一种基于神经网络的电动汽车可调度域的预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的电动汽车可调度域的预测方法及装置，涉及新能源汽车充电技术领域。本发明专利技术包括：通过市场调研，采集包含电动汽车入网、离网SOC，电池容量，入网、离网时间等信息在内的数据集；对数据集中的特征值进行预处理；根据预处理后的数据集，构建相应的神经网络；根据处理好的数据集训练神经网络；根据实际运行中的电动汽车信息使用神经网络预测电动汽车可调度域。本方法通过提前生成电动汽车可调度域的方法，大幅度简化了多层级调控模型的规模，提高了模型整体的求解速度。提高了模型整体的求解速度。提高了模型整体的求解速度。

【技术实现步骤摘要】
一种基于神经网络的电动汽车可调度域的预测方法及装置


[0001]本专利技术涉及新能源汽车充电
，具体涉及一种基于神经网络的电动汽车可调度域的预测方法及装置。

技术介绍

[0002]随着新能源汽车的日益普及和车联网技术的发展，电动汽车可以通过物联网进行聚合，在物联网的支持下，由于具有快速响应能力，大量电动汽车的集合可以有效地响应调度信号，并作为一个可控的存储系统多方位地辅助电网，例如系统平衡、辅助服务、可再生能源调节和协调控制。然而，尽管大规模电动汽车的聚集有助于建立更灵活的电力系统，并成为一种灵活的资产，但电动汽车大规模接入电网将给电网带来不可忽视的影响，因此，为了将大量电动汽车整合到系统级运营和市场招标中，构建一个聚合模型以获取其可用的灵活性是至关重要的。
[0003]然而，海量数目的电动汽车数据使得有序调控模型的规模变得极为巨大，如何在保证调控策略准确性的前提下大规模减小现有模型的规模，已经成为国内外学者的研究热点。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于神经网络的电动汽车可调度域的预测方法及装置，对多层级调控模型的规模进行了大规模简化，在不影响总体调控策略的情况下，提高了模型整体的求解速度。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供如下一种基于神经网络的电动汽车可调度域的预测方法，包括如下步骤：
[0007]获取实际运行中的电动汽车信息；所述电动汽车信息包括：电动汽车入网SOC、离网SOC、电池容量，入网时间和离网时间；
[0008]将所述电动汽车信息输入训练好的神经网络中，经神经网络预测得到电动汽车可调度域；
[0009]所述神经网络的输入为电动汽车信息，输出为由电动汽车编号和电动汽车可调度域。
[0010]进一步的，所述电动汽车可调度域，其组成为：
[0011]电动汽车可调度域由电动汽车编号和两个24位数组和表示，表示电动汽车在时间段t内可提供的最大向上功率，表示电动汽车在时间段t内可提供的最大向下功率。
[0012]进一步的，所述神经网络的获取方法包括：
[0013]步骤1，采集电动汽车数据，形成数据集；
[0014]步骤2，对数据集中的特征值进行预处理，得到预处理后的数据集；
[0015]步骤3，构建神经网络；
[0016]步骤4，根据预处理后的数据集，训练神经网络，得到训练好的神经网络。
[0017]进一步的，采集电动汽车数据，形成数据集，包括：
[0018]通过充电桩采集电动汽车的入网SOC、离网SOC和入网时间、离网时间，通过市场调研和数据分析获得电动汽车的电池容量和可调度域；
[0019]所述数据集包含电动汽车入网SOC、离网SOC、电池容量，入网时间信息、离网时间信息以及对应的电动汽车的可调度域。
[0020]进一步的，对收集到的信息进行预处理，包含以下步骤：
[0021]通过下式对采集到的各项数据实行标准化：
[0022][0023]式中，x
*
为经过预处理之后的特征值；p
x
为该特征值类别在整个数据集中的权重系数；x为需要进行预处理的特征值；μ
x
为该特征值在整个数据集上的均值；δ
x
为该特征值在整个数据集上的标准差。
[0024]进一步的，所述神经网络的输入为电动汽车信息，输出为由电动汽车编号和两个24位数组和所表示的电动汽车可调度域；
[0025]所述神经网络包含十六层变换；所述神经网络包括十二层包含权重参数和偏差参数、由ReLu函数作为激活函数的全连接隐藏层，两层批量归一化层，一层平均池化层以及一层全连接输出层；
[0026]所述神经网络的组成方式为：在输入个数为7，输出个数为16的全连接层后接三层输入个数为16，输出个数为16的全连接层，所述全连接层均后接一层丢弃概率为0.3的丢弃层；再接入一层批量归一化层，一层平均池化层，一层输入个数为16，输出个数为10的全连接层和三层输入个数为10，输出个数为10的全连接层，所述全连接层均后接一个丢弃概率为0.25的丢弃层；随后接入一层批量归一化层，一层输入个数为10，输出个数为8的全连接层和三层输入个数为8，输出个数为8的全连接层，所述全连接层均后接一个丢弃概率为0.2的丢弃层；最后接入一层全连接输出层。
