岳友, 陳琛, 陳娜

〔南瑞集團(tuán)(國網(wǎng)電力科學(xué)研究院)有限公司，江蘇 南京 211100〕

0 引 言

隨著新能源技術(shù)的發(fā)展、人們環(huán)保意識(shí)的提高和政府投入的加大，電動(dòng)汽車的數(shù)量越來越多。然而，由于電動(dòng)汽車充電有很大的隨機(jī)性，大規(guī)模電動(dòng)汽車的接入會(huì)對(duì)電網(wǎng)有不利影響，如影響配電網(wǎng)電能質(zhì)量、增加控制優(yōu)化難度等[1]。此外，隨著Vehicle-to-Grid (V2G)技術(shù)的發(fā)展，連接到一定電網(wǎng)區(qū)域的大規(guī)模電動(dòng)汽車作為一個(gè)很大的儲(chǔ)能系統(tǒng)，不僅可以為電網(wǎng)提供輔助支撐服務(wù)，還可以為電網(wǎng)提供應(yīng)急服務(wù)。大規(guī)模電動(dòng)汽車V2G功率容量的預(yù)測(cè)將為電網(wǎng)調(diào)峰、調(diào)頻、經(jīng)濟(jì)調(diào)度，以及電動(dòng)汽車智能充放電策略的制訂提供有力的決策依據(jù)。如何實(shí)現(xiàn)大規(guī)模電動(dòng)汽車V2G功率容量精確和快速的預(yù)測(cè)是實(shí)現(xiàn)這些支持服務(wù)的關(guān)鍵。

國內(nèi)外學(xué)者對(duì)電動(dòng)汽車V2G功率容量都做了相應(yīng)的研究。文獻(xiàn)[2]基于蒙特卡洛隨機(jī)模擬法，進(jìn)行V2G實(shí)時(shí)功率容量預(yù)測(cè)研究。文獻(xiàn)[3]定義了“V2G可用容量”的概念，建立了多種類型電動(dòng)汽車充電時(shí)間分布概率模型，最終利用蒙特卡洛的方法對(duì)微網(wǎng)內(nèi)電動(dòng)汽車集群進(jìn)行V2G可用容量評(píng)估。文獻(xiàn)[4]討論了電動(dòng)汽車充電站中大量電動(dòng)汽車充放電的隨機(jī)性，通過建立接入負(fù)載母線電動(dòng)汽車數(shù)量的概率模型進(jìn)行功率容量估算。文獻(xiàn)[5]通過統(tǒng)計(jì)單臺(tái)電動(dòng)汽車在各個(gè)時(shí)間段接入的概率和可用功率的概率，利用二項(xiàng)分布特性，將具有相同的接入時(shí)間和可用功率的電動(dòng)汽車的容量進(jìn)行快速疊加得到聚合的功率容量。文獻(xiàn)[6]通過統(tǒng)計(jì)電動(dòng)汽車在不同地點(diǎn)接入概率和各地點(diǎn)間距離的大小以獲取相應(yīng)的SOC(State-of-Charge)狀態(tài)，進(jìn)而求得大規(guī)模電動(dòng)汽車功率容量。文獻(xiàn)[7-8]通過對(duì)電動(dòng)汽車進(jìn)行分類，建立各類電動(dòng)汽車數(shù)量的概率模型，進(jìn)而求得大規(guī)模電動(dòng)汽車功率容量。從上述文獻(xiàn)可以看出，采用概率模型和蒙特卡洛的方法可以對(duì)電動(dòng)汽車功率容量進(jìn)行大致估算。然而高精度的概率模型本身就很難建立，因此估算結(jié)果難以滿足電力調(diào)度的精度需求。

隨著光纖和無線通信等通信技術(shù)的發(fā)展可以實(shí)現(xiàn)對(duì)大規(guī)模電動(dòng)汽車充電狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。從而可以利用這些實(shí)時(shí)充電數(shù)據(jù)和數(shù)據(jù)挖掘技術(shù)提高V2G功率容量預(yù)測(cè)精度。報(bào)告指出到2020年中國電動(dòng)汽車保有量將超過500萬輛[9]，屆時(shí)假設(shè)每隔1 s采集一次數(shù)據(jù)，平均每個(gè)時(shí)刻有50萬臺(tái)參與調(diào)度，每條記錄占3～5 kB，那么一年產(chǎn)生的數(shù)據(jù)量為43～71.7 PB。如此大規(guī)模數(shù)據(jù)，利用傳統(tǒng)的方法，數(shù)據(jù)的處理速度和存儲(chǔ)將是問題,并行處理技術(shù)的發(fā)展一定程度上解決了大規(guī)模數(shù)據(jù)處理的難題

目前，并行預(yù)測(cè)技術(shù)在電力系統(tǒng)中已有應(yīng)用，但主要集中在負(fù)荷預(yù)測(cè)領(lǐng)域。文獻(xiàn)[10]討論了在火電廠級(jí)負(fù)荷中分配應(yīng)用大數(shù)據(jù)分析方法，解決火電廠發(fā)電機(jī)組海量運(yùn)行數(shù)據(jù)處理和廠級(jí)負(fù)荷調(diào)度問題。文獻(xiàn)[11]針對(duì)電力用戶側(cè)大規(guī)模數(shù)據(jù)，采用隨機(jī)森林算法實(shí)現(xiàn)短期負(fù)荷并行預(yù)測(cè)。

本文通過電動(dòng)汽車實(shí)時(shí)充電數(shù)據(jù)和用戶需求信息采集提高實(shí)時(shí)V2G功率容量預(yù)測(cè)的精度。同時(shí)考慮到大規(guī)模電動(dòng)汽車數(shù)據(jù)采集帶來的大數(shù)據(jù)問題，基于Spark搭建了并行處理平臺(tái)，在考慮用戶需求的基礎(chǔ)上，利用分布式并行內(nèi)存處理技術(shù)，建立了大規(guī)模電動(dòng)汽車實(shí)時(shí)V2G功率容量并行預(yù)測(cè)模型。

1 實(shí)時(shí)V2G功率容量并行預(yù)測(cè)方法

隨著車聯(lián)網(wǎng)和通信技術(shù)的發(fā)展，不僅可以通過有線或無線的方式實(shí)時(shí)采集電動(dòng)汽車充電的電池和充電器狀態(tài)數(shù)據(jù)，還可以采集用戶的充電需求數(shù)據(jù)。通過實(shí)時(shí)數(shù)據(jù)分析，可以確定實(shí)時(shí)在線充電的電動(dòng)汽車數(shù)量和充電網(wǎng)絡(luò)容量的限制?？紤]到用戶的需求，需要用戶確定可以保證自己用車需求的SOC的下限和上限，以及預(yù)計(jì)離開時(shí)間。這樣就避免了建立各種概率模型用以對(duì)用戶行為的預(yù)測(cè)，從而可以提高V2G功率容量預(yù)測(cè)的準(zhǔn)確度。所需要采集的實(shí)時(shí)數(shù)據(jù)歸納如表1所示。

表1 實(shí)時(shí)數(shù)據(jù)采集參數(shù)表

1.1 V2G功率容量的確定

為了保障用戶用車需求，可以根據(jù)電動(dòng)汽車當(dāng)前的SOC狀態(tài)，將連接到一定電網(wǎng)區(qū)域內(nèi)的電動(dòng)汽車分成兩類：必須充電類和可以參與V2G類。定義實(shí)時(shí)V2G功率預(yù)測(cè)的時(shí)間尺度為td，電動(dòng)汽車的狀態(tài)參數(shù)在短時(shí)間內(nèi)變化很小，可以根據(jù)表1采集實(shí)時(shí)數(shù)據(jù)，利用t時(shí)刻的實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)t+td時(shí)刻的V2G功率容量。大規(guī)模電動(dòng)汽車實(shí)時(shí)V2G功率容量預(yù)測(cè)方法如下:

(1)對(duì)于單臺(tái)電動(dòng)汽車i，當(dāng)Si,t

Pi,t,charge=Ui,tIi,t,charge

(1)

式中：Pi,t,charge為電動(dòng)汽車i在t時(shí)刻的充電功率;Ui,t和Ii,t,charge分別為電動(dòng)汽車i在t時(shí)刻的充電電壓和電流。

(2)當(dāng)Si,t>Simin時(shí)，電動(dòng)汽車i屬于可以參與V2G類。單臺(tái)電動(dòng)汽車的實(shí)時(shí)V2G功率容量可以由式(2)確定。

(2)

(3)

從而，對(duì)于連接到一定電網(wǎng)區(qū)域內(nèi)大規(guī)模電動(dòng)汽車實(shí)時(shí)V2G功率容量的計(jì)算方法如下：

(4)

式中:Ct+td,V2G為大規(guī)模電動(dòng)汽車實(shí)時(shí)V2G功率容量;n為可以參與V2G放電類的電動(dòng)汽車的數(shù)量;m為必須充電類的電動(dòng)汽車的數(shù)量。同時(shí)可以看出，在大規(guī)模電動(dòng)汽車實(shí)時(shí)V2G功率容量預(yù)測(cè)中存在大量的迭代，非常適用于分布式并行計(jì)算。

1.2 V2G功率容量并行預(yù)測(cè)策略

對(duì)于分布式并行計(jì)算平臺(tái)，比較具有代表性的是Apache基金會(huì)開發(fā)的Hadoop和Spark平臺(tái)。Hadoop框架中最核心的是分布式文件系統(tǒng)(HDFS)和Mapreduce。HDFS解決了大規(guī)模數(shù)據(jù)存儲(chǔ)問題；Mapreduce解決了大規(guī)模數(shù)據(jù)快速計(jì)算問題。但是，Mapreduce需要進(jìn)行大量的磁盤讀寫，不利于實(shí)時(shí)計(jì)算。Spark是基于Map Reduce算法實(shí)現(xiàn)分布式并行實(shí)時(shí)計(jì)算，擁有Mapreduce全部的優(yōu)點(diǎn)，不同之處是Spark的輸入輸出結(jié)果可以保存在內(nèi)存中。其分布式并行內(nèi)存計(jì)算機(jī)制可以使速度達(dá)到秒級(jí)，滿足了實(shí)時(shí)計(jì)算的要求。從而本文選取Spark作為實(shí)施V2G功率容量預(yù)測(cè)的計(jì)算平臺(tái)?；赟park的并行實(shí)時(shí)可調(diào)度容量預(yù)測(cè)的流程如圖1所示。所提出的實(shí)時(shí)V2G功率容量并行預(yù)測(cè)策略為：由于Map()函數(shù)可以分布式并行執(zhí)行在所有從節(jié)點(diǎn)上，這里使用Map()函數(shù)構(gòu)建單臺(tái)電動(dòng)汽車的V2G功率容量預(yù)測(cè)模型。然后在利用ReduceByKey()函數(shù)計(jì)算大規(guī)模電動(dòng)汽車的V2G功率容量預(yù)測(cè)模型。

圖1 實(shí)時(shí)V2G功率容量并行預(yù)測(cè)策略

1.3 預(yù)測(cè)評(píng)價(jià)指標(biāo)

采用平均相對(duì)誤差(MAPE)作為大規(guī)模電動(dòng)汽車功率容量預(yù)測(cè)的評(píng)價(jià)指標(biāo)。

(5)

式中:Ct+td,V2G為功率容量預(yù)測(cè)值;Ct,V2G為實(shí)際功率容量值;n為預(yù)測(cè)的點(diǎn)數(shù)。如果實(shí)際值為0時(shí)，用V2G功率容量的平均值替換,MAPE值越小，代表V2G功率容量預(yù)測(cè)結(jié)果越準(zhǔn)確。

2 案例及結(jié)果分析

2.1 試驗(yàn)樣本數(shù)據(jù)

為了驗(yàn)證所提出的方法，實(shí)地采集了521輛電動(dòng)汽車的實(shí)時(shí)充放電數(shù)據(jù)。這些實(shí)時(shí)數(shù)據(jù)來源于電動(dòng)汽車的BMS系統(tǒng)，利用GPRS技術(shù)每隔1 min實(shí)時(shí)向數(shù)據(jù)中心發(fā)送數(shù)據(jù)?？偣彩占?015/11/1 00:00到2016/4/30 23:59共17 GB的數(shù)據(jù)。通過試驗(yàn)測(cè)試，電動(dòng)汽車電池的電壓和SOC在1 min內(nèi)基本不變，故本文的實(shí)時(shí)預(yù)測(cè)尺度td為1 min。為了模擬V2G環(huán)境，電動(dòng)汽車用戶需求參數(shù)統(tǒng)一設(shè)置如表2所示。

表2 用戶需求參數(shù)設(shè)置

2.2 試驗(yàn)平臺(tái)環(huán)境

硬件配置：ThankStation工作站三臺(tái)，CPU為6核inter(R)Xeon(R) CPU 1.09 GHz，安裝內(nèi)存為8 G，硬盤1 T。在服務(wù)器上虛擬6臺(tái)配置相同的Ubuntu14.04虛擬機(jī)，內(nèi)存為2G，CPU為2核。

軟件配置：Spark-1.6.0。

部署方式：完全分布式，1個(gè)主節(jié)點(diǎn)，5個(gè)從節(jié)點(diǎn)。

2.3 實(shí)時(shí)V2G功率容量預(yù)測(cè)結(jié)果分析

算法并行化評(píng)價(jià)指標(biāo)采用通用的加速比，公式為：

Speedup=Ts/Tm

(6)

式中：Ts為單機(jī)運(yùn)行時(shí)間;Tm為集群運(yùn)行時(shí)間。

圖2 電動(dòng)汽車功率容量實(shí)時(shí)并行預(yù)測(cè)加速比

通過人為擴(kuò)展數(shù)據(jù)的方式，模擬不同集群規(guī)模的電動(dòng)汽車的功率容量實(shí)時(shí)預(yù)測(cè)的時(shí)間消耗。從表3和圖2可以看出,數(shù)據(jù)規(guī)模越大加速比越大，越適合采用大數(shù)據(jù)分布式并行計(jì)算。

實(shí)時(shí)V2G功率容量預(yù)測(cè)的時(shí)間尺度為1 min，那么一天就含有1 440個(gè)預(yù)測(cè)點(diǎn)。本文所采集的試驗(yàn)樣本數(shù)據(jù)共有262 079個(gè)預(yù)測(cè)點(diǎn)。圖3描繪了實(shí)時(shí)V2G功率容量預(yù)測(cè)的曲線。利用式(5)，求得V2G功率容量預(yù)測(cè)誤差的MPEA為3.74%，模型的預(yù)測(cè)精度較高。

表3 Spark并行與單機(jī)處理性能對(duì)比

圖3 2015/11/1到2016/4/30實(shí)時(shí)V2G功率預(yù)測(cè)曲線

為了更清晰地展示V2G功率容量預(yù)測(cè)的情況，圖4展示了2016/4/29 6∶00到2016/4/30 6∶00的預(yù)測(cè)情況?？梢?2∶00和24∶00 V2G功率容量達(dá)到了高峰，6∶00和18∶00的V2G功率容量最低。

圖4 2016/4/29 6∶00到2016/4/30 6∶00實(shí)時(shí)V2G功率容量預(yù)測(cè)曲線

3 結(jié)束語

本文結(jié)合大規(guī)模電動(dòng)汽車V2G功率容量預(yù)測(cè)的研究現(xiàn)狀，提出了利用實(shí)時(shí)采集數(shù)據(jù)的方法提高大規(guī)模電動(dòng)汽車V2G功率容量預(yù)測(cè)的精度。最終，基于Spark分布式內(nèi)存并行處理技術(shù)，構(gòu)建了實(shí)時(shí)V2G功率容量并行預(yù)測(cè)模型。試驗(yàn)結(jié)果表明，利用所提出的方法預(yù)測(cè)誤差為3.74%，且采用并行處理的方法，在處理數(shù)據(jù)規(guī)模和速度上均優(yōu)勢(shì)明顯，可以為實(shí)現(xiàn)電動(dòng)汽車輔助支撐服務(wù)提供了有力的數(shù)據(jù)保障。