CN115660346A - 一种基于边缘控制的规模化车网互动负荷调控方法 - Google Patents

Abstract

本发明涉及一种基于边缘控制的规模化车网互动负荷调控方法，通过构建影响因素序列，提取与待预测时段影响序列具有高相关性的数据集，并不断更新历史数据库与LSTM模型，实现了在大规模电动汽车接入下的各时段快速精准负荷预测；同时基于车‑桩‑网互动信息构建边缘侧负荷调控模型，采用狼群算法对模型进行最优化求解，输出最优负荷调控决策，有效降低了控制区域电网的网损与峰谷差，发挥了规模化车网互动的协同调控作用。

Description

一种基于边缘控制的规模化车网互动负荷调控方法

技术领域

本发明属于负荷调控技术领域，尤其是一种基于边缘控制的规模化车网互动负荷调控方法。

背景技术

近年来，随着智能网联汽车产业迅猛发展与智慧车联网平台高速建设，规模化的新能源汽车集群逐渐成为积极参与电网调控与城市能源交易的双向“充电宝”，规模化车网互动***正处于关键技术攻坚阶段，并取得了一定的研究成果。海量充放电数据涌入与多元充电服务业务需求使得传统城市配电网集中调度控制的能量管理模式难以适用于规模化车网互动发展。因此，基于边缘计算技术的边缘控制器（智能融合终端）应运而生，其利用先进高效的通信与数据传输技术将终端设备层、控制管理层、车联网平台层互联互通，成为规模化车网互动的关键装备。然而要实现充电负荷预测、调度信息、台区实时负荷状态、充电桩及用户信息等数据的高效集成和部分就地处理，提升平台层对规模化充电设施、台区负荷的综合管控能力，同样需要基于边缘计算技术的分布式负荷调控方法有力支撑，使边缘控制器具备低成本、高可靠、快运算的规模化应用潜力。其中面向规模化车网互动的适用于边缘控制器的负荷精准预测与调控方法尤为关键。边缘控制器可充分利用车-桩互动数据，对各时段区域充电负荷进行精准预测，并上传至配电网主站，可有效辅助配电网实时调度。根据台区变压器供给功率与实时新能源车放电功率，进行多主体边缘侧负荷调控，可提升电能质量，降低网络损耗。因此，研究面向规模化车网互动的边缘侧负荷调控策略，对提升新能源汽车综合管控水平、推动基于边缘控制器的车网互动模式建设具有重要意义。

传统的电力负荷预测方法，如时序分析法、回归分析法、负荷求导法等预测精度较低，难以考虑各种因素对预测结果的影响；而电动汽车充电及放电行为模拟法，需要考虑复杂的用户行为特征，对边缘控制器的计算成本提出了严峻的挑战，且模型参数随着充电区域变化需不断调整，难以规模化应用。数据驱动法依托于先进的人工智能算法，其通过分析充电终端的历史数据与影响因素序列即可预测下一时段负荷变化，具有高精确度与低计算开销的优势，适用于边缘控制器利用车-桩-网互动信息进行精确的区域负荷预测。

规模化新能源车无序充电，使得整体负荷的间歇性和随机性增大，进而导致配电网的峰谷差变大，网损变大，经济性变差，严重影响配电网安全稳定运行。当前已有较多研究集中于电动汽车与新能源发电相配合的配电网协同优化调控策略，但均采用配电主站集中调度的模式，控制策略无法细化至每一个桩端管理单元，使得负荷调控的调峰调频效果较差，无法有效引导电动汽车有序充电。而边缘控制器采用边缘计算技术，结合配电主站指令与台区变压器能量供给，利用先进的人工智能算法动态调整各充电站、桩潮流分布，最大化发挥规模化电动汽车的削峰填谷作用。因此，研究基于边缘控制的规模化车网互动负荷调控方法具有重要意义。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于边缘控制的规模化车网互动负荷调控方法，能够适用于边缘控制器动态负荷控制，保障负荷预测精度，实现基于车网互动的峰谷调控。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于边缘控制的规模化车网互动负荷调控方法，包括以下步骤：

