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】
本专利技术属于电动汽车负荷预测领域,具体是一种基于神经网络模型的电动汽车充电负荷时空分布预测方法。
技术介绍
1、近年来,随着社会对清洁、低碳能源的需求不断增加,能源结构正在经历持续调整,电力系统也在不断演进和改进,以适应这一趋势。在这个背景下,电动汽车作为一种环保、低碳的交通方式正逐渐融入人们的生活方式中。然而,随着电动汽车数量的不断增加,其充电需求对电力系统的影响也日益显著。电动汽车充电需求的不确定性和波动性给电力系统带来了新的挑战。这种不确定性意味着电力系统需要更灵活地应对充电需求的变化,以保持负荷平衡和供电稳定性。此外,电动汽车充电需求的波动性使得能源的合理分配变得更加复杂,需要更精确的能源管理。充电负荷预测旨在通过分析电动汽车用户的充电行为、充电桩分布、天气影响等多种因素,提前预测未来一段时间内的充电需求。这不仅有助于避免电力系统负荷过载,还有助于优化能源利用、减少能源浪费,并为电力系统调度提供更精确的依据。然而,充电负荷预测面临着数据不完整性、因素复杂性以及时空变化的复杂问题,因此需要引入先进的预测方法和技术来解决。
2、当前,电动汽车负荷预测的研究主要分为两个方向:模型驱动和数据驱动。首先,模型驱动方法依赖于对研究对象的运行规则和原理进行深入分析,根据实际业务需求构建数学模型和物理模型,以描述各变量之间的因果关系。例如有研究提出了一种考虑道路拓扑特性的电动汽车充电需求预测模型,但未考虑环境温度和速度对电动汽车电量消耗的影响;有的提出了一种考虑环境温度和车速的充电需求预测模型,但对出行起迄点分布的因素考虑
技术实现思路
1、本专利技术为了解决现有时空分布下电动汽车充电负荷预测误差较大的技术问题,提供一种基于神经网络模型的电动汽车充电负荷时空分布预测方法。
2、本专利技术采取以下技术方案:一种基于神经网络模型的电动汽车充电负荷时空分布预测方法,包括:
3、s1:采集待预测地区的电动汽车的出行数据,对预处理后的出行数数据建立电动汽车历史出行od矩阵,根据待预测地区的城市路网交通网络建立邻接图,得到节点相似度矩阵和邻接矩阵;
4、s2:将出行od矩阵和邻接图带入预测模型中进行训练,得到待预测地区的电动汽车起讫点od矩阵;
5、s3:根据电动汽车充电负荷的影响因素建立影响因素的概率模型;根据概率模型和步骤s2中的电动汽车od矩阵对电动汽车的充电负荷时空分布进行预测。
6、在一些实施例中,步骤s2中,预测模型包括:
7、时间特征提取模块,所述时间特征提取模块用于获取时间相关特征,时间特征提取模块的输入为由历史出行od矩阵转化的序列;
8、空间特征提取模块,所述空间特征提取模块用于获取空间相关特征,空间特征提取模块的输入为:经激活函数处理后的时间特征提取模块的输出、以及节点相似度矩阵和邻接矩阵;
9、全连接模块负责连接时间特征提取模块和空间特征提取模块,并结合时间特征和空间特征的提取结果,得到电动汽车起讫点od矩阵。
10、在一些实施例中,时间特征提取模块采用单层的lstm结构。
11、在一些实施例中,空间特征提取模块采用3层gcn结构。
12、在一些实施例中,步骤s3中包括:
13、s31:预测各道路的通行时间;
14、s32:得到汽车具体能耗;
15、s33:根据s32得到的通行时间和汽车具体能耗,得到最优路径判断条件函数;
16、s34:根据最优路径判断条件函数找到最优路径;
17、s35:根据s34中得到的电动汽车出行路径,结合s31预测的通行时间以及s32算出实际消耗负荷,完成n辆电动汽车一天的电动汽车充电负荷时空分布的预测。
18、在一些实施例中,步骤s31包括:
19、速度-流量模型为:
20、
21、式中:表示电动汽车t时刻在i到j路段上的行驶速度;表示路段(i,j)的零流速度,取道路对车辆的最大限制速度;为道路(i,j)的通行能力,分为快速路、主干路、次干路和支路四种情况;为t时刻在节点i、j之间的道路上通过的汽车流量;若该道路为快速路,a、b、n为待定参数,根据道路的实测值拟合确定;
22、根据式中推出ev在各道路的通行速度,再根据道路里程数即得到通行时间。
23、在一些实施例中,步骤s32中,电动汽车单位里程能耗模型为:
24、
25、式中:为ev在r等级道路下的单位里程能耗,为电动汽车在温度c下行驶在r等级道路下的单位里程能耗,为温度c下单位里程能耗,为ev在20℃时的单位里程能耗。
26、在一些实施例中,步骤s33中,最优路径判断条件函数为:
27、
28、式中,n为当前位置,g(n)为搜索过程中的实际代价;h(n)为启发函数,即从当前位置到终点的估计代价;f(n)为估价函数,即g(n)与h(n)的和;也就是上文的ev在温度c下行驶在r等级道路下的单位里程能耗。
