基于CVaR的电动汽车集群充放电优化调度方法技术

本发明专利技术公开了基于CVaR的电动汽车集群充放电优化调度方法，包括以下步骤：步骤一，获取历史数据；步骤二，得到相似矩阵；步骤三，构造正则化拉普拉斯矩阵；步骤四，计算特征向量；步骤五，归类；步骤六，拟合成正态分布函数；步骤七，风险管理；其中在上述步骤一中，获取电动汽车充放电行为历史数据集；该调度方法，基于历史数据聚类后建立概率分布，使用采样技术进一步构建场景集，基于CVaR建立电动汽车充放电调度模型，为电动汽车聚合商经济调度提供决策依据，可以较为准确的描述电动汽车并离网时间和并网时电池电量的不确定性，模型既能够迅速响应分时电价，又能够保证调度的经济性，具有较好的实用性、学术性意义。学术性意义。学术性意义。

【技术实现步骤摘要】
基于CVaR的电动汽车集群充放电优化调度方法


[0001]本专利技术涉及电动汽车集群优化调度
，具体为基于CVaR的电动汽车集群充放电优化调度方法。

技术介绍

[0002]中国已成为全球电动汽车生产和销售大国，2022年新能源汽车产销分别达到705.8万辆和688.7万辆，市场份额为25.6％。预计到2025年，中国新能源汽车销量将超过1000万辆，保有量将超过3000万辆。一方面，电动汽车大量并网会增加电网压力，导致峰值负荷增加、线路节点电压下降等问题。另一方面，电动汽车可以被视为一种良好的储能资源，利用V2G(车联网)双向充电技术与电网进行良好的互动，可以减轻电网压力，优化电网运行，这对提高电力系统的稳定性、降低电网的峰谷差具有积极意义。由于没有土地征用成本和工程建设成本，电动汽车作为储能资源比独立的电化学储能更具价格优势。然而，电动汽车的驾驶特性是随机的，电动汽车本身的分散性使得电动汽车作为储能资源的调度变得非常困难。目前常见的电动汽车集群调度方法有鲁棒优化法，区间优化法，机会约束规划法，其中场景法结合CVaR的方法机理简单，求解方便，且能够反映不同置信度和风险偏好系数下，由于电动汽车的行驶行为的随机性带来的损失。

