大規(guī)模電動汽車的實時V2G功率容量并行預測

岳友, 陳琛, 陳娜

〔南瑞集團(國網(wǎng)電力科學研究院)有限公司，江蘇 南京 211100〕

0 引 言

隨著新能源技術的發(fā)展、人們環(huán)保意識的提高和政府投入的加大，電動汽車的數(shù)量越來越多。然而，由于電動汽車充電有很大的隨機性，大規(guī)模電動汽車的接入會對電網(wǎng)有不利影響，如影響配電網(wǎng)電能質量、增加控制優(yōu)化難度等[1]。此外，隨著Vehicle-to-Grid (V2G)技術的發(fā)展，連接到一定電網(wǎng)區(qū)域的大規(guī)模電動汽車作為一個很大的儲能系統(tǒng)，不僅可以為電網(wǎng)提供輔助支撐服務，還可以為電網(wǎng)提供應急服務。大規(guī)模電動汽車V2G功率容量的預測將為電網(wǎng)調峰、調頻、經(jīng)濟調度，以及電動汽車智能充放電策略的制訂提供有力的決策依據(jù)。如何實現(xiàn)大規(guī)模電動汽車V2G功率容量精確和快速的預測是實現(xiàn)這些支持服務的關鍵。

國內外學者對電動汽車V2G功率容量都做了相應的研究。文獻[2]基于蒙特卡洛隨機模擬法，進行V2G實時功率容量預測研究。文獻[3]定義了“V2G可用容量”的概念，建立了多種類型電動汽車充電時間分布概率模型，最終利用蒙特卡洛的方法對微網(wǎng)內電動汽車集群進行V2G可用容量評估。文獻[4]討論了電動汽車充電站中大量電動汽車充放電的隨機性，通過建立接入負載母線電動汽車數(shù)量的概率模型進行功率容量估算。文獻[5]通過統(tǒng)計單臺電動汽車在各個時間段接入的概率和可用功率的概率，利用二項分布特性，將具有相同的接入時間和可用功率的電動汽車的容量進行快速疊加得到聚合的功率容量。文獻[6]通過統(tǒng)計電動汽車在不同地點接入概率和各地點間距離的大小以獲取相應的SOC(State-of-Charge)狀態(tài)，進而求得大規(guī)模電動汽車功率容量。文獻[7-8]通過對電動汽車進行分類，建立各類電動汽車數(shù)量的概率模型，進而求得大規(guī)模電動汽車功率容量。從上述文獻可以看出，采用概率模型和蒙特卡洛的方法可以對電動汽車功率容量進行大致估算。然而高精度的概率模型本身就很難建立，因此估算結果難以滿足電力調度的精度需求。

隨著光纖和無線通信等通信技術的發(fā)展可以實現(xiàn)對大規(guī)模電動汽車充電狀態(tài)的實時監(jiān)測。從而可以利用這些實時充電數(shù)據(jù)和數(shù)據(jù)挖掘技術提高V2G功率容量預測精度。報告指出到2020年中國電動汽車保有量將超過500萬輛[9]，屆時假設每隔1 s采集一次數(shù)據(jù)，平均每個時刻有50萬臺參與調度，每條記錄占3～5 kB，那么一年產(chǎn)生的數(shù)據(jù)量為43～71.7 PB。如此大規(guī)模數(shù)據(jù)，利用傳統(tǒng)的方法，數(shù)據(jù)的處理速度和存儲將是問題,并行處理技術的發(fā)展一定程度上解決了大規(guī)模數(shù)據(jù)處理的難題

目前，并行預測技術在電力系統(tǒng)中已有應用，但主要集中在負荷預測領域。文獻[10]討論了在火電廠級負荷中分配應用大數(shù)據(jù)分析方法，解決火電廠發(fā)電機組海量運行數(shù)據(jù)處理和廠級負荷調度問題。文獻[11]針對電力用戶側大規(guī)模數(shù)據(jù)，采用隨機森林算法實現(xiàn)短期負荷并行預測。

