一种基于边缘控制的规模化车网互动负荷调控方法技术

本发明专利技术涉及一种基于边缘控制的规模化车网互动负荷调控方法，通过构建影响因素序列，提取与待预测时段影响序列具有高相关性的数据集，并不断更新历史数据库与LSTM模型，实现了在大规模电动汽车接入下的各时段快速精准负荷预测；同时基于车

【技术实现步骤摘要】
一种基于边缘控制的规模化车网互动负荷调控方法


[0001]本专利技术属于负荷调控
，尤其是一种基于边缘控制的规模化车网互动负荷调控方法。

技术介绍

[0002]近年来，随着智能网联汽车产业迅猛发展与智慧车联网平台高速建设，规模化的新能源汽车集群逐渐成为积极参与电网调控与城市能源交易的双向“充电宝”，规模化车网互动系统正处于关键技术攻坚阶段，并取得了一定的研究成果。海量充放电数据涌入与多元充电服务业务需求使得传统城市配电网集中调度控制的能量管理模式难以适用于规模化车网互动发展。因此，基于边缘计算技术的边缘控制器（智能融合终端）应运而生，其利用先进高效的通信与数据传输技术将终端设备层、控制管理层、车联网平台层互联互通，成为规模化车网互动的关键装备。然而要实现充电负荷预测、调度信息、台区实时负荷状态、充电桩及用户信息等数据的高效集成和部分就地处理，提升平台层对规模化充电设施、台区负荷的综合管控能力，同样需要基于边缘计算技术的分布式负荷调控方法有力支撑，使边缘控制器具备低成本、高可靠、快运算的规模化应用潜力。其中面向规模化车网互动的适用于边缘控制器的负荷精准预测与调控方法尤为关键。边缘控制器可充分利用车
‑
桩互动数据，对各时段区域充电负荷进行精准预测，并上传至配电网主站，可有效辅助配电网实时调度。根据台区变压器供给功率与实时新能源车放电功率，进行多主体边缘侧负荷调控，可提升电能质量，降低网络损耗。因此，研究面向规模化车网互动的边缘侧负荷调控策略，对提升新能源汽车综合管控水平、推动基于边缘控制器的车网互动模式建设具有重要意义。
[0003]传统的电力负荷预测方法，如时序分析法、回归分析法、负荷求导法等预测精度较低，难以考虑各种因素对预测结果的影响；而电动汽车充电及放电行为模拟法，需要考虑复杂的用户行为特征，对边缘控制器的计算成本提出了严峻的挑战，且模型参数随着充电区域变化需不断调整，难以规模化应用。数据驱动法依托于先进的人工智能算法，其通过分析充电终端的历史数据与影响因素序列即可预测下一时段负荷变化，具有高精确度与低计算开销的优势，适用于边缘控制器利用车
‑
桩
‑
网互动信息进行精确的区域负荷预测。
[0004]规模化新能源车无序充电，使得整体负荷的间歇性和随机性增大，进而导致配电网的峰谷差变大，网损变大，经济性变差，严重影响配电网安全稳定运行。当前已有较多研究集中于电动汽车与新能源发电相配合的配电网协同优化调控策略，但均采用配电主站集中调度的模式，控制策略无法细化至每一个桩端管理单元，使得负荷调控的调峰调频效果较差，无法有效引导电动汽车有序充电。而边缘控制器采用边缘计算技术，结合配电主站指令与台区变压器能量供给，利用先进的人工智能算法动态调整各充电站、桩潮流分布，最大化发挥规模化电动汽车的削峰填谷作用。因此，研究基于边缘控制的规模化车网互动负荷调控方法具有重要意义。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提出一种基于边缘控制的规模化车网互动负荷调控方法，能够适用于边缘控制器动态负荷控制，保障负荷预测精度，实现基于车网互动的峰谷调控。
[0006]本专利技术解决其技术问题是采取以下技术方案实现的：一种基于边缘控制的规模化车网互动负荷调控方法，包括以下步骤：步骤1、根据电动汽车用户行为特征与时空特性的影响因素，边缘控制器构建影响因素序列X，并将构建的影响因素序列X更新至数据库Z中；步骤2、在数据库Z中基于amd（|X
d
|，|X
i
|）即利用加权马氏距离计算待预测时段影响因素序列X
d
与时段i影响因素序列X
i
之间的关联程度，提取有效数据集Ze；步骤3、边缘控制器使用有效数据集Ze利用LSTM算法进行预测；步骤4、边缘控制器将区域负荷预测结果上传至配电网主站；步骤5、主站接收到预测结果后，将调度指令（各局部控制区域有功潮流调控量与无功潮流拟定分布）下发至各边缘控制器，各边缘控制器综合其对应的控制区域信息构建考虑车、桩和网关系的信息优化调度模型；步骤6、使用狼群算法对步骤5中构建的考虑车、桩和网关系的信息优化调度模型进行求解并输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元的有功与无功输出进行潮流控制，并将当前时段的实际时序功率数据划分至数据库Z中。
[0007]而且，所述步骤1的具体实现方法为：其中，X
i
为时段i的影响因素序列；p为影响因素维数，m为历史时段的个数，影响因素包括日类型、时段i相对于当日所处的时间区间、边缘控制器控制范围时段i的平均湿度、边缘控制器控制范围时段i的平均温度和边缘控制器控制范围时段i的平均车净流量；同时对影响因素序列X进行归一化处理，归一化前后的影响因素分量关系为：其中，和分别为归一化前后的影响因素分量；为的平均值；并利用车
‑
桩信息传输机制、边缘控制器的数据汇集模块、车联网平台的信息融合机制，在边缘控制器中构建区域时序功率数据库Z={X,P}={X
t
, P
*t
}，其中X
t
为t时段的影响因素序列，P*
t
