基于LSTM网络学习的电动汽车实时能量管理优化策略

2021-05-23洪晨威刘其辉张怡冰

电力需求侧管理 2021年3期

洪晨威，刘其辉，张怡冰

（1.华北电力大学新能源电力系统国家重点实验室，北京102206；2.国网北京市电力有限公司，北京100031）

0 引言

电动汽车（electric vehicle，EV）的大量上网带来的大规模负荷增长进一步加剧了配网的负荷峰谷差，对配网的安全运行产生了负面影响。文献［1］—文献［2］对EV接入对电网产生的影响进行了详细的综述，如何对EV进行有效调控是当前的研究热点。

目前国内外学者在解决EV有序充电的问题上已展开了一系列研究。目前比较可行的思想是对EV进行分层分区管理。文献［3］引入了EV分层分区调度的概念，构建了基于双层优化模型的EV充放电调度模型；文献［4］建立了以系统总负荷平方差最小和可转移充放电量最大为目标的两阶段优化模型，并采用yalmip进行求解。文献［5］—文献［6］构建了含EV与可再生能源的双层协调优化模型，并采用遗传算法求解整个模型。分层分区管理方式有效降低了各代理商所调度的EV的规模，大大减少了模型求解的计算量和计算时间。上述文献提出的算法均是一种确定性局部优化算法，仅能考虑当前已接入的EV及电网状态，求解结果也仅是该时段的局部最优解，从当日全局负荷层面考虑，其结果还存在一定的优化空间。

考虑到电网负荷及EV充电负荷为时间序列数据，且在一定时间尺度下呈现周期性规律。而深度长短期记忆神经网络（long short-term memory，LSTM）是一种基于循环神经网络（recurrent neural network，RNN）改进的深度学习算法，对处理时序数据有很好的效果［7］。可以有效地学习历史序列数据中的规律信息。

因此，提出一种基于LSTM网络深度学习的EV 3层能量管理系统。以电网负责的调度中心（电网层）、代理商负责的区域能量管理系统和充电站能量管理系统组成的3层能量管理架构为依托，利用电网历史基础负荷及EV历史负荷数据求解出历史调度优化任务最优解，用于训练学习网络，并利用该网络快速高效的指导当前实时EV调度任务的优化。最后通过仿真计算验证了提出方法的有效性、灵活性和优越性。

1 EV 3层能量管理系统

1.1 3层架构模型

基于文献［8］提出的包括电网层、区域能量管理系统和充电站能量管理系统的EV充电能量管理3层架构模型，结合LSTM学习网络进行进一步的改进，架构模型如图1所示。

图1 电动汽车3层管理架构Fig.1 Three-tier management structure of electric vehicles

由于EV 3层架构管理系统各层的主要功能与现有研究类似，其中电网层策略的关键在于制定引导电价或者制定充电功率阈值，目前已有较多的研究成果［9—10］，因此本文研究重点为能量管理系统如何构建最优指导充电功率深度学习网络、基于该学习网络制定指导充电功率的方法以及充电站能量管理系统对指导充电功率的分配策略。

1.2 3层架构能量管理流程

3层能量管理流程图如图2所示。

图2 3层架构能量管理流程Fig.2 Three-tier architecture management flow

在每日调控开始前，区域管理系统需执行3个步骤：

（1）接收调度层下达的基于历史负荷制定的该日引导电价c(t)，元/kWh；区域充电负荷功率上限M(t)，kW；该日调度目标等信息；

（2）根据历史EV负荷模拟优化过程，计算在已知全日EV准确接入时间及充电需求条件下的各站级管理系统指导充电功率最优解（目标函数与调度层下达的调度目标一致）；

（3）以计算得到的历史每日的指导功率最优解为学习目标，基于历史负荷数据及历史电价信息构建指导功率深度学习网络，准备开始该日的调控。

在收到调度层下达的电价信息及功率限额后，由区域管理系统与站级管理系统配合，对EV充电进行实时控制。将1天划分为96个控制时段（每个时段时长为15 min），将每个控制时段末端作为该时段的优化计算点，对等待充电的EV的充电行为进行优化计算。

假设在某个控制时段中区域内所有充电站中共接入了n辆EV（均未充满），则在该控制时段末端对这n辆EV进行优化，计算它们在下一控制时段的充电功率，该过程需要经历3个步骤：

（1）各站级管理系统统计n辆EV中仍有优化裕度的m辆车辆的电池型号及状态信息（当前电池状态SOCi,j,t及电池容量Bi,j）、到达时刻所在时段Ti,j,0、离开时刻所在时段Ti,j、充满所需时段数、该车辆所属的充电桩类型（直流充电桩或交流充电桩）及其相应的充电额定功率PDC和PAC，并计算各充电站内车辆的平均紧急程度系数Ri,j(t)，如式（1），并将这些信息上传给区域管理系统

（2）区域管理系统收到辖区内各站级管理系统提交的信息后，将该控制时段及之前时段的区域基础负荷数据、电价、EV数量及紧急程度信息输入深度学习神经网络，由该网络计算得出各充电站在下一控制时段的指导充电功率，并下达给相应的站级管理系统。

（3）站级管理系统接收指导充电功率指令，以此为参照分别对本站内m辆车中的EV进行充电功率分配，计算得到各EV在下一控制时段的充电功率，并下发到对应的充电桩。

2 基于LSTM网络学习的区域EV管理系统

2.1 LSTM单元结构

由于各充电站的指导充电功率实际上为一组时间序列，而深度学习模型中的LSTM模型恰好具有记忆能力，可以有效地学习历史序列数据中的信息，因此采用长短期记忆深度神经网络模型。LSTM的单元结构如图3所示［11］。

图3 LSTM单元结构Fig.3 LSTM unit structure

图3中Ct-1为前一个单元的记忆；ht-1为前一个单元的输出；Xt为当前单元的输入；Ct为当前单元的记忆；ht为当前单元的输出；函数ft为遗忘门，用于选择遗忘ht-1中的参数信息；it和C͂t构成输入门，用来读取和修正参数，并创建候选向量Ct添加到单元记忆中；Ot为输出门，用于选择输出部分单元记忆信息，计算公式为［12］

式中：W和b分别为对应门的权重系数矩阵和偏置项；σ为sigmoid激活函数，用于将实数映射到［0，1］内；tanh为双曲正切函数，用于将实数映射至［-1，1］内。

在处理序列数据时，每个时间步对应一个LSTM单元。每个单元通过考虑当前输入、前一个单元的输出和记忆来作出决定，同时它会产生一个新的输出并改变它的记忆。当存在多个LSTM层时，第一层各时间步的单元输出将作为第二层对应时间步的单元的输入，第一层最后的时间步的记忆将作为第二层的初始记忆。

2.2 LSTM长短期记忆循环神经网络模型

本文构建的LSTM模型包括输入层、2个LSTM隐藏层、两个全连接层、一个Dropout层和输出层。输入矩阵进入输入层后，经过LSTM隐藏层和Dropout层后，通过全连接的输出层得到最终预测值，LSTM模型如图4所示。

图4 LSTM网络模型Fig.4 LSTM network model

LSTM层的作用是为了筛选出重要的信息，同时遗忘不重要的信息。Dropout层在正向传递和权值更新的过程中对LSTM神经元的输入和递归连接进行概率性失活，能够避免某一个网络被过分的拟合到训练集，出现“过学习”，本文将失活概率设置为0.5。完全连接层的作用是将高维输入转变为低维输出，同时保留上一层的信息。图4中完全连接层2的输出维度需要与预测结果维度相同。

2.2.1 网络训练集输入数据

选取以下因素作为输入特征，分别为：各时段的基础负荷、电价、停留EV数量、EV平均紧急程度系数，t-1、t-2时段的EV数量及平均紧急程度系数。每组训练数据包含96个时段数据。训练集具体输入数据如表1所示。

表1 训练集输入数据Table 1 Input data of training set

表1中，在全日负荷情况已知的条件，根据寻优算法求得区域管理系统辖内各充电站在第t时段的指导充电功率最优解，其目标函数的选取与调度层的指令保持一致，以96个控制时段中该区域内M个充电站整体充电成本最小为目标［8］，即

2.2.2 实时输入输出数据

在实时优化调度时，网络需要的输入数据及相应的输出数据如表2所示。

表2 实时输入输出数据Table 2 Real time input and output data

2.2.3 训练流程

为提高训练速度，同时兼顾训练精度，采用mini-batch技术［11］，并选取batchsize=20，即将20组训练数据作为一个整体训练，具体训练过程如下：

（1）对数据进行标准化，由表1可知每组数据包含6个输入量，1个目标值，且时段数为96，因此每组输入数据矩阵大小为7×96；

（2）将训练集的输入量输入到LSTM网络模型中，得到初步的预测值，并计算得到与目标值的误差；

（3）采用Adam反传播算法，更新网络权重，实现LSTM网络的监督学习；

（4）训练完成后，将测试集的数据实时输入到LSTM网络，得出该充电站的实时指导充电功率。

3 站级能量管理策略

本文的充电站能量管理系统按照各车辆的紧急程度系数对区域能量管理系统下达的指导充电功率进行分配，系数越高，分配的充电功率越高。

交流慢充EV分配到的充电功率为0或额定功率PAC，直流快充的EV充电功率可以在0到PDC之间连续调节［13］。

假设第i个充电站在第t个控制时段内接入的EV中交流充电EV的集合为ACt，直流充电EV的集合为DCt，则交流充电电动汽车分配的充电功率为

直流充电EV分配的充电功率为

4 算例分析

4.1 仿真模型设置

假设某个区域能量管理系统下有3个充电站（M=3），分别设置在办公区、商业区和居民区［8］。直流额定充电功率为45 kW，交流额定充电功率为7 kW，EV的电池容量有两种，分别为24 kWh和32 kWh。收集101组某地区实测基础负荷数据及电价信息，同时按照文献［14］提出的基于蒙特卡洛方法的电动汽车出行链进行模拟，得到101组EV的出行数据，共计101组初始数据。选取其中一组作为测试数据用于验证最终结果，其余数据作为训练数据训练LSTM学习网络。图5为该日基础负荷曲线，表3为该日各充电站接入的EV信息，表4为该日调度层下达的引导电价。

2层LSTM层的隐藏单元数量分别设置为200、100，迭代次数为300次。

图5 该日基础负荷Fig.5 The base load of the day

表3 该日各充电站接入的电动汽车信息Table 3 EV information of each charging station of this day

表4 各时段电价信息Table 4 Electricity price of each period

4.2 算例结果分析

将本文方法与其他文献提出的局部优化算法（滚动优化策略）进行对比。图6为该区域管理系统辖内3个充电站的实际充电功率，图7为该地区的基础负荷曲线与不同控制方法下的全部负荷曲线，对应的充电费用及峰谷差如表5所示，图8为不同策略下不同时段的平均充电功率。

图6 各充电站的实际充电功率Fig.6 Actual charging power of each charging station

图7 不同策略下的负荷曲线对比Fig.7 Comparison of load curves under different strategies

表5 峰谷差、充电成本与优化耗时对比Table 5 Comparison of peak-valley、charging cost and optimization duration

图8 不同控制策略下各时段的平均充电功率Fig.8 Average charging power of each period under different control strategies

结合图6、图7、图8和表5可以看出，若电动汽车进行无序充电，不仅充电成本高，且大幅增加了电网的日负荷峰谷差，不利于电网的安全稳定。而本文策略和滚动优化策略均能合理的协调各充电站的指导充电功率，尽可能减少在高电价时段（10:00—14:00，18:00—23:00）的充电功率，将充电负荷转移至电价相对较低的时段，对比即时充电方式，大大降低了充电成本。

同时，由图8可以看出，本文提出的方法在负荷高峰时段充电功率更低，在负荷低谷时段充电功率显著增加，负荷转移效果更加显著。对比表5不同算法下的全日峰谷差，本文的策略的峰谷差更小，削峰填谷的效果更优。另一方面，在对测试数据96个时段的实时仿真中，滚动优化策略用时2 min，而本文提出的方法用时仅30 s，计算效率更高。

综上，本文提出的策略从最终优化结果来看确实取得了较一般算法更优的结果，实时计算效率更高，且当管理的EV数量更加庞大时，普通的寻优算法计算速度将进一步下降，甚至可能出现维数灾，但对本文提出的策略则依然可以保持较高的求解效率，充分体现了策略的有效性及优越性。