一种基于电动汽车的时空分布充电负荷评估方法

技术领域

本发明涉及电力系统需求侧的负荷管理、分析与应用领域，尤其是涉及一种基于电动汽车的时空分布充电负荷评估方法。

背景技术

电动汽车作为清洁、高效的交通工具，在汽车市场的占有量逐年升高。电动汽车的充电行为在时空分布上随机性较强，充电站测量装置将产生海量的充电数据。规模化电动汽车的充电负荷呈现出的特性将对电力系统的运行产生重要影响，充分挖掘这些数据的信息对研究电动汽车充电负荷时空特征、充电负荷变化趋势等方面有重要的实际意义。其模式和需求特性为电网管理侧提供决策依据，从而提高售电商、电动汽车负荷聚合商的业务质量，推动电力消费智能化变革，也有助于引导用户绿色用电。

电动汽车用电行为包括电动汽车时空用电规律，需通过深入挖掘才能得到。数据挖掘算法中针对电力系统用电负荷的聚类算法可以有效地识别电力用户的用电模式，有助于电力公司了解不同用户的用电行为；此外，Markov过程是一个随机过程，其可以用条件概率来描述，把前一时刻某取值下当前时刻取值的条件概率称作转移概率。

挖掘电动汽车充电负荷的时空特征为电力系统的受端负荷预测及参与需求响应提供必要的技术手段，如何从空间和时间两个角度对数据进行处理，从而有效提取充电负荷时空特性，对充电负荷参与需求响应起到至关重要的作用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于电动汽车的时空分布充电负荷评估方法，从空间和时间两个维度对时空分布的电动汽车充电负荷进行需求响应分析，提高了电动汽车分区分时的充电负荷特性的准确性。

本发明的目的可以通过以下技术方案来实现：

一种基于电动汽车的时空分布充电负荷评估方法，具体包括以下步骤：

S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；

S2、提取充电站的充电负荷曲线的形态特征；

S3、获取充电站的充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；

S4、根据所述充电负荷曲线，通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。

所述步骤S1中还包括对充电负荷数据中缺失数据采用样条插值进行补齐。

所述步骤S2中还包括对充电负荷曲线进行分段聚合近似处理，得到充电负荷优化曲线，从而适应数据精度的要求。

所述形态特征包括形态类属值和差异测量度，通过形态类属值准确描述曲线上升、平稳和下降的状态。

进一步地，所述形态类属值包括充电负荷曲线的曲线状态的分位点数及相应的概率值，所述形态类属值中正数表示曲线上升，负数表示曲线下降，0表示曲线平稳，所述差异测量度的计算公式如下所示：

其中，b

所述欧氏距离的计算公式具体如下所示：

其中，a

所述步骤S3中还包括根据形态特征和欧氏距离生成相应的相似度矩阵，进行归一化处理后结合，生成双尺度相似性度量矩阵，具体公式如下所示：

S＝αA+βB

α+β＝1

其中，S为双尺度相似性度量矩阵，A为欧氏距离的相似度矩阵，B为形态特征的相似度矩阵，α和β为相似度矩阵的权重系数。

所述步骤S3中谱聚类算法进行聚类的过程具体如下所示：

S301、获取双尺度相似性度量矩阵对应的高斯核函数矩阵，计算高斯核函数中每一列元素的元素和放到相应矩阵的对角线上，得到度矩阵；

S302、根据高斯核函数矩阵和度矩阵，通过相似性变换得到拉普拉斯矩阵；

S303、求出拉普拉斯矩阵中最小的特征值和对应的特征向量，将特征向量进行K-means聚类，得到相应维数的列向量，即分类标记结果，作为充电负荷空间分布数据。

进一步地，所述高斯核函数矩阵的计算公式如下所示：

其中，G为高斯核函数矩阵，σ为核函数尺度参数，S(i,j)为双尺度相似性度量矩阵元素；

所述K-means聚类中迭代阈值根据皮尔逊相关系数的值域等级进行计算，皮尔逊相关系数的计算公式具体如下所示：

其中，

进一步地，所述步骤S302中相似性变换的公式具体如下：

L＝I-D

其中，L为拉普拉斯矩阵，I为单位矩阵，D为度矩阵。

所述步骤S4中Markov算法的具体过程如下所示：

S401、将充电负荷优化曲线的负荷幅度范围划分出多个时间区间；

S402、计算相邻时间区间之间的状态转移数量矩阵和状态转移概率矩阵；

S403、根据状态转移数量矩阵和状态转移概率矩阵，生成Markov链作为充电负荷时间变化数据；

所述状态转移数量矩阵的计算公式如下所示：

其中，F

所述状态转移概率矩阵的计算公式如下所示：

其中，P

其中，

所述时间区间的公式具体如下：

α

其中，α

与现有技术相比，本发明具有以下有益效果：

1.本发明采用一阶微分提取曲线形态特征可以反映数据点之间上升、下降和平稳的态势，同时在聚类过程中，引入最大差异度阈值实现负荷模式的可控精细化识别，通过皮尔逊相关系数的值域等级设置迭代阈值来确定最优分类数，提高了充电负荷空间分布数据的准确性。

2.本发明针对时间维度充电负荷变化趋势，运用Markov算法充分考虑充电负荷在各状态之间进行转换的情况，提高了充电负荷时间分布数据的准确性。

3.本发明通过获取精准度较高的电动汽车分区分时的充电负荷特性、变化趋势，为区域和全局可响应充电负荷参与需求响应提供决策依据；同时实现需求响应建模、需求侧资源协同优化的综合服务，提升用电侧和电网侧的综合效益。

附图说明

图1为本发明的流程示意图；

图2为本发明空间聚类确定最优分类数的流程示意图；

图3为本发明实施例中空间聚类的充电负荷簇类中心图；

图4为本发明实施例中充电负荷实时曲线的示意图；

图5为本发明实施例中真实充电负荷水平及其概率分布函数(PDF)的示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图1所示，一种基于电动汽车的时空分布充电负荷评估方法，具体包括以下步骤：

S1、采集每个充电站的电动汽车充电负荷数据，生成多条充电负荷曲线；

S2、提取充电站的充电负荷曲线的形态特征；

S3、获取充电站的充电负荷曲线之间的欧氏距离，根据充电负荷曲线的形态特征和欧氏距离采用谱聚类算法进行聚类，得到充电负荷空间分布数据；

S4、根据充电负荷曲线，通过Markov算法计算得到充电负荷时间变化数据，结合充电负荷空间分布数据和充电负荷时间变化数据计算得到电动汽车分区分时的充电负荷特性。

步骤S1中还包括对充电负荷数据中缺失数据采用样条插值进行补齐。

步骤S2中还包括对充电负荷曲线进行分段聚合近似处理，得到充电负荷优化曲线，从而适应数据精度的要求，分段聚合近似处理的公式具体如下所示：

其中，Z

形态特征包括形态类属值和差异测量度，通过形态类属值准确描述曲线上升、平稳和下降的状态。

形态类属值包括充电负荷曲线的曲线状态的分位点数及相应的概率值，形态类属值中正数表示曲线上升，负数表示曲线下降，0表示曲线平稳，本实施例中，提取曲线状态的分位点数为3，对应的概率值分别为0.1、0.5和0.9。形态类属值对应的类属性矩阵Y＝[y

其中，max(X

差异测量度的计算公式如下所示：

其中，b

欧氏距离的计算公式具体如下所示：

其中，a

步骤S3中还包括根据形态特征和欧氏距离生成相应的相似度矩阵，进行归一化处理后结合，生成双尺度相似性度量矩阵，具体公式如下所示：

S＝αA+βB

α+β＝1

其中，S为双尺度相似性度量矩阵，A为欧氏距离的相似度矩阵，B为形态特征的相似度矩阵，α和β为相似度矩阵的权重系数，本实施例中，双尺度权重参数设置为α＝0.5和β＝0.5。

步骤S3中谱聚类算法进行聚类的过程具体如下所示：

S301、获取双尺度相似性度量矩阵对应的高斯核函数矩阵，计算高斯核函数中每一列元素的元素和放到相应矩阵的对角线上，得到度矩阵；

S302、根据高斯核函数矩阵和度矩阵，通过相似性变换得到拉普拉斯矩阵；

S303、求出拉普拉斯矩阵中最小的特征值和对应的特征向量，将特征向量进行K-means聚类，得到相应维数的列向量，即分类标记结果，作为充电负荷空间分布数据。

高斯核函数矩阵的计算公式如下所示：

其中，G为高斯核函数矩阵，σ为核函数尺度参数，S(i,j)为双尺度相似性度量矩阵元素，本实施例中，核函数参数σ＝0.15；

K-means聚类中迭代阈值根据皮尔逊相关系数的值域等级进行计算，皮尔逊相关系数的计算公式具体如下所示：

其中，

步骤S302中相似性变换的公式具体如下：

L＝I-D

其中，L为拉普拉斯矩阵，I为单位矩阵，D为度矩阵。

步骤S4中Markov算法的具体过程如下所示：

S401、将充电负荷优化曲线的负荷幅度范围划分出多个时间区间；

S402、计算相邻时间区间之间的状态转移数量矩阵和状态转移概率矩阵；

S403、根据状态转移数量矩阵和状态转移概率矩阵，生成Markov链作为充电负荷时间变化数据；

状态转移数量矩阵的计算公式如下所示：

其中，F

状态转移概率矩阵的计算公式如下所示：

其中，P

其中，

时间区间的公式具体如下：

α

其中，α

本实施例中，采用电动汽车时空充电模型和MATLAB软件生成电动汽车时空分布负荷曲线。空间聚类中，基于分类结果，从充电负荷曲线分别取各簇中心曲线(簇内平均负荷曲线)作为典型负荷曲线，经过高斯滤波的负荷中心如图2所示，充电负荷聚合商可以根据空间聚类结果评估基于空间分布的充电负荷参与需求响应的潜力。

在步骤S4中，通过Markov模型分析某充电站30天的充电负荷曲线来计算充电负荷变化趋势，把用电负荷水平分为5个状态，则图4中分段聚合近似曲线用符号序列表示为“bbaaab、babcdc、ebceec和dddddb”。统计真实数据集在时段9:00-24:00各负荷水平的数量，进而得到概率密度分布，如图5所示，说明充电负荷在9:00-24:00时段具有较大的需求响应潜力。以第19时段(18:00-19:00)的状态转移概率矩阵P

第一行与第一列元素都为0表示第19时段与第20时段负荷水平都不处于最低状态。除了第1行与第1列，第4列在各行元素中都是较大的，说明下一时段(19:00-20:00)有很大可能到达状态d，即充电负荷将处于比较高的水平。根据Markov变化模型，可为充电负荷聚合商在时间维度评估充电负荷参与需求响应的水平及潜力。

此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。