CN110232219A - 一种基于数据挖掘的电动汽车可调度容量核定方法 - Google Patents

Abstract

本发明提供一种基于数据挖掘的电动汽车可调度容量核定方法。该方法包括：首先建立汽车交通出行链概念，通过对数据库进行数据挖掘建立包括首次出行时刻、行驶时长、停车时长、行驶里程和空间概率转移矩阵在内的数学模型，并由此组成电动汽车交通出行链；然后在汽车交通行为模型的基础上，建立起充电行为模型；接着模拟汽车交通行为和充电行为得到汽车实时SOC曲线；接着推导出不同电网调频方式下的可调度SOC判断阈值和汽车可调度时段；最后对汽车的可调度容量进行计算。本发明提出了基于数据挖掘的电动汽车可调度容量核定方法，能够为电网调峰调频提供依据，在电网调度调频根据可调度容量对电动汽车充放电进行调度。

Description

一种基于数据挖掘的电动汽车可调度容量核定方法

技术领域

本发明涉及电动汽车智能控制技术领域，特别涉及一种电动汽车可调度容量核定方法。

背景技术

近年来，城市公共交通的大量需求以及能源环境问题，以绿色能源为主要动力的电动汽车愈发普及。电动汽车主要在城市内运营，可视为显性负荷以及隐性电源，其不确定性的充放电行为会对城市电网运行带来较大影响。因此，电动汽车的充放电容量评估对未来的城市交通网以及城市电网具有重要意义。

近年来，相关学者提出了诸多方法来对电动汽车充放电调度进行了大量研究。电动汽车可调度的容量应当是在保证用户出行需求前提下，同时满足电网方面多样调度需求的电能。电动汽车是否进行调度是根据电动汽车的实时剩余电量(State of Charge,SOC)进行判断。只有在满足SOC相关约束时，电网才可继续进行容量调度。因此，正确科学地模拟电动汽车的交通行为进而得到其 SOC曲线是研究可调度容量的前提。现今，多数文献在得到SOC曲线时大多给定某个概率分布模型，此法过于简化不能细致科学地描述汽车行驶过程中电量变化的情况，对后续可调度容量的结果有着重大影响。

发明内容

本发明的目的在于解决电动汽车可调度容量存在的上述不足，提供一种基于数据挖掘的电动汽车可调度容量核定方法，使电动汽车的充放电负荷可以为电网调度调频等提供参考和依据。

本发明提出一种基于数据挖掘的电动汽车可调度容量核定方法，其包括以下步骤：

(1)对汽车出行地点数据进行分析，得到汽车出行的主要区域，以此作为后续交通行为分析的基础；

(2)对汽车首次出行时刻、行驶时长、停车时长、行驶里程和空间概率转移矩阵的数据进行挖掘分析，形成汽车一天的出行链，推导出汽车的交通行为模型；

(3)对汽车充电过程进行分析，推导出汽车的充电行为模型。

(4)通过蒙特卡洛模拟方法，模拟汽车的交通行为和充电行为，得到汽车一天的SOC变化曲线。

(5)依据电网三种调频方式，推导出相应三种调度方式下的SOC阈值以及汽车可调度时段。

(6)依据汽车SOC曲线以及可调度SOC阈值，计算得到汽车可调度容量。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，通过对汽车出行地点数据进行分析，得到汽车出行的主要区域分布比例。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，通过对车辆行驶数据拟合得到的电动汽车首次出行时刻满足如下公式(1)多维正态分布：

式中，其中a₁＝0.34,μ₁＝7.46,σ₁＝0.77；a₂＝0.66,μ₂＝9.20,σ₂＝2.75

通过对车辆行驶数据拟合得到电动汽车行驶时长满足如下公式(2)对数正态分布：

式中，t_tr为行驶时长，μ_tr,σ_tr为相应起讫点的期望和标准差，取值见如下矩阵，第i行代表出发地D_i，第j行列代表到达地D_j。

通过对车辆行驶数据拟合得到电动汽车停车时长满足如下公式(3)对数正态分布：

式中，t_d为行驶时长，μ_td,σ_td为相应停车地点的期望和标准差；

汽车在城市中行驶，基本上可以视为匀速行驶，通过对车辆行驶数据拟合得到电动汽车行驶里程和行驶时长可视为线性关系。

d＝v(t_tr)×t_tr (3)

