一种负荷聚集平台的可调容量预测方法及装置转让专利
申请号 : CN202210113193.6
文献号 : CN114140176B
文献日 : 2022-04-26
发明人 : 张杨 , 吕建 , 刘海峰 , 郑松松 , 陈婧韵 , 杨杨 , 栾捷 , 朱晓黎 , 沈恺
申请人 : 国网浙江电动汽车服务有限公司 , 国网浙江省电力有限公司湖州供电公司 , 国网浙江省电力有限公司
摘要 :
权利要求 :
1.一种负荷聚集平台的可调容量预测方法,其特征在于,包括:获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息,并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值;
根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩;
根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在相应时间维度的负荷预测模型;
利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型,得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值;
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息,得到所述负荷聚集平台在各时间维度下的可调容量,并对各所述时间维度下的可调容量进行上报;
根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息,得到所述负荷聚集平台在各时间维度下的可调容量,包括:
利用 得到所述负荷聚集平台的可调容量的日前预测值 ; 为所述负荷聚集平台中各充电桩对应的日前负荷预测值之和, 为充电桩最小充电功率占额定功率的比例, 为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和, 为不愿意和因自身原因不能参加负荷调节的充电桩的数量, 为第 个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率;
利用 得到所述负荷聚集平台的可调容量的小时前预测值 或15分钟前预测值 ; 为所述负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和, 为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和, 为下一个时刻在线的愿意参加负荷调节的充电用户的数量, 为下一个时刻在线的愿意参加负荷调节的第 个充电用户最小充电功率,为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和, 下一个时刻在线的不愿意参加负荷调节的第 个充电用户的充电功率, 为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
2.根据权利要求1所述的负荷聚集平台的可调容量预测方法,其特征在于,得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值,包括:从获取到的所述历史负荷数据中得到以小时为时间尺度及以15分钟为时间尺度分别对应的历史负荷数据,从所述天气数据中得到两个所述时间尺度分别对应的温度历史信息,从所述市场信息中得到所在电网节点在两个所述时间尺度分别对应的历史实时电价,从所述充电用户信息中得到两个所述时间尺度分别对应的SOC,获取所述负荷聚集平台的历史调控幅度值;
从所述天气数据中得到预测日中以15分钟为时间尺度对应的温度预测值,从所述市场信息中得到预测日的油价数据,获取以15分钟为时间尺度对应的所在日的节假日历史信息及预测日的节假日历史信息。
3.根据权利要求2所述的负荷聚集平台的可调容量预测方法,其特征在于,根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对日前预测模型进行训练,得到各类型的充电桩的日前负荷预测模型,包括:利用WT方法对各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据进行降噪处理,以得到各类型的充电桩对应的降噪后的历史负荷数据;
根据各类型的充电桩所在的电网节点在以15分钟为时间尺度对应的历史实时电价得到所述负荷聚集平台对应的加权电价数据,利用WPCA方法对加权电价数据进行处理,得到处理后的加权电价数据;
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、节假日历史信息、温度历史信息、所述负荷聚集平台的历史调控幅度值、预测日的节假日信息、预测日的油价数据及预测日的温度预测值,分别对各类型的充电桩的日前LSTM模型进行训练,得到各类型的充电桩的日前负荷预测模型。
4.根据权利要求2所述的负荷聚集平台的可调容量预测方法,其特征在于,根据各类型的充电桩以小时为时间尺度的历史负荷数据及预测辅助数据历史值对小时前预测模型进行训练,得到各类型的充电桩的小时前负荷预测模型,包括:利用WT方法对各类型的充电桩在以小时为时间尺度对应的历史负荷数据进行降噪处理,以得到各类型的充电桩对应的降噪后的历史负荷数据;
根据各类型的充电桩中在以小时为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据,根据各类型的充电桩中在以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;所述目标充电桩为有充电车辆在充电的充电桩;
