阵。然后,通过小波系数矩阵估计整体的噪声大小,并选取合适的阈值对小波系数矩阵进行阈值处理。接着,利用主成分分析技术对阈值化后的小波系数矩阵进行主成分提取,并去除小波系数矩阵中的次要成分。最后,将去除次要成分的小波系数矩阵进行小波逆变换,重构出原始的多变量信号。总之,WPCA降噪方法通过普通小波对多变量信号降噪的同时,利用PCA技术保留原始多维数据的主要成分,并去除次要成分,进而实现更强降噪的效果,同时也保留了原始多变量信号间的相关信息。
c.LSTM
电动汽车充电负荷时间序列数据具有长记忆性,而普通的神经网络不具有记忆能力。传统的神经网络认为输入的样本之间是相互独立的,即当前的输出仅与当前的输入有关,而与先前的输入无关。因此,传统的神经网络不能有效地利用序列信息,对时间序列分析和处理的效果也并不理想。虽然递归神经网络RNN能够对时间序列数据很好地进行建模,但是由于其存在梯度爆炸和梯度消失的问题,时间序列的长期依赖关系很难学习。而长短期记忆网络(LSTM)是一种利用记忆细胞状态对抗梯度消失和梯度爆炸的有效结构。
日前负荷预测的WT-WPCA-LSTM混合模型训练流程如图4所示。日前负荷预测除了考虑历史电量P这一基本信息以外,还需要考虑到相关信息包括历史实时电价、历史温度、历史节假日信息以及平台的历史调控幅度K*值。此外还需要考虑第二天的节假日信息,第二天的油价数据以及第二天的温度预测值。而这三部分数据由于其对预测结果的影响不同要做不同的处理。第一类的基本历史信息负荷数据P通过小波变换进行降噪处理。第二类相关历史信息包括相关节点的历史实时电价所形成的充电桩平台加权电价C*,节假日历史信息、温度历史信息和历史调控系数K*。其中出了节点加权点电价C*以外,其他信息的波动和噪声都可以几乎忽略不计,因此值需要对加权电价做小波主要成分分析处理。处理过后的P和C*与而历史节假日历史信息、温度历史信息和历史调控系数K*一起形成5维历史数据送入LSTM作为训练数据,而第二天的节假日信息、油价数据和温度预测值则作为训练数据送入LSTM。这些数据通过LSTM模块之后,形成第二天的96个节点的负荷预测数据。在模型训练当中,这些数据通过与实际值之间的对比进行预测评估,分别计算其平方根误差RMS、平均绝对误差MAE和平均绝对误差百分比MAPE。
如果回测结果不合格,则继续调整训练数据的规模或者调或者调整缺失数据的值,再进行迭代,指导回测结果满足评估要求,则完成了日前预测的预测模型训练。
在小时前预测中,如图5所示,则情况有所不同。由于时间尺度较日前小,因此不需要考虑温度的变化和油价的变化对负荷预测结果的影响。但是需要考虑车辆的荷电状态SOC对下一个时刻负荷水平的变化。这是因为电动汽车在接近满电量状态时,其充电功率会维持在一个较小的水平。因此除了历史电量数据,SOC也会直接影响下一个时间点的负荷。但是每一辆的SOC是不一样的。一般充电桩的聚集平台没有对车辆的实时SOC进行采集,更别说用于预测分析。而本平台则对平台上在线的每一辆SOC进行实时采集。但是单台电动汽车的SOC无法决定平台的充电功率。但是通过平台的所有在线车辆的SOC进行加权计算,就可以由此评估加权SOC*对下一个时刻的电量的影响。因此小时前负荷预测的WT-WPCA-LSTM的模型训练流程如图5所示。而电动汽车负荷聚集平台的加权SOC*计算公式如下所示:
其中,为在线电动汽车数量之和,/>为所有在线车辆的荷电状态SOC之和。
对于15分钟前预测而言,由于其时间尺度很短,其数据的变换相对平缓,因此不许要对相关的信息做滤波处理,可以直接输入LSTM模型当中进行训练,其训练流程如图6所示。
在线评估和申报模块
(1)可调容量计算
在线评估和申报模块的功能在于对于已经预测出来的负荷水平进行可调性在线评估。用Fp来表示聚合平台的可以下调的功率,对于日前预测,其可调功率可以用如下公式表示:
其中,Lp为平台的日前预测负荷值,Kmin为充电桩最小充电功率占额定功率的比例,为不愿意和因为自身原因不能参加负荷调节的用户之和。
对于15分钟前预测,其计算公式如下所示:
其中Lp为平台15分钟之后的充电功率,为下一个时刻在线的愿意参加负荷调节的充电用户的最小功率之和,/>为不愿意参加负荷调节的用户之和。由于在负荷预测时就已经考虑了加权SOC*对于负荷预测值的影响,因此在进行可调负荷评估时,不需要再考虑SOC对负荷可调量的影响。
(2)小扰动在线评估
考虑到有些桩由于升级或者其他原因导致的不可调节,因此需要在平台不参与电网调节的空挡时段,对不处于接近满电量状态的充电用户进行小扰动在线测试。在其充电功率参考值上叠加一个较小的扰动分量,比如10%左右,如果功率反馈值不发生变化,则考虑该充电桩在下一个时刻可能不能参与调节,要在评估时对其进行核减,可以记在当中。这些扰动要计入到历史调节系数当中。
在进行了可调容量计算以及小扰动的在线评估之后,将最终形成的结果申报至交易中心以及电网相关机构。
Claims (10)
1.一种基于电动汽车的充电桩充电控制方法,其特征在于,包括以下步骤:
S1构建充电桩充电控制系统;
S2采集预测和申报结果的相关数据;
S3进行数据处理;
