[發(fā)明專利]基于二次聚類的電動汽車集群可調(diào)度容量建模方法

在審

• 申請?zhí)枺?/td>: 202211074087.8
• 申請日: 2022-09-02
• 公開（公告）號: CN115577614A
• 公開（公告）日: 2023-01-06
• 發(fā)明（設(shè)計）人: 王楊洋;茆美琴;施永;杜燕;李端超;楊鋮;周堃;朱明磊;王媛玥
• 申請（專利權(quán)）人: 合肥工業(yè)大學;國網(wǎng)安徽電動汽車服務(wù)有限公司;國網(wǎng)安徽省電力有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/16;G06F119/02
• 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

1.一種基于二次聚類的電動汽車集群可調(diào)度容量建模方法，其特征是：首先基于充電樁充電歷史運營數(shù)據(jù)對電動汽車個體單次充電過程的可調(diào)度容量進行建模，獲得可充電容量、可充電功率、可放電容量和可放電功率四個描述可調(diào)度容量的指標；其次將充電運營數(shù)據(jù)采用K-means方法聚類為數(shù)種充電畫像；再根據(jù)電力系統(tǒng)輔助服務(wù)的場景選擇二次聚類的原始參數(shù)并結(jié)合一次聚類結(jié)果，采用主成分分析和自組織映射相結(jié)合的方法將充電樁進一步聚類為數(shù)個充電樁聚合體；最后得到每個聚合體的聚合可調(diào)度容量。

2.根據(jù)權(quán)利要求1所述的基于二次聚類的電動汽車集群可調(diào)度容量建模方法，其特征是包括如下步驟：

步驟1、根據(jù)電動汽車個體充電運營數(shù)據(jù)進行單次充電過程可調(diào)度容量建模

所述電動汽車個體充電運營數(shù)據(jù)包括：充電開始時間、充電結(jié)束時間、充電總電量、充電樁額定充電功率和充電樁額定放電功率；

所述單次充電過程的可調(diào)度容量是指在滿足電動汽車用戶電能需求的前提下，電動汽車個體與電網(wǎng)交換的能量和功率的上限和下限；采用可充電容量SCC、可充電功率SCP、可放電容量SDC和可放電功率SDP四個指標來描述可調(diào)度容量；

所述可充電容量SCC由式(1)所表征：

SCC_d,t＝min[E_d,c,(t+t_s-t_d,0)P_cη_c]-E_d,t (1)

式(1)中：

以d表征充電記錄的編號，d＝1,…,D，D為充電記錄的總數(shù)，η_c為充電效率；

SCC_d,t是編號為d的充電記錄在t時刻的可充電容量，P_c為額定充電功率；

t_s為調(diào)度時間間隔，t_d,0為編號為d的充電記錄充電的開始時間；

E_d,c是編號為d的充電記錄的充電的總電量；

E_d,t是編號為d的充電記錄在t時刻的電量，由式(2)計算獲得：

E_d,t＝min(E_d,c,(t-t_d,0)P_cη_c) (2)

所述可充電功率SCP由式(3)所表征：

SCP_d,t＝min(SCC_d,t/η_ct_s,P_c) (3)

式(3)中：

SCP_d,t是編號為d的充電記錄在t時刻的可充電功率；

所述可放電容量SDC由式(4)所表征：

SDC_d,t＝E_d,t-max[0,E_d,c-(t_d,end-t-t_s)P_cη_c] (4)

式(4)中：

SDC_d,t是編號為d的充電記錄在t時刻的可放電容量；

t_d,end是編號為d的充電記錄充電的結(jié)束時間；

所述可放電功率SDP由式(5)所表征：

SDP_d,t＝-min(SDC_d,tη_d/t_s,P_d) (5)

