一种基于概率转移矩阵的电动汽车分层式充电策略方法技术

本发明专利技术涉及新能源电动汽车领域，提供一种基于概率转移矩阵的电动汽车分层式充电策略方法，包括：主控制中心建立基于神经网络的电动汽车充电负荷预测模型，并以电网侧负荷峰谷差最小为目标函数，对负荷曲线进行优化并向次级控制中心下达指令；次级控制中心通过计算概率转移矩阵制订充电计划并广播至区域内受控电动汽车群；电动汽车根据概率转移矩阵与本地约束更新充电计划。本发明专利技术基于电动汽车历史充电负荷数据建立的神经网络负荷预测模型，能够准确的预测次日电动汽车充电负荷曲线，基于概率转移矩阵的电动汽车充电策略能够有效的优化次日电动汽车充电计划，本发明专利技术为分层与分布式相结合的有序充电控制策略，能有效的达到削峰填谷的目标。峰填谷的目标。峰填谷的目标。

【技术实现步骤摘要】
一种基于概率转移矩阵的电动汽车分层式充电策略方法


[0001]本专利技术涉及新能源电动汽车
，具体而言，涉及一种基于概率转移矩阵的电动汽车分层式充电策略方法。

技术介绍

[0002]电动汽车的大规模发展，给交通系统带来了巨大变革，同时也给电力系统乃至整个能源系统产生了深远的影响。首先，电动汽车大规模、无序地接入电网充电将对电力系统的运行和规划带来严峻的挑战，主要包括负荷的增长和电能质量的影响，电网运行优化控制难度增加，对配电网规划与运行提出了新的要求。同时电动汽车大规模接入电网也给未来电网乃至能源互联网的发展带来重要机遇，通过先进的有序充电调控，降低充电负荷的影响，提升电网的运行效率，实现规模化电动汽车和智能电网的深度融合与互动，促进以电动汽车为支柱之一的能源互联网的快速发展，已成为当前重点的发展趋向。
[0003]目前电动汽车与电网的互动策略可分为集中式控制、分布式控制、分层式控制三种。集中式控制是指在一个控制中心汇总各电动汽车的信息，由控制中心集中决策各电动汽车的充电计划，并下达给各电动汽车控制方法，其优点在于控制思路较为简单，控制策略容易实现；缺点在于信息的优化和存储都在控制中心进行，当电动汽车大规模接入电网时会给控制中心带来较大的计算负担。分布式控制的电动汽车充电计划在本地完成电动汽车充电计划的决策，各电动汽车根据调控信号制订充电计划，控制中心根据电动汽车反馈的充放电计划修正控制信号，引导电动汽车实现预定的控制目标，分布式控制适用于解决大规模、分散的电动汽车的优化控制问题，将计算量分散至各电动汽车以减轻控制中心的计算负担，减少计算时间。但是分布式控制存在电动汽车大规模接入电网时造成负荷峰谷差过大，从而极大地影响电能质量的问题。

技术实现思路

[0004]鉴于此，本专利技术的目的在于提供一种基于概率转移矩阵的电动汽车分层式充电策略，主要解决电动汽车大规模接入电网时造成负荷峰谷差过大，从而极大地影响电能质量的问题。
[0005]分层式控制将大规模的电动汽车分解为多个受控电动汽车群体，各受控电动汽车群体交由控制中心进行控制，实现其有序充电，顶层控制则关注多个受控电动汽车群体之间的协调配合，通过分层控制将大规模电动汽车的互动控制问题转化为小群体的互动问题降低优化问题的规模和求解难度。
[0006]本专利技术提供一种基于物联网的工业生产安全感知模型的电动汽车分布式充电策略方法，包括如下步骤：
[0007]S1、结合区域内电动汽车历史充电负荷数据建立基于LSTM神经网络的电动汽车充电负荷预测模型；
[0008]所述电动汽车充电负荷预测模型通过LSTM神经网络的逻辑门：输入门f
t
、输出门
o
t
、遗忘门f
t
控制数据信息的丢弃或者增加；
[0009]所述逻辑门：输入门f
t
、输出门o
t
、遗忘门f
t
的功能分别由各自的sigmoid函数和点乘操作组成；
[0010]所述输入门i
t
用于控制数据信息输入的多少；输入门i
t
和一个tanh函数配合，所述tanh函数产生新的候选向量输入门i
t
为中的每一项产生一个在[0,1]内的值，控制数据信息被加入的多少，更新后的记忆单元的单元状态为：
[0011][0012]式(1)中，σ为输入门sigmoid函数，W
i
和W
c
为输入门权重系数，b
i
和b
c
为输入门偏差，C
t
为更新后的记忆单元状态；
[0013]遗忘门f
t
是以上一单元的输出h
t
‑1和本单元的输入x
t
为输入的sigmoid函数，用于控制历史状态t
‑
1的数据信息允许多少流入到t时刻，输出表示为：
[0014]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀ
(2)
[0015]式(2)中，σ为遗忘门sigmoid函数，W
f
为遗忘门权重系数，x
t
为区域内天气信息、放假情况以及出行目的因素的输入特征；h
t
‑1为上一单元的输出，b
f
为遗忘门偏差；
[0016]所述输出门o
t
用于控制t时刻状态信息的过滤，为t时刻状态信息其中的每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度；输出门o
t
表达式为：
[0017][0018]式(3)中，σ为输出门sigmoid函数，W
o
为输出门权重系数，b
o
为输出门偏差，h
t
为LSTM神经网络的输出，即区域内次日电动汽车充电负荷的预测结果，完成基于LSTM神经网络的电动汽车充电负荷预测模型；
[0019]S2、主控制中心对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线H
t
，并下达给各个次级控制中心；
[0020]S3、各个所述次级控制中心根据主控制中心下达的所述充电功率指导曲线H
t
计算概率转移矩阵并广播至受控电动汽车群；
[0021]所述充电功率指导曲线的下达方法包括：次级控制中心跟随充电功率指导曲线的目标函数为：
[0022][0023]式(4)中，T为时间序列{1,2,3,...,T}；P
i,t
为t时刻第i个次级控制中心的电动汽车充电负荷，H
i,t
为主控制中心给出的要求跟随的充电功率指导曲线H
t
的t时刻的分量；通过所述目标函数以使电动汽车总充电负荷曲线与充电功率指导曲线的欧氏距离最小；
[0024]所述概率转移矩阵的计算方法包括：计算概率转移矩阵M：
[0025][0026]式(5)中，概率转移矩阵M的第i行第j列元素m
i,j
代表由状态j转移至状态i的概率，物理意义代表一辆电动汽车在j时刻的充电负荷转移至i时刻的概率；定义峰时段为当前负荷大于充电指导负荷的时段，即P
i,t
≥H
i,t
的时段；定义谷时段为当前负荷小于充电指导负荷的时段，即P
i,t
≤H
i,t
的时段，定义充电负荷转移时段和负荷不转移时段，待转移时段为电动汽车充电负荷大于充电指导负荷曲线的时段，不转移时段为电动汽车充电负荷小于充电指导负荷曲线的时段，计算各时段的负荷富裕值Q
t
，如下式所示：
[0027][0028]对于峰时段j，P
i,t
≥H
i,t
，如下式所示：
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率转移矩阵的电动汽车分层式充电策略方法，其特征在于，包括以下步骤：S1、结合区域内电动汽车历史充电负荷数据建立基于LSTM神经网络的电动汽车充电负荷预测模型；所述电动汽车充电负荷预测模型通过LSTM神经网络的逻辑门：输入门i
t
、输出门o
t
、遗忘门f
t
控制数据信息的丢弃或者增加；所述逻辑门：输入门i
t
、输出门o
t
、遗忘门f
t
的功能分别由各自的sigmoid函数和点乘操作组成；所述输入门i
t
用于控制数据信息输入的多少；输入门i
t
和一个tanh函数配合，所述tanh函数产生新的候选向量输入门i
t
为中的每一项产生一个在[0,1]内的值，控制数据信息被加入的多少，更新后的记忆单元的单元状态为：式(1)中，σ为输入门sigmoid函数，W
i
和W
c
为输入门权重系数，b
i
和b
c
为输入门偏差，C
t
为更新后的记忆单元状态；遗忘门f
t
是以上一单元的输出h
t
‑1和本单元的输入x
t
为输入的sigmoid函数，用于控制历史状态t
‑
1的数据信息允许多少流入到t时刻，输出表示为：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀ
(2)式(2)中，σ为遗忘门sigmoid函数，W
f
为遗忘门权重系数，x
t
为区域内天气信息、放假情况以及出行目的因素的输入特征；h
t
‑1为上一单元的输出，b
f
为遗忘门偏差；所述输出门o
t
用于控制t时刻状态信息的过滤，为t时刻状态信息其中的每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度；输出门o
t
表达式为：式(3)中，σ为输出门sigmoid函数，W
o
为输出门权重系数，b
o
为输出门偏差，h
t
为LSTM神经网络的输出，即区域内次日电动汽车充电负荷的预测结果，完成基于LSTM神经网络的电动汽车充电负荷预测模型；S2、主控制中心对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线H
t
，并下达给各个次级控制中心；S3、各个所述次级控制中心根据主控制中心下达的所述充电功率指导曲线H
t
计算概率转移矩阵并广播至受控电动汽车群；所述充电功率指导曲线的下达方法包括：次级控制中心跟随充电功率指导曲线的目标函数为：
式(4)中，T为时间序列{1,2,3,...,T}；P
i,t
为t时刻第i个次级控制中心的电动汽车充电负荷，H
i,t
为主控制中心给出的要求跟随的充电功率指导曲线H
t
的t时刻的分量；通过所述目标函数以使电动汽车总充电负荷曲线与充电功率指导曲线的欧氏距离最小；所述概率转移矩阵的计算方法包括：计算概率转移矩阵M：式(5)中，概率转移矩阵M的第i行第j列元素m
i,j
代表由状态j转移至状态i的概率，物理意义代表一辆电动汽车在j时刻的充电负荷转移至i时刻的概率；定义峰时段为当前负荷大于充电指导负荷的时段，即P
i,t
≥H
i,t
的时段；定义谷时段为当前负荷小于充电指导负荷的时段，即P
i,t
≤H
i,t
的时段，定义充电负荷转移时段和负荷不转移时段，待转移时段为电动汽车充电负荷大于充电指导负荷曲线的时段，不转移时段为电动汽车充电负荷小于充电指导负荷曲线的时段，计算各时段的负荷富裕值Q
t
，如下式所示：对于峰时段j，P
i,t
≥H
i,t
，如下式所示：式(7)中，i≠j且i∈T。对...

【专利技术属性】
技术研发人员：马苗苗，刘立成，董利鹏，崔婧，李钰梅，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：