CN112036602A - 一种集成人机智能的5g电动汽车充电预测方法和系统 - Google Patents
一种集成人机智能的5g电动汽车充电预测方法和系统 Download PDFInfo
- Publication number
- CN112036602A CN112036602A CN202010723982.2A CN202010723982A CN112036602A CN 112036602 A CN112036602 A CN 112036602A CN 202010723982 A CN202010723982 A CN 202010723982A CN 112036602 A CN112036602 A CN 112036602A
- Authority
- CN
- China
- Prior art keywords
- charging
- electric vehicle
- data
- prediction
- representing
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- FLDSMVTWEZKONL-AWEZNQCLSA-N 5,5-dimethyl-N-[(3S)-5-methyl-4-oxo-2,3-dihydro-1,5-benzoxazepin-3-yl]-1,4,7,8-tetrahydrooxepino[4,5-c]pyrazole-3-carboxamide Chemical compound CC1(CC2=C(NN=C2C(=O)N[C@@H]2C(N(C3=C(OC2)C=CC=C3)C)=O)CCO1)C FLDSMVTWEZKONL-AWEZNQCLSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明的一种集成人机智能的5G电动汽车充电预测方法和系统，包括以下步骤：S100、获取电动汽车的充电行为数据；S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。本发明考虑到电动汽车固有的高移动性和低可靠性，提出了一种基于网络切片和边缘计算技术的5G智能电网架构，所提出的三层智能电网体系结构是实现混合人工智能算法的硬件基础。本发明提出了基于K均值的电动汽车充电行为聚类、基于K近邻(KNN)的电动汽车充电行为分类和基于LSTM的电动汽车充电行为预测的混合人工智能方法，多步混合预测过程有助于分析电动汽车的充电行为。
Description
技术领域
本发明涉及电力物联网技术领域，具体涉及一种集成人机智能的 5G电动汽车充电预测方法及系统。
背景技术
随着全球气候的不断变化和化石燃料的枯竭，传统的电网已经不能满足日益增长的能源需求，无法支持产业创新和改善人民生活水平。智能电网正在发展成为下一代电网，将电力基础设施与先进信息、人工智能、传感器和自动控制技术相结合来应对这些挑战。在上述多种技术的支持下，智能电网能够提供可靠、安全、经济、高效的供电服务。现今由于油价上涨、全球变暖、充电设施的发展以及电动汽车电池技术的进步，电车数量急剧上升。根据国际能源署(IEA)的预测，到2030年，道路上的电动汽车数量将达到1.25亿辆。考虑到电动汽车所需电能巨大，智能电网运营商需要通过分析电动汽车的充电行为来确定最优充电价格。从充电行为的角度，电动汽车用户可以分为正常用户和非正常用户。普通用户的收费行为具有一定的规律性。他们每天定时充电，每次充电量稳定。非正常用户的收费行为不规范。比如，由于旅途中电量不足，非正常用户只需选择附近的充电站充电，很长一段时间内不会在同一个充电站充电。电网运营商需要对电动汽车用户的充电行为进行分析，才能为高效、有目的地使用能源提供按需服务。然而，传统的电网由于传输延迟大、计算能力有限，无法有效地实现资源优化和先进的计费服务保障调度。
为了实现高效的电动汽车充电，最近许多提案都引入了网络切片的概念，在网络资源有限、运营成本较低的情况下，可以按需提供服务。已经有人提出了一种智能电网中的车辆延迟容忍网络，利用边缘计算技术将数据传输到电动汽车上。然而，随着电动汽车数量的增加，对低延迟车到网(V2G)服务的需求不断增加。最近，边缘计算技术引起了很大关注，它有潜力为电动汽车用户提供计算资源，以减少电网边缘的V2G延迟。此外，边缘计算还可以实现视频监控、城市交通、定位系统和应急等多种智能城市服务。尽管有这些优势，但采用网络分层和边缘计算的智能电网仍然缺乏预测电动汽车充电行为的能力，这对给电动汽车用户提供按需服务至关重要。