[0027]进一步的，进行训练时，用于训练神经网络的数据集中的所有车辆的特征值被连接成一个完整的数组，并被转换为由电动汽车数和特征值种类数的二维数列。
[0028]第二方面，本专利技术提供一种基于神经网络的电动汽车可调度域的预测装置，所述装置包括：
[0029]采集模块：用于获取实际运行中的电动汽车信息；所述电动汽车信息包括：电动汽车入网SOC、离网SOC、电池容量，入网时间和离网时间；
[0030]预测模块：用于将所述电动汽车信息输入训练好的神经网络中，经神经网络预测得到电动汽车可调度域；
[0031]所述神经网络的输入为电动汽车信息，输出为由电动汽车编号和电动汽车可调度域。
[0032]第三方面，本专利技术提供一种基于神经网络的电动汽车可调度域的预测装置，包括处理器及存储介质；
[0033]所述存储介质用于存储指令；
[0034]所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
[0035]与现有技术相比，本专利技术所达到的有益效果：
[0036]本专利技术一种基于神经网络的电动汽车可调度域的预测方法及装置，使用神经网络提前对电动汽车的可调度域进行预测，结构简单，仅需输入有关数据，即可对电动汽车的可调度域进行预测，能够显著提高模型整体的求解速度。
附图说明
[0037]图1是本专利技术的实施流程图；
[0038]图2为传统有序调控模型一天内调控策略的仿真结果；
[0039]图3为使用了本专利技术的有序调控模型一天内调控策略的仿真结果；
[0040]图4为本专利技术的训练错误率；
[0041]图5为本专利技术的k折交叉验证错误率。
具体实施方式
[0042]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0043]实施例一：
[0044]结合图1所示，本专利技术提供了一种基于神经网络的电动汽车可调度域的预测方法及装置，包含以下步骤：
[0045]步骤1，通过市场调研，采集包含电动汽车入网、离网SOC，电池容量，入网、离网时间等信息在内的数据集，具体的，通过充电桩采集电动汽车的入网、离网SOC和入网、离网时间，通过市场调研和数据分析获得电动汽车的电池容量和可调度域。
[0046]步骤2，对数据集中的特征值进行预处理，具体的，对数据集中的特征值进行预处理的方法为：
[0047]通过下式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的电动汽车可调度域的预测方法，其特征在于，包括如下步骤：获取实际运行中的电动汽车信息；所述电动汽车信息包括：电动汽车入网SOC、离网SOC、电池容量，入网时间和离网时间；将所述电动汽车信息输入训练好的神经网络中，经神经网络预测得到电动汽车可调度域；所述神经网络的输入为电动汽车信息，输出为由电动汽车编号和电动汽车可调度域。2.根据权利要求1所述的基于神经网络的电动汽车可调度域的预测方法，其特征在于，所述电动汽车可调度域，其组成为：电动汽车可调度域由电动汽车编号和两个24位数组和表示，表示电动汽车在时间段t内可提供的最大向上功率，表示电动汽车在时间段t内可提供的最大向下功率。3.根据权利要求1所述的基于神经网络的电动汽车可调度域的预测方法，其特征在于，所述神经网络的获取方法包括：采集电动汽车数据，形成数据集；对数据集中的特征值进行预处理，得到预处理后的数据集；构建神经网络；根据预处理后的数据集，训练神经网络，得到训练好的神经网络。4.根据权利要求3所述的基于神经网络的电动汽车可调度域的预测方法，其特征在于，采集电动汽车数据，形成数据集，包括：通过充电桩采集电动汽车的入网SOC、离网SOC和入网时间、离网时间，通过市场调研和数据分析获得电动汽车的电池容量和可调度域；所述数据集包含电动汽车入网SOC、离网SOC、电池容量，入网时间信息、离网时间信息以及对应的电动汽车的可调度域。5.根据权利要求3所述的基于神经网络的电动汽车可调度域的预测方法，其特征在于，对收集到的信息进行预处理，包含以下步骤：通过下式对采集到的各项数据实行标准化：式中，x
*
为经过预处理之后的特征值；p
x
为该特征值类别在整个数据集中的权重系数；x为需要进行预处理的特征值；μ
x
为该特征值在整个数据集上的均值；δ
x

【专利技术属性】
技术研发人员：陈骏，谢文强，张宸宇，刘瑞煌，吴宁，蔡志俊，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：