CN116933931A - 一种云计算双流特征交互的电动汽车充电桩占用预测方法 - Google Patents
一种云计算双流特征交互的电动汽车充电桩占用预测方法 Download PDFInfo
- Publication number
- CN116933931A CN116933931A CN202310916869.XA CN202310916869A CN116933931A CN 116933931 A CN116933931 A CN 116933931A CN 202310916869 A CN202310916869 A CN 202310916869A CN 116933931 A CN116933931 A CN 116933931A
- Authority
- CN
- China
- Prior art keywords
- charging pile
- electric vehicle
- state
- input
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003993 interaction Effects 0.000 title claims abstract description 18
- 230000007774 longterm Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 54
- 230000004913 activation Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F18/25—Fusion techniques
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种云计算双流特征交互的电动汽车充电桩占用预测方法,属于电动汽车充电桩占用预测领域。该方法使用包括:S1:对多元离散序列数据进行归一化处理;S2:对S1中归一化的数据分别利用基于LSTM提取短期充电状态依赖性特征,基于VAE提取长期充电状态依赖性特征;S3:将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测;电动汽车充电桩占用预测网络采用端到端的训练方式,不断更新权值参数,直至网络收敛;S4:将上述得到的模型在云平台部署,同时负责数据的存储和处理,完成电动车充电占用状态预测及资源调度。本发明能有效的完成电动汽车充电站占用预测。
Description
技术领域
本发明属于电动汽车充电桩占用预测及充电装置管理领域,涉及一种云计算双流特征交互的电动汽车充电桩占用预测方法。
背景技术
电动汽车一直是汽车电力电子研究领域的重要研究方向,其中电动汽车充电桩占用预测更加具有挑战性,因为充电桩是有限资源,如果充电桩资源的利用率低,会造成资源浪费,同时若用户需要等待很长时间才能使用充电桩,会对用户造成不便。缓解公共快速充电桩的挤塞情况,已成为提高充电基础设施管理效率、改善整体用户体验及提升市民对电动汽车接受程度的重要方式。为此,通过对充电占用模式的预测,充电服务平台可以更好地管理有限的可用充电资源,减少客户的充电等待时间损失。例如,通过预测充电桩的充电等待时间,可以开发实时车辆充电桩分配/推荐系统,以减少电动汽车车队的充电等待时间。它还可以支持开发应用程序,以减少车辆在终止充电会话时的空闲时间,这些应用程序直接集成到车辆的用户界面(带蜂窝连接)或用户智能手机界面上。这些智能充电服务管理应用程序依赖于短期内(例如从30分钟到几个小时)准确的电动汽车充电模式预测。然而,解决这一问题的研究仍然很少,而且主要是基于传统的计量经济学或时间序列方法,充电桩充电状态预测对于离散时间序列缺少跨纬度特征联系,缺乏一条可解释的学习路径指导电动车充电桩占用预测的过程。同时,多个充电桩的数据难以进行集中的动态分配计算和存储资源。
发明内容
