本發(fā)明涉及一種電動汽車集群可調(diào)度容量預測方法，更具體地說是一種基于大數(shù)據(jù)的電動汽車集群可調(diào)度容量預測方法。

背景技術：

電動汽車在環(huán)保、清潔和節(jié)能方面有傳統(tǒng)汽車無法比擬的優(yōu)勢。由于電動汽車充電有很大的隨機性，大規(guī)模電動汽車的接入會對電網(wǎng)造成不利影響，包括影響配電網(wǎng)電能質(zhì)量、增加控制優(yōu)化難度等。Vehicle-to-grid(v2g)技術的發(fā)展給電動汽車的大規(guī)模接入帶來新的機遇。連接到一定電網(wǎng)區(qū)域的電動汽車集群可以作為一個很大的分布式儲能系統(tǒng)，可以為電網(wǎng)提供各種輔助支撐服務，如調(diào)峰、調(diào)頻、經(jīng)濟調(diào)度。實現(xiàn)這些服務的前提是精確和快速的電動汽車集群可調(diào)度容量預測。

現(xiàn)有技術中，電動汽車集群可調(diào)度容量預測方法多是根據(jù)各種概率模型。包括基于二項分布的電動汽車接入時間概率模型，電動汽車在可能出現(xiàn)地點的概率模型，以及基于隊列理論的各類電動汽車概率模型。使用概率模型是一種便捷的方法，但是考慮到電動汽車的時空分布特性，建立精確的可調(diào)度容量預測概率模型難度很大。電力系統(tǒng)對電動汽車這樣波動性負荷調(diào)度需要進行多時間尺度調(diào)度，但迄今關于多時間尺度調(diào)度沒有相關技術的公開報導。

目前，大數(shù)據(jù)已經(jīng)在新能源發(fā)電、電網(wǎng)預警和電力負荷預測等方面上得到了應用。許多電動汽車廠商已實現(xiàn)電動汽車與數(shù)據(jù)監(jiān)控中心通信，實時采集電動汽車電池相關信息。經(jīng)測算，到2020年，中國電動汽車保有量超過500萬，屆時假設以1min為間隔實時采集接入電力系統(tǒng)的電動汽車狀態(tài)，那么一年產(chǎn)生的數(shù)據(jù)量將達到10-20PB。針對如此大規(guī)模數(shù)據(jù)，利用傳統(tǒng)數(shù)據(jù)處理工具就顯得困難。

由此可見，傳統(tǒng)的可調(diào)度容量預測存在以下不足：

一是采用概率模型預測方法面臨人為因素干擾和概率模型精度不高的問題。

二是沒有考慮多時間尺度電力調(diào)度，不能滿足電力系統(tǒng)多時間尺度調(diào)度的要求。

三是沒有考慮進行可調(diào)度容量計算與預測的數(shù)據(jù)是大數(shù)據(jù)問題，要想獲得較高的預測精度，采用概率模型的方法同樣需要對大量的電動汽車充電數(shù)據(jù)進行調(diào)研。

技術實現(xiàn)要素：

本發(fā)明是為避免上述現(xiàn)有技術所在的不足，提供一種基于大數(shù)據(jù)的多時間尺度電動汽車集群可調(diào)度容量預測方法，充分發(fā)揮大數(shù)據(jù)并行計算在處理海量數(shù)據(jù)能力和速度上的優(yōu)勢，提高計算和預測的速度和精度，為電網(wǎng)多時間尺度調(diào)度、電動汽車充放電控制及電網(wǎng)可靠性分析提供有力的數(shù)據(jù)支撐。

本發(fā)明為解決技術問題采用如下技術方案：

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點在于：

所述預測方法包括實時電動汽車集群可調(diào)度容量預測和日前電動汽車集群可調(diào)度容量預測；所述電動汽車集群可調(diào)度容量包括電動汽車集群可調(diào)度充電容量和電動汽車集群可調(diào)度放電容量；

所述預測方法按如下步驟進行：

步驟1、設定所述實時電動汽車集群可調(diào)度容量預測的預測時間尺度t_d；以預測時間尺度t_d為時間間隔，采集獲得接入電網(wǎng)區(qū)域的電動汽車的實時狀態(tài)數(shù)據(jù)；

步驟2、在分布式并行大數(shù)據(jù)處理平臺上構(gòu)建實時電動汽車集群可調(diào)度容量預測模型；利用所述實時狀態(tài)數(shù)據(jù)，根據(jù)預測模型獲得實時電動汽車集群可調(diào)度容量預測結(jié)果；

步驟3、根據(jù)實時電動汽車集群可調(diào)度容量預測結(jié)果和表征特征屬性的特征數(shù)據(jù)進行相關性分析，提取所述特征數(shù)據(jù)構(gòu)建數(shù)據(jù)集L，L＝(X,Y)，其中，X為依據(jù)q種特征屬性構(gòu)建的特征向量，Y為日前電動汽車集群可調(diào)度容量預測的目標變量的向量；

步驟4、在所述分布式并行大數(shù)據(jù)處理平臺上構(gòu)建并行大數(shù)據(jù)算法；利用所述大數(shù)據(jù)算法和所述數(shù)據(jù)集L構(gòu)建日前電動汽車集群可調(diào)度容量預測模型；

步驟5、根據(jù)所述特征屬性構(gòu)建預測日的特征向量X⁰，利用所述預測日的特征向量X⁰，根據(jù)日前電動汽車集群可調(diào)度容量預測模型獲得日前電動汽車集群可調(diào)度容量預測結(jié)果。

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：所述實時狀態(tài)數(shù)據(jù)包括電動汽車的狀態(tài)參數(shù)和用戶設置參數(shù)；

所述電動汽車的狀態(tài)參數(shù)包括：車輛編號i，當前時刻t，車輛i接入電網(wǎng)區(qū)域的地點p_i，車輛i接入電網(wǎng)區(qū)域的初始時刻t_i^s，車輛i的電池額定容量C_i，車輛i在當前時刻t的荷電狀態(tài)SOC值車輛i的電池規(guī)格，車輛i的智能充電器規(guī)格；

所述用戶設置參數(shù)為：用戶預期離開電網(wǎng)區(qū)域時的車輛i的荷電狀態(tài)SOC的最小值和最大值用戶預期車輛i離開電網(wǎng)區(qū)域的離開時刻t_i^e。

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：按如下步驟構(gòu)建實時電動汽車集群可調(diào)度容量預測模型：

步驟(1)：對接入電網(wǎng)區(qū)域的車輛進行分類；

步驟(2)：確定單臺電動汽車可調(diào)度容量；

步驟(3)：確定集群電動汽車可調(diào)度容量；

步驟(4)：在所述分布式并行大數(shù)據(jù)處理平臺上，以分布式并行的方式實現(xiàn)步驟(1)、步驟(2)和步驟(3)，完成實時電動汽車集群可調(diào)度容量預測模型的構(gòu)建。

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：

定義車輛i的充放電率為r_i，

式中，S_i^t+Δt為車輛i在t+Δt時刻的荷電狀態(tài)SOC值，Δt是t到t+Δt時刻的時間；

r_i＜0表征車輛i處于充電狀態(tài)；r_i＞0表征車輛i處于放電狀態(tài)，r_i＝0表征車輛i處于空置狀態(tài)；根據(jù)車輛i的電池規(guī)格和智能充電器規(guī)格確定充放電率r_i的上限值和下限值

車輛i預計離開電網(wǎng)區(qū)域的離開時間記為

車輛i的最短充電時間記為

則有：所述步驟(1)中對接入電網(wǎng)區(qū)域的車輛進行分類是按如下方式進行：

當或時，車輛i為不能參與調(diào)度的不可調(diào)度類；

當時，車輛i為只允許充電調(diào)度的允許充電類；

當時，車輛i為只允許放電調(diào)度的允許放電類；

當車輛i為允許充電和放電調(diào)度的充放電類；

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：按如下方式確定單臺電動汽車可調(diào)度容量：

對于不可調(diào)度類的車輛i，其可調(diào)度充電容量和可調(diào)度放電容均為零；

對于允許充電類的車輛i，其可調(diào)度充電容量為：其可調(diào)度放電容量為零；

對于允許放電類車輛i，其可調(diào)度放電容量為：其可調(diào)度充電容量為零；

對于充放電類車輛i，其可調(diào)度放電容量為：其可調(diào)度充電容量為：

電力系統(tǒng)根據(jù)調(diào)度需求設定充放電率r_i的值，

當時，根據(jù)計算獲得車輛i可調(diào)度充電容量的最大值并且所述車輛i可調(diào)度充電容量的最大值應滿足式(1)：

若所述車輛i可調(diào)度充電容量的最大值不滿足式(1)，則設定車輛i可調(diào)度充電容量的最大值為：

當時，根據(jù)計算獲得車輛i可調(diào)度放電容量的最大值并且所述車輛i可調(diào)度放電容量的最大值應滿足式(2)：

若車輛i可調(diào)度放電容量的最大值不滿足式(2)，則設定車輛i可調(diào)度放電容量的最大值為：

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：所述集群電動汽車可調(diào)度容量包括集群電動汽車可調(diào)度充電容量和集群電動汽車可調(diào)度放電容量并有：n為所述電網(wǎng)區(qū)域中的電動汽車總量。

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：所述步驟3中特征屬性包括：

(1)實時電動汽車集群可調(diào)度容量預測結(jié)果歷史數(shù)據(jù)：所述實時電動汽車集群可調(diào)度容量預測結(jié)果包括實時電動汽車集群可調(diào)度充電容量預測結(jié)果和實時電動汽車集群可調(diào)度放電容量預測結(jié)果，所述歷史數(shù)據(jù)包括之前一個月的歷史數(shù)據(jù)的平均值，之前一周的歷史數(shù)據(jù)的平均值，以及之前一天的歷史數(shù)據(jù)，共六種特征屬性；

(2)日期類型屬性：是否是節(jié)假日，是否是周末，共兩種特征屬性；

(3)氣象數(shù)據(jù)屬性：溫度，風速，降雨量和濕度，共四種特征屬性。

本發(fā)明多時間尺度電動汽車集群可調(diào)度容量預測方法的特點也在于：所述并行大數(shù)據(jù)算法為隨機森林算法(Random Forests，RF)、極限學習機算法(Extreme Learning Machine，ELM)、K近鄰算法(k-Nearest Neighbor，KNN)，或決策樹算法(Decision Tree，DT)。

與已有技術相比，本發(fā)明有益效果體現(xiàn)在：

1、本發(fā)明可以同時進行實時和日前兩種不同時間尺度的電動汽車集群可調(diào)度容量預測，可以為電力系統(tǒng)多時間尺度調(diào)度提供有力的數(shù)據(jù)支撐；

2、本發(fā)明在實時電動汽車集群可調(diào)度容量預測中，通過用戶設置參數(shù)保證了用戶對車輛的使用需求，體現(xiàn)了預測結(jié)果的準確和合理性；

3、本發(fā)明充分考慮到電動汽車集群可調(diào)度容量預測將面臨大數(shù)據(jù)問題，利用分布式并行大數(shù)據(jù)平臺，解決所述多時間尺度電動汽車集群可調(diào)度容量預測的大數(shù)據(jù)儲存和大數(shù)據(jù)快速處理問題；

4、本發(fā)明通過實時電動汽車集群可調(diào)度容量預測歷史數(shù)據(jù)，結(jié)合日期類型和氣象數(shù)據(jù)構(gòu)建數(shù)據(jù)集，并采用并行大數(shù)據(jù)算法進行日前電動汽車集群可調(diào)度容量預測建模，保證了日前電動汽車集群可調(diào)度容量預測的快速性，準確性和通用性。

附圖說明

圖1為本發(fā)明中實時和日前兩種時間尺度關系圖；

圖2為利用本發(fā)明方法獲得的實時電動汽車集群可調(diào)度容量預測結(jié)果；

圖3為利用本發(fā)明方法并基于并行隨機森林算法的日前電動汽車集群可調(diào)度容量預測結(jié)果。

具體實施方式

多時間尺度電動汽車集群可調(diào)度容量預測方法包括實時電動汽車集群可調(diào)度容量預測和日前電動汽車集群可調(diào)度容量預測，電動汽車集群可調(diào)度容量包括電動汽車集群可調(diào)度充電容量和電動汽車集群可調(diào)度放電容量。

本實施例中預測方法按如下步驟進行：

步驟1、設定實時電動汽車集群可調(diào)度容量預測的預測時間尺度t_d；基于電力系統(tǒng)實時調(diào)度的時間尺度通常為1秒到10分鐘，因此t_d取值為1秒到10分鐘；以預測時間尺度t_d為時間間隔，采集獲得接入電網(wǎng)區(qū)域的電動汽車的實時狀態(tài)數(shù)據(jù)；t_d取值越小，實時電動汽車集群可調(diào)度容量預測結(jié)果越準確，需要綜合考慮的影響因素包括：數(shù)據(jù)通信能力，車輛SOC變化率，以及所構(gòu)建的分布式大數(shù)據(jù)平臺數(shù)據(jù)處理能力。

步驟2、在分布式并行大數(shù)據(jù)處理平臺上構(gòu)建實時電動汽車集群可調(diào)度容量預測模型；利用實時狀態(tài)數(shù)據(jù)，根據(jù)預測模型獲得實時電動汽車集群可調(diào)度容量預測結(jié)果；分布式并行大數(shù)據(jù)處理平臺為基于分布式大數(shù)據(jù)處理工具，由是Hadoop、Spark或Storm，構(gòu)建的集成有多臺計算機的數(shù)據(jù)處理平臺；采用分布式大數(shù)據(jù)平臺的目的是為了解決多時間尺度電動汽車集群可調(diào)度容量預測的大數(shù)據(jù)問題，和滿足實時電動汽車集群可調(diào)度容量預測快速性要求。利用實時狀態(tài)數(shù)據(jù)進行實時電動汽車進群可調(diào)容量預測的目的是提高實時電動汽車進群可調(diào)容量預測結(jié)果的準確性和可靠性。

步驟3、根據(jù)實時電動汽車集群可調(diào)度容量預測結(jié)果和表征特征屬性的特征數(shù)據(jù)進行相關性分析，提取特征數(shù)據(jù)構(gòu)建數(shù)據(jù)集L，L＝(X,Y)，其中，X為依據(jù)q種特征屬性構(gòu)建的特征向量，Y為日前電動汽車集群可調(diào)度容量預測的目標變量的向量，Y的取值為對應的實時電動汽車集群可調(diào)度容量預測結(jié)果。

特征屬性包括實時電動汽車集群可調(diào)度容量預測結(jié)果歷史數(shù)據(jù)、日期類型屬性以及氣象數(shù)據(jù)屬性；其中：

關于實時電動汽車集群可調(diào)度容量預測結(jié)果歷史數(shù)據(jù)：實時電動汽車集群可調(diào)度容量預測結(jié)果包括實時電動汽車集群可調(diào)度充電容量預測結(jié)果和實時電動汽車集群可調(diào)度放電容量預測結(jié)果，歷史數(shù)據(jù)包括之前一個月的歷史數(shù)據(jù)的平均值，之前一周的歷史數(shù)據(jù)的平均值，以及之前一天的歷史數(shù)據(jù)，共六種特征屬性；

設定日期類型屬性：是否是節(jié)假日，是否是周末，共兩種特征屬性；這兩種屬性為離散性型變量，每個屬性包含兩種情況，可以用‘1’表示“是”，用‘0’表示“否”。

設定氣象數(shù)據(jù)屬性：溫度，風速，降雨量和濕度，共四種特征屬性。

步驟4、在分布式并行大數(shù)據(jù)處理平臺上構(gòu)建并行大數(shù)據(jù)算法；利用大數(shù)據(jù)算法和數(shù)據(jù)集L構(gòu)建日前電動汽車集群可調(diào)度容量預測模型。

步驟5、根據(jù)特征屬性構(gòu)建預測日的特征向量X⁰，利用預測日的特征向量X⁰，根據(jù)日前電動汽車集群可調(diào)度容量預測模型獲得日前電動汽車集群可調(diào)度容量預測結(jié)果。

具體實施中，實時狀態(tài)數(shù)據(jù)包括電動汽車的狀態(tài)參數(shù)和用戶設置參數(shù)；

其中，電動汽車的狀態(tài)參數(shù)包括：車輛編號i，當前時刻t，車輛i接入電網(wǎng)區(qū)域的地點p_i，車輛i接入電網(wǎng)區(qū)域的初始時刻t_i^s，車輛i的電池額定容量C_i，車輛i在當前時刻t的荷電狀態(tài)SOC值車輛i的電池規(guī)格，車輛i的智能充電器規(guī)格；

用戶設置參數(shù)為：用戶預期離開電網(wǎng)區(qū)域時的車輛i的荷電狀態(tài)SOC的最小值和最大值用戶預期車輛i離開電網(wǎng)區(qū)域的離開時刻t_i^e。

具體實施中，按如下步驟構(gòu)建實時電動汽車集群可調(diào)度容量預測模型：

步驟(1)：對接入電網(wǎng)區(qū)域的車輛進行分類；

步驟(2)：確定單臺電動汽車可調(diào)度容量；

步驟(3)：確定集群電動汽車可調(diào)度容量；

步驟(4)：在所述分布式并行大數(shù)據(jù)處理平臺上，以分布式并行的方式實現(xiàn)步驟(1)、步驟(2)和步驟(3)，完成實時電動汽車集群可調(diào)度容量預測模型的構(gòu)建。

以基于Spark搭建的分布式并行大數(shù)據(jù)平臺為例，將大型任務分解為多個Map方法和ReduceByKey方法，并分配給分布式大數(shù)據(jù)平臺中所有的計算機，實現(xiàn)分布式并行執(zhí)行；本實施例利用Map方法執(zhí)行步驟(1)和步驟(2)，利用ReduceByKey方法執(zhí)行步驟(3)。

定義車輛i的充放電率為r_i，S_i^t+Δt為車輛i在t+Δt時刻的荷電狀態(tài)SOC值，Δt是t到t+Δt時刻的時間。

r_i＜0表征車輛i處于充電狀態(tài)；r_i＞0表征車輛i處于放電狀態(tài)，r_i＝0表征車輛i處于空置狀態(tài)；根據(jù)車輛i的電池規(guī)格和智能充電器規(guī)格確定充放電率r_i的上限值和下限值

將車輛i預計離開電網(wǎng)區(qū)域的離開時間記為

將車輛i的最短充電時間記為

則有：對接入電網(wǎng)區(qū)域的車輛按如下方式進行分類，分類主要以用戶設置參數(shù)進行劃分，從而保證了用戶對車輛的使用需求：

當或時，車輛i為不能參與調(diào)度的不可調(diào)度類；

當時，車輛i為只允許充電調(diào)度的允許充電類；

當時，車輛i為只允許放電調(diào)度的允許放電類；

當車輛i為允許充電和放電調(diào)度的充放電類；

針對以上分類，按如下方式確定單臺電動汽車可調(diào)度容量：

對于不可調(diào)度類的車輛i，其可調(diào)度充電容量和可調(diào)度放電容量均為零；

對于允許充電類的車輛i，其可調(diào)度充電容量為：其可調(diào)度放電容量為零；

對于允許放電類車輛i，其可調(diào)度放電容量為：其可調(diào)度充電容量為零；

對于充放電類車輛i，其可調(diào)度放電容量為：其可調(diào)度充電容量為：

電力系統(tǒng)根據(jù)調(diào)度需求設定充放電率r_i的值，

當時，根據(jù)計算獲得車輛i可調(diào)度充電容量的最大值并且車輛i可調(diào)度充電容量的最大值應滿足式(1)：

若車輛i可調(diào)度充電容量的最大值不滿足式(1)，則設定車輛i可調(diào)度充電容量的最大值為：

當時，根據(jù)計算獲得車輛i可調(diào)度放電容量的最大值并且所述車輛i可調(diào)度放電容量的最大值應滿足式(2)：

若車輛i可調(diào)度放電容量的最大值不滿足式(2)，則設定車輛i可調(diào)度放電容量的最大值為：

式(1)和式(2)表示的含義是：車輛充電調(diào)度時，SOC不能超過用戶設置的SOC的最大值；車輛放電調(diào)度時，SOC不能低于用戶設置的SOC的最小值。這樣一方面減少電動汽車充放電頻次，從而降低車輛電池損耗，另一方面，進一步保證了用戶對車輛的使用需求。

本實施例中集群電動汽車可調(diào)度容量包括集群電動汽車可調(diào)度充電容量和集群電動汽車可調(diào)度放電容量并有：n為電網(wǎng)區(qū)域中的電動汽車總量。

從確定單臺電動汽車可調(diào)度容量方法和確定集群電動汽車可調(diào)度容量方法可以發(fā)現(xiàn)其中需要進行大量的迭代計算。本實例利用分布式并行計算方法將迭代計算分布式并行化，以縮短計算時間，增加實時電動汽車集群可調(diào)度容量預測的速度。

本實施例中并行大數(shù)據(jù)算法為隨機森林算法(Random Forests，RF)、極限學習機算法(Extreme Learning Machine，ELM)、K近鄰算法(k-Nearest Neighbor，KNN)，或決策樹算法(Decision Tree，DT)。使用并行大數(shù)據(jù)算法，不僅可以保證日前電動汽車集群可調(diào)度容量預測的精度，還可以大大提高預測速度。

具體應用實例：本實例使用Hadoop和Spark共同構(gòu)建所述分布式并行大數(shù)據(jù)處理平臺，目的是使用Hadoop解決所述多時間尺度電動汽車集群可調(diào)度容量預測的大數(shù)據(jù)儲存問題，使用Spark解決大數(shù)據(jù)所述多時間尺度電動汽車集群可調(diào)度容量預測快速處理問題，具體參數(shù)如下：

硬件：五臺電腦，每臺電腦有兩個CPU和2G內(nèi)存，一臺千兆交換機

軟件：Hadoop-2.7.0和Spark-1.6.0

集群方式：完全分布式，一個主節(jié)點和四個從節(jié)點。

設定t_d為1min，則每天都含有1440個時間點，分別用“1-1440”的數(shù)字表示對應的時間點，日前時間尺度含有1440個時間間隔，兩種時間尺度電動汽車集群可調(diào)度容量關系圖如圖1所示。

按如下方式在分布式并行大數(shù)據(jù)平臺上構(gòu)建實時電動汽車集群可調(diào)度容量預測模型：

(1)、選用Spark工具中Spark Streaming構(gòu)建實時電動汽車集群可調(diào)度容量預測模型；

(2)、實時狀態(tài)數(shù)據(jù)自帶鍵值對<key1,value1>；

(3)、利用map()函數(shù)計算得到每臺電動汽車的可調(diào)度容量，對于每臺電動汽車的可調(diào)度容量的計算結(jié)果輸出格式為<key2,value2>，其中，key2值是根據(jù)電動汽車時空分布特性自定義，value2為單臺電動汽車的可調(diào)度容量；

(4)、利用ReduceBykey()函數(shù)。對含有相同鍵值的map()函數(shù)輸出結(jié)果進行疊加，結(jié)果輸出格式為<key2,value3>，其中，value3為實時電動汽車集群的可調(diào)度電容量。

通過對某地1000輛電動汽車進行實時狀態(tài)數(shù)據(jù)采集，利用實時電動汽車集群可調(diào)度容量預測模型，得到實時電動汽車集群可調(diào)度容量預測結(jié)果，其曲線如圖2所示。圖2中SDC表示實時電動汽車集群可調(diào)度放電容量預測結(jié)果，SCC表示實時電動汽車集群可調(diào)度充電容量預測結(jié)果。

本實施例中在分布式并行大數(shù)據(jù)平臺上構(gòu)建數(shù)據(jù)集L和隨機森林算法，采用隨機森林算法對數(shù)據(jù)集L進行訓練，建立基于隨機森林算法的日前電動汽車集群可調(diào)度容量預測模型；將預測日的特征向量引入日前電動汽車集群可調(diào)度容量預測過模型，從而獲得基于并行隨機森林算法的日前電動汽車集群可調(diào)度容量預測結(jié)果，如圖3所示。圖3中SDC為實時電動汽車集群可調(diào)度放電容量預測結(jié)果，SCC為實時電動汽車集群可調(diào)度充電容量預測結(jié)果；SDC-RF為基于隨機森林算法的日前電動汽車集群可調(diào)度放電容量預測結(jié)果；SCC-RF為基于隨機森林算法的日前電動汽車集群可調(diào)度充電容量預測結(jié)果。