CN112488383B - 基于电动公交车行为特性概率的储能潜力分析方法及*** - Google Patents
基于电动公交车行为特性概率的储能潜力分析方法及*** Download PDFInfo
- Publication number
- CN112488383B CN112488383B CN202011358619.1A CN202011358619A CN112488383B CN 112488383 B CN112488383 B CN 112488383B CN 202011358619 A CN202011358619 A CN 202011358619A CN 112488383 B CN112488383 B CN 112488383B
- Authority
- CN
- China
- Prior art keywords
- charging
- energy storage
- electric bus
- electric
- storage potential
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 47
- 239000000203 mixture Substances 0.000 claims description 22
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000002222 downregulating effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明的一种基于电动公交车行为特性概率的储能潜力分析方法及***,通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量。从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布。接着从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建面向用户行为特性的约束条件,综合构成基于电动公交车行为特性概率的储能潜力评估体系。本发明可为***性针对电动公交车进行储能潜力评估,来实现电动汽车与电网互动技术在削峰填谷、协同消纳新能源出力等方面的技术支持。
Description
技术领域
本发明涉及电动公交车行为特性概率分析技术领域,具体涉及一种基于电动公交车行为特性概率的储能潜力分析方法及***。
背景技术
结合发展趋势,随着电动汽车的推广,其规模将达到数百万,电动汽车与新能源发电参与的电力***的发展具有互补协同性,在带来挑战的同时也带来了一定的机遇,一方面,规模化电动汽车接入电网将加剧无序充电下负荷时空分布不确定性以及电网峰谷差,另一方面,电动汽车不仅是一种电力负荷,其具备的分布式储能的特点,是大比例新能源电力***中抑制供需随机的辅助资源,特别是电动公交车自身具备良好的可控性,可以响应电网的调度,为实现基于电动汽车的网荷互动技术,需要进一步的明确电动汽车在电力***中的角色和定位,有必要对规模化电动公交车的储能潜力进行定量评估。
发明内容
本发明提出的一种基于电动公交车行为特性概率的储能潜力分析方法及***,为***性针对目标群体(电动公交车)进行储能潜力评估,来实现电动汽车与电网互动技术在削峰填谷、协同消纳新能源出力等方面的技术支持。
为实现上述目的,本发明采用了以下技术方案:
一种基于电动公交车行为特性概率的储能潜力分析方法,包括以下步骤:
获取交通侧、电源侧和设备侧三方的实际数据,通过事先建立的基于电动公交车行为特性概率的储能潜力评估体系进行储能潜力分析;
其中,所述基于电动公交车行为特性概率的储能潜力评估体系的建立步骤如下:
首先通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量;
再利用半参数的密度估计方法即建立二维高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布;
接着从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建在无序充电、有序充电以及双向互动三种场景下的面向用户行为特性的约束条件;综合构成基于电动公交车行为特性概率的储能潜力评估体系。
进一步的,所述获取交通侧、电源侧和设备侧三方的实际数据,其中获取交通侧数据具体包括:
通过公开的公交车信息平台,获得目标城市或区域的公交线路信息以及公交汽车的实时运行状态;包括各辆汽车的首、末班时间,各班次的发车时间,各行程的时长和休息时长,基于上述数据得到日行驶里程。
进一步的,所述获取交通侧、电源侧和设备侧三方的实际数据,其中获取电源侧的数据具体包括:
基于公交总站充电服务商的综合信息平台,选取充电站的充电数据;包括每台充电设施每个充电行为的开始时间、结束时间、实时输出功率以及单次充电电量。
进一步的,所述获取交通侧、电源侧和设备侧三方的实际数据,其中设备侧的数据获取包括电动公交车和充电设施的相关特性参数,通过设备生产商公布的信息获取。
