CN113255954B - 一种混合同构异构深度图神经网络的充电时空预测方法 - Google Patents
一种混合同构异构深度图神经网络的充电时空预测方法 Download PDFInfo
- Publication number
- CN113255954B CN113255954B CN202011394571.XA CN202011394571A CN113255954B CN 113255954 B CN113255954 B CN 113255954B CN 202011394571 A CN202011394571 A CN 202011394571A CN 113255954 B CN113255954 B CN 113255954B
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- variable
- adaptive
- isomorphic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 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
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所提一种混合同构异构深度图神经网络的充电时空预测方法，该方法包含深度神经网络模块、多步自适应动态规划模块、图形神经网络模块和混合同构异构模块；深度神经网络模块实现从自动语言翻译到图像识别的功能，通过多层非线性变换对高复杂性数据建模；多步自适应动态规划模块包含自适应动态规划和自适应多步校正方法，用于解决大规模复杂非线性系统优化控制问题；图形神经网络模块构建电动汽车充电时空预测模型；混合同构异构模块包含同构网络和异构网络，其作用为处理同类和不同类信息；该方法能够有效地解决电动汽车充电负荷在时间和空间具有随机性难以预测的问题。
Description
技术领域
本发明属于电动汽车技术领域，涉及一种基于人工智能方法的充电时空预测方法，适用于电动汽车充电桩分布。
背景技术
现如今能源紧缺、气候变暖和环境污染等问题日益严重。机动车尾气污染是主要的大气污染源之一，对此不少国家和地区制定了禁售燃油汽车的时间表。例如，2019年3月，中国海南省出台《海南省清洁能源汽车发展规划》，在国内率先提出2030年实现省内全域禁止销售燃油汽车。在政策和市场的双重驱动下，电动汽车规模与充电需求必将迎来新一轮增长，大规模充电负荷接入将对电网安全稳定运行产生较大影响。因此，研究电动汽车充电负荷时空分布特性，对充电时空进行预测具有重要意义。
对于充电汽车充电负荷特性的研究最初聚焦于其时间分布特性。近年来，研究人员通过引入出行链、交通起止点分析等理论，对充电汽车充电负荷的空间分布特性展开了研究。一步步的深入对充电汽车充电时空的研究，考虑了充电行为的随机性和运营策略的不同，科研工作者提出了各种各样的方法来对电动汽车充电负荷时空进行预测，例如基于时空分布负荷预测的电动汽车预测方法、考虑时空分布于出行链的电单车负荷预测方法、考虑副部式光伏和电动汽车接入的配电网空间负荷预测方法等等。
本发明所提的一种混合同构异构深度图神经网络的充电时空预测方法，能够有效地解决传统电动汽车车主充电的随机性，并且根据当前充电行为对后续电动汽车充电时空进行预测。考虑到交通路况对车速和耗电量的影响、车主调整车速和路径以及有效避开路程最短但拥堵的道路对充电时空预测都有较大影响。因此，本发明提出一种混合同构异构深度图神经网络的充电时空预测方法。
发明内容
本发明提出一种混合同构异构深度图神经网络的充电时空预测方法。混合同构异构深度图神经网络的充电时空预测方法可以应用在复杂道路情况以及人流量大的充电桩分布中。该方法与传统的基于动态车流电动汽车负荷时空预测方法的区别：(1)形成的多步自适应动态规划能够解决传统的动态规划不适用于复杂非线性系统的实时控制问题；(2)混合同构异构深度图神经网络的充电时空预测方法不仅仅是简单对充电时空进行预测其还引入图形神经网络，提高了该方法的准确性。
一种混合同构异构深度图神经网络的充电时空预测方法包含深度神经网络模块、多步自适应动态规划模块、图形神经网络模块和混合同构异构模块。混合同构异构深度神经网络的充电时空预测方法中的深度神经网络系统的能量用公式(1)进行描述
式中，Zij为深度图神经网络中深度神经网络的连接权重；hi和fj分别为深度神经网络中第i个可见元和第j个隐含元；
和μj分别为深度神经网络中第i个可见元和第j个隐含元的偏置。
此时的(v,k)的联合概率分布为
式中，
为比例缩小因子。
各个深度神经网络中隐含元的激活概率计算公式为
式中，
被定义为激活函数，vi为第i个可见元。
各个可见元的激活概率为
动作的概率转换为
式中，ru为动作概率因子，u为可见元的激活概率。而概率的状态转换为
式中，rt为概率的状态转换因子，t表示状态。
本发明提出的一种混合同构异构深度图神经网络的充电时空预测方法中的多步自适应动态规划模块包含自适应动态规划与自适应多步校正方法。其中自适应动态规划融合动态规划、强化学习和神经网络，成为解决复杂非线性系统最优控制问题的一种有效方法。自适应动态规划基本思想是利用函数拟合方法近似动态规划中的性能指标函数，并且获得能够使该性能指标最小化的控制量。而自适应多步校正方法根据计算过程中求得的导数差值来自行选择二步计算或三步计算，以获得更高的求解精度；此外自适应多步校正方法将量化变量值作为状态变量的预测值，来扼制刚性系统的振荡，以提高方法的稳定性和仿真求解的精度。
