CN116386215B - 一种基于人流量用于移动电箱的智能充电方法 - Google Patents

Abstract

本发明公开了一种基于人流量用于移动电箱的智能充电方法，预先获取影响人流量的数据集，并划分为训练集和测试集；构建IBWOA‑RF‑LSTM人流量预测模型并对其进行训练，通过RF‑LSTM预测模型对人流量进行预测，采用改进黑寡妇优化算法IBWOA优化RF‑LSTM预测模型参数；结合人流量预测结果、当前电池电量状态，对电池充电的个数以及充电的时长进行智能调节。本发明通过短期流量预测模型预测结果，结合当天天气状况以及历史天气数据，对当天移动电瓶充电个数以及充电时长进行合理控制，能够使电池处于最佳状态，有效延迟电池的使用寿命，提高了能源利用率。

Description

一种基于人流量用于移动电箱的智能充电方法

技术领域

本发明属于新能源领域，具体涉及一种基于人流量用于移动电箱的智能充电方法。

背景技术

我国对新能源产业的发展越来越注重，而随着电动汽车的日益普及，电池充电设备的系统优化也变得越来越重要。移动电瓶充电箱加入电池充电优化系统是为了更好的调节充电量，提高能源利用率。若长短期记忆网络发生故障，就失去了对电池充电的记忆，不能对电池充电历史流量数据进行分析，无法获取流量预测模型，影响电池的充电效能、降低能源使用效率。而随着电动车市场化的普及，电池使用频次逐步上升，随机森林的使用，根据模型预测结果，智能调节充电量，保持电池电量处于最佳状态，减小能源的消耗就显得尤为重要。如果一个电池一直保持是过度充电或者过量放电在充电和放电状态，它会导致一系列的问题，如电池的内部阻力的增加、锂阳极的能力降低等。

因此需要一种充放电调节方法，既能够预测分析处理，获取人流量预测模型，又能根据模型预测结果，智能调节充电量，保持电池电量处于最佳状态，在实际情况下保障储能设备高效稳定运行。

发明内容

发明目的：本发明目的在于提供一种基于人流量用于移动电箱的智能充电方法，对历史数据进行分析、预测、根据预测结果对充电箱进行智能调节，优化智能充电状态，提高电池寿命，提高能源利用率。

技术方案：本发明提供一种基于人流量用于移动电箱的智能充电方法，具体包括以下步骤：

(1)预先获取影响人流量的数据集，并划分为训练集和测试即；

(2)构建IBWOA-RF-LSTM人流量预测模型并对其进行训练，通过RF-LSTM预测模型对人流量进行预测，采用改进黑寡妇优化算法IBWOA优化RF-LSTM预测模型参数；

(3)结合人流量预测结果、当前电池电量状态，对电池充电的个数以及充电的时长进行智能调节。

进一步地，所述影响人流量的数据集包括天气影响因素、节假日影响因素以及人流量历史数据。

进一步地，步骤(2)所述的RF-LSTM预测模型建模过程如下所示：

构建LSTM神经网络模型，对LSTM在神经网络模型中的输入门、输出门和遗忘门3个具有记忆功能的模块进行构建；

遗忘门f_t负责决定从记忆单元中丢弃哪些信息，更新公式为：

f_t＝σ(w_fxx_t+w_fhh_t-1+w_fcC_t-1+b_f)

式中，σ(·)-为sigmoid函数，x_t表示t时刻的输入；h_t表示t时刻的输出；h_t-1表示t-1时刻的输出C_t表示t时刻的候选向量；w_fx、w_fh、w_fc表示遗忘门的权重系数；b_f表示遗忘门偏置；

输出门i_t负责决定哪些信息可以保存在记忆单元中，更新公式为：

i_t＝σ(w_ixx_i+w_ihh_t-1+w_icC_t-1+b_i)

式中，w_ix、w_ih、w_ic表示输入门的权重系数；b_i表示输入门偏置；w_cx、w_ch表示候选向量的权重系数；b₀表示候选向量偏置；tanh(.)表示双曲正切激活函数；表示候选向量的更新值；

输出门决定将输出哪些信息，其表达方式为：

o_t＝σ(w_oxx_t+w_ohh_t-1+w_ocC_t-1+b_o)

h_t＝o_ttanh(C_t)

