韓 妍，丁惜瀛，程 錕，李曉東

（沈陽工業(yè)大學(xué)，遼寧 沈陽 110870）

0 引言

由于能源緊缺與環(huán)境日益惡化，電動汽車的發(fā)展已逐漸成為汽車行業(yè)的必然趨勢。電動汽車不僅清潔、環(huán)保，而且其特有的儲能能力使其為電網(wǎng)提供輔助服務(wù)成為可能。大量電動汽車的儲能能力如能得到合理調(diào)控，將緩沖電網(wǎng)中可再生能源不確定性帶來的影響，有效提高新能源的滲透率[1]。電動汽車負荷具有數(shù)量多、容量小、分布散等特點[2]，若被大規(guī)模接入電網(wǎng)，則電網(wǎng)調(diào)峰將很難控制。將電動汽車分類，以集群的方式調(diào)控并網(wǎng)，可有效提升電動汽車規(guī)模儲能調(diào)控的快速性，降低調(diào)控難度。在電動汽車并網(wǎng)過程中，電動汽車可被視為移動的儲能單元，實現(xiàn)能量在電動汽車與電網(wǎng)之間雙向流動[3]。電網(wǎng)負荷低谷期，電動汽車作為負荷充電可避免電能浪費；電網(wǎng)負荷高峰期，電動汽車作為分布式儲能電源可緩解電網(wǎng)壓力，參與調(diào)峰，實現(xiàn)削峰填谷的目的[4-5]。

近年來，電動汽車有序充放電并參與電網(wǎng)調(diào)峰一直是行業(yè)研究熱點。文獻[6]利用遺傳算法搭建隨機參數(shù)的電動汽車集群模型，該方法雖理論性強，但不能完全顧及單輛汽車實際情況，因此難以被實際應(yīng)用。文獻[7]根據(jù)開始充電時刻和車主期望電量這兩個特征值進行電動汽車分類集群，但所考慮的電動汽車集群因素過于單一。文獻[8]提出了一種智能有序充電策略，其以電網(wǎng)負荷波動和充電費用最小為優(yōu)化目標，但并未考慮V2G電動汽車的電網(wǎng)回饋能力。文獻[9-10]在對電動汽車進行優(yōu)化時，僅從電網(wǎng)側(cè)或用戶側(cè)進行單方面考量，并沒有兼顧雙方利益。目前的研究大多基于以電動汽車可用來參與電網(wǎng)調(diào)峰的容量為固定值的假設(shè)[11]；可實際上，考慮用戶意愿以及自身因素，每輛電動汽車參與電網(wǎng)調(diào)峰的時段以及可用容量是可以被調(diào)控的。根據(jù)電網(wǎng)峰谷狀態(tài)及車輛自身需求，以集群化調(diào)控方式確定每輛電動汽車參與調(diào)峰的時間段以及可用容量，這將在有效輔助電網(wǎng)調(diào)峰的同時降低車輛用電費用。

本文在區(qū)域電網(wǎng)電力負荷預(yù)測的基礎(chǔ)上，綜合考慮了電動汽車用戶意愿以及電動汽車自身狀態(tài)，構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電動汽車集群分類網(wǎng)絡(luò)，其按調(diào)峰參與能力和意愿對電動汽車進行調(diào)峰參與度排序并根據(jù)排序結(jié)果集群化，確定各時段可參與削峰填谷的電動汽車的數(shù)量及相關(guān)信息；同時考慮電網(wǎng)和用戶雙方利益，以電網(wǎng)負荷波動和電動汽車用戶充放電費用最低為優(yōu)化目標，采用改進粒子群優(yōu)化算法計算每個時段的調(diào)控容量并進行了仿真驗證。

1 電力負荷預(yù)測

針對電力負荷預(yù)測問題，通過統(tǒng)計產(chǎn)品與服務(wù)解決方案（SPSS）仿真平臺分別建立了指數(shù)平滑法和多層感知器神經(jīng)網(wǎng)絡(luò)模型，以預(yù)測某區(qū)域電網(wǎng)未來一天（24 h）的電力負荷，并進行分析比較。