自适应动态规划方法以数学形式表示由贝尔曼方程所揭示的动态规划原理，则对于当前时刻的性能指标函数V(r(k))及下一时刻的性能指标函数V(r(k+1))有如下关系：
V(r(k))＝l(r(k),a(k))+V(r(k+1)) (7)
其中r(k)为输入量，a(k)为控制量，l(r(k),a(k))为效用函数。
将自适应多步校正方法融入自适应动态规划，利用二步计算或三步计算思想来对动态规划中状态变量进行校正，提高数据的准确性。
自适应多步校正方法将状态量化系统方程近似为：
x(t)＝f(q(t),u(t)) (8)
式中，x(t)∈Rn为系统的状态向量，u(t)为输入向量，q(t)为量化变量，这里作为求x的一阶导数的预测值。设初始系统的状态量为xj,j＝1,....,n，其量化变量为qj,j＝1,....,n；当在时间点t，有上限量化变量预测值
和下限量化变量预测值
ΔQj为量子，
为上限状态变量预测值的导数、
为下限状态变量预测值的导数。状态变量预测值的导数
的取值方向跟随qj，qj在时间t上的取值为：
式中qj为量化变量预测值，qj(t)为t时刻的量化变量预测值，
为t时刻上限量化变量预测值，
为t时刻下限量化变量预测值，
为t时刻预测值导数为零时的量化变量预测值；如果
和
的符号相同，即
则其系统变量的运行轨迹确定，系统状态每次跃迁的时间为：
式中，Δtj为变量每次跃迁时间。此时，状态变量步长时间为：
式中：k为仿真执行的步数；
和
分别为此时时刻和上一时刻。
当k≤2时，状态变量值的计算公式为：
当k>2时，自适应多步校正方法使用多步计算思想对第k步进行校正。在求解刚性问题时，若系统方程的曲线在某一点突变，此时的曲线斜率会剧烈变化，该点的导数与前一点的导数不同，这时使用自适应多步校正方法对该点的状态变量进行校正。为保证求解的精度，将二步计算与三步计算求得的导数分别和第k步导数相比，选择导数与第k步导数相差较小的自适应多步校正方法。自适应多步校正之间的导数差计算公式为：
根据导数差值选择状态变量的计算公式为：
式中：当s>0时选择二步计算进行第k步状态变量的求解；当s<0是则选择三步计算进行第k步状态变量的求解。
本发明提出的一种混合同构异构深度图神经网络的充电时空预测方法中的图形神经网络模块被认为是将输入图结构作为计算图用于信息传递，在此传递过程中，本地领域信息被聚合，以获得更符合上下文的表示。从形式上看它具有以下形式。
定义：一般图形神经网络框架：假设Hl[t]是节点t在第(l)层图形神经网络的节点表示，则从(l-1)层到(l)层的更新过程为：
其中N(t)表示节点的所有源点，E(s，t)表示节点s到t的所有边。图形神经网络运算符是Extract(-)和Aggregate(-)。Extract(-)表示邻近信息提取器，Aggregate(-)为聚合运算器。以目标节点的表示法Hl[t]和两个节点间的边e为查询对象，邻近信息提取器从源节点的表示法Hl[s]中提取有用的信息。Aggregate(-)通过均值、总和、最大值等聚合运算符收集源节点的邻域信息，同时还可以收集更复杂的池化和归一函数。按照这个框架提出了各种(同质)图形神经网络架构以及图卷积网络，它对图中每个节点的一跳邻居进行平均，然后进行线性投影和非线性激活操作。异构图将卷积神经网络的聚合操作从平均数泛化为总和、最大值和一个循环神经网络单元。将注意力机制引入到图形神经网络中提出图注意力网络，使图注意力网络对同一邻域内的节点分配不同的重要性。
本发明提出的一种混合同构异构深度图神经网络的充电时空预测方法中的混合同构异构模块，其特征在于该方法中的异构图形定义为：异构图形(即异构信息网络)是真实世界复杂系统建模关系数据的重要抽象；从形式上它被定义为：
定义1.异构图：异构图形定义为定向图形G＝(V，E，A，R)；其中每个节点v∈V和每个边e∈E分别与其类型映射函数τ(v)：V→A和φ(e)E→R；
元关系：对于从源e节点链接到目标节点t的边e＝(s，t)其元关系表示为<τ(s)，φ(e)，τ(t)>；当然，φ(e)-1代表φ(e)；经典元路径范式被定义为异构序列，即元关系序列。
本发明提出的一种混合同构异构深度图神经网络的充电时空预测方法是一个解决复杂非线性系统最优控制问题的一种有效方法。该方法不仅能够有效的解决充电负荷在时间和空间具有随机性难以预测的问题。而且还将多步自适应动态规划与图形神经网络结合的同时加入了混合同构异构网络，提高了预测的准确性。电动汽车充电时空预测的步骤为
(1)将电动汽车充放电数据形成图片；
(2)将自适应多步校正方法与自适应动态规划相结合；
(3)形成多步自适应动态规划；
(4)将深度图神经网络与多步自适应动态规划相结合；
(5)建立交通路网模型、车辆时空转移模型、居民出行概率模型；
(6)建立电动汽车充电时空预测模型，对电动汽车充电时空进行预测。
附图说明
图1是本发明方法的混合同构异构深度图神经网络的示意图。
图2是本发明方法的多步自适应动态规划的结构。
图3是本发明方法的混合同构异构深度图神经网络方法示意图。
具体实施方式
本发明提出的一种混合同构异构深度图神经网络的充电时空预测方法，结合附图详细说明如下：
图1是本发明方法的混合同构异构深度图神经网络的示意图。同构网络是指所有节点在网络中具有相同功能的网络,即一个用户与下一个用户互换基本功能。例如，在固定电话网络中，每个节点(电话)基本上执行与其他任何节点相同的通讯功能，并且人们出于相同的原因而使用电话，电信网络通常是同类(同构)网络。
异构网络是指按功能和效用将节点分为两类或更多类的网络。例如，在Honeybook市场网络上，活动策划者与摄影师的行为不同，摄影师与花店的行为有所不同，eBay上的买方节点与卖方节点在网络中代表的内容不同，所以属性也不同。
该方法主要是将多步自适应动态规划与图形神经网络相结合，加入异质结构和同质结构。形成混合同构异构深度图神经网络，解决传统单一同质结构或异质结构所存在的不足之处；系统的预测能力得到了进一步提升；并且实时更新数据，有助于系统预测控制与优化性能的提升。
图2是本发明方法的多步自适应动态规划的结构。神经网络方法的强大之处在于，可任意精度对函数进行逼近。而在自适应动态规划中，应用神经网络的主要目的即是对该方法结构中出现的非线性函数进行近似。自适应动态规划融合动态规划、强化学习和神经网络，成为解决复杂非线性系统最优控制问题的一种有效方法其基本思想是利用函数拟合方法近似动态规划中的性能指标函数，并且获得能够使该性能指标最小化的控制量。
多步自适应动态规划主要结构由三部分构成：模型网络、执行网络和评价网络。执行网络分为执行网络1、执行网络2和执行网络3。评价网络又分为评价网络1、评价网络2。其中模型网络是对系统的数学表示或函数近似；执行网络通过最小化评价模块给出的性能指标函数，近似给出最优控制律；评价网络基于贝尔曼最优性原理更新参数，最终近似得到最优性能指标。三个网络均利用函数近似结构或神经网络进行拟合。执行网络和评价网络组成一个智能体，执行网络给出的使评价网络输出最小的控制量施加于系统后，由环境产生奖惩信号指导评价网络的更新，该思想即是强化学习的精髓。
模型网络利用神经网络对复杂系统进行函数逼近并使得系统方程可微，执行网络表示系统状态变量和控制变量之间的映射关系，评价网络根据贝尔曼所给出的方程指导信号更新网络参数，得出对性能指标的估计。
图3是本发明方法的混合同构异构深度图神经网络方法示意图。该方法不仅能够有效的解决电动汽车充电负荷在时间和空间具有随机性难以预测的问题，而且还将多步自适应动态规划与图形神经网络结合的同时加入了混合的同构异构网络，提高了预测的准确性。该方法即将实际得到的大量的电动汽车发电数据形成图片，利用混合同构异构深度图神经网络进行电动汽车充电时空的预测。
Claims (2)
1.一种混合同构异构深度图神经网络的充电时空预测方法，其特征在于，该方法包含深度神经网络模块、多步自适应动态规划模块、图形神经网络模块和混合同构异构模块；
异构图形定义为：异构图形是真实世界复杂系统建模关系数据的重要抽象；异构图形定义为定向图形G＝(V，E，A，R)；其中每个节点v∈V和每个边e∈E分别与其类型映射函数τ(v)：V→A和φ(e)E→R；对于从源e节点链接到目标节点t的边e＝(s，t)；其元关系表示为<τ(s)，φ(e)，τ(t)>；φ(e)-1代表φ(e)；
该方法能对电动汽车充电时间与空间进行实时预测；该方法中的深度神经网络系统的能量描述为：
式中，Zij为深度图神经网络中深度神经网络的连接权重；hi和fj分别为深度神经网络中第i个可见元和第j个隐含元；
和μj分别为深度神经网络中第i个可见元和第j个隐含元的偏置；电动汽车充电时空预测的步骤为：
(1)将电动汽车充放电数据形成图片；
(2)将自适应多步校正方法与自适应动态规划相结合；
而多步自适应校正方法根据计算过程中求得的导数差值来自行选择二步计算或三步计算，以获得更高的求解精度；此外该方法将量化变量值作为状态变量的预测值，来扼制刚性系统中出现的仿真数值振荡，以提高方法的稳定性和仿真求解的精度；
(3)形成多步自适应动态规划；
(4)将深度图神经网络与多步自适应动态规划相结合；
(5)建立交通路网模型、车辆时空转移模型、居民出行概率模型；
(6)建立电动汽车充电时空预测模型，对电动汽车充电时空进行预测。
2.权利要求1所述的一种混合同构异构深度图神经网络的充电时空预测方法，其特征在于，多步自适应动态规划包含自适应动态规划与自适应多步校正方法；其中自适应动态规划融合动态规划、强化学习和神经网络，成为解决复杂非线性系统最优控制问题的一种有效方法；自适应动态规划的基本思想是利用函数拟合方法近似动态规划中的性能指标函数，并且获得能够使该性能指标最小化的控制量；
自适应多步校正方法将状态量化系统方程近似为：
x(t)＝f(q(t),u(t))
式中，x(t)∈Rn为系统的状态向量，u(t)为输入向量，q(t)为量化变量；设初始系统的状态量为xj,j＝1,....,n，其量化变量为qj,j＝1,....,n；当在时间点t，有上限量化变量预测值
和下限量化变量预测值
ΔQj为量子，
为上限状态变量预测值的导数、
为下限状态变量预测值的导数；状态变量预测值的导数
的取值方向跟随qj，qj在时间t上的取值为：
式中qj为量化变量预测值，qj(t)为t时刻的量化变量预测值，
为t时刻上限量化变量预测值，
为t时刻下限量化变量预测值，
为t时刻预测值导数为零时的量化变量预测值；如果
和
的符号相同，即
则其系统变量的运行轨迹确定，系统状态变量每次跃迁的时间为：
式中，Δtj为变量每次跃迁时间；此时，状态变量步长时间为：
式中：k为仿真执行的步数；
和
分别为此时时刻和上一时刻；
当k≤2时，状态变量值的计算公式为：
当k>2时，自适应多步校正方法对第k步进行校正；在求解刚性问题时，若系统方程的曲线在某一点突变，此时的曲线斜率会剧烈变化，该点的导数与前一点的导数不同，这时使用自适应多步校正方法来对该点的状态变量进行校正；为保证求解的精度，将自适应多步校正方法求得的导数分别和第k步导数相比，选择导数与第k步导数相差较小的多步自适应多步校正方法；自适应多步校正之间的导数差计算公式为：
根据导数差值选择状态变量的计算公式为：
式中：当s>0时选择二步计算进行第k步状态变量的求解；当s<0是则选择三步计算进行第k步状态变量的求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011394571.XA CN113255954B (zh) | 2020-12-03 | 2020-12-03 | 一种混合同构异构深度图神经网络的充电时空预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011394571.XA CN113255954B (zh) | 2020-12-03 | 2020-12-03 | 一种混合同构异构深度图神经网络的充电时空预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255954A CN113255954A (zh) | 2021-08-13 |
| CN113255954B true CN113255954B (zh) | 2022-04-12 |
Family
ID=77180922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011394571.XA Active CN113255954B (zh) | 2020-12-03 | 2020-12-03 | 一种混合同构异构深度图神经网络的充电时空预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255954B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789253B (zh) * | 2024-02-23 | 2024-05-03 | 东北大学 | 一种基于双网络的视频行人重识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
| 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 |
| CN110289643A (zh) * | 2019-06-25 | 2019-09-27 | 广西大学 | 一种拒识深度微分动态规划实时发电调度与控制算法 |
| EP3567539A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models, reinforcement learning and finite-state automata |
| CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
| CN111582610A (zh) * | 2020-07-13 | 2020-08-25 | 清华四川能源互联网研究院 | 基于卷积神经网络对家庭能量分解的预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102057649B1 (ko) * | 2018-12-13 | 2019-12-19 | 주식회사 알고리고 | 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법 |
| CN110406526A (zh) * | 2019-08-05 | 2019-11-05 | 合肥工业大学 | 基于自适应动态规划的并联混合动力汽车能量管理方法 |
-
2020
- 2020-12-03 CN CN202011394571.XA patent/CN113255954B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067110A (zh) * | 2017-04-14 | 2017-08-18 | 天津大学 | 车‑路‑网模式下电动汽车充电负荷时空预测方法 |
| EP3567539A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models, reinforcement learning and finite-state automata |
| 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 |
| CN110289643A (zh) * | 2019-06-25 | 2019-09-27 | 广西大学 | 一种拒识深度微分动态规划实时发电调度与控制算法 |
| CN110909912A (zh) * | 2019-10-08 | 2020-03-24 | 西安交通大学 | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 |
| CN111582610A (zh) * | 2020-07-13 | 2020-08-25 | 清华四川能源互联网研究院 | 基于卷积神经网络对家庭能量分解的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据驱动的电动汽车充电需求预测;丁壮;《中国优秀硕士学位论文全文数据库》;20200215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255954A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN110969854A (zh) | 一种交通流量的预测方法、系统及终端设备 | |
| CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| Yang et al. | An indirect reinforcement learning based real-time energy management strategy via high-order Markov chain model for a hybrid electric vehicle | |
| CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
| Li et al. | A Kriging-based bi-objective constrained optimization method for fuel economy of hydrogen fuel cell vehicle | |
| CN111301397B (zh) | 一种插电混合动力汽车变时域模型预测能量管理方法 | |
| CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
| CN113255954B (zh) | 一种混合同构异构深度图神经网络的充电时空预测方法 | |
| Shitole et al. | Optimizing earth moving operations via reinforcement learning | |
| CN115107733A (zh) | 一种混合动力汽车的能量管理方法及系统 | |
| CN114971251A (zh) | 一种基于深度强化学习的共享电动汽车调度方法 | |
| CN110766066B (zh) | 一种基于fnn的张量异质集成车联网缺失数据估计方法 | |
| Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
| Gan et al. | Intelligent learning algorithm and intelligent transportation-based energy management strategies for hybrid electric vehicles: A review | |
| Wang et al. | Uncertainty estimation with distributional reinforcement learning for applications in intelligent transportation systems: A case study | |
| Caspari et al. | Optimal eco-routing for hybrid vehicles with powertrain model embedded | |
| Zhang et al. | A generalized energy management framework for hybrid construction vehicles via model-based reinforcement learning | |
| Hou et al. | Exploration the pathways of connected electric vehicle design: A vehicle-environment cooperation energy management strategy | |
| CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
| Xiaoqiang et al. | Graph convolution reinforcement learning for decision-making in highway overtaking scenario | |
| CN116758740B (zh) | 一种基于数字孪生和信息树的智慧交通高效模拟方法 | |
| CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
| CN110021168B (zh) | 一种车联网下实现实时智能交通管理的分级决策方法 | |
| Typaldos et al. | Modified dynamic programming algorithms for GLOSA systems with stochastic signal switching times |
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 |