System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车辆充电管理领域,具体涉及一种基于神经网络和离散选择模型的车辆充电管理方法,及其对应的车辆充电管理系统。
技术介绍
1、电动汽车作为绿色环保和高效节能的交通工具,正逐步取代传统燃油汽车成为家用汽车主流选择。新增的大量电动汽车的充电需求将会对现有的车辆充电设施的负荷带来冲击。电动车普遍存在充电需求集中的特点,这与当前的车辆充电设施覆盖不足的现状叠加之后,可能会造成充电时间和空间上的供需失衡,对用户和电网公司都产生不利影响;既延长了用户的充电等待时间,又会在短时间内对电网的负荷造成冲击。
2、为了在用户的充电需求和电网的电力供应间取得平衡,越来越多的充电站正在推行根据充电需求对充电服务费用进行差别定价的策略。这种新的定价策略在基础电价的基础上,会适当提高用户充电高峰期的充电服务费,并降低充电低谷期的充电服务费,进而抑制用户的高峰期需求,鼓励用户利用电网或充电站的负荷低谷期进行充电。
3、但是,这种新的充电服务定价策略的实施也会给用户带来新的困难。例如,当用户无法预知充电站的实时电价和等待时长时,就无法确定最优充电方案。这可能会造成更严重的充电拥堵,并提高用户的平均充电费用,引发用户更广泛的充电焦虑。另外,充电站无法及时掌握市场需求也就难以保证充电需求高效供给。此外,低效的用户充电管理和分配也会对电网稳定性和安全性产生极大的挑战。
4、因此如何有效对用户侧的充电服务需求和充电站侧的供给进行科学管理,缓解电动汽车“充电难”的困境,正成为本领域技术人员亟待解决的技术难题。
【技术保护点】
1.一种基于神经网络和离散选择模型的车辆充电管理方法,其特征在于,应用于由驾驶员终端、充电站终端和后台数据中心构成的车辆充电管理系统中,所述充电站终端根据充电需求实行差别定价;所述车辆充电管理方法包括如下步骤:
2.如权利要求1所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤S1中,各个充电站按照5分钟的时间间隔,定期上传自身的历史充电信息;
3.如权利要求2所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤S2中,改进的LSTM-attention神经网络是引入键值对注意力机制优化后的LSTM神经网络;通过计算attention机制评分函数来评估LSTM网络输出向量之间的相关性;attention机制的输出Hi满足下式:
4.如权利要求3所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:所述LSTM神经网络包括:输入门,遗忘门,输出门,输入单元,记忆单元,隐藏单元和输出单元;LSTM-attention神经网络的输入为xt,输出yt为:
5.如权利要求4所述的基于神经网络和离散选
6.如权利要求5所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:所述LSTM-attention神经网络在训练阶段的损失函数loss如下:
7.如权利要求1所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤S3中,所述用户状态信息中的充电偏好包括距离优先和费用优先和自定义优先,自定义优先指由用户自适应调整距离Rm和充电站充电费用信息对应的偏好权重αn和βn的值,且满足:αn+βn=1。
8.如权利要求7所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤S5的所述离散选择模型的表达式如下:
9.一种车辆充电管理系统,其特征在于,其采用如权利要求1-8中任意一项所述的基于神经网络和离散选择模型的车辆充电管理方法,根据用户提出的充电请求,在用户行程目的地的临近区域为用户自动分配满足用户充电偏好的候选充电站;所述车辆充电管理系统包括:
10.如权利要求9所述的车辆充电管理系统,其特征在于:所述后台数据中心中还包括一个存储模块,所述存储模块中预存有每个安装有驾驶员终端的车辆信息,以及用于管理车辆充电任务的授权信息;所述车辆信息包括车辆的品牌、型号、电池容量、功耗信息和充电参数;所述授权信息包括与车辆绑定的驾驶人员的身份识别信息和支付信息。
...【技术特征摘要】
1.一种基于神经网络和离散选择模型的车辆充电管理方法,其特征在于,应用于由驾驶员终端、充电站终端和后台数据中心构成的车辆充电管理系统中,所述充电站终端根据充电需求实行差别定价;所述车辆充电管理方法包括如下步骤:
2.如权利要求1所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤s1中,各个充电站按照5分钟的时间间隔,定期上传自身的历史充电信息;
3.如权利要求2所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:步骤s2中,改进的lstm-attention神经网络是引入键值对注意力机制优化后的lstm神经网络;通过计算attention机制评分函数来评估lstm网络输出向量之间的相关性;attention机制的输出hi满足下式:
4.如权利要求3所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:所述lstm神经网络包括:输入门,遗忘门,输出门,输入单元,记忆单元,隐藏单元和输出单元;lstm-attention神经网络的输入为xt,输出yt为:
5.如权利要求4所述的基于神经网络和离散选择模型的车辆充电管理方法,其特征在于:在所述lstm-attention神经网络中,输入门、遗忘门和输出门的传递函数分别如下:
6.如...
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。