众所周知，深度学习算法可用于预测时间序列数据，如网络流量和用户行为。近年来，学者们一直试图利用递归神经网络(RNNs)来解决时间序列预测问题，RNNs是模式识别和时间序列预测的深度学习的一个重要分支。在电动汽车预测方面，研究者发现RNN比传统的深度学习有更好的性能。RNN可以对依赖于时间或序列的行为进行建模，如语音识别、金融市场、web流量等。然而，传统的RNN模型不能忽视其长期依赖性的弱点，这将导致梯度消失。作为RNN最常见的变体，长短期存储器(LSTM)被广泛应用于捕获长期依赖项。因此，LSTM更适合于电动汽车充电分析。目前已经有人采用了基于RNN的方法，通过预测电动汽车的轨迹和延迟来提高电动汽车的能耗。
下面简单介绍两种已有专利提出的电动汽车充电行为分析的策略：
方案一：专利号201310618439.6涉及一种基于单辆电动汽车充电预测的电动汽车实时充电方法，属于电力系统运行和控制技术领域。本发明利用单辆电动汽车未来充电行为的预测信息，在每个控制时刻考虑未来一段时间内的电力系统和电动汽车的运行状态，利用将入网单辆电动汽车充电行为的预测数据，建立相应的充电预测模型，并将预测模型纳入已入网充电汽车的实时滚动优化模型中，求解已入网汽车当前时刻的优化充电功率，在最终的控制方案中只对入网充电的电动汽车下发当前时刻的最优解。此方法有效提高了现有实时充电优化方法的效果，更好地削峰填谷，增加电力系统效益。
方案二：专利号201811447327.8涉及一种电动汽车负荷时间预测方法和系统，对电动汽车进行分类，得到车型类别，统计各车型类别的充电行为，基于充电行为，得到充电时长的概率密度函数和充电功率；根据充电时长的概率密度函数和充电功率，采用蒙特卡罗法生成车辆充电预测信息。本发明能够确定电动汽车集中换电站对电动汽车负荷的影响情况，并据此配置电动汽车集中换电站。
目前来说，考虑到用户充电行为的复杂性和电动汽车数量的庞大性，上述工作的预测精度不能满足5G智能电网电动汽车充电行为分析的要求。
发明内容
本发明提出的一种集成人机智能的5G电动汽车充电预测方法及系统，可解决当前预测方法的精度较低的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种集成人机智能的5G电动汽车充电预测方法，包括以下步骤：
S100、获取电动汽车的充电行为数据；
S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。
进一步的，所述电动汽车充电预测模型的预测步骤如下：
S21、获取充电记录作为模拟数据集，并做数据预处理；
S22、对处理后的数据集，进行基于K均值的电动汽车充电行为聚类；
S23、对于新用户数据，进行KNN的电动汽车充电行为分类；
S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划。
进一步的，所述S21、获取充电记录作为模拟数据集，并做数据预处理；
包括：
首先，对于记录小于设置值的用户，则从数据集中删除他们。
其次，选择了平均计费时间、计费时间标准差和连接时间标准差作为聚类向量；
如式(1)所示，使用线性归一化方法对数据进行归一化处理
X*＝(X-Xmin)/(Xmax-Xmin) (1)；
X＝(x1,x2,…,xn)表示输入数据，Xmax表示输入数据的最大值，Xmin表示输入数据的最小值。
进一步的，
所述S22、对处理后的数据集，做基于K均值的电动汽车充电行为聚类；
包括：
将数据分成K个簇；
计算矢量间距离，并根据计算结果，对距离最小的目标进行分类；
然后，将每个聚类对象的平均值作为一个新的初始点进行迭代计算，直到每个数据所属的分类保持不变；
其中，第n次迭代聚类中心的更新为式(2)；
Ck表示K个聚类对象的集合；
最后，在对K-means算法计算出的目标进行聚类后，利用机器学习方法对数据进行细化和重标号；
即聚类后，将结果标准化，并将用户数据导入到同一元组结构中，如式(3)所示；
μ：＝(tcharge，σcharge，σconnect) (3)
taharge表示平均计费时间，σaharge表示计费时间标准差，σconnear表示连接时间标准差。
进一步的，
所述S23、对于新用户数据，进行KNN的电动汽车充电行为分类；
包括：
使用k-最近邻方法根据已有的聚类结果对新用户进行分类；
其中，
训练错误率定义为K-最近训练样本标记与输入标记的比率，表示如下：
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本， cj表示第j个聚类对象；
此外，如果选择特定的K值，使训练集中的系数最大化；
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本， cj表示第j个聚类对象。
进一步的，
S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划；
包括：
采用RNN算法对自然语言进行识别；
