电车需求响应资源潜力评估方法、装置、设备及存储介质与流程

本发明涉及电动汽车市场需求分析，尤其涉及一种电车需求响应资源潜力评估方法、装置、设备及存储介质。

背景技术：

1、作为我国战略性新兴产业和交通部门节能减排的重要途径，近年来我国新能源汽车产业发展迅速；根据工信部预测，2025年新能源汽车保有量将达到1600万辆，2030年将达到5200万辆；一方面，如此大规模的电动汽车负荷无序充电会对电网的电能质量和经济运行产生不利影响；另一方面，与其他需求侧资源相比，电动汽车具有可控性、移动性和储能性；它可以为电网提供调峰、调频等辅助服务，并利用其大规模的数量和负荷特性协调新能源的消纳。

2、电动汽车充电负荷作为一种新的需求响应资源，其响应潜力的相关研究还十分有限；现阶段电动汽车规模较小，对其需求响应潜力的评估方法大多基于数学建模、场景仿真模拟，很少涉及机器学习、深度学习等人工智能技术分析方法；并且数据仿真无法还原真实充电站或区域负荷数据的可靠性，增加了区域的电力负荷，造成了供应紧张的局面，。

技术实现思路

1、本发明的主要目的在于提供一种电车需求响应资源潜力评估方法、装置、设备及存储介质，旨在解决现有技术中电动汽车响应潜力评估可靠性较差，增加了区域的电力负荷，造成了电力供应紧张的局面，无法准确预测用户参与需求响应的潜在价值的技术问题。

2、第一方面，本发明提供一种电车需求响应资源潜力评估方法，所述电车需求响应资源潜力评估方法包括以下步骤：

3、收集当前评估地区所有充电桩的真实数据，使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果；

4、根据所述聚类结果分析每个电动汽车用户完整充电事件集中发生的充电时间段，根据所述充电时间段确定每小时可参与需求响应的电动汽车总容量；

5、建立lstm神经网络模型，用所述聚类结果对预设潜力预测模型进行训练和测试，根据训练好的预测模型结合所述电动汽车总容量预测一天中不同时刻所述当前评估地区的电动汽车用户参与需求响应的潜力评估值。

6、可选地，所述收集当前评估地区所有充电桩的真实数据，使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果，包括：

7、获取当前评估地区的电动汽车用户的充电样本，所述当前评估地区的所有充电桩的历史记录数据和当地历史天气数据，将所述充电样本、所述历史记录数据和所述当地历史天气数据作为样本数据；

8、对所述样本数据进行归一化处理，获得所述当前评估地区的所有充电桩的真实数据；

9、使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果。

10、可选地，所述对所述样本数据进行归一化处理，获得所述当前评估地区的所有充电桩的真实数据，包括：

11、通过下式对所述样本数据进行归一化处理，获得所述当前评估地区的所有充电桩的真实数据：

12、

13、其中，为所述当前评估地区的所有充电桩的真实数据，xm为第m个样本数据，xmin为样本数据最小值，xmax为样本数据最大值，n为样本数。

14、可选地，所述使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果，包括：

15、从电动汽车用户充电样本数据中随机选取k个样本作为初始聚类中心；

16、通过下式分别计算所述真实数据中每个充电样本与各个初始聚类中心之间的欧氏距离：

17、dij＝||yi-zi||

18、其中，dij为第i个充电样本和第j个初始聚类中心之间的欧氏距离，yi为第i个充电样本，yi∈{y1,...,yn}，n为样本量，zi为随机选取k个样本的第i个样本；

19、根据所述欧式距离对所述真实数据中典型用电模式数据进行聚类，获得聚类结果。

20、可选地，所述根据所述欧式距离对所述真实数据中典型用电模式数据进行聚类，获得聚类结果，包括：

21、根据所述欧式距离和距离最近原则对所述真实数据中典型用电模式数据进行分类，获得各个类别；

22、根据各个类别通过下式重新计算k个聚类中心：

23、

24、其中，zi′为重新计算的第i个聚类中心，ni为属于第i个类别ei的样本数，yj为第i个类别ei的充电样本；

25、通过下式计算聚类判别函数的值：

26、

27、其中，e为聚类判别函数的值；

28、在检测到所述欧式距离小于预设最小距离阈值或者聚类判别函数的值不再变化时，结束当前聚类过程，获得聚类结果。

29、可选地，所述根据所述聚类结果分析每个电动汽车用户完整充电事件集中发生的充电时间段，根据所述充电时间段确定每小时可参与需求响应的电动汽车总容量，包括：

30、根据所述聚类结果采用k-means生成电动汽车日充电负荷总量曲线，对所述电动汽车日充电负荷总量曲线进行分析，获得当月电动汽车典型用电模式数据；

31、根据当月电动汽车典型用电模式数据对每日所有电动汽车充电事件分布进行k-means二次聚类分析，获得聚类簇，将所述聚类簇作为每个电动汽车用户完整充电事件集中发生的充电时间段；