式中，o_t表示输出门；w_ox、w_oh、w_oc表示输出门的权重系数；

采用随机森林算法筛选出重要天气因素以及日期因素与历史流量数据结合作为特征建立预测特征集，该特征集的表示如下所示：

X_P＝{x₁,x₂,…,x₇,y}

其中，x₁～x₇表示7个重要的特征量，y表示历史流量数据；

激励函数tanh(x)以及训练时的损失函数L如下所示：

L(Y_P,f(X_P))＝(Y_P-f(X_P))²。

进一步地，步骤(2)所述的采用改进黑寡妇优化算法IBWOA优化RF-LSTM预测模型的过程如下：

1)数据初始化，将随机点分为两部分，前半部分为随机初始化，后半部分为均匀初始化，随后将两部分的随机点结合，形成半数均匀初始化；

2)随机生成参数m和β；

3)生成随机数rand并更新黑寡妇位置，其计算公式如下；

式中：X_i(t+1)为更新后的黑寡妇位置，X_best为当前为寡妇的最优位置，m为[0.4,0.9]之间的随机数，β为[-1,1]内的随机数，X_r1(t)为随机选择的第r1个黑寡妇的位置，X_i(t)为当前黑寡妇的位置；

4)计算信息素，计算公式如下：

式中：fitness_max和fitness_min为最差和最优的适应度函数值，fitness(i)为第i个黑寡妇获得的适应度值；

5)更新低信息水平的黑寡妇位置，更新公式如下：

式中：X_i(t)为雄性体内低信息素水平的黑寡妇位置，r1和r2为种群数量在[1,N]范围内的数，X_r1和X_r2(t)为第r1和r2个黑寡妇的位置，r1≠r2,σ为随机二进制数{0,1}；

6)重新评估适应度函数值，并更新最优黑寡妇的位置及最优解；

7)判断是否满足最大迭代次数，若满足，则输出最优黑寡妇位置和全局最优解，否则，返回步骤2)重新迭代计算；

8)对原算法中的随机浮点数m进行改进，提高算法的收敛性，改进后的m值如下所示：

其中，k为调节系数。

进一步地，所述步骤(3)实现过程如下：

对移动电瓶的充电个数M以及充电时长t进行设定，设定公式如下所示：

t＝λ₁(1-SOC)+λ₂H

M＝λ₃H

式中，t表示充电时长，SOC表示电池当前电量百分比，H为人流量预测结果，M移动电瓶的充电个数，λ₁、λ₂、λ₃为控制系数。

有益效果：与现有技术相比，本发明的有益效果：本发明通过短期流量预测模型预测结果，结合当天天气状况以及历史天气数据，对当天移动电瓶充电个数以及充电时长进行合理控制，能够使电池处于最佳状态，有效延迟电池的使用寿命，提高了能源利用率；本发明能够将当天的流量数据反馈至流量历史数据数据库，并作为次日移动电瓶充电箱短期流量预测的依据之一，最大程度提高预测的准确性。

附图说明

图1为本发明的流程图；

图2为IBWOA-RFLSTM-LSTM流量预测模型流程图；

图3为IBWOA算法流程图；

图4为流量预测结果与实际数据对比图；

图5为技术使用前后每个电箱用电量对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供了一种基于人流量用于移动电箱的智能充电方法，如图1所示，包括以下步骤：

步骤1：预先获取影响人流量的数据集，并划分为训练集和测试集。

天气和节假日都会影响到人流量，相关数据就是对天气的情况进行判定，大中小雨分别用0，1，2表示，阴天用3表示，晴天用4表示；节假日也是一样，是节假日用1表示，不是节假日用0表示。

这些数据会输入到人流量预测模型中，百分之70的数据为训练集，百分之30的数据为测试集；通过人为的表格排序进行处理的，将整理好的表格导出到MATLAB中，就可以进行预测。

步骤2：构建IBWOA-RF-LSTM人流量预测模型并对其进行训练，通过RF-LSTM预测模型对人流量进行预测，采用改进黑寡妇优化算法IBWOA优化RF-LSTM预测模型参数。

构建LSTM神经网络模型，对LSTM在神经网络模型中的输入门、输出门和遗忘门3个具有记忆功能的模块进行构建。

遗忘门f_t负责决定从记忆单元中丢弃哪些信息，更新公式为：

f_t＝σ(w_fxx_t+w_fhh_t-1+w_fcC_t-1+b_f)

式中，σ(·)-sigmoid：x_t表示t时刻的输入；h_t表示t时刻的输出；h_t-1表示t-1时刻的输出C_t表示t时刻的候选向量；w_fx、w_fh、w_fc表示遗忘门的权重系数；b_f表示遗忘门偏置。

