CN112784491A - 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 - Google Patents
一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 Download PDFInfo
- Publication number
- CN112784491A CN112784491A CN202110105816.0A CN202110105816A CN112784491A CN 112784491 A CN112784491 A CN 112784491A CN 202110105816 A CN202110105816 A CN 202110105816A CN 112784491 A CN112784491 A CN 112784491A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- iqpso
- lstm
- planning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 239000002245 particle Substances 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010276 construction Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,包括,采集待规划区域的用户行车轨迹、电网开关站位置及负载率、储备地块价格数据并进行第二预处理;将第二预处理后的所述数据与预测的充电需求作为多目标优化函数的输入值,结合AHP层次分析策略确定所述多目标优化函数的系数权重;利用量子粒子群优化策略求解所述多目标优化函数的全局最优解,得到充电网点的最优规划位置;根据所述最优规划位置的优化函数进行评分,将预测的充电负荷容量分配给各个规划网点,得到充电网点的最优规划位置和相应容量。本发明减少了局部波动数据对算法整体预测效果的干扰,并更快速、更灵活地捕捉全局和局部数据的关系。
Description
技术领域
本发明涉及电网、深度学习和最优化的技术领域,尤其涉及一种基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法。
背景技术
随着电动汽车和充电基础设施市场的不断扩大和国家大力发展新能源汽车的政策,电动汽车用户数量不断增加,用户对电动汽车充电服务的需求也随之提高;一方面,当前充电网点的建设缺乏依据,布局不均匀、选址不科学,导致了极为严重的供需矛盾,也就是存在某些充电网点利用率极低的“多桩闲置”和某些充电网点的“一桩难求”现象并存的极端情况;另一方面,充电网站选址决策因素众多、约束条件复杂、导致优化目标难以确定,因此,如何科学地规划和管理充电网点亟待解决的问题。
首先,现有的规划方法只是简单地预测未来的充电需求然后进行网点的选址定容,这会导致提前规划的网点无法适应未来的充电需求,或是数量过多导致充电桩闲置,亦或是数量不足导致无法满足充电需要;其次,传统的网点规划主要从电动汽车用户的便捷性或者是充电服务提供商的效益角度出发,没有充分考虑用户、企业和电网的综合成本,导致综合社会效益较低;最后,当前的规划方法没有充分考虑高弹性电网的建设,城市电动汽车作为一种新型负载会对电网产生重大影响,而现有方法无法有效的根据规划的网点对电网建设提供指导。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,能够解决规划和管理充电网点的难题。
为解决上述技术问题,本发明提供如下技术方案:包括,采集待规划区域的用户行车轨迹、电网开关站位置及负载率、储备地块价格数据并进行第二预处理;将第二预处理后的所述数据与预测的充电需求作为多目标优化函数的输入值,结合AHP层次分析策略确定所述多目标优化函数的系数权重;利用量子粒子群优化策略求解所述多目标优化函数的全局最优解,得到充电网点的最优规划位置;根据所述最优规划位置的优化函数进行评分,将预测的充电负荷容量分配给各个规划网点,得到充电网点的最优规划位置和相应容量。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:进行所述第二预处理之前还包括,收集待规划区域的历史充电负荷、人口密度、电动汽车保有量数据,进行第一预处理及序列化;基于注意力机制构建长短期记忆网络,将第一预处理后的所述数据作为所述长短期记忆网络的输入数据以进行预测,得到所述待规划区域未来充电需求。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:所述多目标优化函数包括,
F=c1DswitchUswitch+c2Pplot+c3Dcharge-c4Ddensity-c5Dstop+c6E
其中,Dswitch表示粒子与开关站的距离,越短优先级越高;Uswitch表示开关站负载率,负载率越低,c表示开关站裕量越多,优先级越高;Pplot表示表示土地价格,价格越低优先级越高;Dcharge表示各充电站点的惩罚值,如果两个站点距离过小,则增加一个惩罚值,用于防止两个站点位置过近,惩罚值越低优先级越高;Ddensity表示粒子与用户高密度重合地区的指标,即用户轨迹中用户经常经过的区域;Dstop表示粒子与用户长时间停留地区的指标,即用户轨迹中用户经常停留的区域;E表示电网弹性系数,为电网可调节负荷占电网总负荷的预期比例。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:所述第一预处理和所述第二预处理包括,去除所述数据中的id唯一属性;利用高维映射处理所述数据中的缺失值;根据特征二元化对处理的所述数据进行特征编码;基于规范化策略进行数据标准化和正则化处理。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:还包括,将全局优化最优解作为特征子集的评分原则以进行特征选择;利用稀疏编码获取所述数据的稀疏表达;依次对稀疏后的所述数据进行序列化。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:所述规范化包括,
