System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电力系统调度控制,具体涉及一种基于拉丁超立方抽样的电动汽车聚合模型构建方法。
技术介绍
1、ev作为电力系统的一种新型负荷,大规模集成具有车网互动潜力和储能特性,将为电力系统频率调节提供一种新型有效的手段。提前了解ev能够参与电网调度的充放电潜力也有利于制定合理的调度策略来缓解电网的压力。现有ev聚合参与电网调频辅助服务的方法,对于ev调频的研究还是从个体ev出发,通过ev个体的充放电状态,考虑用户充电需求进行调度控制,所需数据涉及隐私性强,随着用户出行信息保护意识的增强,规模化ev模型响应潜力评估难度进一步加大。
技术实现思路
1、针对现有技术的不足,本专利技术的目的在于提供一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,解决了现有技术中的问题。
2、本专利技术的目的可以通过以下技术方案实现:
3、一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,包括以下步骤:
4、对区域内ev的历史运行数据进行改进的拉丁超立方抽样,得到采样数据集;
5、采用斯皮尔曼相关系数对采样数据集和原始数据集进行相关性分析,并基于样本间相似度对样本进行聚类,将无规律ev随机性行为数据聚合,得到具有代表性的有限场景集;
6、根据场景集中所有ev的并网时间、离网时间以及并网初始soc信息,对ev运行数据进行多层级处理;
7、基于对ev运行数据的多层级处理,充分考虑用户充电需求的情况下,构建数据驱动的ev分层聚合模型,来评估
8、进一步地,采用排列信息继承操作来改进拉丁超立方抽样,具体包括:
9、对于给定的随机变量,dij(1≤i<j≤n)是两个样本点xi和xj的距离,采样点均匀度计算如下:
10、
11、其中,s是不同距离的个数,p是正整数;
12、样本矩阵如下式所示,其中si为第i个样本;
13、
14、lhs的任意两列pi和pj是xl≤x≤xu的排列;
15、pi={x1i,x2i,…,xni}t,
16、pj={x1j,x2j,…,xnj}t
17、pj=tijpi
18、
19、式中,tij为对应的变换矩阵,为n阶对角矩阵,diag(·)表示对角矩阵。
20、进一步地,得到具有代表性的有限场景集的步骤为:
21、s21,对每个场景xa(t)寻找与它相关系数最大的场景xb(t),计算场景的概率相关度pd,ab;
22、
23、pd,ab=pa maxρab
24、式中,ρab为场景xa(t)和xb(t)的srcc,其取值范围为[-1,1];λ为间隔数;s为场景容量;pa为场景xa(t)发生的概率;
25、s22,消去场景集中pd,ab最大的场景xb(t),并更新场景xa(t)发生的概率,即:
26、pa=pa+pb
27、s23,重复s21和s22,直至场景数目满足要求。
28、进一步地,所述多层级包括:
29、层级1:以离网时间的不同进行划分,离网时间以15min为间隔,在某评估时刻,未来15min内离网的ev都认为此时刻为离网时间;
30、层级2:以并网时间的不同进行划分,在层级1基础上,针对同一离网时间的子群,对该子群ev的并网时间进行划分,间隔为15min,此时刻之前15min并网的ev都认为并网时间为该时刻;
31、层级3:以并网时电池soc的不同进行划分,在层级1和层级2的基础上,对于某一离网时间下,某一并网时间下的群体进行soc区间的划分,得到考虑并网时间和离网时间差异的规模化ev群体。
32、进一步地,soc区间划分时,考虑充电安全性和电池寿命的因素,根据电池soc的上下限确定充电范围,将soc离散化为n个状态区间,对每个区间的ev进行分别处理。
33、进一步地,ev调频能力的评估指标包括响应时段内该soc区间ev的调频功率限额、调频容量和基值充电功率。
34、进一步地,所述ev的调频功率限额包括:
35、ev调频功率下限:ev可减少的充电功率的最小值,受限于ev车主的出行需求与离网时间;
36、ev调频功率上限:ev充电可达到的最大充电功率,与电池的最大充电功率和电池的电量有关。
37、进一步地,在所述分层聚合模型中,首先聚合不同并网时间ev的调频容量,计算ev个体的调频响应功率上下限,聚合得到某一离网时间下的ev子群调频功率限额,计算式为:
38、