利用WPCA方法对加权电价数据及历史加权SOC进行处理,得到处理后的加权电价数据及处理后的历史加权SOC;
利用各类型的充电桩对应的降噪后的历史负荷数据、处理后的加权电价数据、处理后的历史加权SOC、温度历史信息及所述负荷聚集平台的历史调控幅度值,分别对各类型的充电桩的小时前LSTM模型进行训练,得到各类型的充电桩的小时前负荷预测模型。
5.根据权利要求2所述的负荷聚集平台的可调容量预测方法,其特征在于,根据各类型的充电桩以15分钟为时间尺度对应的历史负荷数据及预测辅助数据历史值对15分钟前预测模型进行训练,得到各类型的充电桩的15分钟前负荷预测模型,包括:根据各类型的充电桩中在以15分钟为时间尺度中处于充电状态的充电桩所在的电网节点对应的历史实时电价计算加权电价数据,根据各类型的充电桩中以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;所述目标充电桩为有充电车辆在充电的充电桩;
利用各类型的充电桩在以15分钟为时间尺度对应的历史负荷数据、加权电价数据、历史加权SOC、温度历史信息、所述负荷聚集平台的历史调控幅度值及预测分钟的负荷数据,分别对各类型的充电桩的15分钟前LSTM模型进行训练,得到各类型的充电桩的15分钟前负荷预测模型。
6.根据权利要求1至5任一项所述的负荷聚集平台的可调容量预测方法,其特征在于,在根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在相应时间维度的负荷预测模型之后,还包括:
利用各类型的充电桩在各时间维度的负荷预测模型,得到各类型的充电桩在各时间维度对应的预测负荷数据;
根据各类型的充电桩在各时间维度对应的预测负荷数据与相应的历史负荷数据,分别判断各类型的充电桩在相应时间维度的负荷预测模型是否合格;
若存在相应类型的充电桩在相应时间维度的负荷预测模型不合格,则对相应类型的充电桩在相应时间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理,或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整,并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行训练,直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
7.根据权利要求1所述的负荷聚集平台的可调容量预测方法,其特征在于,还包括:在所述负荷聚集平台不参与电网调节的空档时段,对不处于SOC与1的差值小于或等于阈值的充电用户的充电功率参考值上叠加一个扰动分量,并获取功率反馈值;
若所述功率反馈值未发生变化,则从所述负荷聚集平台在各所述时间维度下的可调容量中核减所述充电用户对应的充电功率。
8.根据权利要求1所述的负荷聚集平台的可调容量预测方法,其特征在于,在获取负荷聚集平台包含的充电桩的历史负荷数据之后,还包括:判断获取到的历史负荷数据中是否存在缺失数据;
若是,则对缺失数据进行标准预处理。
9.一种负荷聚集平台的可调容量预测装置,其特征在于,包括:获取模块,用于获取负荷聚集平台包含的充电桩的信息、历史负荷数据、天气数据、充电用户信息及市场信息,并得到所述充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值;
划分模块,用于根据所述充电桩的信息将所述负荷聚集平台包含的充电桩划分为不同类型的充电桩;
训练模块,用于根据各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在相应时间维度的负荷预测模型;
得到负荷预测值模块,用于利用各类型的充电桩中的每个充电桩在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型,得到各类型的充电桩中的每个充电桩在相应时间维度对应的负荷预测值;
得到可调容量模块,用于根据各时间维度下每个充电桩对应的负荷预测值、最小充电功率值及从所述充电用户信息及所述充电桩的信息中获取的相应的负荷调节信息,得到所述负荷聚集平台在各时间维度下的可调容量,并对各所述时间维度下的可调容量进行上报;
所述得到可调容量模块包括:
第一得到可调容量单元,用于利用 得到所述负荷聚集平台的可调容量的日前预测值 ; 为所述负荷聚集平台中各充电桩对应的日前负荷预测值之和, 为充电桩最小充电功率占额定功率的比例, 为不愿意和因自身原因不能参加负荷调节的充电桩的充电功率之和, 为不愿意和因自身原因不能参加负荷调节的充电桩的数量, 为第 个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率;
第二得到可调容量单元,用于利用 得到所述负荷聚集平台的可调容量的小时前预测值 或15分钟前预测值 ; 为所述负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和, 为下一个时刻在线的愿意参加负荷调节的充电用户的最小充电功率之和, 为下一个时刻在线的愿意参加负荷调节的充电用户的数量, 为下一个时刻在线的愿意参加负荷调节的第 个充电用户最小充电功率, 为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和, 下一个时刻在线的不愿意参加负荷调节的第 个充电用户的充电功率,为下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
说明书 :
一种负荷聚集平台的可调容量预测方法及装置
技术领域
背景技术
