一种基于多车型共享换电站动态负荷预测方法与流程

本发明属于电动汽车换电站技术领域，具体涉及一种基于多车型共享换电站动态负荷预测方法。

背景技术：

近年来，随着新能源技术的大力推广，电动汽车、电动公交车的应用越来越多，换电站换电负荷受电动汽车行驶时间及空间分布不确定性的影响呈现出较强的随机不确定性，而换电站换电负荷在未来时刻的状态只取决于现在所处状态，与系统之前的状态无关。电动公交车行驶时间和里程比较确定，私家电动汽车的行驶时间和行驶里程较难预测，电动公交车的换电负荷预测方法并不适用。因此，如何采用一种简单的方法有效、快速地预测换电站的换电负荷，已成为本领域急需解决的一个关键问题。

技术实现要素：

发明目的：针对现有技术存在的不足，本发明的目的是提供一种对换电站的换电需求进行概率性预测，能够更好地了解换电站的换电需求范围及其所面临的风险，从而为做出更为合理的充换电决策提供必要的数据基础的基于多车型共享换电站动态负荷预测方法。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：

针对电动汽车换电需求具有时间和空间上的随机性问题，本发明提出一种基于多车型共享换电站动态负荷预测方法，在将换电站换电负荷状态区间离散化的基础上，基于马尔科夫时间序列模型，建立换电站负荷需求的概率预测模型，对换电站换电负荷需求进行概率预测。同时根据马尔科夫预测得到换电需求的区间概率及分布函数，采用设置置信度的方式对换电需求的不确定性进行判断，为换电站电池充放电优化控制提供数据基础，具体如下：

本发明的基于多车型共享换电站动态负荷预测方法，包括以下步骤：

(1)利用马尔科夫过程预测充换电站的换电需求的状态概率；

(2)统计入站电池历史数据，完成入站电池荷电状态的离散化；

(3)读入充换电站的初始电池状态及充电桩参数，得到充换电站电池荷电等级集合；

(4)通过二阶段充放电优化控制算法对电池充放台数进行优化，得到电池充放控制结果。

进一步地，步骤(1)中，通过马尔科夫过程预测充换电站的换电需求的流程为：统计样本数据、系统状态划分……系统状态换分、统计样本数据。

进一步地，在步骤(1)中，首先对换电站换电负荷进行划分，设lmax、lmin为样本数据的最大值与最小值，设所需状态总数为n，则每个状态代表的区间长度l为当样本数据落入区间[lmin+(i-1)·l,lmin+i·l]中时，认为系统处于第i个状态。

进一步地，在步骤(1)中，换电需求约束要求充换电站在t时段起点的满充电池数量不小于t时段换电需求，在换电需求约束处理上，采用设置置信度的方式来对状态进行选取。

进一步地，采用设置置信度的方式来对状态进行选取的方法为：

从换电需求最低的状态开始累加，直到状态概率总和达到置信度，最后一个状态记为q，从而得到换电需求的状态集；在取得状态集合后，为了应对换电需求的不确定性带来的风险取负荷最大的区间作为充换电站的换电约束，约束式为：

其中，η表示设置的置信度，p(s)为换电需求状态s的概率，ψ为预测的该时段换电需求最多的区间，为ψ区间的换电需求。

进一步地，在步骤(2)中，要将电池荷电状态离散化成不同的等级，且电池荷电等级数量需控制在调度可接受的范围内；

设电池分为k个不同的荷电等级状态，j(j＝1,2,3...k)为电池的某一荷电状态等级标识，jc(jc＝1,2,3...kjc≠j≠jd)表示荷电等级标识为j的电池进行单时段充电操作后的荷电等级标识，荷电等级标识为cj(cj＝1,2,3...kcj≠j≠dj)的电池进行单时段充电操作后荷电等级标识变为j。

