一种考虑充电行为的电动汽车调节能力预测方法及系统

本发明涉及电动汽车充电调节领域，具体涉及一种考虑充电行为的电动汽车调节能力预测方法及系统。

背景技术：

1、电动汽车作为需求侧调节资源具有巨大优势：（1）v2g状态下，电动汽车可以以充、放电两种参与电网实实时调控；（2）电动汽车调节速度远快于传统电源响应速度；（3）电动汽车调节成本远低于集中式化学储能的建设和运营成本。随着电动汽车的大力发展，电动汽车聚集性充电加重电网负担，通过车-网互动灵活调控手段，可以在解决电动汽车大规模接入，引发城市电网运行挑战的同时提升电网的运行灵活性。然而，电动汽车参与电网调控存在以下问题：（1）单个电动汽车调度容量小，不足以参与电网调控；（2）电动汽车用户出行和充电具有不确定性，难以精准预测；（3）针对电力调峰辅助服务市场的日前计划申报曲线等制定方法较为粗放，多基于历史负荷数据预测而成，没有充分分析与挖掘调控资源的电动汽车调节能力；（4）目前的车-网互动体系还不能满足电网多元互动场景的需求。因此，仍需要设计一种考虑充电行为的电动汽车调节能力预测方法及系统，使其能够激发大规模预测电动汽车调节能力，从而支撑电动汽车参与车-网互动实现电网调控。

技术实现思路

1、本发明所要解决的技术问题是如何激发大规模预测电动汽车调节能力，支撑电动汽车参与车-网互动实现电网调控，目的在于提供一种考虑充电行为的电动汽车调节能力预测方法及系统，解决了上述技术问题。

2、本发明通过下述技术方案实现：

3、一种考虑充电行为的电动汽车调节能力预测方法，其包括：获取对电动汽车调节能力预测影响最大的充放电能力特征数据；采集多组调节能力预测训练数据，每组上述调节能力预测训练数据均包括电动汽车的历史充放电数据、上述充放电能力特征数据以及上述电动汽车调节能力；多组上述调节能力预测训练数据训练得到调节能力预测训练模型；将待测试数据输入上述调节能力预测训练模型，得到上述电动汽车调节能力。

4、上述获取对电动汽车调节能力预测影响最大的充放电能力特征数据，包括：获取多个待选充放电特征数据；分析任意上述待选充放电特征数据与上述电动汽车调节能力的相关性；利用相关性分析结果对多个上述待选充放电特征数据进行排序，根据排序选择多个上述待选充放电特征数据作为上述充放电能力特征数据。

5、上述分析任意上述待选充放电特征数据与上述电动汽车调节能力的相关性，采用斯皮尔曼相关系数，上述斯皮尔曼相关系数表示为：

6、；

7、式中，表示所述斯皮尔曼相关系数；表示所述充放电能力特征数据的数量；表示所述待选充放电特征数据，表示所述电动汽车调节能力；和分别表示第个所述电动汽车调节能力对应的和；和分别表示第个所述电动汽车调节能力对应的和；和分别表示和的位次；和分别表示和的平均位次；

8、上述利用相关性分析结果对多个上述待选充放电特征数据进行排序，包括：根据上述斯皮尔曼相关系数从大到小对多个上述待选充放电特征数据进行排序。

9、上述采集多组调节能力预测训练数据，每组上述调节能力预测训练数据均包括电动汽车的历史充放电数据、上述充放电能力特征数据以及上述电动汽车调节能力，每组上述调节能力预测训练数据的上述电动汽车调节能力通过如下步骤获取：根据多组上述历史充放电数据得到多个电动汽车的多组汽车功率上下界，将各电动汽车的多组上述汽车功率上下界进行聚合，得到各电动汽车的功率上下界曲线；将各种电动汽车的上述功率上下界曲线作为每组上述调节能力预测训练数据的上述电动汽车调节能力。

10、上述多组上述调节能力预测训练数据训练得到调节能力预测训练模型，包括：由忘记门结构判断当前输入信息是否属于上述调节能力预测训练模型的细胞状态的丢弃信息；由输入门结构判断当前输入信息是否为加入上述调节能力预测训练模型的细胞状态的新信息；由输出门结构得到当前输出信息是否属于上述调节能力预测训练模型输出的上述电动汽车调节能力。

11、上述多组上述调节能力预测训练数据训练得到调节能力预测训练模型，包括：采用贝叶斯优化器对上述历史充放电数据进行学习，得到对上述电动汽车调节能力最大影响的超参数组合；根据得到的超参数组合对上述调节能力预测训练模型进行优化。

12、采用贝叶斯优化器对上述历史充放电数据进行学习，得到对电动汽车调节能力最大改进的超参数组合，包括：贝叶斯优化器基于历史充放电数据进行学习，采用高斯过程构建超参数的先验函数，先验函数基于电动汽车调节能力的平均绝对误差和方差得到；通过修改平均绝对误差和方差求解得到后验函数，得到使上述电动汽车调节能力误差最小的上述超参数组合。

13、通过修改上述平均绝对误差和方差求解得到后验函数，得到使上述电动汽车调节能力误差最小的上述超参数组合，包括：基于上述电动汽车调节能力的平均绝对误差和方差构建ei采样函数，上述ei采样函数表示为：

14、 ；

15、式中，表示上述电动汽车调节能力误差最小时的上述超参数组合；表示下的平均绝对误差；表示标准正态分布；表示的概率密度函数；表示的方差；表示的分布函数；

16、上述通过修改上述先验函数的高斯分布，得到使上述电动汽车调节能力误差最小的上述超参数组合，包括：

17、将代入上述ei采样函数，计算多组超参数样本的上述平均绝对误差；根据上述平均绝对误差选择其中一个上述超参数样本作为上述电动汽车调节能力误差最小的上述超参数组合。

18、上述多组上述调节能力预测训练数据训练得到调节能力预测训练模型，包括：将多组上述调节能力预测训练数据输入lstm模型中进行训练，得到上述调节能力预测训练模型；上述调节能力预测训练模型采用平均方差损失函数作为训练目标，上述平均方差损失函数表示为：

19、；

20、式中，表示平均方差损失值；表示多组上述调节能力预测训练数据的组数；表示第个真实电动汽车调节能力；表示第个上述电动汽车调节能力。

21、一种考虑充电行为的电动汽车调节能力预测系统，其包括：特征筛选模块：用于获取对电动汽车调节能力预测影响最大的充放电能力特征数据；模型训练模块：用于采集多组调节能力预测训练数据，每组上述调节能力预测训练数据均包括电动汽车的历史充放电数据、上述充放电能力特征数据以及上述电动汽车调节能力；多组上述调节能力预测训练数据训练得到调节能力预测训练模型；能力预测模块：用于将待测试数据输入上述调节能力预测训练模型，得到上述电动汽车调节能力。

22、本发明与现有技术相比，具有如下的优点和有益效果：

23、本发明获取对电动汽车调节能力预测影响最大的充放电能力特征数据；采集多组调节能力预测训练数据，每组调节能力预测训练数据均包括电动汽车的历史充放电数据、充放电能力特征数据以及电动汽车调节能力；多组调节能力预测训练数据训练得到调节能力预测训练模型；通过调节能力预测训练模型得到待测试数据的电动汽车调节能力。从而利用对电动汽车调节能力最大影响的充放电能力特征数据进行学习，得到用于预测电动汽车调节能力的模型，激发了大规模预测电动汽车调节能力，从而支撑电动汽车参与车-网互动实现电网调控。