【技术实现步骤摘要】
一种基于时序模式关联的电动车充电负荷动态建模方法
[0001]本专利技术涉及电动车充电负荷建模的
,尤其涉及一种基于时序模式关联的电动车充电负荷动态建模方法。
技术介绍
[0002]近年来,电动车行业的蓬勃发展为推动双碳目标的实现注入了新的活力。但另一方面,电动车充电负荷需求的激增给电网稳定运行带来了巨大的挑战。对电动车充电负荷的有效建模与管理有助于通过需求响应参与电网控制,提高电网稳定性的同时充分发挥电动车的经济性与环保效益。但目前仍缺少有效的电动车负荷动态建模方法,无法准确描述电动车充电的时序模式以及与外界环境因素的关联,难以为电网的日前、日内调度提供依据。现有电动车充电负荷建模研究主要存在以下三个难题:
[0003]1、研究集中于电动车充电负荷预测,仅能实现对负荷进行外推型回归,暂未建模负荷本质的时序特性以及归纳典型的时序模式。
[0004]2、现有方法仅通过人工分析电动车充电负荷与温度、天气、节假日等外部信息的关联,工作量大,且难以挖掘隐含关联关系与建立不同外界条件下的电动车充电负荷模型。
[0005]3、缺少根据新采集的电动车充电负荷进行滚动建模的能力,未能持续适应负荷时序模式的变化。
技术实现思路
[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
[0 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于时序模式关联的电动车充电负荷动态建模方法,其特征在于,包括:通过智能边缘终端采集高频电动车的充电负荷数据,作为历史建模时段,并对所述充电负荷数据进行预处理;采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合;将各所述时序表示向量归一化并进行DBSCAN聚类;分别对各聚类簇和在聚类簇外的离群向量进行编号和单独记录;离散化所述历史建模时段中的外部环境信息,并采用Aprioi算法提取各维度外部信息与聚类簇编号的关联关系;在实时运行的滚动建模时段中,将新输入数据处理得到新的时序表示向量,并与原有样本的时序表示向量进行DBSCAN聚类。2.如权利要求1所述的一种基于时序模式关联的电动车充电负荷动态建模方法,其特征在于:采集智能边缘终端采集高频电动车充电负荷数据,作为历史建模时段,并对数据进行预处理包括,所述智能边缘终端为具备高频电气量采集、储存、上传功能的低压配电网测量设备;所述高频电动车充电负荷数据为在电动车充电桩取电端采集的交流侧有功功率的时序数据;所述预处理包括数据切片与异常值检测。3.如权利要求1所述的一种基于时序模式关联的电动车充电负荷动态建模方法,其特征在于:采用ARMA算法拟合得到的各片段数据,获得时序表示向量并形成集合包括,通过所述ARMA算法将单条电动车充电负荷有功片段数据表示为下式:其中,x
i
‑
j
为单条片段数据中的第i
‑
j个有功功率采样点,为在单条片段数据中第i个有功功率采样点处的ARMA算法拟合值,p为AR自回归阶数,q为MA滑动平均阶数,ε
i
与ε
i
‑
k
分别为单条片段数据中的第i个与第i
‑
k个有功功率采样点与ARMA算法拟合值的残差,z
j
与z
p+k
为第j个与第p+k个时序模型权重,采用梯度下降法求取z
j
与z
p+k
;其中,损失函数loss如下式所示:其中,n
total
为历史建模时段的总采样点数,w为单条片段数据的采样点数,z为p+q个模型权重的集合,x
m
‑
j
为单条片段数据中的第m
‑
j个有功功率采样点,x
m
为单条片段数据中的第m个有功功率采样点,ε
m
为单条片段数据中的第m个有功功率采样点与ARMA算法拟合值的残差,ε
m
‑
k
为单条片段数据中的第m
‑
k个有功功率采样点与ARMA算法拟合值的残差;所述时序表示向量为由p+q个时序模型权重依次排列组成的p+q维向量。4.如权利要求1所述的一种基于时序模式关联的电动车充电负荷动态建模方法,其特征在于:将各所述时序表示向量归一化并进行DBSCAN聚类包括,所述归一化为将n
total
/w条片段数据的时序表示向量分别减去各条时序表示向量各维
度的均值,再除以各条时序表示向量各维度的标准差;所述DBSCAN聚类为统计各条时序表示向量范围为f
技术研发人员:谈竹奎,刘斌,唐赛秋,徐长宝,林呈辉,张秋雁,欧家祥,徐玉韬,古庭赟,李博文,许乐,
申请(专利权)人:贵州电网有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。