有鉴于此,本发明的目的在于提供一种云计算双流特征交互的电动汽车充电桩占用预测方法,解决充电桩充电状态预测对于离散时间序列缺少跨纬度特征联系,缺乏一条可解释的学习路径指导电动车充电桩占用预测的过程以及多个充电桩的数据难以进行集中的动态分配计算和存储资源从而导致不能准确快捷的对电动汽车充电桩占用率进行预测的技术问题。
为达到上述目的,本发明提供如下技术方案:
一种云计算双流特征交互的电动汽车充电桩占用预测方法,所述方法包括以下步骤:
S1:对多元离散序列数据进行归一化处理;
S2:使用双分支特征提取结构,对进行归一化处理的多元离散序列分别利用混合长短期记忆LSTM提取短期充电状态依赖性特征,变分自动编码器VAE提取长期充电状态依赖性特征;
S3:将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测的结果;
所述电动汽车充电桩占用预测网络采用端到端的训练方式,不断更新权值参数,直至网络收敛;
S4:将S3中在电动汽车充电桩占用率网络采用端到端训练过程中得到的多阶段充电桩占用预测模型在云平台部署,并利用云平台负责数据的存储,使用多阶段充电桩占用预测模型模理数据,完成电动车充电占用状态预测以及资源调度。
进一步的,所述S1,具体为:
对基于LSTM的短期充电状态依赖性特征学习模块的输入序列X1t={yt-1,yt-2,...,yt-m},使用独热编码将每个离散数据映射到一个唯一的二进制向量,二进制向量中只有一个元素为1,其他元素为0;
对基于VAE的长期充电状态依赖性特征学习模块的输入序列X2t={t,d,w,p},使用独热编码,将每个离散数据映射到一个唯一的二进制向量,向量中只有一个元素为1,其他元素为0。
进一步的,所述S2中,利用基于LSTM提取短期充电状态依赖性特征,具体为:
使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态,即:
z=tanh(W·concat(xt,ht-1)+b) (1)
zi=σ(Wi·concat(xt,ht-1)+bi) (2)
zf=σ(Wf·concat(xt,ht-1)+bf) (3)
zo=σ(Wo·concat(xt,ht-1)+bo) (4)
其中zi,zf,zo,是由拼接向量乘以权重矩阵之后,通过一个sigmoid激活函数转化成0到1之间的数值,作为一种门控状态;而z是将结果通过一个tanh激活函数转换成-1到1之间的值;W,Wi,Wf,Wo分别是连接到xt和ht-1各个状态对应的权重;b,bi,bf,bo是相应的偏置项;
忘记阶段:是通过计算得到的zf作为忘记门控,对上一个节点传进来的输入进行选择性忘记,过滤要保留的长期信息;
选择记忆阶段:由计算得到的z表示输入当前阶段,通过zi作为门控信号,将这个阶段的输入有选择性地进行记忆;
输出阶段:通过zo进行控制,决定哪些将会被当成当前状态的输出,通过一个tanh激活函数进行变化输出;
LSTM块的输出后跟一个用于正则化的dropout层,由一个全连接层连接,将输出的序列特征进行汇总和压缩,得到短期充电状态依赖性特征表示;
利用基于VAE提取长期充电状态依赖性特征,具体为:
由多层级联卷积层处理来自不同类型的数据输入,以残差连接的方式传递不同深度和不同卷积核大小卷积层的特征信息,将传递的特征信息融合到最后一层进行合并;
使用门控卷积网络GatedCNN在每个卷积层之后增加一个门;
GatedCNN层的输入是词嵌入矩阵;
门控卷积的输出分为两部分,一部分是卷积激活值,记为单位A,另一部分是门值,记为单位B;
所述门单元控制A的输出,最终输出为A与sigmoidB的乘法;
卷积单元A与门单元B构成门控卷积层;
将特征的合并信息进行分布概率的向量形式转换,对序列数据,编码器将每个时间步的输入数据进行编码,产生一个隐含向量h作为序列的编码表示后输入骨干网络,每个一维门通卷积层后有一个ReLU激活函数;
经过多层门通卷积将隐含向量h转换为潜在变量分布的均值μ和方差σ2,均值和方差的计算如下:
μ=Wμ+bμ (5)
σ2=Wσh+bσ (6)
从潜在变量分布中采样一个潜在变量zv,潜在变量的采样是使用重参数化技巧,将采样过程转换为对随机噪声的加减操作,潜在变量的采样公式如下:
