电气传动2023年第53卷第8期
ELECTRIC DRIVE 2023Vol.53No.8摘要：在新型电力系统背景下，电网需求侧可调控资源对于系统稳定的重要性日益提升。电动汽车作为重要的可调度负荷资源，对其可调度潜力进行准确评估，能有效提升电网安全稳定运行能力。现有研究较少考虑电动汽车用户行为偏好对电网负荷调控的影响，因此，提出一种考虑用户充电偏好的电动汽车集中式电站可调潜力评估方法。考虑电动汽车充电时的外部条件与自身行为偏好因素，建立基于隶属度函数的用户充电行为模型，并结合长短期记忆神经网络算法对充电站的可调潜力进行评估。最后，通过实际充电站算例，分析了电动汽车用户与负荷可调度潜力之间的耦合关系，验证了所提方法对负荷可调控容量评估的有效性，为电动汽车可调负荷参与削峰填谷等需求响应服务提供了理论支撑。
关键词：电动汽车；调度潜力；用户行为；隶属度函数；长短期记忆神经网络中图分类号：TM715
文献标识码：A
DOI ：10.19457/j.1001-2095.dqcd24400
Evaluation of Adjustable Potential of Urban Electric Vehicle Centralized
Charging Load Based on MF -LSTM
PAN Lingling 1，ZHUANG Weijin 1，ZHAO Qi 2，TIAN Jiang 2
（1.China Electric Power Research Institute Co.，Ltd.，Nanjing 210000，Jiangsu ，China ；
2.Suzhou Power Supply Branch ，State Grid Jiangsu Electric Power Co.，Ltd.，
Suzhou 215000，Jiangsu ，China ）
Abstract:In the background of the new power system ，the importance of demand-side dispatchable resources of the grid for system stability is increasing.As an important dispatchable load resource ，an accurate assessment of electric vehicle （EV ）dispatchable potential can effectively improve the safety and stability of the grid.Existing research has rarely considered the impact of EV user behavior preferences on grid load regulation.Therefore ，a method for evaluating the adjustable potential of EV centralized power stations considering user charging preferences was proposed.The user charging behavior model based on the membership function （MF ）was established considering external conditions and their own behavioral preferences when charging EVs.And the long short-term memory （LSTM ）neural network algorithm was combined with MF to evaluate the adjustable potential of charging stations.Finally ，the coupling relationship between EV users and load dispatchable potential was analyzed through actual charging station calculations ，which verifies the effectiveness of the pro
posed method for load dispatchable capacity assessment and provides theoretical support for EV adjustable load participation in demand response services such as peak shaving and valley filling.
Key words:electric vehicle （EV ）；scheduling potential ；user behavior ；membership function （MF ）；long short-term memory （LSTM ）neural network
基金项目：国家电网公司科技项目（5108-202118041A-0-0-00）
作者简介：潘玲玲（1985—），女，硕士，高级工程师，Email ：********************* 通讯作者：庄卫金（1978—），男，本科，高级工程师，Email ：**********************
基于MF⁃LSTM 的城市电动汽车集中充电负荷
可调潜力评估
潘玲玲1，庄卫金1，赵奇2，田江2
（1.中国电力科学研究院有限公司，江苏南京210000；2.国网江苏省电力有限公司苏州供电分公司，江苏苏州215000）
随着新能源在新型电力系统中的比例持续提升[1]，新能源机组具有的波动性大、随机性强的
特性，使其成为重要的可调度资源[2]。国家电网公司负荷调控三年行动计划提出，需要充分发挥城市汽车
59
潘玲玲，等：基于MF⁃LSTM的城市电动汽车集中充电负荷可调潜力评估电气传动2023年第53卷第8期
需求响应对于保障电力供需平衡、促进新能源消纳、提升电网运行效率等的作用。作为重要的可调度资源，电动汽车可调度容量大、可调度时间长，具有一般可调度资源不具备的灵活性和分散性。但是，对其调度潜力进行评估需要进一步结合其在特定充电设施下的充电行为。因此，考虑目前城市内集中式充电站作为主要的集电动汽车充电场所，在集中式充电站这一充电载体下，亟需对电动汽车集的可调控潜力进行准确评估，进一步分析集电动汽车的调控潜力。
目前，电动汽车可调控潜力研究主要分为可调容量评估及可调控时间分析[3]，两类研究均考虑可调控潜力的不确定性。在评估电动汽车调控潜力不确定性时，电动汽车用户作为响应聚合商调控需求的主体，由于其不确定性较强，且用户行为偏好与电网调控具有密切联系，因此需着重考虑用户自身的行为特性，分析不同用户体的充电偏好，进而研究用户自身行为偏好对于系统调控的影响。但目前对用户出行及响应的不确定性因素研究较少，对于用户行为约束条件的考虑明显不足。文献[4]通过多种概率分布组合，分析了用户充电行为的不确定性，提出了电动汽车在分布式新能源高渗透条件下的配网系统规划方法。文献[5]基于后悔匹配理论建模分析了用户决策的不确定性，提出了考虑用户决策不确定性的停车
场布局与激励联合优化算法。为了进一步验证用户自身行为会对充电负荷的时空分布产生影响，文献[6]提出了一种考虑多源信息实时交互和用户后悔心理的电动汽车充电负荷预测方法。在结合用户行为决策模型的基础上，相关文献分别采用模型驱动[7]与数据驱动[8]的算法预测电动汽车快速充电需求负荷，分析了城市快充站的充电需求负荷时空分布，提出了私家电动汽车参与电网调控的评估方法。以上研究在考虑用户充电偏好时均主观设置用户响应行为的参与度，没有考虑内、外部因素的耦合特性；或者定性考虑了用户的后悔心理及非理性选择，对于用户行为的影响因素研究仍显不足。
针对需求侧可调控灵活性资源，已有研究提出了多种优化调度策略：部分研究以提升经济效益为目标，提出的负荷综合优化调度策略能有效降低用户成本，提高发电系统收益及用户侧收益[9-10]；部分研究以提高能源用能效率、降低
能源损耗、提高电网调度水平为目标，提出了多种联合调控优化策略[11-14]。以上优化调度策略为有效利用可调资源提供了多种思路。文献
[15-16]提出了可调节负荷调控能力评估指标体系，建立了不同市场场景下可调节负荷调控能力评估标准与市场风险管控方法，实现可调节资源的有效管控。以上标准体系对实现可调资源评估精确化、评价指标规范化奠定了一定的理论基础。
同时，为实现灵活资源可调容量预测，需对短期负荷进行预测。由于神经网络具有较强的自学习和非线
性拟合能力，适合用来解决智能电网负荷预测问题。文献[17-18]分别考虑了实时电价与温度的影响，并引入隶属度函数进行模糊化处理，提出了基于长短期记忆循环神经网络的负荷预测模型。在长短期记忆神经网络的基础上，结合卷积神经网络[19]的混合模型在短期负荷预测领域提高了预测精度，而结合K-means聚类算法[20]的集电动汽车实时自动优化调度策略提高了规模化电动汽车的实时调度效率。
针对以上问题，本文提出了一种考虑用户充电偏好的城市电动汽车集中式充电负荷可调潜力评估方法。首先考虑了电动汽车充电时的客观外部条件与用户自身的内部行为偏好因素，分析了各因素间的耦合关系，同时研究了单个因素对用户参与调控的影响程度；其次建立了基于隶属度函数（membership function，MF）及模糊化算法的用户行为数据库模型，用以仿真内、外部因素的动态耦合过程；然后在长短期记忆（long short-term memory，LSTM）神经网络输入侧引入用户行为隶属度函数，构建MF-LSTM预测模型对充电站的负荷可调潜力进行评估。最后，通过实际充电站算例，分析了电动汽车用户选择与负荷可调度潜力之间的耦合关系，验证了所提方法对负荷可调控容量评估的有效性，为电动汽车可调负荷参与削峰填谷等需求响应服务提供了理论支撑。
1基于MF-LSTM神经网络的充电负荷预测模型
1.1长短期记忆神经网络
长短期记忆神经网络是一种循环神经网络（recurrent neural network，RNN）的结构变体，针对RNN存
在的梯度消失而导致无法记忆长期数据
60
潘玲玲，等：基于MF⁃LSTM的城市电动汽车集中充电负荷可调潜力评估电气传动2023年第53卷第8期
的问题，LSTM加入不同门的控制，将长时记忆数据和短时记忆数据进行结合。LSTM结构中一个
LSTM单元如图1所示。
图1LSTM单元
Fig.1Long short-term memory unit
遗忘门能主动选取相关信息进行遗忘，相关公式为
f
t=σ(W f[h t-1,x t+b f])（1）式中：f t为遗忘门输出；σ（·）为sigmoid函数；W f为矩阵权重；h t-1为t-1时刻的输出；x t为t时刻的输入；b f为偏置项。
输入门分为2个部分：先通过sigmoid层更新信息；再通过tanh层创建新的候选值向量。计算公式为
i
t=σ(W i[h t-1,x t+b i])（2）
C
t=tanh(W c[h t-1,x t]+b c)（3）式中：i t为输入门状态；C t为新增状态；W i，W c为矩阵权重；b i，b c为偏置项。
t时刻的隐藏层状态c
t
通过添加遗忘门和输入门所控制的信息部分来确定：长时间信息由f t 控制；短时间信息由i t和C t控制。公式如下：
c
t=f t⋅c t-1+i t⋅C t（4）输出门也分为2个部分：先通过sigmoid层对要输出的信息进行过滤，再将c t通过tanh层，使状态范围为［-1，1］，最后将两者相乘得到期望输出。公式为
o
t=σ(W o[h t-1,x t]+b o)（5）
h
t=o t⋅tanh c t（6）式中：o t为输出门状态；W o为矩阵权重；b o为偏置项；h t为最终期望输出结果。
1.2MF-LSTM神经网络负荷预测模型
本文首先使用隶属度函数构建充电负荷时间序列特征作为网络输入信息，生成考虑用户偏好的充电负荷数据；其次将生成的新数据输入至LSTM神经网络实现负荷预测；最后得到充电负荷预测数据，得到未来一段时间内电站充电负荷变化情况及波动曲线。MF-LSTM预测模型结构如图2所示。图中原始输入层为充电负荷历史数据，神经网络输入层为充电负荷生成数据，隐含层为双层隐藏层，输出层为考虑用户行为偏好后
的负荷预测数据。
图2MF-LSTM预测模型
Fig.2MF-LSTM prediction model
2电动汽车用户充电行为偏好模型2.1用户行为影响因素模糊化算法
电动汽车用户作为控制电动汽车接入电网的操作人，其对外部激励的响应程度随用户自身行为偏好产生差异，影响用户参与需求响应的可能性，从而改变电动汽车的调控潜力。由于现实情况中用户行为存在不确定性，用户存在多样化抉择，其考虑多方因素后做出的决策是模糊化的，无法得到具体的选择概率，因此本文使用模糊推理系统隶属度函数对用户选择过程中的决策行为进行仿真模拟。
电动汽车用户在考虑是否参与调控时，主要考虑内、外两类因素。针对自身内部因素，本文考虑了用户对电价的敏感程度及电量焦虑；针对环部因素，本文考虑了电动汽车充电起始荷电状态及补偿电价。
首先，分别对以上4个因素进行模糊化建模，得到各自的隶属度函数作为输入。由于现有文献针对用户行为影响因素的模糊推理过程内容较少，因此参考了文献[18]中的温度模糊化过程进行用户行为影响因素的类比；各参数按照影响因素的程度进行等比例划分，将影响因素划分为区间[1，10]内的隶属函数。由于采用模糊推理系统，无法给出确切的阈值区间，尤其是两种评价结果的交界处，因此针对以上4个因素仅提供大致的区间范围：
61
潘玲玲，等：基于MF⁃LSTM 的城市电动汽车集中充电负荷可调潜力评估
电气传动2023年第53卷第8期1）电价补偿：
m 1=ìíîïïïï
1
P r <A 1C 1
-P
r C 1-A 1A 1≤P r ≤C 10
C 1<P r （7）
m 2=ìíîï
ïïïïï
ïïP r -A 1
B 1-A 1A 1<P r <B 11B 1≤P r <D 1
E 1-P r
E 1-D 1D 1≤P r <E 10
P r <A 1or E 1<P r （8）
m 3=ìíîïïïï
P r <C 1P r -C 1
E 1-C 1C 1≤P r ≤E 11
E 1<P r （9）
式中：m 1，m 2，m 3分别为低电价补偿、中等电价补偿及高电价补偿的隶属度函数，阈值区间分别为[0，3.33]，[3.33，6.67]，[6.67，10]；P r 为电价；A 1～E 1为电价参数，取A 1=2.5，B 1=3.75，C 1=5，D 1=6.25，E 1=7.5。
2）起始荷电状态：
m 4i =1
2πσ
exp [-(S -μi )22σ2
]（10）式中：m 4i 为起始荷电状态的隶属度函数，i =1，2，3，4，分别对应低电量、较低电量、较高电量和高电量，阈值区间分别为[0，2.5]，[2.5，5]，[5，7.5]，[7.5，10]；S 为起始荷电状态；σ取2.5；μi 分别取0，
3.33，6.67，10。
3）电量焦虑：
m 5i =
1
2πσ
exp [-
(N -μi )2
2σ2
]i
（11）
式中：m 5i 为电量焦虑的隶属度函数，i =1，2，3，4，
分别对应无焦虑、低焦虑、中焦虑和高焦虑，阈值区间分别为[0，2.5]，[2.5，5]，[5，7.5]，[7.5，10]；N 为焦虑状态；σ取2.5；μi 分别取0，3.33，6.67，10。
4）电价敏感程度：
m 6=ìíîï
ïC 2-Sen C 2-A 2
A 2≤Sen ≤C 2
0Sen ≥C 2（12）
m 7=ìí
îïïïïïïïï0
Sen ≤B 2
Sen -B 2C 2
-B
2B 2≤Sen ≤C 2D 2-Sen D 2-C 2C 2≤Sen ≤D 2
Sen ≥D 2
（13）
m 8=ìíîï
ï
Sen -C 2
E 2-C 2C 2≤Sen ≤E 20
Sen ≤C 2（14）
式中：m 6，m 7，m 8为电价敏感程度的隶属度函数，分别为不敏感、较敏感和高敏感，阈值区间分别为[0，3.33]，[3.33，6.67]，[6.67，10]；Sen 为电价敏感度；A 2～E 2为敏感参数，A 2=0，B 2=2.5，C 2=5，
D 2=7.5，
E 2=10。其次，将用户是否参与电网调控设置为输出
结果，如下式：
ìí
îRe =1
output ≥0.5Re =0
output <0.5
（15）
输出结果为1表示用户参与电网调控，0表示用
户不参与电网调控。
最后，制定隶属度函数输出规则，其中包含6条规则，规则矩阵如下：
R =éëêêêêê
êêùû
úúúúúúú0
001111-4332211-3-1-13211-33332111-1-14211-4-1-13211（16）
综上所述，得到计及用户行为影响因素的模糊化推理算法，该算法对用户行为决策进行模拟，实现用户参与电网调控的模糊推理，为后续构建MF -LSTM 模型提供前端支撑。2.2
计及用户行为偏好充电行为数据生成算法由于缺少耦合用户行为的充电负荷历史数
据，因此，需要基于所建立的用户行为影响因素模糊化算法，在原始充电行为数据库基础上考虑用户行为偏好，构建数据生成算法得到新的充电行为数据库作为仿真输入。算法具体规则如下：1）充电时长限制。充电时长T c 低于1h 的充
电段由于充电时间较短，其调控意义不强，不参与调控。
2）车辆停靠时长限制。电动汽车在停车时
段内才参与电网调控。日间06：00—16：00时预期停靠时长T 为T =
1
2πσ1exp [-(x -u 1)2
2σ21
]
σ1=1,u 1=4
（17）
式中：x 为电动汽车停靠开始时刻。
夜间00：00—6：00时及16：00—24：00时预期停靠时长T 为
62
潘玲玲，等：基于MF⁃LSTM 的城市电动汽车集中充电负荷可调潜力评估电气传动2023年第53卷第8期
T =
1
2πσ2
exp [-
(x -u 2)2
2σ22
]σ2=4,u 2=20
（18）
若某电桩的两段邻接充电数据相隔的时间T t
大于预期停靠时长，则真实停靠时长T P 为预期停
靠时长T ，否则停靠时长T P 为T t ，公式描述为T P ={
T t T t ≤T T T t >T
（19）
若该充电时段为当日内该电桩最后一次充
电，则其参与调控后充电调控时段为此充电开始时刻至第二日06：00时。
3）荷电状态限制及充电功率限制。对真实
充电数据进行计算，得到车辆原始充电量C ，用户参与电网调控后其在离开电桩前所充电量C n 需大于等于原始充电量C ，且充电功率P o 小于等于
电桩最大充电功率P max ，公式描述为
{P o ≤P
max
C n
≥C
（20）
4）当电动汽车用户充电急迫性不高时，用户
倾向于在低价时段充电，此时聚合商进行电价补偿，用户一方面充电迫切性不强，另一方面能获取额外收益，能有效激励用户参与调控[21]。因此在使用用户行为影响因素模糊化算法输出结果后需计算影响系数：低电价区影响系数为1.2，高电价区影响系数为0.8。
根据以上设定的规则，仿真流程为：首先载入原始充电数据库，进行充电时长约束，选取充电时长大于1h 的数据；其次引入用户行为隶属度函数，计算用户参与需求响应的可能性；然后针对参与调控的部分车辆，设置停靠时长约束、荷电状态约束及充电功率约束；最后引入电价影响因素，通过蒙特卡洛模拟，输出计及用户行为偏好后的充电行为数据库。仿真流程如图3
所示。
图3计及用户行为偏好的充电行为数据库生成算法流程图Fig.3
Flowchart of algorithm for generating a charging behavior database considering user behavior preferences
3仿真验证
3.1
充电行为数据预处理及MF -LSTM 参数设置
为提升MF -LSTM 训练速度并有效拟合负荷曲线，首先，对某城市电网2021年充电负荷数据进行预处理：
1）异常数据处理。针对数据库中充电功率
低于1kW·h 数据、大于60kW·h 数据、时长为1采样点数据及空数据，默认其为无效异常数据进行删除。
2）扩充数据样本集。由于电动汽车充电功
率存在上升—平稳—下降的变化趋势，针对充电起始结束时刻的大功率充电数据，对其进行插值
计算填补扩充数据两端。
3）数据标准化。为了获得较好的拟合并防
止训练发散，将训练数据标准化为具有零均值和单位方差的函数，即
mu =1
N ∑i =1
N EV
DataTrain i
（21）sig =
（22）
归一化函数如下：
data i =
DataTrain i -mu
sig
（23）
式中：N EV 为车辆总数；DataTrain i 为第i 辆车的充电数据；data i 为标准化后第i 辆车的充电数据。
4）训练集和测试集划分。选取某城市某居
民区集中式充电站2021年1月—2021年2月的
真实充电负荷数据，将其按周一至周日7d 为一个周期进行划分，从1月11日开始至2月7日结束，共4个周期，充电负荷曲线如图4所示。由于MF -
LSTM 网络更适用于时间序列数据处理，因此将4个周期的负荷数据转化为一维时间序列矩
阵。选取的负荷数据以15min 为一个采样点，一周期共672个采样点，选取其中一周负荷数据绘制负荷波动图如图5所示。
图4
4个负荷周期波动
Fig.4
Four groups of load cycle fluctuations
63
发布评论