1.1 指數(shù)平滑預(yù)測法

指數(shù)平滑預(yù)測法是通過對一定時間內(nèi)不規(guī)則的電力負荷數(shù)據(jù)加以平滑處理來確定指數(shù)平滑值，從而獲取電力負荷數(shù)據(jù)的變化規(guī)律，以此推斷和預(yù)測未來幾天的電力負荷。該方法將所有數(shù)據(jù)考慮在內(nèi)并給數(shù)據(jù)賦予不同權(quán)重，其中早期觀測值賦予較小的權(quán)重，而近期觀測值賦予較大權(quán)重：

式中：Pt,Pt-1——第t期和第(t-1)期的電力負荷實際值；P′t-1,P′t+1——第(t-1)期和第(t+1)期電力負荷預(yù)測值；α——平滑常數(shù)，其取值范圍為[0, 1]。

采用指數(shù)平滑預(yù)測法，第（t+1）期電力負荷的單步預(yù)測值是以往所有觀測值的加權(quán)平均數(shù)。該方法較為簡便，只要有上期實際負荷和預(yù)測負荷數(shù)據(jù)就可預(yù)測下期負荷，其無需很多負荷數(shù)據(jù)并節(jié)省處理負荷數(shù)據(jù)的時間，減小了負荷數(shù)據(jù)的存儲量。

以濰坊青州王母宮地區(qū)為例，將預(yù)測日前5天每天24 h負荷數(shù)據(jù)共120個負荷數(shù)據(jù)依次輸入，通過SPSS仿真平臺創(chuàng)建傳統(tǒng)模型預(yù)測未來一天24 h負荷。在所有模型中，選用簡單季節(jié)性模型進行模型擬合并通過該模型進行預(yù)測。模型擬合度統(tǒng)計如表1所示，其中，MAPE表示平均絕對百分比誤差，MaxAPE表示最大絕對誤差百分比，R2衡量的是模型整體的擬合度。

表1 模型擬合度Tab. 1 Model fit degree

采用指數(shù)平滑預(yù)測法對該區(qū)域進行電力負荷預(yù)測，結(jié)果如圖1所示。

圖1 指數(shù)平滑預(yù)測結(jié)果Fig. 1 Exponential smoothing prediction results

在上述模型擬合參數(shù)中，R2其值接近于1?？梢钥闯?，指數(shù)平滑模型對負荷的擬合情況良好，并通過該模型預(yù)測未來一天24小時負荷。負荷預(yù)測準確率計算公式如式(2)所示。采用指數(shù)平滑預(yù)測法電力負荷預(yù)測準確率為86%。

式中：n——日負荷預(yù)測總點數(shù)。

1.2 多層感知器神經(jīng)網(wǎng)絡(luò)

指數(shù)平滑預(yù)測法是通過確定平滑常數(shù)對未來電力負荷進行預(yù)測的，平滑常數(shù)過高或過低都會對預(yù)測精確度造成一定的影響。多層感知器神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)和訓(xùn)練進行自組織來處理更為復(fù)雜的數(shù)據(jù)，從而提高預(yù)測精確度。由于負荷預(yù)測模型輸入量和輸出量較多，因此對模型建立的要求更為嚴苛，而多層感知器神經(jīng)網(wǎng)絡(luò)可通過增加網(wǎng)絡(luò)層數(shù)來提高精度。總體而言，多層感知器神經(jīng)網(wǎng)絡(luò)共有3層，分別為輸入層、隱含層以及輸出層。多層感知器神經(jīng)網(wǎng)絡(luò)對隱含層數(shù)量以及輸出層神經(jīng)元并沒有具體限制，可根據(jù)個人需求自行設(shè)定，適用面較廣。多層感知器神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型如圖2所示。

圖2 多層感知器神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型Fig. 2 Model of load forecasting by multi layer perceptron(MLP)

本文以濰坊青州王母宮地區(qū)為例，將預(yù)測日前一周以及前一天24 h負荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入，同時將預(yù)測日24 h負荷數(shù)據(jù)作為輸出。通過SPSS Modeler仿真平臺訓(xùn)練建模（圖3），并取500組數(shù)據(jù)，其中70%用于訓(xùn)練，30%用于測試。

