智慧園區(qū)電動(dòng)汽車(chē)有序共享充電需求分析①

石進(jìn)永,趙明宇,汪映輝

1(南瑞集團(tuán)(國(guó)網(wǎng)電力科學(xué)研究院)有限公司,南京 211106)

2(國(guó)電南瑞南京控制系統(tǒng)有限公司,南京 211106)

電動(dòng)汽車(chē)是當(dāng)下新能源產(chǎn)業(yè)重要組成部分,是緩解能源危機(jī)及環(huán)境問(wèn)題的有效工具[1,2].目前,我國(guó)在電動(dòng)汽車(chē)充換電設(shè)施標(biāo)準(zhǔn)體系建設(shè)、關(guān)鍵技術(shù)研究、關(guān)鍵設(shè)備研制和示范工程建設(shè)等方面已取得重要進(jìn)展.但同時(shí),我國(guó)當(dāng)前普遍應(yīng)用的電動(dòng)汽車(chē)充電系統(tǒng)無(wú)法滿足用戶個(gè)性化充電需求.因此,通過(guò)對(duì)電動(dòng)汽車(chē)充電技術(shù)的不斷創(chuàng)新和優(yōu)化,采取科學(xué)合理的控制策略,可以改善整體電力系統(tǒng)管理和能源效率,同時(shí)也可以使電力系統(tǒng)的運(yùn)行更加清潔、高效和經(jīng)濟(jì)[3,4].

智慧園區(qū)能源管理和配置問(wèn)題分析是掌握用戶和電力市場(chǎng)的重要手段,尤其隨著充電設(shè)施的廣泛接入,更需要優(yōu)化配置智慧園區(qū)能源形式.文獻(xiàn)[5]為了充分利用電力大數(shù)據(jù)中的異構(gòu)數(shù)據(jù)源挖掘出電網(wǎng)中存在的安全威脅,采用循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)得到的嵌入式向量數(shù)據(jù)建立畫(huà)像,實(shí)現(xiàn)了數(shù)據(jù)中異常事件的檢測(cè)；文獻(xiàn)[6]提出一種面向電動(dòng)汽車(chē)、快速充電站、配電網(wǎng)多元需求的電動(dòng)汽車(chē)快速充電引導(dǎo)策略；文獻(xiàn)[7]基于電動(dòng)汽車(chē)充放電優(yōu)化模型以及實(shí)時(shí)更新的配電系統(tǒng)預(yù)測(cè)負(fù)荷曲線,構(gòu)造出動(dòng)態(tài)分時(shí)電價(jià)更新策略；文獻(xiàn)[8]提出基于不確定性測(cè)度的居民小區(qū)電動(dòng)汽車(chē)充電定價(jià)策略并建立起電動(dòng)汽車(chē)充電負(fù)荷動(dòng)態(tài)概率模型,分析了電動(dòng)汽車(chē)響應(yīng)分時(shí)電價(jià)的不確定性而導(dǎo)致的居民負(fù)荷隨機(jī)波動(dòng)加劇等問(wèn)題.文獻(xiàn)[9]提出一種在線控制和離線優(yōu)化相結(jié)合的有序充電控制方法,在電動(dòng)汽車(chē)用戶在住宅區(qū)利用夜晚時(shí)段進(jìn)行充電的情況下,解決了移峰填谷、減少負(fù)荷波動(dòng)的問(wèn)題.

