【技术实现步骤摘要】
本专利技术涉及充电运行控制，特别是基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法。
技术介绍
1、充电场站作为电动汽车的主要充电设施，其盈利能力对电动汽车充电基础设施的可持续运营至关重要。同时，通过充电场站参与电网负荷管理，可以为电网提供支持，提高电网的可靠性和可持续性。由于目前国内充电基础设施还不够健全，所以仍存在着一些私人汽车由于居住条件有限，居住地无法配备充电桩以及公共充电站点利用率低，充电难，充电速度缓慢等问题。因此，建立一种合理的充电引导策略是至关重要的。这种策略应使得汽车用户、充电站点、交通配电网三方互利互惠，协同发展，也应能够为整个行业的服务市场起到促进的作用。
2、电费定价策略可以根据需求侧响应有计划地调整服务费用，引导用户进行有序充电，通过提高服务费用将用电高峰时段的充电需求转移至谷段，或者通过降低服务费用来鼓励用电谷段的充电行为，达到削峰填谷的目的。策略在保障交通配电网稳定性的同时，从电网获取一定的度电补贴，以最大程度地提高充电场站的盈利。优化充电场站的电网补贴与利润有助于降低电动汽车的使用成本，促进电动汽车的可持续发展，减少对传统燃油车辆的依赖，降低环境污染和碳排放。
3、为了配合电网进行负荷管理，充电场站通过对场站未来一段时间的负荷估计，上报未来这段时间的计划用电负荷曲线。通过配电网的预估用电与上报的计划负荷曲线的差值电量，计算充电场站可获取的削峰/填谷收益。由于用电负荷预测存在一定的技术挑战，目前大部分场站采用相似日、前一天的同时段负荷等传统的手段对充电场站未来一段时间的
4、目前的充电站的电费主要由电网的成本电价及服务费构成。服务费的定价策略主要根据尖、峰、平、谷等时段的成本电价、充电站运营情况人工进行服务费价格设置。不仅服务费价格设置频率较低，而且无法考虑天气、周边场站的充电情况等，难以对电动汽车的有序充电进行引导。更加无法跟充电场站的计划负荷精准匹配。另一方面，基于充电负荷的服务费优化方法，多采用基于出行需求的确定分析法和充电站充电负荷的概率分析法，这类方法多采用线性机理模型，无法反应复杂的真实世界中充电场站负荷的非线性变化。除此之外，对于场站的运营而言，提高服务费会降低负荷，而降低服务费尽管会提高负荷，但却会在一定程度上损失场站的利润。在既要满足计划用电负荷的前提下，又要保证场站尽可能不亏损，甚至补贴服务费给用户。对于这类复杂的多目标优化问题，不仅对于人工而言难以评估实际的收益与损失，即使是传统的单目标优化方法，如线性规划、启发式算法等也无法直接进行求解。
技术实现思路
1、本专利技术所要解决的技术问题是提供基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，在满足电力公司需求侧响应的基础上，既能够提高充电场站的利润，又能够尽可能的提高充电场站的度电补贴，同时尽可能提升用户的满意度。
2、为解决上述技术问题，本专利技术所采用的技术方案是：基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，包括以下步骤：
3、s1、多维特征分析；
4、s2、数据预处理；
5、s3、基于强化学习的充电电量预测；
6、s4、基于粒子群算法的削峰填谷计算。
7、优选的，所述多维特征分析包括充电场站因素、时间因素、气象因素、价格因素。
8、优选的，所述步骤s2包括以下步骤：
9、s21、异常值剔除，通过箱线图法对数据中的异常值进行检测，并进行剔除。对于单个字段，如充电桩的实时电流数据，具体计算过程如下：
10、a)计算特征的第一四分位数（q1）与第三四分位数（q3）；
11、b)计算iqr，iqr=q3-q1；
12、c)输出特征区间范围[q1–1.5iqr, q3+1.5iqr]；
13、d)剔出不满足特征区间的数据行；
14、s22、缺失值填充，由于传感器差异与外界扰动的影响，最终采集到的字段可能会存在少量的缺失值。对于存在缺失值的字段，采用线性插值的方法进行缺失值填充；
15、s23、数据聚合，天气、充电场站剩余容量、充电场站分时电价的数据采集频率可能不一致，如中国天气网数据最高频率为5分钟，而充电场站设备状态、充电场站实时电价、充电场站剩余充电时间数据则可达到30秒。针对不同频率的数据，按照统一的频率进行数据聚合，以达到数据对齐的目的；
16、s24、特征离散化：设备参数大多属于连续型变量，连续型变量的搜索空间维度较高；另一方面，不同特征的数据分布不同，数据尺度也不同；故而通过等频分箱的方法，对训练数据中的连续型变量进行离散化处理，增强特征对异常数据的鲁棒性，将所有变量映变换到相似的尺度上；对数据中的类别型特征，如天气文字（雨、雪、晴、霾等）等采用one-hot独热编码进行离散化编码处理。
17、优选的，所述步骤s3采用ddpg(deep deterministic policy gradient)算法，在时间序列预测模型中，动态预测n个模型的权重，对不同的基学习器进行模型组合，提高模型的泛化性能，降低实际数据分布变化对模型预测精度造成的影响；
18、采用马尔可夫决策法，包括5个要素，即，
19、：状态空间，使用st∈rt×ds表示t时刻环境对应的状态，也即t时刻对应的多维时间序列数据，t是时间序列数据的长度，ds是时间序列数据的维度；
20、：动作空间，使用at∈rn表示t时刻的动作，由一组n维的非负向量构成，其中，表示模型i在t时刻的权重，权重总和为1；
21、；
22、：状态转移概率，在模型组合问题中，时间序列的下一个状态不受到的影响，故而有；
23、：奖赏函数，自定义的反馈函数，比如可以定义为组合模型的预测结果与真实值共同计算的对称平均绝对百分比误差(symmetric mean absolute percentageerror, smase)，并通过归一化，使其数值大小位于[-1, 1]区间；
24、；
25、：折扣因子，计算累积回报时使用，如果只关注当前t时刻的预测准确率，则可以设置为0；
26、基于以上的问题定义，t时刻的累积回报可以定义为：
27、；
28、其中，为初始状态。
29、优选的，所述步骤s3包括以下步骤：
30、s31、ddpg模型采用ac结构，其中智能体模型作为agent学习策略函数，其输入为t-h至t-1时刻的历史的能耗时间序列数据以及t-1时刻n个模型的性能排名拼接后所形成本文档来自技高网...
【技术保护点】
1.基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述多维特征分析包括充电场站因素、时间因素、气象因素、价格因素。
3.根据权利要求1所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述步骤S2包括以下步骤：
4.根据权利要求1所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述步骤S3采用DDPG算法，在时间序列预测模型中，动态预测N个模型的权重，对不同的基学习器进行模型组合，提高模型的泛化性能，降低实际数据分布变化对模型预测精度造成的影响；
5.根据权利要求1或4所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述步骤S3包括以下步骤：
【技术特征摘要】
1.基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述多维特征分析包括充电场站因素、时间因素、气象因素、价格因素。
3.根据权利要求1所述基于深度学习及多目标优化算法的源荷互动柔性削峰填谷方法，其特征在于，所述步骤s2包括以下步骤：
...
【专利技术属性】
技术研发人员：银立新，贺伟，韩涛，李娟，雷奕迅，
申请(专利权)人：三峡电能有限公司，
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。