[发明专利]基于时序云模型的电动汽车需求响应潜力估计方法

权利要求书

1.基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，

采集电动汽车充放电状态历史数据；

采用逆向高斯云算法处理电动汽车充放电历史状态数据得到每辆电动汽车的云模型向量；

根据各辆电动汽车的云模型向量构建云相似度矩阵，以最大云相似度为标准对电动汽车进行聚类；

根据各辆电动汽车云模型向量预测满足需求响应筛选条件的充放电状态无序随机值作为各辆电动汽车充放电需求响应等级；

计算各类电动汽车各时段充放电状态历史数据的均值构建每类电动汽车充放电数据的完全时间序列，以各类电动汽车充放电数据的完全时间序列为基准值，计算灰色关联系数确定每类电动汽车充放电需求响应等级时间序列；

根据各类电动汽车充放电需求响应等级时间序列计算各类电动汽车充电功率削减量之和，得到需求响应潜力估计结果。

2.根据权利要求1所述基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，所述每辆电动汽车的云模型向量包括每辆电动汽车充放电状态数值的期望、熵和超熵这三个数字特征值。

3.根据权利要求2所述基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，以最大云相似度为标准对电动汽车进行聚类的方法为：

设定电动汽车聚类之后的种类数量为M，1＜M＜N/2且M为整数，N为电动汽车总数；

遍历云相似度矩阵R右上三角形中的所有元素r_ik，i,k∈1,2,..N，i≤k，按从大到小的顺序进行排列，选择前M个元素作为聚类的参考元素，以参考元素对应的2M辆电动汽车为聚类的基准量，所述云相似度矩阵为对角线元素r_ii为0，非对角线元素r_ik表示第i辆电动汽车和第k辆电动汽车云模型向量的余弦相似度；

以与基准量的云相似度最大为标准，将剩下的N-2M辆电动汽车分为M类。

4.根据权利要求2所述基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，根据各辆电动汽车云模型向量预测满足需求响应筛选条件的充放电状态无序随机值的方法为：根据各辆电动汽车云模型向量生成满足响应筛选条件的各辆电动汽车充放电状态高斯随机数，所述响应筛选条件包括：电动汽车充放电功率极限值约束条件、电动汽车功率变化极限值约束条件、充放电功率变化后荷电状态处于合理区间的约束条件。

5.根据权利要求4所述基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，计算各辆电动汽车充放电状态高斯随机数的公式为：为第i辆电动汽车在j时段充放电状态的高斯随机数，为第i辆电动汽车云模型向量中的期望，为第i辆电动汽车云模型向量中熵的高斯随机数，En_i、He_i为第i辆电动汽车云模型向量中的熵和超熵。

6.根据权利要求4所述基于时序云模型的电动汽车需求响应潜力估计方法，其特征在于，所述电动汽车充放电功率极限值约束条件为ε_i,tP_i^min≤P_i,t≤ε_i,tP_i^max，电动汽车功率变化极限值约束条件为-ε_i,tP_i,t≤ΔP_i,t≤ε_i,tP_i,t，充放电功率变化后荷电状态处于合理区间的约束条件为ε_i,t为第i辆电动汽车在时段t充放电状态的无序随机值，P_i,t、ΔP_i,t为第i辆电动汽车在时段t的充放电功率及功率变化量，P_i^max、P_i^min为第i辆电动汽车的充放电功率的上下限，η_i,t为第i辆电动汽车在时段t的充放电效率，E_i为第i辆电动汽车的容量，为第i辆电动汽车荷电状态的上下限，Soc_i,t为第i辆电动汽车在时段t的荷电状态。