本申请涉及一种电动汽车充电规划方法、装置、计算机设备和存储介质。所述方法包括:获取充电站数据、道路数据和电动汽车数据,通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略。其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,根据马尔科夫决策过程模型构建得到深度Q值神经网络。采用本方法能够有效解决大规模电动汽车实时充电规划面临的随机性因素的影响,同时提高电动汽车充电规划的准确性与效率。
【技术实现步骤摘要】
本申请涉及电动汽车充电,特别是涉及一种基于深度强化学习电动汽车充电规划方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着电动汽车市场保有量的增加,现有的充电基础设施难以满足其充电需求,由此可能造成长时间等待充电的现象,严重影响电动汽车用户的充电体验和电网的运行安全。因此,出现了电动汽车充电规划技术。在传统电动汽车充电规划技术中,是通过智能导航系统提供的路况信息、交通拥堵情况等,实现电动汽车充电规划。
2、然而,在传统方法中,存在交通路网的不确定性、充电站运行状态的不确定性等问题,使得在电动汽车充电规划过程中,不能自适应的选择最优电动汽车充电规划策略。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种自适应的选择最优电动汽车充电规划策略的电动汽车充电规划方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本申请提供了一种电动汽车充电规划方法,包括:
3、获取充电站数据、道路数据和电动汽车数据;
4、通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略;
5、其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,构建得到深度q值神经网络,并训练深度q值神经网络得到的。</p>6、在其中一个实施例中,在获取充电站数据、道路数据和电动汽车数据之前,该方法还包括:
7、获取样本道路数据、样本充电站位置节点数据和样本电动汽车数据,构建电动汽车充电调度网络拓扑关系;
8、获取电动汽车的样本行驶距离-耗电量数据,构建电动汽车行驶能耗模型;
9、获取电动汽车行驶速度、排队进程和充电功率样本数据,构建电动汽车总充电时间模型;
10、根据电动汽车起始位置和推荐充电站位置样本数据,构建电动汽车起点至终点偏差模型;
11、根据电动汽车行驶能耗模型、电动汽车总充电时间模型、电动汽车起点终点偏差模型以及预设约束条件构建电动汽车充电规划优化模型;
12、将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,建立并初始化深度q值神经网络。
13、在其中一个实施例中,获取电动汽车的样本行驶距离与耗电量数据,构建电动汽车行驶能耗模型包括:
14、根据电动汽车的样本行驶距离-耗电量数据,建立电动汽车行驶距离和耗电量之间的关系;
15、基于行驶距离-耗电量数据以及电动汽车行驶距离和耗电量之间的关系,对待训练的电动汽车行驶能耗模型进行训练,得到电动汽车行驶能耗模型。
16、在其中一个实施例中,电动汽车总充电时间模型包括:
17、根据电动汽车行驶速度数据确定电动汽车到充电站的路径行驶时间;
18、根据电动汽车平均到达时间和平均充电时间概率分布,以及充电排队系统模型,确定电动汽车排队等待时间;
19、根据电动汽车行驶能耗模型确定电动汽车到达充电站的剩余电量,并根据充电桩充电功率确定电动汽车充电时间;
20、根据电动汽车到充电站的路径行驶时间、排队等待时间和充电时间,确定以电动汽车总充电时间最小化为目标函数的电动汽车总充电时间模型。
21、在其中一个实施例中,根据电动汽车起始位置和推荐充电站位置样本数据,构建电动汽车起点至终点偏差模型包括:
22、根据电动汽车起始位置和推荐充电桩位置,确定以起点到终点的距离偏差最小化为目标函数的电动汽车起点至终点偏差模型。
23、在其中一个实施例中,根据电动汽车行驶能耗模型、电动汽车总充电时间模型、电动汽车起点终点偏差模型以及预设约束条件构建电动汽车充电规划优化模型包括:
24、根据电动汽车总充电时间模型的电动汽车总充电时间最小化目标函数和电动汽车起点至终点偏差模型的起点到终点的距离偏差最小化目标函数,以及电动汽车最大行驶里程约束、充电站选择约束以及充电功率约束,得到电动汽车充电规划优化模型。
25、第二方面,本申请还提供了一种电动汽车充电规划装置,包括:
26、获取模块,用于获取充电站数据、道路数据和电动汽车数据;
27、获取模块,用于获取充电站数据、道路数据和电动汽车数据;
28、规划模块,通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略;
29、其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,构建得到深度q值神经网络,并训练深度q值神经网络得到的。
30、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
31、获取充电站数据、道路数据和电动汽车数据;
32、通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略;
33、其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,构建得到深度q值神经网络,并训练深度q值神经网络得到的。
34、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
35、获取充电站数据、道路数据和电动汽车数据;
36、通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略;
37、其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电动汽车充电规划优化模型建模为马尔科夫决策过程模型,构建得到深度q值神经网络,并训练深度q值神经网络得到的。
38、第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
39、获取充电站数据、道路数据和电动汽车数据;
40、通过深度强化学习模型对充电站数据、道路数据和电动汽车数据数据进行充电规划,得到总充电时间最小和起点到终点的距离偏差最小的充电规划策略;
41、其中,深度强化学习模型是根据电动汽车行驶能耗模型、电动汽车总充电时间模型和电动汽车起点终点偏差模型构建电动汽车充电规划优化模型,将电本文档来自技高网
...
【技术保护点】
1.一种电动汽车充电规划方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述获取充电站数据、道路数据和电动汽车数据之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述获取电动汽车的样本行驶距离与耗电量数据,构建电动汽车行驶能耗模型包括:
4.根据权利要求2所述的方法,其特征在于,所述获取电动汽车行驶速度、排队进程和充电功率样本数据,构建电动汽车总充电时间模型包括:
5.根据权利要求2所述的方法,其特征在于,所述根据电动汽车起始位置和推荐充电站位置样本数据,构建电动汽车起点至终点偏差模型包括:
6.根据权利要求2所述的方法,其特征在于,所述根据电动汽车行驶能耗模型、电动汽车总充电时间模型、电动汽车起点终点偏差模型以及预设约束条件构建电动汽车充电规划优化模型包括:
7.一种电动汽车充电规划装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...
【技术特征摘要】
1.一种电动汽车充电规划方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述获取充电站数据、道路数据和电动汽车数据之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述获取电动汽车的样本行驶距离与耗电量数据,构建电动汽车行驶能耗模型包括:
4.根据权利要求2所述的方法,其特征在于,所述获取电动汽车行驶速度、排队进程和充电功率样本数据,构建电动汽车总充电时间模型包括:
5.根据权利要求2所述的方法,其特征在于,所述根据电动汽车起始位置和推荐充电站位置样本数据,构建电动汽车起点至终点偏差模型包括:
6.根据权利要求2所述的方法,其特征在于,所...
【专利技术属性】
技术研发人员:葛静,李勋,黄鹏,邱熙,黄智锋,
申请(专利权)人:南方电网电动汽车服务有限公司,
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。