由中心极限定律和大数定律可知行驶里程和行驶时长一样满足公式(4)的对数正态分布，其期望和标准差μ_d(t_tr),σ_d(t_tr)应当与该段行驶时长t_tr的有关。现将t_tr以20分钟划分为一个窗口进行数据分析，得到各个时间窗口中的μ_d和σ_d的值。

用户可在任意时间任意地点开始行程，其目的地也可以是D1-D4任意区域。目的地的选择与用户行程开始的时刻以及起始地有关，因此可以用若干个以时间为区段的空间转移概率矩阵来描述相应时刻和起始地开始行程的目的地。即用一个按照某一时段t_k离散化的k*4*4的矩阵P_k来描述该时段内的空间转移情况。矩阵P_k的第i行代表出发地D_i，第j列代表到达地D_j。k为离散化后的时间间隔数，P_k是在k时段内的空间转移概率矩阵。例如将一天按照2小时为一时段，划分为k＝12个时段。比如，P₁₀为20-21点的空间概率转移矩阵。

通过以上步骤，可建立起电动汽车一天的出行链，推导出汽车的交通行为模型。现对电动汽车充电行为进行分析。

汽车在每一段行程结束之后，根据剩余电量来决定是否充电，公式(5)为汽车充电的判据。

(E×SOC_i-d_i×k)≤0.4E (5)

式中，E为汽车电池容量，kW·h；d_i为第i次行程的行驶里程，km；k为汽车每公里耗电量，kW·h/km；SOC_i为第i段行程起始电量。

充电结束后，第i+1次行程的SOC_i+1为：

式中，η为充电效率，取0.9。P为慢充或者快充功率，kW。

汽车开始行驶到停车的过程中，电量按照每公里耗电量k线性减少，行驶过程的SOC计算为公式(7)。汽车开始充电到结束充电的过程中认为是采取恒功率充电的模式，SOC呈现线性增长的趋势直到充电结束，充电过程SOC计算为公式(8)。

式中，SOC_i为第i次行程开始时的电量；k为每公里耗电量；d_i为第i次行驶里程，km；E为电池容量kW·h；t_tr为行驶时长，min。

式中，SOC_i0为第i次行程开始充电时的电量；SOC_i+1为第i+1次行程的起始电量，t_c为充电时长。

通过以上充电行为分析，可得到汽车连续完整的SOC曲线。

基于以上情况，本发明首先建立起汽车交通出行链概念，通过对数据库进行数据挖掘建立电动汽车出行模型，同时建立起电动汽车充电模型，模拟汽车行驶过程得到实时SOC曲线，然后再获得可调度条件下的SOC判断阈值，接着据此分析出汽车的可调度时段以及调度方式，最后对电动汽车的可调度容量进行评估。

与现有技术相比，本发明具有如下优点和技术效果：

本发明时基于电动汽车SOC变化曲线来计算可调度容量。通过数据分析的方法得到电动汽车的交通行为模型，并且结合充电行为模型推导得到完整连续的SOC变化曲线。在建立交通行为模型时，本发明考虑了各类时段各种地点的汽车出行情况，并且推导得到了较为精确的数学模型，能够较为贴合在实际生活中汽车出行的随机性情况。本发明根据电网三种调频方式分别给出了相应的 SOC阈值计算方法和调度条件，能够在保证汽车正常行驶的情况下核定出三种情形下最大的可调度潜力容量。

附图说明

图1为实施例中电动汽车放电调度SOC变化曲线。

图2为实施例中电动汽车可调度容量核定方法流程图。

图3为实施例中三种调度方式下的可调度容量。

图4为实施例中四类区域一次调度容量。

图5为基于数据挖掘的电动汽车可调度容量核定方法的总体流程示意图。

具体实施方式

以下结合附图和实例对本发明的具体实施做进一步说明，但本发明的实施和保护不限于此，需指出的是，以下若有未特别详细说明之过程或符号，均是本领域技术人员可参照现有技术理解或实现的。

图2反映了基于数据分析的电动汽车可调度容量核定方法流程图。该方法包括以下步骤：

(1)对汽车出行地点数据进行分析，得到汽车出行的主要区域，以此作为后续交通行为分析的基础；

(2)对汽车首次出行时刻、行驶时长、停车时长、行驶里程和空间概率转移矩阵的数据进行挖掘分析，形成汽车一天的出行链，推导出汽车的交通行为模型；

(3)对汽车充电过程进行分析，推导出汽车的充电行为模型。

(4)通过蒙特卡洛模拟方法，模拟汽车的交通行为和充电行为，得到汽车一天的SOC变化曲线。

(5)依据电网三种调频方式，推导出相应三种调度方式下的SOC阈值以及汽车可调度时段。

(6)依据汽车SOC曲线以及可调度SOC阈值，计算得到汽车可调度容量。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，通过对汽车出行地点数据进行分析，得到汽车出行的主要区域分布比例为：

表1电动汽车出行目的地占比

四类区域分别用D1，D2，D3，D4表示。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，通过对车辆行驶数据拟合得到的电动汽车首次出行时刻满足如下公式(1)多维正态分布：

式中，其中a₁＝0.34,μ₁＝7.46,σ₁＝0.77；a₂＝0.66,μ₂＝9.20,σ₂＝2.75

通过对车辆行驶数据拟合得到电动汽车行驶时长满足如下公式(2)对数正态分布：

式中，t_tr为行驶时长，μ_tr,σ_tr为相应起讫点的期望和标准差，取值见如下矩阵，第i行代表出发地D_i，第j行列代表到达地D_j。

通过对车辆行驶数据拟合得到电动汽车停车时长满足如下公式(3)对数正态分布：

式中，t_d为行驶时长，μ_td,σ_td为相应停车地点的期望和标准差；

表2停车时长对数分布参数

汽车在城市中行驶，基本上可以视为匀速行驶，通过对车辆行驶数据拟合得到电动汽车行驶里程和行驶时长可视为线性关系。

d＝v(t_tr)×t_tr (3)

由中心极限定律和大数定律可知行驶里程和行驶时长一样满足公式(4)的对数正态分布，其期望和标准差μ_d(t_tr),σ_d(t_tr)应当与该段行驶时长t_tr的有关。现将t_tr以20分钟划分为一个窗口进行数据分析，得到各个时间窗口中的μ_d和σ_d的值，具体参数值见表3。

表3行驶里程对数分布参数

用户可在任意时间任意地点开始行程，其目的地也可以是D1-D4任意区域。目的地的选择与用户行程开始的时刻以及起始地有关，因此可以用若干个以时间为区段的空间转移概率矩阵来描述相应时刻和起始地开始行程的目的地。即用一个按照某一时段t_k离散化的k*4*4的矩阵P_k来描述该时段内的空间转移情况。矩阵P_k的第i行代表出发地D_i，第j列代表到达地D_j。k为离散化后的时间间隔数，P_k是在k时段内的空间转移概率矩阵。例如将一天按照2小时为一时段，划分为k＝12个时段。比如，P₁₀为20-21点的空间概率转移矩阵。

通过以上步骤，可建立起电动汽车一天的出行链，推导出汽车的交通行为模型。现对电动汽车充电行为进行分析。

所有空间概率转移矩阵如下。

汽车在每一段行程结束之后，根据剩余电量来决定是否充电，公式(5)为汽车充电的判据。

(E×SOC_i-d_i×k)≤0.4E (5)

