智慧園區電動汽車有序共享充電需求分析①

石進永,趙明宇,汪映輝

1(南瑞集團(國網電力科學研究院)有限公司,南京 211106)

2(國電南瑞南京控制系統有限公司,南京 211106)

電動汽車是當下新能源產業重要組成部分,是緩解能源危機及環境問題的有效工具[1,2].目前,我國在電動汽車充換電設施標準體系建設、關鍵技術研究、關鍵設備研制和示范工程建設等方面已取得重要進展.但同時,我國當前普遍應用的電動汽車充電系統無法滿足用戶個性化充電需求.因此,通過對電動汽車充電技術的不斷創新和優化,采取科學合理的控制策略,可以改善整體電力系統管理和能源效率,同時也可以使電力系統的運行更加清潔、高效和經濟[3,4].

智慧園區能源管理和配置問題分析是掌握用戶和電力市場的重要手段,尤其隨著充電設施的廣泛接入,更需要優化配置智慧園區能源形式.文獻[5]為了充分利用電力大數據中的異構數據源挖掘出電網中存在的安全威脅,采用循環神經網絡對得到的嵌入式向量數據建立畫像,實現了數據中異常事件的檢測；文獻[6]提出一種面向電動汽車、快速充電站、配電網多元需求的電動汽車快速充電引導策略；文獻[7]基于電動汽車充放電優化模型以及實時更新的配電系統預測負荷曲線,構造出動態分時電價更新策略；文獻[8]提出基于不確定性測度的居民小區電動汽車充電定價策略并建立起電動汽車充電負荷動態概率模型,分析了電動汽車響應分時電價的不確定性而導致的居民負荷隨機波動加劇等問題.文獻[9]提出一種在線控制和離線優化相結合的有序充電控制方法,在電動汽車用戶在住宅區利用夜晚時段進行充電的情況下,解決了移峰填谷、減少負荷波動的問題.

上述文獻對電動汽車充電方式及策略研究較深入,但缺乏智慧園區電動汽車有序共享充電需求及管理模式研究.基于此,本文利用電動汽車(Electric Vehicles,EV)潛在的移動儲能特性,提出一種適用于智慧園區共享充電樁的在線自主充電需求建模分析方法,在自動檢測和識別用戶電動汽車充電需求基礎上,將其轉移至電價較低時段以加強對住宅小區電力需求的管理.首先提出一種在線識別不同類型電動汽車的方法,采用基于人工神經網絡監督學習方法分類得出每個電動汽車類別信息,并用支持向量機(Support Vector Machines,SVM)方法驗證所提方法的可行性；其次,根據分類信息利用功率譜密度估計為每個EV 提供統計模型,進行統計分析；最后根據臺區接收的日前負荷響應指令預測充電需求,對充電習慣采用核密度估計建模,利用實測數據證明該方法的可行性和有效性.

1 智慧園區EV 共享充電場景分析

依據園區已有能量管理系統(Energy Management Systems,EMS)需求響應策略,在確保用戶舒適度的前提下,實現共享充電[10],圖1展現一個典型的園區EV調度場景.車主進入園區后,EMS 確定該EV 及充電需求后,根據來自其他EV、電器和電價等信息制定該EV 充電計劃.

圖1 智慧園區EV 典型充電場景

假設該園區已建M個共享充電樁,第m個EV 最佳充電起始時間tst,m取決于其充電所需電量Ereq,m和對應充電樁可用時間tav,m.EMS 可以利用每個EV 充電習慣統計建模,預測充電電量需求和高峰時段負荷優先級.

設Ereq(T)為某天充電站所需總能量,T表示24 小時.

其中,Ereq,m(i)為當天第m個EV 充電所需電量；Pm(i)為第m個EV 瞬時充電功率；Δt為時間步長.

其中,V(i)為時段i處的充電點電壓,Im(i)為充電點電流的測量值,c os(φm(i))為功率因數.

EMS 的目標是估測Ereq,m(i+p),其中p是預測范圍(p＞0).假設Δt和V(i)是常數,因此該問題可簡化為預測Im(i)的任何可能值.這主要取決于第m輛EV 的充電計劃、電池容量以及電池初始充電狀態(State of charge,SOC)SOCini,m.對于一個共享充電站,如何用當前測量值來預測未來Ereq,m值是一個挑戰.本文采用兩步法來解決該問題：第1 步識別每個單獨EV 充電情況；第2 步建立并更新之前識別的每個EV 充電模式統計模型.通過提出的EV 識別算法來支持EMS 的最終目標或功能.通過這種方式,可以預測每輛車的充電需求,從而優化充電策略.

