CN113935580A - 一种电动汽车协调充电优化调度*** - Google Patents

一种电动汽车协调充电优化调度*** Download PDF

Info

Publication number
CN113935580A
CN113935580A CN202111069002.2A CN202111069002A CN113935580A CN 113935580 A CN113935580 A CN 113935580A CN 202111069002 A CN202111069002 A CN 202111069002A CN 113935580 A CN113935580 A CN 113935580A
Authority
CN
China
Prior art keywords
charging
time
model
electricity price
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111069002.2A
Other languages
English (en)
Inventor
吴文浩
江爱朋
王浩栋
葛冬明
陈云
翟昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111069002.2A priority Critical patent/CN113935580A/zh
Publication of CN113935580A publication Critical patent/CN113935580A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种电动汽车协调充电优化调度***。本发明训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中。当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度***中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。本发明能够实时优化调度，在满足电动汽车充电需求的情况下，保证充电负载平衡和能量消耗。

Description

一种电动汽车协调充电优化调度***
技术领域
本发明属于智能优化调度技术领域，涉及一种电动汽车协调充电优化调度***。
背景技术
随着经济发展，人们越来越重视环境问题。在此基础下，低污染的电动汽车应运而生，但近几年电动汽车快速发展，其快速发展带来的问题也日益突出。目前大部分车主会选择在无出行需求时进行充电，例如早上九点上班后或者晚上七点下班后进行充电，此时便会有大规模的充电，导致电网运行不平稳，并且极易过量充电导致电力资源大量浪费。如何做到电动汽车的协调充电是一个需要解决的优化调度问题。并且与现有的燃油汽车不同，电动汽车充电是一个周期性的过程，在这个过程中充满了随机性，例如车辆的提前离开或者延迟离开(电价的波动)。由于人的行为有不确定性，这就难以建立准确的建模进行调度。
目前大多数充电场采用先到先充的充电策略。此策略难以在有大量充电需求时满足各电动汽车的充电需求，并且不能做到平衡电网负载。以及目前所知的充电优化调度算法采取的是需求响应算法，即按照全局的需求建立模型，并且将最小化客户的电费或最大化能源供应商的利润作为优化问题，进行预测控制优化调度。但此算法受充电桩物理特性、客户充电习惯、电价等多种约束，在求解上有一定的难度。而且考虑到电动汽车的到来是不可预测的，充电过程中充满随机性，这就使得准确建立模型非常困难，并且这种基于模型的算法很难从一个充电场应用到另一个充电场，即泛化能力不强。充电优化调度要求实时调度，即当有新的电动汽车到达充电场，优化算法能第一时间给出最优解。需求响应最大的问题便在于此。其基于全局的需求建立模型，即所求为全局最优解。因为全局最优解需要某段时间内所有电动汽车的充电需求数据，又由于车辆的到来不可预知，所以算法要经过一段时间才能给出调度方法，即全局最优解不能做到实时调度，就不能满足电动汽车协调充电实时优化调度的根本要求。
针对上述问题，设计了一种电动汽车协调充电优化调度***。
发明内容
本发明的目的就是提供一种电动汽车协调充电优化调度***。
本发明包括信息交互模块、数据储存模块与优化调度***，其中优化调度***包括训练模块、电价预测模块与优化调度模块。
信息交互模块用于收集客户的电池数据、充电特性以及读取与电池型号相对应的充电效率，电池数据包括电池容量、剩余电量、电池型号；充电特性包括车辆的到达离开时间，以及根据电池数据和充电效率得到的充电时间。
数据储存模块储存已经完成充电的电动汽车电池数据、充电效率、充电特性、历史电价数据，电动汽车电池数据、充电效率、充电特性三者统称为历史充电数据。
优化调度***中的训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中。当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度***中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。
本发明具体包括以下步骤实现电动汽车协调充电的优化调度：
步骤一、建立基于卷积神经网络的电价预测模型：
步骤A1：准备K1条当地电价历史数据(一般准备8000条以上的数据)，并将数据集分为训练集和测试集。
步骤A2：采用模糊C均值算法将电价分成K2个类别(K2是一个设定值)，找到每类的聚类中心，按照类别赋予相应的权重。
步骤A3：搭建卷积神经网络预测电价模型：在对历史电价数据进行归一化处理后，确定输入量，并搭建池化层和卷积层。
归一化处理：对历史电价数据进行归一化处理，使用以下公式归一化处理某天某一时刻数据，保证电价数据区间为(-1，1)，归一化后的电价y′为：
Figure BDA0003259753080000021
式中e为某天某一时刻电价；emax和emin分别为当日电价的最大值和最小值。
确定输入量：设日期为d，时段为t′，归一化后电价为y′。输入量为历史电价，具体包括：预测时间段日期前一周相同时间段电价y′(d-7，t′)；预测时间段日期前一天相同时间段电价y′(d-1，t′)；预测时间段之前一个时间段的电价y′(d，t′-1)。
设计卷积神经网络电价预测模型：卷积核能够实现特征提取，并采用卷积算子实现卷积操作，运算过程如下：
Conv＝Q*c+b (1-2)；
式中Conv和Q分别为卷积核与卷积层的权值，c为卷积系数，b为卷积层的偏差，*为卷积运算。
非线性映射连接卷积层转变为激励层，选取ReLu函数作为卷积层神经网络的激活函数f(x)，此函数为：
f(x)＝max(0，x′) (1-3)；
