电动汽车充电需求建模方法、系统、介质、设备及终端技术方案

本发明专利技术属于电动汽车充电需求建模技术领域，公开了一种电动汽车充电需求建模方法、系统、介质、设备及终端，分析电动汽车用户差异性和电动汽车性能差异性的影响，基于生成对抗模型学习用户驾驶策略和用户出行策略；基于XGboost机器学习电动汽车性能模型；基于百度地图实时路况证明该算法可提取用户驾驶特征和充电特征。本发明专利技术通过结合百度地图实时交通流速以及真实用户行驶轨迹数据，所得区域电动汽车集群充电需求模型具有更广阔的应用前景，预测结果具有较好的泛化能力。结果证明，相比当前主流的预测方法，本发明专利技术具有更好的预测精度和鲁棒性，同时可结合适时交通数据，可以为城市区域充电站规划以及充电引导提供有力的模型支撑。模型支撑。模型支撑。

【技术实现步骤摘要】
电动汽车充电需求建模方法、系统、介质、设备及终端


[0001]本专利技术属于电动汽车充电需求建模
，尤其涉及一种电动汽车充电需求建模方法、系统、介质、设备及终端。

技术介绍

[0002]近年来，为了减少对石油和化石燃料的依赖，不少国家和地区制定了促进电动汽车(EVs)发展和市场渗透的政策。2021年全球电动汽车销量达到675万辆，比2020年增长108％，同时电动汽车在全球轻型汽车销售中的全球份额为8.3％，而2020年为4.2％。持续增长的规模化电动汽车充电需求接入电网必将给城市道路交通以及电网的稳定运行带来挑战。目前，关于电动汽车的研究主要集中在充电需求预测，能源管理及充电引导，这些研究有助于减少电动汽车对电网的负面影响，其中电动汽车充电需求预测是开展电动汽车接入对电网的影响分析、配电网规划与控制运行、电动汽车与电网双向互动及充电引导的基础。但是随着EV的不断增加渗透率，充电需求不断增加，现有充电预测方法的合理性和准确性已经不能很好满足电网调度以及充电引导的需求。因此亟须对电动汽车充电需求预测进行一系列的研究。
[0003]当下电动汽车充电需求预测研究主要集中在用户行为分析，充电需求的产生是由于电动汽车能量不足，而电动汽车能量变化是用户行为影响的结果，其中用户行为包括充电时间、出行里程和驾驶策略等，所以用户行为分析是充电需求预测的难点和关键。近年来的研究通过获取实时出行信息(如“滴滴”出行数据)，采用数据挖掘和融合技术得到再生特征数据，以此分析居民出行分布规律及充电行为特征，该方法可建立单体电动汽车模型，在建立大规模电动汽车需求模型时较为有效。最新的研究方法显示，研究者侧重于对单个用户充电SOC特征挖掘和基于用户充电策略分布来模拟群体行为及其对充电需求预测的影响。其次使用levenbergu的前馈和递归人工神经网络(ANN)开发了基于Rough结构的Marquardt(LM)训练方法。该方法考虑了到达时间、出发时间和行程长度之间的相关性。将充电需求和用户充电行为紧迫性系数挂钩，给出了描述充电需求行为的数学模型，但是缺乏判定充电需求行为的方法。基于用户历史SOC数据预测单个电动汽车未来24小时SOC变化曲线，但是这仅限于预测SOC变化规律性较强的用户数据，该方法缺乏对用户行为的把握，用户行为是用户基于当下时间、剩余SOC等因素做出的确定性策略，由于影响因素较多，当前技术方案中缺乏对用户充放电策略的数学模型的分析。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)随着EV的不断增加渗透率，充电需求不断增加，现有充电预测方法的合理性和准确性已经不能很好满足电网调度以及充电引导的需求。
[0006](2)现有技术缺乏判定充电需求行为的方法，缺乏对用户行为的把握；当前的技术方案中还缺乏对用户充放电策略的数学模型的分析。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供了一种电动汽车充电需求建模方法、系统、介质、设备及终端，尤其涉及一种基于生成对抗模仿学习的电动汽车充电需求建模方法、系统、介质、设备及终端。
[0008]本专利技术是这样实现的，一种电动汽车充电需求建模方法，所述电动汽车充电需求建模方法包括：
[0009]分析电动汽车用户差异性和电动汽车性能差异性的影响，基于生成对抗模型学习用户驾驶策略和用户出行策略；基于XGboost机器学习电动汽车性能模型；基于百度地图实时路况证明该算法可提取用户驾驶特征和充电特征。
[0010]进一步，所述电动汽车充电需求建模方法包括以下步骤：
[0011]步骤一，采集用户运行轨迹数据集，对数据集异常点进行清洗，划分用户运行轨迹；基于MIC构建用户策略模型训练输入数据集，构建电动汽车用户24小时SOC预测数据集合，作为输入数据集；
[0012]步骤二，建立基于线性全连接网络构建生成器、价值网络和鉴别器神经网络，并利用贝叶斯超参数优化方法初始化所述网络；输入训练用户轨迹数据集合，基于PPO近端策略优化算法优化策略网络参数，并遍历所有用户轨迹，生成所有用户的充放电策略；
[0013]步骤三，采用交叉验证方法训练基于XGboost的电动汽车24小时SOC预测模型，所述模型分为放电SOC预测模型和充电SOC预测模型；
[0014]步骤四，历史行车轨迹经行路径规划，并基于百度地图获取路径实时交通流速，预测所有用户24小时单车SOC变化曲线；结合用户充电紧迫性预测所有用户充电需求和能量需求，建立区域内电动汽车集群充电需求预测时空模型。
[0015]进一步，所述步骤一还包括构建电动汽车充电需求原始数据集，具体包括：
[0016]利用孤立森林筛选异常点，并利用多重插补法修复数据集异常点，基于MIC最大互信息系数矩阵提取和电动汽车SOC变化强相关的用户行为因素。
[0017]构建充电动汽车运行原始数据集包括：
[0018]作为用户24小时真实速度数据；
[0019]作为用户24小时速度变化影响因素：实时交通流速；
[0020]作为用户24小时真实SOC数据；
[0021]作为24小时SOC变化影响因素：车速、单次行驶里程、加速度。
[0022]进一步，所述步骤二还包括构建基于生成对抗模仿学习的用户充放电策略学习模型，具体包括：
[0023](1)轨迹采样
[0024]主程序为嵌套循环结构，第一层循环为迭代循环，遍历所有专家轨迹数据为一代；第二层为专家轨迹循环，首先经过策略网络生成采样轨迹，然后计算相应的价值函数、优势函数、以及采样轨迹的混合对数密度，然后将专家策略轨迹和采样轨迹送入鉴别器更新鉴别器参数，最后将价值函数、优势函数、以及采样轨迹的混合对数密度送入PPO算法以更新策略网络，直到遍历所有专家轨迹，第二层循环结束。
[0025](2)PPO策略优化
[0026]构架为两层循环的嵌套，第一层为迭代循环，每进行一次迭代，将采集的样本数据
(状态集合、回报值集合、优势估计集合、价值估计集合、回馈估计集合，状态－动作混合对数概率集合)次序打乱，按一定批次划分后，和策略网络、价值网络、一起送入PPO算法中进行参数优化更新。第二层为网络参数更新层；遍历所有采样批次即循环完成。
[0027]进一步，所述步骤三中的构建基于XGboost的电动汽车24小时SOC预测模型包括：
[0028]根据SOC和用户策略的相关性分析，基于策略学习产生的24小时用户速度曲线计算单次出行里程曲线以及充电时间曲线，其中速度曲线和里程曲线预测放电SOC，充电时间曲线预测充电SOC。因此分别建立了行驶SOC回归预测模型、充电SOC回归预测模型。
[0029]预测算法选择XGboost，其中的循环为交叉验证过程；将训练数据集划分为n_splits个子集，并通过删除均值和缩放到单位方差来标准化训练集。设x是原始数据，则原始数据x的标准化公式如下：
[0030][0031]其中u是x的均值，s是x的标准差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车充电需求建模方法，其特征在于，所述电动汽车充电需求建模方法包括：分析电动汽车用户差异性和电动汽车性能差异性的影响，基于生成对抗模型学习用户驾驶策略和用户出行策略；基于XGboost机器学习电动汽车性能模型；基于百度地图实时路况证明该算法可提取用户驾驶特征和充电特征。2.如权利要求1所述电动汽车充电需求建模方法，其特征在于，所述电动汽车充电需求建模方法包括以下步骤：步骤一，采集用户运行轨迹数据集，对数据集异常点进行清洗，划分用户运行轨迹；基于MIC构建用户策略模型训练输入数据集，构建电动汽车用户24小时SOC预测数据集合，作为输入数据集；步骤二，建立基于线性全连接网络构建生成器、价值网络和鉴别器神经网络，并利用贝叶斯超参数优化方法初始化所述网络；输入训练用户轨迹数据集合，基于PPO近端策略优化算法优化策略网络参数，并遍历所有用户轨迹，生成所有用户的充放电策略；步骤三，采用交叉验证方法训练基于XGboost的电动汽车24小时SOC预测模型，所述模型分为放电SOC预测模型和充电SOC预测模型；步骤四，历史行车轨迹经行路径规划，并基于百度地图获取路径实时交通流速，预测所有用户24小时单车SOC变化曲线；结合用户充电紧迫性预测所有用户充电需求和能量需求，建立区域内电动汽车集群充电需求预测时空模型。3.如权利要求2所述电动汽车充电需求建模方法，其特征在于，所述步骤一还包括构建策略网络输入特征数据集，具体包括：利用孤立森林筛选异常点，并利用多重插补法修复数据集异常点，基于MIC最大互信息系数矩阵提取和电动汽车SOC变化强相关的用户行为因素；原始数据集合包括：作为用户24小时真实速度数据；作为用户24小时速度变化影响因素：实时交通流速；作为用户24小时真实SOC数据；作为24小时SOC变化影响因素：车速、单次行驶里程、加速度。4.如权利要求2所述电动汽车充电需求建模方法，其特征在于，所述步骤二还包括基于生成对抗模仿学习的用户策略学习方法，具体包括：构建GAIL算法构架；GAIL利用专家数据训练鉴别器训练生成器并混淆鉴别的判断，利用鉴别器区分由生成器生成的数据分布和真实数据分布；初始化策略函数π0，采样轨迹根据生成对抗模型原理，策略函数进行梯度下升更新，鉴别器进行梯度下降更新，进而分辨真实数据和生成数据的概率分布；其中，D(x
(i)
)是鉴别器对真实数据的概率判定；D(G(z
(i)
))对生成数据的概率判定；生成器：构造生成对抗网络的损失函数，并用鉴别器构造报酬函数：
当鉴别器无法区分生成器生成的数据与真实数据时，生成器和鉴别器达到纳什均衡，则生成器成功匹配专家策略；基于PPO算法对生成器网络进行参数优，PPO算法目标如下：1)广义优势估计比较在状态s下执行动作a所得回报和执行当前策略π(s|a)所得回报，用于评价动作a的好坏，使策略向优势估计大于零的方向更新动作a的概率p(a|s)；广义优势估计如下式：其中，r
t+l
是当前时刻的回报函数，V(s
t+l
)是当前时刻的状态值函数，γ是前一时刻值函数的折扣率；2)状态－动作概率比r
t
(θ)：其中，π
θ
(a
t
|s
t
)表示新策略执行某批次动作集合的对数概率，π
old
(a
t
|s
t
)表示执行旧策略的平均动作对数概率；ε是一个超参数，为截断阈值；第二项通过剪裁概率比修改替代目标，消除向区间外侧移动的动机(1
‑
ε,1+ε)；取裁剪和未裁剪目标的最小值，因此最终目标是未裁剪目标的下界；θ
old
取附近的一阶；其中，5.如权利要求2所...

【专利技术属性】
技术研发人员：李恒杰，梁达明，陈伟，周云，冯冬涵，朱江皓，裴喜平，曾贤强，刘添一，安妮，冯琪，陈兴旺，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：