本文通過電動汽車實時充電數(shù)據(jù)和用戶需求信息采集提高實時V2G功率容量預測的精度。同時考慮到大規(guī)模電動汽車數(shù)據(jù)采集帶來的大數(shù)據(jù)問題，基于Spark搭建了并行處理平臺，在考慮用戶需求的基礎上，利用分布式并行內存處理技術，建立了大規(guī)模電動汽車實時V2G功率容量并行預測模型。

1 實時V2G功率容量并行預測方法

隨著車聯(lián)網(wǎng)和通信技術的發(fā)展，不僅可以通過有線或無線的方式實時采集電動汽車充電的電池和充電器狀態(tài)數(shù)據(jù)，還可以采集用戶的充電需求數(shù)據(jù)。通過實時數(shù)據(jù)分析，可以確定實時在線充電的電動汽車數(shù)量和充電網(wǎng)絡容量的限制?？紤]到用戶的需求，需要用戶確定可以保證自己用車需求的SOC的下限和上限，以及預計離開時間。這樣就避免了建立各種概率模型用以對用戶行為的預測，從而可以提高V2G功率容量預測的準確度。所需要采集的實時數(shù)據(jù)歸納如表1所示。

表1 實時數(shù)據(jù)采集參數(shù)表

1.1 V2G功率容量的確定

為了保障用戶用車需求，可以根據(jù)電動汽車當前的SOC狀態(tài)，將連接到一定電網(wǎng)區(qū)域內的電動汽車分成兩類：必須充電類和可以參與V2G類。定義實時V2G功率預測的時間尺度為td，電動汽車的狀態(tài)參數(shù)在短時間內變化很小，可以根據(jù)表1采集實時數(shù)據(jù)，利用t時刻的實時數(shù)據(jù)預測t+td時刻的V2G功率容量。大規(guī)模電動汽車實時V2G功率容量預測方法如下:

(1)對于單臺電動汽車i，當Si,t

Pi,t,charge=Ui,tIi,t,charge

(1)

式中：Pi,t,charge為電動汽車i在t時刻的充電功率;Ui,t和Ii,t,charge分別為電動汽車i在t時刻的充電電壓和電流。

(2)當Si,t>Simin時，電動汽車i屬于可以參與V2G類。單臺電動汽車的實時V2G功率容量可以由式(2)確定。

(2)

(3)

從而，對于連接到一定電網(wǎng)區(qū)域內大規(guī)模電動汽車實時V2G功率容量的計算方法如下：

(4)

式中:Ct+td,V2G為大規(guī)模電動汽車實時V2G功率容量;n為可以參與V2G放電類的電動汽車的數(shù)量;m為必須充電類的電動汽車的數(shù)量。同時可以看出，在大規(guī)模電動汽車實時V2G功率容量預測中存在大量的迭代，非常適用于分布式并行計算。

1.2 V2G功率容量并行預測策略

對于分布式并行計算平臺，比較具有代表性的是Apache基金會開發(fā)的Hadoop和Spark平臺。Hadoop框架中最核心的是分布式文件系統(tǒng)(HDFS)和Mapreduce。HDFS解決了大規(guī)模數(shù)據(jù)存儲問題；Mapreduce解決了大規(guī)模數(shù)據(jù)快速計算問題。但是，Mapreduce需要進行大量的磁盤讀寫，不利于實時計算。Spark是基于Map Reduce算法實現(xiàn)分布式并行實時計算，擁有Mapreduce全部的優(yōu)點，不同之處是Spark的輸入輸出結果可以保存在內存中。其分布式并行內存計算機制可以使速度達到秒級，滿足了實時計算的要求。從而本文選取Spark作為實施V2G功率容量預測的計算平臺。基于Spark的并行實時可調度容量預測的流程如圖1所示。所提出的實時V2G功率容量并行預測策略為：由于Map()函數(shù)可以分布式并行執(zhí)行在所有從節(jié)點上，這里使用Map()函數(shù)構建單臺電動汽車的V2G功率容量預測模型。然后在利用ReduceByKey()函數(shù)計算大規(guī)模電動汽車的V2G功率容量預測模型。

