[发明专利]一种基于条件生成对抗网络的EV充电负荷计算方法

权利要求书

1.一种基于条件生成对抗网络的EV充电负荷计算方法，其特征在于，该方法具体包括以下步骤：

步骤1、根据调查问卷获取用户日常充电习惯、偏好；拟合用户有充电需求时的电量、每次充电结束时的电量的概率分布，拟合用户对于距离最近、充电成本最低、花费时间最少这三个方案排序的概率密度；

步骤2、构建用户出行模型

EV按照使用性质分为私家车运营车辆两类；考虑到私家车和运营车辆较大的运行差异，分别使用出行链和OD概率矩阵描述私家车和社会运营车辆的出行行为；

用户在一天之中会前往一个或多个地点活动，其出行的目的地节点构成的集合即为出行链，使用出行链表示私家车用户出行的具体表示如式(1)所示：

D＝{d₁,d₂,...,d_n,...} (1)

式中D为出行链对应的目的地集合；n为目的地序号；d₁为用户出行的出发点；

d_n为出行过程中的停留点；出行链所对应的路径集合可由式(2)表示：

P＝{p(d₁,d₂),p(d₂,d₃),...p(d_n-1,d_n),...} (2)

式中P表示出行链对应的路径集合，p(d_n-1,d_n)表示第n-1个目的地到第n个目的地间的路径；

各时间段区域内OD概率矩阵即可看作运营车辆出行目的地的概率分布，其具体表示如式(3)所示；

其中G(i)表示第i个时间段内的OD概率矩阵；r、w、b分别表示住宅区、工作区、商业区；g_w,r表示用户从工作区前往住宅区的概率；

步骤3、构建EV能耗模型；

当道路畅通时车辆可匀速行驶，车辆从i节点行驶到j节点花费时间t_i,j如式(4)所示：

其中，v为道路限制行驶速度，l_i,j表示i节点到j节点的距离；当道路发生拥堵时，拥堵程度越高,车辆行驶越缓慢，通过引入耗时系数修正行驶时间，具体如式(5)所示；

其中，为修正后的时间；δ_i为耗时系数；

EV能耗模型具体如式(6)所示：

其中，e_i,j为EV从节点i行驶到节点j消耗的电量；e_cf表示单位距离的动力能耗，l_i,j表示为i节点和j节点之间的距离；P_a为EV空调功率；为根据式(3)求得的行驶时间，E为EV电池容量；

步骤4、构建EV充电模型；

EV充电时长具体由式(7)表示：

其中，soc_e为用户结束充电时的电量；soc_s为用户开始充电时的电量；p为充电桩充电功率；η为充电桩充电效率；t_e为EV充满电后额外的停留时间，如果用户结束充电时电量小于电量最大值，则t_e为0；

步骤5、构建EV用户充电方案选择模型；

在用户需要充电时，假定用户可以收到调度中心推荐的三种充电方案，具体包括用户花费时间最短方案、充电站距离用户最近方案以及用户充电成本最低方案；用户收到推荐后选择其中一种方案前往充电站充电，其中用户对于充电方案的选择意愿通过调查问卷的形式获得；

步骤6、基于模型驱动的EV充电负荷预测

根据步骤2中的用户出行模型，计算EV电池电量的时空变化，其中EV在运行过程中的能耗由步骤3获得；每当用户到达一个目的地，判断其是否需要充电，如果需要充电根据步骤5选择充电方案；如果不需要充电，用户停留一段时间后前往下一个目的地；最后统计所需时刻的充电的车辆数量，其充电功率之和即为相应时刻的充电负荷，其具体如式(8)所示；

其中，load_i为i时刻的充电负荷；n为当前时刻正在充电的EV总数；p_j为第j辆EV的充电功率；

更改影响因素数据即可获取多种情况下的EV充电负荷值并将这些数据作为后续CGAN中的“真实”数据；

步骤7、构建CGAN生成器模型

生成器由一个深度LSTM层和一个全连接层组成，深度LSTM层具有4个隐藏层，每层有200个LSTM单位，隐藏层使用ReLU函数作为激活函数；模型的输入为影响因素数据和随机噪声；影响因素数据即为与步骤6中“真实”数据获取过程中相同的影响因素数据，具体包括日期类型、当日气温最低值、当日气温最高值、交通拥堵系数、用户产生充电需求时EV电量的概率分布、用户结束充电时EV电量的概率分布、用户充电方案选择排序的概率密度；随机噪声设为服从高斯分布的随机变量；模型的输出数据即为预测的负荷数据；

影响因素数据输入前还需要进行归一化处理；

步骤8、构建CGAN判别器模型

判别器由一个深度LSTM层和一个全连接层组成，深度LSTM层具有4个隐藏层，每层有200个LSTM单位，隐藏层使用ReLU函数作为激活函数；在全连接层使用sigmoid激活函数进行真假判断；基于模型驱动获得负荷数据、生成器生成的预测负荷数据分别与影响因素整合输入判别器，判别器输出输入数据为真实数据的概率；

步骤9、生成器模型和判别器模型进行博弈训练，使用训练好的生成器模型进行负荷预测；

当CGAN充分学习数据间关系达到平衡后，调整输入到生成器的条件数据即可获得不同条件下的负荷数据。