将输入数据识别为X＝(x1,x2,…,xn)，LSTM的隐藏状态识别为H＝ (h1,h2,…,hn)，输出结果识别为Y＝(y1,y2,…,yn)，LSTM的计算如下：
ht＝H(Whxxt+Whhht-1+bh) (6)
pt＝Whyyt-1+by (7)
其中，权重表示为W，偏差表示为b；
LSTM的隐藏状态计算如下：
it＝σ(Wixxt+Whhht-1+Wicct-1+bi) (8)
ft＝σ(Wfxxt+Whhht-1+Wfcct-1+bf) (9)
ct＝fi*ct-1+it*g(Wcxxt+Whhht-1+Wccct-1+bc) (10)
ot＝σ(Woxxt+Whhht-1+Wocct-1+bo) (11)
ht＝ot*h(ct) (12)
式中，σ表示式(13)中所示的标准Sigmoid函数，*表示两个向量或矩阵的标量积，g和h分别表示驻波Sigmoid函数在[-2，2]和[-1， 1]范围内的扩展；
σ(x)＝1/(1+ex) (13)
其中，目标函数如公式(14)：
其中y为实际值，p为预测结果。
进一步的，在S24中采用了基于自适应学习率的随机梯度下降优化器。
另一方面，本发明公开一种集成人机智能的5G电动汽车充电预测系统，包括以下单元：
数据获取单元，用于获取电动汽车的充电行为数据；
数据处理单元，对电动汽车的充电请求数据进行处理；
充电行为预测和优化单元，用于对处理后的充电行为数据进行预测并优化充电计划。
还包括以下单元：
切片层结构，用于为智能电网提供端到端的网络片，用于充电服务；
控制层结构，用于对智能电网的网络资源进行控制，为不同层次的计费服务提供资源；
基础设施层结构，用于电动汽车用户提供无线接入资源。
进一步的，
所述基础设施层结构考虑端到端的计算能力和边缘计算的超低传输时延，从而保证混合人工智能的实时运行，这一层的充电站用来收集充电信息；基于计费服务、分布式控制和协调控制理论驱动了智能电网网络体系结构。
由上述技术方案可知，本发明的集成人机智能的5G电动汽车充电预测方法，提出5G智能电网架构，在这种架构下，智能电网和电动汽车之间的双向交通信息被收集，以改善电动汽车的充电体验，降低能源服务提供商的成本。此外，准确预测电动汽车的充电行为也是V2G 系统提高电动汽车调度效率的一个挑战。因此，本发明提出了一种基于混合人工智能的电动汽车充电行为预测方案，用于识别目标电动汽车并预测其充电行为。
本发明的技术优点如下：
1、本发明考虑到电动汽车固有的高移动性和低可靠性，为解决智能电网为电动汽车提供按需服务的问题，提出了一种基于网络切片和边缘计算技术的5G智能电网架构。所提出的三层智能电网体系结构是实现混合人工智能算法的硬件基础。
2、本发明提出了基于K均值的电动汽车充电行为聚类、基于K近邻(KNN)的电动汽车充电行为分类和基于LSTM的电动汽车充电行为预测的混合人工智能方法，多步混合预测过程有助于分析电动汽车的充电行为。
3、本发明提出的EV-CBA方案具有很好的聚类能力和分类性能，能够预测电动汽车的充电行为，预测结果可作为5G智能电网电动汽车充电调度的依据。
附图说明
图1是本发明的方法流程图；
图2是本发明的基于网络分层和边缘计算的智能电网三层体系结构；
图3是本发明实施例基于K-Means的电动汽车充电行为聚类算法的聚类结果；
图4是本发明实施例的不规则充电数据预测结果；
图5是本发明实施例的定期充电数据预测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
基于网络切片和边缘计算技术的5G智能电网架构，随着电力基础设施的快速发展和电动汽车数量的不断增加，车辆到电网(V2G)技术作为5G智能电网中的一种能源管理技术，引起了学术界和工业界的极大兴趣。考虑到电动汽车固有的高移动性和低可靠性，智能电网为电动汽车提供按需服务是一个巨大的挑战，为此本发明实施例提出5G智能电网架构。
如图1所示，本实施例所述的集成人机智能的5G电动汽车充电预测方法，包括以下步骤：
S100、获取电动汽车的充电行为数据；
S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。
其中，所述电动汽车充电预测模型的预测步骤如下：
S21、获取充电记录作为模拟数据集，并做数据预处理；
S22、对处理后的数据集，进行基于K均值的电动汽车充电行为聚类；
S23、对于新用户数据，进行KNN的电动汽车充电行为分类；
S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划。
以下具体说明：
图2是本发明实施例基于网络切片和边缘计算的智能电网网络体系结构；
本发明实施例设计了一种基于网络切片和边缘计算的智能电网架构，为实现混合人工智能算法提供了硬件基础。如图2所示，该体系结构由三层组成：切片层、控制层和基础设施层。
首先，切片层可以为智能电网提供端到端的网络片，用于充电服务。
其次，控制层可以对智能电网的网络资源进行控制，为不同层次的计费服务提供合适的资源。
第三，基础设施层可以为电动汽车用户提供无线接入资源。这种结构可以考虑端到端的计算能力和边缘计算的超低传输时延，从而保证混合人工智能的实时运行，这一层的充电站用来收集充电信息。基于计费服务、分布式控制和协调控制理论的技术驱动了智能电网网络体系结构。电动汽车充电服务是基于不定期或定期的电动汽车充电要求和从实际网络收集的充电信息，通过网络可视化和OpenFlow协议可以实现计费数据的传输和跨层控制。
以下基于上述结构，具体说明本发明的预测方法：
2.混合人工智能
1)数据集介绍和数据预处理
为了减轻电动汽车在电网中的充电负担，一种可能的解决方案是预测电动汽车用户的充电行为。从宏观上看，电动汽车用户可以分为普通用户和非普通用户。普通用户的收费行为具有一定的规律性。而非正常用户的收费行为没有规律性。一般情况下，标准差是根据每次充电的时间和量计算出来的，充电行为的稳定性是根据标准差来判断的。然而，无法得到一个合理的阈值。为此，采用机器学习的方法来解决这个问题，选择K-均值来对数据集进行分类。
使用洛杉矶一个充电站一年的充电记录作为模拟数据集。在聚类之前，对数据集进行预处理。首先，对于记录小于3的用户，认为他们不是本地用户，所以从数据集中删除他们。为了更好地区分规则用户和非规则用户，选择了平均计费时间、计费时间标准差和连接时间标准差作为聚类向量。如式(1)所示，使用线性归一化方法对数据进行归一化。
X*＝(X-Xmin)/(Xmax-Xmin) (1)
X＝(x1,x2,…,xn)表示输入数据，Xmax表示输入数据的最大值，Xmin表示输入数据的最小值。
2)基于K均值的电动汽车充电行为聚类
K-means是一种适用于无标记数据集分类的无监督学习算法。它可以将数据分成K个簇。计算矢量间距离的方法有很多，其中最常用的是欧几里德距离。根据计算结果，对距离最小的目标进行分类。然后，将每个聚类对象的平均值作为一个新的初始点进行迭代计算，直到每个数据所属的分类保持不变。其中，第n次迭代聚类中心的更新为式 (2)。
Ck表示K个聚类对象的集合；
K-means算法的主要缺点是初始K个聚类对象的随机选择可能导致局部最优。因此，使用混合人工智能算法来提高结果的准确性。在对K-means算法计算出的目标进行聚类后，利用机器学习方法对数据进行细化和重标号。聚类后，将结果标准化，并将用户数据导入到同一元组结构中，如式(3)所示：
μ：＝(tcharge，σcharge，σconnect) (3)；
tcharge表示平均计费时间，σcharge表示计费时间标准差，σconnect表示连接时间标准差。
图3基于K-Means的电动汽车充电行为聚类算法的聚类结果，如图3所示，机器学习算法将用户分为三类。通过分析，认为红蓝用户的标准差较低，具有规律性和可预见性的收费行为。相反，一些用户有不规则的收费行为，如图3所示，这些行为被划分为绿色区域。这类用户由于标准差较大，参与电网集中调度毫无价值。因此，采用混合人工智能算法将红、蓝色用户分为一类，绿色用户分为另一类。
3)基于KNN的电动汽车充电行为分类
当新用户加入时，需要根据他们的行为对他们进行分类。然而，当一辆新的电动汽车进入充电站时，对整个数据集进行重新聚类是一个巨大的挑战。因此，使用k-最近邻(KNN)方法根据已有的聚类结果对新用户进行分类。KNN是一种有监督的学习方法，用于通过测量新对象和标记对象之间的距离来对样本进行分类。
训练错误率定义为K-最近训练样本标记与输入标记的比率，表示如下：
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本， cj表示第j个聚类对象；
此外，如果选择合适的K值，则可以使训练集中的系数最大化。
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本， cj表示第j个聚类对象。
4)基于LSTM的电动汽车充电行为预测
由于RNN算法能够记住长时间序列，所以采用RNN算法对自然语言进行识别。然而，随着序列长度的增加，梯度消失问题通过将RNNs 展开成超深结构而突出。为了解决梯度消失的问题，提出了一些带遗忘单元的RNNs结构，如LSTM和GRU。这样，存储单元就可以决定何时可以忘记某些充电信息，从而确定最佳充电时间。在的预测模型中，加入softmax层和线性回归层来确定LSTM的最终输出。
将输入数据识别为X＝(x1,x2,…,xn)，LSTM的隐藏状态识别为H＝ (h1,h2,…,hn)，输出结果识别为Y＝(y1,y2,…,yn)，LSTM的计算如下：
ht＝H(Whxxt+Whhht-1+bh) (6)
pt＝Whyyt-1+by (7)
其中，权重表示为W，偏差表示为b。LSTM的隐藏状态计算如下：
it＝σ(Wixxt+Whhht-1+Wicct-1+bi) (8)
ft＝σ(Wfxxt+Whhht-1+Wfcct-1+bf) (9)
ct＝fi*ct-1+it*g(Wcxxt+Whhht-1+Wccct-1+bc) (10)
ot＝σ(Woxxt+Whhht-1+Wocct-1+bo) (11)
ht＝ot*h(ct) (12)
式中，σ表示式(13)中所示的标准Sigmoid函数，*表示两个向量或矩阵的标量积，g和h分别表示驻波Sigmoid函数在[-2，2]和[-1， 1]范围内的扩展。
σ(x)＝1/(1+ex) (13)
其中，预测模型的目标函数由以下公式给出：
其中y为实际值，p为预测结果。为了减少训练误差，避免局部最优，在bp-through-time(BPTT)算法中采用了基于自适应学习率的随机梯度下降(SGD)优化器Adam优化器。
3.仿真部分
本实验训练了基于混合人工智能的预测模型，并对其性能进行了测试。图4和图5分别示出了不规则充电数据和规则充电数据的预测结果。从结果来看，普通用户的预测值与真实数据非常接近，而非普通用户的收费行为则难以预测。实验结果表明，混合人工智能对常规充电数据具有良好的性能，但不规则充电数据难以预测。因此，预测常规电动汽车用户的充电行为对于制定最优电价具有重要意义，而考虑到预测，不规则电动汽车充电数据可以忽略不计。
由上可知，本发明实施例的集成人机智能的5G电动汽车充电预测方法，具备以下特点；
1、基于网络切片和边缘计算技术的5G智能电网架构，是三层智能电网体系结构是实现混合人工智能算法的硬件基础，为电动汽车提供按需服务。
2.EV-CBA方案具有很好的聚类能力和分类性能，采用基于K均值的电动汽车充电行为聚类、基于K近邻(KNN)的电动汽车充电行为分类和基于LSTM的电动汽车充电行为预测的混合人工智能方法，有助于预测电动汽车的充电行为。
仿真结果表明，所提出的预测方案在预测精度和调度效率方面均优于目前几种最新的电动汽车充电行为预测方法。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和 /或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种集成人机智能的5G电动汽车充电预测方法，其特征在于：包括以下步骤：
S100、获取电动汽车的充电行为数据；
S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。
2.根据权利要求1所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述电动汽车充电预测模型的预测步骤如下：
S21、获取充电记录作为模拟数据集，并做数据预处理；
S22、对处理后的数据集，进行基于K均值的电动汽车充电行为聚类；
S23、对于新用户数据，进行KNN的电动汽车充电行为分类；
S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划。
3.根据权利要求2所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述S21、获取充电记录作为模拟数据集，并做数据预处理；
包括：
首先，对于记录小于设置值的用户，则从数据集中删除他们。
其次，选择了平均计费时间、计费时间标准差和连接时间标准差作为聚类向量；
如式(1)所示，使用线性归一化方法对数据进行归一化处理
X*＝(X-Xmin)/(Xmax-Xmin) (1)；
X＝(x1,x2,…,xn)表示输入数据，Xmax表示输入数据的最大值，Xmin表示输入数据的最小值。
4.根据权利要求3所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：
所述S22、对处理后的数据集，做基于K均值的电动汽车充电行为聚类；
包括：
将数据分成K个簇；
计算矢量间距离，并根据计算结果，对距离最小的目标进行分类；
然后，将每个聚类对象的平均值作为一个新的初始点进行迭代计算，直到每个数据所属的分类保持不变；
其中，第n次迭代聚类中心的更新为式(2)；
Ck表示K个聚类对象的集合；
最后，在对K-means算法计算出的目标进行聚类后，利用机器学习方法对数据进行细化和重标号；
即聚类后，将结果标准化，并将用户数据导入到同一元组结构中，如式(3)所示；
μ：＝(tcharge，σcharge，σconnect) (3)
tcharge表示平均计费时间，σcharge表示计费时间标准差，σconneot表示连接时间标准差。
5.根据权利要求4所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：所述S23、对于新用户数据，进行KNN的电动汽车充电行为分类；
