论文部分内容阅读
随着智能电网的发展,大量间歇性新能源的渗透和电动汽车的广泛使用使得电网中的功率波动随机性更强,从而导致电力系统不稳定。然而,基于V2G(Vehicle-to-grid,V2G)和 G2V(Grid-to-vehicle,G2V)技术的发展,电动汽车集群(Electric Vehilcle fleets,EVs)可以作为一个分布式储能系统为电网提供各种辅助服务。而精确和快速的电动集群可调度容量(schedulable capacity,SC)预测是实现这些辅助服务的关键。大规模电动汽车的接入和用户行为的随机性给快速和精确的电动集群可调度容量预测带来了困难。本文围绕如何实现快速和精确的电动集群可调度容量预测展开研究,主要的工作和创新点如下:1.考虑到电动汽车集群可调度容量的间歇性和随机性,本文提出采用实时和日前两种典型的时间尺度分别预测实时和日前的电动汽车集群可调度容量。2.本文创新性的提出了一种基于电动汽车实时充放电数据和用户需求的实时电动汽车集群可调度容量预测模型,从而确保了实时可调度容量预测结果的可靠性。并且,利用大数据分布式并行分析的方法解决大规模电动汽车充放电数据的大数据储存和快速处理问题。3.构建了基于三种典型的大数据算法的日前电动汽车集群可调度容量预测模型,包括并行决策树算法、并行随机森林算法和并行k近邻算法,分别对海量实时可调度容量预测历史结果进行大数据分析,并对建立的三种日前电动汽车集群可调度容量预测模型进行对比分析。4.针对所提出的基于大数据的多时间尺度可调度容量预测方法,本文搭建了基于Hadoop和Spark的含有四台计算机集群的大数据实验平台。并且,实地采集了 521辆电动汽车半年的充放电数据,用于验证所提出的方法。实验结果表明,实时可调度容量的预测精度可以达到3.07%;基于并行决策树算法的日前可调度容量预测的速度和精度最高,并行随机森林算法的预测精度与并行决策树相似,并行k近邻算法预测精度和速度总是最差。