进一步地，步骤(3)中，换电站充电桩数量的约束式为：

其中，npum为换电站充电桩的个数，为t时段充电操作标识之和。

进一步地，在步骤(4)中，二阶段充放电优化控制算法：

第一阶段优化：在将电池荷电状态离散后，其优化目标函数如下所示：

其中，表示对电池荷电等级标识为j的电池进行充电操作的数量，xj为布尔型变量，e0为满电电池电量；

第二阶段优化：目标设为最大化各时段起点的满充电池数量之和fx：

其中，npum为换电站充电桩的个数，为t时段充电操作标识之和。

有益效果：与现有技术相比，本发明具有以下优点：

针对电动汽车换电需求具有时间和空间上的随机性问题，本发明采用马尔科夫过程状态预测方法，对换电站的换电需求进行概率性预测，使决策者能够更好地了解换电站的换电需求范围及其所面临的风险，从而为做出更为合理的充换电决策提供必要的数据基础。

附图说明

图1是本发明中马尔科夫过程预测充换电站的换电需求的流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明。

换电站换电负荷受电动汽车行驶时间及空间分布不确定性的影响呈现出较强的随机不确定性，而换电站换电负荷在未来时刻的状态只取决于现在所处状态，与系统之前的状态无关，符合随机马尔科夫性过程。因次，本发明采用马尔科夫过程状态预测方法，对换电站的换电需求进行概率性预测，使决策者能够更好地了解换电站的换电需求范围及其所面临的风险，从而为做出更为合理的充换电决策提供必要的数据基础。

马尔科夫过程是具有“无后效性”的随机过程，在给定当前知识或信息的情况下，过去(即当期以前的历史状态)对于预测将来(即当期以后的未来状态)是无关的。可应用于水文、气象、地震、经济预测、管理决策等研究领域。

马尔可夫链，是指数学中具有马尔可夫性质的离散事件随机过程，该过程中，在给定当前知识或信息的情况下，过去(即当前以前的历史状态)对于预测将来(即当前以后的未来状态)是无关的。在马尔可夫链的每一步，系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率。

本发明采用的马尔科夫过程是时间和状态都是有限离散的，即马尔科夫链。其数学表述如下：

设存在随机过程{xt,t∈t}，其中，xt的时间集合记为t，t＝{1,2,3...}，xt的状态集合记为m，m＝{m1,m2,m3...}，对于任意的时刻及状态，均有如下等式成立：

p＝{xt+1＝mi|x1＝m1,x2＝m2,x3＝m3...xt＝mj}

则称此时间离散、状态离散的随机过程为马尔科夫链。

称条件概率pji(t)＝p{xt+1＝mi|xt＝mj}为t时刻的一步转移概率。如果pji(t)的随着t的变化而变化，则称这种马尔科夫链为非齐次的，反之，则称之为齐次的。

若马尔科夫链状态总数为有限个，记状态总数为n，则由一步转移概率pji(t)为元素组成的一步转移概率矩阵p^t可表示为：

马尔科夫链在初始时刻各状态的概率可表示为：

由初始时刻各状态概率为元素组成的初始时刻状态概率向量s¹可表示为：

在定义了初始状态概率向量及马尔科夫状态转移概率矩阵后，各时段的状态概率向量可由下式所示递推计算方式得到：

s²＝s¹·p¹,s³＝s²·p²,...,s^t+1＝s^t·p^t

本发明采用统计估计法计算状态转移概率矩阵，具体方案如下：

设t时刻处于j状态的样本数为t+1时刻由j状态转移到i状态样本数量为则一步转移概率pji(t)可用近似估计，并同理估计p^t中的其他元素。

最后，通过比较不同时段下的pji(t)及p^t的值，观察pji(t)及p^t是否存在明显差异性，即可辨别马尔科夫链的齐次性与非齐次性。

基于上述马尔科夫过程的理论，本发明的基于多车型共享换电站动态负荷预测方法，包括以下步骤：

(1)利用马尔科夫过程预测充换电站的换电需求的状态概率；

(2)统计入站电池历史数据，完成入站电池荷电状态的离散化；

(3)读入充换电站的初始电池状态及充电桩参数，得到充换电站电池荷电等级集合；

(4)通过二阶段充放电优化控制算法对电池充放台数进行优化，得到电池充放控制结果。

步骤(1)，利用马尔科夫过程预测充换电站的换电需求的状态概率；

通过马尔科夫过程预测充换电站的换电需求的流程为：统计样本数据、系统状态划分……系统状态换分、统计样本数据，流程图如图1所示。

首先对换电站换电负荷进行划分，设lmax、lmin为样本数据的最大值与最小值，设所需状态总数为n，则每个状态代表的区间长度l为当样本数据落入区间[lmin+(i-1)·l,lmin+i·l]中时，认为系统处于第i个状态。

