基于网络切片和边缘计算技术的电动汽车充电行为

沈 忆 何 鑫

（北京中电普华信息技术有限公司，北京 102200）

1 概述

随着人们对环保的日益重视和汽油价格的不断上涨，电动汽车越来越受欢迎。电动汽车的大量应用可以为智能电网带来巨大的发展机遇[1]。电动汽车的电池可以帮助电网提高分布式电能，也可以作为蓄电装置在高峰时段向电网回馈电力。

电动汽车与电网的互动，利用大量电动汽车储存能量作为电网和可再生能源的缓冲，称为电网到车辆模式（G2V）。车辆为电网提供能量的模式称为V2G模式。

在两种模式下，对电动汽车进行适当的充电控制，可以有效缓解大量电动汽车同时接入电网供电时所产生的负面影响。电动汽车具有高度的随机性，优化资源调度可以降低新能源随机性对电网的影响，实现电动汽车的清洁低碳化。

本文应用人工智能技术对电动汽车驾驶员的用户行为进行分析，去除用户行为不稳定的用户对电网调度的影响，使基于V2G的电网规划调度更优化，使电力资源得到优化，可以得到更有效利用。此外，本文将先进的5G网络切片技术与边缘计算技术相结合，使电动汽车的用户数据得到更快、更准确、更安全分析，提高服务质量。

2 总体架构及分析思路

2.1 电动汽车接入智能电网的网络架构

为同时实现电动汽车与电网之间的数据以及电力传输，V2G系统采用双向通信结构。V2G系统为电动汽车充电而布置电力链路的同时，还集成了先进的无线通信技术，实现了电动汽车与智能电网之间的数据通信。

2.2 基于网络切片和边缘计算的智能电网电动汽车

基于5G数据通信的背景，随着电动汽车的数量和相关物联网实体的数量呈爆炸式增长，需要移动网络配置灵活、时延低、效率高。移动边缘计算（MEC）可以满足用户的相关需求[2]，可以在离数据源较近的地方提供服务，大幅度提高了数据处理效率，降低了云负载，提供了更快的网络服务响应。

为了提供适应不同领域所需的网络连接特性，应用了网络切片技术[3]。网络切片是软件定义网络和网络功能虚拟化技术应用于5G网络的关键服务。网络切片形成端到端的逻辑网络，根据切片需求侧的需求灵活提供一种或多种网络服务。5G架构由四层组成，即用户设备、接入网、核心网和物联网服务[4]。大量的用户设备通过核心网和接入网接入数据网络，与物联网服务器进行通信。核心网将被用户平面功能控制平面功能分开，实现独立的可扩展性和灵活部署。网络切片技术更具成本效益，可以根据需要添加或删除网络的不同功能。网络切片结合了一个通用的底层基础设施，可以对资源进行分区、共享和优化。可灵活调度、合理调配5G网络资源，满足不同行业客户的差异化需求。

移动边缘计算如图1所示。

图1 移动边缘计算概览

2.3 人工智能数据分析

（1）电动汽车用户充电行为对电网的影响。

电动汽车的不规则充电可能会给城市的供电系统带来巨大挑战。电动汽车的受控充电行为实际上可以增强智能电网的稳定性，实现削峰填谷的效果，用户的充电行为主要通过相关因素影响电网的稳定性。

①开始充电的时间和结束充电的时间。

如果所有用户都选择在下班后开始为电动汽车充电，在早上结束充电，突出电网的高峰和低谷。

②所需的充电量。

需要更多电量的用户将从电网中吸收更多电量。

③电动车充电场景。

电动汽车在旅行中充电时，充电优先级更高，且不可预测。如果用户夜间在家充电，充电优先级较低，可以合理调度用户的充电行为，提高智能电网的稳定性。

（2）使用人工智能分析用户的充电行为。

电力公司应制定适当的规则管理电动汽车的充电行为，通过分析电动汽车用户的用户行为，制定规则调度电动汽车的充电行为。通过人工智能可以对用户行为进行聚类和分类，预测用户的充电行为。

为了提高智能电网处理充电负荷的能力，收集用户信息并应用人工智能技术对数据进行解读。利用智能电网中用户的充电数据，可以对电动汽车用户进行分类，选择更适合负载均衡的用户。有助于有效管理SG中电动汽车的充电或放电行为，实现高效的负载平衡和可靠的能量传输。

3 仿真结果

以电动汽车的真实充电记录作为数据集分析用户充电行为。为318名电动汽车用户编制了26 000条充电记录，包括用户的充电连接时间、充电完成时间、充电断开时间以及充电量。数据表明，对于绝大多数电动汽车用户，充电行为可以预测，如每天下班后开始充电，第二天清晨上班前断开电动车和充电桩。但少数用户的收费行为并不规律。即使只调度有规律充电行为的用户，电网的稳定性也能够得到大幅度提高。

聚类分析[5]是数据挖掘中的关键分析算法，通过静态分类将相似的对象分成不同的组或多个子集，使同一子集中的成员对象具有相似属性。K-means算法以其算法设计简单、聚类速度快、聚类效果好等优点得到了广泛应用。本文使用K-means分析电动汽车用户充电行为的不确定性。

为了分析用户的充电行为，对用户的行为进行聚类，选择变量作为用户行为聚类的基础。用户在充电开始时间、充电结束时间、充电量、充电场景的选择上影响电网；充电量与充电时间大致呈正相关；部分用户有规律的充电行为，部分用户没有规律的充电行为。

为了获得更好的聚类结果，选择平均计费时间、计费时间标准差和连接时间作为聚类用户行为的依据。

K-means算法聚类结果如图2所示。

图2 K-means算法聚类结果

对数据进行聚类前，应对数据预处理。从原始数据集中手动筛选并删除低质量数据，删除少于三个记录的用户时，用户是随机的，对确定行为模式没有意义。使用线性归一化方法对用户数据进行归一化，使用K-means算法对EV用户充电行为进行分类。对于集群边界的数据，集群效果不理想，用K-means算法对数据进行聚类后使用手动方法对边界处的数据进行检查和重新标记。

经过聚类分析将用户分为两类，即行为有规律和行为不规律。采用K-NN算法对剩余的用户数据进行分类[6]，采用ROC曲线判断分类结果。

模型仿真ROC曲线如图3所示。

图3 模型仿真ROC曲线

通过K-means算法对电动汽车用户的充电行为进行聚类分析，了解充电行为是否稳定。通过K-NN算法训练历史数据，实现充电行为新数据的自动分类。由ROC曲线可知分类结果准确。通过人工智能算法可以判断新用户是否适合参与智能电网的调度，消除不稳定用户对电网调度的影响。

4 结语

为了有效管理和调度电动汽车的充放电行为，提出一种基于边缘计算和网络切片的智能电网通信网络架构。在此架构下，电动汽车的用户数据可以更灵活、高效、安全地传输和处理。提出了一种结合K-Means聚类算法和K-NN算法的用户行为分析方法。仿真结果表明，该方法能够对用户行为稳定性进行自动分类，使智能电网的调度更准确、高效。