本技术提出了一种电动汽车虚拟电厂聚合调频的博弈调控技术与设备,该技术通过收集电动汽车充电桩的历史和实时充电数据以及充电桩的时空关系,采用多图融合神经网络模型对数据进行分析,实现对虚拟电厂的高效调控。
背景技术
随着可再生能源在电力系统中大规模普及,可再生能源发电的不确定性加剧了发电与负荷之间的不平衡,给电力系统频率调节带来了巨大挑战。而电车被认为是以分布式方式提供频率调节服务的重要手段,是潜在的高质量频率调节资源,可以为电力系统频率调节提供快速响应和大电池存储容量。但是由于随机行驶行为、独特的驾驶偏好和独特的充电需求导致了电车的不同响应特性,从而导致难以将电车聚集在一起计算其运行基线及可调节能力,以进行频率调节。
目前多采用虚拟电厂(VPP)将小容量和地理上分散的分布式能源与传统发电厂相结合,为电力系统提供辅助服务。因此VPP也用于调控电车的集体存储容量和可控性来维持功率平衡和频率稳定性,将潜在的充电负担转化为电力系统频率调节资源。但由于电车充电需求和异质响应特性的高度不确定性和随机性,VPP难以准确评估电车的总可控容量。此外,由VPP聚合的大量电车通常具有不同的所有权,因此当VPP解码频率调节信号并分配相关利益时,利益冲突不可避免的。目前虽采用人工智能(AI)方法,如长短期记忆(LSTM)神经网络等,用于评估电车的聚合调节能力。但基于人工智能的评估方法主要侧重于捕捉电车充电需求序列数据中隐藏的时间特征,而忽略了空间特征,这导致评估结果不准确。并且随着参与电车数量的增加,计算复杂性呈指数级增长,甚至可能陷入“维度灾难”问题。
实现思路