包括：
使用k-最近邻方法根据已有的聚类结果对新用户进行分类；
其中，
训练错误率定义为K-最近训练样本标记与输入标记的比率，表示如下：
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本，cj表示第j个聚类对象；
此外，如果选择特定的K值，使训练集中的系数最大化；
Y＝(y1,y2,…,yn)表示输出结果，K表示前K个新对象的训练样本，cj表示第j个聚类对象。
6.根据权利要求5所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：S24、基于LSTM的电动汽车充电行为进行预测并优化充电计划；
包括：
采用RNN算法对自然语言进行识别；
将输入数据识别为X＝(x1,x2,…,xn)，LSTM的隐藏状态识别为H＝(h1,h2,…,hn)，输出结果识别为Y＝(y1,y2,…,yn)，LSTM的计算如下：
ht＝H(Whxxt+Whhht-1+bh) (6)
pt＝Whyyt-1+by (7)
其中，权重表示为W，偏差表示为b；
LSTM的隐藏状态计算如下：
it＝σ(Wixxt+Whhht-1+Wicct-1+bi) (8)
ft＝σ(Wfxxt+Whhht-1+Wfcct-1+bf) (9)
ct＝fi*ct-1+it*g(Wcxxt+Whhht-1+Wccct-1+bc) (10)
ot＝σ(Woxxt+Whhht-1+Wocct-1+bo) (11)
ht＝ot*h(ct) (12)
式中，σ表示式(13)中所示的标准Sigmoid函数，*表示两个向量或矩阵的标量积，g和h分别表示驻波Sigmoid函数在[-2，2]和[-1，1]范围内的扩展；
σ(x)＝1/(1+ex) (13)
其中，目标函数如公式(14)：
其中y为实际值，p为预测结果。
7.根据权利要求6所述的集成人机智能的5G电动汽车充电预测方法，其特征在于：在S24中采用了基于自适应学习率的随机梯度下降优化器。
8.一种集成人机智能的5G电动汽车充电预测系统，其特征在于：包括以下单元：
数据获取单元，用于获取电动汽车的充电行为数据；
数据处理单元，对电动汽车的充电请求数据进行处理；
充电行为预测和优化单元，用于对处理后的充电行为数据进行预测并优化充电计划。
9.根据权利要求8的一种集成人机智能的5G电动汽车充电预测系统，其特征在于：
还包括以下单元：
切片层结构，用于为智能电网提供端到端的网络片，用于充电服务；
控制层结构，用于对智能电网的网络资源进行控制，为不同层次的计费服务提供资源；
基础设施层结构，用于电动汽车用户提供无线接入资源。
10.根据权利要求9的一种集成人机智能的5G电动汽车充电预测系统，其特征在于：
所述基础设施层结构考虑端到端的计算能力和边缘计算的超低传输时延，从而保证混合人工智能的实时运行，这一层的充电站用来收集充电信息；基于计费服务、分布式控制和协调控制理论驱动了智能电网网络体系结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723982.2A CN112036602A (zh) | 2020-07-24 | 2020-07-24 | 一种集成人机智能的5g电动汽车充电预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723982.2A CN112036602A (zh) | 2020-07-24 | 2020-07-24 | 一种集成人机智能的5g电动汽车充电预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112036602A true CN112036602A (zh) | 2020-12-04 |
Family
ID=73583127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010723982.2A Withdrawn CN112036602A (zh) | 2020-07-24 | 2020-07-24 | 一种集成人机智能的5g电动汽车充电预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036602A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418564A (zh) * | 2020-12-18 | 2021-02-26 | 深圳天顺智慧能源科技有限公司 | 基于lstm的充换电站换电负荷预测方法及其相关组件 |
| CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
| WO2024056210A1 (en) * | 2022-09-15 | 2024-03-21 | Mercedes-Benz Group AG | Method and system for smart allocation of charging station and computer program product |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229733A (zh) * | 2017-12-21 | 2018-06-29 | 中南大学 | 一种考虑用户满意度评价的电动汽车充电调度方法 |
| US20180219817A1 (en) * | 2017-01-30 | 2018-08-02 | Futurewei Technologies, Inc. | Personalized message priority classification |
| CN109087127A (zh) * | 2018-07-11 | 2018-12-25 | 国家电网公司 | 一种电动汽车充电用户的行为特征分析方法及装置 |
| CN109359784A (zh) * | 2018-11-29 | 2019-02-19 | 浙江华云电力工程设计咨询有限公司 | 计及运营商的电动汽车负荷时间预测方法和系统 |
| CN110889527A (zh) * | 2018-09-07 | 2020-03-17 | 国网甘肃省电力公司电力科学研究院 | 一种基于lstm神经网络的电动汽车充电负荷预测方法 |
| CN111325402A (zh) * | 2020-02-21 | 2020-06-23 | 东南大学 | 基于bp神经网络的电动汽车用户充电行为的预测方法 |
-
2020
- 2020-07-24 CN CN202010723982.2A patent/CN112036602A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180219817A1 (en) * | 2017-01-30 | 2018-08-02 | Futurewei Technologies, Inc. | Personalized message priority classification |
| CN108229733A (zh) * | 2017-12-21 | 2018-06-29 | 中南大学 | 一种考虑用户满意度评价的电动汽车充电调度方法 |
| CN109087127A (zh) * | 2018-07-11 | 2018-12-25 | 国家电网公司 | 一种电动汽车充电用户的行为特征分析方法及装置 |
| CN110889527A (zh) * | 2018-09-07 | 2020-03-17 | 国网甘肃省电力公司电力科学研究院 | 一种基于lstm神经网络的电动汽车充电负荷预测方法 |
| CN109359784A (zh) * | 2018-11-29 | 2019-02-19 | 浙江华云电力工程设计咨询有限公司 | 计及运营商的电动汽车负荷时间预测方法和系统 |
| CN111325402A (zh) * | 2020-02-21 | 2020-06-23 | 东南大学 | 基于bp神经网络的电动汽车用户充电行为的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁雪梅: "5G网络切片技术在国家电网中的应用探讨", 移动通信, pages 47 - 51 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418564A (zh) * | 2020-12-18 | 2021-02-26 | 深圳天顺智慧能源科技有限公司 | 基于lstm的充换电站换电负荷预测方法及其相关组件 |
| CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
| CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
| WO2024056210A1 (en) * | 2022-09-15 | 2024-03-21 | Mercedes-Benz Group AG | Method and system for smart allocation of charging station and computer program product |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Big data analytics for electric vehicle integration in green smart cities | |