关技术来充分发挥用户侧的可调资源,实现用户侧与发电侧之间的荷源协调,可以大幅度
降低系统的建设成本和运行成本。并且随着通信技术和先进控制技术的发展,完全可以以
负荷聚集商的名义将各个地理上集中或者分散的可调节负荷资源集中起来,进行优化控
制,参与电能量市场和辅助服务市场,从而实现收益最大化。
车需要通过充电桩聚集到电动汽车充电负荷聚集商的负荷聚集平台,接受负荷聚集平台的
统一调度和控制,从而参与电能量和辅助服务市场。但电动汽车负荷参与电网调峰调频服
务尚处于摸索阶段,现有技术方案中往往没有针对电动汽车负荷聚集商,并且往往只考虑
负荷预测,没有对可调容量展开进一步的预测,而且均只停留在理论研究阶段,没有实际的
工程经验。而且现有的负荷预测是对整个电网或者整个地域,没有考虑充电桩类型、不同时
间尺度等因素的影响,因此,会导致负荷预测的准确性比较低。
发明内容
准确性。
值;
型;
对应的负荷预测值;
时间维度下的可调容量,并对各所述时间维度下的可调容量进行上报。
信息,从所述市场信息中得到所在电网节点在两个所述时间尺度分别对应的历史实时电
价,从所述充电用户信息中得到两个所述时间尺度分别对应的SOC,获取所述负荷聚集平台
的历史调控幅度值;
信息及预测日的节假日历史信息。
得到处理后的加权电价数据;
息、预测日的油价数据及预测日的温度预测值,分别对各类型的充电桩的日前LSTM模型进
行训练,得到各类型的充电桩的日前负荷预测模型。
度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;所述目标充
电桩为有充电车辆在充电的充电桩;
的充电桩的小时前LSTM模型进行训练,得到各类型的充电桩的小时前负荷预测模型。
型,包括:
度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;所述目标充电桩
为有充电车辆在充电的充电桩;
数据,分别对各类型的充电桩的15分钟前LSTM模型进行训练,得到各类型的充电桩的15分
钟前负荷预测模型。
荷预测模型之后,还包括:
中的缺失值进行处理,或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行
调整,并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进
行训练,直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
平台在各相应时间维度下的可调容量,包括:
电桩最小充电功率占额定功率的比例, 为不愿意和因自身原因不能参加负荷调节的
充电桩的充电功率之和, 为不愿意和因自身原因不能参加负荷调节的充电桩的数量,
为第 个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率;
荷预测值之和或15分钟前负荷预测值之和, 为下一个时刻在线的愿意参加负荷调
节的充电用户的最小充电功率之和, 为下一个时刻在线的愿意参加负荷调节的充电用
户的数量, 为下一个时刻在线的愿意参加负荷调节的第 个充电用户最小充电功率,
为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和, 下一个
时刻在线的不愿意参加负荷调节的第 个充电用户的充电功率, 为下一个时刻在线的
不愿意参加负荷调节的充电用户的数量。
测辅助数据历史值;
的负荷预测模型;
每个充电桩在相应时间维度对应的负荷预测值;
到所述负荷聚集平台在各时间维度下的可调容量,并对各所述时间维度下的可调容量进行
上报。
息,并得到充电桩在各时间尺度对应的历史负据及预测辅助数据历史值;根据充电桩的信
息将负荷聚集平台包含的充电桩划分为不同类型的充电桩;根据各类型的充电桩在各时间
尺度对应的历史负荷数据及预测辅助数据历史值对相应时间维度的预测模型进行训练,得
到各类型的充电桩在相应时间维度的负荷预测模型;利用各类型的充电桩中的每个充电桩
在各时间尺度对应的负荷数据、预测辅助数据及相应时间维度的负荷预测模型,得到各类
型的充电桩中的每个充电桩在相应时间维度的对应的负荷预测值;根据各时间维度下每个
充电桩对应的负荷预测值、最小充电功率值及从充电用户信息及充电桩的信息中获取的相
应的负荷调节信息,得到负荷聚集平台在各时间维度下的可调容量,并对各时间维度下的
可调容量进行上报。
度对应的历史负荷数据及预测辅助数据历史值,然后,将负荷聚集平台包含的充电桩划分
为不同类型的充电桩,并利用各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅
助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在各时间维度对
应的负荷预测模型,以通过充电桩类型划分以及利用不同时间尺度对应的预测辅助数据来
对相应时间维度的预测模型训练而使得不同类型的充电桩采用各自在相应时间维度对应
的预测模型进行相应时间维度的负荷预测,从而提高负荷预测的准确性和精度,且在进行
各类型的充电桩在相应时间维度的负荷预测之后,根据各时间维度下每个充电桩对应的负
荷预测值、最小充电功率值及相应的负荷调节信息来相应得到负荷聚集平台在各时间维度
下的可调容量并进行可调容量的上报,从而实现对电动汽车充电负荷聚集商的负荷聚集平
台的可调容量的预测,而且在进行可调容量预测时通过将充电桩类型、时间尺度、预测辅助
数据、充电桩的最小充电功率值及负荷调节信息的影响考虑在内而提高可调容量预测的准
确性和精度。
附图说明
申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据
提供的附图获得其他的附图。
具体实施方式
