沈 憶 何 鑫

（北京中電普華信息技術(shù)有限公司，北京 102200）

1 概述

隨著人們對環(huán)保的日益重視和汽油價格的不斷上漲，電動汽車越來越受歡迎。電動汽車的大量應(yīng)用可以為智能電網(wǎng)帶來巨大的發(fā)展機遇[1]。電動汽車的電池可以幫助電網(wǎng)提高分布式電能，也可以作為蓄電裝置在高峰時段向電網(wǎng)回饋電力。

電動汽車與電網(wǎng)的互動，利用大量電動汽車儲存能量作為電網(wǎng)和可再生能源的緩沖，稱為電網(wǎng)到車輛模式（G2V）。車輛為電網(wǎng)提供能量的模式稱為V2G模式。

在兩種模式下，對電動汽車進行適當(dāng)?shù)某潆娍刂疲梢杂行Ь徑獯罅侩妱悠囃瑫r接入電網(wǎng)供電時所產(chǎn)生的負面影響。電動汽車具有高度的隨機性，優(yōu)化資源調(diào)度可以降低新能源隨機性對電網(wǎng)的影響，實現(xiàn)電動汽車的清潔低碳化。

本文應(yīng)用人工智能技術(shù)對電動汽車駕駛員的用戶行為進行分析，去除用戶行為不穩(wěn)定的用戶對電網(wǎng)調(diào)度的影響，使基于V2G的電網(wǎng)規(guī)劃調(diào)度更優(yōu)化，使電力資源得到優(yōu)化，可以得到更有效利用。此外，本文將先進的5G網(wǎng)絡(luò)切片技術(shù)與邊緣計算技術(shù)相結(jié)合，使電動汽車的用戶數(shù)據(jù)得到更快、更準(zhǔn)確、更安全分析，提高服務(wù)質(zhì)量。

2 總體架構(gòu)及分析思路

2.1 電動汽車接入智能電網(wǎng)的網(wǎng)絡(luò)架構(gòu)

為同時實現(xiàn)電動汽車與電網(wǎng)之間的數(shù)據(jù)以及電力傳輸，V2G系統(tǒng)采用雙向通信結(jié)構(gòu)。V2G系統(tǒng)為電動汽車充電而布置電力鏈路的同時，還集成了先進的無線通信技術(shù)，實現(xiàn)了電動汽車與智能電網(wǎng)之間的數(shù)據(jù)通信。

2.2 基于網(wǎng)絡(luò)切片和邊緣計算的智能電網(wǎng)電動汽車

基于5G數(shù)據(jù)通信的背景，隨著電動汽車的數(shù)量和相關(guān)物聯(lián)網(wǎng)實體的數(shù)量呈爆炸式增長，需要移動網(wǎng)絡(luò)配置靈活、時延低、效率高。移動邊緣計算（MEC）可以滿足用戶的相關(guān)需求[2]，可以在離數(shù)據(jù)源較近的地方提供服務(wù)，大幅度提高了數(shù)據(jù)處理效率，降低了云負載，提供了更快的網(wǎng)絡(luò)服務(wù)響應(yīng)。

為了提供適應(yīng)不同領(lǐng)域所需的網(wǎng)絡(luò)連接特性，應(yīng)用了網(wǎng)絡(luò)切片技術(shù)[3]。網(wǎng)絡(luò)切片是軟件定義網(wǎng)絡(luò)和網(wǎng)絡(luò)功能虛擬化技術(shù)應(yīng)用于5G網(wǎng)絡(luò)的關(guān)鍵服務(wù)。網(wǎng)絡(luò)切片形成端到端的邏輯網(wǎng)絡(luò)，根據(jù)切片需求側(cè)的需求靈活提供一種或多種網(wǎng)絡(luò)服務(wù)。5G架構(gòu)由四層組成，即用戶設(shè)備、接入網(wǎng)、核心網(wǎng)和物聯(lián)網(wǎng)服務(wù)[4]。大量的用戶設(shè)備通過核心網(wǎng)和接入網(wǎng)接入數(shù)據(jù)網(wǎng)絡(luò)，與物聯(lián)網(wǎng)服務(wù)器進行通信。核心網(wǎng)將被用戶平面功能控制平面功能分開，實現(xiàn)獨立的可擴展性和靈活部署。網(wǎng)絡(luò)切片技術(shù)更具成本效益，可以根據(jù)需要添加或刪除網(wǎng)絡(luò)的不同功能。網(wǎng)絡(luò)切片結(jié)合了一個通用的底層基礎(chǔ)設(shè)施，可以對資源進行分區(qū)、共享和優(yōu)化。可靈活調(diào)度、合理調(diào)配5G網(wǎng)絡(luò)資源，滿足不同行業(yè)客戶的差異化需求。

移動邊緣計算如圖1所示。

圖1 移動邊緣計算概覽

2.3 人工智能數(shù)據(jù)分析

（1）電動汽車用戶充電行為對電網(wǎng)的影響。

電動汽車的不規(guī)則充電可能會給城市的供電系統(tǒng)帶來巨大挑戰(zhàn)。電動汽車的受控充電行為實際上可以增強智能電網(wǎng)的穩(wěn)定性，實現(xiàn)削峰填谷的效果，用戶的充電行為主要通過相關(guān)因素影響電網(wǎng)的穩(wěn)定性。

