基于负荷评估的细分时段有序充电策略优化方法及装置制造方法及图纸

本发明专利技术公开了一种基于负荷评估的细分时段有序充电策略优化方法及装置，获取目标居民区电动汽车保有量数据

【技术实现步骤摘要】
基于负荷评估的细分时段有序充电策略优化方法及装置


[0001]本专利技术涉及一种基于负荷评估的细分时段有序充电策略优化方法及装置，属于电动汽车充电

。

技术介绍

[0002]随着全球电动汽车规模的激增，大量电动汽车接入电网，带来大功率电力负荷的电动汽车充电行为的固有随机性，将影响配电系统的负荷特性和经济运行，尤其是电动汽车渗透率较高的城市居民区内，受用户用车规律影响，充电时间的重叠或用电高峰时段的充电行为将会给电网带来更大的负荷高峰，造成峰谷差增大
、
电力损耗增加
、
变压器过载等问题，加重配电网负担同时影响电网运行经济性
。

技术实现思路

[0003]本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于负荷评估的细分时段有序充电策略优化方法
,
对居民区电动汽车充电负荷进行预测，加以合理的有序充电策略，并对有序充电策略进行优化以达到有序充电削峰填谷的理想效益
。
[0004]为解决上述技术问题，本专利技术提供一种基于负荷评估的细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于负荷评估的细分时段有序充电策略优化方法，其特征在于，包括：获取目标居民区电动汽车保有量数据；获取目标居民区电动汽车充电需求数据；根据目标居民区电动汽车保有量数据与目标居民区电动汽车充电需求数据得到目标居民区电动汽车充电负荷；对目标居民区充电负荷进行评估分级；基于评估分级，确定相应等级的初始电价，获取加权细分时段分时电价，根据加权细分时段分时电价得到有序充电加权分时电价，根据有序充电加权分时电价的有序充电理论确定相应有序充电策略；基于所述有序充电策略，结合博弈理论构建主从博弈模型，利用结合狼群搜索的改进粒子群算法求解主从解博弈模型，得到电网运行的负荷峰谷差
、
负荷波动率
、
最大负载率以及用户充电成本数据
。2.
根据权利要求1所述的基于负荷评估的细分时段有序充电策略优化方法，其特征在于，所述获取目标居民区电动汽车保有量数据，包括：获取目标居民区的电动汽车历史单日保有量数据，根据目标居民区的电动汽车历史单日保有量数据利用灰色
‑
径向基函数神经网络模型预测目标居民区目标日的电动汽车保有量数据
。3.
根据权利要求2所述的基于负荷评估的细分时段有序充电策略优化方法，其特征在于，所述根据目标居民区的电动汽车历史单日保有量数据利用灰色
‑
径向基函数神经网络模型预测目标居民区目标日的电动汽车保有量数据，包括：步骤
11
：将目标居民区的电动汽车历史单日保有量数据数据序列为：
n
为原始数据个数；步骤
12
：对原始数据序列引入一阶弱化算子
D
，得到一阶弱化后数据序列
X
(0)
D
，表示为：式中，表示弱化后各具体数据，表示弱化后各具体数据，步骤
13
：根据建立一次累加生成序列
X
(1)
，表示为：，表示为：表示累加后序列各具体数据；步骤
14
：对序列采用单变量一阶微分方程进行拟合得到一阶灰色模型
GM(1,1)
，表示为：
式中，
a
为发展灰数，表示
x
(0)
与
x
(1)
的发展趋势，
b
为控制灰数，反应数据间相互变化关系，表示数据序列
x
(1)
对时间
t
的微分；步骤
15
：使用最小二乘法对发展灰数
a
与控制灰数
b
估计，得到一阶灰色模型
GM(1,1)
的时间响应表示为：式中，表示
k
为1时的原始数据，
e
表示指数常数；步骤
16
：一阶灰色模型
GM(1,1)
的预测残差
e(n+l)
，表示为：
e(n+l)
＝
C(n+l)
‑
C
y
(n+l)
式中，
l
为预测步长，
C
为电动汽车保有量，
C(n+l)
为真实值，
C
y
(n+l)
为一阶灰色模型
GM(1,1)
的预测值；步骤
17
：获取电动汽车保有量初始数据并输入
RBF
神经网络，给定
RBF
网络的目标误差，完成
RBF
网络循环训练，输出一阶灰色模型
GM(1,1)
的预测残差值；步骤
18
：向完成训练的
RBF
神经网络中输入步长为
l
的一阶灰色模型
GM(1,1)
预测值
RBF
神经网络输出为一阶灰色模型
GM(1,1)
预测残差值将预测残差值和预测值求和得到预测的所述目标居民区目标日的电动汽车保有量数据
。4.
根据权利要求1所述的基于负荷评估的细分时段有序充电策略优化方法，其特征在于，所述获取目标居民区电动汽车充电需求数据，包括：获取目标居民区历史电动汽车充电开始
、
结束时刻与充电电量数据，根据目标居民区历史电动汽车充电开始
、
结束时刻与充电电量数据基于马尔科夫链蒙特卡洛算法预测得到居民区电动汽车充电需求数据
。5.
根据权利要求4所述的马尔科夫链蒙特卡洛算法的充电负荷需求预测，其特征在于，所述目标居民区历史电动汽车充电开始
、
结束时刻与充电电量数据基于马尔科夫链蒙特卡洛算法预测得到居民区电动汽车充电需求数据，包括：步骤
21
：根据多维状态空间马尔科夫链对电动汽车状态
P(S
i
→
S
j
)
描述为：
P(S
i
→
S
j
)
＝
P
ij
式中，
S
i
为电动汽车当前时刻电动汽车状态，
S
j
为下一时刻电动汽车状态，
P
ij
为转移概率；步骤
22
：基于用户出行习惯差异性及用户充电需求随机性，将电动汽车所在位置状态
、
荷电状态
、
电池充电状态作为电动汽车的状态向量的3个元素
,
建立电动汽车三维状态向量
S
＝
[s1,s2,s3]
，其中
s1为电动汽车所在位置状态，
s2为荷电状态，所述荷电状态用于表示电动汽车当前剩余电量，
s3为电池充电状态；步骤
23
：获取电动汽车实际出行数据，基于电动汽车三维状态向量和电动汽车实际出行数据求解状态转移概率，得到电动汽车车辆状态转移矩阵
H
为：
式中，
h
mn
为始发于位置
m
的目的地处于位置
n
的累计次数，
M
为关键位置总数；步骤
24
：根据电动汽车在位置状态
、
荷电状态
、
电池充电状态三个维度的状态转移行为
,
利用蒙特卡洛的方法模拟生成电动汽车的初始状态；步骤
25
：由状态转移矩阵与初始状态求得
S
＝
[s1,s2...

【专利技术属性】
技术研发人员：高辉，盛东旭，荣丽娜，陈良亮，杨璐彤，李炜卓，归耀城，隋永波，周大谋，杨凤坤，
申请(专利权)人：南京大全自动化科技有限公司国电南瑞科技股份有限公司，
类型：发明
国别省市：