其中,N为标准化策略适用于数据的最大值和最小值未知的情况、有超出取值范围的离群数据的情况,X为数据的原始值,i为标准化的次数,j为标准系数。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:得到所述全局最优解包括,利用MATLAB应用环境将所述多目标优化函数程序化;编写、调用量子粒子群优化程序并关联程序化后的所述多目标优化函数;利用所述量子粒子群优化策略将产生的系数权重变量赋值到所述多目标优化函数中;驱动所述多目标优化函数进行仿真计算得到所述全局最优解和所述最优规划位置。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:还包括,仿真计算获得多组满足约束条件的可行解并加以比较,求得前沿解;重复多次计算,得到可行解空间及Pareto前沿解集;提取所述解集中多组具有不同规划位置的最优解,并选择其中的最优解作为优化结果。
作为本发明所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的一种优选方案,其中:所述优化结果包括,所述充电网点的最优规划位置和相应容量。
本发明的有益效果:本发明基于神经网络预测区域内未来的充电需求,为了减少局部波动数据对算法整体预测效果的干扰,并更快速、更灵活地捕捉全局和局部数据的关系,对长短期记忆神经网络增加了注意力机制,神经网络对数据的不同部分给出不同程度的注意力;本发明为了减少电网、企业和用户的综合成本,建立了考虑用户需求、电网布局、建设成本等多个因素的多目标优化函数,从而基于量子粒子群优化算法求解多因素相互平衡的最优全局结果;本发明为了实现对高弹性电网建设的引导,基于维诺图确定充电网点的服务区域,从而对网点覆盖区域的电网开关站进行划分,当网点覆盖区域内没有开关站或者开关站不足时,建议在建设网点之前提前在相应范围内建设好开关站,来促进弹性电网和充电网点的协同发展。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的流程示意图;
图2为本发明一个实施例所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的基于注意力机制的长短期记忆神经网络示意图;
图3为本发明一个实施例所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法的量子粒子群优化算法示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图3,为本发明的第一个实施例,提供了一种基于LSTM((Long Short-Term Memory,是一种时间循环神经网络)与IQPSO(量子粒子群优化)
面向高弹性电网的城市充电网点规划方法,包括:
S1:采集待规划区域的用户行车轨迹、电网开关站位置及负载率、储备地块价格数据并进行第二预处理。参照图2,其中需要说明的是,进行第二预处理之前还包括:
收集待规划区域的历史充电负荷、人口密度、电动汽车保有量数据,进行第一预处理及序列化;
基于注意力机制构建长短期记忆网络,将第一预处理后的数据作为长短期记忆网络的输入数据以进行预测,得到待规划区域未来充电需求。
进一步的,第一预处理和第二预处理包括:
去除数据中的id唯一属性;
利用高维映射处理数据中的缺失值;
根据特征二元化对处理的数据进行特征编码;
基于规范化策略进行数据标准化和正则化处理;
将全局优化最优解作为特征子集的评分原则以进行特征选择;
利用稀疏编码获取数据的稀疏表达;
依次对稀疏后的数据进行序列化。
具体的,规范化包括:
其中,N为标准化策略适用于数据的最大值和最小值未知的情况、有超出取值范围的离群数据的情况,X为数据的原始值,i为标准化的次数,j为标准系数。
S2:将第二预处理后的数据与预测的充电需求作为多目标优化函数的输入值,结合AHP层次分析策略确定多目标优化函数的系数权重。本步骤需要说的是,多目标优化函数包括:
F=c1DswitchUswitch+c2Pplot+c3Dcharge-c4Ddensity-c5Dstop+c6E
其中,Dswitch表示粒子与开关站的距离,越短优先级越高;Uswitch表示开关站负载率,负载率越低,c表示开关站裕量越多,优先级越高;Pplot表示表示土地价格,价格越低优先级越高;Dcharge表示各充电站点的惩罚值,如果两个站点距离过小,则增加一个惩罚值,用于防止两个站点位置过近,惩罚值越低优先级越高;Ddensity表示粒子与用户高密度重合地区的指标,即用户轨迹中用户经常经过的区域;Dstop表示粒子与用户长时间停留地区的指标,即用户轨迹中用户经常停留的区域;E表示电网弹性系数,为电网可调节负荷占电网总负荷的预期比例。
S3:利用量子粒子群优化策略求解多目标优化函数的全局最优解,得到充电网点的最优规划位置。其中还需要说明的是,得到全局最优解包括:
利用MATLAB应用环境将多目标优化函数程序化;
编写、调用量子粒子群优化程序并关联程序化后的多目标优化函数;
利用量子粒子群优化策略将产生的系数权重变量赋值到多目标优化函数中;
驱动多目标优化函数进行仿真计算得到全局最优解和最优规划位置;
仿真计算获得多组满足约束条件的可行解并加以比较,求得前沿解;
重复多次计算,得到可行解空间及Pareto前沿解集;
提取解集中多组具有不同规划位置的最优解,并选择其中的最优解作为优化结果。
S4:根据最优规划位置的优化函数进行评分,将预测的充电负荷容量分配给各个规划网点,得到充电网点的最优规划位置和相应容量。参照图3,本步骤还需要说明的是:
初始化粒子群;
评估粒子得到的全局最优值是否满足约束条件;
若否,则直接结束全局搜索;
若是,则更新每个粒子的速度和位置,并评估每个粒子的适应值;
更新每个粒子的历史最优位置;
更新全体的全局最优位置,结束全局搜索。
优选的,本实施例还需要说明的是,本发明提供了一种基于长短期记忆神经网络与量子粒子群优化的面向高弹性电网的城市充电网点规划算法,一、为了减少局部波动数据对算法整体预测效果的干扰,并更快速、更灵活地捕捉全局和局部数据的关系,本实施例对长短期记忆神经网络增加了注意力机制,神经网络对数据的不同部分给出不同程度的注意力;二、为了减少电网、企业和用户的综合成本,本实施例建立了考虑用户需求、电网布局、建设成本等多个因素的多目标优化函数,从而基于量子粒子群优化算法求解多因素相互平衡的最优全局结果;三、为了实现对高弹性电网建设的引导,本实施例基于维诺图确定充电网点的服务区域,从而对网点覆盖区域的电网开关站进行划分,当网点覆盖区域内没有开关站或者开关站不足时,在建设网点之前提前在相应范围内建设好开关站,促进弹性电网和充电网点的协同发展。
实施例2
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例中选择以传统的蚁狮算法与采用本发明方法进行对比测试,以科学论证的手段对比试验试验结果,验证本发明方法所具有的真实效果。
传统的蚁狮算法无法减少局部波动数据对算法整体预测效果的干扰,不能灵活地捕捉全局和局部数据的关系,且对于电网、企业和用户的综合成本较高,进一步的,对于未来面向高弹性电网的城市充电网点规划不能进行准确的预测,为验证本发明方法相对于传统方法具有较好的抗干扰性、灵活性、预测准确性、优化性及较低的成本,本实施例中将采用传统的蚁狮算法和本发明方法分别对2023年的城市充电网点规划预测进行实时测量对比。
测试环境:将建模仿真虚拟城市充电网点运行在仿真平台模拟建设并模拟充电桩的使用,采用2010年至2020年的杭州市钱江世纪城区域充电网点规划作为测试样本,分别利用传统方法的蚁狮算法进行搜捕寻优测试并获得测试结果数据;采用本发明方法,则开启自动化测试设备并运用MATLB实现本发明方法的仿真测试,根据实验结果得到仿真数据,每种方法各测试100组数据,计算获得每组数据的最佳规划位置与容量值,与仿真模拟输入的预测值进行误差对比计算,结果如下表所示(部分结果示意)。
表1:本发明求得钱江世纪城区域2023年充电网点最佳规划位置与容量表。
编号 | 经度 | 纬度 | 容量kVA |
1 | 120.2446 | 30.240195 | 662 |
2 | 120.2526 | 30.22813 | 523 |
3 | 120.2493 | 30.23364 | 311 |
4 | 120.2501 | 30.25462 | 362 |
5 | 120.2371 | 30.23131 | 349 |
6 | 120.2361 | 30.24109 | 333 |
表2:传统方法求得钱江世纪城区域2023年充电网点最佳规划位置与容量表。
编号 | 经度 | 纬度 | 容量kVA |
1 | / | / | 645~670 |
2 | / | / | 512~530 |
3 | / | / | 310~324 |
4 | / | / | 353~379 |
5 | / | / | 349~351 |
6 | / | / | 326~335 |
参照表1和表2,能够直观的看出,在相同的测试条件下,由于蚁狮算法不能减少局部波动数据对算法整体预测效果的干扰,不能灵活地捕捉全局和局部数据的关系,故传统方法不能得出最佳规划位置,且其计算得到的容量值范围过大,不利于后期建设发展,即使能够提供建设条件,综合成本过高,而本发明方法则能够抵抗局部波动数据对算法整体预测效果的影响,能够快速、灵活地捕捉全局和局部数据的关系,对长短期记忆神经网络增加了注意力机制,神经网络对数据的不同部分给出不同程度的注意力,得到了准确的最佳规划位置和容量。
优选的是,参照表1,充电网点位置往往靠近行车密集区,说明布点有利于提高电动汽车用户充电的便捷性,但由于本发明还考虑到了电网和运营商因素,并不会完全与人口分布重合,能够最大化电网、企业和用户的综合效益,另外,充电网点覆盖区域的划分能够指导电网开关站设施的提前规划,促进高弹性电网建设。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:包括,
采集待规划区域的用户行车轨迹、电网开关站位置及负载率、储备地块价格数据并进行第二预处理;
将第二预处理后的所述数据与预测的充电需求作为多目标优化函数的输入值,结合AHP层次分析策略确定所述多目标优化函数的系数权重;
利用量子粒子群优化策略求解所述多目标优化函数的全局最优解,得到充电网点的最优规划位置;
根据所述最优规划位置的优化函数进行评分,将预测的充电负荷容量分配给各个规划网点,得到充电网点的最优规划位置和相应容量。
2.根据权利要求1所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:进行所述第二预处理之前还包括,
收集待规划区域的历史充电负荷、人口密度、电动汽车保有量数据,进行第一预处理及序列化;
基于注意力机制构建长短期记忆网络,将第一预处理后的所述数据作为所述长短期记忆网络的输入数据以进行预测,得到所述待规划区域未来充电需求。
3.根据权利要求2所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:所述多目标优化函数包括,
F=c1DswitchUswitch+c2Pplot+c3Dcharge-c4Ddensity-c5Dstop+c6E
其中,Dswitch表示粒子与开关站的距离,越短优先级越高;Uswitch表示开关站负载率,负载率越低,c表示开关站裕量越多,优先级越高;Pplot表示表示土地价格,价格越低优先级越高;Dcharge表示各充电站点的惩罚值,如果两个站点距离过小,则增加一个惩罚值,用于防止两个站点位置过近,惩罚值越低优先级越高;Ddensity表示粒子与用户高密度重合地区的指标,即用户轨迹中用户经常经过的区域;Dstop表示粒子与用户长时间停留地区的指标,即用户轨迹中用户经常停留的区域;E表示电网弹性系数,为电网可调节负荷占电网总负荷的预期比例。
4.根据权利要求2或3所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:所述第一预处理和所述第二预处理包括,
去除所述数据中的id唯一属性;
利用高维映射处理所述数据中的缺失值;
根据特征二元化对处理的所述数据进行特征编码;
基于规范化策略进行数据标准化和正则化处理。
5.根据权利要求4所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:还包括,
将全局优化最优解作为特征子集的评分原则以进行特征选择;
利用稀疏编码获取所述数据的稀疏表达;
依次对稀疏后的所述数据进行序列化。
7.根据权利要求6所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:得到所述全局最优解包括,
利用MATLAB应用环境将所述多目标优化函数程序化;
编写、调用量子粒子群优化程序并关联程序化后的所述多目标优化函数;
利用所述量子粒子群优化策略将产生的系数权重变量赋值到所述多目标优化函数中;
驱动所述多目标优化函数进行仿真计算得到所述全局最优解和所述最优规划位置。
8.根据权利要求7所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:还包括,
仿真计算获得多组满足约束条件的可行解并加以比较,求得前沿解;
重复多次计算,得到可行解空间及Pareto前沿解集;
提取所述解集中多组具有不同规划位置的最优解,并选择其中的最优解作为优化结果。
9.根据权利要求8所述的基于LSTM与IQPSO面向高弹性电网的城市充电网点规划方法,其特征在于:所述优化结果包括,所述充电网点的最优规划位置和相应容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105816.0A CN112784491B (zh) | 2021-01-26 | 2021-01-26 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105816.0A CN112784491B (zh) | 2021-01-26 | 2021-01-26 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784491A true CN112784491A (zh) | 2021-05-11 |
CN112784491B CN112784491B (zh) | 2024-04-16 |
Family
ID=75757313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110105816.0A Active CN112784491B (zh) | 2021-01-26 | 2021-01-26 | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784491B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN115375209A (zh) * | 2022-10-26 | 2022-11-22 | 北京宾理信息科技有限公司 | 一种公共充电站的供需分析方法、装置、存储介质及设备 |
CN117151653A (zh) * | 2023-10-25 | 2023-12-01 | 辰风策划(深圳)有限公司 | 一种基于人工智能的企业信息处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
CN108460487A (zh) * | 2018-03-07 | 2018-08-28 | 国网江苏省电力有限公司无锡供电分公司 | 基于apso算法的电动汽车快速充电站优化选址定容方法 |
CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
CN110837939A (zh) * | 2019-11-19 | 2020-02-25 | 国网四川省电力公司经济技术研究院 | 一种电网多目标项目筛选方法和系统 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112001113A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112134300A (zh) * | 2020-10-09 | 2020-12-25 | 国网江苏省电力有限公司无锡供电分公司 | 基于预约的电动汽车光储充电站滚动优化运行方法及系统 |
-
2021
- 2021-01-26 CN CN202110105816.0A patent/CN112784491B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025518A (zh) * | 2017-03-20 | 2017-08-08 | 中国电力科学研究院 | 一种电动汽车充电站规划方法及装置 |
CN108805321A (zh) * | 2017-05-02 | 2018-11-13 | 南京理工大学 | 一种电动汽车充电站规划方法 |
CN108460487A (zh) * | 2018-03-07 | 2018-08-28 | 国网江苏省电力有限公司无锡供电分公司 | 基于apso算法的电动汽车快速充电站优化选址定容方法 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110837939A (zh) * | 2019-11-19 | 2020-02-25 | 国网四川省电力公司经济技术研究院 | 一种电网多目标项目筛选方法和系统 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112001113A (zh) * | 2020-07-02 | 2020-11-27 | 浙江大学 | 一种基于粒子群优化长短时记忆网络的电池寿命预测方法 |
CN112134300A (zh) * | 2020-10-09 | 2020-12-25 | 国网江苏省电力有限公司无锡供电分公司 | 基于预约的电动汽车光储充电站滚动优化运行方法及系统 |
Non-Patent Citations (1)
Title |
---|
MENG WEI 等: "《State of Charge Estimation of Lithium-Ion Batteries Using LSTM and NARX Neural Networks》", 《IEEE ACCESS》, vol. 8, pages 1 - 10 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN113705922B (zh) * | 2021-09-06 | 2023-09-12 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN115375209A (zh) * | 2022-10-26 | 2022-11-22 | 北京宾理信息科技有限公司 | 一种公共充电站的供需分析方法、装置、存储介质及设备 |
CN117151653A (zh) * | 2023-10-25 | 2023-12-01 | 辰风策划(深圳)有限公司 | 一种基于人工智能的企业信息处理方法及系统 |
CN117151653B (zh) * | 2023-10-25 | 2023-12-29 | 辰风策划(深圳)有限公司 | 一种基于人工智能的企业信息处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112784491B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784491B (zh) | 一种基于lstm与iqpso面向高弹性电网的城市充电网点规划方法 | |
CN108491969B (zh) | 基于大数据的空间负荷预测模型构建方法 | |
CN109492950B (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
Wu et al. | Optimal site selection for distributed wind power coupled hydrogen storage project using a geographical information system based multi-criteria decision-making approach: a case in China | |
Wu et al. | A two‐stage decision framework for inland nuclear power plant site selection based on GIS and type‐2 fuzzy PROMETHEE II: Case study in China | |
CN109886533A (zh) | 一种基站建设的分析方法及装置 | |
Pahlavanhoseini et al. | Scenario-based planning of fast charging stations considering network reconfiguration using cooperative coevolutionary approach | |
CN105930900B (zh) | 一种混合风力发电的预测方法及系统 | |
CN110866636A (zh) | 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法 | |
CN112348404A (zh) | 一种村庄规划实施评估系统 | |
Mao et al. | Location planning of fast charging station considering its impact on the power grid assets | |
Jiang et al. | Optimal location of PEVCSs using MAS and ER approach | |
Kelly et al. | Sustainability, resiliency, and grid stability of the coupled electricity and transportation infrastructures: Case for an integrated analysis | |
Asadi et al. | A global evaluation model applied to wind power plant site selection | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN116136988B (zh) | 基于时空罗盘分布的配电网供电网格建设优选排序方法 | |
CN116720750B (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
CN114091213A (zh) | 一种电力通信网规划方案评价系统 | |
CN112712271A (zh) | 一种电网网格划分评价方法、系统、介质及电子设备 | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
CN113449936B (zh) | 城市空间演进模拟预测方法、装置、电子设备及存储介质 | |
CN104734201A (zh) | 一种电力系统中风电配送方案的确定方法及装置 | |
Liu et al. | Urban Residential Area Sprawl Simulation of Metropolitan “Suburbanization” Trend in Beijing | |
CN113723719B (zh) | 一种基于配变的近中期负荷预测方法、装置、设备及介质 | |
CN116244867A (zh) | 一种基于配电网智能规划的数字建模与仿真方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |