CN111325402A - 基于bp神经网络的电动汽车用户充电行为的预测方法 - Google Patents

基于bp神经网络的电动汽车用户充电行为的预测方法 Download PDF

Info

Publication number
CN111325402A
CN111325402A CN202010107611.1A CN202010107611A CN111325402A CN 111325402 A CN111325402 A CN 111325402A CN 202010107611 A CN202010107611 A CN 202010107611A CN 111325402 A CN111325402 A CN 111325402A
Authority
CN
China
Prior art keywords
data
neural network
function
loss function
omega
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
CN202010107611.1A
Other languages
English (en)
Inventor
谭林林
卞正达
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010107611.1A priority Critical patent/CN111325402A/zh
Publication of CN111325402A publication Critical patent/CN111325402A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

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

Abstract

本发明涉及了一种基于BP神经网络的电动汽车用户充电行为的预测方法，其包括以下步骤：步骤1、数据预处理。步骤2、确定神经网络的训练数据、验证数据和测试数据；步骤3、建立神经网络架构；步骤4、选择激活函数δ(z)和损失函数
Figure DDA0002388920090000012
成本函数J(w,b)；步骤5、从输入层向隐含层正向传播计算出损失函数
Figure DDA0002388920090000011
和成本函数J(w,b)；步骤6、判断算出的损失函数是否满足对误差的要求，若满足则跳至步骤7，若不满足则采用梯度下降法对权重矩阵ω偏置矩阵b进行修正，跳至步骤5用新算出的权重矩阵ω重新计算；步骤7、将训练得到的权重矩阵ω偏置矩阵b用于测试数据，将得到后的神经网络预测结果和真实结果做对比和评估。本发明为充电行为预测提供了一种可观且可靠的依据。