zv=μ+ε⊙σ (7)
其中,σ表示方差向量,ε表示属于分布的噪声向量,⊙表示逐元素乘法;
通过最大池层提取压缩的特征后,编码器的输出为潜在变量的均值和方差,使用均值和方差来描述潜在变量的分布,得到长期充电状态依赖性特征表示。
进一步的,所述S3中,将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测的结果,具体为:
将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,是通过一个全连接层和一个具有k个神经元的输出层,将每个神经元对应一个充电占用状态预测t,t+1,...t+k-1;使用两个dropout层避免过度拟合;
输出是一个二进制值向量,表示充电占用状态的多阶段预测,此过程用向量表示为:
yt=r(Wzv+b) (8)
其中,yt是充电占用状态预测值,r是线性函数sigmod,W表示权重系数,b是偏置项。
进一步的,所述S3中,所述电动汽车充电桩占用预测网络采用端到端的训练方式,不断更新权值参数,直至网络收敛,具体为:
将合并后的特征图矩阵的每个张量表征为一个聚类中心,将高维数据组织到低维空间中,同时保留数据的拓扑结构,其中,每一个聚类中心对应特征权重可以表示为:
ΔWij=η·h(c,(i,j))·(x-Wij)·φij(x) (9)
其中,激活函数φij(x)衡量潜在变量x与自组织映射中节点(i,j)的权重向量Wij之间的相似度;获胜节点(iw,jw)是对于给定潜在变量x具有最高激活值的节点;学习率η控制训练期间权重更新的幅度;邻域函数h(c,(i,j))定义了训练期间获胜节点(iw,jw)对其相邻节点(i,j)的影响;
通过约束变分自动编码器的隐藏变量空间来匹配自组织映射方式的结构逻辑,产生连续且结构化的学习表示,网络中的自组织映射项表示为:
其中,xe表示每一个输入特征向量的嵌入特征信息,σ表示梯度控制参数,在前向传递过程中不改变输出,在后向传递过程中将梯度设置为0,zr和ztr分别表示不同输入对应隐藏特征向量和嵌入变量转换后的隐藏特征向;
由多元高斯分布下的神经网络有对角协方差结构,则得:
其中,{W1,W2}和{b1,b2}是模型网络的权重和偏置参数,c是上下文向量,经融合得到多头注意力输出h,Lout(x)表示编码器取输入为x的输出;
通过最小化数据的嵌入表示和自组织映射交互过程来约束整个网络收敛,让整个映射空间的概率向量分布贴合真实样本分布,该过程的最大证据下界可表示为:
其中,分别表示短期充电序列状态输入,长期充电序列状态输入和对应的真实占用状态标志;N是序列状态个数;DKL表示KL散度度量公式;{zr,ztr}分别表示短期充电序列状态输入和长期充电序列状态输入对应隐藏变量;/>和/>分别是识别模型和生成模型;φ和θ是神经网络模型的参数;pθ*(z*)是隐藏特征变量z*的先验分布;多阶段充电桩占用预测模型/>和/>产生对应输入x*和{xr,xtr}的分布p(x*)和p(y)。
进一步的,所述S4中,多阶段充电桩占用预测模型云平台部署,具体为:
充电桩通过网络层将各机器记录的历史数据发送到云服务器,在云服务器中,历史数据被预处理,被预处理的数据由主图形处理器GPU分发到多个GPU设备并行计算,主GPU负责将模型复制到其他GPU上,并对其他GPU的计算结果进行整合,生成多阶段充电桩占用预测结果。
进一步的,所述的输入序列X1t={yt-1,yt-2,...,yt-m}为充电桩历史占用状态信息;所述的输入序列X2t={t,d,w,p}为一天中的时间、星期几、周末和过去的充电占用状态以及工作日或周末一天中类型的平均充电占用率。
本发明的有益效果在于:
第一:本发明使用长短期记忆(Long Short Term Memory,LSTM)和变分自动编码器(Variational AutoEncoder,VAE)的双分支提取结构,充分缓解离散时间序列的缺乏跨纬度特征联系问题,该过程不仅增加的预测模型的解释性,同时保证在模型在具有一定预测精度的同时,增强预测的准确性和稳定性,还具有较好的泛化能力。
