充电策略确定方法技术

本发明专利技术公开了一种充电策略确定方法

【技术实现步骤摘要】
充电策略确定方法、装置、存储介质及计算机设备


[0001]本专利技术涉及新能源领域，具体而言，涉及一种充电策略确定方法
、
装置
、
存储介质及计算机设备
。

技术介绍

[0002]随着我国电动汽车产业的快速增长，车辆充电问题越来越突出，对车主而言，由于不能及时了解各充电站拥堵状况和优惠情况而浪费大量时间与金钱，而充电运营商又因为不了解车主充电习惯特点等信息，不能及时推荐较为精准优化的充电策略，造成各充电站车流冷热不均，甚至造成客户失流，影响到运营效率和效益
。
如何能以用户需求为中心，推进各充电站均衡有序用电，给用户推荐一套就近便捷
、
低价优质的充电策略很有必要
。
[0003]当前，市场上通行的充电策略推荐方法，主要基于协同过滤算法
(CollaboratIve Filtering)
或
SVM
算法
(Support Vector Machine)
，但它们在实际使用中存在推荐策略不优或信息不准确等问题，分析其中原因，主要由于：一是全面采集用户充电信息比较困难；二是这些算法不同程度存在对用户的变化响应不及时或大规模数据训练比较困难等问题
。
[0004]针对上述的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0005]本专利技术实施例提供了一种充电策略确定方法
、
装置
、
存储介质及计算机设备，以至少解决难以为电动车用户匹配适合的充电策略的技术问题
。
[0006]根据本专利技术实施例的一个方面，提供了一种充电策略确定方法，包括：获取电动车用户的用户特征和充电运营商的运营商特征；根据所述用户特征和所述运营商特征，建立用户
‑
运营商矩阵；将所述用户
‑
运营商矩阵输入预训练的广义回归神经网络模型，得到所述电动车用户与所述充电运营商的特征差异矩阵，其中，所述广义回归神经网络模型包括输入层
、
模式层
、
求和层和输出层；根据所述特征差异矩阵，生成对应所述电动车用户的充电策略
。
[0007]可选地，所述广义回归神经网络模型包括平滑因子
σ
和中心偏移因子
λ
，所述中心偏移因子
λ
用于调节核函数中心位置，所述平滑因子
σ
和所述中心偏移因子
λ
在所述广义回归神经网络模型的模型训练阶段基于差分进化算法优化得到
。
[0008]可选地，所述广义回归神经网络模型通过如下方式训练得到：获取训练样本，其中，所述训练样本采用样本矩阵的方式进行表示，所述样本矩阵与所述用户
‑
运营商矩阵形式相同；将所述训练样本输入原始模型的输入层，并将所述原始模型的输入层的输出结果传递至所述原始模型的模式层，得到模式层结果；将所述模式层结果输入所述原始模型的求和层，由所述原始模型的求和层对所述模式层结果进行加权求和，得到求和层结果；将所述求和层结果传递至所述原始模型的输出层，由所述原始模型的输出层输出训练样本特征差异矩阵；重复执行上述训练过程，直至训练样本特征差异矩阵满足特征差异要求，终止训练，得到所述广义回归神经网络模型
。
[0009]可选地，所述样本矩阵为：其中，
x
i
，
j
表示第
j
个样本的第
i
个输入属性；
m
表示输入属性总数，
n
表示样本总数；
[0010]所述模式层结果为：其中，
σ
表示平滑因子，
α
j
表示第
j
个模式层神经元输出，
x
′
表示任意输入的一个样本，
x
j
表示第
j
个训练样本，
λ
表示中心偏移因子
。
[0011]可选地，所述平滑因子
σ
和所述中心偏移因子
λ
通过如下方式优化得到：构建自适应差分进化算法，其中，所述自适应差分进化算法包括如下过程：将种群规模设置为
N
，属性维度设置为
D
，交叉速率设置为
CR
，个体的取值设置为
[U
min
,U
max
],
第
i
个个体的
j
维属性可表示为：
x
i
，
j
＝
U
min
+rand
×
(U
max
‑
U
min
)
，式中：
i
＝
1,2
，
…
N
；
j
＝1，
2,
…
D
；
rand
为
(0,1)
随机数；由第
G
代个体进行差分变异操作，得到第
G+1
代个体；根据所述第
G
代个体和所述第
G+1
代个体的适应度值，对两代个体中适应度值较高的个体进行进化，得到新的第
G+1
代个体；重复上述过程，直到达到最大代数
Gmax
，停止迭代；根据所述自适应差分进化算法，求解得到所述平滑因子
σ
和所述中心偏移因子
λ
。
[0012]可选地，所述自适应差分进化算法包括自适应
F
值，所述自适应
F
值通过如下方式进行优化：式中：
F
min
和
F
max
范围为
[0,2]。
[0013]可选地，所述获取电动车用户的用户特征和充电运营商的运营商特征，包括：获取所述电动车用户的历史充电数据和偏好数据，其中，所述偏好数据基于所述电动车用户填写的问卷调查统计得到；根据所述电动车用户历史充电数据和偏好数据确定所述电动车用户的用户特征；获取所述充电运营商的历史服务数据；根据所述充电运营商的历史服务数据确定所述充电运营商的运营商特征
。
[0014]根据本专利技术实施例的另一方面，还提供了一种充电策略确定装置，包括：获取模块，用于获取电动车用户的用户特征和充电运营商的运营商特征；建立模块，用于根据所述用户特征和所述运营商特征，建立用户
‑
运营商矩阵；模型计算模块，用于将所述用户
‑
运营商矩阵输入预训练的广义回归神经网络模型，得到所述电动车用户与所述充电运营商的特征差异矩阵，其中，所述广义回归神经网络模型包括输入层
、
模式层
、
求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种充电策略确定方法，其特征在于，包括：获取电动车用户的用户特征和充电运营商的运营商特征；根据所述用户特征和所述运营商特征，建立用户
‑
运营商矩阵；将所述用户
‑
运营商矩阵输入预训练的广义回归神经网络模型，得到所述电动车用户与所述充电运营商的特征差异矩阵，其中，所述广义回归神经网络模型包括输入层
、
模式层
、
求和层和输出层；根据所述特征差异矩阵，生成对应所述电动车用户的充电策略
。2.
根据权利要求1所述的方法，其特征在于，所述广义回归神经网络模型包括平滑因子
σ
和中心偏移因子
λ
，所述中心偏移因子
λ
用于调节核函数中心位置，所述平滑因子
σ
和所述中心偏移因子
λ
在所述广义回归神经网络模型的模型训练阶段基于差分进化算法优化得到
。3.
根据权利要求2所述的方法，其特征在于，所述广义回归神经网络模型通过如下方式训练得到：获取训练样本，其中，所述训练样本采用样本矩阵的方式进行表示，所述样本矩阵与所述用户
‑
运营商矩阵形式相同；将所述训练样本输入原始模型的输入层，并将所述原始模型的输入层的输出结果传递至所述原始模型的模式层，得到模式层结果；将所述模式层结果输入所述原始模型的求和层，由所述原始模型的求和层对所述模式层结果进行加权求和，得到求和层结果；将所述求和层结果传递至所述原始模型的输出层，由所述原始模型的输出层输出训练样本特征差异矩阵；重复执行上述训练过程，直至训练样本特征差异矩阵满足特征差异要求，终止训练，得到所述广义回归神经网络模型
。4.
根据权利要求3所述的方法，其特征在于，所述样本矩阵为：其中，
x
i
，
j
表示第
j
个样本的第
i
个输入属性；
m
表示输入属性总数，
n
表示样本总数；所述模式层结果为：其中，
σ
表示平滑因子，
α
j
表示第
j
个模式层神经元输出，
x
′
表示任意输入的一个样本，
x
j
表示第
j
个训练样本，
λ
表示中心偏移因子
。5.
根据权利要求2所述的方法，其特征在于，所述平滑因子
σ
和所述中心偏移因子
λ
通过如下方式优化得到：构建自适应差分进化算法，其中，所述自适应差分进化算法包括如下过程：将种群规模设置为
N
，属性维度设置为
D
，交叉速率设置为
CR
，个体的取值设置为
[U
min
,U
max
],
第
i
个个体的
j
维属性可...

【专利技术属性】
技术研发人员：陈振，孙舟，张宝群，袁小溪，王芳，李佳，王立永，于千傲，李卓群，刘祥璐，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：