例如，假设样本数据中换电站单时段换电负荷上限为1000kwh，下限为0kwh，采用等区间的状态划分方法将换电站换电负荷划分为10个区间，区间长度为100kwh，则换电负荷变化过程可视为10状态的马尔科夫随机过程。换电负荷变的10个状态分别为：

第1个状态：[0,100kwh)，

第2个状态：[100kwh,200kwh)，

第3个状态：[200kwh,300kwh)，

第4个状态：[300kwh,400kwh)，

第5个状态：[400kwh,500kwh)，

第6个状态：[500kwh,600kwh)，

第7个状态：[600kwh,700kwh)，

第8个状态：[700kwh,800kwh)，

第9个状态：[800kwh,900kwh)，

第10个状态：[900kwh,1000kwh)。

换电需求约束：

换电需求约束要求充换电站在t时段起点的满充电池数量不小于t时段换电需求，在换电需求约束处理上，采用设置置信度的方式来对状态进行选取，方法为：

η表示设置的置信度，p(s)为换电需求状态s的概率，从换电需求最低的状态开始累加，直到状态概率总和达到置信度，最后一个状态记为q，从而得到换电需求的状态集；在取得状态集合后，为了应对换电需求的不确定性带来的风险取负荷最大的区间作为充换电站的换电约束，约束式为：

其中，ψ为预测的该时段换电需求最多的区间，为ψ区间的换电需求。

步骤(2)：统计入站电池历史数据，完成入站电池荷电状态的离散化；

荷电状态(stateofcharge，英文简称soc)，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0～1，当soc＝0时表示电池放电完全，当soc＝1时表示电池完全充满。

要形成以电池充放台数为控制变量的优化模型，首先，要将电池荷电状态(soc)离散化成不同的等级，且电池荷电等级数量需要控制在调度可接受的范围内。

设电池分为k个不同的荷电等级状态，j(j＝1,2,3...k)为电池的某一荷电状态等级标识，jc(jc＝1,2,3...kjc≠j≠jd)表示荷电等级标识为j的电池进行单时段充电操作后的荷电等级标识，荷电等级标识为cj(cj＝1,2,3...kcj≠j≠dj)的电池进行单时段充电操作后荷电等级标识变为j。

步骤(3)中，读入充换电站的初始电池状态及充电桩参数，得到充换电站电池荷电等级集合；

换电站充电桩数量的约束式为：

其中，npum为换电站充电桩的个数，为t时段充电操作标识之和。

步骤(4)，通过二阶段充放电优化控制算法对电池充放台数进行优化，得到电池充放控制结果：

在换电模式下，由于车辆并不接入电网进行充电，电池的主动负荷特性主要是通过换电站内的储备电池实现的。如果电池从进入换电站到需要被换出的时间长度大于电池由空电状态充至满电状态所需的时间长度，则在不影响电动汽车换电需求的前提下，换电站可以对电池的充电计划上拥有一定的主动性。

因次，本发明公开一种以电池充放台数为控制变量的换电站二阶段充放电优化控制算法。

第一阶段优化：追求经济性目标，在将电池荷电状态离散后，其优化目标函数如下式所示：

其中，表示对电池荷电等级标识为j的电池进行充电操作的数量，xj为布尔型变量，e0为满电电池电量。

第二阶段优化：目标设为最大化各时段起点的满充电池数量之和fx，考虑到各时段起点的满电电池数量越多，换电站应对用户换电需求的能力越强，因而将第二阶段目标设为最大化各时段起点的满充电池数量之和fx：

其中，npum为换电站充电桩的个数，为t时段充电操作标识之和。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。