一种基于GOAP的电动汽车充电行为智能控制系统及方法技术方案

本发明专利技术提供了一种基于GOAP的电动汽车充电行为智能控制系统及方法，包括：获取电动汽车充电状态数据和电动汽车充电行为数据；基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。本发明专利技术利用电动汽车的行为和状态数据结合充电行为优化模型的方法，解决当前没有一套针对电动汽车充电行为的调控系统，实现一套可适应不同环境下的电动汽车充电行为智能实时调控系统。车充电行为智能实时调控系统。车充电行为智能实时调控系统。

【技术实现步骤摘要】
一种基于GOAP的电动汽车充电行为智能控制系统及方法


[0001]本专利技术涉及用电领域，具体涉及一种基于GOAP的电动汽车充电行为智能控制系统及方法。

技术介绍

[0002]随着新能源汽车技术的快速发展，电动汽车的市场占有率逐年增大。电动汽车充电具时空随机和功率大的特点，对当前电网的负荷水平有一定影响，可能造成“峰上加峰”的情况。在电动汽车保有量继续增大的情况下，这种问题会日趋严重，影响着电网的安全稳定运行。电动汽车作为灵活可调度的资源，制定其合适的充电策略并实现充电行为的智能调控，能有效抑制电网负荷波动，减少用户用车成本，对电力系统的安全经济运行具有重要意义。

技术实现思路

[0003]为了解决的问题，本专利技术提供了一种基于GOAP的电动汽车充电行为智能控制方法，包括：
[0004]获取电动汽车充电状态数据和电动汽车充电行为数据；
[0005]基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；
[0006]基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；
[0007]其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。
[0008]优选的，所述充电行为优化模型包括：枚举、机器学习或多目标约束。
[0009]优选的，当所述充电行为优化模型为枚举时，所述枚举的训练包括：
[0010]获取电动汽车可执行行为状态的总数；
[0011]将所述电动汽车可执行行为状态的总数组成序列并进行筛选得到可执行目标的序列组合，并通过打分得到最优序列；
[0012]由所述电动汽车可执行行为状态的总数作为充电行为优化模型的输入，所述最优序列为输出对所述充电行为优化模型进行训练，得到训练好的充电行为优化模型。
[0013]优选的，当所述充电行为优化模型为机器学习时，所述机器学习训练包括：
[0014]获取电动汽车充电行为数据和电动汽车行为状态总数；
[0015]对所述电动汽车充电行为数据和电动汽车行为状态总数以设定的最长序列长度进行标注，并结合损失函数得到电动汽车最佳序列；
[0016]由所述电动汽车充电行为数据和电动汽车行为状态总数作为充电行为优化模型的输入，所述电动汽车最佳序列作为输出对所述充电行为优化模型进行训练，得到训练好的充电行为优化模型。
[0017]优选的，当所述充电行为优化模型为多目标约束时，对所述多目标约束的训练包括：
[0018]获取电动汽车的充电位置和充电功率；
[0019]对所述电动汽车的充电位置和充电功率进行寻优得到所述最佳充电站
‑
按最佳充电功率的序列；
[0020]由所述电动汽车的充电位置和充电功率作为充电行为优化模型的输入，所述最佳充电站
‑
按最佳充电功率的序列作为输出对所述充电行为优化模型进行训练，得到训练好的充电行为优化模型。
[0021]优选的，所述基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为，包括：
[0022]基于所述最优行为执行列表以设定的目标状态为标准选择最优行为执行序列；
[0023]若所述最优行为序列满足设定的执行条件，则控制电动汽车的充电行为，否则，不能控制。
[0024]优选的，所述电动汽车充电状态数据和电动汽车充电行为数据包括：
[0025]电动汽车的运行状况、地理位置、分时电价、电网负荷、待机、行驶和充电。
[0026]基于同一专利技术构思本专利技术还提供了一种基于GOAP的电动汽车充电行为智能控制系统，包括：数据接口模块、行为模块、代理模块、状态机和计划决策模块；
[0027]行为模块，用于获取电动汽车充电状态数据；
[0028]数据接口模块，用于获取电动汽车充电行为数据；
[0029]计划决策模块，用于基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；
[0030]代理模块，用于基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；
[0031]其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。
[0032]优选的，所述代理模块具体用于：
[0033]基于所述最优行为执行列表以设定的目标状态为标准选择最优行为序列；
[0034]若所述最优行为序列满足设定的执行条件，则控制电动汽车的充电行为，否则，不能控制。
[0035]优选的，所述电动汽车充电状态数据和电动汽车充电行为数据包括：
[0036]电动汽车的运行状况、地理位置、分时电价、电网负荷、待机、行驶和充电。
[0037]与现有技术相比，本专利技术的有益效果为：
[0038]本专利技术提供了一种基于GOAP的电动汽车充电行为智能控制系统及方法，包括：获取电动汽车充电状态数据和电动汽车充电行为数据；基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。本专利技术利用电动汽车的行为和状态数据结合充电行为优化模型的方法，解决当前没有一套针对电动汽车充电行为的调控系
统，实现一套可适应不同环境下的电动汽车充电行为智能实时调控系统。
附图说明
[0039]图1是本专利技术提供的一种基于GOAP的电动汽车充电行为智能控制方法流程图；
[0040]图2是本专利技术的系统结构图；
[0041]图3是本专利技术的系统流程图。
具体实施方式
[0042]为了更好地理解本专利技术，下面结合说明书附图和实例对本专利技术的内容做进一步的说明。
[0043]实施例1：
[0044]本专利技术提供一种基于GOAP的电动汽车充电行为智能控制方法,如图1所示，包括：
[0045]步骤1：获取电动汽车充电状态数据和电动汽车充电行为数据；
[0046]步骤2：基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；
[0047]步骤3：基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；
[0048]其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。
[0049]步骤1中对获取电动汽车充电状态数据和电动汽车充电行为数据，具体包括：...

【技术保护点】

【技术特征摘要】
1.一种基于GOAP的电动汽车充电行为智能控制方法，其特征在于,包括：获取电动汽车充电状态数据和电动汽车充电行为数据；基于所述电动汽车充电状态数据和电动汽车充电行为数据结合预先训练好的充电行为优化模型得到最优行为执行列表；基于所述最优行为执行列表提取最优行为执行序列，并基于最优行为执行序列控制电动汽车充电行为；其中，所述充电行为优化模型是以所述电动汽车充电状态数据和电动汽车充电行为数据为输入，最优行为执行序列为输出进行训练得到的。2.如权利要求1所述的方法，其特征在于，所述充电行为优化模型包括：枚举、机器学习或多目标约束。3.如权利要求2所述的方法，其特征在于，当所述充电行为优化模型为枚举时，所述枚举的训练包括：获取电动汽车可执行行为状态的总数；将所述电动汽车可执行行为状态的总数组成序列并进行筛选得到可执行目标的序列组合，并通过打分得到最优序列；由所述电动汽车可执行行为状态的总数作为充电行为优化模型的输入，所述最优序列为输出对所述充电行为优化模型进行训练，得到训练好的充电行为优化模型。4.如权利要求2所述的方法，其特征在于，当所述充电行为优化模型为机器学习时，所述机器学习训练包括：获取电动汽车充电行为数据和电动汽车行为状态总数；对所述电动汽车充电行为数据和电动汽车行为状态总数以设定的最长序列长度进行标注，并结合损失函数得到电动汽车最佳序列；由所述电动汽车充电行为数据和电动汽车行为状态总数作为充电行为优化模型的输入，所述电动汽车最佳序列作为输出对所述充电行为优化模型进行训练，得到训练好的充电行为优化模型。5.如权利要求2所述的方法，其特征在于，当所述充电行为优化模型为多目标约束时，对所述多目标约束的训练包括：获取电动汽车的充电位置和充电功率；对所述电动汽车的充电位置和充电功率进行寻优得到所述最佳充电站
‑
按最佳充电功率的序列；由所述电动...

【专利技术属性】
技术研发人员：武光华，李宏胜，张旭东，葛云龙，汪洋，李洪宇，陈博，高菲，
申请(专利权)人：国网河北省电力有限公司中国电力科学研究院有限公司国家电网有限公司，
类型：发明
国别省市：