S4对充电桩进行负荷预测模型训练;
S5获取可调容量完成调节并进行上报。
2.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S1中的充电桩充电控制系统包括:
数据采集数模块,对影响预测和申报结果的相关数据进行采集;
数据处理和负荷预测模块,对收集的相关数据信息进行预处理、存储、建模,并且通过对关键信息进行实时监控在必要时发出人工干预的指令和参考值;
在线评估和申报模块,对于已经预测出来的负荷水平进行可调性在线评估。
3.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S2预测和申报结果的相关数据包括,负荷聚合商的充电桩所在区域的天气数据,充电桩信息,充电用户信息和市场相关信息。
4.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S3包括基本数据处理和分类,最基本的负荷数据为每15分钟一个节点,在进行日内的小时前预测时,对每小时中的4个时间节点的功率进行平均,从而得出每天24点的历史负荷数据。
5.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S3包括缺失数据处理和相关数据提取分类,寻找最为接近的两个相似时间点的数据进行处理,对数据进行标准化预处理,然后提取对预测结果有影响的指标信息,包括SOC,天气信息,极端节假日,重大事件。
6.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S4具体包括,进行小时前预测中,
S4.1参考因素包括,第一类的基本历史信息负荷数据P历史电量P,第二类相关历史信息包括相关节点的历史实时电价所形成的充电桩平台加权电价C*,节假日历史信息、历史调控系数K*和车辆的荷电状态SOC;
S4.2对负荷数据P通过小波变换进行降噪处理,对节点加权点电价C*做小波主要成分分析处理,对所有在线车辆的荷电状态SOC进行加权计算;
S4.3处理过后的P、C*与温度历史信息、历史调控系数K*一起形成5维历史数据送入LSTM作为训练数据;
S4.4在模型训练当中,将训练数据与实际值之间的对比进行预测评估,分别计算其平方根误差RMS、平均绝对误差MAE和平均绝对误差百分比MAPE;
S4.5若回测结果不合格,则继续调整训练数据的规模或者调或者调整缺失数据的值,再进行迭代,直到回测结果满足评估要求。
7.根据权利要求6所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S4.2对节点加权点电价C*做小波主要成分分析处理具体包括,首先,利用多个普通小波对多变量信号的每一维度进行小波分解,得到分解后的小波系数矩阵;然后,通过小波系数矩阵估计整体的噪声大小,并选取合适的阈值对小波系数矩阵进行阈值处理;接着,利用主成分分析技术对阈值化后的小波系数矩阵进行主成分提取,并去除小波系数矩阵中的次要成分;最后,将去除次要成分的小波系数矩阵进行小波逆变换,重构出原始的多变量信号。
8.根据权利要求6所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S4.2对所有在线车辆的荷电状态SOC进行加权计算,电动汽车负荷聚集平台的加权SOC*计算公式如下所示:
其中,为在线电动汽车数量之和,/>为所有在线车辆的荷电状态SOC之和。
9.根据权利要求1所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,所述步骤S5获取可调容量具体包括,用Fp来表示聚合平台的可以下调的功率,对于日前预测,其可调功率可以用如下公式表示:
其中,Lp为平台的日前预测负荷值,Kmin为充电桩最小充电功率占额定功率的比例,为不参加负荷调节的用户之和。
10.根据权利要求9所述的一种基于电动汽车的充电桩充电控制方法,其特征在于,对不处于接近满电量状态的充电用户进行小扰动在线测试,在其充电功率参考值上叠加一个较小的扰动分量,如果功率反馈值不发生变化,则考虑该充电桩在下一个时刻可能不能参与调节,在评估时对其进行核减,记在当中,并且计入到历史调节系数中,在进行了可调容量计算以及小扰动的在线评估之后,将最终形成的结果申报至交易中心以及电网相关机构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311250508.2A CN117400771A (zh) | 2023-09-25 | 2023-09-25 | 一种基于电动汽车的充电桩充电控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311250508.2A CN117400771A (zh) | 2023-09-25 | 2023-09-25 | 一种基于电动汽车的充电桩充电控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117400771A true CN117400771A (zh) | 2024-01-16 |