式中，E为汽车电池容量，kW·h；d_i为第i次行程的行驶里程，km；k为汽车每公里耗电量，kW·h/km；SOC_i为第i段行程起始电量。

充电结束后，第i+1次行程的SOC_i+1为：

式中，η为充电效率，取0.9。P为慢充或者快充功率，kW。

汽车开始行驶到停车的过程中，电量按照每公里耗电量k线性减少，行驶过程的SOC计算为公式(7)。汽车开始充电到结束充电的过程中认为是采取恒功率充电的模式，SOC呈现线性增长的趋势直到充电结束，充电过程SOC计算为公式(8)。

式中，SOC_i为第i次行程开始时的电量；k为每公里耗电量；d_i为第i次行驶里程，km；E为电池容量kW·h；t_tr为行驶时长，min。

式中，SOC_i0为第i次行程开始充电时的电量；SOC_i+1为第i+1次行程的起始电量，t_c为充电时长。

通过以上充电行为分析，可得到汽车连续完整的SOC曲线。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，当汽车处于入网闲置状态，即SOC曲线保持水平时，电动汽车具备容量调度的基本条件。同时，汽车的充放电调度也还必须以不影响下一次出行作为条件，因此应当对此区间设定更为详细的SOC判别约束。

(1)放电调度SOC阈值计算

图1所示为电动汽车放电调度SOC变化曲线。在汽车处于闲置状态时且 SOC值较高时，此时汽车具有放电调度的可能性。但是放电调度应当保证汽车在放电完毕之后的剩余电量不会影响到下一次行程，例如设置每一次行程开始时SOC值应不小于0.2，放电调度SOC阈值计算公式为(9-11)。

式中，SOC⁰ _i+1为第i次行程调度结束时的电量；SOC_iend为第i次行程汽车入网后响应放电调度后电量；SOC_lim取0.2；P为电网充电功率，kW；t_c为汽车放电结束到离网时刻的充电时长，min；E为电池容量kW·h。

式中，SOC_i ⁰为第i次行程调度开始时的电量；p为汽车放电功率，kW；t_d为调度时间，min。

汽车的入网电量应该大于放电阈值SOC_{dis_i}，放电调度的约束条件为：

(2)充电调度SOC阈值计算

电动汽车在入网闲置状态时，只要电量没有充满即具有充电调度潜力，因此充电调度SOC阈值由以下公式(12)推到得到：

式中，SOC⁰ _i+1为第i次行程调度结束时的电量；t_d为调度时间，min。

汽车的入网电量应该小于充电阈值SOC_{charge_i}，充电调度的约束条件为：

上述的基于数据挖掘的电动汽车可调度容量核定方法中，受电网三种调频方式影响，电动汽车不同调度方式的调度时间不尽相同，调度时间如表3所示：

表3调度时间

若汽车入网闲置时间不短于可调度时间，则公式中t_d按照上表取值，反之则不具备调度条件。

上述的基于数据挖掘的电动汽车可调度容量核定方法中，电动汽车可调度容量计算满足如下要求。

为简化分析，电动汽车的充放电过程视为恒功率充放电(p)。

当电动汽车处于入网闲置状态，即SOC曲线保持水平时满足：SOC_{dis_i}≤ SOC_i(t)≤1；

则放电调度容量P_discharge(t)＝p。

当电动汽车处于入网闲置状态，即SOC曲线保持水平时满足：SOC_i(t)≤ SOC_{charge_i}≤1；

则充电调度容量P_charge(t)＝p。

当电动汽车SOC不满足上述条件，或者入网闲置时间长于可调度时间时，充、放电调度潜力为0。

P_dis(t)＝0；P_charge(t)＝0。

电网中所有电动汽车可调度容量总和为满足公式(14)：

图3给出了本实施例的30万辆电动汽车三种调度方式的可调度容量，情形一、二和三分别代表一次、二次和三次调度方式。图4给出了30万辆电动汽车四类区域一次调度容量，在电网调度调频中能根据可调度容量进行调度。

由图3可知，汽车的可调度潜力容量随着调度时间的增加而减少，在调度时间较短的一次调度和二次调度时，汽车先前行驶损耗的电量在短时停车时具有很强的调度潜力。三次调度的时间长达120分钟，此时满足三次调度的入网闲置时间以及停车则大于120分钟，此类长时间停车一般为晚上休息停车，汽车电量已经充满到较高水平，此时汽车充电调度潜力十分有限，因此在(a)中曲线数值很小。

