一种智能有序充电系统及其短期基础负荷预测实现方法与流程

本发明涉及电力系统的智能用电技术领域，尤其是一种智能有序充电系统及其短期基础负荷预测实现方法。

背景技术：

近年来，随着与传统负荷特性差异较大的电动汽车的迅速普及，利用电动汽车参与需求响应以支撑供电侧经济运行的电动汽车有序充电技术得到了广泛关注，而电动汽车的有序充电技术则需要建立在配电变压器短期基础负荷预测之上。

配电变压器负荷预测的数据源于用电信息采集系统，无法有效地将电动汽车有序充电负荷和变压器基础负荷加以区分。因此，迄今为止，尚无计及电动汽车有序充电的居民小区配电变压器短期基础负荷预测实现方法。

技术实现要素：

本发明的首要目的在于提供一种通过获取参与有序充电的电动汽车的充电负荷，以便于实现对居民小区配电变压器短期基础负荷进行预测的智能有序充电系统。

为实现上述目的，本发明采用了以下技术方案：一种智能有序充电系统，包括安装在居民小区配电变压器低压侧的电流互感器和电压互感器，二者的输出端与配电变压器监测终端的输入端相连，电动汽车有序充电控制器以RS485或RS232的方式与配电变压器监测终端进行通信，电动汽车有序充电控制器与各个充电桩之间以电力线载波的方式进行通信；所述配电变压器监测终端获取居民小区配电变压器低压侧的电压和电流，实时计算出包含电动汽车在内的全部用电负荷，每隔一定时间保存全部用电负荷；所述电动汽车有序充电控制器制定每个充电桩的有序充电计划，下达每个充电桩的有序充电计划，监测每个充电桩的充电状态，每隔一定时间存储所有充电桩的有序充电负荷；电动汽车有序充电控制器以RS485或RS232方式将其获取的所有充电桩的有序充电负荷传送至配电变压器监测终端，在配电变压器监测终端内求取对应同一时刻点的全部用电负荷与有序充电负荷的差分，并将该差分视为居民小区配电变压器的基础负荷加以存储。

所述全部用电负荷为为第k日、第i时间点的全部用电负荷；所述有序充电负荷为为第k日、第i时间点的所有充电桩的有序充电负荷；所述基础负荷为即为第k日、第i时间点的居民小区配电变压器基本负荷，其计算公式为：

所述一定时间为15分钟。

本发明的另一目的在于提供一种智能有序充电系统的短期基础负荷预测实现方法，该方法包括下列顺序的步骤：

(1)将居民小区配电变压器基础负荷按时间选后顺序排列，形成原始负荷序列，然后对该序列进行经验模态分解，得到不同频带的固有模态函数和余项；

(2)对分解后的分量及日期类型进行归一化处理，节假日类型为1，工作日类型为0；

(3)由EMD分解的余项采用线性神经网络对其进行预测；余下IMF分量采用支持向量机对其进行预测；在构建预测模型时将气温包括当天的最高温度和平均温度作为模型的一组输入；

(4)采用粒子群算法对负荷预测的参数进行优化；

(5)利用优化后的模型对居民小区配电变压器进行短期基本负荷预测。

由上述技术方案可知，本发明中的电动汽车有序充电控制器和配电变压器监测终端之间进行数据传输，将电动汽车有序充电控制器中制定的电动汽车有序充电功率传送到配电变压器监测终端，并在其中完成配电变压器短期基础负荷的预测。相比现有方法，能够充分考虑电动汽车有序充电功率的影响，同时，本发明还提供了一种基于多种负荷预测模型的配电变压器短期基础负荷预测方法，大大提高配电变压器短期基础负荷的预测的精度。

附图说明

图1为本发明的系统结构示意图；

图2为本发明中的负荷预测流程图。

具体实施方式

如图1所示，一种智能有序充电系统，包括安装在居民小区配电变压器1低压侧的电流互感器2和安装在居民小区配电变压器1低母线处的电压互感器3，二者的输出端与配电变压器监测终端4的输入端相连，电动汽车有序充电控制器5以RS485或RS232的方式与配电变压器监测终端4进行通信，电动汽车有序充电控制器5与各个充电桩之间以电力线载波的方式进行通信；所述配电变压器监测终端4获取居民小区配电变压器1低压侧的电压和电流，实时计算出包含电动汽车在内的全部用电负荷，每隔一定时间保存全部用电负荷；所述电动汽车有序充电控制器5制定每个充电桩的有序充电计划，下达每个充电桩的有序充电计划，监测每个充电桩的充电状态，每隔一定时间存储所有充电桩的有序充电负荷；电动汽车有序充电控制器5以RS485或RS232方式将其获取的所有充电桩的有序充电负荷传送至配电变压器监测终端4，在配电变压器监测终端4内求取对应同一时刻i点的全部用电负荷与有序充电负荷的差分，并将该差分视为居民小区配电变压器1的基础负荷加以存储。所述一定时间为15分钟。

所述全部用电负荷为为第k日、第i时间点的全部用电负荷；所述有序充电负荷为为第k日、第i时间点的所有充电桩的有序充电负荷；所述基础负荷为即为第k日、第i时间点的居民小区配电变压器1基本负荷，其计算公式为：图1中的基础负荷是指出电动汽车之外的用电负荷，这个基础负荷也就是本发明的预测对象。

如图2所示，本方法包括下列顺序的步骤：

(1)将居民小区配电变压器1基础负荷按时间选后顺序排列，形成原始负荷序列，然后对该序列进行经验模态分解(Empirical Mode Decomposition，EMD)，得到不同频带的固有模态函数(Intrinsic Mode Function，IMF)和余项；

(2)居民小区配电变压器1短期负荷受节假日影响较大，对分解后的分量及日期类型进行归一化处理，节假日类型为1，工作日类型为0；

(3)居民小区配电变压器1短期负荷受外界各种因素影响，对它的预测单一采用一种方法不能达到较好的效果，针对各IMF分量在频域及时域上的不同特点，分别采取不同预测模型。由于EMD分解的余项存在明显的线性特征，由EMD分解的余项采用线性神经网络对其进行预测；余下IMF分量采用支持向量机(Support Vector Machine，SVM)对其进行预测；在构建预测模型时将气温包括当天的最高温度和平均温度作为模型的一组输入；

(4)采用粒子群算法对负荷预测的参数进行优化；：SVM和线性神经网络模型的泛化学习能力与其参数选择有很大关系，采用收敛速度快、实现简单的粒子群算法(Particle Swarm Optimization，PSO)来解决负荷预测问题中的参数优化问题。

(5)利用优化后的模型对居民小区配电变压器1进行短期基本负荷预测。

综上所述，本发明的电动汽车有序充电控制器5和配电变压器监测终端4之间进行数据传输，将电动汽车有序充电控制器5中制定的电动汽车有序充电功率传送到配电变压器监测终端4，并在其中完成配电变压器短期基础负荷的预测。相比现有方法，能够充分考虑电动汽车有序充电功率的影响，同时，本发明还提供了一种基于多种负荷预测模型的配电变压器短期基础负荷预测方法，大大提高配电变压器短期基础负荷的预测的精度。