2 EV 充電識別模型

模式識別和數據分類過程在各個領域一直都引起廣泛關注[11].在本文中,共享充電站下的EV 充電識別問題是使用小樣本電流測量對M輛EV 充電配置進行分類.這種識別EV 的方法不需要任何額外昂貴的安裝費用.然而,由于在相同的電池容量范圍內,EV 充電電流幅值有明顯的相似性,這也帶來了一個很大的挑戰.用于EV 識別方法分兩步,第1 步是提取和選擇交流充電電流原始樣本特征,旨在創建有區別的特性,幫助提供更有效的分類；第2 步是對候選車輛充電曲線的電流幅值進行分類[12].Idiv是充電識別后的分類電流幅值.

2.1 信號特征提取

識別過程為了避免共享充電站混淆不同車輛,需要算法足夠精確可靠,需要從原始的充電電流測量中提取有用的識別特征,以便在相同的電池容量范圍內對不同的車輛分類正確.基于輸入信號的不同物理性質,選用的信號特征也不同,在時域中常用的特征是一階統計量和高階統計量；在頻域中常用的特征包括小波系數、FFT 和功率譜密度.因此需要選擇一個包括豐富信息的特征空間,通過圖2所示的序列前向選擇法選擇最優特征.

圖2 序列前向選擇特征

序列前向選擇法從空集開始,每次選擇一個新的特征fi+加入特征子集Fsubset,k使特征函數J(Fsubset,k+fi)最優化,得到的特征子集就是最佳分類[13].針對智慧園區共享充電需求分析,需考慮盡可能多的充電特征,因此選取一組12 階的特征向量,見式(4)、式(5),其中包括原始樣本、Welch 功率譜密度估計、Thomson 功率譜密度估計、標準差、偏度、第6 個非中心矩以及用離散小波變換從測量樣本中提取的3 個不同分辨率信號的標準差,并選擇了最常用的哈爾特征.

其中,σrw是測量樣品的偏度；Rwdata為交流充電電流的原始樣品；PSDW和PSDT分別為Welch 功率譜密度估計和Thomson 功率譜密度估計；s為測量樣品的標準偏差；t6是第6 個非中心時刻；和分別是第i級標準差的小波分解近似系數和細節系數.

2.2 用于EV 識別分類方法

2.2.1 前饋神經網絡

前饋神經網絡是模式分類任務中最常用的一類神經網絡[14].本文所使用的網絡拓撲結構為兩層前饋神經網絡,如圖3所示.

圖3 兩層前饋網絡拓撲圖

在隱藏層中,激活函數Zj和非線性激活函數σj分別由式(6)和式(7)定義.所使用的非線性激活函數為Sigmoid 函數.

其中,wij和bj分別表示隱藏層的權值和偏差；xi是輸入特征；Lx是輸入層的神經元數量.

在輸出層,激活函數Zk和非線性激活函數yk分別由式(8)和式(9)定義.所使用的非線性激活函數為Softmax 傳遞函數.

其中,wik和bk分別表示輸出層的權值和偏差；Lh是隱含層的神經元數量.

對于目標矩陣,每一列表示為：

2.2.2 支持向量機

支持向量機(SVM)是一種在模式分類和識別方面表現出良好性能的監督分類器[15,16].最優的分離超平面將是邊界最大的超平面,定義為數據到決策面的最小距離(對應于圖4中的超平面).準確落在邊界上的訓練數據稱為支持向量,支持最大邊界超平面.

圖4 用ci 和cj 兩類樣本訓練支持向量機的最大超平面和邊界值示意圖

構造nclass×(nclass?1)分類器,其中nclass在類的數量中與兩個不同類的數據組成一個序列.鑒于ci和cj的訓練數據(x1,y1),···,(xij,yij)已知,現將下面的二元分類問題轉化為凸二次優化問題.

其中,wcicj表示特征空間中最優超平面的參數；xt是訓練樣本；bcicj是偏差；是松弛變量；C是正則化參數.考慮分類cm,這種方法是每次一個分類器指出x在cm類中使用決策函數 s gn((wcicm)Txt+bcicm)時,cm類的投票就增加一個,x就是最終得票最多的那一類.

3 充電習慣統計模型

對于EMS 而言,任何一輛EV 充電所需電量主要受充電時EV 的SOC 和預計出發時間影響[17].為了預測電動汽車充電能量需求,需建立充電電量和出發時間的統計模型,確定充電策略中充電優先級.該模型旨在建立一個基于充電習慣和與其他間接觀測變量相關的模型,從而為EV 充電調度框架提供一個有效的自動管理.主要使用直方圖和核估計對觀測到的隨機變量行為進行統計建模[18].