圖1 實時V2G功率容量并行預測策略

1.3 預測評價指標

采用平均相對誤差(MAPE)作為大規(guī)模電動汽車功率容量預測的評價指標。

(5)

式中:Ct+td,V2G為功率容量預測值;Ct,V2G為實際功率容量值;n為預測的點數(shù)。如果實際值為0時，用V2G功率容量的平均值替換,MAPE值越小，代表V2G功率容量預測結果越準確。

2 案例及結果分析

2.1 試驗樣本數(shù)據(jù)

為了驗證所提出的方法，實地采集了521輛電動汽車的實時充放電數(shù)據(jù)。這些實時數(shù)據(jù)來源于電動汽車的BMS系統(tǒng)，利用GPRS技術每隔1 min實時向數(shù)據(jù)中心發(fā)送數(shù)據(jù)?？偣彩占?015/11/1 00:00到2016/4/30 23:59共17 GB的數(shù)據(jù)。通過試驗測試，電動汽車電池的電壓和SOC在1 min內基本不變，故本文的實時預測尺度td為1 min。為了模擬V2G環(huán)境，電動汽車用戶需求參數(shù)統(tǒng)一設置如表2所示。

表2 用戶需求參數(shù)設置

2.2 試驗平臺環(huán)境

硬件配置：ThankStation工作站三臺，CPU為6核inter(R)Xeon(R) CPU 1.09 GHz，安裝內存為8 G，硬盤1 T。在服務器上虛擬6臺配置相同的Ubuntu14.04虛擬機，內存為2G，CPU為2核。

軟件配置：Spark-1.6.0。

部署方式：完全分布式，1個主節(jié)點，5個從節(jié)點。

2.3 實時V2G功率容量預測結果分析

算法并行化評價指標采用通用的加速比，公式為：

Speedup=Ts/Tm

(6)

式中：Ts為單機運行時間;Tm為集群運行時間。

圖2 電動汽車功率容量實時并行預測加速比

通過人為擴展數(shù)據(jù)的方式，模擬不同集群規(guī)模的電動汽車的功率容量實時預測的時間消耗。從表3和圖2可以看出,數(shù)據(jù)規(guī)模越大加速比越大，越適合采用大數(shù)據(jù)分布式并行計算。

實時V2G功率容量預測的時間尺度為1 min，那么一天就含有1 440個預測點。本文所采集的試驗樣本數(shù)據(jù)共有262 079個預測點。圖3描繪了實時V2G功率容量預測的曲線。利用式(5)，求得V2G功率容量預測誤差的MPEA為3.74%，模型的預測精度較高。

表3 Spark并行與單機處理性能對比

圖3 2015/11/1到2016/4/30實時V2G功率預測曲線

為了更清晰地展示V2G功率容量預測的情況，圖4展示了2016/4/29 6∶00到2016/4/30 6∶00的預測情況?？梢?2∶00和24∶00 V2G功率容量達到了高峰，6∶00和18∶00的V2G功率容量最低。

圖4 2016/4/29 6∶00到2016/4/30 6∶00實時V2G功率容量預測曲線

3 結束語

本文結合大規(guī)模電動汽車V2G功率容量預測的研究現(xiàn)狀，提出了利用實時采集數(shù)據(jù)的方法提高大規(guī)模電動汽車V2G功率容量預測的精度。最終，基于Spark分布式內存并行處理技術，構建了實時V2G功率容量并行預測模型。試驗結果表明，利用所提出的方法預測誤差為3.74%，且采用并行處理的方法，在處理數(shù)據(jù)規(guī)模和速度上均優(yōu)勢明顯，可以為實現(xiàn)電動汽車輔助支撐服務提供了有力的數(shù)據(jù)保障。