圖3 負荷預(yù)測建模流程Fig. 3 Load forecasting modeling process

采用多層感知器神經(jīng)網(wǎng)絡(luò)與指數(shù)平滑預(yù)測方法對同一天電力負荷進行預(yù)測，結(jié)果如圖4所示。由圖4和式(2)可知，多層感知器神經(jīng)網(wǎng)絡(luò)預(yù)測準確率達93.6%，相比指數(shù)平滑預(yù)測法，其預(yù)測效果更好。

圖4 多層感知器神經(jīng)網(wǎng)絡(luò)負荷預(yù)測結(jié)果Fig. 4 Load prediction results by MLP

2 基于卷積神經(jīng)網(wǎng)絡(luò)的電動汽車集群

為了充分發(fā)揮電動汽車的自身優(yōu)勢、輔助電網(wǎng)削峰填谷，應(yīng)先對電動汽車進行集群分類。由于電動汽車數(shù)據(jù)較多，本文選取在處理高維復(fù)雜數(shù)據(jù)方面快速性和準確性較好且便于操作的卷積神經(jīng)網(wǎng)絡(luò)進行電動汽車集群分類。

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，其主要包括卷積層和池化層，結(jié)構(gòu)如圖5所示。卷積神經(jīng)網(wǎng)絡(luò)不需要任何精確的數(shù)學(xué)表達式，只要用已知的模式對卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出之間的映射關(guān)系，可以在降低數(shù)據(jù)維度的基礎(chǔ)上獲取數(shù)據(jù)深層的特征信息。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 Convolutional neural network structure diagram

應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)將電動汽車進行集群分類，具體流程如下：

（1）生成電動汽車隨機數(shù)用以模擬電動汽車。隨機數(shù)涉及車主參與意愿度（0～100%）、距離（0～20 km）、車況良好度（0～100%）、汽車荷電狀態(tài)SOC（0～100%）、汽車編號（1～50）、百公里耗電量（6～16 kW·h）、實時續(xù)航里程（100～900 km）以及額定電池容量（10～100 kW·h）。

（2） 根據(jù)規(guī)則人為地將電動汽車分為4類，分別為充電（charge）、放電（discharge）、參與調(diào)峰（high）以及不參與調(diào)峰（low）。電動汽車集群規(guī)則如圖6所示。

圖6 電動汽車集群規(guī)則Fig. 6 Electric vehicle cluster rules

具體規(guī)則包括車主參與意愿較低、電動汽車距離電站較遠或電動汽車自身車況較差（屬于不參與調(diào)峰的low類）；剩余電動汽車根據(jù)荷電狀態(tài)（SOC）大致分成充電和放電兩類，分別按參與調(diào)峰可能性由高到低進行排序，根據(jù)該時段電網(wǎng)負荷與平均負荷差值大小，取其中排名較高的電動汽車分屬于充電charge類和放電discharge類，排名較低的電動汽車屬于備選high類。

（3）隨機選取1 000組運行數(shù)據(jù)，其中70%作為訓(xùn)練數(shù)據(jù)，30%作為驗證數(shù)據(jù)。GoogLenet作為基本神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)率被設(shè)置為1×10-4。訓(xùn)練結(jié)果如圖7所示。

圖7 深度學(xué)習(xí)算法訓(xùn)練結(jié)果Fig. 7 DLA training results

由訓(xùn)練結(jié)果可知，訓(xùn)練完成后的卷積神經(jīng)網(wǎng)絡(luò)平均準確率達到99.17%，用該卷積神經(jīng)網(wǎng)絡(luò)對4種集群進行重新驗證，各集群判定結(jié)果如表2所示。