①開始充電的時間和結(jié)束充電的時間。

如果所有用戶都選擇在下班后開始為電動汽車充電，在早上結(jié)束充電，突出電網(wǎng)的高峰和低谷。

②所需的充電量。

需要更多電量的用戶將從電網(wǎng)中吸收更多電量。

③電動車充電場景。

電動汽車在旅行中充電時，充電優(yōu)先級更高，且不可預(yù)測。如果用戶夜間在家充電，充電優(yōu)先級較低，可以合理調(diào)度用戶的充電行為，提高智能電網(wǎng)的穩(wěn)定性。

（2）使用人工智能分析用戶的充電行為。

電力公司應(yīng)制定適當(dāng)?shù)囊?guī)則管理電動汽車的充電行為，通過分析電動汽車用戶的用戶行為，制定規(guī)則調(diào)度電動汽車的充電行為。通過人工智能可以對用戶行為進行聚類和分類，預(yù)測用戶的充電行為。

為了提高智能電網(wǎng)處理充電負荷的能力，收集用戶信息并應(yīng)用人工智能技術(shù)對數(shù)據(jù)進行解讀。利用智能電網(wǎng)中用戶的充電數(shù)據(jù)，可以對電動汽車用戶進行分類，選擇更適合負載均衡的用戶。有助于有效管理SG中電動汽車的充電或放電行為，實現(xiàn)高效的負載平衡和可靠的能量傳輸。

3 仿真結(jié)果

以電動汽車的真實充電記錄作為數(shù)據(jù)集分析用戶充電行為。為318名電動汽車用戶編制了26 000條充電記錄，包括用戶的充電連接時間、充電完成時間、充電斷開時間以及充電量。數(shù)據(jù)表明，對于絕大多數(shù)電動汽車用戶，充電行為可以預(yù)測，如每天下班后開始充電，第二天清晨上班前斷開電動車和充電樁。但少數(shù)用戶的收費行為并不規(guī)律。即使只調(diào)度有規(guī)律充電行為的用戶，電網(wǎng)的穩(wěn)定性也能夠得到大幅度提高。

聚類分析[5]是數(shù)據(jù)挖掘中的關(guān)鍵分析算法，通過靜態(tài)分類將相似的對象分成不同的組或多個子集，使同一子集中的成員對象具有相似屬性。K-means算法以其算法設(shè)計簡單、聚類速度快、聚類效果好等優(yōu)點得到了廣泛應(yīng)用。本文使用K-means分析電動汽車用戶充電行為的不確定性。

為了分析用戶的充電行為，對用戶的行為進行聚類，選擇變量作為用戶行為聚類的基礎(chǔ)。用戶在充電開始時間、充電結(jié)束時間、充電量、充電場景的選擇上影響電網(wǎng)；充電量與充電時間大致呈正相關(guān)；部分用戶有規(guī)律的充電行為，部分用戶沒有規(guī)律的充電行為。

為了獲得更好的聚類結(jié)果，選擇平均計費時間、計費時間標(biāo)準(zhǔn)差和連接時間作為聚類用戶行為的依據(jù)。

K-means算法聚類結(jié)果如圖2所示。

圖2 K-means算法聚類結(jié)果

對數(shù)據(jù)進行聚類前，應(yīng)對數(shù)據(jù)預(yù)處理。從原始數(shù)據(jù)集中手動篩選并刪除低質(zhì)量數(shù)據(jù)，刪除少于三個記錄的用戶時，用戶是隨機的，對確定行為模式?jīng)]有意義。使用線性歸一化方法對用戶數(shù)據(jù)進行歸一化，使用K-means算法對EV用戶充電行為進行分類。對于集群邊界的數(shù)據(jù)，集群效果不理想，用K-means算法對數(shù)據(jù)進行聚類后使用手動方法對邊界處的數(shù)據(jù)進行檢查和重新標(biāo)記。

經(jīng)過聚類分析將用戶分為兩類，即行為有規(guī)律和行為不規(guī)律。采用K-NN算法對剩余的用戶數(shù)據(jù)進行分類[6]，采用ROC曲線判斷分類結(jié)果。

模型仿真ROC曲線如圖3所示。

圖3 模型仿真ROC曲線

通過K-means算法對電動汽車用戶的充電行為進行聚類分析，了解充電行為是否穩(wěn)定。通過K-NN算法訓(xùn)練歷史數(shù)據(jù)，實現(xiàn)充電行為新數(shù)據(jù)的自動分類。由ROC曲線可知分類結(jié)果準(zhǔn)確。通過人工智能算法可以判斷新用戶是否適合參與智能電網(wǎng)的調(diào)度，消除不穩(wěn)定用戶對電網(wǎng)調(diào)度的影響。

4 結(jié)語

為了有效管理和調(diào)度電動汽車的充放電行為，提出一種基于邊緣計算和網(wǎng)絡(luò)切片的智能電網(wǎng)通信網(wǎng)絡(luò)架構(gòu)。在此架構(gòu)下，電動汽車的用戶數(shù)據(jù)可以更靈活、高效、安全地傳輸和處理。提出了一種結(jié)合K-Means聚類算法和K-NN算法的用戶行為分析方法。仿真結(jié)果表明，該方法能夠?qū)τ脩粜袨榉€(wěn)定性進行自動分類，使智能電網(wǎng)的調(diào)度更準(zhǔn)確、高效。