x′为输入向量。
池化层要对输入特征进行下采样操作使用池化函数计算统计特征，选用最大池化方式进行计算，设池化窗口大小为r×z，r和z是常数，则池化输出Pool的计算公式为：
Figure BDA0003259753080000031
式中max(x′)为最大值池化值，m，nn为输出区域的长和宽上的位置。
卷积神经网络交替设置池化层与卷积层后，最终的预测输出使用全连接层实现，全连接层具体计算如下：
Figure BDA0003259753080000032
Figure BDA0003259753080000041
为某一时刻电价预测值，k为一个常数，ac是池化层转化为一维向量的输出。
卷积神经网络是一种多层的监督学习神经网络，隐含层的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块。隐含层分为低隐层、高隐层，低隐层是由卷积层和池化层交替组成，高隐层是全连接层。该神经网络模型通过采用梯度下降法最小化损失函数，并对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。
步骤A4：验证预测电价模型的有效性：当其当模型输出的预测值平均相对误差小于K3时，表明模型有效，即可使用。下式为平均相对误差∈计算过程：
Figure BDA0003259753080000042
式中N是预测样本数，
Figure BDA0003259753080000043
是预测电价值，en是真实电价值，K3为设定值。
步骤A5：将预测电价进行分类，并赋予相应的权值。
步骤二、建立基于卷积神经网络的优化调度模型：
步骤B1：采集K4条充电站历史充电数据，一般10000条以上。
步骤B2：预处理数据储存模块中的历史充电数据。根据每辆车对应的充电效率η、充电量De和充电桩充电功率P，得到对应的充电时间
Figure BDA0003259753080000044
并将一天划分为K5个时刻，即时隙Δtslot＝24/K5。根据时隙将历史充电数据中的达到时间t′arrive(时间点)、离开时间t′depart(时间点)以及得到的充电时间t′charge(时间段)标准化
Figure BDA0003259753080000045
i＝arrive，depart，charge。将预处理好的历史充电数据分为训练集和测试集。
步骤B3：定义状态集、动作集：
定义状态集s，即为状态空间s＝(t，Xs)。每个给定时间点t的总需求通过合并算法获得，需求使用二维网格表示，即状态矩阵Xs，x轴表示汽车的离开时间tdepart，y轴表示电动汽车的充电时间tcharge，即x＝tdepart，y＝tcharge。矩阵Xs可由特征集合
Figure BDA0003259753080000051
通过合并算法得到。
Figure BDA0003259753080000052
表示第Ns辆电动汽车的离开时间，
Figure BDA0003259753080000053
表示第Ns辆电动汽车的所需充电时间。
充电能延迟多长时间的充电灵活性，根据Xs的对角线推断出：
Figure BDA0003259753080000054
Smax是最大的决策时间段数，即Smax＝Lmax/Δtslot，Lmax是最大连接时间。
根据上述公式，矩阵Xs主对角线上的单元(即x＝y)中的电动汽车的灵活性为0，而Xs上对角线上的单元中的电动汽车是能进行优化调度安排(即可充电延迟)的。负tflex对应于Xs中较低对角线，表示无法满足其充电需求的电动汽车。
定义动作集：动作集即为动作空间。动作空间是在一种状态下采取的决策动作的集合，其单个元素表示是否对当前连接的电动汽车充电。
是否对当前连接的电动汽车充电用在状态s＝(t，Xs)采取的动作表示。将基于充电灵活性tflex做出决策。根据状态空间的表述，具有相同离开时间和充电时间(即相同充电灵活性tflex)的电动汽车会被合并到Xs的相同对角线上的单元中。将Xs的每个对角线表示为Xs(d)，其中d＝0，…，Smax-1，Xs(0)是主对角线，Xs(d)表示矩阵上三角的第d条对角线，而Xs(-d)是Xs的下三角的第d对角线。将
Figure BDA0003259753080000055
表示为单元中第d对角线上的电动汽车总数。假设电动汽车的充电需求全部给予满足，并且汽车的充电状态不会变成下三角对角线的单元格所属的情况，因此在状态s下采取的动作被定义为长度为Smax的向量us。只需要对在Xs的主对角线和上对角线上对汽车采取充电或者延迟的策略。使得动作空间相对较小，更易于探索。其中在每个时刻t中，动作向量us的第d个元素取值范围在[0，1]，us(d)＝0表示电动汽车均不充电，us(d)＝1表示电动汽车全部处于充电状态，us(d)为小数则代表采取延迟策略只有部分电动汽车充电，小数即为正在充电的电动汽车比例。为了进一步缩小探索动作空间的范围，规定Xs主对角线(Xs(0))上采取的动作us(0)取值只有1，即仅有全充电一个动作。Us表示状态s采取的动作的集合。
步骤B4：定义目标函数，也称成本函数：成本函数C(s，us，s′)包括电能消耗、充电费用、车辆到离开时间但还未充满电的惩罚。
C(s，us，s′)＝Cdemand(Xs，us)+Cpenalty(Xs，)+Celectricity(W，Nc) (2-2)；
Figure BDA0003259753080000061
Figure BDA0003259753080000062
Celectricity(W，Nc)＝NcWj，j＝1，2，...，K2 (2-5)；
Cdemand(Xs，us)是时刻中所有已连接的电动汽车对应的总负载，Cpenalty(Xs′)是未完成充电的惩罚函数，Celectricity(W，Nc)为当前时刻下的电价成本，Xs′表示在下一个状态s′下的状态矩阵，
Figure BDA0003259753080000063
表示在状态s下的第d个上对角线的电动汽车总数，Smax表示最大的决策时间段数，us(d)表示第d个上对角线所采取的动作，M为一个恒定的惩罚因子，
Figure BDA0003259753080000064
和
Figure BDA0003259753080000065
为第n辆汽车在状态s的离开时间和充电时间，Nc表示在状态s下充电的电动汽车数量，Wj表示该t时刻的电价权重，j是权重的分类。
步骤B5：搭建卷积神经网络：搭建类似步骤A3的卷积神经网络用作求解调度时成本函数的最小值。此卷积神经网络只含一个输入神经元和一个输出神经元，将当前时隙下定义好的状态和动作(s，u)以长度为
Figure BDA0003259753080000066
的形式作为输入进入输入层，最大决策数Smax＝K5，设置最大迭代次数T。采用动态规划的思想，从第一个决策时刻开始寻找每个时刻成本函数的最小值。输出Qn(s′，us′，)的计算公式：
Figure BDA0003259753080000067
其中Qn(s′，us′)的初始值为C(s，us，s′)，每次的输出均能保证整体的成本函数的累加和为最小。
使用Huber损失代替均方差误差，输出通过反向传播法训练模型，其使得卷积神经网络自动化调整卷积核的参数，最终使得求解准确性达到最大。在输出层输出当前成本函数最小值的同时读取相应的动作矩阵。当前成本函数最小值用作检测模型的有效性，动作矩阵即是充电的决策。
步骤B6：构造评价函数：此函数用来检测训练好的卷积神经网络模型是否有效。此函数是卷积神经网络的成本函数最小值输出
Figure BDA0003259753080000071
与充电站采用先到先充策略的成本函数值
Figure BDA0003259753080000072
的比值：
Figure BDA0003259753080000073
步骤B7：检测模型的有效性：上述比值小于K6(K6为一个设定值，但要小于1)，即认为模型有效。若比值K6大于1，说明调度***得到的充电策略不如先到先充的商业策略，求解神经网络训练次数不够，需要重新训练。
步骤B8：更新充电效率η：在第一次训练时，η取值为1。在第一次训练结束后，***会根据电动汽车具体的充电时间t″charge与信息读取模块读取的电池型号，更新每个电池型号的充电效率：
Figure BDA0003259753080000074
De为每辆电动汽车所需的充电量。
步骤三、协调充电优化调度***使用流程与电价预测模型、优化调度模型的自主更新：
步骤C1：训练模块根据历史电价数据和历史充电数据训练生成电价预测模型和优化调度模型，并分别存于电价预测模块与优化调度模块。
步骤C2：电动汽车进入充电站，连接充电桩时信息交互模块读取电池数据、充电特性以及读取与电池型号相对应的充电效率η。
步骤C3：将电动汽车的达到时间t′arrive、离开时间t′depart，输入优化调度***中的电价预测模块，其预测电动汽车充电期间的电价，并按照模糊C均值算法给出预测电价的权重。
步骤C4：达到时间t′arrive、离开时间t′depart、充电时间t′charge标准化输入优化调度***中的优化调度模块，其根据电动汽车的标准化后的到达时间、离开时间、充电时间、充电效率、预测电价权重，构建成本函数，再求解出目标函数的最小值，并输出求解过程中的动作集。动作集就是电动汽车充电的优化调度决策。若在下个时刻有新车辆进入充电场则对新车辆重新执行步骤C2～C4，加入实时优化调度之中。
步骤C5：当历史数据积累到设定数量后重新训练生成模型，将1/4的新历史数据作为新训练集加入到前一个以3/4数据量为训练集的老训练集中，组成1单位的训练集。3/4的新历史数据作为新的测试集，检测重新训练好后模型的有效性。在不断更新训练集的过程中，保证训练集为1单位。电价预测模型和优化调度模型均如此更新。
经过步骤C1～C4后，就完成了电动汽车协调充电的优化调度。步骤C5是模型的自主更新，使得模型能紧跟充电需求的变化和对电价的精准预测。
本发明利用数据驱动生成求解模型和成本函数，再经卷积神经网络进行实时优化调度，在满足电动汽车充电需求的情况下得到成本函数的最小值，完成充电的同时保证充电负载平衡和能量消耗、充电费用最小。本发明采用的调度方法泛化能力强，只要有充电历史数据，便能由数据驱动生成模型，完成实时调度。并且基于电价时变的情况，本发明将电价波动和各车充电效率不同两种因素考虑进去，更加贴近现实充电情况。以及在积累一定量的新数据后，调度软件中的训练模块会经卷积神经网络重新训练生成新的模型，使得其更加稳定和高效。
附图说明
图1是本发明的卷积神经网络神经元结构；
图2是本发明的整体流程图；
图3是本发明的预测电价模型训练流程图；
图4是本发明的优化调度模型训练流程图；
图5是调度软件中状态空间和动作空间变化图；
图6是本发明的调度实施流程图。
具体实施方式
下面结合附图说明本发明的具体实施方式。
一种电动汽车协调充电优化调度***，对于需要充电的车辆进行合理的优化调度，以达到充电负载平衡、能量消耗低、充电费用少的目的。执行如图2～4和图6的最优控制：
如图2所示，优化调度***中的训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中。当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度***中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。
步骤一、建立基于卷积神经网络的电价预测模型，如图3所示，具体包括如下步骤：
步骤A1：电价数据采集：并对数据进行预处理，即训练集与测试集准备：
零点作为新一天的开始。将1月到9月的预处理好的电价作为训练集，10月到12月的预处理后的电价数据作为测试集。
采集某年一整年的电价数据。此步骤所需要的数据有当地的每小时历史电价均值数据，此数据可通过电力公司的历史记录数据或是通过每天记录得到，保证数据的真实性和可用性。
步骤A2：数据分类，即将历史电价进行分类：
运用模糊C均值聚类算法，将历史电价数据分成5档并对应赋值(K2＝5)，W1＝1，W2＝2，W3＝3，W4＝4，W5＝5。此权重用于减小预测电价时，会出现的预测误差，提高最后充电调度算法的准确性。
步骤A3：搭建卷积神经网络预测电价模型：
神经元结构如图1所示，xi和wij分别为输入信号和输入信号的权重，bj和aj分别为神经元内部偏差和神经元输出。神经元输入与输出对应关系为：
Figure BDA0003259753080000091
式中f(·)为激励函数，本***选择ReLu函数。
归一化处理：对历史电价数据进行归一化处理，这是为了提高卷积神经网络的预测精度以及学习速度，避免出现过饱和的情况。使用以下公式归一化处理某天某一时刻数据，保证电价数据区间为(＝1，1)，归一化后的电价y′为：
Figure BDA0003259753080000101
式中e为某天某一时刻电价；emax和emin分别为当日电价的最大值和最小值。
确定输入量：设日期为d，时段为t′，归一化后电价为y′。输入量为历史电价，具体包括：预测时间段日期前一周相同时间段电价y′(d-7，t′)；预测时间段日期前一天相同时间段电价y′(d＝1，t′)；预测时间段之前一个时间段的电价y′(d，t′＝1)。
卷积神经网络电价预测模型设计：卷积神经网络与其他神经网络一样，不需要建立模型，就能完成从原始输入到期望输出的映射。其与传统神经网络最大的区别是卷积神经网络使用池化层与卷积层，卷积层中的卷积核能局部共享同层中的参数，从而使模型中的参数数量减少。卷积核能够实现特征提取，并采用卷积算子实现卷积操作，运算过程如下：
Conv＝Q*c+b (1-2)；
式中Conv和Q分别为卷积核与卷积层的权值，c为卷积系数，b为卷积层的偏差，*为卷积运算。
非线性映射连接卷积层转变为激励层，选取ReLu函数作为卷积层神经网络的激活函数f(x)，此函数为：
f(x)＝max(0，x′) (1-3)；
x′为输入向量。
池化层要对输入特征进行下采样操作，池化层要对输入特征进行下采样操作，使用池化函数计算统计特征，选用最大池化方式进行计算，设池化窗口大小为r×z，r、z均取2。池化输出Pool的计算公式为：
Figure BDA0003259753080000111
式中max(x′)为最大值池化值，m，nn为输出区域的长和宽上的位置。
卷积神经网络交替设置池化层与卷积层后，最终的预测输出使用全连接层实现，在计算前，需要先拉伸转换池化层的输出，使其成为一维向量形式才能完成全连接层计算，转换后的输出为ac，全连接层具体计算如下：
Figure BDA0003259753080000112
Figure BDA0003259753080000113
为某一时刻电价预测值，k为一个常数。采用反向传播方法训练神经网络使得卷积层权重Q内的系数稳定。
设置训练次数，训练多次后，停止训练。
步骤A4：检测模型有效性：
将10月到12月电价数据当作测试集。当模型输出的预测值平均相对误差小于5％时(即∈＜5％)，表明模型有效，即可使用，否则就要重新训练或是增加训练次数。下式为平均相对误差计算过程：
Figure BDA0003259753080000114
式中N是预测样本数，
Figure BDA0003259753080000115
是预测电价值，en是真实电价值。
步骤A5：预测电价归类，并赋予相应的权值：
根据步骤A2找到的聚类中心，将预测电价分类归档为五档中的一档，得到对应权值，用于后续求电价成本使用。
步骤二：如图4训练、生成有效的优化调度模型：
步骤B1：训练集数据准备：
此步骤所需要的数据有充电站的历史充电数据，此数据可以在充电站内直接采集到，可以保证数据的真实性和可用性。采集与电价数据对应年份的一整年充电数据，所需要的数据包括电动汽车的达到时间t′arrive(时间点)、离开时间t′depart(时间点)以及充电量De(kw·h)。为了能更好的求解出局部最优策略，本***中对于电动汽车的充电需求，将其转化为电动汽车电池充满所需要的时间t′charge(时间段)：
Figure BDA0003259753080000121
其中η是充电效率(车辆识别、电池识别得出)，P是充电桩充电功率(kw)。充电桩充电功率P可以直接从充电桩的产品参数中获取，η的获取在步骤B8阐述。
步骤B2：充电数据预处理：
规定9点为新的一天的开始，即今日9点到第二天9点为一整天。将两个小时划分为一个时刻，即时隙Δtslot＝2，记每天的9点到11点为第一个时刻，即t＝1；11点到13点为第二个时刻，即t＝2；以此类推，第二天的7点到9点为第十二个时刻，即t＝12。一天会被划分成12个时刻，用T来计数。将步骤B1中的三个时间标准化，即
Figure BDA0003259753080000122
i＝arrive，depart，charge.；
步骤B3：定义状态空间、动作空间：
定义状态空间：电动汽车充电特征：(i)电动汽车到达时间tarrive，(ii)电动汽车离开时间tdepart，(iii)需要的充电量和(iv)电动汽车充电率。对于(i)，由于假设不知道未来电动汽车的到达时间，因此在当前的电动汽车状态中不包括到达时间。对于(iii)和(iv)，在步骤B1和B2中已经转换成充电时间tcharge。因此，如果***中有Ns辆电动汽车，则其特征表示为如下所示集合：
Figure BDA0003259753080000123
上述式子中
Figure BDA0003259753080000124
表示第Ns辆电动汽车的离开时间，
Figure BDA0003259753080000125
表示第Ns辆电动汽车的所需充电时间。
对于每个状态s使用两个变量表示：时刻(t∈{1，…，Smax})和总需求(Xs)，因此状态空间s＝(t，Xs)。每个给定时间点t的总需求通过合并算法获得，需求可以使用二维网格表示，即矩阵Xs，x轴表示汽车的离开时间tdepart，y轴表示电动汽车的充电时间tcharge，即x＝tdepart，y＝tcharge。一个简单例子见图5(a)。总需求矩阵Xs具有尺寸Smax×Smax，最大的决策时间段数Smax取决于最大连接时间Lmax，即
Figure BDA0003259753080000131
这确保了最大电动汽车数量Nmax不会影响状态空间的大小。
充电可以延迟多长时间的充电灵活性，可以很容易地从Xs的对角线推断出：
Figure BDA0003259753080000132
Smax是最大的决策时间段数，即Smax＝Lmax/Δtslot，Lmax是最大连接时间。
根据式(2-1)，矩阵Xs主对角线上的单元(即x＝y)中的电动汽车的灵活性为0，而Xs上对角线上的单元中的电动汽车是可进行优化调度安排的(即可充电延迟)。负tflex对应于Xs中较低对角线，表示无法满足其充电需求的电动汽车。
定义动作空间：是否对当前连接的电动汽车充电用在状态s＝(t，Xs)采取的动作表示。我们将基于充电灵活性tflex做出决策。步骤B3所述，具有相同离开时间和充电时间(即相同充电灵活性tflex)的电动汽车会被合并到Xs的相同对角线上的单元中。我们将Xs的每个对角线表示为Xs(d)，其中d＝0，…，Smax-1，Xs(0)是主对角线，Xs(d)表示矩阵上三角的第d条对角线，而Xs(-d)是Xs的下三角的第d对角线。我们将
Figure BDA0003259753080000133
表示为单元中第d对角线上的电动汽车总数。由于我们假设电动汽车的充电需求全部给予满足，并且汽车的充电状态不会变成下三角对角线的单元格所属的情况，因此在状态s下采取的动作被定义为长度为Smax的向量us。因而只需要对在Xs的主对角线和上对角线上对汽车采取充电或者延迟的策略。这种设计选择使动作空间相对较小，因此更易于探索。其中在每个时刻t中，动作向量us的第d个元素取值范围在[0，1]，us(d)＝0表示电动汽车均不充电，us(d)＝1表示电动汽车全部处于充电状态，us(d)为小数则代表采取延迟策略只有部分电动汽车充电，小数即为正在充电的电动汽车比例。为了进一步缩小探索动作空间的范围，规定Xs主对角线(Xs(0))上采取的动作us(0)取值只有1，即仅有全充电一个动作。Us表示状态s可能采取的动作的集合。一个简单例子见图5(b)。一个简单的状态空间与动作空间变化的例子见图5(c)。
步骤B4：建立成本函数：
确保在每辆电动汽车离开前已完成充电需求及尽可能的降低电价成本，并且使得充电负载最小化。因此，通过动作us从状态s过渡到s′(下一个状态)成本函数包括三部分：
C(s，us，s′)＝Cdemand(Xs，us)+Cpenalty(Xs′)+Celectricity(W，Nc) (2-2)；
其中，Cdemand(Xs，us)是时刻中所有已连接的电动汽车对应的总负载，Cpenalty(Xs′)是未完成充电的惩罚函数，Celectricity(W，Nc)为当前时刻下的电价成本。
为了实现负载均衡，我们选择Cdemand作为时刻总负载的二次函数。总负载与要充电的电动汽车数量成正比。因此，C(s，us，s′)的第一部分为：
Figure BDA0003259753080000141
式子(2-3)中
Figure BDA0003259753080000142
表示状态s的第d个上对角线的电动汽车总数，Smax表示最大的决策时间段数，us(d)表示第d个上对角线所采取的动作。
由于在当前状态s＝(t，Xs)中采取动作us生成下一个状态s′＝(t+1，Xs′)。其第二项是跟下一个状态s′＝(t+1，Xs′)有关的一个惩罚项，意在出现电动汽车点亮未充满就离开的情况时大幅度增加成本函数，以确保电动汽车在离开前充满电。价值函数的第二部分为：
Figure BDA0003259753080000143
Xs′表示在下一个状态s′下的状态矩阵，M为一个恒定的惩罚因子，我们将其设置为大于2Nmax，以确保任何电动汽车的充电始终在出发前完成，Nmax为最大电动汽车数量，
Figure BDA0003259753080000151
和
Figure BDA0003259753080000152
为第n辆汽车的离开时间和充电时间。
根据预测电价得到的电价权重、电动汽车所需的总充电量以及当前电动汽车充电的最大数量，设计充电的分时电价成本，故成本函数的第三部分为：
Celectricity(W，Nc)＝NcWj，j＝1，2，...，K2 (2-5)；
式子(2-5)中Nc表示在状态s下最大电动汽车充电数量，Wj表示该t时刻的电价权重，j是权重的分类。(Wj如何得到具体见步骤A6)。
步骤B5：搭建卷积神经网络训练模型：基于步骤A3的神经网络框架和动态求解的思想，训练模型，训练次数为训练集最大数据数量。此卷积神经网络只含一个输入神经元和一个输出神经元，将当前时隙下定义好的状态和动作(s，u)以长度为
Figure BDA0003259753080000153
的形式作为输入进入输入层，最大决策数Smax＝12(K5＝12)。输出Qn(s′，us′)的计算公式：
Figure BDA0003259753080000154
其中Qn(s′，us′)的初始值为C(s，us，s′)，每次的输出均可以保证整体的成本函数的累加和为最小。使用Huber损失代替均方差误差，输出通过反向传播法训练模型，其使得卷积神经网络可以自动化调整卷积核的参数，最终使得求解准确性达到最大。并且在求解成本函数最小值时，读取动作矩阵，动作矩阵就是所需要的充电策略。
步骤B6构造评价函数：此函数用来检测训练好的卷积神经网络模型是否有效；此函数是卷积神经网络的成本函数最小值输出
Figure BDA0003259753080000155
与充电站采用先到先充策略的成本函数值
Figure BDA0003259753080000156
的比值：
Figure BDA0003259753080000157
步骤B7：检测模型有效性：求出充电站采用先到先冲策略的成本函数值
Figure BDA0003259753080000158
与我们求得的基于神经网络的成本函数值
Figure BDA0003259753080000161
相比：
Figure BDA0003259753080000162
式子比值小于1(K6＝1)，即认为模型训练有效可以使用。若大于1则需要扩大训练次数，重新训练。进一步检测求出基于全局最优解的成本函数值
Figure BDA0003259753080000163
与
Figure BDA0003259753080000164
相比：
Figure BDA0003259753080000165
此式子比值约接近1，表示模型训练效果越好。
步骤B8：更新充电效率η：
在第一次训练时，η取值为1。在第一次训练结束后，***会根据电动汽车具体的充电时间t″charge与信息读取模块读取的电池型号，更新每个电池型号的充电效率：
Figure BDA0003259753080000166
若出现有相同电池型号但所得充电效率的情况，则取平均值作为此型号电池的充电效率。充电效率不断更新，使得***更加贴近现实充电的情况。
步骤三、如图6使用优化调度***和模型自我更新：
步骤C1：训练模块根据历史电价数据和历史充电数据训练生成电价预测模型和优化调度模型，并分别存于电价预测模块与优化调度模块。
步骤C2：电动汽车进入充电站，连接充电桩时信息交互模块读取电池数据、充电特性以及读取与电池型号相对应的充电效率η。
步骤C3：将电动汽车的达到时间t′arrive、离开时间t′depart，输入调度软件中的电价预测模块，其预测电动汽车充电期间的电价，并按照模糊C均值算法给出预测电价的权重。
步骤C4：达到时间t′arrive、离开时间t′depart、充电时间t′charge标准化输入调度软件中的优化调度模块，其根据电动汽车的标准化后的到达时间、离开时间、充电时间、充电效率、预测电价权重，构建成本函数。
步骤C5：求解出成本函数的最小值，并输出求解过程中的动作集。动作集就是电动汽车充电的优化调度决策。若在下个时刻有新车辆进入充电场则对新车辆重新执行步骤C2～C4，加入实时优化调度之中重新求解。
步骤C5：电价预测模型和优化调度模型均如此更新
电价预测模型的自我更新：
新历史电价数据量达到老训练集数据量的一半时，便进行预测电价模型的自我更新。将1/2的新历史数据作为新训练集加入到前一个以3/4数据量为训练集的老训练集中，组成1单位的训练集。余下1/2的新历史数据作为新的测试集，检测重新训练好后模型的有效性。在不断更新训练集的过程中，保证训练集为1单位。即老训练集可划分为(H1 H2 H3)三个子集，新历史电价数据可划分为(N1 N2)两个子集。老训练集和新历史数据的第一个子集组成新的训练集(H1 H2 H3 N1)，N2则作为新的测试集。再次达到模型更新的数据量，产生新历史数据又可划分为(N3 N4)两个子集，N3与H2、H3、N1组成新的训练集(H2 H3 N1 N2)，N4则作为新的测试集。以此类推更新训练集和测试集，保证预测模型的时效性。
优化调度模型的自我更新：
与步骤C6一致，达到新历史数据量达到条件便按照上述方法更新训练集和测试集，重新训练优化调度模型，更新模型内部参数以便可以满足新的调度需求。
经过步骤C1～C4后，就完成了电动汽车协调充电的优化调度。步骤C5是模型的自主更新，使得模型能对电价进行精准预测和紧跟充电需求的变化。

Claims (4)

1.一种电动汽车协调充电优化调度***，其特征在于：包括信息交互模块、数据储存模块与优化调度***，其中优化调度***包括训练模块、电价预测模块与优化调度模块；
信息交互模块用于收集客户的电池数据、充电特性以及读取与电池型号相对应的充电效率，电池数据包括电池容量、剩余电量、电池型号；充电特性包括车辆的到达离开时间，以及根据电池数据和充电效率得到的充电时间；
数据储存模块储存已经完成充电的电动汽车电池数据、充电效率、充电特性、历史电价数据，历史充电数据包括电动汽车电池数据、充电效率、充电特性；
优化调度***中的训练模块根据数据储存模块中的历史电价数据和历史充电数据分别训练生成电价预测模型以及实时优化调度模型，并分别存放于电价预测模块和优化求解模块中；当有车辆到达，信息交互模块读取充电效率和电池数据，得到相应的充电特性，并将充电特性中的到达时间和离开时间输入优化调度***中的电价预测模块，得到预测电价权重；优化调度模块根据预测电价权重和充电特性得到成本函数，并在满足充电需求的情况下求解其最小值，得到充电决策。
2.如权利要求1所述的电动汽车协调充电优化调度***，其特征在于：所述的电价预测模型通过如下步骤建立：
步骤A1：准备K1条当地电价历史数据，并将数据集分为训练集和测试集；
步骤A2：采用模糊C均值算法将电价分成K2个类别，K2为设定值，找到每类的聚类中心，按照类别赋予相应的权重；
步骤A3：搭建卷积神经网络预测电价模型：在对历史电价数据进行归一化处理后，确定输入量，并搭建池化层和卷积层；
归一化处理：对历史电价数据进行归一化处理，使用以下公式归一化处理某天某一时刻数据，保证电价数据区间为(-1，1)，归一化后的电价y′为：
Figure FDA0003259753070000011
式中e为某天某一时刻电价；emax和emin分别为当日电价的最大值和最小值；
确定输入量：设日期为d，时段为t′，归一化后电价为y′；输入量为历史电价，具体包括：预测时间段日期前一周相同时间段电价y′(d-7，t′)；预测时间段日期前一天相同时间段电价y′(d-1，t′)；预测时间段之前一个时间段的电价y′(d，t′-1)；
设计卷积神经网络电价预测模型：卷积核能够实现特征提取，并采用卷积算子实现卷积操作，运算过程如下：
Conv＝Q*c+b (0-2)；
式中Conv和Q分别为卷积核与卷积层的权值，c为卷积系数，b为卷积层的偏差，*为卷积运算；
非线性映射连接卷积层转变为激励层，选取ReLu函数作为卷积层神经网络的激活函数f(x)，此函数为：
f(x)＝max(0，x′) (0-3)；
x′为输入向量；
池化层要对输入特征进行下采样操作使用池化函数计算统计特征，选用最大池化方式进行计算，设池化窗口大小为r×z，r和z是常数，则池化输出Pool的计算公式为：
Figure FDA0003259753070000021
式中max(x′)为最大值池化值，m，nn为输出区域的长和宽上的位置；
卷积神经网络交替设置池化层与卷积层后，最终的预测输出使用全连接层实现，全连接层具体计算如下：
Figure FDA0003259753070000022
Figure FDA0003259753070000023
为某一时刻电价预测值，k为一个常数，ac是池化层转化为一维向量的输出；
步骤A4：验证预测电价模型的有效性：当其当模型输出的预测值平均相对误差小于K3时，表明模型有效，下式为平均相对误差∈计算过程：
Figure FDA0003259753070000024
式中N是预测样本数，
Figure FDA0003259753070000025
是预测电价值，en是真实电价值，K3为设定值；
步骤A5：将预测电价进行分类，并赋予相应的权值。
3.如权利要求1所述的电动汽车协调充电优化调度***，其特征在于：所述的优化调度模型通过如下步骤建立：
步骤B1：采集K4条充电站历史充电数据；
步骤B2：预处理数据储存模块中的历史充电数据；根据每辆车对应的充电效率η、充电量De和充电桩充电功率P，得到对应的充电时间
Figure FDA0003259753070000031
并将一天划分为K5个时刻，即时隙Δtslot＝24/K5；根据时隙将历史充电数据中的达到时间t′arrive时间点、离开时间t′depart时间点以及得到的充电时间t′charge时间段，标准化
Figure FDA0003259753070000032
将预处理好的历史充电数据分为训练集和测试集；
步骤B3：定义状态空间、动作空间：
定义状态空间s＝(t，Xs)，每个给定时间点t的总需求通过合并算法获得，需求使用二维网格表示，即状态矩阵Xs，x轴表示汽车的离开时间tdepart，y轴表示电动汽车的充电时间tcharge，即x＝tdepart，y＝tcharge；矩阵Xs可由特征集合
Figure FDA0003259753070000033
通过合并算法得到；
Figure FDA0003259753070000034
表示第Ns辆电动汽车的离开时间，
Figure FDA0003259753070000035
表示第Ns辆电动汽车的所需充电时间；
充电能延迟多长时间的充电灵活性，根据Xs的对角线推断出：
Figure FDA0003259753070000036
Smax是最大的决策时间段数，即Smax＝Lmax/Δtslot，Lmax是最大连接时间；
根据上述公式，矩阵Xs主对角线上的单元、中的电动汽车的灵活性为0，而Xs上对角线上的单元中的电动汽车是能进行优化调度安排的；负tflex对应于Xs中较低对角线，表示无法满足其充电需求的电动汽车；
定义动作空间：动作空间是在一种状态下采取的决策动作的集合，其单个元素表示是否对当前连接的电动汽车充电；
是否对当前连接的电动汽车充电用在状态s＝(t，Xs)采取的动作表示，将基于充电灵活性tflex做出决策；根据状态空间的表述，具有相同离开时间和充电时间，即相同充电灵活性tflex的电动汽车会被合并到Xs的相同对角线上的单元中；将Xs的每个对角线表示为Xs(d)，其中d＝0，…，Smax-1，Xs(0)是主对角线，Xs(d)表示矩阵上三角的第d条对角线，而Xs(-d)是Xs的下三角的第d对角线；将
Figure FDA0003259753070000041
表示为单元中第d对角线上的电动汽车总数；假设电动汽车的充电需求全部给予满足，并且汽车的充电状态不会变成下三角对角线的单元格所属的情况，因此在状态s下采取的动作被定义为长度为Smax的向量us；只需要对在Xs的主对角线和上对角线上对汽车采取充电或者延迟的策略；其中在每个时刻t中，动作向量us的第d个元素取值范围在[0，1]，us(d)＝0表示电动汽车均不充电，us(d)＝1表示电动汽车全部处于充电状态，us(d)为小数则代表采取延迟策略只有部分电动汽车充电，小数即为正在充电的电动汽车比例；为了进一步缩小探索动作空间的范围，规定Xs主对角线(Xs(0))上采取的动作us(0)取值只有1，即仅有全充电一个动作；Us表示状态s采取的动作的集合；
步骤B4：建立目标函数，也称成本函数：成本函数C(s，us，s′)包括电能消耗、充电费用、车辆到离开时间但还未充满电的惩罚；
C(s，us，s′)＝Cdemand(Xs，us)+Cpenalty(Xs，)+Celectricity(W，Nc) (1-2)；
Figure FDA0003259753070000042
Figure FDA0003259753070000043
Celectricity(W，Nc)＝NcWj，j＝1，2，...，K2 (1-5)；
Cdemand(Xs，us)是时刻中所有已连接的电动汽车对应的总负载，Cpenalty(Xs′)是未完成充电的惩罚函数，Celectricity(W，Nc)为当前时刻下的电价成本，Xs′表示在下一个状态s′下的状态矩阵，
Figure FDA0003259753070000044
表示在状态s下的第d个上对角线的电动汽车总数，Smax表示最大的决策时间段数，us(d)表示第d个上对角线所采取的动作，M为一个恒定的惩罚因子，
Figure FDA0003259753070000045
和
Figure FDA0003259753070000046
为第n辆汽车在状态s的离开时间和充电时间，Nc表示在状态s下充电的电动汽车数量，Wj表示该t时刻的电价权重，j是权重的分类；
步骤B5：搭建卷积神经网络：搭建类似步骤A3的卷积神经网络用作求解调度时成本函数的最小值；此卷积神经网络只含一个输入神经元和一个输出神经元，将当前时隙下定义好的状态和动作(s，u)以长度为
Figure FDA0003259753070000047
的形式作为输入进入输入层，最大决策数Smax＝K5，设置最大迭代次数T；采用动态规划的思想，从第一个决策时刻开始寻找每个时刻成本函数的最小值；输出Qn(s′，us′)的计算公式：
Figure FDA0003259753070000048
其中Qn(s′，us′)的初始值为C(s，us，s′)，每次的输出均能保证整体的成本函数的累加和为最小；
使用Huber损失代替均方差误差，输出通过反向传播法训练模型，其使得卷积神经网络自动化调整卷积核的参数，最终使得求解准确性达到最大；在输出层输出当前成本函数最小值的同时读取相应的动作矩阵；当前成本函数最小值用作检测模型的有效性，动作矩阵即是充电的决策；
步骤B6：构造评价函数：此函数用来检测训练好的卷积神经网络模型是否有效；此函数是卷积神经网络的成本函数最小值输出
Figure FDA0003259753070000051
与充电站采用先到先充策略的成本函数值
Figure FDA0003259753070000052
的比值：
Figure FDA0003259753070000053
步骤B7：检测模型的有效性：上述比值小于K6即认为模型有效，K6为小于1的设定值；若比值大于1，说明调度***得到的充电策略不如先到先充的商业策略，求解神经网络训练次数不够，需要重新训练；
步骤B8：更新充电效率η：在第一次训练时，η取值为1；在第一次训练结束后，***会根据电动汽车具体的充电时间t″charge与信息读取模块读取的电池型号，更新每个电池型号的充电效率：
Figure FDA0003259753070000054
De为每辆电动汽车所需的充电量。
4.如权利要求2或3所述的电动汽车协调充电优化调度***，其特征在于：所述的协调充电优化调度***使用流程与电价预测模型、优化调度模型通过如下步骤自主更新：
步骤C1：训练模块根据历史电价数据和历史充电数据训练生成电价预测模型和优化调度模型，并分别存于电价预测模块与优化调度模块；
步骤C2：电动汽车进入充电站，连接充电桩时信息交互模块读取电池数据、充电特性以及读取与电池型号相对应的充电效率η；
步骤C3：将电动汽车的达到时间t′arrive、离开时间t′depart，输入优化调度***中的电价预测模块，其预测电动汽车充电期间的电价，并按照模糊C均值算法给出预测电价的权重；
步骤C4：达到时间t′arriυe、离开时间t′depart、充电时间t′charge标准化输入优化调度***中的优化调度模块，其根据电动汽车的标准化后的到达时间、离开时间、充电时间、充电效率、预测电价权重，构建成本函数，再求解出目标函数的最小值，并输出求解过程中的动作集；动作集就是电动汽车充电的优化调度决策；若在下个时刻有新车辆进入充电场则对新车辆重新执行步骤C2～C4，加入实时优化调度之中；
步骤C5：当历史数据积累到设定数量后重新训练生成模型，将1/4的新历史数据作为新训练集加入到前一个以3/4数据量为训练集的老训练集中，组成1单位的训练集；3/4的新历史数据作为新的测试集，检测重新训练好后模型的有效性；在不断更新训练集的过程中，保证训练集为1单位；电价预测模型和优化调度模型均如此更新；
经过步骤C1～C4后，就完成了电动汽车协调充电的优化调度；步骤C5是模型的自主更新，使得模型能紧跟充电需求的变化和对电价的精准预测。
CN202111069002.2A 2021-09-13 2021-09-13 一种电动汽车协调充电优化调度*** Pending CN113935580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111069002.2A CN113935580A (zh) 2021-09-13 2021-09-13 一种电动汽车协调充电优化调度***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111069002.2A CN113935580A (zh) 2021-09-13 2021-09-13 一种电动汽车协调充电优化调度***

Publications (1)

Publication Number Publication Date
CN113935580A true CN113935580A (zh) 2022-01-14

Family

ID=79275583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111069002.2A Pending CN113935580A (zh) 2021-09-13 2021-09-13 一种电动汽车协调充电优化调度***

Country Status (1)

Country Link
CN (1) CN113935580A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936195A (zh) * 2022-11-23 2023-04-07 合肥工业大学 智能小区能源优化方法、***、电子设备和存储介质
CN116985667A (zh) * 2023-09-27 2023-11-03 国网浙江省电力有限公司宁波供电公司 一种基于充电记录的充电桩充电方法以及充电桩服务器
CN117301899A (zh) * 2023-11-29 2023-12-29 江西五十铃汽车有限公司 一种电动汽车无线充电方法及***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936195A (zh) * 2022-11-23 2023-04-07 合肥工业大学 智能小区能源优化方法、***、电子设备和存储介质
CN116985667A (zh) * 2023-09-27 2023-11-03 国网浙江省电力有限公司宁波供电公司 一种基于充电记录的充电桩充电方法以及充电桩服务器
CN116985667B (zh) * 2023-09-27 2024-02-13 国网浙江省电力有限公司宁波供电公司 一种基于充电记录的充电桩充电方法以及充电桩服务器
CN117301899A (zh) * 2023-11-29 2023-12-29 江西五十铃汽车有限公司 一种电动汽车无线充电方法及***
CN117301899B (zh) * 2023-11-29 2024-03-15 江西五十铃汽车有限公司 一种电动汽车无线充电方法及***

Similar Documents

Publication Publication Date Title
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Hernandez et al. A survey on electric power demand forecasting: future trends in smart grids, microgrids and smart buildings
CN113935580A (zh) 一种电动汽车协调充电优化调度***
CN110555990B (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
CN112330215B (zh) 一种城市用车需求量预测方法、设备及存储介质
CN115018198B (zh) 一种考虑差异化需求响应方案的居民用户用电优化方法
Deng et al. User behavior analysis based on stacked autoencoder and clustering in complex power grid environment
CN111313449B (zh) 一种基于机器学习的集群电动汽车功率优化管理方法
Zhao et al. A novel long-term power forecasting based smart grid hybrid energy storage system optimal sizing method considering uncertainties
CN114066503A (zh) 一种基于构建虚拟服务片区进行出租车需求预测的方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN113159578B (zh) 基于强化学习的大型电动汽车充电站的充电优化调度方法
Ye et al. Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches
CN114997478A (zh) 基于混合多目标粒子群算法的新能源公交车充电调度方法
Bae et al. Inducing human behavior to alleviate overstay at PEV charging station
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
CN113807564A (zh) 基于两阶段强化学习的园区微网负荷优化调度方法及***
Souzanchi-K et al. A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features
CN111797981B (zh) 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法
Alikhani et al. Optimal demand response programs selection using CNN‐LSTM algorithm with big data analysis of load curves
Bao et al. How do metro station crowd flows influence the taxi demand based on deep spatial-temporal network?
CN118070134B (zh) 一种园区内用户用电能耗预测方法及***
Yuan et al. Reserve capacity prediction of electric vehicles for ancillary service market participation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination