一种纯电重卡集群功率响应边界优化方法及预测方法

本发明涉及电网调频，特别是涉及一种纯电重卡集群功率响应边界优化方法及预测方法。

背景技术：

1、重型卡车作为物流配送、港口运输等领域的主要运输方式，是无可争议的碳排放大户。近年来，为实现交通领域的绿色低碳转型，新能源重卡快速发展，纯电重卡(electricheavy truck，eht)逐渐成为主流车型。相比于电动汽车(electric vehicle,ev)，eht充电负荷大，充电区域相对集中，随机无序充电更容易造成电力系统峰上加峰问题，对区域电网运行造成冲击。因此，有必要研究eht的充电行为特性并进行优化调控，降低eht对电网造成的负面影响，同时充分挖掘eht的可调度潜力，实现与电网的友好互动。

2、然而当前对eht在电力系统中的应用研究较少，未曾有文献从用户侧柔性负荷的角度对eht的可调度潜力进行分析。在ev可调度容量评估方面，有研究采用直接量化法对ev单体和集群的可调节容量进行计算，比如基于ev出行数据所得的soc曲线，根据电网及用户的调度约束计算ev可调度容量。该方法虽然显式地表示了ev的可调节能力，但依赖于基线功率的制定。有研究用能量可行域描述ev所有可能的充放电轨迹，由图形边界表示电量或功率边界，但该方法在求解过程中存在迭代，计算较为复杂。

技术实现思路

1、本发明的目的是提供一种纯电重卡集群功率响应边界优化方法及预测方法，以提供一种不需要依赖于基线功率的制定，且运算更为简便的纯电重卡集群功率响应边界优化方法。

2、为实现上述目的，本发明提供了如下方案：

3、本发明实施例提供一种纯电重卡集群功率响应边界优化方法，所述优化方法包括如下步骤：

4、构建eht单体响应边界优化模型；所述eht单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标；

5、基于所述约束条件求解第一目标函数，获得eht单体功率响应下边界；

6、基于所述约束条件求解第二目标函数，获得eht单体功率响应上边界；

7、基于eht单体功率响应下边界，计算eht集群功率响应下边界；

8、基于eht单体功率响应上边界，计算eht集群功率响应上边界。

9、可选的，所述第一目标函数为：

10、

11、所述第二目标函数为：

12、

13、所述约束条件为：

14、ei,t+1＝ei,t+pi,tδt；

15、0.15ci≤ei,t≤ci；

16、

17、|pi,t+1-pi,t|≤εr；

18、

19、

20、其中，pi,t和pi,t+1分别表示纯电重卡i在时段t和时段t+1的充电功率；ei,t和ei,t+1分别表示纯电重卡i在时段t和时段t+1的电池电量；ci代表纯电重卡i的最大电池容量；t表示整个研究时段；δt表示评估时间间隔；表示纯电重卡i的总充电电量；分别表示纯电重卡i的最大充电、放电功率；εr表示为避免eht功率频繁波动而引入的限制常数；γi,t为表示eht是否充电的二进制变量。

21、可选的，基于eht单体功率响应下边界，计算eht集群功率响应下边界为：

22、

23、其中，ptdn为eht集群功率响应下边界，为纯电重卡i在时段t的功率响应下边界，nt表示在时段t接入充电桩的eht数量。

24、可选的，基于eht单体功率响应上边界，计算eht集群功率响应上边界为：

25、

26、其中，ptup为eht集群功率响应上边界，为纯电重卡i在时段t的功率响应上边界，nt表示在时段t接入充电桩的eht数量。

27、本发明实施例还提供一种纯电重卡集群功率响应边界优化系统，所述优化系统应用上述的优化方法，所述优化系统包括：

28、模型构建模块，用于构建eht单体响应边界优化模型；所述eht单体响应边界优化模型包括第一目标函数、第二目标函数和约束条件，所述第一目标函数以充电功率之和最小化为目标，所述第二目标函数以充电功率之和最大化为目标；

29、eht单体功率响应下边界求解模块，用于基于所述约束条件求解第一目标函数，获得eht单体功率响应下边界；

30、eht单体功率响应上边界求解模块，用于基于所述约束条件求解第二目标函数，获得eht单体功率响应上边界；

31、eht集群功率响应下边界计算模块，用于基于eht单体功率响应下边界，计算eht集群功率响应下边界；

32、eht集群功率响应上边界计算模块，用于基于eht单体功率响应上边界，计算eht集群功率响应上边界。

33、本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

34、本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的方法。

35、本发明实施例还提供一种纯电重卡集群功率响应边界预测方法，所述预测方法包括如下步骤：

36、基于上述的优化方法，确定不同历史时段的eht集群功率响应上边界和eht集群功率响应下边界，作为输入数据；

37、基于所述输入数据，采用gru-attention神经网络模型，预测目标响应时段的eht集群功率响应上边界和eht集群功率响应下边界。

38、可选的，gru-attention神经网络模型包括依次连接的输入层、gru层、attention层和输出层；

39、所述gru层用于对输入数据进行时序特征提取，获得特征序列；

40、所述attention层用于动态计算注意力权重，并基于所述注意力权重对特征序列进行加权组合，得到上下文向量；

41、所述输出层用于基于上下文向量进行预测输出。

42、本发明实施例还提供一种纯电重卡集群功率响应边界预测系统，所述预测系统包括：

43、输入数据确定模块，用于基于上述的优化方法，确定不同历史时段的eht集群功率响应上边界和eht集群功率响应下边界，作为输入数据；

44、预测模块，用于基于所述输入数据，采用gru-attention神经网络模型，预测目标响应时段的eht集群功率响应上边界和eht集群功率响应下边界。

45、根据本发明提供的具体实施例，本发明公开了以下技术效果：

46、本发明公开一种纯电重卡集群功率响应边界优化方法及预测方法，所述优化方法包括如下步骤：构建eht单体响应边界优化模型；基于所述约束条件求解第一目标函数，获得eht单体功率响应下边界；基于所述约束条件求解第二目标函数，获得eht单体功率响应上边界；基于eht单体功率响应下边界，计算eht集群功率响应下边界；基于eht单体功率响应上边界，计算eht集群功率响应上边界。本发明实施例考虑eht集群的最大最小充电功率限制及用户充电需求，建立eht单体响应边界优化模型。该优化模型不需要依赖于基线功率的制定，且运算更为简便。

47、本发明实施例在eht单体响应边界优化模型中引入避免eht功率频繁波动的限制常数，减少电池损耗。

48、本发明实施例在依据历史订单数据对eht集群的响应能力进行评估之后，调用gru-attention神经网络模型对目标响应时段的响应能力进行预测，使得在目标响应时段的eht集群响应能力申报更加准确。