上述文獻(xiàn)對(duì)電動(dòng)汽車(chē)充電方式及策略研究較深入,但缺乏智慧園區(qū)電動(dòng)汽車(chē)有序共享充電需求及管理模式研究.基于此,本文利用電動(dòng)汽車(chē)(Electric Vehicles,EV)潛在的移動(dòng)儲(chǔ)能特性,提出一種適用于智慧園區(qū)共享充電樁的在線自主充電需求建模分析方法,在自動(dòng)檢測(cè)和識(shí)別用戶電動(dòng)汽車(chē)充電需求基礎(chǔ)上,將其轉(zhuǎn)移至電價(jià)較低時(shí)段以加強(qiáng)對(duì)住宅小區(qū)電力需求的管理.首先提出一種在線識(shí)別不同類(lèi)型電動(dòng)汽車(chē)的方法,采用基于人工神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)方法分類(lèi)得出每個(gè)電動(dòng)汽車(chē)類(lèi)別信息,并用支持向量機(jī)(Support Vector Machines,SVM)方法驗(yàn)證所提方法的可行性；其次,根據(jù)分類(lèi)信息利用功率譜密度估計(jì)為每個(gè)EV 提供統(tǒng)計(jì)模型,進(jìn)行統(tǒng)計(jì)分析；最后根據(jù)臺(tái)區(qū)接收的日前負(fù)荷響應(yīng)指令預(yù)測(cè)充電需求,對(duì)充電習(xí)慣采用核密度估計(jì)建模,利用實(shí)測(cè)數(shù)據(jù)證明該方法的可行性和有效性.

1 智慧園區(qū)EV 共享充電場(chǎng)景分析

依據(jù)園區(qū)已有能量管理系統(tǒng)(Energy Management Systems,EMS)需求響應(yīng)策略,在確保用戶舒適度的前提下,實(shí)現(xiàn)共享充電[10],圖1展現(xiàn)一個(gè)典型的園區(qū)EV調(diào)度場(chǎng)景.車(chē)主進(jìn)入園區(qū)后,EMS 確定該EV 及充電需求后,根據(jù)來(lái)自其他EV、電器和電價(jià)等信息制定該EV 充電計(jì)劃.

圖1 智慧園區(qū)EV 典型充電場(chǎng)景

假設(shè)該園區(qū)已建M個(gè)共享充電樁,第m個(gè)EV 最佳充電起始時(shí)間tst,m取決于其充電所需電量Ereq,m和對(duì)應(yīng)充電樁可用時(shí)間tav,m.EMS 可以利用每個(gè)EV 充電習(xí)慣統(tǒng)計(jì)建模,預(yù)測(cè)充電電量需求和高峰時(shí)段負(fù)荷優(yōu)先級(jí).

設(shè)Ereq(T)為某天充電站所需總能量,T表示24 小時(shí).

其中,Ereq,m(i)為當(dāng)天第m個(gè)EV 充電所需電量；Pm(i)為第m個(gè)EV 瞬時(shí)充電功率；Δt為時(shí)間步長(zhǎng).

其中,V(i)為時(shí)段i處的充電點(diǎn)電壓,Im(i)為充電點(diǎn)電流的測(cè)量值,c os(φm(i))為功率因數(shù).

EMS 的目標(biāo)是估測(cè)Ereq,m(i+p),其中p是預(yù)測(cè)范圍(p＞0).假設(shè)Δt和V(i)是常數(shù),因此該問(wèn)題可簡(jiǎn)化為預(yù)測(cè)Im(i)的任何可能值.這主要取決于第m輛EV 的充電計(jì)劃、電池容量以及電池初始充電狀態(tài)(State of charge,SOC)SOCini,m.對(duì)于一個(gè)共享充電站,如何用當(dāng)前測(cè)量值來(lái)預(yù)測(cè)未來(lái)Ereq,m值是一個(gè)挑戰(zhàn).本文采用兩步法來(lái)解決該問(wèn)題：第1 步識(shí)別每個(gè)單獨(dú)EV 充電情況；第2 步建立并更新之前識(shí)別的每個(gè)EV 充電模式統(tǒng)計(jì)模型.通過(guò)提出的EV 識(shí)別算法來(lái)支持EMS 的最終目標(biāo)或功能.通過(guò)這種方式,可以預(yù)測(cè)每輛車(chē)的充電需求,從而優(yōu)化充電策略.

2 EV 充電識(shí)別模型

模式識(shí)別和數(shù)據(jù)分類(lèi)過(guò)程在各個(gè)領(lǐng)域一直都引起廣泛關(guān)注[11].在本文中,共享充電站下的EV 充電識(shí)別問(wèn)題是使用小樣本電流測(cè)量對(duì)M輛EV 充電配置進(jìn)行分類(lèi).這種識(shí)別EV 的方法不需要任何額外昂貴的安裝費(fèi)用.然而,由于在相同的電池容量范圍內(nèi),EV 充電電流幅值有明顯的相似性,這也帶來(lái)了一個(gè)很大的挑戰(zhàn).用于EV 識(shí)別方法分兩步,第1 步是提取和選擇交流充電電流原始樣本特征,旨在創(chuàng)建有區(qū)別的特性,幫助提供更有效的分類(lèi)；第2 步是對(duì)候選車(chē)輛充電曲線的電流幅值進(jìn)行分類(lèi)[12].Idiv是充電識(shí)別后的分類(lèi)電流幅值.

2.1 信號(hào)特征提取

識(shí)別過(guò)程為了避免共享充電站混淆不同車(chē)輛,需要算法足夠精確可靠,需要從原始的充電電流測(cè)量中提取有用的識(shí)別特征,以便在相同的電池容量范圍內(nèi)對(duì)不同的車(chē)輛分類(lèi)正確.基于輸入信號(hào)的不同物理性質(zhì),選用的信號(hào)特征也不同,在時(shí)域中常用的特征是一階統(tǒng)計(jì)量和高階統(tǒng)計(jì)量；在頻域中常用的特征包括小波系數(shù)、FFT 和功率譜密度.因此需要選擇一個(gè)包括豐富信息的特征空間,通過(guò)圖2所示的序列前向選擇法選擇最優(yōu)特征.

圖2 序列前向選擇特征

序列前向選擇法從空集開(kāi)始,每次選擇一個(gè)新的特征fi+加入特征子集Fsubset,k使特征函數(shù)J(Fsubset,k+fi)最優(yōu)化,得到的特征子集就是最佳分類(lèi)[13].針對(duì)智慧園區(qū)共享充電需求分析,需考慮盡可能多的充電特征,因此選取一組12 階的特征向量,見(jiàn)式(4)、式(5),其中包括原始樣本、Welch 功率譜密度估計(jì)、Thomson 功率譜密度估計(jì)、標(biāo)準(zhǔn)差、偏度、第6 個(gè)非中心矩以及用離散小波變換從測(cè)量樣本中提取的3 個(gè)不同分辨率信號(hào)的標(biāo)準(zhǔn)差,并選擇了最常用的哈爾特征.

其中,σrw是測(cè)量樣品的偏度；Rwdata為交流充電電流的原始樣品；PSDW和PSDT分別為Welch 功率譜密度估計(jì)和Thomson 功率譜密度估計(jì)；s為測(cè)量樣品的標(biāo)準(zhǔn)偏差；t6是第6 個(gè)非中心時(shí)刻；和分別是第i級(jí)標(biāo)準(zhǔn)差的小波分解近似系數(shù)和細(xì)節(jié)系數(shù).

2.2 用于EV 識(shí)別分類(lèi)方法

2.2.1 前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)是模式分類(lèi)任務(wù)中最常用的一類(lèi)神經(jīng)網(wǎng)絡(luò)[14].本文所使用的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為兩層前饋神經(jīng)網(wǎng)絡(luò),如圖3所示.

圖3 兩層前饋網(wǎng)絡(luò)拓?fù)鋱D

在隱藏層中,激活函數(shù)Zj和非線性激活函數(shù)σj分別由式(6)和式(7)定義.所使用的非線性激活函數(shù)為Sigmoid 函數(shù).

其中,wij和bj分別表示隱藏層的權(quán)值和偏差；xi是輸入特征；Lx是輸入層的神經(jīng)元數(shù)量.

在輸出層,激活函數(shù)Zk和非線性激活函數(shù)yk分別由式(8)和式(9)定義.所使用的非線性激活函數(shù)為Softmax 傳遞函數(shù).

其中,wik和bk分別表示輸出層的權(quán)值和偏差；Lh是隱含層的神經(jīng)元數(shù)量.

對(duì)于目標(biāo)矩陣,每一列表示為：

2.2.2 支持向量機(jī)

支持向量機(jī)(SVM)是一種在模式分類(lèi)和識(shí)別方面表現(xiàn)出良好性能的監(jiān)督分類(lèi)器[15,16].最優(yōu)的分離超平面將是邊界最大的超平面,定義為數(shù)據(jù)到?jīng)Q策面的最小距離(對(duì)應(yīng)于圖4中的超平面).準(zhǔn)確落在邊界上的訓(xùn)練數(shù)據(jù)稱(chēng)為支持向量,支持最大邊界超平面.

圖4 用ci 和cj 兩類(lèi)樣本訓(xùn)練支持向量機(jī)的最大超平面和邊界值示意圖

構(gòu)造nclass×(nclass?1)分類(lèi)器,其中nclass在類(lèi)的數(shù)量中與兩個(gè)不同類(lèi)的數(shù)據(jù)組成一個(gè)序列.鑒于ci和cj的訓(xùn)練數(shù)據(jù)(x1,y1),···,(xij,yij)已知,現(xiàn)將下面的二元分類(lèi)問(wèn)題轉(zhuǎn)化為凸二次優(yōu)化問(wèn)題.

其中,wcicj表示特征空間中最優(yōu)超平面的參數(shù)；xt是訓(xùn)練樣本；bcicj是偏差；是松弛變量；C是正則化參數(shù).考慮分類(lèi)cm,這種方法是每次一個(gè)分類(lèi)器指出x在cm類(lèi)中使用決策函數(shù) s gn((wcicm)Txt+bcicm)時(shí),cm類(lèi)的投票就增加一個(gè),x就是最終得票最多的那一類(lèi).

3 充電習(xí)慣統(tǒng)計(jì)模型

對(duì)于EMS 而言,任何一輛EV 充電所需電量主要受充電時(shí)EV 的SOC 和預(yù)計(jì)出發(fā)時(shí)間影響[17].為了預(yù)測(cè)電動(dòng)汽車(chē)充電能量需求,需建立充電電量和出發(fā)時(shí)間的統(tǒng)計(jì)模型,確定充電策略中充電優(yōu)先級(jí).該模型旨在建立一個(gè)基于充電習(xí)慣和與其他間接觀測(cè)變量相關(guān)的模型,從而為EV 充電調(diào)度框架提供一個(gè)有效的自動(dòng)管理.主要使用直方圖和核估計(jì)對(duì)觀測(cè)到的隨機(jī)變量行為進(jìn)行統(tǒng)計(jì)建模[18].

3.1 日充電需求直方圖

設(shè)Em(1)、Em(2),···,Em(N)為第m個(gè)EV 的日充電能量測(cè)量樣本,f(x)為對(duì)應(yīng)的概率密度函數(shù).為了建立直方圖,充電能量數(shù)據(jù)的范圍被劃分為B1,B2,···,BL,通常選擇相同的大小,但也可以改變大小.利用以下公式構(gòu)建直方圖：

其中,countl為數(shù)據(jù)Em(i)落入Bl的個(gè)數(shù),Bl∈B.

3.2 基于插入時(shí)間的充電需求直方圖

通過(guò)整合插入時(shí)間方式表述充電需求直方圖,利用三維直方圖分布對(duì)這種相關(guān)性進(jìn)行了建模.因此,插入時(shí)間bpa的直方圖分布定義為：

表示Emi在時(shí)間落入Bl的個(gè)數(shù).

3.3 日充電需求核密度估計(jì)

直方圖方法的主要優(yōu)點(diǎn)是易于構(gòu)造和理解,在統(tǒng)計(jì)分析中普遍存在.但缺點(diǎn)是隨著樣本量的增大,收斂速度相對(duì)較慢,密度估計(jì)存在不連續(xù),這與底層密度假定的平滑性相矛盾.通過(guò)估計(jì)核密度可以彌補(bǔ)這兩個(gè)缺點(diǎn).這些可以看作是滑動(dòng)直方圖的推廣,或者是經(jīng)驗(yàn)分布函數(shù)與光滑核函數(shù)的卷積.核密度估計(jì)可表示為：

其中,K是一個(gè)平滑函數(shù),稱(chēng)為核函數(shù),h＞0 是控制平滑量的平滑帶寬.Em(i)是日充電能量測(cè)量數(shù)據(jù)的第i個(gè)樣本.N是測(cè)量數(shù)據(jù)的個(gè)數(shù).高斯核函數(shù)表達(dá)式如下：

3.4 EV 模型更新

統(tǒng)計(jì)建模需要考慮不同充電習(xí)慣的隨機(jī)性.對(duì)于每個(gè)單獨(dú)的EV,有必要使用新的測(cè)量方法定期更新統(tǒng)計(jì)模型,以捕獲在能源需求、充電位置和連接時(shí)間方面的不同趨勢(shì).EMS 首先將不同的消費(fèi)配置文件存儲(chǔ)在數(shù)據(jù)庫(kù)中,再使用所提出的識(shí)別方法在線更新每個(gè)消費(fèi)分布的新測(cè)量信息,并創(chuàng)建圖5所示的動(dòng)態(tài)統(tǒng)計(jì)模型.

圖5 EV 模型更新

4 算例分析

4.1 數(shù)據(jù)收集

本實(shí)驗(yàn)數(shù)據(jù)采集頻率為1200 Hz,并且每秒鐘采集一次電網(wǎng)側(cè)的充電電流幅值.通過(guò)5 輛電動(dòng)汽車(chē)共享場(chǎng)景對(duì)識(shí)別算法進(jìn)行測(cè)試.這5 輛車(chē)的詳細(xì)情況如表1所示.

表1 5 輛電動(dòng)汽車(chē)的相關(guān)特性

4.2 EV 識(shí)別模型

EV 識(shí)別部分使用數(shù)據(jù)庫(kù)已經(jīng)分成兩組,如表2所示.第1 個(gè)數(shù)據(jù)庫(kù)包含83 個(gè)充電數(shù)據(jù)(2019年8月5日～25日),第2 個(gè)數(shù)據(jù)庫(kù)包含49 個(gè)充電數(shù)據(jù)(2019年9月6日～20日).對(duì)于所有提出的結(jié)果,EV 識(shí)別是通過(guò)車(chē)輛接入后使用300 個(gè)測(cè)量窗口來(lái)呈現(xiàn).

表2 識(shí)別過(guò)程中每個(gè)EV 的充電數(shù)據(jù)的數(shù)量

4.2.1 基于前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)器的EV 識(shí)別

模型構(gòu)建和在線性能測(cè)試采用獨(dú)立數(shù)據(jù).對(duì)于模型的構(gòu)建(訓(xùn)練70%、驗(yàn)證15%、測(cè)試15%),使用表2中的數(shù)據(jù)庫(kù)1.然后在線測(cè)試建立在數(shù)據(jù)庫(kù)2 中收集的新數(shù)據(jù)上的模型的性能.用Matlab 神經(jīng)網(wǎng)絡(luò)模式識(shí)別進(jìn)行分類(lèi).

在輸入層,從測(cè)量樣本中提取的12 個(gè)特征,如表3所示.識(shí)別過(guò)程通過(guò)300 個(gè)測(cè)窗口進(jìn)行,故F1 的維度為300,通過(guò)計(jì)算確定Welch 功率譜密度估計(jì)、Thomson功率譜密度估計(jì)的FFT 長(zhǎng)度為2 的7 次冪及2 的8 次冪,其特征空間維度分別為129 與257,其余特征空間維度均為1.輸入層的神經(jīng)元最終數(shù)量即所有特征空間維度之和為695.通過(guò)改變隱藏層神經(jīng)元的數(shù)目進(jìn)行了多次模擬,最后選擇了包含10 個(gè)神經(jīng)元的隱層.分類(lèi)結(jié)果如圖6所示.雖然不同車(chē)輛的充電電流幅值非常相似,但該方法在5 種電動(dòng)汽車(chē)的分類(lèi)方面表現(xiàn)出了非常令人滿意的性能,在驗(yàn)證和測(cè)試階段全部識(shí)別.離線構(gòu)建后,對(duì)數(shù)據(jù)庫(kù)2 中49 個(gè)新的充電電流測(cè)量值進(jìn)行了在線測(cè)試,如圖7所示.因?yàn)樵撃Ｐ统晒Φ刈R(shí)別了5 種EV,準(zhǔn)確率達(dá)96%.在充電的49 次測(cè)量中,對(duì)兩輛車(chē)的識(shí)別只出現(xiàn)了兩次混淆.此外,增加訓(xùn)練數(shù)據(jù)庫(kù)的大小可以改進(jìn)識(shí)別過(guò)程.本次驗(yàn)證研究中用于識(shí)別的EV 類(lèi)數(shù)量為5 個(gè).這個(gè)數(shù)可少可多,取決于小區(qū)內(nèi)的EV 用戶數(shù)量.

表3 前饋神經(jīng)網(wǎng)絡(luò)輸入層中使用的特征值

圖6 數(shù)據(jù)庫(kù)1 前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果

圖7 基于數(shù)據(jù)庫(kù)2 模型的在線驗(yàn)證性能分類(lèi)結(jié)果

4.2.2 特征選擇和模型敏感性研究

特征選擇就是從提取的特征中挑選出最有用的子集特征.將序列前向選擇方法應(yīng)用于695 個(gè)特征的初始特征空間,以選擇最合適的子集特征,再將得到的子集特征與使用所有特征空間得到的子集特征的識(shí)別模型進(jìn)行性能比較.此外,還使用了不同大小的數(shù)據(jù)庫(kù)進(jìn)行特性選擇.所選的子集特征維數(shù)為3 和10.在對(duì)幾個(gè)核函數(shù)進(jìn)行仿真評(píng)估后,選擇一個(gè)線性核函數(shù)作為支持向量機(jī)分類(lèi)器.研究4 種場(chǎng)景(即25%、50%、75%和100%)的數(shù)據(jù)來(lái)選擇不同的子集特征,使用相同比例的數(shù)據(jù)庫(kù)1 用于訓(xùn)練,數(shù)據(jù)庫(kù)2 用于測(cè)試階段,用獲得的子集特征測(cè)試EV 識(shí)別模型泛化能力.

利用式(5)中局部最優(yōu)特征得到的序列前向選擇結(jié)果和精度如表4所示.從不同的場(chǎng)景中得到的結(jié)果表明,在原始信號(hào)和用Welch 和Thomson 方法估計(jì)的功率譜密度中,信息豐富的特征更加集中.敏感性研究還強(qiáng)調(diào)了數(shù)據(jù)庫(kù)大小對(duì)選擇子集特性的重要性,以及數(shù)據(jù)庫(kù)中包含的數(shù)據(jù)質(zhì)量.隨著更多的數(shù)據(jù)被用來(lái)選擇特征,序列前向選擇算法更好地收斂到全局最優(yōu)特征.不同規(guī)模數(shù)據(jù)庫(kù)4 種場(chǎng)景中利用所有特征空間的性能幾乎相同,如圖8所示.

表4 不同數(shù)據(jù)庫(kù)SVM 分類(lèi)器子集特征選擇結(jié)果

圖8 不同數(shù)據(jù)庫(kù)規(guī)模的EV 識(shí)別模型的泛化能力與支持向量機(jī)分類(lèi)器的最優(yōu)特征比較

4.2.3 支持向量機(jī)和前饋神經(jīng)網(wǎng)絡(luò)性能比較

使用相同的輸入特征和數(shù)據(jù)庫(kù),將SVM 分類(lèi)器的性能與前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行了比較,所利用的特征是全局最優(yōu)特征.隨機(jī)生成的數(shù)據(jù)庫(kù)1 的75%為訓(xùn)練數(shù)據(jù)庫(kù),而數(shù)據(jù)庫(kù)2 用于測(cè)試階段.SVM 分類(lèi)器采用線性核函數(shù),前饋神經(jīng)網(wǎng)絡(luò)采用13 神經(jīng)元隱層,對(duì)比結(jié)果如圖9所示.