Description

基于BP神经网络的电动汽车用户充电行为的预测方法
技术领域
本发明属于电力系统技术领域，具体涉及一种基于BP神经网络的电动汽车用户充电行为的预测方法。
背景技术
电力系统负荷预测是配电网控制策略研究的一项重要依据。随着新能源与电动汽车的发展，电力负荷预测中的可变因素已经变得越来越多，特别是如今的电动汽车的发展，使我国电动汽车用户数量也随之增加，电动汽车作为一种有着较强的灵活性和可调度性的负载，既可以吸收电网的能量，也可以向电网充能，这就使配电网控制策略更加复杂，如果对电动汽车用户的充电行为进行有效的预测，则有助于实现电力负载的削峰填谷，缓解用电高峰时段电网的送电压力。
通过神经网络对电动汽车用户充电行为进行规律的探寻，可以在目标函数过于复杂而无法给出具体公式的情况下对用户充电行为进行预测，有助于对电动汽车精细化且有针对的管理。
到目前为止，充电车辆行为的仿真主要是基于概率分布函数，电动汽车的分类主要是基于充电车辆的类型，其运行规则也参考了日常生活中常见的情况。研究表明，仿真和分类的可靠性较低，不足以准确反映电动汽车的实际充电特性。
发明内容
本发明的目的是提供一种基于BP(Back Propagation)神经网络的电动汽车用户充电行为的预测方法，该方法通过考虑充电汽车电池的因素，包括电池容量、电池每公里电耗、电池的续航里程以及电池SOC(State of Charge)，由于这四个变量会影响用户是否充电，所以该发明通过神经网络这个黑箱在不知道自变量与因变量之间映射关系的条件下，预测用户的充电行为，其充电行为包括：充电和放电。
为达到上述技术效果，本发明采用如下技术方案：
本发明的基于BP神经网络的电动汽车用户充电行为的预测方法，该方法包括如下步骤：
步骤1：数据预处理；
步骤2：确定神经网络的训练数据：随机抽取预处理后的数据作为训练用数据、验证数据和测试数据；
步骤3：建立神经网络架构；
步骤4：选择激活函数δ(z)和损失函数
Figure BDA0002388920070000021
成本函数J(w,b)；
步骤5：从输入层向隐含层正向传播计算出损失函数
Figure BDA0002388920070000022
和成本函数J(w,b)；
步骤6：判断算出的损失函数是否满足对误差的要求，若满足则跳至步骤7；若不满足则采用梯度下降法对权重矩阵ω偏置矩阵bω进行修正，跳至步骤5用新算出的权重矩阵ω重新计算；
步骤7：将训练得到的权重矩阵ω偏置矩阵bωb用于测试数据，将得到后的神经网络预测结果和真实结果做对比和评估。
进一步地，所述步骤1具体包括：
将收集的用户充电数据通过Monte Carlo随机采样，将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量，并对其进行归一化处理，归一化处理的计算公式如下所示：
Figure BDA0002388920070000023
其中，xk为数据序列中第k个数据，xmin为数据序列中的最小值，xmax为序列中的最大值。
进一步地，所述步骤3具体包括：
所述步骤3中隐含层节点通过公式
Figure BDA0002388920070000024
可以计算出比较适合的隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为0-10之间的常数；
初始化惯性权重矩阵ω和学习因子α，由于该神经网络为输入层节点为n、隐含层节点为l，所以输入层和隐含层间的权重矩阵ω1为一个n×l的矩阵，隐含层和输出层之间的权重矩阵ω2为l×m的矩阵，且输入层和隐含层间的权重矩阵ω1和隐含层和输出层之间的权重矩阵ω2中的元素都为0到1之间随机生成的数。
进一步地，所述步骤4具体包括：
激活函数δ(z)和损失函数
Figure BDA0002388920070000025
成本函数J(w,b)的函数表达式如下：
设z＝ωTx+b，激活函数选择双曲正切函数，
Figure BDA0002388920070000026
损失函数选择
Figure BDA0002388920070000027
成本函数
Figure BDA0002388920070000028
其中,ωT为权重矩阵ω的转置矩阵、b为偏置矩阵ωTb，x为归一化后的输入层数据，
Figure BDA0002388920070000029
为正向传递后算出的y值。
进一步地，所述步骤6具体包括：
步骤6通过公式
Figure BDA00023889200700000210
对ω进行修正，其中α为学习率，对比进行
Figure BDA00023889200700000211
Figure BDA00023889200700000212
的修正。
有益效果：
本发明采用BP神经网络算法将历史数据对预测数据的影响计算进去，利用该算法可以将第一天的充电行为数据输入作为第二天的充电行为预测，从而对配电网做出相应的充电策略调节。
附图说明
图1是本发明的一个实施例中通过本发明的方法进行预测时的预测充电行为和实际充电行为的对比。
图2为本发明的一个实施例中神经网络架构的示意图
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实例：
实例1：通过汽车电池的四个因变量：电池容量、续航里程、单位电耗和电池SOC对用户充电行为(充电/不充电)，采用Monte Carlo随机采样得到37607组数据。
一种基于BP神经网络的电动汽车用户充电行为的预测方法，其在实例1中的应用如下：
步骤1：数据预处理。
步骤2：确定神经网络的训练数据。随机抽取30000个数据作为训练用数据，其他的剩余数据分为两类，其中5000个数据作为验证数据和2607个数据作为测试数据；
步骤3：建立神经网络架构。
步骤4：选择激活函数δ(z)和损失函数
Figure BDA0002388920070000031
成本函数J(w,b)。
步骤5：从输入层向隐含层正向传播计算出损失函数
Figure BDA0002388920070000032
和成本函数J(w,b)；
步骤6：判断算出的损失函数是否满足对误差的要求，若满足则跳至步骤7；若不满足则采用梯度下降法对ω进行修正，跳至步骤5用新算出的ω重新计算；
步骤7：将训练得到的ω和b矩阵用于测试数据，将得到后的神经网络预测结果和真实结果做对比和评估。
步骤1中的数据预处理具体做法为：将收集的用户充电数据通过Monte Carlo随机采样，将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量，37607个数据，数据类型包括所用车的电池容量、续航里程、单位电耗和电池SOC(State ofCharge)，其数据的数值的大小和单位都不一样，所以必须对数据进行预处理和归一化，归一化参数的计算公式如下所示：
Figure BDA0002388920070000033
其中，xk为数据序列中第k个数据，xmin为数据序列中的最小值，xmax为序列中的最大值。
步骤3中建立神经网络架构，确定输入层的输入节点有4个，输出层节点数为2，隐含层节点通过公式
Figure BDA0002388920070000041
可以计算出比较适合的隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为0-10之间的常数，根据需要进行随机取值；这里选择生成的神经网络架构为一个输入层节点为4、隐含层节点为10、输出层节点为2的神经网络。
初始化惯性权重矩阵ω和学习因子α，由于该神经网络为输入层节点为4、隐含层节点为10，所以输入层和隐含层间的权重矩阵ω1为一个4×10的矩阵，隐含层和输出层之间的权重矩阵ω2为10×2的矩阵，且矩阵ω1和ω2中的元素都为0到1之间随机生成的数。
步骤4中激活函数δ(z)和损失函数
Figure BDA0002388920070000042
成本函数J(w,b)的函数表达式如下：
设z＝ωTx+b，激活函数选择双曲正切函数，
Figure BDA0002388920070000043
损失函数选择
Figure BDA0002388920070000044
成本函数
Figure BDA0002388920070000045
其中,ωT为权重矩阵ω的转置矩阵、b为偏置矩阵ωTb，x为归一化后的输入层数据，
Figure BDA0002388920070000046
为正向传递后算出的y值。
步骤6通过公式
Figure BDA0002388920070000047
对ω进行修正，其中α为学习率，取0.05。
一共测试了100次，从图1中可以看出，将这100次中预测充电行为和实际充电行为(图中表示为正确率为100％的虚线)进行对比，用本方法的平均预测准确率为83.5205％，最高正确率为88.1089％，最低正确率为65.8228％，正确率在50％以下的次数为0次。

