[發(fā)明專利]基于梯度提升決策樹的電動汽車集群可調(diào)度容量預測方法

有效

• 申請?zhí)枺?/td>: 201811346132.4
• 申請日: 2018-11-13
• 公開（公告）號: CN109508826B
• 公開（公告）日: 2022-01-07
• 發(fā)明（設(shè)計）人: 茆美琴;張圣亮;王楊洋
• 申請（專利權(quán)）人: 合肥工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 何梅生

1.一種基于梯度提升決策樹的電動汽車集群可調(diào)度容量預測方法，其特征是包括如下步驟：

步驟1、通過電動汽車的電池管理系統(tǒng)BMS采集并通過GPRS技術(shù)上傳到服務器端，獲得電動汽車實時運行信息，確定電動汽車是否參與電網(wǎng)調(diào)度，并對電動汽車進行分類；

所述電動汽車實時運行信息包括：電池額定容量C_i和電動汽車EV_i在t時刻的電荷狀態(tài)

在車主愿意參與調(diào)度的情況下，所述電動汽車是否參與電網(wǎng)調(diào)度是由電網(wǎng)側(cè)調(diào)度周期t_s、用戶側(cè)預計離開電網(wǎng)時間t_i,f和達到用戶所設(shè)置SOC的最短充電時間t_i,c所確定：

若有t_i,f＜t_s或t_i,f＜t_i,c，電動汽車EV_i不參與調(diào)度；

若有t_i,f≥t_s和t_i,f≥t_i,c，電動汽車EV_i參與調(diào)度，并按如下方式進行分類：

當時，電動汽車EV_i只允許參與充電調(diào)度；

當時，電動汽車EV_i只允許參與放電調(diào)度；

當時，電動汽車EV_i允許參與充電調(diào)度和放電調(diào)度；

其中，為充電完成時用戶期望的SOC最小值，為充電完成時用戶期望的SOC最大值；

步驟2、在大數(shù)據(jù)平臺上建立實時電動汽車集群可調(diào)度容量模型，并根據(jù)所述實時電動汽車集群可調(diào)度容量模型獲得參加電網(wǎng)調(diào)度的電動汽車的實時電動汽車集群可調(diào)度容量：

將參與電網(wǎng)調(diào)度的電動汽車分為以下三種情況，并利用電池額定容量C_i計算獲得電動汽車EV_i的實時可調(diào)度充電容量SCC_i和實時可調(diào)度放電容量SDC_i：

第一種：當時，電動汽車EV_i只允許充電調(diào)度，且有：

SDC_i＝0；

第二種：當時，電動汽車EV_i只允許放電調(diào)度，且有：

SCC_i＝0，

第三種：當時，電動汽車EV_i允許充電調(diào)度和放電調(diào)度，且有：

其中：

表示在保證電池安全充放電下所設(shè)置的SOC上限值；

表示在保證電池安全充放電下所設(shè)置的SOC下限值；

建立由式(1)和式(2)所表征的實時電動汽車集群可調(diào)度容量模型：

其中，n為電網(wǎng)區(qū)域中參與電網(wǎng)調(diào)度的電動汽車集群的數(shù)量；

利用由式(1)和式(2)所表征的實時電動汽車集群可調(diào)度容量模型，獲得實時電動汽車集群可調(diào)度充電容量SCC_n和實時電動汽車集群可調(diào)度放電容量SDC_n，以所述SCC_n和SDC_n表征參加電網(wǎng)調(diào)度的電動汽車的實時電動汽車集群可調(diào)度容量；

步驟3、利用特征數(shù)據(jù)生成訓練集和測試集：

3.1、將所述實時電動汽車集群可調(diào)度容量作為歷史數(shù)據(jù)，針對所述歷史數(shù)據(jù)按如下方式獲得歷史數(shù)據(jù)特征值：SCC_t,day和SDC_t,day：由式(3)計算獲得電動汽車集群對應t時刻在上個月中的可調(diào)度充電容量平均值由式(4)計算獲得電動汽車集群對應t時刻在上個月中的可調(diào)度放電容量平均值

