一种基于机器学习的集群电动汽车功率优化管理方法技术

本发明专利技术公开了一种基于机器学习的集群电动汽车功率优化管理方法，先建立基于机器学习的集群电动汽车功率管理模型；再通过采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；之后，比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；最后，在线采集数据输入LSTM，在线生成调度结果，下达调度指令。本方法在离线阶段进行数学计算，在在线运行时只需要通过训练好的LSTM网络匹配输入和输出的关系，快速得到近似最优的调度信号，降低了对在线运行时CPU的要求，适合于大规电动汽车的在线调度计算。

A power optimization management method of cluster electric vehicle based on machine learning

【技术实现步骤摘要】
一种基于机器学习的集群电动汽车功率优化管理方法
本专利技术属于电力系统优化调度领域，具体涉及一种基于机器学习技术的集群电动汽车功率优化管理方法。
技术介绍
随着电动汽车(electricvehicle,EV)的大量普及与电动汽车入网(vehicletoGrid,V2G)技术的发展，越来越多的集群电动汽车充放电功率优化管理方法被提出，用以避免电动汽车无序充电行为对电网带来的不良影响或是解决负荷的波动、可再生能源的间歇性等问题。集群电动汽车的功率优化管理是一个连续时序决策过程，受电动汽车的特性约束。由于电动汽车的充放电效率不同，与电动汽车相关的电能管理模型通常需要引入互补约束，以保证每辆电动汽车的充放电是相互排斥的。因此，所建立的模型具有很强的非凸性，难以直接求解。混合整数线性规划是最广泛用于解决这一问题的方法。基于迭代的平滑方法和精确惩罚方法也被用来解决这个问题。近年来，粒子群算法、遗传算法、模拟退火算法等智能算法也被用在求解中。此外，为了保证每辆电动汽车电量状态在相邻时间步长的时间耦合性，上述优化方法需要在一个较长的时间范围内求解，并且依赖于准确的预测。因此，随着调度电动汽车数量和考虑的时间范围增加，上述优化方法的求解时间过长，使得控制信号无法及时送达到各辆电动汽车。同时，问题维数的增长也会带来相当大的预测与计算压力，因此需要优化系统配置一个高性能的中央处理器，这就会加重对优化管理系统的投资。为了满足大量电动汽车协调优化的计算要求，目前也出现了一种短视的调度策略，通过减少时间维数来减少计算量，并且不依赖于预测。然而，由于电动汽车的优化范围局限于当前时段，缺乏基于预测的长期规划，使得电动汽车的调度灵活性会随着调度过程的进行而降低，因此，在短视控制下难以获得全局最优解。随着近年来计算机算力的进步，结合大数据技术，应用机器学习等数据驱动模型，以人工神经网络、递归神经网络与支持向量机为代表的智能运算技术已大规模的应用在各类电力系统的优化和计算问题中。通过对海量数据间信息的挖掘，应用机器学习技术能够实现具有快速性与一定准确度的问题求解。但现有的机器学习应用多集中于负荷预测、分类等，在功率优化管理上的研究很少，现有的研究只涵盖了对家用电器、储能或是单辆电动汽车功率的控制。事实上，集群电动汽车功率优化管理对机器学习方法的应用有着更为迫切的需求。主要原因有两个方面。一方面，集群电动汽车功率优化管理系统需要协调调度多辆电动汽车的充放电功率。因此，集群电动汽车功率优化问题的维数比储能功率优化管理的问题维数大，对计算机的计算能力要求也更高。另一方面，集群电动汽车功率优化管理系统的日常运行依赖于许多智能电表和计算设备(如安装在每个充电桩中的设备)，因此由于总投资成本的经济性，每个设备的计算能力有限。然而，将现有的机器学习方法应用到集群电动汽车的协调调度是有挑战性的：电动汽车接入电网的时间有限，不能像储能、家用电器一样具备长时间提供调度功率的能力，且单辆电动汽车的充放电功率大小有限，通常需要以电动汽车集群的形式参与优化管理。目前还未出现机器学习在集群电动汽车功率优化管理上的应用，因此，需要进一步探索基于机器学习的集群电动汽车功率优化管理方法。专利技术目的本专利技术的目的在于，基于机器学习这一技术，提供一种在充分考虑电动汽车特性的基础上，既能降低计算复杂度，又能保证调度优化性的集群电动汽车的功率优化管理方法。其中，必须满足的电动汽车特性包括充放电互斥性与电量状态的时间耦合性。降低计算复杂度包括降低模型求解复杂度与预测复杂度，主要通过避免矩阵求逆、迭代等模型求解过程提高模型求解速度，并摆脱模型对预测的依赖性。保证调度的优化性体现为电能优化管理的结果具有近似最优性。
技术实现思路
本专利技术提供了一种基于机器学习的集群电动汽车功率优化管理方法，包含如下步骤：步骤A.建立基于机器学习的集群电动汽车功率管理模型；步骤B.采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；步骤C.比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；步骤D.在线采集数据输入LSTM，在线生成调度结果，下达调度指令。优选地，在步骤A所述的基于机器学习的集群电动汽车功率管理模型中，集群电动汽车中每一个电动汽车充电桩对应一个长短期记忆神经网络LSTM，应用具有记忆性的LSTM对每一辆电动汽车在下一时段的荷电状态SOC进行预测，如式(1)所示：其中，si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出；n代表预测的时间依赖性，即考虑多少个先前状态；u表示预测SOC需要考虑的优化系统状态量，即LSTM网络的输入；f表示由LSTM网络得到的输入与输出间的映射关系；符号^用于表示预测值，即由LSTM预测出的SOC决策结果；表示第i辆电动汽车在第t+1时段的预测SOC；对于集群电动汽车的SOC决策，如式(2)所示：其中，n表示集群电动汽车中所包括的电动汽车充电桩的个数；得到每辆电动汽车的SOC后，每辆电动汽车的充放电功率由式(3)进行计算：其中，PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率，其取值大于0表示充电功率，小于0表示放电功率；Cb表示电动汽车的电池容量，单位为kWh；τ表示规定的每一时段的时长，将调度总时间区间划分为T个长度为τ的时段，对每一时段执行一次功率调度；ηc与ηd分别表示充电效率与放电效率。更优选地，在步骤B中，所述历史数据为步骤A所建集群电动汽车功率管理模型中预测SOC需要考虑的优化系统状态量的历史值，至少应包括过去一年以上的该区域的电动汽车接入参数、负荷大小、电价；采集好数据后，应用混合整数线性规划算法建立优化模型，求解出各组历史数据所对应的各辆电动汽车最优充放电功率配置；历史数据与各组历史数据所对应的充放电配置最优解构成了LSTM网络的训练数据集；训练数据集中数据的数量级是不同的，且LSTM对数据数量级敏感，将这些数据通过最小-最大标准化缩放到[0-1]范围内；根据每辆电动汽车的接入、离开充电桩的时间对训练数据集进行修剪，只保留电动汽车接入充电桩时段范围内的训练数据集；修剪好数据集后，代入LSTM网络进行离线训练。再进一步优选地，在步骤C中，所述比较步骤B中所进行的离线训练的结果是：以步骤B中混合整数线性规划模型的目标函数为比较指标，依次用第i个已配置好的LSTM网络生成第k组充电桩历史数据的比较指标值(i＝1，...，N，k＝1,...,N)，通过比较，筛选出其中表现最佳的LSTM网络，并在在集群电动汽车管理系统中安装N个具有最佳训练效果的LSTM网络，为接入每个充电桩的电动汽车的调度生成SOC。最优选地，在步骤D中，基于步骤C中已安装了N个具有最佳训练效果LSTM网络的集群电动汽车管理系统，在在线运行阶段，当有电动汽车连接到充电桩并开始充电时，充电桩将检测该电动汽车的实际SOC，并在输入向量u中对其进行更本文档来自技高网...

【技术保护点】
1.一种基于机器学习的集群电动汽车功率优化管理方法，包含如下步骤：/n步骤A.建立基于机器学习的集群电动汽车功率管理模型；/n步骤B.采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；/n步骤C.比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；/n步骤D.在线采集数据输入LSTM，在线生成调度结果，下达调度指令。/n

【技术特征摘要】
1.一种基于机器学习的集群电动汽车功率优化管理方法，包含如下步骤：
步骤A.建立基于机器学习的集群电动汽车功率管理模型；
步骤B.采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；
步骤C.比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；
步骤D.在线采集数据输入LSTM，在线生成调度结果，下达调度指令。


2.根据权利要求1所述的一种基于机器学习的集群电动汽车功率优化管理方法，其中，在步骤A所述的基于机器学习的集群电动汽车功率管理模型中，集群电动汽车中每一个电动汽车充电桩对应一个长短期记忆神经网络LSTM，应用具有记忆性的LSTM对每一辆电动汽车在下一时段的荷电状态SOC进行预测，如式(1)所示：



其中，si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出；n代表预测的时间依赖性，即考虑多少个先前状态；u表示预测SOC需要考虑的优化系统状态量，即LSTM网络的输入；f表示由LSTM网络得到的输入与输出间的映射关系；符号^用于表示预测值，即由LSTM预测出的SOC决策结果；表示第i辆电动汽车在第t+1时段的预测SOC；
对于集群电动汽车的SOC决策，如式(2)所示：



其中，n表示集群电动汽车中所包括的电动汽车充电桩的个数；
得到每辆电动汽车的SOC后，每辆电动汽车的充放电功率由式(3)进行计算：



其中，PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率，其取值大于0表示充电功率，小于0表示放电功率；Cb表示电动汽车的电池容量，单位为kWh；τ表示规定的每一时段的时长，将调度总时间区间划分为T个长度为τ的时段，对每一时段执行一次功率调度；ηc与ηd分别表示充电效率与放电效率。


3.根据权利要求2所述的一种基于机器学习的集群电动汽车功率优化管理方法，在步骤B中，所...

【专利技术属性】
技术研发人员：胡俊杰，周华嫣然，周羿宏，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11