39、式中:neq为聚合商下属所有soc区间层ev群体组成的集合,nev,k(t)为所属soc区间ev的数量,分别为聚合商计算时响应时段内下属各soc区间ev个体的调频功率上限、下限,分别为某一离网时间层的子群在响应时段内总的调频功率上限、下限;
40、然后对于离网时间划分层所划分的若干ev子群,对所有子群的调频功率限额进行累加,得到区域内所有ev群体的调频功率限额,计算式为:
41、
42、式中:分别为计算得到的区域中响应时段内下属ev子群的调频功率上限、下限,ner为下属所有不同离网时间的ev子群组成的集合。
43、一种基于拉丁超立方抽样的电动汽车聚合模型构建系统,包括:
44、采样模块:对区域内ev的历史运行数据进行改进的拉丁超立方抽样,得到采样数据集;
45、分析聚类模块:采用斯皮尔曼相关系数对采样数据集和原始数据集进行相关性分析,并基于样本间相似度对样本进行聚类,将无规律ev随机性行为数据聚合,得到具有代表性的有限场景集;
46、分层处理模块:根据场景集中所有ev的并网时间、离网时间以及并网初始soc信息,对ev运行数据进行多层级处理;
47、以及,模型构建模块:基于对ev运行数据的多层级处理,充分考虑用户充电需求的情况下,构建数据驱动的ev分层聚合模型,来评估ev调频能力。
48、一种计算机存储介质,存储有可读程序,当程序运行时,能够执行上述模型构建方法。
49、本专利技术的有益效果:
50、1、专利技术所提基于lhs的ev聚合模型,对区域内ev的历史运行数据进行改进的lhs,提高数据处理速度的同时获得ev行为随机性描述。
51、2、本专利技术采用斯皮尔曼相关系数进行相关性分析,并基于样本间相似度对样本进行聚类,将无规律ev随机性行为数据聚合,得到具有代表性的有限场景集,对运行数据进行多层级处理;加强了对ev用户数据的隐私保护,更为有序处理大规模ev运行数据,为ev参与电网辅助服务提供支撑。
本文档来自技高网...【技术保护点】
1.一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,采用排列信息继承操作来改进拉丁超立方抽样,具体包括:
3.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,得到具有代表性的有限场景集的步骤为:
4.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,所述多层级包括:
5.根据权利要求4所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,SOC区间划分时,考虑充电安全性和电池寿命的因素,根据电池SOC的上下限确定充电范围,将SOC离散化为N个状态区间,对每个区间的EV进行分别处理。
6.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,EV调频能力的评估指标包括响应时段内该SOC区间EV的调频功率限额、调频容量和基值充电功率。
7.根据权利要求6所述的一种基于拉丁超立方抽样的电动汽车聚
8.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,在所述分层聚合模型中,首先聚合不同并网时间EV的调频容量,计算EV个体的调频响应功率上下限,聚合得到某一离网时间下的EV子群调频功率限额,计算式为:
9.一种基于拉丁超立方抽样的电动汽车聚合模型构建系统,其特征在于,包括:
10.一种计算机存储介质,存储有可读程序,其特征在于,当程序运行时,能够执行权利要求1-8任一项所述的模型构建方法。
...【技术特征摘要】
1.一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,采用排列信息继承操作来改进拉丁超立方抽样,具体包括:
3.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,得到具有代表性的有限场景集的步骤为:
4.根据权利要求1所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,所述多层级包括:
5.根据权利要求4所述的一种基于拉丁超立方抽样的电动汽车聚合模型构建方法,其特征在于,soc区间划分时,考虑充电安全性和电池寿命的因素,根据电池soc的上下限确定充电范围,将soc离散化为n个状态区间,对每个区间的ev进行分别处理。
6.根据权利要...
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。