29、在一些实施例中,步骤s34中,最优路径判断条件函数为:
30、
31、式中,n为当前位置;即从当前位置到终点的估计代价;ev在温度c下行驶在r等级道路下的单位里程能耗;
32、
33、其中,s2为当前位置n到终点的对角距离,,为从当前位置到终点的预测通行时间,为汽车出发时从起点到终点的预测通行时间;
34、
35、其中,s1为汽车从出发点到当前所在结点n的对角距离。
36、在一些实施例中,步骤s34包括:执行最优路径判断条件确认open表是否为空,为否将当前位置从open表移入close表中;open表与close表中数据为路网结构中各个节点信息,再判断当前位置是不是目标点,若是的话,则跳出得到最优路径;若不是则更新当前的位置周围的f值,并把新的位置加入open表跳回最初的判断条件即确认open表是否为空;当循环结束,即open表为空时,即可得到最优路径。
37、与现有技术相比,本专利技术公开了一种基于神经网络模型的电动汽车充电负荷时空分布预测方法,针对充电汽车出行od矩阵的时空特性,使用长短期记忆(longshort-termmemory,lstm)网络和图卷积网络(graphconvolutionalnetworks,gcn)的组合预测方法分析已本文档来自技高网...
【技术保护点】
1.一种基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S2中,预测模型包括:
3.根据权利要求2所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述时间特征提取模块采用单层的LSTM结构。
4.根据权利要求3所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述空间特征提取模块采用3层GCN结构。
5.根据权利要求1所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S3中包括:
6.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S31包括:
7.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S32中,电动汽车单位里程能耗模型为:
8.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所
9.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S34中,最优路径判断条件函数为:
10.根据权利要求9所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤S34包括:执行最优路径判断条件确认OPEN表是否为空,为否将当前位置从OPEN表移入CLOSE表中;OPEN表与CLOSE表中数据为路网结构中各个节点信息,再判断当前位置是不是目标点,若是的话,则跳出得到最优路径;若不是则更新当前的位置周围的F值,并把新的位置加入OPEN表跳回最初的判断条件即确认OPEN表是否为空;当循环结束,即OPEN表为空时,即可得到最优路径。
...【技术特征摘要】
1.一种基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤s2中,预测模型包括:
3.根据权利要求2所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述时间特征提取模块采用单层的lstm结构。
4.根据权利要求3所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述空间特征提取模块采用3层gcn结构。
5.根据权利要求1所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤s3中包括:
6.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法,其特征在于,所述步骤s31包括:
7.根据权利要求5所述的基于神经网络模型的电动汽车充电负荷时空分布预测方法...
【专利技术属性】
技术研发人员:段敬,顾玮,段婕,朱春山,陈扬波,刘志良,王迪,马江海,
申请(专利权)人:国网山西省电力公司信息通信分公司,
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。