Family
ID=89493435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311250508.2A Pending CN117400771A (zh) | 2023-09-25 | 2023-09-25 | 一种基于电动汽车的充电桩充电控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117400771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117656913A (zh) * | 2024-01-31 | 2024-03-08 | 南方电网数字电网研究院股份有限公司 | 支撑海量充电桩安全接入与快速控制的聚合调控系统 |
-
2023
- 2023-09-25 CN CN202311250508.2A patent/CN117400771A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117656913A (zh) * | 2024-01-31 | 2024-03-08 | 南方电网数字电网研究院股份有限公司 | 支撑海量充电桩安全接入与快速控制的聚合调控系统 |
CN117656913B (zh) * | 2024-01-31 | 2024-05-03 | 南方电网数字电网研究院股份有限公司 | 支撑海量充电桩安全接入与快速控制的聚合调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
Ekonomou et al. | A short-term load forecasting method using artificial neural networks and wavelet analysis | |
CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN110428168A (zh) | 一种计及储能的多能源配电系统协调调度综合评价方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN117400771A (zh) | 一种基于电动汽车的充电桩充电控制方法 | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
Han et al. | A game theory‐based coordination and optimization control methodology for a wind power‐generation hybrid energy storage system | |
CN112670982B (zh) | 一种基于奖励机制的微电网有功调度控制方法及系统 | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
Qin et al. | Comprehensive evaluation of microgrid integration based on combination weighting | |
CN114282746A (zh) | 一种配网形态支撑度指标评估方法 | |
Zhang et al. | Integrated strategy for real-time wind power fluctuation mitigation and energy storage system control | |
Li et al. | K-means clustering algorithm and LSTM based short-term load forecasting for distribution transformer | |
Zongbao | A Line loss management method based on improved random forest algorithm in distributed generation system | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
Lei et al. | Research on a LSTM based method of forecasting primary frequency modulation of grid | |
CN118263902A (zh) | 一种基于充电桩聚合负荷特性的调峰方法 | |
Zhou et al. | Research on Data Classification and Risk Level Perception of Weak Distribution Network |
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 |