一种基于机器学习的集群电动汽车功率优化管理方法技术

本发明专利技术公开了一种基于机器学习的集群电动汽车功率优化管理方法，先建立基于机器学习的集群电动汽车功率管理模型；再通过采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；之后，比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；最后，在线采集数据输入LSTM，在线生成调度结果，下达调度指令。本方法在离线阶段进行数学计算，在在线运行时只需要通过训练好的LSTM网络匹配输入和输出的关系，快速得到近似最优的调度信号，降低了对在线运行时CPU的要求，适合于大规电动汽车的在线调度计算。

A power optimization management method of cluster electric vehicle based on machine learning

【技术实现步骤摘要】
一种基于机器学习的集群电动汽车功率优化管理方法
本专利技术属于电力系统优化调度领域，具体涉及一种基于机器学习技术的集群电动汽车功率优化管理方法。
技术介绍
随着电动汽车(electricvehicle,EV)的大量普及与电动汽车入网(vehicletoGrid,V2G)技术的发展，越来越多的集群电动汽车充放电功率优化管理方法被提出，用以避免电动汽车无序充电行为对电网带来的不良影响或是解决负荷的波动、可再生能源的间歇性等问题。集群电动汽车的功率优化管理是一个连续时序决策过程，受电动汽车的特性约束。由于电动汽车的充放电效率不同，与电动汽车相关的电能管理模型通常需要引入互补约束，以保证每辆电动汽车的充放电是相互排斥的。因此，所建立的模型具有很强的非凸性，难以直接求解。混合整数线性规划是最广泛用于解决这一问题的方法。基于迭代的平滑方法和精确惩罚方法也被用来解决这个问题。近年来，粒子群算法、遗传算法、模拟退火算法等智能算法也被用在求解中。此外，为了保证每辆电动汽车电量状态在相邻时间步长的时间耦合性，上述优化方法需要在一个较长的时间范围内求本文档来自技高网...

【技术保护点】
1.一种基于机器学习的集群电动汽车功率优化管理方法，包含如下步骤：/n步骤A.建立基于机器学习的集群电动汽车功率管理模型；/n步骤B.采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；/n步骤C.比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；/n步骤D.在线采集数据输入LSTM，在线生成调度结果，下达调度指令。/n

【技术特征摘要】
1.一种基于机器学习的集群电动汽车功率优化管理方法，包含如下步骤：
步骤A.建立基于机器学习的集群电动汽车功率管理模型；
步骤B.采集并处理历史数据，代入长短期记忆神经网络LSTM进行离线训练；
步骤C.比较步骤B中所进行的离线训练的结果，在集群电动汽车管理系统中安装具有最佳训练效果的LSTM；
步骤D.在线采集数据输入LSTM，在线生成调度结果，下达调度指令。


2.根据权利要求1所述的一种基于机器学习的集群电动汽车功率优化管理方法，其中，在步骤A所述的基于机器学习的集群电动汽车功率管理模型中，集群电动汽车中每一个电动汽车充电桩对应一个长短期记忆神经网络LSTM，应用具有记忆性的LSTM对每一辆电动汽车在下一时段的荷电状态SOC进行预测，如式(1)所示：



其中，si(t)表示第i辆电动汽车在第t个时段的SOC,即LSTM网络的输出；n代表预测的时间依赖性，即考虑多少个先前状态；u表示预测SOC需要考虑的优化系统状态量，即LSTM网络的输入；f表示由LSTM网络得到的输入与输出间的映射关系；符号^用于表示预测值，即由LSTM预测出的SOC决策结果；表示第i辆电动汽车在第t+1时段的预测SOC；
对于集群电动汽车的SOC决策，如式(2)所示：



其中，n表示集群电动汽车中所包括的电动汽车充电桩的个数；
得到每辆电动汽车的SOC后，每辆电动汽车的充放电功率由式(3)进行计算：



其中，PEVi(t)为电动汽车集群中第i辆电动汽车在第t个时段的充放电功率，其取值大于0表示充电功率，小于0表示放电功率；Cb表示电动汽车的电池容量，单位为kWh；τ表示规定的每一时段的时长，将调度总时间区间划分为T个长度为τ的时段，对每一时段执行一次功率调度；ηc与ηd分别表示充电效率与放电效率。


3.根据权利要求2所述的一种基于机器学习的集群电动汽车功率优化管理方法，在步骤B中，所...

【专利技术属性】
技术研发人员：胡俊杰，周华嫣然，周羿宏，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11