一种纯电重卡集群功率响应边界优化方法及预测方法

技术领域

本发明涉及电网调频技术领域，特别是涉及一种纯电重卡集群功率响应边界优化方法及预测方法。

背景技术

重型卡车作为物流配送、港口运输等领域的主要运输方式，是无可争议的碳排放大户。近年来，为实现交通领域的绿色低碳转型，新能源重卡快速发展，纯电重卡(electricheavy truck，EHT)逐渐成为主流车型。相比于电动汽车(electric vehicle,EV)，EHT充电负荷大，充电区域相对集中，随机无序充电更容易造成电力系统峰上加峰问题，对区域电网运行造成冲击。因此，有必要研究EHT的充电行为特性并进行优化调控，降低EHT对电网造成的负面影响，同时充分挖掘EHT的可调度潜力，实现与电网的友好互动。

然而当前对EHT在电力系统中的应用研究较少，未曾有文献从用户侧柔性负荷的角度对EHT的可调度潜力进行分析。在EV可调度容量评估方面，有研究采用直接量化法对EV单体和集群的可调节容量进行计算，比如基于EV出行数据所得的SOC曲线，根据电网及用户的调度约束计算EV可调度容量。该方法虽然显式地表示了EV的可调节能力，但依赖于基线功率的制定。有研究用能量可行域描述EV所有可能的充放电轨迹，由图形边界表示电量或功率边界，但该方法在求解过程中存在迭代，计算较为复杂。

发明内容

本发明的目的是提供一种纯电重卡集群功率响应边界优化方法及预测方法，以提供一种不需要依赖于基线功率的制定，且运算更为简便的纯电重卡集群功率响应边界优化方法。

为实现上述目的，本发明提供了如下方案：

本发明实施例提供一种纯电重卡集群功率响应边界优化方法，所述优化方法包括如下步骤：

构建EHT单体响应边界优化模型；所述EHT单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标；

基于所述约束条件求解第一目标函数，获得EHT单体功率响应下边界；

基于所述约束条件求解第二目标函数，获得EHT单体功率响应上边界；

基于EHT单体功率响应下边界，计算EHT集群功率响应下边界；

基于EHT单体功率响应上边界，计算EHT集群功率响应上边界。

可选的，所述第一目标函数为：

所述第二目标函数为：

所述约束条件为：

E

0.15C

|P

其中，P

可选的，基于EHT单体功率响应下边界，计算EHT集群功率响应下边界为：

其中，P

可选的，基于EHT单体功率响应上边界，计算EHT集群功率响应上边界为：

其中，P

本发明实施例还提供一种纯电重卡集群功率响应边界优化系统，所述优化系统应用上述的优化方法，所述优化系统包括：

模型构建模块，用于构建EHT单体响应边界优化模型；所述EHT单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标；

EHT单体功率响应下边界求解模块，用于基于所述约束条件求解第一目标函数，获得EHT单体功率响应下边界；

EHT单体功率响应上边界求解模块，用于基于所述约束条件求解第二目标函数，获得EHT单体功率响应上边界；

EHT集群功率响应下边界计算模块，用于基于EHT单体功率响应下边界，计算EHT集群功率响应下边界；

EHT集群功率响应上边界计算模块，用于基于EHT单体功率响应上边界，计算EHT集群功率响应上边界。

本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。

本发明实施例还提供一种纯电重卡集群功率响应边界预测方法，所述预测方法包括如下步骤：

基于上述的优化方法，确定不同历史时段的EHT集群功率响应上边界和EHT集群功率响应下边界，作为输入数据；

基于所述输入数据，采用GRU-Attention神经网络模型，预测目标响应时段的EHT集群功率响应上边界和EHT集群功率响应下边界。

可选的，GRU-Attention神经网络模型包括依次连接的输入层、GRU层、Attention层和输出层；

所述GRU层用于对输入数据进行时序特征提取，获得特征序列；

所述Attention层用于动态计算注意力权重，并基于所述注意力权重对特征序列进行加权组合，得到上下文向量；

所述输出层用于基于上下文向量进行预测输出。

本发明实施例还提供一种纯电重卡集群功率响应边界预测系统，所述预测系统包括：

输入数据确定模块，用于基于上述的优化方法，确定不同历史时段的EHT集群功率响应上边界和EHT集群功率响应下边界，作为输入数据；

预测模块，用于基于所述输入数据，采用GRU-Attention神经网络模型，预测目标响应时段的EHT集群功率响应上边界和EHT集群功率响应下边界。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种纯电重卡集群功率响应边界优化方法及预测方法，所述优化方法包括如下步骤：构建EHT单体响应边界优化模型；基于所述约束条件求解第一目标函数，获得EHT单体功率响应下边界；基于所述约束条件求解第二目标函数，获得EHT单体功率响应上边界；基于EHT单体功率响应下边界，计算EHT集群功率响应下边界；基于EHT单体功率响应上边界，计算EHT集群功率响应上边界。本发明实施例考虑EHT集群的最大最小充电功率限制及用户充电需求，建立EHT单体响应边界优化模型。该优化模型不需要依赖于基线功率的制定，且运算更为简便。

本发明实施例在EHT单体响应边界优化模型中引入避免EHT功率频繁波动的限制常数，减少电池损耗。

本发明实施例在依据历史订单数据对EHT集群的响应能力进行评估之后，调用GRU-Attention神经网络模型对目标响应时段的响应能力进行预测，使得在目标响应时段的EHT集群响应能力申报更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种纯电重卡集群功率响应边界优化方法的流程图；

图2为本发明实施例提供的功率响应边界、基线功率与调频容量关系图；

图3为本发明实施例提供的GRU-Attention模型结构示意图；

图4为本发明实施例提供的2023年1月21至27日EHT集群的功率响应上下边界的示意图；

图5为本发明实施例提供的2023年1月21日EHT集群的功率响应上下边界；

图6为本发明实施例提供的基于GRU-Attention神经网络模型获得的功率响应下边界预测结果示意图；

图7为本发明实施例提供的基于GRU-Attention神经网络模型获得的功率响应上边界预测结果示意图；

图8为本发明实施例提供的不同方法获得的功率响应下边界预测结果对比图；

图9为本发明实施例提供的不同方法获得的功率响应上边界预测结果对比图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种纯电重卡集群功率响应边界优化方法及预测方法，以提供一种不需要依赖于基线功率的制定，且运算更为简便的纯电重卡集群功率响应边界优化方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本发明实施例1提供一种纯电重卡集群功率响应边界优化方法，如图1所示，所述优化方法包括如下步骤：

步骤101，构建EHT单体响应边界优化模型；所述EHT单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标。

定义向上调频容量为当系统频率需要上调时，EHT减少充电功率或增加放电功率时的功率变化量；向下调频容量为系统频率需要下调时，EHT增加充电功率或减小放电功率时的功率变化量。文中设定上调频容量为负，下调频容量为正。向上、向下调频容量与基线功率的关系如图2所示。

图2中，

式中，

考虑EHT的最大最小充电功率限制及用户充电需求，建立EHT单体响应边界优化模型。其中引入避免EHT功率频繁波动的限制常数，减少电池损耗。以单个EHT在充电时段内充电功率之和最小(大)化为目标，求解EHT功率响应下(上)边界。当求解EHT功率响应下边界时，求解模型如下：

约束条件：

E

0.15C

|P

式中，P

当求解EHT功率响应上边界时，仅需将目标函数修改为功率之和最大化即可。

步骤102，基于所述约束条件求解第一目标函数，获得EHT单体功率响应下边界。

步骤103，基于所述约束条件求解第二目标函数，获得EHT单体功率响应上边界。

步骤104，基于EHT单体功率响应下边界，计算EHT集群功率响应下边界。

步骤105，基于EHT单体功率响应上边界，计算EHT集群功率响应上边界。

式中，P

实施例2

本发明实施例2还提供一种纯电重卡集群功率响应边界优化系统，所述优化系统应用上述的优化方法，所述优化系统包括：

模型构建模块，用于构建EHT单体响应边界优化模型；所述EHT单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标。

EHT单体功率响应下边界求解模块，用于基于所述约束条件求解第一目标函数，获得EHT单体功率响应下边界。

EHT单体功率响应上边界求解模块，用于基于所述约束条件求解第二目标函数，获得EHT单体功率响应上边界。

EHT集群功率响应下边界计算模块，用于基于EHT单体功率响应下边界，计算EHT集群功率响应下边界。

EHT集群功率响应上边界计算模块，用于基于EHT单体功率响应上边界，计算EHT集群功率响应上边界。

实施例3

本发明实施例3提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

实施例4

实施例4提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。

实施例5

实施例5提供一种纯电重卡集群功率响应边界预测方法，所述预测方法包括如下步骤：

基于上述的优化方法，确定不同历史时段的EHT集群功率响应上边界和EHT集群功率响应下边界，作为输入数据。

基于所述输入数据，采用GRU-Attention神经网络模型，预测目标响应时段的EHT集群功率响应上边界和EHT集群功率响应下边界。

在响应时段前，EHT聚合商依据充电站历史订单数据包括起始充电时间、结束充电时间、初始电量及充电电量等，基于前述所提的EHT单体响应边界优化模型，对EHT集群的历史响应能力进行计算。在此基础上调用GRU-Attention神经网络模型对目标响应时段的响应能力进行预测，以此作为EHT集群优化调度的依据。采用GRU-Attention神经网络模型对EHT集群的调频能力进行预测，模型结构示意图如图3所示，GRU-Attention神经网络模型包括：