能力和自愈能力的要求不断提高。如果单纯地从电源端可调的角度考虑,只利用传统的同
步发电机甚至专用的备用电厂和调峰调频机组来提供调峰、调频等调节措施,考虑到煤耗
以及机组损耗,这会造成系统建设成本和运行成本的大幅度提高。并且传统同步机组的特
点是惯性大,响应速度慢且调节精度低,难以满足新能源机组出力快速变化带来的快速调
节要求。仅靠电源侧调节难以维持高比例新能源下的电力系统的经济性和稳定运行。因此
需要利用需求响应相关技术来充分发挥用户侧的可调资源,实现用户侧与发电侧之间的荷
源协调,可以大幅度降低系统的建设成本和运行成本。并且随着通信技术和先进控制技术
的发展,完全可以以负荷聚集商的名义将各个地理上集中或者分散的可调节负荷资源集中
起来,进行优化控制,参与电能量市场和辅助服务市场,从而实现收益的最大化。
通过充电桩聚集到电动汽车充电负荷聚集商(简称EVA)的负荷聚集平台,接受平台的统一
调度和控制,从而参与电能量和辅助服务市场。而电动汽车充电负荷聚集商除了用最小的
成本购买电量从而满足电动汽车的充电需求以外,还可以在电能量市场中通过电能买卖进
行套利,并且通过提供辅助服务而获利。为了满足这些需求,EVA必须要对负荷聚集平台所
聚集负荷的基线负荷进行准确预测,并且在基线负荷的基础上,对其可调容量进行准确的
预估,才能参与电能量现货市场和辅助服务市场。具体可以参见图1,其示出了电动汽车充
电负荷聚集上参与现货市场和辅助服务时长的示意图。
集商的,并且往往只考虑整个地域或整个电网中电动汽车充电桩负荷预测,没有对可调容
量展开进一步的预测,而且均只停留在理论研究阶段,没有实际的工程经验。而且现有在进
行负荷预测时,存在如下缺点:1)只考虑简单的电量数据,没有对车辆本身的信息、用户参
与调节的意愿等有可能影响可调容量的信息进行收集;2)在进行负荷预测时没有考虑到对
充电桩进行分类管理并且进行预测。不同类型的充电桩对应的充电功率时段分布特点是有
所不同的。比如公交车充电桩、家用充电桩以及公共充电桩的功率分布特性是完全不同的,
如果不进行区分建模,而是直接对所有的充电桩进行统一预测,会导致预测精度的降低;3)
现有技术往往将已有的负荷减去所有平台在线的电动汽车充电功率的最小值作为可以下
调的功率。而在实际当中,电动汽车在接近满电量的时候,其功率会维持在一个较小的值,
在这种情况下电动汽车本身是无法进行功率下调的。如果不考虑这种情况,会造成可调容
量预测值偏高;4)没有充分考虑用户的意愿对于可调容量预测结果的影响。负荷聚集平台
下并非所有的充电桩都愿意参与调节。用户分为两种,一种是签订了固定协议的充电用户,
这种充电桩是直接接受平台调控;另外一种是不签订固定协议的灵活充电用户,而这种充
电桩的可调容量要看灵活充电用户在进行扫码充电时是否选择在充电期间接受平台的调
控。因此,在已有的方案中,没有考虑这部分用户进行剔除,从而导致可调容量的增加;5)没
有针对不同的时间尺度预测的特点对预测方法进行区分。不同时间尺度的预测,其精度要
求,所需要的历史数据都是不一样的,而现有并不对其进行区分,因此,则会导致精度的下
降。
及可调容量预测的准确性和精度。
本申请中的实施例,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,都属于本申请保护的范围。
架构图。本申请实施例提供的一种负荷聚集平台的可调容量预测方法,可以包括:
值。
桩所在区域的天气数据、充电用户信息及市场信息;其中,充电桩的信息具体可以包括交/
直流桩属性、公交专用桩/公共充电桩/小区公共充电桩/小区私有充电桩属性,固定协议签
约/灵活签约属性,额定功率等属性,对应平台ID(具体即为每个充电桩在负荷聚集平台中
所对应的ID),待机/关机/运行/正常/调节状态、充电桩所在电网节点,其中,充电桩所在电
网节点以电力现货市场下电网等值后所在的电网节点为准,主要用于区分不同区域的节点
电价;历史负荷数据具体是以每15分钟为一个时间节点而进行采集和获取;天气数据具体
可以包括温度、降雨降雪等数据,刷新频率可以为1小时(也即可以每隔1小时则进行一次天
气数据获取),当然,刷新频率也可以为其他值,本申请对此不做限定;充电用户信息具体可
以包括车辆私家车/网约车,是否接受调控标志、车辆的SOC(State of Charge,荷电状态)、
充电目标(电量百分比)、默认充电功率;市场信息包括实时电价及油价数据。现货开放之后
还包括日内和日前的96节点电价信息。另外,还可以获取节假日信息、重大事件、负荷聚集
平台的历史调控幅度值等。需要说明的是,上述提及的数据获取过程具体可以由图3中的数
据采集模块进行实现的。通过采集上述数据可以为预测模型训练和预测提供详实的基础,
以便于提高模型训练和预测的准确性。
尺度具体可以为以15分钟为时间尺度、以1小时为时间尺度,当然,也可以包含其他时间尺
度和/或可以为其他时间尺度,也即根据各时间尺度的训练需求而获取相应的预测辅助数
据,从而便于提高模型训练的准确性及精度。
充电桩进行分类和分组,也即可以划分为不同类型的充电桩,具体地,可以将负荷聚集平台
的充电桩划分为工商业性质的公用交流桩、公用直流桩、公交车专用充电桩、小区直流公用
桩、小区交流公用桩和小区私家车专用交流桩。
测模型。
尺度对应的历史负荷数据以及在各时间尺度对应的预测辅助数据来对相应时间维度的预
测模型进行训练,从而得到各类型的充电桩在相应时间维度对应的负荷预测模型。其中,在
以15分钟为时间尺度时,相应时间维度具体可以包含有日前和15分钟前这两个,在以小时
为时间尺度时,相应时间维度具体为小时前。
预测辅助数据进行训练,从而提高最终得到的负荷预测模型的准确性和精度。
容量预测时均可以直接利用训练得到的各类型的充电桩在各时间维度的负荷预测模型来