式(5)中：

SDP_d,t是編號為d的充電記錄在t時刻的可放電功率，

P_d為額定放電功率，η_d為放電效率；

步驟2、聚類參數(shù)的選取和數(shù)據(jù)歸一化：

一次聚類選取四個參數(shù)，分別是空閑時間占比ftr_d，以及通過讀取歷史數(shù)據(jù)獲得的充電開始時間、充電結(jié)束時間和充電總電量；

所述空閑時間占比ftr_d由式(6)表征：

所述空閑時間占比ftr_d是指：充電時間中空閑時間占總充電時間的比例，其值為0-1；

則，一次聚類的參數(shù)向量由式(7)所表征：

對一次聚類所選取的四個參數(shù)按式(8)進行歸一化處理：

式(8)中：

是編號為d的充電記錄歸一化后的參數(shù)向量；

x_min為參數(shù)最小值向量，x_max為參數(shù)最大值向量；

步驟3、基于k-means算法的充電行為一次聚類：

步驟3.1、初始化聚類數(shù)目K的值為2，設(shè)定最大聚類數(shù)目K_max和最大迭代次數(shù)iter_max；

步驟3.2、根據(jù)聚類數(shù)目K的值，隨機選取K個數(shù)據(jù)作為初始聚類中心，初始化迭代次數(shù)iter的賦值為1；

步驟3.3、按式(9)計算獲得每個數(shù)據(jù)對象與聚類中心的距離，將數(shù)據(jù)與最近的聚類中心歸為一類：

式(9)中：

||a-b||是向量a和b的距離；

a_i為向量a的第i個維度，b_i為向量b的第i個維度，I為向量a與b的總維數(shù)；

步驟3.4、根據(jù)步驟3.3的歸類結(jié)果，按式(10)計算獲得第k類的中心坐標R(k)，以此更新每一類的中心；

式(10)中：

以k表征每一類的編號，k＝1,…,K；

以j_k表征第k類的參數(shù)向量編號，N_k為第k類的參數(shù)向量數(shù)目，j_k＝1,…,N_K；

為第j_k個參數(shù)向量；

步驟3.5、將迭代次數(shù)iter的賦值加1，若加1之后的迭代次數(shù)iter小于iter_max，則返回步驟3.3，否則進入步驟3.6；

步驟3.6、按式(11)計算獲得聚類數(shù)目為K時的Davies-Bouldin指標值DBI(K)：

式(11)中：

以h表征需要和第k類計算距離的其它類的編號；

為第k類的數(shù)據(jù)對象與聚類中心的距離均值；

為第h類的數(shù)據(jù)對象與聚類中心的距離均值；

d_k,h為第h類和第k類聚類中心的距離；

步驟3.7、將K的賦值增加1，若加1之后的K賦值大于K_max，則返回步驟3.2；否則選取DBI值最小的K，輸出對應(yīng)的聚類結(jié)果，步驟3結(jié)束，完成一次聚類，由此，充電行為都被聚類為K種，將其稱為充電畫像，即有K種充電畫像；

步驟4、二次聚類的數(shù)據(jù)準備：

二次聚類的對象為充電樁，充電樁中各類充電畫像的比例稱為充電畫像向量，由式(12)表征：

式(12)中：

以s表征充電樁的編號，以n_S表征充電樁的總數(shù)，s＝1,…,n_S；

p_s為充電樁s的充電畫像向量；N_s,k為充電樁s的第k類充電畫像的數(shù)量；

根據(jù)電動汽車參與輔助服務(wù)的場景設(shè)定相應(yīng)的選擇參數(shù)，將所述選擇參數(shù)加入充電畫像向量的尾部，形成由式(13)所表征的具有多維參數(shù)的充電樁參數(shù)向量

式(13)中：

以M₀表征充電樁參數(shù)向量的維數(shù)；以m₀表征充電樁參數(shù)向量的維度編號，m₀＝1,…,M₀；

為充電樁參數(shù)向量的第m₀個維度；

合計S個充電樁參數(shù)向量形成的矩陣作為二次聚類的原始數(shù)據(jù)；

所述矩陣由式(14)表征：

步驟5、基于主成分分析方法的降維：

步驟5.1、計算矩陣的協(xié)方差矩陣；

步驟5.2、計算所述協(xié)方差矩陣的特征值和對應(yīng)的特征向量

步驟5.3、將特征值從大到小進行排列，選取合計占總特征值之和95％以上的特征值對應(yīng)的特征向量合并為降維矩陣C_s，以m表示降維矩陣的列編號，降維矩陣的總列數(shù)記為M；

所述降維矩陣C_s由式(15)表征：

C_s＝[x₁,...,x_s,...,x_S]^T (15)

式(15)中，x_s為降維后的充電樁參數(shù)向量；

步驟6、基于自組織映射神經(jīng)網(wǎng)絡(luò)的二次聚類：

通過自組織映射神經(jīng)網(wǎng)絡(luò)SOM二次聚類后，輸入降維矩陣C_s中的S個向量x_s被聚類為L個類，形成了L個充電樁聚合體；

步驟7、獲得各聚合體可調(diào)度容量聚合模型：

所述L個充電樁聚合體，其每個聚合體的可調(diào)度容量即為本聚合體所有的充電記錄的可調(diào)度容量之和，由式(16)表征：

式(16)中：

以l表征充電樁聚合體的編號，l＝1,…,L；N_l為充電樁聚合體l中充電紀錄的數(shù)目；

SCC_l,t為t時刻編號為l的充電樁聚合體可充電容量；

SCP_l,t為t時刻編號為l的充電樁聚合體可充電功率；

SDC_l,t為t時刻編號為l的充電樁聚合體可放電容量；

SDP_l,t為t時刻編號為l的充電樁聚合體可放電功率。

完成聚合體的可調(diào)度容量建模。