[发明专利]一种基于神经网络的电动汽车资源灵活性预测方法

权利要求书

1.一种基于神经网络的电动汽车资源灵活性预测方法，其特征在于：包含如下步骤：

步骤A.建立电动汽车聚合商灵活性模型；步骤A中建立的电动汽车聚合商灵活性模型为：

式中，F_EVA(t)表示为电动汽车聚合在t时刻的灵活性，P_EVA(t)表示为t时刻电动汽车聚合的功率需求，为聚合电动汽车参与需求侧响应时t时刻的功率，式(1)表示电动汽车聚合商的灵活性模型，假设功率传输的正方向是从电网到需求侧，电动汽车聚合商EVA能够发送指令，即DR信号，协调和调度所有分布式电动汽车的功率，并向根据指示转移负荷的DR用户提供具有激励的电价，在EVA中分别有两个TCN组合Transformer模型来预测电动汽车的灵活性；

步骤B.建立单辆电动汽车的物理特性模型；在步骤B中，如式(1)所示，聚合DR资源的灵活性与功率需求密切相关，而聚合DR资源的功率需求受每个需求侧资源的物理特性和功耗策略的影响；对于电动汽车，最终用户的需求是如式(6)所示，获得一定量的电池荷电状态SOC；本方法考虑电动汽车的三种充放电模式，即额定功率慢充P_slow、额定功率快充P_fast和额定功率放电P_dis，将单辆电动汽车的物理特性模型描述为如下：

P_dis≤P_EV(t)≤P_fast (2)

E(t+1)＝E(t)+ηP_EV(t)Δt，ift∈[t_start，t_dep) (3)

E(t)＝E_start，ift＝t_start (5)

E(t)≥E_exp，ift＝t_dep (6)

E(t)≤E_max (7)

P_EV(t)≥P_slow，ifE(t)＜E_max (8)

式中，EV在时间步长t处的功率可以表示为P_EV(t)，P_EV(t)和P_EVA(t)之间的关系为P_fast指的是快速充电功率，P_dis指放电功率，P_slow指慢充电功率，E(t)表示时间步长t时电动汽车的荷电状态SOC，η表示效率，Δt表示采样时间刻度，E_sart是指充电开始时t_start电动汽车初始荷电状态，E_exp是指电动汽车车主在离开时t_dep的预期荷电状态，E_max是指充电时的最大荷电状态，针对电动汽车车主的突然离开，我们设定了一个最低的SOC水平来保证电动汽车的充电需求，所以(8)是为了保证当电动汽车荷电状态低于这个水平时必须充电；

步骤C.考虑两种典型的功率损耗策略来研究其对灵活性的影响，由单步长递推预测多步长下的灵活性；在步骤C中，由于除了DR资源的特性外，用户偏好的功耗策略也会对功率需求产生很大影响，考虑两种典型的功耗策略来研究对灵活性的影响：

策略一：电动车一停车就开始充电；

策略二：由于分时电价已广泛应用于电动汽车停车场和居民区，电动汽车的功率损耗量可能会受到分时电价的引导；在策略二中，考虑了一种在分时电价下的优化用电模式，对于聚合电动汽车，策略二的优化目标如下式所示：

minc_TOU(t)·P_EVA(t)·Δt      (15)

c_TOU(t)指的是分时电价，这两种功耗策略都受到每辆电动汽车物理特性的限制，我们假设电动汽车的快速充电模式只有在进行DR程序时才启用；

为了便于DR管理和灵活性预测，引入需求响应信号DS来表示DR管理中的指令，DS指的是从聚合商发送到所有终端用户以切换其状态的请求信号，参考步骤A中的描述，考虑DS的三个不同选项，分别是0、1、-1，所有被管理的电动汽车将参与不同类型的DR，这取决于DS的值；

为了在DS≠0时最大限度地激活DR资源的能力，并在DS＝0时尊重其特性和用户需求，电动汽车响应设置也会相对应；DS＝1时，电动汽车增加充电功率或减少放电功率；DS＝-1时，反之，DS＝0时，电动汽车不参与DR计划，注意EVA将向所有EV发送相同的DS，而不是向每个EV发送不同的DS；

在DR计划中，DR资源提供的灵活性通常需要维持一段时间，为了得到不同保持时间下的灵活性，提出了一种基于DS的计算方法：如果聚合商想要得到至少保持k个时间步长的增加用电量的灵活性，则EVA可以根据DS信号在这一时刻激活多个EV；然后，可以通过求(16)中所示的最小值来获得至少可以保持k个时间步长的灵活性，注：求最小值的物理意义是确保在几个连续的周期内，灵活性可以用一个常量形式表示；

基于以上的分析和建模，可以计算出电动汽车可行的DR功率，并从计算出的DR功率中获得聚合电动汽车的灵活性；

当DS＝1时，EV可提供持续时间为2个时间步长的P_fast-P_slow调度灵活性，由于电动汽车用户充电需求的限制，当DS＝-1时，它可以提供P_dis-P_slow的调度灵活性，持续时间为1个时间步长；电动汽车维持2个时间步长的灵活性为0，要预测电动汽车多步的灵活性，我们需要在DS＝0和DS≠0的情况下进行预测：

步骤D.建立TCN结合Transformer模型；步骤D中建立了TCN结合Transformer模型，具体包括：在原始的Transformer模型中选择使用时间卷积网络TCN的形式来实现特征提取，作为TCN模型的核心，Transformer由于本身机制原因，在进行长时间序列方面表现出了强大的性能；在TCN模型中，输入和输出的长度是相同的，选择TCN结构顶部最后96个时间步的输出作为Transformer模型的输入，最后96个输出端包含了输入序列的全部信息；

步骤E.经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测；在预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率，然后，将输出作为下一个输入，可以得到相应的功率多步预测。

2.根据权利要求1所述基于神经网络的电动汽车资源灵活性预测方法，所述步骤E经过训练，TCN结合Transformer模型可以对电动汽车灵活性做出准确的预测，在实时方面预测多步预测的灵活性时，在不同策略下，将一组新的电动汽车聚合商数据输入到经过训练的电动汽车聚合商模型中，它可以在不同的DS下产生电动汽车聚合商的相应功率；然后，将输出作为下一个输入，可以得到相应的功率多步预测；在(24)中，我们建立了实现这种预测的一般形式，在步骤E中，将细化(24)，如上所述，模型的输出应为在不同DS下的对于输入，除了DS(t+k)，...DS(t)和我们需要基于不同物理特性指定变量，包括N，e_EVA；首先，我们只需为所有场景设置N＝192，将一天分为96个时段，说明过去两天的输入被考虑在内，其他变量取决于不同的情况，包括EVA以及策略一和策略二；

对于策略一，我们只需设置知意味着编码器和解码器中没有外部因素，在这种情况下，(24)和(21)可以改写为(26)和(27)：

对于策略二，考虑到基本功率是根据分时电价来设置的，因此我们将分时电价作为外部因素，无论是对于还是对于e_EVA，我们有：

[e_EVA(t+k)，...e_EVA(t)]＝[c_TOU(t+k)，...c_TOU(t)]         (30)

为了训练TCN结合Transformer模型，假设EVA可以收集所有电动汽车的电池容量、SOC、到达时间和离开时间历史信息，EVA可以得到策略一和策略二中电动汽车的基本充放电功率P_EVA，以及每天在不同DS下的开始训练模型。