进一步的,建立二维高斯混合模型步骤如下:
记二维随机变量X=(x1,x2),X在交通侧可分别代表出行开始时刻与结束时刻,时长与里程两对随机变量;X在电能供给侧可分别代表充电开始时刻与结束时刻,时长与电量两对随机变量;如式(1)所示:
式中,M为高斯混合模型的部件数,αm为第m个高斯部件的权重,μm和∑m分别为第m个高斯部件的均值和协方差矩阵。
进一步的,利用EM算法进行迭代求解步骤如下:
设样本空间为{Xn|1≤n≤N,n∈Z,N∈N+},样本数量为N;在模型中,样本点为二维向量Xn=[Xn1,Xn2],隐参数ωnm为Xn由高斯部件m产生的概率;
EM算法分为两个步骤,首先进行步骤E:利用参数初始值计算似然函数的期望,然后执行M步骤:通过最大化似然函数获取新的参数值直至收敛;
具体步骤如下:
1)设置参数初始值:和/>
2)由参数初始值或上次迭代值计算隐参数值:
3)在当前隐参数值基础上,根据极大似然估计法,迭代计算显参数:
若和/>满足收敛条件,则结束计算,否则转至步骤2)。
进一步的,规模化电动公交车储能潜力的评估模型构建步骤如下:
在交通需求侧、电能供给侧和设备供应侧多源数据驱动下,对用户行为特性、电动公交车和充电设施硬件条件进行初始化,再输入电动公交车总量NEV、充电设施总量NCh及快充与慢充设施比例km、评估周期T和最小时间间隔,采用拉丁超立方抽样方法对各辆电动公交车生成行程以及充电行为的开始和结束关键特征量,构造各电动公交车在评估周期内的时序行为特征;
从供需两侧同时进行模拟与分析,交叉验证结果准确性;
再根据储能潜力评价指标进行分析,最后输出不同电动公交车规模在不同场景和充电设施配置下的储能潜力评价结果。
进一步的,所述模化电动公交车储能潜力的评估模型的储能评价指标包括:
(1)储能调峰潜力
式(4)和(5)分别建立了规模化电动公交车的向上调峰能力Ecu和向下调峰能力Ecd的模型,单位均为GW·h。ΔT为评估时间间隔,而Ne则为评估周期内的时间段数量,规模化电动公交车在时段n期间的最大,最小平均充电功率定为Pmaxn和Pminn,Pn为无序状态下时段n的平均充电功率;Ecu、Ecd表征了规模化电动公交车的能量调节能力;
(2)储能调频潜力
同样式中Pcd和Pcu分别为规模化电动公交车的向下和向上调频能力,单位为GW,Np为评估时段数。
进一步的,所述面向用户行为特性的约束条件包括:
面向用户出行及充电行为特性,电动公交车储能潜力的评估应满足一定的约束,分别从无序充电、有序充电以及双向互动三种场景下进行约束建模如下:
(1)无序充电
电动公交车充电功率受充电设施与车载电池的共同约束;
式中,Pvi和Pci为电动公交车i车载电池的最大充电功率和额定充电功率,ηi为电动公交车i的充电效率,Tai为在当前充电功率的限制下,电动公交车i获得期望电量的最短时长;Tc0i为电动公交车i的最短充电时长;
记为时刻t电动公交车i的充电功率,/>为该次充电行为在时刻t前通过充电设施吸收的电量;选择无序充电方式时,不对电动公交车充电的时间或功率进行调整;到达充电地点后即开始充电,获得所需电量后结束充电过程;时刻t电动公交车i单台单次无序充电能量与功率约束如式(9)、(10)所示:
式中,Tsi为电动公交车i的充电开始时刻;
(2)有序充电
在有序充电的情况下,用户充电的时间和功率是优化的结果,需满足式(10)及以下约束条件:
式中,Tei为i车辆充电结束的时刻;
(3)双向互动
在双向互动场景下,电动公交车不仅从电网获取电量,在必要时还可以向电网放电;
将式(11)修改为:
式中,为电动公交车i的最大放电功率。
另一方面,本发明还公开一种基于电动公交车行为特性概率的储能潜力分析***包括以下单元:
数据获取单元,用于通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量;
求解单元,用于利用半参数的密度估计方法即建立二维高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布;
储能潜力评估体系构建单元,用于从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建在无序充电、有序充电以及双向互动三种场景下的面向用户行为特性的约束条件,综合构成基于电动公交车行为特性概率的储能潜力评估体系。
由上述技术方案可知,本发明的基于电动公交车行为特性概率的储能潜力分析方法,通过处理交通侧、电源侧和设备侧的实际数据,提取用户行为的相关特征量,并通过半参数估计方法拟合其概率分布,为规模化电动公交车储能潜力的评估提供数据和模型的支撑,再据此建立储能潜力评价指标模型,以此构建整体的评估体系。评估分析中的数据选取具备地域范围广、时间跨度长等特点,同时为了便于结论的交叉验证,选取数据的来源不仅限于电动公交车一侧,而是分别从交通需求侧和电能供给侧以及设备供给侧多方面选取数据。由于参数估计方法与实际情况可能存在较大偏差,而非参数估计方法也可能出现过拟合的问题,同时结合电动公交车充电特征量之间存在相关性的特征,利用半参数的密度估计方法--高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型。并利用EM算法进行迭代求解,根据上次迭代值或参数初始值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛。