步骤1、根据电动汽车用户行为特征与时空特性的影响因素，边缘控制器构建影响因素序列X，并将构建的影响因素序列X更新至数据库Z中；

步骤2、在数据库Z中基于amd（|X _d |，|X _i |）即利用加权马氏距离计算待预测时段影响因素序列X _d 与时段i影响因素序列X _i 之间的关联程度，提取有效数据集Ze；

步骤3、边缘控制器使用有效数据集Ze利用LSTM算法进行预测；

步骤4、边缘控制器将区域负荷预测结果上传至配电网主站；

步骤5、主站接收到预测结果后，将调度指令（各局部控制区域有功潮流调控量与无功潮流拟定分布）下发至各边缘控制器，各边缘控制器综合其对应的控制区域信息构建考虑车、桩和网关系的信息优化调度模型；

步骤6、使用狼群算法对步骤5中构建的考虑车、桩和网关系的信息优化调度模型进行求解并输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元的有功与无功输出进行潮流控制，并将当前时段的实际时序功率数据划分至数据库Z中。

而且，所述步骤1的具体实现方法为：

其中，X _i 为时段i的影响因素序列；p为影响因素维数，m为历史时段的个数，影响因素包括日类型、时段i相对于当日所处的时间区间、边缘控制器控制范围时段i的平均湿度、边缘控制器控制范围时段i的平均温度和边缘控制器控制范围时段i的平均车净流量；

同时对影响因素序列X进行归一化处理，归一化前后的影响因素分量关系为：

其中，

和

分别为归一化前后的影响因素分量；

为

的平均值；并利用车-桩信息传输机制、边缘控制器的数据汇集模块、车联网平台的信息融合机制，在边缘控制器中构建区域时序功率数据库Z={X,P}={X _t , P ^* _t }，其中X _t 为t时段的影响因素序列，P* _t 为t时段的实时功率值，p为影响因素维数。

而且，所述步骤2的具体实现方法为：利用区域传感检测数据构建待预测时段的影响因素序列X _d ={X _d,1,X _d,2,X _d,3,…, X _d,p }，采用加权马氏距离衡量待预测时段与历史时段对应影响因素序列的相似程度：

其中，q∈p，

为影响因素q的协方差，

为用以区分各因素对负荷特性影响程度的附加权重矩阵，α _q 是影响因素q的权重值，由灰色关联分析法求得；

为影响因素协方差广义逆矩阵，

为影响因素协方差广义逆矩阵中的子元素，设置

取值区间为[0.7,1.0]，选取与待预测时段的影响因素序列相似度大于相似度阈值的历史功率数据集Z _e ={X _e ,P _e}作为有效数据集，

分别为效数据集的影响因素序列和实时功率值。

而且，所述步骤3的具体实现方法为：LSTM算法参数隐层节点N、训练次数M、初始学习率

，将有效数据集Z _e ={X _e ,P _e}输入至LSTM模型进行训练，并通过输入待预测时段的影响因素序列，进行时段的负荷功率预测，将负荷预测功能下放至各边缘控制器分布式执行。

而且，所述步骤5中构建考虑车、桩和网关系的信息优化调度模型以网损最小与峰谷差最小为目标函数并设立约束条件。

而且，所述目标函数为：

其中，V _i 、V _j 为节点i、j的电压；G _ij 为节点导纳矩阵中对应元素的实部；

为配电***节点i、j之间的相角差；

为边缘控制区域电网网损；L _t 表示计及规模化新能源车充电负荷的t时段总负荷值；P _t 为规模化新能源车为电网反向充电的总功率值，

为边缘控制区域电网峰谷差；

与

为加权系数。

而且，所述约束条件包括桩端管理单元潮流约束、电压上下限约束、区域充放电汽车数量约束和***有功平衡约束；

桩端管理单元潮流约束：

其中，P _i,max与P _i,min分别为桩端管理单元有功功率上下限；Q _i,max与Q _i,min分别为桩端管理单元无功功率上下限；

电压上下限约束：

其中，V _i,max与V _i,min分别为桩端管理单元所允许的电压最大值和最小值；

区域充放电汽车数量约束：

其中，N _c,t ^min为t时段内***中电动汽车最小数量；N _di (t)、N _ci (t)分别为t时段内在节点i进行放电和充电的电动汽车数；N _d , _t ^max、N _c,t ^max分别为t时段内***中可充电放电的电动汽车最大数量；N _d (t)、N _c (t)分别为t时段内进行放电和充电的电动汽车数；

