[发明专利]基于梯度提升决策树的电动汽车集群可调度容量预测方法

权利要求书

1.一种基于梯度提升决策树的电动汽车集群可调度容量预测方法，其特征是包括如下步骤：

步骤1、通过电动汽车的电池管理系统BMS采集并通过GPRS技术上传到服务器端，获得电动汽车实时运行信息，确定电动汽车是否参与电网调度，并对电动汽车进行分类；

所述电动汽车实时运行信息包括：电池额定容量C_i和电动汽车EV_i在t时刻的电荷状态

在车主愿意参与调度的情况下，所述电动汽车是否参与电网调度是由电网侧调度周期t_s、用户侧预计离开电网时间t_i,f和达到用户所设置SOC的最短充电时间t_i,c所确定：

若有t_i,f＜t_s或t_i,f＜t_i,c，电动汽车EV_i不参与调度；

若有t_i,f≥t_s和t_i,f≥t_i,c，电动汽车EV_i参与调度，并按如下方式进行分类：

当时，电动汽车EV_i只允许参与充电调度；

当时，电动汽车EV_i只允许参与放电调度；

当时，电动汽车EV_i允许参与充电调度和放电调度；

其中，为充电完成时用户期望的SOC最小值，为充电完成时用户期望的SOC最大值；

步骤2、在大数据平台上建立实时电动汽车集群可调度容量模型，并根据所述实时电动汽车集群可调度容量模型获得参加电网调度的电动汽车的实时电动汽车集群可调度容量：

将参与电网调度的电动汽车分为以下三种情况，并利用电池额定容量C_i计算获得电动汽车EV_i的实时可调度充电容量SCC_i和实时可调度放电容量SDC_i：

第一种：当时，电动汽车EV_i只允许充电调度，且有：

SDC_i＝0；

第二种：当时，电动汽车EV_i只允许放电调度，且有：

SCC_i＝0，

第三种：当时，电动汽车EV_i允许充电调度和放电调度，且有：

其中：

表示在保证电池安全充放电下所设置的SOC上限值；

表示在保证电池安全充放电下所设置的SOC下限值；

建立由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型：

其中，n为电网区域中参与电网调度的电动汽车集群的数量；

利用由式(1)和式(2)所表征的实时电动汽车集群可调度容量模型，获得实时电动汽车集群可调度充电容量SCC_n和实时电动汽车集群可调度放电容量SDC_n，以所述SCC_n和SDC_n表征参加电网调度的电动汽车的实时电动汽车集群可调度容量；

步骤3、利用特征数据生成训练集和测试集：

3.1、将所述实时电动汽车集群可调度容量作为历史数据，针对所述历史数据按如下方式获得历史数据特征值：SCC_t,day和SDC_t,day：由式(3)计算获得电动汽车集群对应t时刻在上个月中的可调度充电容量平均值由式(4)计算获得电动汽车集群对应t时刻在上个月中的可调度放电容量平均值

为电动汽车集群对应t时刻在上个月中每一天的可调度充电容量之和；

为电动汽车集群对应t时刻在上个月中每一天的可调度放电容量之和；

D为上个月的实际天数；

由式(5)计算获得电动汽车集群对应t时刻在上周中的可调度充电容量平均值

由式(6)计算获得电动汽车集群对应t时刻在上周中的可调度放电容量平均值

为电动汽车集群对应t时刻在上周中每一天的可调度充电容量之和；

为电动汽车集群对应t时刻在上周中每一天的可调度放电容量之和；

SCC_t,day为电动汽车集群对应t时刻在前一天中的可调度充电容量；

SDC_t,day为电动汽车集群对应t时刻在前一天中的可调度放电容量；

3.2、确定各时间属性特征值，包括：

以t时刻值作为实时数据接收时间的时间属性特征值；

将行车高峰时间的时间属性特征值用“1”表征，将非行车高峰时间的时间属性特征值用“0”表征；

将放假时间的时间属性特征值用“1”表征，将非放假时间的时间属性特征值用“0”表征；

将工作时间的时间属性特征值用“1”表征，将非工作时间的时间属性特征值用“0”表征；

3.3、由所述历史数据特征值和时间属性特征值构成特征数据，以所述特征数据为标签，结合t时刻的实时电动汽车集群可调度容量构建数据集，将所述数据集分为训练集和测试集；

步骤4、根据电网调度对不同时间尺度下的需求，对训练集和测试集按时间尺度的不同划分为不同时间尺度下的训练集和测试集，在大数据平台上采用并行梯度提升决策树算法利用所述训练集，获得不同时间尺度下的电动汽车集群可调度容量预测模型，利用所述测试集代入不同时间尺度下的电动汽车集群可调度容量预测模型计算获得不同时间尺度下的电动汽车集群可调度容量预测结果；

所述并行梯度提升决策树算法是指：首先从训练集中训练出第一棵子决策树模型，之后每一轮保持训练集不变，根据上一轮损失函数调整下一轮中每个样本的采样权重，并且损失函数越大下一轮采样权重越大，如此重复进行直至训练出第z棵子决策树模型，对于损失函数小的子决策树模型取更大的模型权重θ_h；

所述损失函数由式(7)所表征：

y_t是按步骤2所获得的t时刻电动汽车集群可调度容量实际值；

为t时刻电动汽车集群可调度容量预测值；

如果y_t为0，则用电动汽车集群可调度容量的历史平均值替换；

不同时间尺度下的电动汽车集群可调度容量预测模型建模方法相同，是指：采用并行梯度提升决策树算法利用训练集进行建模，获得由式(8)所表征的子决策树模型

式中，X＝(x_1,t,x_2,t,...,x_m,t)为t时刻时所获取的m种特征数据，h为子决策树模型数量；

将z棵子决策树模型加权结合得到由式(9)所表征的不同时间尺度下的电动汽车集群可调度容量预测模型f(X)；

式中，θ_h为模型权重；

将测试集代入可调度容量预测模型f(X)，得到不同时间尺度下的电动汽车集群可调度容量预测值如式(10)所示：

所述不同时间尺度包括实时1分钟、超短期1小时和短期24小时三种调度需求进行预测分析以适应电网调度不同时间尺度需求。