一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法

技术领域

本发明涉及电动汽车虚拟储能可用容量预测技术领域，更具体地说，一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法。

背景技术

电动汽车是实现我国交通能源转型和汽车工业赶超的战略新兴产业，2030年中国电动汽车保有量将超过8000万辆，电动汽车储能潜力将达到5000GW。大量电动汽车的无序充电可能会对电力系统的稳定性造成一定的威胁，同时电动汽车的车载动力电池是客观存在的，不需要二次投资，只需要将其进行通信和聚合，即可将电动汽车车载动力电池看作储能单元，随着共享经济模式的高速发展，电动汽车在满足自身行驶需求的前提下可以将多余的电能反馈给电网。对于电网电力系统来说，电动汽车虚拟储能在削峰填谷、平抑风电或光伏功率波动、调节电网频率等方面有着积极的作用。电动汽车车载动力电池系统可以作为微型分布式储能装置的虚拟存在，为电网提供服务与支持，即电动汽车虚拟储能。电动汽车虚拟储能通过通信和聚合的过程，构成了电力系统中一种微型分布式储能系统。如何实现电动汽车闲置期间的充分利用，也成为分布式储能装置支撑能源互联网构建的热点研究问题。为有效调度广域布点的电动汽车虚拟储能，实现储能在配电网络及负荷侧所能实现的服务服务等作用，需首先预判可用虚拟储能容量，从而实现电动汽车虚拟储能与电力系统所需支撑的功能匹配，进而合理调用和配置现有响应服务的电动汽车集。

发明内容

本发明的目的是为了解决上述技术背景中所提到的问题，提供了一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法。该方法首先通过马尔科夫链预测不同地点的电动汽车数量，再根据大量电动汽车历史日行驶里程数据，拟合得到电动汽车日行驶里程的概率密度分布，再结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型。

为实现上述目的，本发明的技术方案如下：

一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，所述方法包括步骤：

步骤1、从电动汽车充电站系统读取电动汽车出行结束时间、出发地和目的地等历史数据，对数据进行预处理、统计和分组；

步骤2、利用绝对分布马尔可夫链理论计算转移频数矩阵，并根据转移频数矩阵计算转移概率矩阵；

步骤3、根据当前时间段电动汽车在不同地点的数量和状态转移概率矩阵计算下一时间段电动汽车的数量；

步骤4、运用K-means聚类方法将大量电动汽车历史日行驶里程数据聚类，根据聚类结果拟合得到电动汽车日行驶里程的概率密度分布函数；

步骤5、根据步骤3得到的不同地点电动汽车数量和步骤4得到的电动汽车日行驶里程概率密度分布函数，结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型；

步骤6、利用步骤5所建立的预测模型对电动汽车虚拟储能可用容量进行预测，并计算预测误差。

所述步骤1中对所读取的数据进行预处理、统计和分组的具体过程包括：

①剔除所读取数据的缺省值、负值等无效数据；

②将一天按小时划分为24个时间段，同时将电动汽车可能的停靠地点分为三类：住宅区、工作区和其他区域，分别用字母H、W和O表示，统计得到每个时间段的三个地点的电动汽车数量，表示如下：

m

其中，m

③将每一个时间段的所有电动汽车根据其出发地和目的地进行分组。

所述步骤2中计算电动汽车频数转移矩阵和状态转移概率矩阵的具体过程包括：

①任意一辆电动汽车在接下来的时刻的去向可以是任意地点，根据步骤1得到的电动汽车出发地和目的地的分组，其频数转移过程如下式所示：

其中，m

②根据电动汽车频数转移矩阵，可以计算出每一步的电动汽车的去向的概率，其计算公式如下：

得到电动汽车去向的概率转移矩阵如下：

所述步骤3中计算出一时间段电动汽车的数量的具体过程包括：

假设在24个时间段内电动汽车去向的转移概率矩阵分别为p

m

所述步骤4中拟合电动汽车日行驶里程的概率密度分布的具体过程包括：

①日行驶里程聚类：首先将得到的数据进行K-means聚类，将行驶里程数目相近的数据归为一类，采用这一类数据中具有代表性的点来进行拟合。K值大小的选取对结果影响很大，选择较大的K值可以降低数据的误差，但会增加过拟合的风险。最优的K值的选择没有公式以及指定数值，只能通过人工比较来选择。

②拟合性能评价指标：将平均绝对误差MAE、均方根误差RMSE和确定系数R-square三个描述量作为拟合性能评价指标。计算公式如下：

平均绝对误差：

均方根误差：

确定系数：

其中，y

通过对不同聚类数K下拟合得到的电动汽车日行驶里程曲线进行误差对比，最终选取聚类数K＝100。电动汽车数量与电动汽车日行驶里程之间的函数表达式如下：

其中，a为该对数正态分布函数的系数，a＝11884；μ＝2.6908；σ＝0.9848。

所述步骤5中建立电动汽车虚拟储能可用容量预测模型的具体过程包括：

电动汽车充电后，为防止电池过度衰减设定其放电不得低于额定容量的10％，则该部分对应的SOC

SOC

其中，E

假设电动汽车每日的起始时刻电池电量为充满状态，经过L距离的行驶之后，电动汽车行驶过程的耗电量E

其中，L为电动汽车日行驶里程，服从N(2.6957，1.0192

电动汽车行驶对应消耗SOC值的计算公式如下：

设车主输入的电动汽车参与虚拟储能之后预计的行驶里程为S

假设每一台电动汽车初始时充满电状态，则每一台电动汽车参与虚拟储能可用容量所占SOC

根据某一时间段不同地点电动汽车数量m＝[m

7.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤6中计算预测误差的具体计算方法包括：

根据预测得到电动汽车参与虚拟储能的可用容量与实际的电动汽车参与虚拟储能的可用容量计算预测结果的相对平均误差，计算公式为：

其中，RMS

附图说明

图1为基于Markov链的电动汽车数量预测流程图

图2为电动汽车可能的去向示意图

图3为K-means聚类方法拟合流程图

具体实施方式

下面对优选实例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

如图1所示，一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，包括以下步骤：

步骤1、从电动汽车充电站系统读取电动汽车出行结束时间、出发地和目的地等历史数据，对数据进行预处理、统计和分组；

步骤2、利用绝对分布马尔可夫链理论计算转移频数矩阵，并根据转移频数矩阵计算转移概率矩阵；

步骤3、根据当前时间段电动汽车在不同地点的数量和状态转移概率矩阵计算下一时间段电动汽车的数量；

步骤4、运用K-means聚类方法将大量电动汽车历史日行驶里程数据聚类，根据聚类结果拟合得到电动汽车日行驶里程的概率密度分布函数；

步骤5、根据步骤3得到的不同地点电动汽车数量和步骤4得到的电动汽车日行驶里程概率密度分布函数，结合电动汽车行为习惯、电动汽车的随机性、电动汽车车主响应度、电动汽车电池特性、电动汽车出行结束时间和电池充放电阈值建立电动汽车虚拟储能可用容量预测模型；

步骤6、利用步骤5所建立的预测模型对电动汽车虚拟储能可用容量进行预测，并计算预测误差。

2.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤1中对所读取的数据进行预处理、统计和分组的具体过程包括：

①剔除所读取数据的缺省值、负值等无效数据；

②将一天按小时划分为24个时间段，同时将电动汽车可能的停靠地点分为三类：住宅区、工作区和其他区域，分别用字母H、W和O表示，统计得到每个时间段的三个地点的电动汽车数量，表示如下：

m

其中，m

③将每一个时间段的所有电动汽车根据其出发地和目的地进行分组。

3.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤2中计算电动汽车频数转移矩阵和状态转移概率矩阵的具体过程包括：

①任意一辆电动汽车在接下来的时刻的去向可以是任意地点，根据步骤1得到的电动汽车出发地和目的地的分组，其频数转移过程如下式所示：

其中，m

②根据电动汽车频数转移矩阵，可以计算出每一步的电动汽车的去向的概率，其计算公式如下：

得到电动汽车去向的概率转移矩阵如下：

4.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤3中计算下一时间段电动汽车的数量的具体过程包括：

假设在24个时间段内电动汽车去向的转移概率矩阵分别为p

m

5.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤4中拟合电动汽车日行驶里程的概率密度分布的具体过程包括：

①日行驶里程聚类：首先将得到的数据进行K-means聚类，将行驶里程数目相近的数据归为一类，采用这一类数据中具有代表性的点来进行拟合。K值大小的选取对结果影响很大，选择较大的K值可以降低数据的误差，但会增加过拟合的风险。最优的K值的选择没有公式以及指定数值，只能通过人工比较来选择。

②拟合性能评价指标：将平均绝对误差MAE、均方根误差RMSE和确定系数R-square三个描述量作为拟合性能评价指标。计算公式如下：

平均绝对误差：

均方根误差：

确定系数：

其中，y

通过对不同聚类数K下拟合得到的电动汽车日行驶里程曲线进行误差对比，最终选取聚类数K＝100。电动汽车数量与电动汽车日行驶里程之间的函数表达式如下：

其中，a为该对数正态分布函数的系数，a＝11884；μ＝2.6908；σ＝0.9848。

6.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤5中建立电动汽车虚拟储能可用容量预测模型的具体过程包括：

电动汽车充电后，为防止电池过度衰减设定其放电不得低于额定容量的10％，则该部分对应的SOC

SOC

其中，E

假设电动汽车每日的起始时刻电池电量为充满状态，经过L距离的行驶之后，电动汽车行驶过程的耗电量E

其中，L为电动汽车日行驶里程，服从N(2.6957，1.0192

电动汽车行驶对应消耗SOC值的计算公式如下：

设车主输入的电动汽车参与虚拟储能之后预计的行驶里程为S

假设每一台电动汽车初始时充满电状态，则每一台电动汽车参与虚拟储能可用容量所占SOC

根据某一时间段不同地点电动汽车数量m＝[m

7.根据权利要求1所述的一种基于马尔科夫链的电动汽车虚拟储能可用容量预测方法，其特征在于，所述步骤6中计算预测误差的具体计算方法包括：

根据预测得到电动汽车参与虚拟储能的可用容量与实际的电动汽车参与虚拟储能的可用容量计算预测结果的相对平均误差，计算公式为：

其中，RMS

如图2所示，本发明的电动汽车在某一时刻可能的转移过程具体为：电动汽车在动态转移的过程中，转移的目的是随机的，本发明将电动汽车可能的停靠地点分为三类，分别是住宅区、工作区和其他区域，用字母H、W和O代表以上三个地点，则图2表示某一时刻某台电动汽车可能的移动方向。

如图3所示，本发明的电动汽车日行驶里程拟合过程具体为：取聚类数K＝20，K＝50，K＝80，K＝100，K＝150，K＝200和K＝300对电动汽车日行驶里程进行聚类，然后分别进行电动汽车日行驶里程曲线拟合。分别计算K＝20，K＝50，K＝80，K＝100，K＝150，K＝200和K＝300情况下的电动汽车日行驶里程拟合曲线的误差，找到合适的K值，得到最终的拟合结果。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。