规模化电动公交车储能潜力的评估分为调峰潜力及调频潜力两方面,与传统辅助服务中的概念有所区别,反映了规模化电动公交车储能为电力***应对负荷需求与可再生能源出力波动性引发的***净负荷短期不同时间尺度快速变化提供的潜力。本发明基于电动公交车行为特性概率的储能潜力的挖掘应满足状态约束、需求约束和功率约束三方面约束条件,为评价指标的定量计算提供依据,本评估体系对无序充电、有序充电以及双向互动场景下的约束集合进行了总结。
附图说明
图1是本发明的分析方法的流程示意图;
图2是本发明实施例该站采用一台充电总机控制四台充电桩的入网模式;
图3是本发明实施例的计算结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于电动公交车行为特性概率的储能潜力分析方法,通过处理交通网络需求侧、电能供应侧以及设备支持侧的实际数据,提取用户行为的相关特征量,并通过半参数估计方法拟合其概率分布,为规模化电动公交车的储能潜力评估提供数据和模型的支撑。最后建立储能潜力评价指标模型及约束条件来构成完整的潜力评估体系。
包括:
多源数据处理:为提高评估结果的全面性以及客观性,所选数据需具备地域范围广、时间跨度长等特点。同时,为便于结论的交叉验证,数据选取来自交通需求侧、电能供给侧以及设备支持侧三方。
用户行为特征分析:为了构建用户行为特性,首先利用融合了参数、非参数估计方法的优势的高斯混合模型,再基于EM启发式迭代算法求解二维高斯混合模型,得到用户的行为特性计算结果。
储能潜力评价体系:分别建立储能调峰潜力评估指标及储能调频潜力评估指标模型。再面向用户行为特性的状态约束、需求约束和功率约束,分析计算得到评估结果。
以下具体说明:
步骤1:多源数据处理
为保证潜力评估结果的客观全面性,数据选取步骤需要满足数据采集的地域范围广泛,时间跨度足够长的特点,同时为了在评估结果步骤进行交叉验证,本评估体系中的数据选取源不仅限于电动公交车一侧,而是分别从交通需求侧和电能供给侧以及设备供给侧选取数据,以此达到利用多源数据对规模化电动公交车的用电需求进行建模。
1.1交通网络侧
通过公开的公交车信息平台,获得目标城市或区域的公交线路信息以及公交汽车的实时运行状态。包括各辆汽车的首、末班时间,各班次的发车时间,各行程的时长和休息时长,在此基础上,可以得到日行驶里程。
1.2电能供应侧
基于某些公交总站充电服务商的综合信息平台,选取充电站的充电数据。包括每台充电设施每个充电行为的开始时间、结束时间、实时输出功率以及单次充电电量。
1.3设备供应侧
设备供应侧数据则包括电动公交车和充电设施的相关特性参数,可通过设备生产商公布的信息获取。
步骤2:用户行为特征分析
2.1二维高斯混合模型
针对特征分析常用的方法中,参数估计方法最为常见,但其与实际情况可能存在较大偏差,非参数估计方法由数据驱动,能够更加精确的刻画特征量的分布情况,但可能出现过拟合的问题,高斯混合模型是一种半参数的密度估计方法,融合了参数、非参数两种估计方法的优势,不会受各类密度函数形式上的限制,更便于应用于模型。
记二维随机变量X=(x1,x2),X在交通侧可分别代表出行开始时刻与结束时刻,时长与里程两对随机变量;X在电能供给侧可分别代表充电开始时刻与结束时刻,时长与电量两对随机变量。如式(1)所示:
式中,M为高斯混合模型的部件数,αm为第m个高斯部件的权重,μm和∑m分别为第m个高斯部件的均值和协方差矩阵。
2.2基于EM算法的模型求解
设样本空间为{Xn|1≤n≤N,n∈Z,N∈N+},样本数量为N。在模型中,样本点为二维向量Xn=[Xn1,Xn2],隐参数ωnm为Xn由高斯部件m产生的概率。
EM算法为一种启发式迭代算法,适用于含有隐参数的高斯混合模型求解。分为两个步骤,首先进行步骤E:利用参数初始值计算似然函数的期望,然后执行M步骤:通过最大化似然函数获取新的参数值直至收敛。具体步骤如下:
1)设置参数初始值:和/>
2)由参数初始值或上次迭代值计算隐参数值:
3)在当前隐参数值基础上,根据极大似然估计法,迭代计算显参数:
若和/>满足收敛条件,则结束计算,否则转至步骤2。
步骤3:储能潜力评价体系
3.1基于用户行为特性概率的储能潜力评估体系流程在交通需求侧、电能供给侧和设备供应侧多源数据驱动下,对用户行为特性、电动公交车和充电设施等硬件条件进行初始化,再输入电动公交车总量NEV、充电设施总量NCh及快充与慢充设施比例km、评估周期T和最小时间间隔,采用拉丁超立方抽样方法对各辆电动公交车生成行程以及充电行为的开始和结束关键特征量,构造各电动公交车在评估周期内的时序行为特征。从供需两侧同时进行模拟与分析,交叉验证结果准确性。再根据储能潜力评价指标进行分析,最后输出不同电动公交车规模在不同场景和充电设施配置下的储能潜力评价结果。
3.2储能潜力评价指标
(1)储能调峰潜力
式(4)和(5)分别建立了规模化电动公交车的向上调峰能力Ecu和向下调峰能力Ecd的模型,单位均为GW·h。ΔT为评估时间间隔,而Ne则为评估周期内的时间段数量,规模化电动公交车在时段n期间的最大,最小平均充电功率定为Pmaxn和Pminn,Pn为无序状态下时段n的平均充电功率。Ecu、Ecd表征了规模化电动公交车的能量调节能力。
(2)储能调频潜力
同样式中Pcd和Pcu分别为规模化电动公交车的向下和向上调频能力,单位为GW,Np为评估时段数。
3.3面向用户行为特性的约束条件
面向用户出行及充电行为特性,电动公交车储能潜力的评估应满足一定的约束,分别从无序充电、有序充电以及双向互动三种场景下进行约束建模如下:
(1)无序充电
电动公交车充电功率受充电设施与车载电池的共同约束。
式中,Pvi和Pci为电动公交车i车载电池的最大充电功率和额定充电功率,ηi为电动公交车i的充电效率,Tai为在当前充电功率的限制下,电动公交车i获得期望电量的最短时长。Tc0i为电动公交车i的最短充电时长。
记为时刻t电动公交车i的充电功率,/>为该次充电行为在时刻t前通过充电设施吸收的电量。选择无序充电方式时,不对电动公交车充电的时间或功率进行调整。到达充电地点后即开始充电,获得所需电量后结束充电过程。时刻t电动公交车i单台单次无序充电能量与功率约束如式(9)、(10)所示:
式中,Tsi为电动公交车i的充电开始时刻。
(2)有序充电
在有序充电的情况下,用户充电的时间和功率是优化的结果,需满足式(10)及以下约束条件:
式中,Tei为i车辆充电结束的时刻。
(3)双向互动
在双向互动场景下,电动公交车不仅从电网获取电量,在必要时还可以向电网放电。需将式(11)修改为:
式中,为电动公交车i的最大放电功率。
以下具体说明本发明的具体应用:
以一实际公交车辆总站为例,该站作为3条路线的终点站和始发站,每路车分别有9,8,8辆运行车辆。车辆电池容量均为200KWh。车辆发车时间表如表1所示。
表1公交时间表
经统计,路线在市区内的公交车一般的高峰时间段为6:30-8:30;16:30-19:00,在高峰期间发班时间间隔在5-8分钟,其余时间段位平谷期,发车间隔为10-15分钟。
结束一天运行后,全部车辆停留在该总站进行充电和修整。该站采用一台充电总机控制四台充电桩的入网模式,由3台额定功率240kW分体式直流充电桩主机与12台额定功率60kW分体式直流充电桩组成,如图2所示,这12台直流充电桩的参数如表2所示
表2充电桩信息
在双向互动场景下,将交通需求侧和电能供给侧的抽样结果代入对应约束条件,分别以优化时段吸收/释放能量最多、吸收/释放功率最大为目标进行优化,计算规模化电动汽车储能潜力。储能调峰潜力Ecu和Ecd主要反应规模化电动汽车在较长时间尺度上的能量调节特性,计算时取时间间隔为1h;储能调频潜力Pcu和Pcd主要反应较短时间尺度上的功率调节特性,取时间间隔为5min。计算结果如图3所示。
可知,在日常工作情况下,该电动公交车站的所有公交车正常参与V2G调峰调频服务,调峰潜力均值为1173kW.h,调频潜力均值为1285kW。
综上所述,本发明的基于电动公交车行为特性概率的储能潜力分析方法为***性针对目标群体(电动公交车)进行储能潜力评估,来实现电动汽车与电网互动技术在削峰填谷、协同消纳新能源出力等方面的技术支持。
另一方面,本发明还公开一种基于电动公交车行为特性概率的储能潜力分析***,包括以下单元:
数据获取单元,用于通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量;
求解单元,用于利用半参数的密度估计方法即建立二维高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布;
储能潜力评估体系构建单元,用于从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建在无序充电、有序充电以及双向互动三种场景下的面向用户行为特性的约束条件,综合构成基于电动公交车行为特性概率的储能潜力评估体系。
可理解的是,本发明实施例提供的***与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于电动公交车行为特性概率的储能潜力分析方法,其特征在于:包括以下步骤:
获取交通侧、电源侧和设备侧三方的实际数据,通过事先建立的基于电动公交车行为特性概率的储能潜力评估体系进行储能潜力分析;
其中,所述基于电动公交车行为特性概率的储能潜力评估体系的建立步骤如下:
首先通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量;
再利用半参数的密度估计方法即建立二维高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布;
接着从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建在无序充电、有序充电以及双向互动三种场景下的面向用户行为特性的约束条件;综合构成基于电动公交车行为特性概率的储能潜力评估体系;