3.1 日充電需求直方圖

設Em(1)、Em(2),···,Em(N)為第m個EV 的日充電能量測量樣本,f(x)為對應的概率密度函數.為了建立直方圖,充電能量數據的范圍被劃分為B1,B2,···,BL,通常選擇相同的大小,但也可以改變大小.利用以下公式構建直方圖：

其中,countl為數據Em(i)落入Bl的個數,Bl∈B.

3.2 基于插入時間的充電需求直方圖

通過整合插入時間方式表述充電需求直方圖,利用三維直方圖分布對這種相關性進行了建模.因此,插入時間bpa的直方圖分布定義為：

表示Emi在時間落入Bl的個數.

3.3 日充電需求核密度估計

直方圖方法的主要優點是易于構造和理解,在統計分析中普遍存在.但缺點是隨著樣本量的增大,收斂速度相對較慢,密度估計存在不連續,這與底層密度假定的平滑性相矛盾.通過估計核密度可以彌補這兩個缺點.這些可以看作是滑動直方圖的推廣,或者是經驗分布函數與光滑核函數的卷積.核密度估計可表示為：

其中,K是一個平滑函數,稱為核函數,h＞0 是控制平滑量的平滑帶寬.Em(i)是日充電能量測量數據的第i個樣本.N是測量數據的個數.高斯核函數表達式如下：

3.4 EV 模型更新

統計建模需要考慮不同充電習慣的隨機性.對于每個單獨的EV,有必要使用新的測量方法定期更新統計模型,以捕獲在能源需求、充電位置和連接時間方面的不同趨勢.EMS 首先將不同的消費配置文件存儲在數據庫中,再使用所提出的識別方法在線更新每個消費分布的新測量信息,并創建圖5所示的動態統計模型.

圖5 EV 模型更新

4 算例分析

4.1 數據收集

本實驗數據采集頻率為1200 Hz,并且每秒鐘采集一次電網側的充電電流幅值.通過5 輛電動汽車共享場景對識別算法進行測試.這5 輛車的詳細情況如表1所示.

表1 5 輛電動汽車的相關特性

4.2 EV 識別模型

EV 識別部分使用數據庫已經分成兩組,如表2所示.第1 個數據庫包含83 個充電數據(2019年8月5日～25日),第2 個數據庫包含49 個充電數據(2019年9月6日～20日).對于所有提出的結果,EV 識別是通過車輛接入后使用300 個測量窗口來呈現.

表2 識別過程中每個EV 的充電數據的數量

4.2.1 基于前饋神經網絡分類器的EV 識別

模型構建和在線性能測試采用獨立數據.對于模型的構建(訓練70%、驗證15%、測試15%),使用表2中的數據庫1.然后在線測試建立在數據庫2 中收集的新數據上的模型的性能.用Matlab 神經網絡模式識別進行分類.

在輸入層,從測量樣本中提取的12 個特征,如表3所示.識別過程通過300 個測窗口進行,故F1 的維度為300,通過計算確定Welch 功率譜密度估計、Thomson功率譜密度估計的FFT 長度為2 的7 次冪及2 的8 次冪,其特征空間維度分別為129 與257,其余特征空間維度均為1.輸入層的神經元最終數量即所有特征空間維度之和為695.通過改變隱藏層神經元的數目進行了多次模擬,最后選擇了包含10 個神經元的隱層.分類結果如圖6所示.雖然不同車輛的充電電流幅值非常相似,但該方法在5 種電動汽車的分類方面表現出了非常令人滿意的性能,在驗證和測試階段全部識別.離線構建后,對數據庫2 中49 個新的充電電流測量值進行了在線測試,如圖7所示.因為該模型成功地識別了5 種EV,準確率達96%.在充電的49 次測量中,對兩輛車的識別只出現了兩次混淆.此外,增加訓練數據庫的大小可以改進識別過程.本次驗證研究中用于識別的EV 類數量為5 個.這個數可少可多,取決于小區內的EV 用戶數量.

表3 前饋神經網絡輸入層中使用的特征值

圖6 數據庫1 前饋神經網絡分類結果

圖7 基于數據庫2 模型的在線驗證性能分類結果

4.2.2 特征選擇和模型敏感性研究

特征選擇就是從提取的特征中挑選出最有用的子集特征.將序列前向選擇方法應用于695 個特征的初始特征空間,以選擇最合適的子集特征,再將得到的子集特征與使用所有特征空間得到的子集特征的識別模型進行性能比較.此外,還使用了不同大小的數據庫進行特性選擇.所選的子集特征維數為3 和10.在對幾個核函數進行仿真評估后,選擇一個線性核函數作為支持向量機分類器.研究4 種場景(即25%、50%、75%和100%)的數據來選擇不同的子集特征,使用相同比例的數據庫1 用于訓練,數據庫2 用于測試階段,用獲得的子集特征測試EV 識別模型泛化能力.

利用式(5)中局部最優特征得到的序列前向選擇結果和精度如表4所示.從不同的場景中得到的結果表明,在原始信號和用Welch 和Thomson 方法估計的功率譜密度中,信息豐富的特征更加集中.敏感性研究還強調了數據庫大小對選擇子集特性的重要性,以及數據庫中包含的數據質量.隨著更多的數據被用來選擇特征,序列前向選擇算法更好地收斂到全局最優特征.不同規模數據庫4 種場景中利用所有特征空間的性能幾乎相同,如圖8所示.

表4 不同數據庫SVM 分類器子集特征選擇結果

圖8 不同數據庫規模的EV 識別模型的泛化能力與支持向量機分類器的最優特征比較

4.2.3 支持向量機和前饋神經網絡性能比較

使用相同的輸入特征和數據庫,將SVM 分類器的性能與前饋神經網絡分類器進行了比較,所利用的特征是全局最優特征.隨機生成的數據庫1 的75%為訓練數據庫,而數據庫2 用于測試階段.SVM 分類器采用線性核函數,前饋神經網絡采用13 神經元隱層,對比結果如圖9所示.

圖9 使用最優特征的SVM 分類器性能與前饋神經網絡分類器的比較

SVM 和前饋神經網絡的性能非常接近,所以這兩種方法都適合于EV 識別的實際實現.然而,因為在線應用是本文的主要目標,所以與前饋神經網絡相比,SVM 是一種計算開銷較大的方法.SVM 由多個分類器組成,考慮分類器的數量就增加了計算時間.而前饋神經網絡可以只用一個分類器實現.

4.3 EV 充電需求統計建模

4.3.1 EV日充電需求直方圖

直方圖是通過將能量軸劃分為多個區間B={[0,5],[5,10],[15,20],···,[60,65]}來構建的.

由圖10可以看出五種電動汽車的充電習慣非常不同.EV2、EV3、EV4 的分布較窄,帶寬較低.因此,他們的能量需求更容易預測.相比之下,EV1 和EV5的消耗分布較為均勻,具有一定的非平穩特性.在這種情況下,充電能量與其他變量如充電時間、天氣的相關性研究可以幫助預測充電需求.EV1 統計模型的演變如圖11所示.如果某一天EV 沒有在小區充電站充電,也可以通過識別模型捕捉到這一點.

圖10 5 個EV 歷史充電能量的直方圖和核平滑圖

4.3.2 根據插入時間和工作日充電需求直方圖

針對EV1,根據插入時間和星期幾構建了充電能量需求的直方圖模型,結果如圖12和圖13所示.

從圖12可以看出,充電到EV 電池電量與EV1 的連接時間有關.同樣,從圖13中可以看出,充電能量需求也與EV1 的星期幾有關.因此,對于EV1,EMS 利用與日期中某些變量的相關性來預測充電所需的能量.而其他變量可以減少估計誤差,比如是否晴天,是否下雨或下雪等天氣數據.

圖11 EV1 的在線統計建模

5 總結

在當前面向智慧園區電動汽車充電模式和充電策略研究基礎上,本文針對用戶自主充電需求管理提出了一種適用于智慧園區有序共享充電需求分析模型.通過對電網側充電電流測量,實現了對單個充電電動汽車充電習慣的在線識別和統計建模.由于識別EV所需的充電電流樣本更少,首先分析了小區能量管理系統協助管理共享充電站充電調度任務；然后通過人工神經網絡監督分類,建立識別模型在線識別EV,針對EV 充電習慣建立統計模型,預測其充電能量需求,其中充電習慣包括電池充電狀態、電動汽車插入時間以及是否是工作日；最后,根據采集實測數據驗證了所提出建模方法的有效性,為將來新興住宅小區規模化電動汽車有序共享充電提供幫助.

圖12 EV1 插入時間與充電能量直方圖

圖13 EV1 充電能量的直方圖和核平滑圖