為電動汽車集群對應t時刻在上個月中每一天的可調(diào)度充電容量之和；

為電動汽車集群對應t時刻在上個月中每一天的可調(diào)度放電容量之和；

D為上個月的實際天數(shù)；

由式(5)計算獲得電動汽車集群對應t時刻在上周中的可調(diào)度充電容量平均值

由式(6)計算獲得電動汽車集群對應t時刻在上周中的可調(diào)度放電容量平均值

為電動汽車集群對應t時刻在上周中每一天的可調(diào)度充電容量之和；

為電動汽車集群對應t時刻在上周中每一天的可調(diào)度放電容量之和；

SCC_t,day為電動汽車集群對應t時刻在前一天中的可調(diào)度充電容量；

SDC_t,day為電動汽車集群對應t時刻在前一天中的可調(diào)度放電容量；

3.2、確定各時間屬性特征值，包括：

以t時刻值作為實時數(shù)據(jù)接收時間的時間屬性特征值；

將行車高峰時間的時間屬性特征值用“1”表征，將非行車高峰時間的時間屬性特征值用“0”表征；

將放假時間的時間屬性特征值用“1”表征，將非放假時間的時間屬性特征值用“0”表征；

將工作時間的時間屬性特征值用“1”表征，將非工作時間的時間屬性特征值用“0”表征；

3.3、由所述歷史數(shù)據(jù)特征值和時間屬性特征值構(gòu)成特征數(shù)據(jù)，以所述特征數(shù)據(jù)為標簽，結(jié)合t時刻的實時電動汽車集群可調(diào)度容量構(gòu)建數(shù)據(jù)集，將所述數(shù)據(jù)集分為訓練集和測試集；

步驟4、根據(jù)電網(wǎng)調(diào)度對不同時間尺度下的需求，對訓練集和測試集按時間尺度的不同劃分為不同時間尺度下的訓練集和測試集，在大數(shù)據(jù)平臺上采用并行梯度提升決策樹算法利用所述訓練集，獲得不同時間尺度下的電動汽車集群可調(diào)度容量預測模型，利用所述測試集代入不同時間尺度下的電動汽車集群可調(diào)度容量預測模型計算獲得不同時間尺度下的電動汽車集群可調(diào)度容量預測結(jié)果；

所述并行梯度提升決策樹算法是指：首先從訓練集中訓練出第一棵子決策樹模型，之后每一輪保持訓練集不變，根據(jù)上一輪損失函數(shù)調(diào)整下一輪中每個樣本的采樣權(quán)重，并且損失函數(shù)越大下一輪采樣權(quán)重越大，如此重復進行直至訓練出第z棵子決策樹模型，對于損失函數(shù)小的子決策樹模型取更大的模型權(quán)重θ_h；

所述損失函數(shù)由式(7)所表征：

y_t是按步驟2所獲得的t時刻電動汽車集群可調(diào)度容量實際值；

為t時刻電動汽車集群可調(diào)度容量預測值；

如果y_t為0，則用電動汽車集群可調(diào)度容量的歷史平均值替換；

不同時間尺度下的電動汽車集群可調(diào)度容量預測模型建模方法相同，是指：采用并行梯度提升決策樹算法利用訓練集進行建模，獲得由式(8)所表征的子決策樹模型

式中，X＝(x_1,t,x_2,t,...,x_m,t)為t時刻時所獲取的m種特征數(shù)據(jù)，h為子決策樹模型數(shù)量；

將z棵子決策樹模型加權(quán)結(jié)合得到由式(9)所表征的不同時間尺度下的電動汽車集群可調(diào)度容量預測模型f(X)；

式中，θ_h為模型權(quán)重；

將測試集代入可調(diào)度容量預測模型f(X)，得到不同時間尺度下的電動汽車集群可調(diào)度容量預測值如式(10)所示：

所述不同時間尺度包括實時1分鐘、超短期1小時和短期24小時三種調(diào)度需求進行預測分析以適應電網(wǎng)調(diào)度不同時間尺度需求。