Claims (5)

1.一种基于BP神经网络的电动汽车用户充电行为的预测方法，其特征在于,该方法包括如下步骤：
步骤1：数据预处理；
步骤2：确定神经网络的训练数据：随机抽取预处理后的数据，将其分为训练用数据、验证数据和测试数据；
步骤3：建立神经网络架构；
步骤4：选择激活函数δ(z)和损失函数
Figure FDA0002388920060000016
成本函数J(w,b)；
步骤5：从输入层向隐含层正向传播计算出损失函数
Figure FDA0002388920060000017
和成本函数J(w,b)；
步骤6：判断算出的损失函数是否满足对误差的要求，若满足则跳至步骤7；若不满足则采用梯度下降法对权重矩阵ω偏置矩阵b进行修正，跳至步骤5用新算出的权重矩阵ω重新计算；
步骤7：将训练得到的权重矩阵ω和偏置矩阵b用于测试数据，将得到后的神经网络预测结果和真实结果做对比和评估。
2.如权利要求1所述的一种基于BP神经网络的电动汽车用户充电行为的预测方法，其特征在于，所述步骤1中所述数据预处理的具体做法为：将收集的用户充电数据通过MonteCarlo随机采样，将大数据类型、大数据数量转化为具有代表性的、能满足神经网络训练的数据量，并对其进行归一化处理，归一化处理的计算公式如下所示：
Figure FDA0002388920060000011
其中，xk为数据序列中第k个数据，xmin为数据序列中的最小值，xmax为序列中的最大值。
3.如权利要求1所述的一种基于BP神经网络的电动汽车用户充电行为的预测方法，其特征在于，所述步骤3中所述建立神经网络架构的过程中，确定隐含层节点通过公式
Figure FDA0002388920060000012
计算出隐含层节点数，其中l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为0-10之间的常数。
4.如权利要求1所述的一种基于BP神经网络的电动汽车用户充电行为的预测方法，其特征在于，所述步骤4中激活函数δ(z)和损失函数
Figure FDA0002388920060000013
成本函数J(w,b)的函数表达式如下：
设z＝ωTx+b，
激活函数选择双曲正切函数，
Figure FDA0002388920060000014
损失函数选择
Figure FDA0002388920060000015
成本函数
Figure FDA0002388920060000021
其中,ωT为权重矩阵ω的转置矩阵、b为偏置矩阵，x为归一化后的输入层数据，
Figure FDA0002388920060000022
为正向传递后算出的y值。
5.如权利要求1所述的一种基于BP神经网络的电动汽车用户充电行为的预测方法，其特征在于，所述步骤6所述采用梯度下降法对权重矩阵ω进行修正通过公式
Figure FDA0002388920060000023
对ω进行修正，其中α为学习率；采用同样的方法对偏置矩阵b进行修正，修正公式为
Figure FDA0002388920060000024
Figure FDA0002388920060000025
CN202010107611.1A 2020-02-21 2020-02-21 基于bp神经网络的电动汽车用户充电行为的预测方法 Pending CN111325402A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010107611.1A CN111325402A (zh) 2020-02-21 2020-02-21 基于bp神经网络的电动汽车用户充电行为的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010107611.1A CN111325402A (zh) 2020-02-21 2020-02-21 基于bp神经网络的电动汽车用户充电行为的预测方法