进行负荷预测,也即可以在第一次对该负荷聚集平台的可调容量进行预测的过程中执行上
述模型训练的过程,而后续对该负荷聚集平台进行可调容量预测时则无需每次均执行上述
模型训练的过程,而是可以直接执行下述预测过程,以提高负荷预测以及可调容量预测的
准确性。当然,也可以定时执行上述步骤S11至步骤S13的过程,以获取新的训练数据(训练
数据具体指的是上述步骤S11至步骤S13中训练时所用到的数据),并利用新的训练数据对
各类型的充电桩在各时间维度的预测模型进行训练,以对负荷预测模型进行更新等,从而
提高负荷预测模型的精度和准确性。
维度的对应的负荷预测值。
数据(这里提及的预测辅助数据与上述步骤S11中提及的相应的预测辅助数据类型相同,只
是这里是用于进行负荷预测的相应值)。
及相应时间维度的负荷预测模型,分别得到各类型的充电桩中的每个充电桩在各时间维度
的负荷预测值。
理和负荷预测模块主要负责对收集的相关数据进行预处理、存储、建模,并且通过对关键信
息进行实时监控、在必要时发出人工干预的指令和参考值。
同时间尺度预测所需的辅助数据考虑在内,从而便于提高负荷预测的准确性和精度。
其中的至少一种,则可以通过人工干预的方式来对负荷预测值进行调整,也即负荷聚集平
台的可调容量预测系统可以接收人工调整的相应的负荷预测值,并利用人工调整的相应的
负荷预测值参与可调容量预测,以便提高可调容量预测的准确性。
下的可调容量,并对各时间维度下的可调容量进行上报。
通过该方式可以得到负荷聚集平台在各时间维度对应的负荷预测值。之后,可以根据各时
间维度对应的负荷预测值、最小充电功率及从充电用户信息或充电桩的信息中获取到的与
时间尺度对应的负荷调节信息(具体即为是否愿意参加负荷调节的信息)而得到负荷聚集
平台分别在各时间维度下的可调容量,从而实现对电动汽车充电负荷聚集商的可调容量的
预测,而且通过上述过程可知,本申请在可调容量预测时,将充电桩类型、时间尺度、预测辅
助数据、充电桩的最小充电功率值及负荷调节信息等的影响考虑在内,从而可以提高可调
容量预测的准确性。
关操作。其中,可调容量预测以及上报过程可以由图3中的在线评估和申报模块进行实现。
度对应的历史负荷数据及预测辅助数据历史值,然后,将负荷聚集平台包含的充电桩划分
为不同类型的充电桩,并利用各类型的充电桩在各时间尺度对应的历史负荷数据及预测辅
助数据历史值对相应时间维度的预测模型进行训练,得到各类型的充电桩在各时间维度对
应的负荷预测模型,以通过充电桩类型划分以及利用不同时间尺度对应的预测辅助数据来
对相应时间维度的预测模型训练而使得不同类型的充电桩采用各自在相应时间维度对应
的预测模型进行相应时间维度的负荷预测,从而提高负荷预测的准确性和精度,且在进行
各类型的充电桩在相应时间维度的负荷预测之后,根据各时间维度下每个充电桩对应的负
荷预测值、最小充电功率值及相应的负荷调节信息来相应得到负荷聚集平台在各时间维度
下的可调容量并进行可调容量的上报,从而实现对电动汽车充电负荷聚集商的负荷聚集平
台的可调容量的预测,而且在进行可调容量预测时通过将充电桩类型、时间尺度、预测辅助
数据、充电桩的最小充电功率值及负荷调节信息的影响考虑在内而提高可调容量预测的准
确性和精度。
信息中得到所在电网节点在两个时间尺度分别对应的历史实时电价,从充电用户信息中得
到两个时间尺度分别对应的SOC;
测日的节假日历史信息。
间维度即实现提前1小时预测),与以15分钟为时间尺度对应的15分钟前这一时间维度(实
现提前15分钟预测)及日前这一时间维度(实现提前一天预测)。
以将每小时中的4个时间节点的历史负荷数据进行平均,从而得到每天24点的历史负荷数
据,需要说明的是,在获取以小时为时间尺度对应的历史负荷数据之后,可以在进行预测模
型训练时可以根据需要而将其中的一些以小时为时间尺度对应的历史负荷数据作为预测
小时的历史负荷数据,以作为训练数据中的模型输出数据而参与模型训练。另外,可以从天
气数据中得到以小时为时间尺度对应的温度历史信息,从市场信息中得到所在电网节点在
以小时为时间尺度分别对应的历史实时电价,从充电用户信息中得到以小时为时间尺度对
应的SOC,并获取负荷聚集平台的历史调控幅度值,以便于基于获取到的这些数据进行小时
前预测模型的训练。需要说明的是,在进行小时前负荷预测时,除了不进行预测小时对应的
负荷数据的获取外,其余数据获取与上述类似,本申请在此不再赘述。通过在小时模型训练
和预测中除了将温度、实时电价这些公共信息考虑在内外,还将充电用户信息中得到的SOC
考虑在内,从而便于提高小时前预测模型的准确性和精度,进而提高负荷预测的准确性和
精度。
时间尺度类似,只是当以每15分钟为一个时间节点而进行历史负荷数据获取时,则直接将
获取到的历史负荷数据作为15分钟前时间尺度对应的历史负荷数据,其余过程与上述类
似,不再赘述。通过在15分钟前预测模型训练和预测中将温度、实时电价这些公共信息考虑
在内外,还将充电用户信息中得到的SOC考虑在内,从而便于提高15分钟前预测模型的准确
性和精度,进而提高负荷预测的准确性和精度。
间尺度对应的所在日中的历史负荷数据,其中,一些所在日对应的历史负荷数据可以作为
预测日的历史负荷数据(这里提及的预测日指的是在模型训练中用于进行负荷预测的第二
天,也即预测日对应的历史负荷数据用于作为训练数据中的模型输出数据,所在日指的是
在模型训练中用于作为模型输入的时间,也即所在日对应的历史负荷数据用于作为训练数
据中的模型输入数据,例如在利用从1月1日至1月30日的历史负荷数据作为模型输入,而1
月31日的历史负荷数据作为模型输出而进行训练时,则1月1日至1月30日即作为所在日,1
月31日即作为预测日,在利用1月1日至1月31日的历史负荷数据作为模型输入,2月1日的历
史负荷数据作为模型输出时,则1月1日至1月31日即作为所在日,2月1日即作为预测日,由
