一种规模化电动汽车的动态网格化金字塔调度方法

1.本发明涉及一种规模化电动汽车的调度方法，特别涉及一种规模化电动汽车的动态网格化金字塔调度方法，属于智能电网技术领域。


背景技术：

2.随着全球经济的不断发展和化石燃料的日渐枯竭，能源短缺和环境污染已经成为世界各国亟需解决的难题。电动汽车在节能减排、遏制气候变暖、保障石油供应等方面有着传统汽车无法比拟的优势。然而，电动汽车用户较强的随机性对电力系统的运行与控制带来显著的不确定性，甚至可能影响配电网损耗和电压水平，引起负荷局部过载和配电网电能质量等问题。规模化电动汽车调度技术可以在满足用户日常用车的前提下，通过合理引导车辆的接入时间，积极发挥其作为分布式储能的作用，减缓电动汽车对电力系统安全和经济运行所带来的负面影响。因此，随着电动汽车规模的日益增长，如何在确保用户满意度和配电网运行需求的前提下，实现对大规模电动汽车的合理调度，是目前智能电网领域迫切需要解决的问题。
3.电动汽车的优化调度方法主要包括集中控制调度、滚动式优化调度和分层分布式调度等。集中调度是由输电系统调度机构进行直接调度的方式，从理论上可以保证获得调度问题的全局最优解，但随着电动汽车保有量的日益增加，集中调度优化问题将出现维数灾，且对调度机构与每辆汽车之间的通信可靠性和带宽提出了极高的要求，在现有技术条件下尚无法有效的在大规模电力系统中实施。滚动式优化调度策略针对电动汽车的可控性，用滚动优化的方式调度管理电动汽车的实时充电功率。通过在每个时刻获取入网电动汽车的最新状态并进行前瞻式优化，将下一时刻充电优化结果下发给每辆入网汽车，这种方法对预测误差有着较好的鲁棒性，但依然面临计算维数灾难的困扰。为了解决集中调度所产生的维数灾难和求解难度，分层调度方法应运而生，其核心思想是将电力系统根据电压等级分成两层层或更多层，然后再将表示配电系统的层次按照地域进一步分解为若干区域，由配电系统或第三方电动汽车代理负责区域内的电动汽车调度。
4.大规模电动汽车调度需要以电动汽车基本信息和历史行为记录作为基础数据进行优化决策，常用方法是让电动汽车用户每天(或每间隔n小时)上传所需数据，这不仅增加了用户用车的不便性，同时忽略了对用户隐私的保护，如何保证电动汽车用户的体验感和收益值得深入思考。因此，为了同时保证电动汽车用户的参与度和电网的安全稳定运行，有必要结合先进的智能计算技术对用户行为模式进行预测分析，并在优化过程中平衡电动汽车用户和电力系统运行之间的竞争关系，这对于最大化大规模电动汽车对电网运行、经济运行的正面影响，减少温室气体排放、减缓化石能源枯竭速度等具有重要意义。