32、根据所述充电时间段确定每小时可参与需求响应的电动汽车总容量。

33、可选地，所述建立lstm神经网络模型，用所述聚类结果对预设潜力预测模型进行训练和测试，根据训练好的预测模型结合所述电动汽车总容量预测一天中不同时刻所述当前评估地区的电动汽车用户参与需求响应的潜力评估值，包括：

34、通过下式建立lstm神经网络模型：

35、it＝σ(wxixt+whiht-1+wcict-1+bi)

36、ft＝σ(wxfxt+whfht-1+wcfct-1+bf)

37、ct＝ftct-1+ittan(wxcxt+whcht-1+bc)

38、ot＝σ(wxoxt+whoht-1+wcoct-1+bo)

39、yt＝ottanct

40、其中，it为输入门的输出，wx为xt的权重矩阵，xt为当前时刻输入，ht-1为上一时刻的外部状态，ct为记忆单元状态，ct-1为上一时刻的记忆单元状态，b为偏移矩阵，ft为遗忘门的输出，wh为ht-1的权重矩阵，wc为ct-1的权重矩阵，ot为输出门的输出，yt为输出值，σ采用sigmoid函数；

41、获取所述lstm神经网络模型的输入层维数、时间步数、输出层维数、隐含层维数和训练参数；

42、根据所述输入层维数、所述时间步数、所述输出层维数、所述隐含层维数和所述训练参数对预设潜力预测模型进行训练和测试，获得训练好的预测模型；

43、根据训练好的预测模型结合所述电动汽车总容量预测所述当前评估地区的电动汽车用户参与需求响应的总潜力值；

44、根据所述总潜力值确定一天中不同时刻所述当前评估地区的电动汽车用户参与需求响应的潜力评估值。

45、第二方面，为实现上述目的，本发明还提出一种电车需求响应资源潜力评估装置，所述电车需求响应资源潜力评估装置包括：

46、聚类模块，用于收集当前评估地区所有充电桩的真实数据，使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果；

47、分析模块，用于根据所述聚类结果分析每个电动汽车用户完整充电事件集中发生的充电时间段，根据所述充电时间段确定每小时可参与需求响应的电动汽车总容量；

48、评估模块，用于建立lstm神经网络模型，用所述聚类结果对预设潜力预测模型进行训练和测试，根据训练好的预测模型结合所述电动汽车总容量预测一天中不同时刻所述当前评估地区的电动汽车用户参与需求响应的潜力评估值。

49、第三方面，为实现上述目的，本发明还提出一种电车需求响应资源潜力评估设备，所述电车需求响应资源潜力评估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电车需求响应资源潜力评估程序，所述电车需求响应资源潜力评估程序配置为实现如上文所述的电车需求响应资源潜力评估方法的步骤。

50、第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电车需求响应资源潜力评估程序，所述电车需求响应资源潜力评估程序被处理器执行时实现如上文所述的电车需求响应资源潜力评估方法的步骤。

51、本发明提出的电车需求响应资源潜力评估方法，通过收集当前评估地区所有充电桩的真实数据，使用k-means算法对所述真实数据中典型用电模式数据进行聚类，获得聚类结果；根据所述聚类结果分析每个电动汽车用户完整充电事件集中发生的充电时间段，根据所述充电时间段确定每小时可参与需求响应的电动汽车总容量；建立lstm神经网络模型，用所述聚类结果对预设潜力预测模型进行训练和测试，根据训练好的预测模型结合所述电动汽车总容量预测一天中不同时刻所述当前评估地区的电动汽车用户参与需求响应的潜力评估值；能够提升电动汽车响应潜力评估的可靠性，降低了区域的电力负荷，能够准确预测用户参与需求响应的潜在价值，能够为电动汽车制定有序充放电优化控制策略，优化了区域综合能源系统协调运行，提高了电车需求响应资源潜力评估速度和效率，缓解了电力供应紧张的局面，保证整个电动汽车电力控制系统安全、稳定并经济地运行。