Publications (1)

Publication Number Publication Date
CN111325402A true CN111325402A (zh) 2020-06-23

Family

ID=71168868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010107611.1A Pending CN111325402A (zh) 2020-02-21 2020-02-21 基于bp神经网络的电动汽车用户充电行为的预测方法

Country Status (1)

Country Link
CN (1) CN111325402A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967696A (zh) * 2020-10-23 2020-11-20 北京国新智电新能源科技有限责任公司 基于神经网络的电动汽车充电需求预测方法、系统及装置
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和系统
CN112085564A (zh) * 2020-09-07 2020-12-15 电子科技大学 一种电动汽车电源共享系统及充电方法
CN113610429A (zh) * 2021-08-20 2021-11-05 青岛鼎信通讯股份有限公司 一种应用于光-储-充一体化电站的能量管理算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法
CN106599995A (zh) * 2016-12-09 2017-04-26 上海海事大学 一种根据海洋气象信息预测船舶航行气象因子的方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法
CN110287983A (zh) * 2019-05-10 2019-09-27 杭州电子科技大学 基于最大相关熵深度神经网络单分类器异常检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法
CN106599995A (zh) * 2016-12-09 2017-04-26 上海海事大学 一种根据海洋气象信息预测船舶航行气象因子的方法
CN110046787A (zh) * 2019-01-15 2019-07-23 重庆邮电大学 一种城市区域电动汽车充电需求时空预测方法
CN110287983A (zh) * 2019-05-10 2019-09-27 杭州电子科技大学 基于最大相关熵深度神经网络单分类器异常检测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜佳豪: "logistic回归损失函数" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和系统
CN112085564A (zh) * 2020-09-07 2020-12-15 电子科技大学 一种电动汽车电源共享系统及充电方法
CN111967696A (zh) * 2020-10-23 2020-11-20 北京国新智电新能源科技有限责任公司 基于神经网络的电动汽车充电需求预测方法、系统及装置
CN113610429A (zh) * 2021-08-20 2021-11-05 青岛鼎信通讯股份有限公司 一种应用于光-储-充一体化电站的能量管理算法
CN113610429B (zh) * 2021-08-20 2023-06-30 青岛鼎信通讯股份有限公司 一种应用于光-储-充一体化电站的能量管理算法

Similar Documents

Publication Publication Date Title
CN111325402A (zh) 基于bp神经网络的电动汽车用户充电行为的预测方法
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
CN103018673B (zh) 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
CN113655385B (zh) 锂电池soc估计方法、装置及计算机可读存储介质
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
CN112622693A (zh) 一种电池管理方法、装置及车辆
CN112103580B (zh) 一种基于等效内阻的锂电池充电方法
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
CN113554200B (zh) 动力电池电压不一致性预测方法、系统及设备
CN109346787B (zh) 一种电动汽车动力电池自适应优化充电方法
CN113406525A (zh) 一种基于优化变分模态分解的锂电池组剩余寿命预测方法
CN111257770B (zh) 一种电池包功率估算方法
CN116703464A (zh) 电动汽车充电需求建模方法、装置、电子设备及存储介质
CN116298936A (zh) 在不完全电压范围内的锂离子电池智能健康状态预测方法
CN115754726A (zh) 一种电池寿命预测及维持方法、电子设备和存储介质
CN115186579A (zh) 一种基于容量增量变化量曲线的锂电池健康状态估计方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN113435663A (zh) 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法
CN110927584B (zh) 一种基于神经网络的电池寿命延长预测方法
CN116679213A (zh) 基于集成深度学习的电动汽车动力电池soh估算方法
CN114707239B (zh) 电能资源分配规划方法、装置和电子设备
CN116774045A (zh) 一种基于hho-svr的锂电池健康状态预测方法

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