***有功平衡约束：

其中，P _d (t)为t时刻电动汽车集群反向充电功率；P ^t 为t时刻台区变压器供给有功；D _t 为t时刻控制区域内的所有有功负荷，包含充电的电动汽车；P ^t _loss为t时刻网损。

而且，所述步骤6包括以下步骤：

步骤6.1、确定狼群算法的初始化参数，包括最大迭代次数k _max，最大游走次数T _max，探狼比例因数α，距离判定因子β；

步骤6.2、将考虑车、桩和网关系的信息优化调度模型中各桩端控制单元潮流控制量随机编码为N维种群，得到N只狼，每一只狼均代表控制区域内的一种桩端控制单元潮流分配方案，剔除不满足约束条件的种群，共得到N种分配方案，选取适应度值最大的桩端控制单元潮流分配方案作为头狼，适应度值仅次于头狼的狼作为探狼，剩余作为猛狼，使猛狼进行游走，其位置更新为：

其中，

为在d维的游走步长；

步骤6.3、在游走过程中，判断探狼的适应度值是否大于头狼的适应度值，则方案对应的网损与峰谷差是否比上一方案小，若大于则探狼作为新头狼，继续进行游走，否则退回游走原位，继续游走；

步骤6.4、当Z只猛狼接收到头狼的围攻信号时，迅速向头狼所在区域靠拢，且保持奔袭步长step _m ，则猛狼i第k次迭代后在第d维空间所在的位置为：

其中，j _d ^k 表示在第k次迭代时头狼所在第d维空间中的位置，step ^d _m 为在d维空间的奔袭步长；

当猛狼到达攻击范围后，进行群狼围攻，即更新各桩端控制单元潮流控制量编码值：

其中，λ为[-1,1]之间均匀分布的随机数，

表示群狼展开围攻的攻击步长，对于第k代狼群，在第d维空间中将头狼位置j _d ^k 近似视为猎物位置，重新计算适应度函数，通过不断计算N维方案分配给各桩端的有功潮流与无功潮流，实现更新优化。

步骤6.5、判断所求优化解是否满足精度要求或达到最大迭代次数k _max，若满足条件输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元进行潮流控制。

本发明的优点和积极效果是：

1、本发明通过构建影响因素序列，提取与待预测时段影响序列具有高相关性的数据集，并不断更新历史数据库与LSTM模型，实现了在大规模电动汽车接入下的各时段快速精准负荷预测；同时基于车-桩-网互动信息构建边缘侧负荷调控模型，采用狼群算法对模型进行最优化求解，输出最优负荷调控决策，有效降低了控制区域电网的网损与峰谷差，发挥了规模化车网互动的协同调控作用。

2、本发明基于数据更新机制与LSTM模型，能够实现大规模电动汽车接入下的快速精准负荷预测。

3、本发明区别于现有技术中传统集中调度模式，结合车-桩-网互动信息，构建了边缘侧负荷调控模型，同时利用群狼智能方法进行最优化求解，实现基于边缘控制的车-网多层级可靠协同调控。

附图说明

图1为本发明的流程图；

图2为本发明规模化车网互动体系架构；

图3为本发明实施例某日各时段负荷预测结果；

图4为本发明实施例负荷调控前后区域配电网性能指标的对比情况。

具体实施方式

以下结合附图对本发明做进一步详述。

一种基于边缘控制的规模化车网互动负荷调控方法，如图1所示，包括以下步骤：

步骤1、根据电动汽车用户行为特征与时空特性的影响因素，构建影响因素序列X，并将构建的影响因素序列X更新至数据库Z中。

全面分析电动汽车用户行为特征与时空特性，提取有效影响因素，构建影响因素序列X：

其中，X _i 为时段i的影响因素序列，x _i,1表示日类型，若为法定工作日则为1，若为法定休假日则为0；x _i,2表示时段i相对于当日所处的时间区间，例如12:00-13:00则其值为1/2；x _i,3为边缘控制器控制范围时段i的平均湿度；x _i,4为边缘控制器控制范围时段i的平均温度；x _i,5为边缘控制器控制范围时段i的平均车净流量；p为影响因素维数，可根据边缘控制器区域特征进行动态增加或删除，m为历史时段的个数；