建立二维高斯混合模型步骤如下:
记二维随机变量X=(x1,x2),X在交通侧可分别代表出行开始时刻与结束时刻,时长与里程两对随机变量;X在电能供给侧可分别代表充电开始时刻与结束时刻,时长与电量两对随机变量;如式(1)所示:
式中,M为高斯混合模型的部件数,αm为第m个高斯部件的权重,μm和Σm分别为第m个高斯部件的均值和协方差矩阵;
规模化电动公交车储能潜力的评估模型构建步骤如下:
在交通需求侧、电能供给侧和设备供应侧多源数据驱动下,对用户行为特性、电动公交车和充电设施硬件条件进行初始化,再输入电动公交车总量NEV、充电设施总量NCh及快充与慢充设施比例km、评估周期T和最小时间间隔,采用拉丁超立方抽样方法对各辆电动公交车生成行程以及充电行为的开始和结束关键特征量,构造各电动公交车在评估周期内的时序行为特征;
从供需两侧同时进行模拟与分析,交叉验证结果准确性;
再根据储能潜力评价指标进行分析,最后输出不同电动公交车规模在不同场景和充电设施配置下的储能潜力评价结果;
所述模化电动公交车储能潜力的评估模型的储能评价指标包括:
(1)储能调峰潜力
式(4)和(5)分别建立了规模化电动公交车的向上调峰能力Ecu和向下调峰能力Ecd的模型,单位均为GW·h。ΔT为评估时间间隔,而Ne则为评估周期内的时间段数量,规模化电动公交车在时段n期间的最大,最小平均充电功率定为Pmaxn和Pminn,Pn为无序状态下时段n的平均充电功率;Ecu、Ecd表征了规模化电动公交车的能量调节能力;
(2)储能调频潜力
同样式中Pcd和Pcu分别为规模化电动公交车的向下和向上调频能力,单位为GW,Np为评估时段数;
所述面向用户行为特性的约束条件包括:
面向用户出行及充电行为特性,电动公交车储能潜力的评估应满足一定的约束,分别从无序充电、有序充电以及双向互动三种场景下进行约束建模如下:
(1)无序充电
电动公交车充电功率受充电设施与车载电池的共同约束;
式中,Pvi和Pci为电动公交车i车载电池的最大充电功率和额定充电功率,ηi为电动公交车i的充电效率,Tai为在当前充电功率的限制下,电动公交车i获得期望电量的最短时长;Tc0i为电动公交车i的最短充电时长;
记为时刻t电动公交车i的充电功率,/>为该次充电行为在时刻t前通过充电设施吸收的电量;选择无序充电方式时,不对电动公交车充电的时间或功率进行调整;到达充电地点后即开始充电,获得所需电量后结束充电过程;时刻t电动公交车i单台单次无序充电能量与功率约束如式(9)、(10)所示:
式中,Tsi为电动公交车i的充电开始时刻;
(2)有序充电
在有序充电的情况下,用户充电的时间和功率是优化的结果,需满足式(10)及以下约束条件:
式中,Tei为i车辆充电结束的时刻;
(3)双向互动
在双向互动场景下,电动公交车不仅从电网获取电量,在必要时还可以向电网放电;
将式(11)修改为:
式中,为电动公交车i的最大放电功率。
2.根据权利要求1所述的基于电动公交车行为特性概率的储能潜力分析方法,其特征在于:所述获取交通侧、电源侧和设备侧三方的实际数据,其中获取交通侧数据具体包括:
通过公开的公交车信息平台,获得目标城市或区域的公交线路信息以及公交汽车的实时运行状态;包括各辆汽车的首、末班时间,各班次的发车时间,各行程的时长和休息时长,基于上述数据得到日行驶里程。
3.根据权利要求1所述的基于电动公交车行为特性概率的储能潜力分析方法,其特征在于:所述获取交通侧、电源侧和设备侧三方的实际数据,其中获取电源侧的数据具体包括:
基于公交总站充电服务商的综合信息平台,选取充电站的充电数据;包括每台充电设施每个充电行为的开始时间、结束时间、实时输出功率以及单次充电电量。
4.根据权利要求1所述的基于电动公交车行为特性概率的储能潜力分析方法,其特征在于:所述获取交通侧、电源侧和设备侧三方的实际数据,其中设备侧的数据获取包括电动公交车和充电设施的相关特性参数,通过设备生产商公布的信息获取。
5.根据权利要求1所述的基于电动公交车行为特性概率的储能潜力分析方法,其特征在于,利用EM算法进行迭代求解步骤如下:
设样本空间为{Xn|1≤n≤N,n∈Z,N∈N+},样本数量为N;在模型中,样本点为二维向量Xn=[Xn1,Xn2],隐参数ωnm为Xn由高斯部件m产生的概率;
EM算法分为两个步骤,首先进行步骤E:利用参数初始值计算似然函数的期望,然后执行M步骤:通过最大化似然函数获取新的参数值直至收敛;
具体步骤如下:
1)设置参数初始值:和/>
2)由参数初始值或上次迭代值计算隐参数值:
3)在当前隐参数值基础上,根据极大似然估计法,迭代计算显参数:
若和/>满足收敛条件,则结束计算,否则转至步骤2)。
6.一种基于电动公交车行为特性概率的储能潜力分析***,可实现权利要求1-5任意一项所述的所述的基于电动公交车行为特性概率的储能潜力分析方法,其特征在于,包括以下单元:
数据获取单元,用于通过选取交通侧、电源侧和设备侧三方的实际数据,提取用户行为的相关特征量;
