基于数据驱动的电动汽车实时充电研究

作     者：张文龙 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：张洁

授予年度：2023年

学科分类：0808[工学-电气工程] 08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：电动汽车 负荷预测 行程链 有序充电 需求响应 

摘      要：随着电动汽车在世界范围内的推广,其充电负荷已经成为电网负荷的重要组成部分。电动汽车充电负荷预测是充电站选址定容、需求响应、分析电动汽车接入电网影响、充电控制策略等方向的研究基础。电动汽车的充电行为具有随机性和不确定性,若不经引导随意加入电网进行充电行为,必然会带来电力负荷的大幅波动,增加电网统筹调度难度,对电力系统建设及电网运行产生严重影响。为此本文分别就充电负荷预测和充电调度两方面各提出一种改进算法,具体工作如下:1.针对负荷预测问题,提出一种基于行程链的电动汽车负荷预测方法,采用三层机器学习算法预测电动汽车的出行,然后利用模糊理论得到不同天气和路况下每公里的耗电量,最终生成对区域内电动汽车的充电负荷预测。用户行程链和出行活动有很强的相关性,上一段的行程会影响后续的出行,因此第一层使用LSTM对行程链的类型进行预测。第二层使用BP神经网络对出行的开始和结束时间进行预测,考虑到传统的BP神经网络模型在求解非线性问题容易陷入局部最优导致训练失败的问题,引入BAS帮助BP优化全局搜索,加快求解速度。考虑到用户驾驶习惯的不同,采用Random Forest(随机森林,RF)算法作为模型的第三层,通过构建多个决策树来预测用户的行驶距离。实验表明,所提方法的预测负荷与实际负荷的差值为2.35%,MC算法对应的差值为5%,所提算法预测结果更加准确。2.针对充电调度问题,提出一种基于深度强化学习算法A3C(Asynchronous Advantage Actor-critic,异步演员评论家算法)的有序充电方法。结合之前提出的用户出行预测方法设计一个基于消费心理学理论的需求响应模型,以最大化充电站收益为目标,优化充电调度和定价策略。为避免因为经验回放而导致的数据相关性过强,利用多线程实现模型与多个环境进行互动,提高了模型的收敛性。为了解决由汽车进站的随机性引起的状态空间的维数变化,基于底层物理系统的特征,使用特征函数来近似模型需要的价值函数和策略函数,有效减少输入维度并将其固定5个。通过实验得到无序充电、Sarsa算法和A3C算法下的负荷方差分别为24.41MW、9.46MW和1.16MW,证明本文方法在减少负荷方差和削峰填谷方面的优势。3.为了使数据能够更加直观地展现,提出一个基于Springboot、Vue等框架实现的充电需求预测和调度系统。考虑到My Sql无法应对大量用户同时发起请求,引入非关系型数据Redis作为缓存纪录用户发送数据。针对负荷预测的展示,使用Map Box进行互动式区域地图的绘制,同时展示区域充电需求时变、充电需求热力图和充电站充电需求;针对充电调度的展示,充电站使用Web Socket接收系统定制的充电功率和充电价格,使用Echarts绘制图形进行站内用户的需求满足情况。