此可知,预测日的历史负荷数据可以从所在日的历史负荷数据中进行获取,而无需再额外
进行获取);从天气数据中得到以15分钟为时间尺度对应的所在日的温度历史信息及预测
日的温度预测值,从市场信息中得到所在电网节点的历史实时电价及预测日的油价数据;
获取以15分钟为时间尺度对应的所在日的节假日信息及预测日对应的节假日历史信息及
负荷聚集平台的历史调控幅度值,以便于基于得到的这些数据分别对各类型的充电桩在日
前预测模型进行训练。需要说明的是,在进行日前负荷预测时,除了不进行预测日对应的负
荷数据的获取外(其具体通过所得到的日前负荷预测模型进行训练而得到),其余数据获取
与上述类似,本申请在此不再赘述。通过前述过程可知,本申请在进行日前预测模型训练和
负荷预测时,考虑了现货的实时电价对于负荷预测的影响,并且还考虑了日前电价的预测
值、第二天的油价、第二天的温度预测值以及节假日信息的影响,因此,则可以提高最终得
到的日前负荷预测模型的准确性和精度,进而提高负荷预测的准确性和精度。
度对应的历史负荷数据及预测辅助数据历史值对日前预测模型进行训练,得到各类型的充
电桩的日前负荷预测模型,可以包括:
处理后的加权电价数据;
测日的油价数据及预测日的温度预测值,分别对各类型的充电桩的日前LSTM模型进行训
练,得到各类型的充电桩的日前负荷预测模型。
包括历史实时电价、历史温度、历史节假日信息以及负荷聚集平台的历史调控幅度值K* 。
此外,还考虑第二天(即预测日)的节假日信息、第二天的油价数据以及第二天的温度预测
值。而这三部分数据由于其对预测结果的影响不同要做不同的处理。
征的基础上尽可能地去除噪声信息。传统的降噪方法有平滑滤波、移动平均了滤波、简单非
线性噪声消除以及线性傅里叶滤波等。电动汽车充电负荷时间序列数据不仅含有噪声,还
普遍具有非线性、非平稳、高波动的特点。而这些传统的降噪方法并不能有效的去除电动汽
车充电负荷时间序列数据中的噪声成分。而WT(Wavelet Transform,小波变换)方法有能力
处理非平稳且不规则的负荷时间序列数据,并且保留更多的原始信息。因此,需要采用WT方
法对直接影响预测结果的基本历史信息历史负荷数据P进行小波降噪,从而获取更多的趋
势信息。也即上述提及的第一类的基本历史信息历史负荷数据P可以通过WT方法进行降噪
处理,也即各类型的充电桩在以15分钟为时间尺度对应的所在日的历史负荷数据均可以通
过WT方法进行降噪处理,以分别得到各类型的充电桩所对应的降噪后的历史负荷数据。
对于相关节点的历史实时电价所形成的负荷聚集平台加权电价数据而言,具体可以利用
计算负荷聚集平台加权电价数据 ,其中, 为负荷聚集平台
中第 个充电桩所在电网节点的历史实时电价, 是第 个充电桩的额定充电功率, 是
负荷聚集平台所包含的充电桩的总数,由此可知,本申请充分考虑了电力现货开发情景下,
充电桩所处地区的节点电价对于充电负荷预测的影响,并且是通过所有在线充电桩所在节
点的加权节点电价的计算来充分评估对充电负荷预测的影响。需要说明的是,除了负荷聚
集平台加权电价以外,其他信息的波动和噪声都可以忽略不计,因此,需要对负荷聚集平台
加权电价做WPCA(Wavelet Principle Component Analysis,小波主要成分分析)方法处
理。
通过对普通小波降噪方法直接拓展实现的。首先,利用多个普通小波对多变量信号的每一
维度进行小波分解,得到分解后的小波系数矩阵。然后,通过小波系数矩阵估计整体的噪声
大小,并选取合适的阈值对小波系数矩阵进行阈值处理。接着,利用主成分分析技术对阈值
化后的小波系数矩阵进行主成分提取,并去除小波系数矩阵中的次要成分。最后,将去除次
要成分的小波系数矩阵进行小波逆变换,重构出原始的多变量信号。总之,WPCA 降噪方法
通过普通小波对多变量信号降噪的同时,利用 PCA技术保留原始多维数据的主要成分,并
去除次要成分,进而实现更强降噪的效果,同时也保留了原始多变量信号间的相关信息。
关,而与先前的输入无关。因此,传统的神经网络不能有效地利用序列信息,对时间序列分
析和处理的效果也并不理想。虽然递归神经网络RNN能够对时间序列数据很好地进行建模,
但是由于其存在梯度爆炸和梯度消失的问题,时间序列的长期依赖关系很难学习。而长短
期记忆网络(LSTM)是一种利用记忆细胞状态对抗梯度消失和梯度爆炸的有效结构。因此,
在得到各类型的充电桩在日前时间尺度所对应的降噪后的历史负荷数据以及处理后的加
权电价数据之后,对于每个类型的充电桩而言,可以将其对应的降噪后的历史负荷数据、处
理后的加权电价数据、节假日历史信息、温度历史信息、负荷聚集平台的历史调控幅度值,
一起形成5维历史数据输入到LSTM中作为训练数据,且第二天的节假日信息、第二天的油价
数据及第二天的温度预测值也作为训练数据而送入到LSTM中(也即前面的数据均可以作为
训练数据中的模型输入数据而送入到LSTM中),并可以将第二天的历史负荷数据作为LSTM
的输出(也即将第二天的历史负荷数据作为训练数据中的模型输出数据而送入到LSTM中),
以进行训练,从而对应得到各类型的充电桩的日前负荷预测模型。之后,将相应的数据通过
日前负荷预测模型之后,则可以形成第二天的96个时间节点的负荷预测值,也即利用日前
负荷预测模型进行负荷预测的方式与图4所示的训练流程,在此不再赘述。
并提高日前负荷预测的准确性。而且通过上述过程可知,在日前预测中考虑了现货的实时
电价对于负荷预测的影响,并且还考虑日前电价的预测值,第二天的油价以及节假日信息
的影响,也就是说,在LSTM训练时不只考虑了历史信息的影响,还考虑了第二天的相关预测
信息的历史值对于预测结果的影响,以提高模型精度和准确性。
度的历史负荷数据及预测辅助数据历史值对小时前预测模型进行训练,得到各类型的充电
桩的小时前负荷预测模型,可以包括:
中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;目标充电桩为
有充电车辆在充电的充电桩;
电桩的小时前LSTM模型进行训练,得到各类型的充电桩的小时前负荷预测模型。
荷水平变化的影响。这是因为电动汽车在接近满电量状态时,其充电功率会维持在一个较
小的水平。因此,除了历史负荷数据,SOC也会直接影响下一个时间点的负荷。但是,每一辆
车的SOC是不一样的。一般充电桩的负荷聚集平台没有对电动车辆的实时SOC进行采集,更
别说是用于预测分析。而在本申请中,则对负荷聚集平台上在线的每一辆电动车辆的SOC进
行实时采集。但是,单台电动汽车的SOC无法决定平台的充电功率,但是通过负荷聚集平台
的所有在线电动车辆的SOC进行加权计算,就可以由此评估加权SOC对下一个时刻的负荷的
影响。因此,小时前负荷预测的WT‑WPCA‑LSTM的模型训练流程如图5所示。
充电桩)所对应的充电车辆的SOC, 为该充电车辆的额定充电功率, 为负荷聚集平台在
以小时为时间尺度中所包含的目标充电桩的数量, 为负荷聚集平台的历史加权SOC。
价数据 ,其中, 为在以小时为时间尺度中第i个处于充电状态的充电桩所在电网节点
的历史实时电价, 是第i个处于充电状态的充电桩的额定充电功率, 是负荷聚集平台
在以小时为时间尺度中所包含的处于充电状态的充电桩的总数,由此可知,在以小时为时
间尺度中,在进行加权电价数据计算时,只考虑处于充电状态的充电桩的汇总,以提高加权
电价数据计算的准确性。
为时间尺度对应的历史负荷数据进行降噪处理,得到各类型的充电桩对应的降噪后的历史
负荷数据。需要说明的是,这里提及的历史负荷数据指的是用于作为训练数据中的模型输
入数据的历史负荷数据。
史调控幅度值一起形成5维历史数据输入到LSTM中作为训练数据,且预测小时的负荷数据
可以作为LSTM的输出(也即将预测小时的负荷数据作为训练数据中的模型输出数据而送入
到LSTM中),以进行训练,从而对应得到各类型的充电桩的小时前负荷预测模型。
提高小时前负荷预测模型的准确性和精度,并提高小时前负荷预测的准确性。而且通过在
小时前负荷预测中充分考虑SOC对负荷预测的影响后,在进行可调容量计算时则可以不需
要再挨个进行核减,以大幅度提高效率和精确度。
时间尺度对应的历史负荷数据及预测辅助数据历史值对15分钟前预测模型进行训练,得到
各类型的充电桩的15分钟前负荷预测模型,可以包括:
间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权SOC;目标充电桩
为有充电车辆在充电的充电桩;
分别对各类型的充电桩的15分钟前LSTM模型进行训练,得到各类型的充电桩的15分钟前负
荷预测模型。
的负荷数据一起形成5维历史数据输入到LSTM中作为训练数据,且预测分钟的负荷数据可
以作为LSTM的输出(也即将预测分钟的负荷数据作为训练数据中的模型输出数据而送入到
LSTM中),以进行训练,从而对应得到各类型的充电桩的15分钟前负荷预测模型。
模型的准确性和精度,并提高15分钟前负荷预测的准确性。而且通过在15分钟前负荷预测
中充分考虑SOC对负荷预测的影响后,在进行可调容量计算时则可以不需要再挨个进行核
减,以大幅度提高效率和精确度。
准确性。而且在上述三个时间维度的预测中,还考虑的负荷聚集平台的调控幅度值的历史
数据对于负荷预测的影响,这样可以免掉因为参加调节而引起的负荷预测误差,从而提高
模型训练和负荷预测的准确性。另外,只在日前预测和小时前预测这种数据密度相对较低
的情况下采用小波变换滤波对基本历史信息进行滤波,采用小波主要成分对相关信息进行
滤波;而在15分钟前预测这种高数据密度情况下,不考虑滤波处理,从而提高了不同时间尺
度的预测精度以及效率。
型进行训练,得到各类型的充电桩在时间维度的负荷预测模型之后,还可以包括:
缺失值进行处理,或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调
整,并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的负荷预测模型进行
训练,直至相应类型的充电桩在相应时间维度的负荷预测模型合格为止。
时间维度的负荷预测模型之后,可以分别利用各类型的充电桩在各时间维度的负荷预测模
型,得到各类型的充电桩在各时间维度的预测负荷数据,即得到对应的回测结果。之后,可
以根据各类型的充电桩在各时间维度对应的预测负荷数据与相应时间维度对应的历史负
荷数据,分别计算各类型的充电桩在各时间维度对应的平方根误差RMS、平均绝对误差MAE
和平均绝对误差百分比MAPE这三个评估指标:
估指标分别与相对应的阈值进行比较,若对应的评估值均小于相对应的阈值,则确定相应
类型的充电桩在相应时间维度的负荷预测模型合格。
间尺度对应的历史负荷数据中的缺失值和/或预测辅助数据历史值中的缺失值进行处理,
或对相应时间尺度对应的历史负荷数据及预测辅助数据历史值进行调整,然后,利用处理
或调整(与前述提及的处理或调整相对应)后数据对相应类型的充电桩在相应时间维度的
负荷预测模型进行训练,并在训练完成后,利用相应类型的充电桩在相应时间维度的负荷
预测模型,得到相应类型的充电桩在相应时间维度的预测负荷数据,且进行判断……直至
相应类型的充电桩在相应时间维度的负荷预测模型合格。
对训练的负荷预测模型进行修正迭代,直至满足要求,以提高训练得到的负荷预测模型的
准确性,从而提高负荷预测及容量预测的准确性。
的相应的负荷调节信息,得到负荷聚集平台在各时间维度下的可调容量,可以包括:
充电功率占额定功率的比例, 为不愿意和因自身原因不能参加负荷调节的充电桩的