表2 4類電動汽車集群分類結(jié)果準確率Tab. 2 Four types electric vehicles cluster accuracy

由表2可以看出，4類電動汽車集群分類結(jié)果準確率均高于90%，具有較高可信度。這表明隨著迭代次數(shù)的提高，卷積神經(jīng)網(wǎng)絡(luò)能有效地根據(jù)規(guī)則對電動汽車進行集群。對每一時段電動汽車數(shù)據(jù)進行學(xué)習(xí)訓(xùn)練，以確定各時段參與調(diào)峰的電動汽車的數(shù)量及狀態(tài)信息，進而對可用充放電容量進行優(yōu)化。

3 參與削峰填谷的電動汽車集群優(yōu)化調(diào)度策略

對電動汽車個體而言，其分布散且容量小，很難對電網(wǎng)產(chǎn)生一定影響；只有以集群形式有序充放電，才能對電網(wǎng)進行有效削峰填谷。本文提出一種以電網(wǎng)側(cè)削峰填谷和用戶側(cè)經(jīng)濟效益為目標的電動汽車有序充放電控制策略，并采用改進型粒子群優(yōu)化算法進行仿真求解，以驗證該集群優(yōu)化調(diào)度控制策略的有效性。

3.1 電動汽車集群參與削峰填谷優(yōu)化調(diào)度模型

3.1.1 目標函數(shù)

針對電動汽車集群削峰填谷問題，選擇未來一天每小時電動汽車集群與電網(wǎng)之間充電和放電的交互功率為優(yōu)化變量，即{PC1,PC2, …,PCt,PF1,PF2, …,PFt}，其中t=1, 2, …, 24表示24個時間段。

從電網(wǎng)角度考慮，電動汽車集群調(diào)度目標是通過調(diào)控充放電量來減少負荷波動，使電網(wǎng)平穩(wěn)運行。以電網(wǎng)負荷曲線的均方差最小為目標函數(shù)，構(gòu)造目標函數(shù)F1：

式中：PLt——沒有電動汽車時t時段電網(wǎng)的負荷；Pav——沒有電動汽車時電網(wǎng)的平均負荷；PCt——電動汽車集群在t時段的充電功率；PFt——電動汽車集群在t時段的放電功率。

從用戶角度考慮，根據(jù)分時電價用戶可以通過分時充電或放電獲取更好的經(jīng)濟收益。以用戶參與削峰填谷充放電費用最少為目標函數(shù)，根據(jù)上述優(yōu)化變量，構(gòu)造目標函數(shù)F2：

式中：Ct——電動汽車在t時段充電電價；Ft——電動汽車在t時段放電電價。

3.1.2 約束條件

在建立優(yōu)化目標函數(shù)的基礎(chǔ)上，還需考慮各種約束條件。電動汽車參與電網(wǎng)調(diào)峰受到的約束條件主要為車輛充放電功率、可用荷電狀態(tài)以及可用容量約束等。

（1）車輛充放電功率約束

電動汽車充放電時，充電電流最大值為額定電流的一半，放電電流最大值為額定電流2倍。

式中：IC——電動汽車的充電電流；IF——電動汽車的放電電流；IN——額定電流，其取決于電池型號。

考慮線路功率容量約束：

式中：PCmax——電動汽車的充電功率上限；PFmax——電動汽車的放電功率上限；V——電動汽車電壓。

（2）可用荷電狀態(tài)值約束

電池過度充放電會對電動汽車本身造成危害，一般需規(guī)定可用荷電狀態(tài)值范圍：

式中：SOCmin——電動汽車電池最低荷電狀態(tài)；SOCmax——電動汽車電池最高荷電狀態(tài)。

（3）可用容量約束

根據(jù)電動汽車額定容量不同，結(jié)合荷電狀態(tài)上下限，得到電動汽車可用容量約束：

式中：QN——電動汽車額定容量；ΔQmin——電動汽車可用容量下限；ΔQmax——電動汽車可用容量上限。

3.2 粒子群優(yōu)化算法的改進

3.2.1 粒子權(quán)重的設(shè)定和改進

標準粒子群算法的速度更新方程為

式中：ω——慣性權(quán)重；c1,c2——粒子的學(xué)習(xí)常數(shù)；pi——個體極值；pg——全局極值；k——迭代次數(shù)；r1,r2——變量，在[0, 1]間均勻取值。