技术实现思路

[0003]本专利技术的目的在于提供基于CVaR的电动汽车集群充放电优化调度方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：基于CVaR的电动汽车集群充放电优化调度方法，包括以下步骤：步骤一，获取历史数据；步骤二，得到相似矩阵；步骤三，构造正则化拉普拉斯矩阵；步骤四，计算特征向量；步骤五，归类；步骤六，拟合成正态分布函数；步骤七，风险管理；
[0005]其中在上述步骤一中，获取电动汽车充放电行为历史数据集X，X＝{x1,x2,x3,
···
,x
n
}；
[0006]其中在上述步骤二中，使用全连接法并使用高斯核函数来定义边权重得到相似矩阵K，包括：计算数据点间的欧氏距离D
ij
，其中D
ij
表达式为：
[0007]D
ij
＝||x
i
‑
x
j
||
[0008]其中，x
i
为第i辆电动汽车的历史数据；x
j
为第j辆电动汽车的历史数据；再在数据点欧式距离D
ij
的基础上利用高斯核函数求解相似矩阵K中元素k
ij
；其中，k
ij
的表达式为：
[0009][0010]其中，exp为以自然常数e为底的指数函数，σ为带宽，控制径向作用范围，即控制高斯核函数的局部作用范围；
[0011]其中在上述步骤三中，相似矩阵K转化为拉普拉斯矩阵L，并进一步构造正则化拉
普拉斯矩阵L
sym
，包括：
[0012]由于相似矩阵K由全连接法得到，此时相似矩阵和邻接矩阵相同；根据定义此时拉普拉斯矩阵可表示为：
[0013]L＝D
‑
K
[0014]其中，顶点i的加权度d
i
为邻接矩阵第i行元素之和，d
i
表达式为：
[0015][0016]加权度矩阵D是一个对角矩阵，其主对角线元素为每个顶点的加权度，其他位置的元素为0，加权度矩阵主对角线元素d
ii
表达式为：
[0017][0018]进一步，正则化拉普拉斯矩阵表达式为：
[0019][0020]其中，为加权度矩阵的次；
[0021]其中在上述步骤四中，计算L
sym
的前k个最大特征值对应的特征向量，将其作为各列构造矩阵，将矩阵的行向量转化为单位向量，得到矩阵B，包括：
[0022]L
sym
ν
i
＝λ
i
ν
i
[0023]其中，ν
i
为特征值λ
i
对应的特征向量，λ
i
为前k个最大特征值之一；
[0024]A＝[λ1,λ2,λ3,
···
λ
k
][0025]其中，A为使用L
sym
特征向量构造的矩阵；
[0026][0027]其中，A1,A2,
···
A
k
为矩阵A的行向量；
[0028][0029]其中，|A1||A2|
···
|A
k
|为向量A1,A2,
···
A
k
的模；
[0030]其中在上述步骤五中，将矩阵的每一行视为一个样本，使用K
‑
means++算法将其划分为个k类簇，包括：
[0031]将矩阵的每一行视为一个样本，使用K
‑
means++算法将其划分为k个类簇，将具有
相似特征的电动汽车归为一类,分类步骤具体如下：
[0032]S1：从数据集中随机选取一个非噪声的样本点作为第一个初始聚类中心C
i
，接着计算每个样本与当前已有聚类中心之间的最短欧式距离，记作D(x
i
)；
[0033][0034]S2：计算每个样本被选为下一个聚类中心的概率P(X
i
)，最后选择最大概率值所对应的样本点作为下一个簇中心；
[0035][0036]S3：重复步骤S2，直到选择出K个聚类中心；
[0037]S4：根据各个样本到各聚类中心的距离把样本分到各类；重新计算每个类的中心(即类中所有点的平均值，即几何中心)，再次将各样本根据与聚类中心的距离归类；
[0038]S5：重复S4，直到平方误差准则函数稳定在最小值：
[0039][0040]其中，k为要聚类的簇数，n
j
为第j簇中样本的个数，m
j
为第n
j
簇中样本的中心；
[0041]其中在上述步骤六中，使用类簇的数据点拟合成正态分布函数，根据正态分布函数的概率密度函数使用蒙特卡洛随机法构造场景集，使用场景集来描述电动汽车并离网时间和并网时电池电量的不确定性，包括：
[0042]由于一辆电动汽车的容量很小，并且同时考虑所有电动汽车调度起来复杂繁琐，所以在调度时才用集群调度的方式，根据聚类结果将具有相似特征的电动汽车归为一类，将每一类簇电动汽车视为一个集群；
[0043]使用如下形式的概率密度函数对电动汽车集群i电动汽车离并网时间进行拟合：
[0044][0045][0046]其中，使用如下形式的概率密度函数对电动汽车集群i电动汽车行程数进行拟合：
[0047][0048]其中，μ
l
为行程数的期望值；σ
l
为电动汽车行程数的标准差；基于拟合的正态分布<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CVaR的电动汽车集群充放电优化调度方法，包括以下步骤：步骤一，获取历史数据；步骤二，得到相似矩阵；步骤三，构造正则化拉普拉斯矩阵；步骤四，计算特征向量；步骤五，归类；步骤六，拟合成正态分布函数；步骤七，风险管理；其特征在于：其中在上述步骤一中，获取电动汽车充放电行为历史数据集X，X＝{x1,x2,x3,
···
,x
n
}；其中在上述步骤二中，使用全连接法并使用高斯核函数来定义边权重得到相似矩阵K，包括：计算数据点间的欧氏距离D
ij
，其中D
ij
表达式为：D
ij
＝||x
i
‑
x
j
||其中，x
i
为第i辆电动汽车的历史数据；x
j
为第j辆电动汽车的历史数据；再在数据点欧式距离D
ij
的基础上利用高斯核函数求解相似矩阵K中元素k
ij
；其中，k
ij
的表达式为：其中，exp为以自然常数e为底的指数函数，σ为带宽，控制径向作用范围，即控制高斯核函数的局部作用范围；其中在上述步骤三中，相似矩阵K转化为拉普拉斯矩阵L，并进一步构造正则化拉普拉斯矩阵L
sym
，包括：由于相似矩阵K由全连接法得到，此时相似矩阵和邻接矩阵相同；根据定义此时拉普拉斯矩阵可表示为：L＝D
‑
K其中，顶点i的加权度d
i
为邻接矩阵第i行元素之和，d
i
表达式为：加权度矩阵D是一个对角矩阵，其主对角线元素为每个顶点的加权度，其他位置的元素为0，加权度矩阵主对角线元素d
ii
表达式为：进一步，正则化拉普拉斯矩阵表达式为：其中，为加权度矩阵的次；其中在上述步骤四中，计算L
sym
的前k个最大特征值对应的特征向量，将其作为各列构造矩阵，将矩阵的行向量转化为单位向量，得到矩阵B，包括：L
sym
ν
i
＝λ
i
ν
i
其中，ν
i
为特征值λ
i
对应的特征向量，λ
i
为前k个最大特征值之一；A＝[λ1,λ2,λ3,
···
λ
k
]其中，A为使用L
sym
特征向量构造的矩阵；
其中，A1,A2,
···
A
k
为矩阵A的行向量；其中，|A1||A2|
···
|A
k
|为向量A1,A2,
···
A
k
的模；其中在上述步骤五中，将矩阵的每一行视为一个样本，使用K
‑
means++算法将其划分为个k类簇，包括：将矩阵的每一行视为一个样本，使用K
‑
means++算法将其划分为k个类簇，将具有相似特征的电动汽车归为一类,分类步骤具体如下：S1：从数据集中随机选取一个非噪声的样本点作为第一个初始聚类中心C
i
，接着计算每个样本与当前已有聚类中心之间的最短欧式距离，记作D(x
i
)；S2：计算每个样本被选为下一个聚类中心的概率P(X
i
)，最后选择最大概率值所对应的样本点作为下一个簇中心；S3：重复步骤S2，直到选择出K个聚类中心；S4：根据各个样本到各聚类中心的距离把样本分到各类；重新计算每个类的中心(即类中所有点的平均值，即几何中心)，再次将各样本根据与聚类中心的距离归类；S5：重复S4，直到平方误差准则函数稳定在最小值：其中，k为要聚类的簇数，n
j
为第j簇中样本的个数，m
j
为第n
j
簇中样本的中心；其中在上述步骤六中，使用类簇的数据点拟合成正态分布函数，根据正态分布函数的概率密度函数使用蒙特卡洛随机法构造场景集，使用场景集来描述电动汽车并离网时间和并网时电池电量的不确定性，包括：由于一辆电动汽车的容量很小，并且同时考虑所有电动汽车调度起来复杂繁琐，所以
在调度时才用集群调度的方式，根据聚类结果将具有相似特征的电动汽车归为一类，将...

【专利技术属性】
技术研发人员：黄蔚亮，蔡莹，陈皓勇，王宇绅，李东旭，汤君博，黄宇翔，廉俊豪，许星原，朱彦瑾，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：