【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。