技术实现要素：

5.本发明的目的在于提供一种规模化电动汽车的动态网格化金字塔调度方法，采用电动汽车行为预测和多目标优化来提高用户的参与度和满意度。基于金字塔的电动汽车调
度模型包括四层结构，首先，应用递归神经网络(recurrent neural network,rnn)建立电动汽车行为预测模型，描述电动汽车行为的时空分布；其次，依据行为预测结果划分电动汽车网格化集群，并根据电动汽车行为变化进行网格动态调整；最后，建立一个电动汽车调度的多目标优化模型，平衡电动汽车客户和配电系统的利益，实现规模化电动汽车的优化调度，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.一种规模化电动汽车的动态网格化金字塔调度方法，包括金字塔调度框架模型、电动汽车用户行为预测、电动汽车集群网格动态划分和多目标优化调度四个方面，其中：
8.所述的金字塔调度框架模型包括4层结构，电动汽车调度的整个过程为：电动汽车信息采用自下而上的传输方式，即电动汽车的信息从金字塔的底层到上层。然后，应用预测模型跟踪和预测下一个调度周期内电动汽车的行为。将具有相似行为倾向的电动汽车划分为动态集群形成大容量分布式储能单元，并进行多目标优化求解，得到最优调度策略，最终以自顶向下的方式发送回各电动汽车。
9.所述的电动汽车用户行为预测，根据电动汽车行为的连续性采用rnn建立预测模型。在递归神经网络训练时，将电动汽车的日记录，如电池容量、充电位置、开始充电时间、日行驶里程、期望电池荷电状态(state ofcharge，soc)、出行需求等作为输入样本，利用反向传播算法求解rnn的学习参数，最终输出电动汽车的可调度地点、时间和容量信息，作为电动汽车用户的行为预测结果。
10.所述的电动汽车网格集群动态划分，依据电动汽车用户的行为预测结果，将具有相似行为的电动汽车划分为不同的网格化集群，以便对同一网格内的所有电动汽车进行统一调度。考虑到电动汽车用户行为的较强随机性，当预测结果与实际行为存在误差时，对集群进行动态调整，降低误差对后续优化计算的影响。
11.所述的电动汽车多目标优化调度，以最大化用户满意度和最小化配电系统负荷波动为目标，建立多目标优化模型并采用nsga-ii算法进行求解，获取平衡电动汽车用户和电力系统的最优调度方案。
12.与现有技术相比，本发明的有益效果是：本发明的电动汽车优化调度方法以用户行为预测和多目标优化为核心，可应用于大规模电动汽车的入网调度。该方法可通过神经网络的递归学习减少用户在参与电动汽车调度中的繁琐劳动，在保证电网平稳运行的同时提高用户参与度和收益。
附图说明
13.图1为本发明规模化电动汽车调度的金字塔框架；
14.图2为本发明递归神经网络原理结构图；
15.图3为本发明电动汽车调度流程图。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
17.本发明在电动汽车调度中加入用户行为预测环节，将用户从繁琐的每日电动汽车信息上报工作中解脱出来；同时在优化调度阶段增加对用户出行和收益的满意度分析，全面提升电动汽车用户的参与度和满意度，保证集群化电动汽车调度的有效实施。规模化电动汽车的动态网格化金字塔调度方法可以分为以下四个步骤：
18.步骤一：建立电动汽车金字塔调度架构
19.规模化电动汽车金字塔调度模型架构共包含四层(如图1)，自下至上分别为：电动汽车本地响应层、集群网格划分层、优化计算层与配电网调度控制层。整个调度过程为：电动汽车响应信息按照自下而上方式，集群网格划分层根据各个车辆历史行为习惯，采用神经网络方法预测电动汽车的电动汽车次日接入系统的时间段、期望充电完成时间和期望soc等信息。随后采用聚类方法划分电动汽车集群动态网格并向上层汇报；优化计算层汇集所有电动汽车需求响应整体状态信息，建立多目标调度优化模型并求解，将优化计算结果上报调度控制层。电动汽车响应控制指令按照自上而下方式进行发布，调度控制层根据优化计算结果，制定各个电动汽车集群的充放电调度策略并下达至集群网格划分层，层内电动汽车执行调度控制指令，按照要求参与vehicle to grid(v2g)调度。
20.采用金字塔模型描述电动汽车集群调度的优势在于，能够将规模化的电动车调度工作细分为多个便于操作的集群；对上层配电网调度系统而言，其调度对象不再是单一分散的电动汽车，而是由相似行为电动汽车组成的大容量“蓄电池”，从而可以有效降低计算复杂度，使大规模电动汽车的优化调度控制可以应用在实际环境中。
21.步骤二：电动汽车用户行为预测
22.电动汽车当前的行为与电动汽车在历史时刻的状态直接相关，因此，采用具有短时记忆的递归神经网络对电动汽车用户行为进行预测。根据递归神经网络原理结构，输入向量x＝[x1,x2,
…
,x7]，其中：x1表示电动汽车电池容量，x2表示电动汽车初始soc，x3表示一个调度周期(24h)内的预期soc，x4＝t表示电动汽车接入时刻，x5＝(1,2,
…