为t时段的实时功率值，p为影响因素维数。
[0008]而且，所述步骤2的具体实现方法为：利用区域传感检测数据构建待预测时段的影响因素序列X
d
={X
d,1
,X
d,2
,X
d,3
,
…
, X
d,p
}，采用加权马氏距离衡量待预测时段与历史时段对应影响因素序列的相似程度：
其中，q∈p，为影响因素q的协方差，为用以区分各因素对负荷特性影响程度的附加权重矩阵，α
q
是影响因素q的权重值，由灰色关联分析法求得；为影响因素协方差广义逆矩阵，为影响因素协方差广义逆矩阵中的子元素，设置取值区间为[0.7,1.0]，选取与待预测时段的影响因素序列相似度大于相似度阈值的历史功率数据集Z
e
={X
e
,P
e
}作为有效数据集，分别为效数据集的影响因素序列和实时功率值。
[0009]而且，所述步骤3的具体实现方法为：LSTM算法参数隐层节点N、训练次数M、初始学习率，将有效数据集Z
e
={X
e
,P
e
}输入至LSTM模型进行训练，并通过输入待预测时段的影响因素序列，进行时段的负荷功率预测，将负荷预测功能下放至各边缘控制器分布式执行。
[0010]而且，所述步骤5中构建考虑车、桩和网关系的信息优化调度模型以网损最小与峰谷差最小为目标函数并设立约束条件。
[0011]而且，所述目标函数为：其中，V
i
、V
j
为节点i、j的电压；G
ij
为节点导纳矩阵中对应元素的实部；为配电系统节点i、j之间的相角差；为边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：包括以下步骤：步骤1、根据电动汽车用户行为特征与时空特性的影响因素，边缘控制器构建影响因素序列X，并将构建的影响因素序列X更新至数据库Z中；步骤2、在数据库Z中基于amd（|X
d
|，|X
i
|）即利用加权马氏距离计算待预测时段影响因素序列X
d
与时段i影响因素序列X
i
之间的关联程度，提取有效数据集Ze；步骤3、边缘控制器使用有效数据集Ze利用LSTM算法进行预测；步骤4、边缘控制器将区域负荷预测结果上传至配电网主站；步骤5、主站接收到预测结果后，将调度指令下发至各边缘控制器，各边缘控制器综合其对应的控制区域信息构建考虑车、桩和网关系的信息优化调度模型；步骤6、使用狼群算法对步骤5中构建的考虑车、桩和网关系的信息优化调度模型进行求解并输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元的有功与无功输出进行潮流控制，并将当前时段的实际时序功率数据划分至数据库Z中。2.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤1的具体实现方法为：其中，X
i
为时段i的影响因素序列；p为影响因素维数，m为历史时段的个数，影响因素包括日类型、时段i相对于当日所处的时间区间、边缘控制器控制范围时段i的平均湿度、边缘控制器控制范围时段i的平均温度和边缘控制器控制范围时段i的平均车净流量；同时对影响因素序列X进行归一化处理，归一化前后的影响因素分量关系为：其中，和分别为归一化前后的影响因素分量；为的平均值；并利用车
‑
桩信息传输机制、边缘控制器的数据汇集模块、车联网平台的信息融合机制，在边缘控制器中构建区域时序功率数据库Z={X,P}={X
t
, P
*t
}，其中X
t
为t时段的影响因素序列，P*
t
为t时段的实时功率值，p为影响因素维数。3.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤2的具体实现方法为：利用区域传感检测数据构建待预测时段的影响因素序列X
d
={X
d,1
,X
d,2
,X
d,3
,
…
, X
d,p
}，采用加权马氏距离衡量待预测时段与历史时段对应影响因素序列的相似程度：
其中，q∈p，为影响因素q的协方差，为用以区分各因素对负荷特性影响程度的附加权重矩阵，α
q
是影响因素q的权重值，由灰色关联分析法求得；为影响因素协方差广义逆矩阵，为影响因素协方差广义逆矩阵中的子元素，设置取值区间为[0.7,1.0]，选取与待预测时段的影响因素序列相似度大于相似度阈值的历史功率数据集Z
e
={X
e
,P
e
}作为有效数据集，分别为效数据集的影响因素序列和实时功率值。4.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤3的具体实现方法为：LSTM算法参数隐层节点N、训练次数M、初始学习率，将有效数据集Z
e
={X
e
,P
e
}输入至LSTM模型进行训练，并通过输入待预测时段的影响因素序列，进行时段的负荷功率预测，将负荷预测功能下放至各边缘控制器分布式执行。5.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤5中构建考虑车、桩和网关系的信息优化调度模型以网损最小与峰谷差最小为目标函数并设立约束条件。6.根据权利要求5所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述目标函数为：其中，V
i
、V
j
为节点i、j的电压；G...

【专利技术属性】
技术研发人员：席燕军，吉杨，王强，郭智利，孟凡杰，匙航，杨景禄，张旭泽，张卫欣，梁彬，
申请(专利权)人：国家电网有限公司国网天津市电力公司城南供电分公司，
类型：发明
国别省市：