求解单元,用于利用半参数的密度估计方法即建立二维高斯混合模型,从交通需求侧以及电能供给侧出发构建混合模型,并利用EM算法进行迭代求解,根据参数初始值或上次迭代值计算似然函数的期望,然后通过最大化似然函数获取新的参数值直至收敛拟合其概率分布;
储能潜力评估体系构建单元,用于从调峰潜力及调频潜力两方面构建规模化电动公交车储能潜力的评估模型,同时构建在无序充电、有序充电以及双向互动三种场景下的面向用户行为特性的约束条件,综合构成基于电动公交车行为特性概率的储能潜力评估体系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358619.1A CN112488383B (zh) | 2020-11-27 | 2020-11-27 | 基于电动公交车行为特性概率的储能潜力分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358619.1A CN112488383B (zh) | 2020-11-27 | 2020-11-27 | 基于电动公交车行为特性概率的储能潜力分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488383A CN112488383A (zh) | 2021-03-12 |
CN112488383B true CN112488383B (zh) | 2023-07-21 |
Family
ID=74936281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011358619.1A Active CN112488383B (zh) | 2020-11-27 | 2020-11-27 | 基于电动公交车行为特性概率的储能潜力分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488383B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130478A (zh) * | 2011-01-21 | 2011-07-20 | 清华大学 | 电动汽车充电站协调充电控制方法 |
CN110350535A (zh) * | 2018-09-07 | 2019-10-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及大规模风电和电动汽车并网的配电网电压稳定概率评估方法 |
CN110674575A (zh) * | 2019-09-20 | 2020-01-10 | 华北电力大学(保定) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 |
CN111178619A (zh) * | 2019-12-25 | 2020-05-19 | 东南大学 | 一种考虑分布式电源和充电站联合规划的多目标优化方法 |
WO2020163873A1 (en) * | 2019-02-08 | 2020-08-13 | California Institute Of Technology | Systems and methods for adaptive ev charging |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4744622B2 (ja) * | 2009-07-01 | 2011-08-10 | トヨタ自動車株式会社 | 車両の制御装置 |
-
2020
- 2020-11-27 CN CN202011358619.1A patent/CN112488383B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130478A (zh) * | 2011-01-21 | 2011-07-20 | 清华大学 | 电动汽车充电站协调充电控制方法 |
CN110350535A (zh) * | 2018-09-07 | 2019-10-18 | 国网甘肃省电力公司电力科学研究院 | 一种计及大规模风电和电动汽车并网的配电网电压稳定概率评估方法 |
WO2020163873A1 (en) * | 2019-02-08 | 2020-08-13 | California Institute Of Technology | Systems and methods for adaptive ev charging |
CN110674575A (zh) * | 2019-09-20 | 2020-01-10 | 华北电力大学(保定) | 一种基于时序出行集的电动汽车集群充电需求与放电能力模型建模方法 |
CN111178619A (zh) * | 2019-12-25 | 2020-05-19 | 东南大学 | 一种考虑分布式电源和充电站联合规划的多目标优化方法 |
Non-Patent Citations (3)
Title |
---|
大规模分散式充电桩参与电网负荷优化技术研究;杨斌等;《电力需求侧管理》;20181120(第06期);全文 * |
电动汽车参与上海市电力需求响应潜力及经济性研究;刘坚等;《供用电》;20170305(第03期);全文 * |
考虑多类型分布式电源和负荷不确定性的主动配电网区间状态估计;徐俊俊等;《中国电机工程学报》;20170919(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112488383A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadian et al. | A review on plug-in electric vehicles: Introduction, current status, and load modeling techniques | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
Fluhr et al. | A stochastic model for simulating the availability of electric vehicles for services to the power grid | |
CN109711630A (zh) | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 | |
CN107169273A (zh) | 计及延时和v2g充电模式的电动汽车充电功率预测方法 | |
Van den Berg et al. | Impact of electric vehicles charging demand on distribution transformers in an office area and determination of flexibility potential | |
CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN114580251B (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
Yi et al. | A data-driven framework for residential electric vehicle charging load profile generation | |
CN111162517A (zh) | 计及源荷相关性含电动汽车的分布式电源选址定容方法 | |
CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 | |
Terada et al. | Ev charging simulator for public infrastructure considering smart charging and price policies | |
CN113222241B (zh) | 考虑充电服务引导与客户需求的出租车快充电站规划方法 | |
Ren et al. | Bayesian network based real-time charging scheduling of electric vehicles | |
CN112488383B (zh) | 基于电动公交车行为特性概率的储能潜力分析方法及*** | |
Akbari et al. | Futuristic model of electric vehicle charging queues | |
Silber et al. | Analysis of the simultaneity factor of fast-charging sites using Monte-Carlo simulation | |
Soares et al. | Electric Vehicles Trips and Charging Simulator Considering the User Behaviour in a Smart City | |
Ni et al. | Collaborative mobile charging vehicles placement: A reinforcement learning approach | |
CN114819656B (zh) | 基于多阶段延迟接受算法的电动汽车-快充站匹配方法 | |
Shimin et al. | Location and capacity planning of electric vehicles charging piles | |
CN117996754B (zh) | 一种基于改进dbo算法的电动汽车有序充放电控制方法 | |
Khan et al. | Neural Network-based Load Forecasting Model for Efficient Charging of Electric Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |