[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

说明书

本发明公开了一种基于条件生成对抗网络的EV充电负荷计算方法，本发明考虑气温、交通拥堵、用户意愿建立精确的EV负荷预测模型，并将其预测结果作为真实数据。将气温、交通拥堵、用户意愿等负荷影响因素作为条件与噪声输入CGAN的生成模型并获取预测数据，然后将预测数据与真实数据分别输入CGAN的判别模型，通过CGAN的博弈训练，使生成模型以负荷影响因素为条件生成预测负荷数据。本发明提出的基于CGAN的方法，在网络训练完成后可以更改条件数据快速获得EV充电数据，为线上实时调度打下基础，也可以对一些非常见条件下的负荷进行快速预测，起到一定参考作用。

技术领域

本发明涉及电动汽车充电服务技术，具体涉及一种基于条件生成对抗网络的EV充电负荷计算方法。

背景技术

现有的EV充电负荷研究中，有研究人员使用BP神经网络、长短时记忆网络(longshort-term memory，LSTM)等对充电负荷进行预测并得不错的效果。但神经网络依赖大量历史数据，而EV处于发展初期，其充电负荷数据通常难以获得。因此使用神经网络和深度学习以数据驱动的方式直接预测充电负荷在现阶段难以推广。不少研究人员通过对EV出行路径、EV耗电、EV充电、交通拥堵等相关影响因素进行建模后以模型驱动的方式进行负荷预测。基于模型驱动的方法不需要EV历史充电数据，但融合“车-路-网-人”后的模型通常比较复杂，运算速度慢。针对以上问题本发明考虑将基于数据驱动的方法与基于模型驱动的方法相结合，通过基于模型驱动的方法获得精确的负荷数据，并将其作为深度学习网络的训练数据，虽然网络训练过程需要花费较长时间但最终训练好的网络可对负荷进行快速预测，为线上实时调度打下基础。

发明内容

本发明针对现有技术的不足，公开一种基于条件生成对抗网络 (conditionalgenerative adversarial network，CGAN)的EV充电负荷预测方法，将基于数据驱动的方法和基于模型驱动的方法相融合。本发明考虑气温、交通拥堵、用户意愿建立精确的EV负荷预测模型，并将其预测结果作为真实数据。将气温、交通拥堵、用户意愿等负荷影响因素作为条件与噪声输入CGAN的生成模型并获取预测数据，然后将预测数据与真实数据分别输入CGAN的判别模型，通过CGAN的博弈训练，使生成模型以负荷影响因素为条件生成预测负荷数据。本发明假定可以获得气温数据、道路拥堵系数、用户出行时间、用户出行目的地、用户目的地停留时间等必要息。所述方法具体按照以下步骤实施：

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；大部分私家车在一天之中绝大部分时间处于闲置状态，而运营车辆在一天中的大部分时间处于运行状态。另外，私家车的出行目的地相对于运营车辆更加单一、固定。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(Origin-Destination)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)