[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

说明书

一种基于神经网络的电动汽车资源灵活性预测方法本发明属于电力系统预测领域，具体涉及一种基于神经网络的电动汽车资源灵活性预测方法。电网运行中需求响应资源的灵活性已成为应对间歇性可再生能源发电增长带来的问题的有价值的解决方案。然而，在现有研究中，需求侧资源（DR）的灵活性预测还没有得到充分的解决。本方法应用时间卷积网络（TCN）组合变压器这一深度学习技术，对电动汽车（EVs）这种DR资源的聚合柔性进行了预测。预测基于这些DR资源的历史功耗数据和用于促进预测的DR信号（DS）。从预测结果中可以得到聚合灵活性性的大小和保持时间。通过实例仿真验证了灵活性性预测的准确性。在不同的维护时间下，灵活性性的大小会发生变化。所提出的灵活性预测方法展示了其在释放需求侧灵活性以向电网提供备用方面的应用潜力。

技术领域

本发明属于电力系统预测领域，具体涉及一种基于神经网络的电动汽车资源灵活性预测方法。

背景技术

可再生能源发电和分布式能源在电网中整合使电力系统面临电力供需失衡的问题。随着智能电网和电力市场的发展，需求侧资源有望在解决这一问题方面发挥积极作用。需求侧响应(DR)计划近年来受到越来越多的关注，因为它能够以一种经济高效的方式支持电网运行。需求侧响应计划通常利用需求响应资源的灵活性，通过提供价格补偿或经济激励来调整自身的用电量。从广义上讲，灵活性是指系统对内外部不确定性的响应能力，即系统在内外部变量发生变化时的响应能力。然而，在电力系统中，对其灵活性的定义在世界上还没有统一的定义。目前，一个被广泛接受的定义来自国际能源机构(IEA)。它将电力系统灵活性定义为在面对大干扰时通过调整发电量或负荷来保持可靠性的能力。根据IEA对灵活性的定义，对于负荷侧的需求响应资源，其灵活性体现在增加和减少电力需求的能力上。根据以往研究显示，在节约能源和成本以及电网运行(如负荷转移和峰值功率储备)方面，需求响应计划具有显著的潜力。与传统方法相比，需求侧资源具有环境友好性和快速响应时间的优点，但它们通常很小，需要由聚合商聚合以参与系统运行。

目前如何充分利用电网中需求侧资源，国内外学者已经做了大量的研究。在对电网移峰方面，有研究以最小化充电成本为目标，实现了聚合电动汽车的移峰效应；在频率控制方面，有研究提出了多区域电力系统需求侧资源的频率控制策略，同时还有通过激励机制激励需求侧资源参与实现负载转移和改善供电馈线电压。需求侧资源的有效性很大程度上取决于需求侧资源聚合灵活性，由于分布式需求侧资源的复杂特性和随机的用户行为，使得其聚合灵活性具有不确定性，比如电动汽车充电行为就具有不确定性与随机性。因此，许多风险控制策略被广泛应用于需求响应计划中处理不确定性。比如考虑聚合电动汽车(EV)向电网提供备用服务时的条件风险值、提出保守频率调节策略、考虑电动汽车规划与实际调度能力的偏差问题、采用多场景随机优化考虑不确定性等。以上提及的风险控制方法可以帮助聚合商考虑需求侧响应计划中的不确定性，但结果可能过于保守，可能会导致用户经济利益损失，甚至不能充分发挥需求侧资源在电网运行中的灵活性。准确的灵活性预测可以帮助聚合商更实际地处理不确定性。然而，关于灵活性预测的研究却很少。有研究提出了基于循环神经网络(RNN)的灵活性预测方法，该方法可以产生聚合生活热水系统的灵活性，并根据灵活性性预测结果进行第二天的日前和实时负荷调度。然而，它只能给出总灵活性调度范围，而不能提供相应灵活性的弹性时间。此外，通常基于RNN的方法在相当复杂的问题上可能表现出较差的性能。基于现有研究，提出一种对需求侧资源灵活性的合理预测方法，具有研究意义。

发明内容

本发明在基于RNN的灵活性预测方法的基础上，提出了一种基于时间卷积网络(TCN)结合Transformer模型的深度学习方法，考虑物理特性以及不同的功耗策略，对EV这种典型需求侧资源的实时聚合灵活性进行多步预测。首先，提出了一种基于TCN结合Transformer模型的需求侧资源灵活性多步预测方法，该模型是序列预测问题中最先进的模型之一。其次，从预测结果中可以得到灵活性的调度范围和弹性时间。可以通过算例验证了较长时间内灵活性预测的准确性。灵活性预测结果可以支持需求侧资源的规划和运营，如为电网提供备用容量等。

本发明提供了一种基于神经网络的电动汽车资源灵活性预测方法主要包含如下步骤：