式(10)中，第一部分（ωvi,k）體現(xiàn)局部尋優(yōu)能力，第二部分（c1r1(pi,k-xi,k)）和第三部分（c2r2(pg,k-xi,k)）體現(xiàn)整體狀態(tài)下尋優(yōu)能力，粒子權(quán)重的改變會影響全局搜索能力。相比之下，第一部分權(quán)重為固定值，此算法在不斷迭代時因為權(quán)重不變可能會對局部搜索能力產(chǎn)生一定影響，從而影響優(yōu)化結(jié)果。為了更好地解決這個問題，可以將第一部分慣性權(quán)重從固定值變?yōu)橐粋€動態(tài)ω，按式(11)進行取值。

式中：Tmax——設(shè)定的最大迭代次數(shù)；ωmax——最大慣性權(quán)重；ωmin——最小慣性權(quán)重。

3.2.2 對約束條件進行處理

為了滿足上述不等式條件約束，判斷電動汽車充放電功率是否處于約束條件范圍之內(nèi)，如果超出約束條件的邊界，需要根據(jù)式(12)和式(13)進行修正，使其滿足設(shè)定的邊界條件：

式中：Δt——單位時間。

采用罰函數(shù)的處理方法，將罰函數(shù)放入目標函數(shù)里，變換后的目標函數(shù)F′為

式中：F——原目標函數(shù)；K——懲罰系數(shù)；U——新增的罰函數(shù)；PLt——沒有電動汽車時t時段電網(wǎng)的負荷。

3.3 算例分析與仿真

以濰坊青州王母宮地區(qū)為例進行算例分析，首先預(yù)測未來一天24 h電力負荷（表3），通過電動汽車集群方式進行削峰填谷平抑負荷波動，并在不同用戶參與度下進行仿真分析。

表3 電力負荷預(yù)測值Tab. 3 Power load forecasting values

將電動汽車集群，采用基于改進型粒子群算法對電網(wǎng)進行削峰填谷，并運用Matlab軟件進行仿真。其中優(yōu)化算法中參數(shù)設(shè)置如表4所示。

表4 粒子群算法參數(shù)設(shè)置Tab. 4 Parameters of particle swarm optimization algorithm

在用戶參與度分別為20%、50%以及80%情況下，采用粒子群算法優(yōu)化前后負荷曲線以及最優(yōu)個體適應(yīng)度曲線分別如圖8和圖9所示。可以看出，用戶參與度越高，調(diào)峰效果越明顯。因此，希望盡可能調(diào)動用戶積極性，使之參與到削峰填谷這項服務(wù)中，這樣不僅在更大程度上可緩解電網(wǎng)壓力，而且用戶通過充放電亦可獲得差價收益。

圖8 削峰填谷優(yōu)化前后負荷曲線Fig. 8 Load curves before and after optimization of peak showing and valley filling

圖9 最優(yōu)個體適應(yīng)度曲線Fig. 9 Optimal individual fitness curves

4 結(jié)語

本文首先針對區(qū)域電網(wǎng)進行電力負荷預(yù)測，相比指數(shù)平滑預(yù)測法，多層感知器神經(jīng)網(wǎng)絡(luò)能較準確預(yù)測未來電力負荷，為后續(xù)集群削峰填谷打下基礎(chǔ)；其次，通過隨機生成電動汽車參數(shù)并根據(jù)人為規(guī)則對電動汽車進行集群分類，再運用卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，能有效將電動汽車集群；最后建立了電動汽車參與電網(wǎng)削峰填谷模型，考慮到不同用戶參與度，采用改進型粒子群優(yōu)化算法對其進行求解，仿真結(jié)果表明，電動汽車用戶參與度越高，對緩解電網(wǎng)負荷波動越有利。

本文所提調(diào)度策略將所有參與削峰填谷的電動汽車可用容量均用來降低峰谷差，但并未考慮實際充放電時間、電池損耗等因素。除此之外，如何將參與調(diào)峰的容量合理分配到各電動汽車將作為下一步研究的內(nèi)容。