输入层：输入向量矩阵结构为：

x＝[x

GRU层：采用带dropout参数的GRU层对EHT聚合响应上、下边界的历史数据进行时序特征提取，学习并捕获其内部变化规律。GRU层的计算过程为：

式中，z

Attention层：通过Attention层动态计算注意力权重，对输入序列进行加权组合，从而聚焦于与当前任务相关的上下文依赖。Attention层的计算过程为：

式中，W

输出层(全连接层)：第t时刻的预测输出值y

y

式中，w

为了说明本发明实施例预测方法的性能，本发明实施例提供了如下算例：

采用河北省某物流园区的纯电重卡充电站在2022年12月9日至2023年2月17日期间的充电数据，对所提方法进行分析验证。充电数据包括充电编号、开始充电时间、结束充电时间、开始充电量、累计充电量等信息。该充电站含有EHT充电桩15个，日充电次数大约为数十至二百左右。此外，充电桩的双枪额定充电功率为380kW。为简单起见，假设所有EHT的最大电池容量相同，均为350kWh。

考虑到EHT充电时间短但充电功率大的充电特性，假定EHT聚合商参与辅助服务市场的响应时段时长为5min。此外，仅考虑EHT通过改变充电功率获得调频容量，不考虑EHT放电的情况。

以5min为评估时间间隔对EHT集群聚合响应能力进行评估计算，取功率变化限制常数ε

由图4、图5可看出功率响应上、下边界曲线的变化趋势相同，这是EHT单体响应边界优化模型中限制EHT充电功率存在较大波动的结果。在凌晨2:00至早上8:00的时段内功率响应上、下边界均较小，EHT集群的可调容量较小，这是由于该时段内充电EHT的数量较少；在日间，随着货物运输的需求，EHT充电需求增加，充电EHT数量增多，此时功率响应上、下边界存在较大差额，EHT集群的可调容量较大。

采用GRU-Attention神经网络模型对EHT集群的功率响应上下边界进行预测。将计算得到的2023年2月1日至17日的每5min聚合响应功率上、下边界作为预测模型数据集，取其前80％为训练样本，后20％为测试样本。本文设置时间步长为2，批次大小为12，即用过去120分钟的历史数据对未来24h的功率响应上、下边界进行滚动预测。基于深度学习框架Pytorch1.12搭建预测模型，采用双层GRU模型，设置隐藏层神经元个数为256个，输入、输出数据特征均为一维，使用AdamW(Adam Weight Decay)优化器进行优化。为防止出现过拟合设置dropout参数，随机停用10％的神经元。预测结果如图6和图7所示。

采用LSTM-Attention、CNN-LSTM、CNN-LSTM-Attention三种预测方法与本文所提方法进行对比，其中LSTM-Attention参数设置与本文方法类似；CNN-LSTM及CNN-LSTM-Attention方法中，先采用双层卷积池化层对原始数据提取特征，再输入单层LSTM层进行训练，其余参数设置与本文方法类似。图8和图9是四种方法的预测结果对比图。

观察图8和图9可以看出，GRU-Attention和LSTM-Attention方法的预测结果与真实值最接近。对各方法的评价指标进行计算，从表1可看出功率响应下边界预测值误差较上边界的预测值误差偏小。此外，CNN-LSTM-Attention和CNN-LSTM的均方根误差(RMSE)、平均绝对误差(MAE)均较大，而GRU-Attention和LSTM-Attention的误差值均较小且较为接近，LSTM-Attention的表现略佳。

表1四种预测模型的评价指标比较结果

实施例6

本发明实施例提供一种纯电重卡集群功率响应边界预测系统，所述预测系统包括：

输入数据确定模块，用于基于上述的优化方法，确定不同历史时段的EHT集群功率响应上边界和EHT集群功率响应下边界，作为输入数据。

预测模块，用于基于所述输入数据，采用GRU-Attention神经网络模型，预测目标响应时段的EHT集群功率响应上边界和EHT集群功率响应下边界。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1.本发明提出的纯电重卡集群功率响应边界优化方法限制了EHT充电功率频繁波动带来的电池损耗，通过EHT单体响应边界优化模型对EHT集群的功率响应上下边界进行计算，运算更为简便，实用性和可操作性更强。

2.响应时段前采用GRU-Attention神经网络模型对纯电重卡集群在目标响应时段的响应能力进行预测，使得纯电重卡聚合商的日前申报容量更为准确。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。