调度时间越长，汽车有充足的时间在放电之后再进行充电，因此计算得到的放电SOC阈值较低，电网中大量汽车都具备放电调度潜力，因此在(b)中，情形三的曲线数值维持在较高水平。总体来看，在任何一种调度情形下，电网中的放电可调度潜力容量都较高，对调度时间的变化响应不明显，而充电可调度潜力容量在短调度时间内较高，对调度时间变化响应明显。

一、二次充电可调度潜力容量在夜间逐渐增加至最大值，因为经过一天的行驶，汽车在夜间的电量处于较低水平。放电可调度潜力容量则从凌晨逐渐增加至上午，因为此时段内汽车充满电开始行程，电量处于较高水平。总体来看，全天的放电可调度潜力容量基本可以覆盖充电可调度潜力容量，并且还有余值补充用于电网的其他负荷，这将对电网的运行带来极大好处。

按照前文对电动汽车出行行为的模拟，汽车根据相关的出行特性有四类区域作为目的地，汽车在不同区域的充电行为各不相同。因此，不同区域内的可调度潜力容量也有差别，现得到四类区域的一次可调度潜力容量曲线，可用于分析可调度潜力容量的区域化差别。

由图4可知，四类区域中电动汽车的充放电可调度潜力容量随时间的变化规律相似，充放电潜力容量都集中在汽车处于该区域的相关时段内，不同区域的容量时段分布有较大区别。生活区主要在深夜至凌晨时段的调度潜力较大，汽车的放电容量可用于电网其余负荷作为电能。工作区在白天的放电潜力很大，可以为电网提供额外的功率用于其余负载，对工作区放电负荷进行集中调度可以充分利用电力资源，提高效率。商业区和休闲区的充放电潜力集中在下午和晚间时段，对这一时段的放电容量进行调度可以就近补偿商业和休闲区大量的负荷需求。综上，对不同区域分时段进行针对性的电网调度，可以大大发掘共享汽车的隐形电源潜力，同时提高电网运行稳定性以及灵活性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (7)

1.一种基于数据挖掘的电动汽车可调度容量核定方法，其特征包括以下步骤：

(1)对汽车出行地点数据进行分析，得到汽车出行的主要区域；

(2)对汽车首次出行时刻、行驶时长、停车时长、行驶里程和空间概率转移矩阵的数据进行挖掘分析，形成汽车一天的出行链，建立汽车的交通行为模型；

(3)对汽车充电过程进行分析，建立汽车的充电行为模型；

(4)通过蒙特卡洛模拟方法，模拟汽车的交通行为和充电行为，得到汽车一天的SOC变化曲线；

(5)依据电网三种调频方式，推导得到相应三种调度方式下的SOC阈值以及汽车可调度时段；

(6)依据汽车SOC曲线以及可调度SOC阈值，推导得到到汽车可调度容量，在电网不同的调频方式下，对电动汽车充放电容量进行核定。

2.根据权利要求1所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于：

在选择汽车出行目的地时，根据汽车出行时刻所处时段和起始地点的不同，用一个按照设定时段t_k离散化的k*4*4的矩阵P_k来描述该时段内的空间转移情况；矩阵P_k的第i行代表出发地D_i，第j列代表到达地D_j；k为离散化后的时间间隔数，P_k是在k时段内的空间转移概率矩阵。

3.根据权利要求2所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于：以t_k＝2小时为区间形成一天k＝12个时段的空间概率转移矩阵；根据此矩阵，汽车选择在相应时间地点出发的目的地；

若P₁₀为20-21点的空间概率转移矩阵；

4.根据权利要求2所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于步骤(2)中建立的汽车的交通行为模型如下：