圖9 使用最優(yōu)特征的SVM 分類(lèi)器性能與前饋神經(jīng)網(wǎng)絡(luò)分類(lèi)器的比較

SVM 和前饋神經(jīng)網(wǎng)絡(luò)的性能非常接近,所以這兩種方法都適合于EV 識(shí)別的實(shí)際實(shí)現(xiàn).然而,因?yàn)樵诰€應(yīng)用是本文的主要目標(biāo),所以與前饋神經(jīng)網(wǎng)絡(luò)相比,SVM 是一種計(jì)算開(kāi)銷(xiāo)較大的方法.SVM 由多個(gè)分類(lèi)器組成,考慮分類(lèi)器的數(shù)量就增加了計(jì)算時(shí)間.而前饋神經(jīng)網(wǎng)絡(luò)可以只用一個(gè)分類(lèi)器實(shí)現(xiàn).

4.3 EV 充電需求統(tǒng)計(jì)建模

4.3.1 EV日充電需求直方圖

直方圖是通過(guò)將能量軸劃分為多個(gè)區(qū)間B={[0,5],[5,10],[15,20],···,[60,65]}來(lái)構(gòu)建的.

由圖10可以看出五種電動(dòng)汽車(chē)的充電習(xí)慣非常不同.EV2、EV3、EV4 的分布較窄,帶寬較低.因此,他們的能量需求更容易預(yù)測(cè).相比之下,EV1 和EV5的消耗分布較為均勻,具有一定的非平穩(wěn)特性.在這種情況下,充電能量與其他變量如充電時(shí)間、天氣的相關(guān)性研究可以幫助預(yù)測(cè)充電需求.EV1 統(tǒng)計(jì)模型的演變?nèi)鐖D11所示.如果某一天EV 沒(méi)有在小區(qū)充電站充電,也可以通過(guò)識(shí)別模型捕捉到這一點(diǎn).

圖10 5 個(gè)EV 歷史充電能量的直方圖和核平滑圖

4.3.2 根據(jù)插入時(shí)間和工作日充電需求直方圖

針對(duì)EV1,根據(jù)插入時(shí)間和星期幾構(gòu)建了充電能量需求的直方圖模型,結(jié)果如圖12和圖13所示.

從圖12可以看出,充電到EV 電池電量與EV1 的連接時(shí)間有關(guān).同樣,從圖13中可以看出,充電能量需求也與EV1 的星期幾有關(guān).因此,對(duì)于EV1,EMS 利用與日期中某些變量的相關(guān)性來(lái)預(yù)測(cè)充電所需的能量.而其他變量可以減少估計(jì)誤差,比如是否晴天,是否下雨或下雪等天氣數(shù)據(jù).

圖11 EV1 的在線統(tǒng)計(jì)建模

5 總結(jié)

在當(dāng)前面向智慧園區(qū)電動(dòng)汽車(chē)充電模式和充電策略研究基礎(chǔ)上,本文針對(duì)用戶自主充電需求管理提出了一種適用于智慧園區(qū)有序共享充電需求分析模型.通過(guò)對(duì)電網(wǎng)側(cè)充電電流測(cè)量,實(shí)現(xiàn)了對(duì)單個(gè)充電電動(dòng)汽車(chē)充電習(xí)慣的在線識(shí)別和統(tǒng)計(jì)建模.由于識(shí)別EV所需的充電電流樣本更少,首先分析了小區(qū)能量管理系統(tǒng)協(xié)助管理共享充電站充電調(diào)度任務(wù)；然后通過(guò)人工神經(jīng)網(wǎng)絡(luò)監(jiān)督分類(lèi),建立識(shí)別模型在線識(shí)別EV,針對(duì)EV 充電習(xí)慣建立統(tǒng)計(jì)模型,預(yù)測(cè)其充電能量需求,其中充電習(xí)慣包括電池充電狀態(tài)、電動(dòng)汽車(chē)插入時(shí)間以及是否是工作日；最后,根據(jù)采集實(shí)測(cè)數(shù)據(jù)驗(yàn)證了所提出建模方法的有效性,為將來(lái)新興住宅小區(qū)規(guī)模化電動(dòng)汽車(chē)有序共享充電提供幫助.

圖12 EV1 插入時(shí)間與充電能量直方圖

圖13 EV1 充電能量的直方圖和核平滑圖