图卷积和深度置信网络的电动汽车负荷优化方法技术

本发明专利技术公开图卷积和深度置信网络的电动汽车负荷优化方法，利用图卷积网络提取路网大量不确定性特征数据，然后通过数据驱动的方法训练深度置信网络，输出电动汽车的最优充电负荷分布，在应对路网不确定性的同时优化电动汽车充电负荷分布，并量化分析优化结果对路网及电网的影响。所述负荷优化方法。本发明专利技术电动汽车负荷优化方法基于图卷积和DBN的数据驱动优化方法，能够泛化影响电动汽车充电负荷的不确定性因素，准确高效地优化电动汽车充电负荷；与求解非线性优化模型相比，本发明专利技术计算难度低、求解速度快，对不确定性因素的泛化性能更强；与现有的深度神经网络等技术相比，本发明专利技术的优化结果更为准确，降低用户充电成本的效果更为显著。更为显著。更为显著。

【技术实现步骤摘要】
图卷积和深度置信网络的电动汽车负荷优化方法


[0001]本专利技术涉及电力系统规划与运行领域，具体是一种图卷积和深度置信网络的电动汽车负荷优化方法。

技术介绍

[0002]随着全球化石能源枯竭和环境污染问题的日益严重，电动汽车因其节能减排效果良好而备受关注，其保有量快速增长成为了必然趋势。电动汽车具有交通、用电的二重属性，电动汽车充电负荷已逐渐成为电网负荷的重要组成部分。然而在未来电动汽车保有量很高的情况下，大规模无序充电将为电网带来一定的负担，较大的功率冲击会导致电压偏移过大、电能质量下降等问题，严重时甚至影响电力系统的安全稳定运行。因此，解决大规模电动汽车无序充电问题是电力系统规划与运行中不可或缺的一环。
[0003]现有技术对电动汽车负荷进行调控时将充电负荷分为两类，一种是特定地点(如家庭、停车场)的慢速充电，不受路网中不确定性因素的影响；而第二种主要研究城市内快速充电站的充电负荷，其充电功率较高且受充电价格、交通流量、充电排队时间等多种不确定性因素影响，具有较强随机性和不确定性，如何准确评估并优化这一类电动汽车充电负荷是研究的重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.图卷积和深度置信网络的电动汽车负荷优化方法，其特征在于，所述负荷优化方法包括如下步骤：S1：基于图卷积网络的路网特征中不确定性特征提取；S2：数据驱动的深度置信网络训练，得到优化后电动汽车最优充电负荷分布；S3：量化评估充电负荷优化后路网电网的收益。2.根据权利要求1所述的图卷积和深度置信网络的电动汽车负荷优化方法,其特征在于，所述S1中，将路网特征分为点特征和边特征，然后输入到边缘特征卷积网络中；路网点特征包括充电站充电价格、充电功率、充电方式、充电时长、充电站排队时长和充电站容量，点特征矩阵用F
N
表示；路网边特征包括道路上车流量、道路等级、道路容量和道路零流行驶时间，边特征矩阵用F
A
表示；输入层的点特征和边特征为未经处理过的路网特征信息；之后每层的节点n特征都是其相邻节点上一层特征的加权和；ECCN的卷积操作表达式为：式中，B(n)表示节点n及相邻节点组成的集合，为可训练的网络权重，b
(l)
为可训练的网络偏置。3.根据权利要求1所述的图卷积和深度置信网络的电动汽车负荷优化方法,其特征在于，所述S2中，将S1中ECCN提取后的特征作为DBN输入，以最优充电负荷分布为DBN的输出；具体包含以下步骤：S21：对受限玻尔兹曼机的预训练；DBN由RBM逐层堆叠而成，每个RBM包含一个可见层和一个隐藏层，上一层的隐藏层作为下一层的可见层；能量函数为：E
(l)
(v,h|φ
(l)
)＝
‑
(a
T
v+b
T
h+v
T
wh)式中，v和h分别为可见层和隐藏层单元；w为连接可见层与隐藏层的权重；a和b分别为可见层和隐藏层的偏置；φ
(l)
＝[a
v
,b
h
,w
vh
]即为第l层RBM需要训练的参数；v和h的联合分布函数为：式中，用于约束联合分布概率之和为1；因此，RBM训练的损失函数为：式中，S为训练样本集；S22：对DBN网络进行反向传播的微调，调节预训练得到的参数使预测精度提高；用预测结果与标签之间的均方差作为微调的损失函数；训练数据及标签通过求解如下优化问题得到：
式中：ω为时间成...

【专利技术属性】
技术研发人员：袁泉，叶宇剑，汤奕，
申请(专利权)人：东南大学，
类型：发明
国别省市：