| Jin et al. | Spatio-temporal recurrent convolutional networks for citywide short-term crowd flows prediction | |
| CN112036602A (zh) | 一种集成人机智能的5g电动汽车充电预测方法和系统 | |
| Lee | An analysis of the effects of artificial intelligence on electric vehicle technology innovation using patent data | |
| Lin et al. | Velocity prediction using Markov Chain combined with driving pattern recognition and applied to Dual-Motor Electric Vehicle energy consumption evaluation | |
| Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| CN103745110A (zh) | 纯电动公交车营运续驶里程估算方法 | |
| Chen et al. | A convolutional neural network-based driving cycle prediction method for plug-in hybrid electric vehicles with bus route | |
| Zhi et al. | A state of health estimation method for electric vehicle Li-ion batteries using GA-PSO-SVR | |
| Chen et al. | H-ConvLSTM-based bagging learning approach for ride-hailing demand prediction considering imbalance problems and sparse uncertainty | |
| CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
| Danté et al. | Online modeling and identification of plug-in electric vehicles sharing a residential station | |
| Mao et al. | Multi-time scale forecast for schedulable capacity of Electric Vehicle fleets using big data analysis | |
| CN116523093A (zh) | 基于随机源荷预测的能源系统的网格需求感知系统及方法 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
| Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
| Wu et al. | Driving style-aware energy management for battery/supercapacitor electric vehicles using deep reinforcement learning | |
| Shi et al. | Load Forecasting of Electric Vehicle Charging Stations: Attention Based Spatiotemporal Multi-Graph Convolutional Networks | |
| Boulakhbar et al. | Electric vehicles arrival and departure time prediction based on deep learning: the case of Morocco | |
| CN109117972A (zh) | 一种电动汽车的充电需求确定方法 | |
| Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
| CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201204 |
|
| WW01 | Invention patent application withdrawn after publication |