汽车首次出行时刻满足如下多维正态分布：

式中，其中a₁＝0.34,μ₁＝7.46,σ₁＝0.77；a₂＝0.66,μ₂＝9.20,σ₂＝2.75；

汽车行驶时长满足如下对数正态分布：

式中，t_tr为行驶时长，μ_tr,σ_tr为相应起讫点的期望和标准差，取值见如下矩阵，第i行代表出发地D_i，第j行列代表到达地D_j；

汽车停车时长满足如下公式对数正态分布：

式中，t_d为行驶时长，μ_td,σ_td为相应停车地点的期望和标准差；

汽车行驶里程在某段时间窗口内满足对数正态分布，以20分钟划分为一个窗口进行数据分析：

式中，d为行驶里程，μ_d,σ_d为行驶里程的期望和标准差，各个时间窗口中的μ_d和σ_d的值。

5.根据权利要求1所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于步骤(3)建立汽车的充电行为模型，具体包括：

汽车在每一段行程结束之后，根据剩余电量来决定是否充电，公式(5)为汽车充电的判据，

(E×SOC_i-d_i×k)≤0.4E

式中，E为汽车电池容量，kW·h；d_i为第i次行程的行驶里程，km；k为汽车每公里耗电量，kW·h/km；SOC_i为第i段行程起始电量；

充电结束后，第i+1次行程的SOC_i+1为：

式中，η为充电效率，取0.9，P为慢充或者快充功率，单位kW；

汽车开始行驶到停车的过程中，电量按照每公里耗电量k线性减少，行驶过程的SOC计算如下：

式中，SOC_i为第i次行程开始时的电量；k为每公里耗电量；d_i为第i次行驶里程，单位km；E为电池容量kW·h；t_tr为行驶时长，单位min；

汽车开始充电到结束充电的过程中认为是采取恒功率充电的模式，SOC呈现线性增长的趋势直到充电结束，充电过程中SOC具体数值计算如下：

式中，SOC_i0为第i次行程开始充电时的电量；SOC_i+1为第i+1次行程的起始电量，t_c为充电时长。

6.根据权利要求1所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于步骤(5)包括：

当汽车SOC曲线水平时，汽车为入网闲置状态；根据电网三种调频方式设置三种调度方式，调度时间分别为15分钟，30分钟，120分钟；

放电调度SOC阈值判据的计算方法如下：

式中，SOC⁰ _i+1为第i次行程调度结束时的电量；SOC_iend为第i次行程汽车入网后响应放电调度后电量；SOC_lim取0.2；P为电网充电功率，单位kW；t_c为汽车放电结束到离网时刻的充电时长，单位min；E为电池容量kW·h；

式中，SOC_i ⁰为第i次行程调度开始时的电量；p为汽车放电功率，kW；t_d为调度时间，单位min；

汽车的入网电量应该大于放电阈值SOC_{dis_i}，放电调度的约束条件为：

充电调度SOC阈值判据的确定如下：

电动汽车在入网闲置状态时，只要电量没有充满即具有充电调度潜力，因此充电调度SOC阈值由以下公式推到得到：

式中，SOC⁰ _i+1为第i次行程调度结束时的电量；t_d为调度时间，min；

汽车的入网电量应该小于充电阈值SOC_{charge_i}，充电调度的约束条件为：

7.根据权利要求1所述的基于数据挖掘的电动汽车可调度容量核定方法，其特征在于步骤(6)具体包括：

电动汽车充放电过程视为恒功率(p)充放电，电动汽车可调度评估过程为：

当电动汽车处于入网闲置状态，即SOC曲线保持水平时满足：SOC_{dis_i}≤SOC_i(t)≤1；

则放电调度容量P_discharge(t)＝p；

当电动汽车处于入网闲置状态，即SOC曲线保持水平时满足：SOC_i(t)≤SOC_{charge_i}≤1；

则充电调度容量P_charge(t)＝p；

当电动汽车SOC不满足上述条件，或者入网闲置时间长于可调度时间时，充、放电调度潜力为0；

P_dis(t)＝0；P_charge(t)＝0；

对电网而言，单辆电动汽车可调度容量微不足道，可调度的充放电容量应等于配网中所以电动汽车调度容量之和：