一种基于FA-RNN的充电桩位置和容量预测的方法技术

本发明专利技术涉及一种基于FA

【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，环境也付出了代价。目前，国际能源供应紧张，而国内能源价格仍然很高。此外，空气污染、气候变化等问题接连出现。据统计，燃油车造成的碳排放在各种碳排放源中占第一位。特别是在欧美等发达国家，燃油车的碳排放约占总排放量的55％。目前，节能减排已成为全球普遍关注的话题。随着人们环保意识的加强，近年来对新能源的研究如火如荼。随着技术的进步，电动汽车正慢慢占据着传统燃油汽车的市场。与传统燃油车相比，电动车耗电量低，不污染环境，在价格上也更具优势，与加油站相比较，电动汽车的电池寿命依赖于智能充电站，电动汽车的发展在一定程度上受到充电桩布局的影响。数据显示，目前已投入使用的充电桩数量还不到电动汽车的四分之一，分布位置也极不合理。因此，有必要研究一种适用于不同区域充电桩的位置和容量预测的方法，实现能源的高效利用。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提出一种基于FA
‑
RNN的充电桩位置和容量预测的方法，能够实现不同区域的充电桩位置和容量的精确预测，对交通运输和新能源的开发具有重要的参考价值。
[0005]本专利技术解决其技术问题是采取以下技术方案实现的：
[0006]一种基于FA
‑
RNN的充电桩位置和容量预测的方法，包括以下步骤：
[0007]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；
[0008]构建的多因素指标集合为：
[0009][0010]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。
[0011]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。
[0012]而且，所述投资消耗为：
[0013][0014]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。
[0015]而且，所述维护费用为：
[0016]D
2t
＝(e
t
a+m
t
b+c
t
)η
[0017]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。
[0018]而且，所述耗电量为：
[0019]D
3t
＝e
t
×
(D
Fe
+D
Cu
)
×
T
v
×
365
×
p0+m
t
(D
L
+D
D
)
×
k
t
×
T
v
×
365
×
p0[0020]其中，e
t
表示需要与充电桩配套的变压器数量，t表示变压器的单价，D
Fe
代表D
Cu
变压器所需的钢材消耗和自制变压器所需的铜消耗，D
Cu
为变压器数量，T
v
代表智能充电桩一天的充电时间，p0代表从电网购买电力的单价，D
L
和D
D
代表充电桩之间线路的功率损耗和电机本身的损耗，k代表电机的同时率，m
t
表示充电桩电机的数量。
[0021]而且，所述用户在充电桩往返之间消耗的电费为：
[0022]D
4t
＝(h1+h2)
[0023][0024][0025][0026]其中，h1和h2分别代表往返过程中的电力损失和其他间接损失，p代表电动汽车充电单价，L
tcar
和L
tbus
代表电动汽车从路口到充电桩所需的距离，g
car
和g
car
代表每单位电量的里程，v
car
和v
bus
代表电动汽车的平均行驶速度，k代表用户的旅行时间值，d
tn
代表n从q
ncar
第
一个路口到充电桩的距离，q
nbus
代表从路口开到充电桩的电动车数量。
[0027]而且，所述其他费用包括电桩所需的辅助道路建设费和其他基础设施建设费：
[0028][0029]其中，ψ
g
和l
t
分别代表每公里道路所需的成本和辅助道路所需的建设长度，r0代表充电桩的折扣概率。
[0030]而且，所述步骤2的具体实现方法为：RNN参数选取为基于FA算法优化后的最优超参数，将步骤1中构建的多因素指标集合作为样本集，并按照4：1的比例划分为训练集与测试集，将测试集输入至RNN模型进行训练，得到充电桩位置和容量。...

【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：