韓 妍，丁惜瀛，程 錕，李曉東

（沈陽工業(yè)大學，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)提供輔助服務成為可能。大量電動汽車的儲能能力如能得到合理調控，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)調峰將很難控制。將電動汽車分類，以集群的方式調控并網(wǎng)，可有效提升電動汽車規(guī)模儲能調控的快速性，降低調控難度。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)側或用戶側進行單方面考量，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)調峰的容量為固定值的假設[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)調峰的時段以及可用容量是可以被調控的。根據(jù)電網(wǎng)峰谷狀態(tài)及車輛自身需求，以集群化調控方式確定每輛電動汽車參與調峰的時間段以及可用容量，這將在有效輔助電網(wǎng)調峰的同時降低車輛用電費用。

本文在區(qū)域電網(wǎng)電力負荷預測的基礎上，綜合考慮了電動汽車用戶意愿以及電動汽車自身狀態(tài)，構建了一種基于卷積神經(jīng)網(wǎng)絡的電動汽車集群分類網(wǎng)絡，其按調峰參與能力和意愿對電動汽車進行調峰參與度排序并根據(jù)排序結果集群化，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控容量并進行了仿真驗證。

1 電力負荷預測

針對電力負荷預測問題，通過統(tǒng)計產(chǎn)品與服務解決方案（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)絡模型，以預測某區(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)平滑預測法

指數(shù)平滑預測法是通過對一定時間內不規(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，以此推斷和預測未來幾天的電力負荷。該方法將所有數(shù)據(jù)考慮在內并給數(shù)據(jù)賦予不同權重，其中早期觀測值賦予較小的權重，而近期觀測值賦予較大權重：

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)期電力負荷預測值；α——平滑常數(shù)，其取值范圍為[0, 1]。

采用指數(shù)平滑預測法，第（t+1）期電力負荷的單步預測值是以往所有觀測值的加權平均數(shù)。該方法較為簡便，只要有上期實際負荷和預測負荷數(shù)據(jù)就可預測下期負荷，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)平滑預測法對該區(qū)域進行電力負荷預測，結果如圖1所示。

圖1 指數(shù)平滑預測結果Fig. 1 Exponential smoothing prediction results

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

式中：n——日負荷預測總點數(shù)。

1.2 多層感知器神經(jīng)網(wǎng)絡

指數(shù)平滑預測法是通過確定平滑常數(shù)對未來電力負荷進行預測的，平滑常數(shù)過高或過低都會對預測精確度造成一定的影響。多層感知器神經(jīng)網(wǎng)絡是通過學習和訓練進行自組織來處理更為復雜的數(shù)據(jù)，從而提高預測精確度。由于負荷預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)絡可通過增加網(wǎng)絡層數(shù)來提高精度?？傮w而言，多層感知器神經(jīng)網(wǎng)絡共有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)個人需求自行設定，適用面較廣。多層感知器神經(jīng)網(wǎng)絡負荷預測模型如圖2所示。

圖2 多層感知器神經(jīng)網(wǎng)絡負荷預測模型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)絡輸入，同時將預測日24 h負荷數(shù)據(jù)作為輸出。通過SPSS Modeler仿真平臺訓練建模（圖3），并取500組數(shù)據(jù)，其中70%用于訓練，30%用于測試。

圖3 負荷預測建模流程Fig. 3 Load forecasting modeling process

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

圖4 多層感知器神經(jīng)網(wǎng)絡負荷預測結果Fig. 4 Load prediction results by MLP

2 基于卷積神經(jīng)網(wǎng)絡的電動汽車集群

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)絡進行電動汽車集群分類。

卷積神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡，其主要包括卷積層和池化層，結構如圖5所示。卷積神經(jīng)網(wǎng)絡不需要任何精確的數(shù)學表達式，只要用已知的模式對卷積網(wǎng)絡加以訓練，網(wǎng)絡就具有輸入輸出之間的映射關系，可以在降低數(shù)據(jù)維度的基礎上獲取數(shù)據(jù)深層的特征信息。

圖5 卷積神經(jīng)網(wǎng)絡結構Fig. 5 Convolutional neural network structure diagram

應用卷積神經(jīng)網(wǎng)絡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）、參與調峰（high）以及不參與調峰（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，學習率被設置為1×10-4。訓練結果如圖7所示。

圖7 深度學習算法訓練結果Fig. 7 DLA training results

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

表2 4類電動汽車集群分類結果準確率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)進行學習訓練，以確定各時段參與調峰的電動汽車的數(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)側削峰填谷和用戶側經(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，電動汽車集群調度目標是通過調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)的基礎上，還需考慮各種約束條件。電動汽車參與電網(wǎng)調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 粒子權重的設定和改進

標準粒子群算法的速度更新方程為

式中：ω——慣性權重；c1,c2——粒子的學習常數(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，粒子權重的改變會影響全局搜索能力。相比之下，第一部分權重為固定值，此算法在不斷迭代時因為權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)化結果。為了更好地解決這個問題，可以將第一部分慣性權重從固定值變?yōu)橐粋€動態(tài)ω，按式(11)進行取值。

式中：Tmax——設定的最大迭代次數(shù)；ωmax——最大慣性權重；ωmin——最小慣性權重。

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，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)設置如表4所示。

表4 粒子群算法參數(shù)設置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)個體適應度曲線分別如圖8和圖9所示?？梢钥闯?，用戶參與度越高，調峰效果越明顯。因此，希望盡可能調動用戶積極性，使之參與到削峰填谷這項服務中，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)個體適應度曲線Fig. 9 Optimal individual fitness curves

4 結語

本文首先針對區(qū)域電網(wǎng)進行電力負荷預測，相比指數(shù)平滑預測法，多層感知器神經(jīng)網(wǎng)絡能較準確預測未來電力負荷，為后續(xù)集群削峰填谷打下基礎；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)絡進行訓練，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，如何將參與調峰的容量合理分配到各電動汽車將作為下一步研究的內容。