,q)表示充电地点，x6＝[0,1]表示天气因素(x6＝1表示冰雹、暴雨、台风等影响电动汽车用户正常行为的天气；x6＝0表示晴天、阴天等不影响电动汽车正常行为的天气)，x7表示调度日类型，如工作日、周末或节假日等。输出向量为o＝[o1,o2,o3]，其中：o1为可调度位置，o2为可调度时间，o3为各电动汽车的可调度容量。根据不同时间对充放电行为记录进行排序，得到输入序列x1、x2、
…
和输出序列o1、o2、
…
。rnn的作用是基于历史行为预测所有参与v2g调度的电动汽车用户在t时刻的负荷分布q
t
。隐层和输出层使用logistic函数，具体计算公式为：
[0023][0024][0025][0026]
式中，o
t
和分别表示输出的真实值和预测值。表示损失函数，||u||2+||v||2表示归一化操作，α为权重。利用反向传播算法求解rnn的学习参数，误差信息以反
序逐步向前传递，当生成新的记录[x,o]时，更新u和v，调整预测模型以获得更准确的结果。
[0027]
对于新加入v2g调度的电动汽车用户，在缺乏历史行为数据的情况下，根据表1所示的统计规律建立初始预测模型，并随着历史数据的积累不断调整预测模型，以提高预测精确度。
[0028]
表1三种电动汽车行为习惯统计
[0029][0030]
步骤三：电动汽车网格集群动态划分
[0031]
将电动汽车用户行为预测数据上传到集群动态划分层，并采用基于网格的多分辨率聚类技术：统计信息网格(statistical information grid，sting)聚类具有相似行为的电动汽车，形成网格化的大容量分布式电源用于配电网调度和控制(如图2)。考虑到用户行为的波动性和不确定性，设置滚动时间窗口更新电动汽车用户的实际行为，在此基础上进一步调整预测模型，并对电动汽车集群进行动态调整，以减小行为不确定性对优化调度的影响。
[0032]
步骤四：电动汽车多目标优化调度
[0033]
为了平衡用户出行需求与配电网侧调度之间的竞争关系，采用最大化用户满意度、最小化配电网负荷波动的多目标优化模型获取最优调度方案(如图3)。用户满意度包括收益满意度和出行满意度两方面，v2g调度应该在保证电动汽车用户出行便利的同时降低充电成本。
[0034]
出行满意度定义为：
[0035][0036]
式中，k
j,t
(j＝1,2,...,j)为时段t中第j辆电动汽车的接入系数，k
j,t
＝1表示电动汽车j已接入电力系统并可以调度，反之表示电动汽车不可用于调度；t是调度周期内的时段数；和为调度开始和结束时第j个电动汽车的soc；为第j个电
动汽车的期望soc，当电动汽车的soc值在规定的时间内达到了期望值，则用户满意度得到满足。
[0037]
收益满意度定义为：
[0038][0039]
式中，和分别为第j辆电动汽车在t时刻的放电与充电功率，和分别为放电与充电价格，c
min
为整个调度周期的最低充电价格。式(5)表明电动汽车用户向电网提供的电量越多且充电价格越低，收益满意度越高。
[0040]
应用比例模糊隶属度逆函数将目标函数转换为最小目标函数：
[0041][0042]
约束条件为：
[0043][0044][0045][0046]
其中，λ1和λ2分别是f
′
1,j
和f
′
2,j
的权重参数，λ1+λ2＝1。是电动汽车j的最大soc。式(7)
[0047]
表示电动汽车的soc应该大于或等于0、小于或等于式(8)和式(9)表示电动汽车的可调度和不可调度时间。
[0048]
在配电网侧，以最小化负荷波动为调度目标，以实现负荷曲线的削峰填谷。负荷波动的目标函数为：
[0049][0050]
式中，为时段t内无电动汽车的基本负荷，为电动汽车的总充放电负荷。p
avg
表示平均负荷，计算公式为：
[0051][0052]
约束条件为：
[0053]
1)系统功率平衡：
[0054][0055]
其中，为t时刻电力系统的功率损耗，为t时刻变压器的联络线传输功率。
[0056]
2)网络节点电压：
[0057][0058]
其中，和分别为节点i的电压限值。
[0059]
3)支路传输功率：
[0060][0061]
其中，为t时刻l线路的传输功率，为l线的最大传输功率。
[0062]
4)变压器传输容量：
[0063][0064]
其中，和分别为配电变压器功率的上下限。
[0065]
采用非支配排序算法(nsga-ii)求得上述多目标优化问题的pareto最优解，从而获得使电动汽车用户和配电网都满意的优化调度方案。
[0066]
综上所述，采用本发明的规模化电动汽车的动态网格化金字塔调度方法，能够在电动汽车用户信息收集阶段，采用递归神经网络自动预测用户行为，极大减轻了用户在参与v2g调度中的繁琐工作量，从而进一步提升了用户的参与度。另外，在优化调度时，能够兼顾用户的出行需求以及配网侧的运行要求，可以满足规模化电动汽车调度的实际需求。
[0067]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。