充电功率之和, 为不愿意和因自身原因不能参加负荷调节的充电桩的数量, 为第
个不愿意和因自身原因不能参加负荷调节的充电桩的充电功率;
之和或15分钟前负荷预测值之和, 为下一个时刻在线的愿意参加负荷调节的充电
用户的最小充电功率之和, 为下一个时刻在线的愿意参加负荷调节的充电用户的数量,
为下一个时刻在线的愿意参加负荷调节的第 个充电用户最小充电功率, 为下
一个时刻在线的不愿意参加负荷调节的充电用户的充电功率之和, 下一个时刻在线的
不愿意参加负荷调节的第 个充电用户的充电功率, 为下一个时刻在线的不愿意参加
负荷调节的充电用户的数量。
各时间维度下的可调容量时,对于日前预测而言,可以利用
得到负荷聚集平台的可调容量的日前预测值 ,其中, 为负荷聚集平台中各充电桩对
应的日前负荷预测值之和, 为充电桩最小充电功率占额定功率的比例, 为不愿意
和因自身原因不能参加负荷调节的充电桩的充电功率之和。通过前述过程可知,在日前时
间尺度下不考虑SOC的影响,而是乘以一个最小功率系数,并对不能参与调节的充电桩功率
进行核减,以提高可调容量预测的准确性。
为负荷聚集平台中各充电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之
和, 为下一个时刻(即与小时前预测对应的时刻或与15分钟前预测对应的时刻)在
线的愿意参加负荷调节的充电用户的最小充电功率之和, 为下一个时刻在线的不愿
意参加负荷调节的充电用户的充电功率之和。通过前述过程可知,本申请在小时前和15分
钟前,对在线充电桩的最小功率进行核减,并对不同意参与调节的充电桩功率进行核减,以
提高可调容量预测的准确性。
因此,需要负荷聚集平台不参与电网调节的空档时段,对不处于SOC与1的差值小于或等于
阈值的充电用户(也即对不处于接近满电量状态的充电用户)进行小扰动在线测试。具体可
以在其充电功率参考值上叠加一个较小的扰动分量,比如10%左右,并获取功率反馈值。
言,则记在 中,对于小时前或15分钟前,则记在 中),即从负荷聚集平台在各时
间维度下的可调容量中核减充电用户对应的充电功率,以提高可调容量预测的准确性。
进行可调容量评估时对其进行核减,以提高可调容量预测的准确性。
历史负荷数据中是否存在缺失数据,如果存在缺失数据,则需要对缺失数据进行特殊处理,
其中,本申请是对缺失数据进行标准预处理。具体地,本申请寻找与缺失数据最为接近的两
个相似时间节点的历史负荷数据,并对这两个时间节点的历史负荷数据进行标准化预处
理,以便于提高模型训练速度和预测精度。其中,常用的标准预处理方法有最大最小值标准
化和均值方差标准化两种方法。
助数据历史值;
度的负荷预测模型;
的每个充电桩在相应时间维度的对应的负荷预测值;
聚集平台在各时间维度下的可调容量,并对各时间维度下的可调容量进行上报。
历史信息,从市场信息中得到所在电网节点在两个时间尺度分别对应的历史实时电价,从
充电用户信息中得到两个时间尺度分别对应的SOC;
节假日历史信息及预测日的节假日历史信息。
据进行处理,得到处理后的加权电价数据;
测日的节假日信息、预测日的油价数据及预测日的温度预测值,分别对各类型的充电桩的
日前LSTM模型进行训练,得到各类型的充电桩的日前负荷预测模型。
以小时为时间尺度中对应的目标充电桩上的充电车辆的SOC及额定充电功率计算历史加权
SOC;目标充电桩为有充电车辆在充电的充电桩;
值,分别对各类型的充电桩的小时前LSTM模型进行训练,得到各类型的充电桩的小时前负
荷预测模型。
中在以15分钟为时间尺度对应目标充电桩上的充电车辆的SOC及额定充电功率计算历史加
权SOC;目标充电桩为有充电车辆在充电的充电桩;
分钟的负荷数据,分别对各类型的充电桩的15分钟前LSTM模型进行训练,得到各类型的充
电桩的15分钟前负荷预测模型。
在时间维度的负荷预测模型之后,利用各类型的充电桩在各时间维度对应的负荷预测模
型,得到各类型的充电桩在各时间维度对应的预测负荷数据;
辅助数据历史值中的缺失值进行处理,或对相应时间尺度对应的历史负荷数据及预测辅助
数据历史值进行调整,并利用处理或调整后的数据对相应类型的充电桩在相应时间维度的
负荷预测模型进行训练,直至相应类型的充电桩在相应时间维度的负荷预测模型合格为
止。
值之和, 为充电桩最小充电功率占额定功率的比例, 为不愿意和因自身原因不
能参加负荷调节的充电桩的充电功率之和, 为不愿意和因自身原因不能参加负荷调节
的充电桩的数量, 为第 个不愿意和因自身原因不能参加负荷调节的充电桩的充电功
率;
电桩对应的小时前负荷预测值之和或15分钟前负荷预测值之和, 为下一个时刻在
线的愿意参加负荷调节的充电用户的最小充电功率之和, 为下一个时刻在线的愿意参
加负荷调节的充电用户的数量, 为下一个时刻在线的愿意参加负荷调节的第 个充电
用户最小充电功率, 为下一个时刻在线的不愿意参加负荷调节的充电用户的充电功
率之和, 下一个时刻在线的不愿意参加负荷调节的第 个充电用户的充电功率, 为
下一个时刻在线的不愿意参加负荷调节的充电用户的数量。
值;
此不再赘述。
在任何这种实际的关系或者顺序。而且,术语“包括”、 “包含”或者其任何其他变体意在涵
盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。
在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素
的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技
术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限
制于本文所示的这些实施例,而是要负荷与本文所公开的原理和新颖特点相一致的最宽的
范围。