本發明涉及車網互動，尤其是涉及一種基于充電樁數據的車網互動調控方法及系統。

背景技術：

1、車網互動，即通過電動車和電網之間的互動，實現電動車在電網負荷低時吸納電能，在電網負荷高時釋放電能，隨著電動汽車的普及和電網智能化的發展，將電動汽車作為分布式儲能資源，通過車網互動調控方法，將其納入虛擬電廠的調度范圍，參與電網的調峰、調頻和備用等服務，電動汽車由單一充電拓展到以充放電兩種形態參與電網實時調控和調峰輔助服務。

2、通過車網互動，能夠促進新能源消納、減輕高峰時段電網負荷壓力、減少電網投資，對新型電力系統建設具有重要現實意義。但是，在開展車網互動的過程中涉及龐大且動態變化的數據，難以對這些數據進行高效分析，導致對車網互動調控的效率較低。

3、由此可見，如何提高車網互動調控的效率，已經成為本領域技術人員所要亟待解決的技術問題。

技術實現思路

1、本發明提供一種基于充電樁數據的車網互動調控方法及系統，以解決現有技術對核心網日志異常檢測的準確性較低的技術問題。

2、為了解決上述技術問題，本發明實施例提供了一種基于充電樁數據的車網互動調控方法。

3、分別采集每個可調控車輛在當前采集時刻的電量數據、配電網中每個節點的供電負荷數據、每個充電樁的位置數據和在每個采集時刻的充電功率數據、充電負荷數據和環境數據；

4、采用長短期記憶神經網絡基于所有所述充電負荷數據、所有所述位置數據和所有所述環境數據訓練充電樁負荷預測模型，以訓練好的所述充電樁負荷預測模型預測每個所述充電樁的充電負荷，得到每個所述充電樁的負荷預測數據；

5、根據每個所述充電樁的所述充電功率數據的波動性特征獲取每個所述充電樁的車網互動平穩系數；對每個所述充電樁的所述車網互動平穩系數、所述負荷預測數據和當前采集時刻下每個所述充電樁的所述充電負荷數據進行處理，計算得到每個所述充電樁的車網互動適宜指數；

6、基于所有所述充電樁的所述車網互動適宜指數、所有所述可調控車輛的所述電量數據和確定的每個所述節點的供電負荷預測數據之間的匹配程度，執行與匹配結果相對應的車網互動調控策略。

7、作為其中一種優選方案，所述根據每個所述充電樁的所述充電功率數據的波動性特征獲取每個所述充電樁的車網互動平穩系數，包括：

8、將每個所述充電樁的所有所述充電功率數據按照采集的時間順序升序排列，得到每個所述充電樁的充電功率時間序列，采用突變點檢測算法提取每個所述充電功率時間序列中的所有突變點；

9、基于每個所述充電功率時間序列中所有所述突變點兩側變化趨勢的差異性特征獲取每個所述充電功率時間序列的階段突變點和非平穩突變點；

10、以所有所述階段突變點將每個所述充電功率時間序列劃分為多個充電功率時間子序列；

11、根據每個所述充電功率時間子序列中所有所述非平穩突變點的偏離特征計算每個所述充電功率時間子序列的車網互動平穩系數。

12、作為其中一種優選方案，所述對每個所述充電樁的所述車網互動平穩系數、所述負荷預測數據和當前采集時刻下每個所述充電樁的所述充電負荷數據進行處理，計算得到每個所述充電樁的車網互動適宜指數，包括：

13、若當前采集時刻下所述充電樁的所述充電負荷數據小于等于所述負荷預測數據，則將所述充電樁的車網互動適宜指數設置為0；

14、若當前采集時刻下所述充電樁的所述充電負荷數據大于所述負荷預測數據，則將所述充電負荷數據、所述負荷預測數據，所述充電樁的車網互動平穩系數輸入車網互動評估表達式中，計算得到所述充電樁的車網互動適宜指數；

15、所述車網互動評估表達式為：

16、vai＝norm((cli-yli)×awi)

17、其中，vai為充電樁i的車網互動適宜指數，norm()為歸一化函數，cli為當前采集時刻下充電樁i的充電負荷數據，yli為當前采集時刻下充電樁i的負荷預測數據，awi為充電樁i的車網互動平穩系數。

18、作為其中一種優選方案，所述基于每個所述充電功率時間序列中所有所述突變點兩側變化趨勢的差異性特征獲取每個所述充電功率時間序列的階段突變點和非平穩突變點，包括：

19、采用最小二乘法對每個所述突變點的預設左側鄰域進行曲線擬合，得到每個所述突變點的左側擬合參數；采用最小二乘法對每個所述突變點的預設右側鄰域進行曲線擬合，得到每個所述突變點的右側擬合參數；

20、將每個所述突變點的所述左側擬合參數和對應的所述右側擬合參數的差值的絕對值作為每個所述突變點的兩側趨勢差異指數；將每個所述充電功率時間序列中所有所述突變點的所述兩側趨勢差異指數的平均值作為每個所述充電功率時間序列的趨勢差異參考指數；

21、將每個所述充電功率時間序列中所有大于等于所述趨勢差異參考指數的所述突變點作為階段突變點，將每個所述充電功率時間序列中所有小于所述趨勢差異參考指數的所述突變點作為非平穩突變點。

22、作為其中一種優選方案，所述根據每個所述充電功率時間子序列中所有所述非平穩突變點的偏離特征計算每個所述充電功率時間子序列的車網互動平穩系數，包括：

23、以每個所述非平穩突變點為中心，構建每個所述非平穩突變點的鄰域窗口，將每個所述充電功率時間子序列中各個所述非平穩突變點的元素值替換為對應的所述鄰域窗口內的所有元素值的平均值，得到每個所述充電功率時間子序列對應的平滑突變充電功率序列；

24、計算每個所述充電功率時間子序列的第一赫斯特指數和對應的所述平滑突變充電功率序列的第二赫斯特指數，將所述第二赫斯特指數和對應的所述第一赫斯特指數輸入平穩評估表達式中，計算得到每個所述充電功率時間子序列的車網互動平穩系數；

25、所述平穩評估表達式為：

26、carwj＝exp(-(hstj′-hstj))

27、其中，carwj為充電功率時間子序列j的車網互動平穩系數，exp()為以自然常數為底數的指數函數，hstj為充電功率時間子序列j的第一赫斯特指數,hstj′為充電功率時間子序列j對應的平滑突變充電功率序列的第二赫斯特指數。

28、本發明再一實施例提供了一種基于充電樁數據的車網互動調控系統，所述系統包括：

29、車網互動數據采集模塊，用于分別采集每個可調控車輛在當前采集時刻的電量數據、配電網中每個節點的供電負荷數據、每個充電樁的位置數據和在每個采集時刻的充電功率數據、充電負荷數據和環境數據；

30、充電樁負荷預測模塊，用于采用長短期記憶神經網絡基于所有所述充電負荷數據、所有所述位置數據和所有所述環境數據訓練充電樁負荷預測模型，以訓練好的所述充電樁負荷預測模型預測每個所述充電樁的充電負荷，得到每個所述充電樁的負荷預測數據；

31、車網互動評估模塊，用于根據每個所述充電樁的所述充電功率數據的波動性特征獲取每個所述充電樁的車網互動平穩系數；對每個所述充電樁的所述車網互動平穩系數、所述負荷預測數據和當前采集時刻下每個所述充電樁的所述充電負荷數據進行處理，計算得到每個所述充電樁的車網互動適宜指數；

32、車網互動調控模塊，用于基于所有所述充電樁的所述車網互動適宜指數、所有所述可調控車輛的所述電量數據和確定的每個所述節點的供電負荷預測數據之間的匹配程度，執行與匹配結果相對應的車網互動調控策略。

33、作為其中一種優選方案，所述根據每個所述充電樁的所述充電功率數據的波動性特征獲取每個所述充電樁的車網互動平穩系數，包括：

34、將每個所述充電樁的所有所述充電功率數據按照采集的時間順序升序排列，得到每個所述充電樁的充電功率時間序列，采用突變點檢測算法提取每個所述充電功率時間序列中的所有突變點；

35、基于每個所述充電功率時間序列中所有所述突變點兩側變化趨勢的差異性特征獲取每個所述充電功率時間序列的階段突變點和非平穩突變點；

36、以所有所述階段突變點將每個所述充電功率時間序列劃分為多個充電功率時間子序列；

37、根據每個所述充電功率時間子序列中所有所述非平穩突變點的偏離特征計算每個所述充電功率時間子序列的車網互動平穩系數。

38、作為其中一種優選方案，所述對每個所述充電樁的所述車網互動平穩系數、所述負荷預測數據和當前采集時刻下每個所述充電樁的所述充電負荷數據進行處理，計算得到每個所述充電樁的車網互動適宜指數，包括：

39、若當前采集時刻下所述充電樁的所述充電負荷數據小于等于所述負荷預測數據，則將所述充電樁的車網互動適宜指數設置為0；

40、若當前采集時刻下所述充電樁的所述充電負荷數據大于所述負荷預測數據，則將所述充電負荷數據、所述負荷預測數據，所述充電樁的車網互動平穩系數輸入車網互動評估表達式中，計算得到所述充電樁的車網互動適宜指數；

41、所述車網互動評估表達式為：

42、vai＝norm((cli-yli)×awi)

43、其中，vai為充電樁i的車網互動適宜指數，norm()為歸一化函數，cli為當前采集時刻下充電樁i的充電負荷數據，yli為當前采集時刻下充電樁i的負荷預測數據，awi為充電樁i的車網互動平穩系數。

44、作為其中一種優選方案，所述基于每個所述充電功率時間序列中所有所述突變點兩側變化趨勢的差異性特征獲取每個所述充電功率時間序列的階段突變點和非平穩突變點，包括：

45、采用最小二乘法對每個所述突變點的預設左側鄰域進行曲線擬合，得到每個所述突變點的左側擬合參數；采用最小二乘法對每個所述突變點的預設右側鄰域進行曲線擬合，得到每個所述突變點的右側擬合參數；

46、將每個所述突變點的所述左側擬合參數和對應的所述右側擬合參數的差值的絕對值作為每個所述突變點的兩側趨勢差異指數；將每個所述充電功率時間序列中所有所述突變點的所述兩側趨勢差異指數的平均值作為每個所述充電功率時間序列的趨勢差異參考指數；

47、將每個所述充電功率時間序列中所有大于等于所述趨勢差異參考指數的所述突變點作為階段突變點，將每個所述充電功率時間序列中所有小于所述趨勢差異參考指數的所述突變點作為非平穩突變點。

48、作為其中一種優選方案，所述根據每個所述充電功率時間子序列中所有所述非平穩突變點的偏離特征計算每個所述充電功率時間子序列的車網互動平穩系數，包括：

49、以每個所述非平穩突變點為中心，構建每個所述非平穩突變點的鄰域窗口，將每個所述充電功率時間子序列中各個所述非平穩突變點的元素值替換為對應的所述鄰域窗口內的所有元素值的平均值，得到每個所述充電功率時間子序列對應的平滑突變充電功率序列；

50、計算每個所述充電功率時間子序列的第一赫斯特指數和對應的所述平滑突變充電功率序列的第二赫斯特指數，將所述第二赫斯特指數和對應的所述第一赫斯特指數輸入平穩評估表達式中，計算得到每個所述充電功率時間子序列的車網互動平穩系數；

51、所述平穩評估表達式為：

52、carwj＝exp(-(hstj′-hstj))

53、其中，carwj為充電功率時間子序列j的車網互動平穩系數，exp()為以自然常數為底數的指數函數，hstj為充電功率時間子序列j的第一赫斯特指數,hstj′為充電功率時間子序列j對應的平滑突變充電功率序列的第二赫斯特指數。

54、相比于現有技術，本發明實施例的有益效果在于以下所述中的至少一點：

55、(1)分別采集每個可調控車輛在當前采集時刻的電量數據、配電網中每個節點的供電負荷數據、每個充電樁的位置數據和在每個采集時刻的充電功率數據、充電負荷數據和環境數據，采用長短期記憶神經網絡基于所有充電負荷數據、所有位置數據和所有環境數據訓練充電樁負荷預測模型，以訓練好的充電樁負荷預測模型預測每個充電樁的充電負荷，得到每個充電樁的負荷預測數據，通過結合充電樁所處的環境和位置信息，提高了對充電樁的充電負荷進行預測的可靠性；

56、(2)根據每個充電樁的充電功率數據的波動性特征獲取每個充電樁的車網互動平穩系數，對每個充電樁的車網互動平穩系數、負荷預測數據和當前采集時刻下每個充電樁的充電負荷數據進行處理，計算得到每個充電樁的車網互動適宜指數，反映了充電樁與電網進行能量和信息互動的能力，用以評估每個充電樁參與車網互動的適宜程度，通過分析充電負荷數據和對應的負荷預測數據之間的差異性，對充電樁的車網互動能力進行預測，并結合充電樁的充電功率變化的平穩性，對充電樁參與車網互動的適宜程度進行預測，提高了對充電樁參與車網互動的適宜程度進行預測的可靠性；

57、(3)基于所有充電樁的車網互動適宜指數、所有可調控車輛的電量數據和確定的每個節點的供電負荷預測數據之間的匹配程度，執行與匹配結果相對應的車網互動調控策略，綜合分析供電負荷預測數據和電量數據的匹配程度，選取車網互動適宜指數較高的充電樁作為電動汽車與電網之間的連接設備，確保電動汽車與電網之間的能量交換更為高效、穩定，提高了車網互動調控的效率，并通過對車網互動調控策略進行仿真驗證，基于仿真驗證的結果執行車網互動調控策略，對車網互動調控策略進行進一步的驗證，降低了在車網互動過程中的不確定性和風險，進一步提高了車網互動調控的效率；

58、(4)通過對配電網中節點的供電負荷和充電樁的充電負荷進行精準預測，并提供對應的車網互動調控策略，能夠進行實時精準的車網互動調控，提高了車網互動調控的效率。