同时对影响因素序列X进行归一化处理，归一化前后的影响因素分量关系为：

其中，

和

分别为归一化前后的影响因素分量；

为

的平均值；X _i 为时段i的影响因素序列，并利用车-桩信息传输机制、边缘控制器的数据汇集模块、车联网平台的信息融合机制，在边缘控制器中构建区域时序功率数据库Z={X,P}={X _t , P _t }，其中X _t 为t时段的影响因素序列，P _t 为t时段的实时功率值，p为影响因素维数。

步骤2、在数据库Z中基于amd（|X _d |，|X _i |）即利用加权马氏距离计算待预测时段影响因素序列X _d 与时段i影响因素序列X _i 之间的关联程度，提取有效数据集Ze。

利用区域传感检测数据构建待预测时段的影响因素序列X _d ={X _d,1,X _d,2,X _d,3,…, X _d,p }，采用加权马氏距离衡量两时段对应影响因素序列的相似程度：

其中，

为用以区分各因素对负荷特性影响程度的附加权重矩阵，

是影响因素i的权重值，由灰色关联分析法求得；

为影响因素协方差广义逆矩阵，设置

取值区间为[0.7,1.0]，选取与待预测时段的影响因素序列相似度高的历史功率数据集Z _e ={X _e ,P _e}作为有效数据集。

步骤3、使用有效数据集Ze在基于统计经验设置LSTM算法中进行预测。

基于统计经验设置LSTM算法参数隐层节点N、训练次数M、初始学习率

，将有效数据集Z _e ={X _e ,P _e}输入至LSTM模型进行训练，并通过输入待预测时段的影响因素序列，进行时段的负荷功率预测，将负荷预测功能下放至各边缘控制器分布式执行，同时保证预测的精度与速度。

步骤4、边缘控制器将区域负荷预测结果上传至配电网主站，并将待预测时段的实际时序功率数据划分至数据库Z中。

步骤5、主站接收到预测结果后，将调度指令下发至边缘控制器，并构建综合控制区域内车-桩-网信息优化调度模型。

配电网主站将调度指令下发至边缘控制器，同时台区变压器进行潮流调整，此时规模化新能源车参与配电网需求响应，边缘控制器综合区域内车-桩-网信息，构建负荷调控模型。为平抑规模化新能源车带给配电网的影响，综合控制区域内车-桩-网信息优化调度模型以网损最小与峰谷差最小为目标函数：

其中，V _i 、V _j 为节点i、j的电压；G _ij 为节点导纳矩阵中对应元素的实部；

为配电***节点i、j之间的相角差；

为边缘控制区域电网网损；L _t 表示计及规模化新能源车充电负荷的t时段总负荷值；P _t 为规模化新能源车为电网反向充电的总功率值，

为边缘控制区域电网峰谷差；

与

为加权系数，根据各边缘控制器不同的控制需求，取值略有不同。

约束条件包括桩端管理单元潮流约束、电压上下限约束、区域充放电汽车数量约束和***有功平衡约束；

桩端管理单元潮流约束：

其中，P _i,max与P _i,min分别为桩端管理单元有功功率上下限（下限为当前充电需求，上限为充电站有功容量限额）；Q _i,max与Q _i,min分别为桩端管理单元无功功率上下限（充电站无功容量限额）；

电压上下限约束：

其中，V _i,max与V _i,min分别为桩端管理单元所允许的电压最大值和最小值；

区域充放电汽车数量约束：

其中，N _c,t ^min为t时段内***中电动汽车最小数量；N _di (t)、N _ci (t)分别为t时段内在节点i进行放电和充电的电动汽车数；N _d , _t ^max、N _c,t ^max分别为t时段内***中可充电放电的电动汽车最大数量；N _d (t)、N _c (t)分别为t时段内进行放电和充电的电动汽车数；

***有功平衡约束：

其中，P _d (t)为t时刻电动汽车集群反向充电功率；P ^t 为t时刻台区变压器供给有功；D _t 为t时刻控制区域内的所有有功负荷，包含充电的电动汽车；P ^t _loss为t时刻网损。

步骤6、使用狼群算法对步骤5中构建的考虑车、桩和网关系的信息优化调度模型进行求解并输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元进行潮流控制。

狼群算法(Wolf Pack Algorithm，WPA)是吴虎胜等学者于2013年提出的模拟狼群捕猎行为的智能优化算法。算法参考自然界狼群的捕猎分工和食物分配关系，以人工狼为主体，采用基于责任分工的协作式路径搜索结构将工程最优化求解过程抽象为狼群捕猎的5个阶段：探狼游走，头狼召唤，猛狼奔袭，群体围攻，淘汰更新。与其它群智能算法相比，狼群算法具有更为优良的局部搜索和全局优化能力，寻优稳定性较强，更适用于在边缘控制器中求解边缘调度模型。因此步骤6包括以下步骤：

步骤6.1、确定狼群算法的初始化参数，包括最大迭代次数k _max，最大游走次数T _max，探狼比例因数α，距离判定因子β；

步骤6.2、将考虑车、桩和网关系的信息优化调度模型中各桩端控制单元潮流控制量随机编码为N维种群，得到N只狼，每一只狼均代表控制区域内的一种桩端控制单元潮流分配方案，其中Y为各只狼位置即适应度值，剔除不满足约束条件的种群，共得到N种分配方案，选取适应度值最大的桩端控制单元潮流分配方案作为头狼，选取Q只适应度值仅次于头狼的狼作为探狼(适应度值为Y _i ，Y _i <Y _b )，剩余作为猛狼（适应度值为Y _m ，Y _m <Y），使猛狼向P个方向进行游走，其位置更新为：

其中，

为在d维的游走步长；p为探狼搜索方向总数，h为第h个搜索方向；y _id 为第i只狼在d维空间中所处位置。

步骤6.3、在游走过程中，判断探狼的适应度值是否大于头狼的适应度值即Y _i >Y _b ，则方案对应的网损与峰谷差是否比上一方案小，若大于则探狼作为新头狼Y _b =Y _i ），继续进行游走，否则退回游走原位，继续游走；

步骤6.4、当Z只猛狼接收到头狼的围攻信号时（Z=N-Q-1），迅速向头狼所在区域靠拢，且保持奔袭步长step _m ，则猛狼i第k次迭代后在第d维空间所在的位置为：

其中，j _d ^k 表示在第k次迭代时头狼所在第d维空间中的位置；

当猛狼奔袭至攻击范围，联合探狼一同立即对猎物发起围攻。对于第k代狼群，在第d维空间中将头狼位置j _d ^k 近似视为猎物位置，更新各桩端控制单元潮流控制量编码值：

其中，λ为[-1,1]之间均匀分布的随机数，

表示群狼展开围攻的攻击步长，对于第k代狼群，在第d维空间中将头狼位置j _d ^k 近似视为猎物位置，重新计算适应度函数，通过不断计算N维方案分配给各桩端的有功潮流与无功潮流，实现更新优化。

步骤6.5、判断所求优化解是否满足精度要求或达到最大迭代次数k _max，若满足条件输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元进行潮流控制。

根据上述一种基于边缘控制的规模化车网互动负荷调控方法，通过对于某地区配电网进行计算以验证本发明的效果：

其中，边缘控制器采用北京智芯微电子科技有限公司设计的智能融合终端，其中主控芯片采用ARMCortex-A7IP进行设计，为单芯4核架构，内嵌Mali400MP2GPU，芯片具备丰富的***设备接口，是针对电力行业的多种应用场景的定制化产品；主控板对外提供1路远程通信接口、2路RS-485通讯接口、1个电力线载波通信接口/1路微功率无线通讯接口等，可实现车-网各层级互联互通。地区配电网共建有9个充电站，92个充电桩，区域共有电动汽车数量400台，每辆电动汽车的充电功率为3kW，电池容量为20kWh。区域配电网（主站、台区变压器）、车联网平台、边缘控制器共同构成了规模化车网互动***，其架构如图2所示。各交直流充电桩与桩端控制单元组成终端设备层，实时采集充电信息与车辆运行数据，并上传至控制管理层的边缘控制器；边缘控制器对车-桩数据进行本地融合处理与智能分析，将下一时段负荷预测结果上传至平台层的配电主站与车联网平台进行集中调度；进而边缘控制器接收车联网网络信息与调度指令，构建负荷调控模型并基于狼群算法求解，下发调控指令至各桩端管理单元，实现边缘侧负荷调控以优化***运行。基于Python编写本发明方法相应程序，植入至边缘控制器内，进行测试验证。

基于LSTM模型进行负荷预测，将本发明方法与GA-ES算法进行对比，地区某日各时段负荷预测结果如图3所示。结果显示，采用GA-ES算法的负荷预测结果较实际值存在一定差距，负荷波动差距较大，部分时刻点负荷预测结果相对误差甚至超过10%。而本发明的预测结果与实际的区域负荷值拟合度更好，平均相对误差仅为1.17%，且本发明方法平均预测耗时1.45s，能够实现边缘侧控制区域内快速精准负荷预测，为配电主站平台提供有效负荷数据支持。

基于狼群算法求解边缘侧负荷调控模型，并将优化结果与未调控、配电主站集中调度对应的配电网性能进行对比，如表1所示。由表可知：采用本发明所提出的边缘侧负荷调控策略可以更为显著地降低网损与峰谷差，较配电主站集中调度模式，网损降低了19.0%，峰谷差降低了23.5%，充分发挥了规模化新能源车接入的削峰填谷潜能。为突出对比，将表1数据在图4中形象化展现，可知随着边缘负荷调控的落地应用，无论网损还是峰谷差均呈下降趋势。综上，本发明方法能够有效实现台区精确负荷预测，提升边缘控制器对规模化充电设施、台区负荷的综合管控能力，加强规模化车网多级协同调控作用。

表1 负荷调控前后区域配电网性能指标

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (8)

1.一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：包括以下步骤：

步骤1、根据电动汽车用户行为特征与时空特性的影响因素，边缘控制器构建影响因素序列X，并将构建的影响因素序列X更新至数据库Z中；

步骤2、在数据库Z中基于amd（|X _d |，|X _i |）即利用加权马氏距离计算待预测时段影响因素序列X _d 与时段i影响因素序列X _i 之间的关联程度，提取有效数据集Ze；

步骤3、边缘控制器使用有效数据集Ze利用LSTM算法进行预测；

步骤4、边缘控制器将区域负荷预测结果上传至配电网主站；

步骤5、主站接收到预测结果后，将调度指令下发至各边缘控制器，各边缘控制器综合其对应的控制区域信息构建考虑车、桩和网关系的信息优化调度模型；

步骤6、使用狼群算法对步骤5中构建的考虑车、桩和网关系的信息优化调度模型进行求解并输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元的有功与无功输出进行潮流控制，并将当前时段的实际时序功率数据划分至数据库Z中。

2.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤1的具体实现方法为：

其中，X _i 为时段i的影响因素序列；p为影响因素维数，m为历史时段的个数，影响因素包括日类型、时段i相对于当日所处的时间区间、边缘控制器控制范围时段i的平均湿度、边缘控制器控制范围时段i的平均温度和边缘控制器控制范围时段i的平均车净流量；

同时对影响因素序列X进行归一化处理，归一化前后的影响因素分量关系为：

其中，

和

分别为归一化前后的影响因素分量；

为

的平均值；并利用车-桩信息传输机制、边缘控制器的数据汇集模块、车联网平台的信息融合机制，在边缘控制器中构建区域时序功率数据库Z={X,P}={X _t , P ^* _t }，其中X _t 为t时段的影响因素序列，P* _t 为t时段的实时功率值，p为影响因素维数。

3.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤2的具体实现方法为：利用区域传感检测数据构建待预测时段的影响因素序列X _d ={X _d,1,X _d,2,X _d,3,…, X _d,p }，采用加权马氏距离衡量待预测时段与历史时段对应影响因素序列的相似程度：

其中，q∈p，

为影响因素q的协方差，

为用以区分各因素对负荷特性影响程度的附加权重矩阵，α _q 是影响因素q的权重值，由灰色关联分析法求得；

为影响因素协方差广义逆矩阵，

为影响因素协方差广义逆矩阵中的子元素，设置

取值区间为[0.7,1.0]，选取与待预测时段的影响因素序列相似度大于相似度阈值的历史功率数据集Z _e ={X _e ,P _e}作为有效数据集，

分别为效数据集的影响因素序列和实时功率值。

4.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤3的具体实现方法为：LSTM算法参数隐层节点N、训练次数M、初始学习率

，将有效数据集Z _e ={X _e ,P _e}输入至LSTM模型进行训练，并通过输入待预测时段的影响因素序列，进行时段的负荷功率预测，将负荷预测功能下放至各边缘控制器分布式执行。

5.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤5中构建考虑车、桩和网关系的信息优化调度模型以网损最小与峰谷差最小为目标函数并设立约束条件。

6.根据权利要求5所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述目标函数为：

其中，V _i 、V _j 为节点i、j的电压；G _ij 为节点导纳矩阵中对应元素的实部；

为配电***节点i、j之间的相角差；

为边缘控制区域电网网损；L _t 表示计及规模化新能源车充电负荷的t时段总负荷值；P _t 为规模化新能源车为电网反向充电的总功率值，

为边缘控制区域电网峰谷差；

与

为加权系数。

7.根据权利要求5所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述约束条件包括桩端管理单元潮流约束、电压上下限约束、区域充放电汽车数量约束和***有功平衡约束；

桩端管理单元潮流约束：

其中，P _i,max与P _i,min分别为桩端管理单元有功功率上下限；Q _i,max与Q _i,min分别为桩端管理单元无功功率上下限；

电压上下限约束：

其中，V _i,max与V _i,min分别为桩端管理单元所允许的电压最大值和最小值；

区域充放电汽车数量约束：

其中，N _c,t ^min为t时段内***中电动汽车最小数量；N _di (t)、N _ci (t)分别为t时段内在节点i进行放电和充电的电动汽车数；N _d , _t ^max、N _c,t ^max分别为t时段内***中可充电放电的电动汽车最大数量；N _d (t)、N _c (t)分别为t时段内进行放电和充电的电动汽车数；

***有功平衡约束：

其中，P _d (t)为t时刻电动汽车集群反向充电功率；P ^t 为t时刻台区变压器供给有功；D _t 为t时刻控制区域内的所有有功负荷，包含充电的电动汽车；P ^t _loss为t时刻网损。

8.根据权利要求1所述的一种基于边缘控制的规模化车网互动负荷调控方法，其特征在于：所述步骤6包括以下步骤：

步骤6.1、确定狼群算法的初始化参数，包括最大迭代次数k _max，最大游走次数T _max，探狼比例因数α，距离判定因子β；

步骤6.2、将考虑车、桩和网关系的信息优化调度模型中各桩端控制单元潮流控制量随机编码为N维种群，得到N只狼，每一只狼均代表控制区域内的一种桩端控制单元潮流分配方案，剔除不满足约束条件的种群，共得到N种分配方案，选取适应度值最大的桩端控制单元潮流分配方案作为头狼，适应度值仅次于头狼的狼作为探狼，剩余作为猛狼，使猛狼进行游走，其位置更新为：

其中，

为在d维的游走步长；p为探狼搜索方向总数，h为第h个搜索方向；y _id 为第i只狼在d维空间中所处位置；

步骤6.3、在游走过程中，判断探狼的适应度值是否大于头狼的适应度值，则方案对应的网损与峰谷差是否比上一方案小，若大于则探狼作为新头狼，继续进行游走，否则退回游走原位，继续游走；

步骤6.4、当Z只猛狼接收到头狼的围攻信号时，迅速向头狼所在区域靠拢，且保持奔袭步长step _m ，则猛狼i第k次迭代后在第d维空间所在的位置为：

其中，j _d ^k 表示在第k次迭代时头狼所在第d维空间中的位置；step ^d _m 为在d维空间的奔袭步长，

当猛狼到达攻击范围后，进行群狼围攻，即更新各桩端控制单元潮流控制量编码值：

其中，λ为[-1,1]之间均匀分布的随机数，

表示群狼展开围攻的攻击步长，对于第k代狼群，在第d维空间中将头狼位置j _d ^k 近似视为猎物位置，重新计算适应度函数，通过不断计算N维方案分配给各桩端的有功潮流与无功潮流，实现更新优化；

步骤6.5、判断所求优化解是否满足精度要求或达到最大迭代次数k _max，若满足条件输出最优负荷调控决策，边缘控制器按照最优负荷调控决策对各桩端充电单元进行潮流控制。

Images