输出门i_t负责决定哪些信息可以保存在记忆单元中，更新公式为：

i_t＝σ(w_ixx_i+w_ihh_t-1+w_icC_t-1+b_i)

式中：w_ix、w_ih、w_ic表示输入门的权重系数；b_i表示输入门偏置；w_cx、w_ch表示候选向量的权重系数；b₀表示候选向量偏置；tanh(.)表示双曲正切激活函数；表示候选向量的更新值。

输出门决定将输出哪些信息，其表达方式为：

o_t＝σ(w_oxx_t+w_ohh_t-1+w_ocC_t-1+b_o)

h_t＝o_ttanh(C_t)

式中：o_t表示输出门；w_ox、w_oh、w_oc表示输出门的权重系数。

采用随机森林算法筛选出重要天气因素以及日期因素与历史流量数据结合作为特征建立预测特征集，该特征集的表示如下所示：

X_P＝{x₁,x₂,…,x₇,y}

其中，x₁～x₇表示7个重要的特征量，y表示历史流量数据。

将重要特征数据输入LSTM模型进行流量预测，并通过改进的黑寡妇优化算法对模型参数进行优化。

模型的激励函数tanh(x)以及训练时的损失函数L如下所示：

L(Y_P,f(X_P))＝(Y_P-f(X_P))²

如图3所示，本发明采用的改进黑寡妇优化算法IBWOA实现步骤如下所示：

1)数据初始化，为了避免局部最优，将随机点分为两部分，前半部分为随机初始化，后半部分为均匀初始化，随后将两部分的随机点结合，形成半数均匀初始化。

2)随机生成参数m和β。

3)生成随机数rand并更新黑寡妇位置，其计算公式如下；

式中：X_i(t+1)为更新后的黑寡妇位置，X_best为当前为寡妇的最优位置，m为[0.4,0.9]之间的随机数，β为[-1,1]内的随机数，X_r1(t)为随机选择的第r1个黑寡妇的位置，X_i(t)为当前黑寡妇的位置。

4)计算信息素，计算公式如下：

式中：fitness_max和fitness_min为最差和最优的适应度函数值，fitness(i)为第i个黑寡妇获得的适应度值。

5)更新低信息数水平的黑寡妇位置，当低信息素率值等于或小于0.3时，雌性体内低信息素水平蜘蛛代表饥饿的食人蜘蛛。因此，如果信息素低的雌性蜘蛛在场时，上述雌性蜘蛛不会被选中，但将被另一个取代。计算公式如下：

式中：X_i(t)为雄性体内低信息素水平的黑寡妇位置，r1和r2为种群数量在[1,N]范围内的数，X_r1和X_r2(t)为第r1和r2个黑寡妇的位置，r1≠r2,σ为随机二进制数{0,1}。

6)重新评估适应度函数值，并更新最优黑寡妇的位置及最优解。

7)判断是否满足最大迭代次数，若满足，则输出最优黑寡妇位置和全局最优解，否则，返回步骤2)重新迭代计算。

8)对原算法中的随机参数m进行改进，提高算法的收敛性，改进后的m值如下所示：

其中，k为调节系数。

步骤3：结合人流量预测结果、当前电池电量状态，对电池充电的个数以及充电的时长进行智能调节。

对移动电瓶的充电个数M以及充电时长t进行设定，设定公式如下所示：

t＝λ₁(1-SOC)+λ₂H

M＝λ₃H

式中，t表示充电时长，SOC表示电池当前电量百分比，H为人流量预测结果，M移动电瓶的充电个数，λ₁、λ₂、λ₃为控制系数，取值分别为400、0.005、0.1。

如图4所示，本发明采用的IBWOA-RF-LSTM人流量预测模型，预测结果准确，以2022年11月中某天的数据为例，当天平均每小时流量为25.28，预测结果显示平均每小时流量为25.2，平均误差为0.08，预测结果可靠，可以作为电瓶充电个数以及充电时长的依据。

如图5所示，以11月份的用电量为例，某移动电瓶充电箱历史用电量约为每天53.21度，而采用了本发明后，平均每天的用电量约为每天36.57度，平均每月可节约499.2度电，根据当前电价，一度在在0.6元左右，所以采用本发明后，每一个充电箱平均每月可以节约299.52元。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于人流量用于移动电箱的智能充电方法，其特征在于，包括以下步骤：

(1)预先获取影响人流量的数据集，并划分为训练集和测试集；

(2)构建IBWOA-RF-LSTM人流量预测模型并对其进行训练，通过RF-LSTM预测模型对人流量进行预测，采用改进黑寡妇优化算法IBWOA优化RF-LSTM预测模型参数；

(3)结合人流量预测结果、当前电池电量状态，对电池充电的个数以及充电的时长进行智能调节；

步骤(2)所述的RF-LSTM预测模型建模过程如下所示：

构建LSTM神经网络模型，对LSTM在神经网络模型中的输入门、输出门和遗忘门3个具有记忆功能的模块进行构建；

遗忘门f_t负责决定从记忆单元中丢弃哪些信息，更新公式为：

f_t＝σ(w_fxx_t+w_fhh_t-1+w_fcC_t-1+b_f)

式中，σ(·)-为sigmoid函数，x_t表示t时刻的输入；h_t表示t时刻的输出；h_t-1表示t-1时刻的输出C_t表示t时刻的候选向量；w_fx、w_fh、w_fc表示遗忘门的权重系数；b_f表示遗忘门偏置；

输出门i_t负责决定哪些信息可以保存在记忆单元中，更新公式为：

i_t＝σ(w_ixx_i+w_ihh_t-1+w_icC_t-1+b_i)

式中，w_ix、w_ih、w_ic表示输入门的权重系数；b_i表示输入门偏置；w_cx、w_ch表示候选向量的权重系数；b₀表示候选向量偏置；tanh(.)表示双曲正切激活函数；表示候选向量的更新值；

输出门决定将输出哪些信息，其表达方式为：

o_t＝σ(w_oxx_t+w_ohh_t-1+w_ocC_t-1+b_o)

h_t＝o_ttanh(C_t)

式中，o_t表示输出门；w_ox、w_oh、w_oc表示输出门的权重系数；

采用随机森林算法筛选出重要天气因素以及日期因素与历史流量数据结合作为特征建立预测特征集，该特征集的表示如下所示：

X_P＝{x₁,x₂,…,x₇,y}

其中，x₁～x₇表示7个重要的特征量，y表示历史流量数据；

激励函数tanh(x)以及训练时的损失函数L如下所示：

L(Y_P,f(X_P))＝(Y_P-f(X_P))²；

步骤(2)所述的采用改进黑寡妇优化算法IBWOA优化RF-LSTM预测模型的过程如下：

1)数据初始化，将随机点分为两部分，前半部分为随机初始化，后半部分为均匀初始化，随后将两部分的随机点结合，形成半数均匀初始化；

2)随机生成参数m和β；

3)生成随机数rand并更新黑寡妇位置，其计算公式如下；

式中：X_i(t+1)为更新后的黑寡妇位置，X_best为当前黑寡妇的最优位置，m为[0.4,0.9]之间的随机数，β为[-1,1]内的随机数，X_r1(t)为随机选择的第r1个黑寡妇的位置，X_i(t)为当前黑寡妇的位置；

4)计算信息素，计算公式如下：

式中：fitness_max和fitness_min为最差和最优的适应度函数值，fitness(i)为第i个黑寡妇获得的适应度值；

5)更新低信息水平的黑寡妇位置，更新公式如下：

式中：X_i(t)为雄性体内低信息素水平的黑寡妇位置，r1和r2为种群数量在[1,N]范围内的数，X_r1和X_r2(t)为第r1和r2个黑寡妇的位置，r1≠r2,σ为随机二进制数{0,1}；

6)重新评估适应度函数值，并更新最优黑寡妇的位置及最优解；

7)判断是否满足最大迭代次数，若满足，则输出最优黑寡妇位置和全局最优解，否则，返回步骤2)重新迭代计算；

8)对原算法中的随机浮点数m进行改进，提高算法的收敛性，改进后的m值如下所示：

其中，k为调节系数。

2.根据权利要求1所述的一种基于人流量用于移动电箱的智能充电方法，其特征在于，所述影响人流量的数据集包括天气影响因素、节假日影响因素以及人流量历史数据。

3.根据权利要求1所述的一种基于人流量用于移动电箱的智能充电方法，其特征在于，所述步骤(3)实现过程如下：

对移动电瓶的充电个数M以及充电时长t进行设定，设定公式如下所示：

t＝λ₁(1-SOC)+λ₂H

M＝λ₃H

式中，t表示充电时长，SOC表示电池当前电量百分比，H为人流量预测结果，M移动电瓶的充电个数，λ₁、λ₂、λ₃为控制系数。