【技术实现步骤摘要】
一种基于FA
‑
RNN的充电桩位置和容量预测的方法
[0001]本专利技术属于充电桩位置和容量的预测领域,尤其是一种基于FA
‑
RNN的充电桩位置和容量预测的方法。
技术介绍
[0002]在早期阶段,人工神经网络(ANN)被提出来,以模拟人脑处理信息的方式。这项技术是在人脑神经元的基础上抽象出来的一个网络模型。神经网络可以自主地学习数据的特性,处理图像,进行预测,等等。在ANN算法的基础上,递归神经网络(RNN)诞生了。该算法具有树状结构,因每个网络节点根据相应的输入信息依次递归而得名。一般来说,递归神经网络可以分为两类:时间性递归神经网络(TRNN)和结构性递归神经网络(SRNN)。自这种算法发展以来,它已被用于许多领域,如信息处理、图像识别和建筑选址。此外,通过以往的研究,发现该算法具有较高的准确性,以及较强的实用性和工作效率。从递归神经网络的结构和特点可以看出,它在处理时间序列数据方面有很强的优势,可以根据数据特点进行自主学习。但是,该算法也存在一定的缺陷。该算法的结构相对简单,算法完全依赖类似BP神经网络的方法进行计算。这样的结构有很大的缺点,其中最重要的是在面对比较复杂的数据时,很容易陷入局部最优解。充电桩的位置和容量确定的数据很复杂,所以不能用单一的递归神经网络算法来研究。引入萤火虫算法和递归神经网络算法的整合,更好地解决充电桩的位置和容量问题。
[0003]在全球GDP持续上升的同时,机动车保有量也在迅速上升。一方面,它带动了石油、钢铁等行业的发展,但另一方面
【技术保护点】
【技术特征摘要】
1.一种基于FA
‑
RNN的充电桩位置和容量预测的方法,其特征在于:包括以下步骤:步骤1、根据充电桩的特点,提取充电桩的影响因素,构建多因素指标集合;构建的多因素指标集合为:其中,D代表每个运行周期中充电桩一年的费用,N代表位于该地区的充电桩数量;D1代表1年充电桩的投资消耗,D2代表每1年充电桩的维护费用,D3代表1年充电桩耗电量,D4表示用户在充电桩往返之间消耗的电费,D5代表其他建设费用。步骤2、采用萤火虫算法和基于FA
‑
RNN对步骤1中多因素指标集合进行计算,得到充电桩位置和预测的容量。2.根据权利要求1所述的一种基于FA
‑
RNN的充电桩位置和容量预测的方法,其特征在于:所述投资消耗为:其中,t表示充电桩的序号,e
t
表示充电桩配套的变压器数量,a表示变压器的单价,m
t
表示充电桩电机的数量,b表示电机的单价,c
t
表示基础设施建设成本,r0代表充电桩的折扣概率,z代表充电桩正常使用的年限。3.根据权利要求1所述的一种基于FA
‑
RNN的充电桩位置和容量预测的方法,其特征在于:所述维护费用为:D
2t
=(e
t
a+m
t
b+c
t
)η其中,t表示充电桩的序号,e
t
表示充电桩配套的变压器数量,a表示变压器的单价,m
t
表示充电桩电机的数量,b表示电机的单价,c
t
表示基础设施建设成本,η代表运营成本转换率。4.根据权利要求1所述的一种基于FA
‑
RNN的充电桩位置和容量预测的方法,其特征在于:所述耗电量为:D
3t
=e
t
×
(D
Fe
+D
Cu
)
×
T
v
×
365
×
p0+m
t
(D
L
+D
D
)
×
k
t
×
T
...
【专利技术属性】
技术研发人员:席燕军,张旭泽,张剑,王强,吉杨,孟凡杰,匙航,杨景禄,
申请(专利权)人:国家电网有限公司国网天津市电力公司城南供电分公司,
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。