第二,本发明提出将云计算与提出的算法结合,能够根据实际需要进行调整和扩展,满足不同模型的计算需求,保护模型和数据的安全性,同时可以在云平台使用分布式训练或单机训练等方式,大大缩减模型的训练时间和推理时间。
第三,本发明利用云计算来存储和处理大量高质量的历史数据,在云环境中部署基于模型对输入数据进行高精度并行计算,完成实时高效的电动车充电占用状态预测以及资源调度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为一种基于云计算的多阶段电动汽车充电桩占用预测策略示意图;
图2为算法整体结构图;
图3为双流交互特征提取网络结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,为本发明一种云计算双流特征交互的电动汽车充电桩占用预测方法,本发明各部分具体实施细节如下:
步骤一:对多元离散序列数据进行归一化处理,避免不同量纲对数据分析和建模的影响;
充电桩短期充电状态依赖性序列和长期充电状态依赖性序列数据预处理:离散序列数据是一种数据结构,其数据值为离散的、有限的取值。考虑到后续的数据分析和建模,首先对离散序列数据进行预处理,考虑离散序列数据的特征和分布情况,长期趋势序列数据中常常存在不同量纲,为了避免不同量纲对数据分析和建模的影响,将离散序列数据进行归一化处理。具体步骤如下:
(a)对于基于LSTM的短期充电状态依赖性特征学习模块的输入序列(充电桩历史占用状态信息)X1t={yt-1,yt-2,...,yt-m},使用独热编码,将每个离散数据映射到一个唯一的二进制向量,向量中只有一个元素为1,其他元素为0;
(b)对于基于VAE的长期充电状态依赖性特征学习模块的输入序列(一天中的时间、星期几、周末和过去的充电占用状态以及一天中类型的平均充电占用率(工作日或周末))X2t={t,d,w,p},使用独热编码,将每个离散数据映射到一个唯一的二进制向量,向量中只有一个元素为1,其他元素为0。
对输入的离散序列数据进行预处理独热编码能够保留离散数据的信息,避免了不同离散数据之间的大小关系影响模型的学习。
步骤二:使用双分支特征提取结构,分别利用LSTM提取短期充电状态依赖性特征,VAE提取长期充电状态依赖性特征,为离散时间序列的建立跨纬度特征联系,同时提供可解释性;
充电桩短期充电状态依赖性序列和长期充电状态依赖性序列信息的特征提取:采用双分支结构,分别为基于LSTM的充电桩历史占用状态序列特征学习模块和基于VAE的长期趋势序列特征学习模块。使用前者的结构提取影响充电桩充电状态的局部时间依赖性特征(充电桩历史占用状态信息),保留特性的上下文信息,捕捉数据的时序特征和非线性关系,同时提取影响充电桩充电状态的局部时间依赖性特征(充电桩历史占用状态信息),保留特性的上下文信息,捕捉数据的时序特征和非线性关系;使用后者结构提取影响充电桩充电状态的长期依赖性特征(一天中的时间、星期几、周末和过去的充电占用状态以及一天中类型的平均充电占用率(工作日或周末)),将原始数据转换为低维的潜在变量表示,对多元数据分布进行建模,同时可以对序列数据的潜在特征进行解释,为预测算法提供一定的可解释性。具体步骤如下:
(a)基于LSTM的短期充电状态依赖性特征提取
(1)首先使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态。
z=tanh(W·concat(xt,ht-1)+b) (1)
zi=σ(Wi·concat(xt,ht-1)+bi) (2)
zf=σ(Wf·concat(xt,ht-1)+bf) (3)
zo=σ(Wo·concat(xt,ht-1)+bo) (4)
其中zi,zf,zo,是由拼接向量乘以权重矩阵之后,再通过一个sigmoid激活函数转化成0到1之间的数值,作为一种门控状态;而z则是将结果通过一个tanh激活函数转换成-1到1之间的值;W,Wi,Wf,Wo分别是连接到xt和ht-1各个状态对应的权重;b,bi,bf,bo是相应的偏置项。
(2)忘记阶段:主要是通过计算得到的zf作为忘记门控,对上一个节点传进来的输入进行选择性忘记,过滤要保留的长期信息。
(3)选择记忆阶段:由前面计算得到的z表示输入当前阶段,通过zi作为门控信号,将这个阶段的输入有选择性地进行“记忆”。
(4)输出阶段:通过zo进行控制,决定哪些将会被当成当前状态的输出。通过一个tanh激活函数进行变化输出。
LSTM块的输出后跟一个用于正则化的dropout层,然后由一个全连接层连接,将输出的序列特征进行汇总和压缩以进一步提取时间特征,得到短期充电状态依赖性特征表示。
(b)基于VAE的长期充电状态依赖性特征提取
使用门控卷积网络(Gated Convolution Neural Network,GatedCNN)作为骨干网络。先由多层级联卷积层处理来自不同类型的数据输入,以残差连接的方式传递不同深度和不同卷积核大小卷积层的特征信息,融合到最后一层进行合并。特别的,使用GatedCNN在每个卷积层之后增加一个门,以控制流中传递的信息。GatedCNN层的输入是词嵌入矩阵。门控卷积的输出分为两部分。一部分是卷积激活值,记为单位A,另一部分是门值,记为单位B,作为门单元控制A的输出,最终输出为A与sigmoid B的乘法,卷积单元A与门单元B构成门控卷积层。最后将特征的合并信息进行分布概率的向量形式转换。对于序列数据,编码器会将每个时间步的输入数据进行编码,并产生一个隐含向量h作为该序列的编码表示后输入骨干网络,每个一维门通卷积层后都有一个ReLU激活函数。
(1)经过多层门通卷积将隐含向量h转换为潜在变量分布的均值μ和方差σ2,用于后续的潜在变量采样。均值和方差的计算如下:
μ=Wμ+bμ (5)
σ2=Wσh+bσ (6)
(2)从潜在变量分布中采样一个潜在变量z,用于特征后续的解码。潜在变量的采样使用重参数化技巧,将采样过程转换为对随机噪声的加减操作。潜在变量的采样公式如下:
z=μ+ε⊙σ (7)
(3)最大池层位于编码器的末端,用于压缩提取的特征。编码器的输出为潜在变量的均值和方差,使用均值和方差来描述潜在变量的分布,得到长期充电状态依赖性特征表示。
步骤三:得到多组特征后,将其进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测的结果。同时,整个网络采用端到端的训练方式,不断更新权值参数,直至网络收敛;
通过以上步骤后,可以分别得到短期充电状态依赖性特征表示和长期充电状态依赖性特征表示。首先将两类特征进行拼接后输入电动汽车充电桩占用预测网络,然后是一个全连接层和一个具有k个神经元的输出层,每个神经元对应一个充电占用状态预测t,t+1,...t+k-1。两个dropout层用于正则化以避免过度拟合。输出是一个二进制值向量,表示充电占用状态的多阶段预测,此过程可由向量表示为:
yt=r(Wz+b) (8)
其中yt是充电占用状态预测值,r是线性函数(如sigmod),W表示权重系数,b是偏置项。为了能够学习时间序列的离散表示,从而产生具有较强聚类性能的平滑且可解释的特征信息嵌入输入。在输入了不同数据空间的数据信息序列后,经过右侧网络的变分编码器逐点编码到概率潜在空间中,在此通过自组织映射的方式克服信息序列离散表示学习中的不可微性。具体的,将合并后的特征图矩阵的每个张量表征为一个聚类中心,借此将高维数据组织到低维空间中,同时保留数据的拓扑结构。其中,每一个聚类中心对应特征权重可以表示为:
ΔWij=η·h(c,(i,j))·(x-Wij)·φij(x) (9)
其中,激活函数φij(x)衡量潜在变量x与自组织映射中节点(i,j)的权重向量Wij之间的相似度。获胜节点(iw,jw)是对于给定潜在变量x具有最高激活值的节点。学习率η控制训练期间权重更新的幅度。邻域函数h(c,(i,j))定义了训练期间获胜节点(iw,jw)对其相邻节点(i,j)的影响。
然后,通过约束变分自动编码器的隐藏变量空间来匹配自组织映射方式的结构逻辑。这会产生连续且结构化的学习表示,从而更容易解释和分析保留的数据拓扑结构,并允许对高维输入数据进行有意义的聚类和可视化。网络中的自组织映射项可表示为:
其中,xe表示每一个输入特征向量的嵌入特征信息,σ表示梯度控制参数,在前向传递过程中不改变输出,但在后向传递过程中将梯度设置为0。zr和ztr分别表示不同输入对应隐藏特征向量和嵌入变量转换后的隐藏特征向量。通过变分编码器学习捕获的时间类数据序列的连续潜在表示可以通过映射到自组织网格上,绑定数据的连续属性和潜在表示之间的拓扑关系。
又由多元高斯分布下的神经网络有对角协方差结构,则得:
其中,{W1,W2}和{b1,b2}是模型网络的权重和偏置参数,c是上下文向量,经融合得到多头注意力输出h,Lout(x)表示编码器取输入为x的输出。综上,通过最小化数据的嵌入表示和自组织映射交互过程来约束整个网络收敛,使得整个映射空间的概率向量分布尽量贴合真实样本分布,该过程的最大证据下界可表示为:
其中和/>分别是识别模型和生成模型;φ和θ是神经网络模型的参数;/>是隐藏特征变量z*的先验分布;预测模型/>和/>产生对应输入x*和{xr,xtr}的分布p(x*)和p(y)。γ是控制不同损失项之间平衡的超参数。整个网络采用端到端的训练方式,不断更新网络权值,直到模型收敛。
步骤四:将上述得到的模型在云平台部署,同时涉及负责数据的存储和处理,大大缩减模型的训练时间和推理时间,完成实时高效的电动车充电占用状态预测以及资源调度。
在云平台部署模型:首先,在云服务器上部署多阶段充电桩占用预测模型。充电桩通过网络层将各机器记录的历史数据发送到云服务器。在云中,这些数据被预处理,并由主图形处理器(Graphics Processing Unit,GPU)分发到多个GPU设备并行计算。同时,主GPU负责将模型复制到其他GPU上,并对其他GPU的计算结果进行整合,生成多阶段充电桩占用预测结果。最后说明的是,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,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:
所述方法包括以下步骤:
S1:对多元离散序列数据进行归一化处理;
S2:使用双分支特征提取结构,对进行归一化处理的多元离散序列分别利用混合长短期记忆LSTM提取短期充电状态依赖性特征,变分自动编码器VAE提取长期充电状态依赖性特征;
S3:将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测的结果;
所述电动汽车充电桩占用预测网络采用端到端的训练方式,不断更新权值参数,直至网络收敛;
S4:将S3中在电动汽车充电桩占用率网络采用端到端训练过程中得到的多阶段充电桩占用预测模型在云平台部署,并利用云平台负责数据的存储,使用多阶段充电桩占用预测模型模理数据,完成电动车充电占用状态预测以及资源调度。
2.根据权利要求1所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述S1,具体为:
对基于LSTM的短期充电状态依赖性特征学习模块的输入序列X1t={yt-1,yt-2,...,yt-m},使用独热编码将每个离散数据映射到一个唯一的二进制向量,二进制向量中只有一个元素为1,其他元素为0;
对基于VAE的长期充电状态依赖性特征学习模块的输入序列X2t={t,d,w,p},使用独热编码,将每个离散数据映射到一个唯一的二进制向量,向量中只有一个元素为1,其他元素为0。
3.根据权利要求2所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述S2中,利用基于LSTM提取短期充电状态依赖性特征,具体为:
使用LSTM的当前输入xt和上一个状态传递下来的ht-1拼接训练得到四个状态,即:
z=tanh(W·concat(xt,ht-1)+b) (1)
zi=σ(Wi·concat(xt,ht-1)+bi) (2)
zf=σ(Wf·concat(xt,ht-1)+bf) (3)
zo=σ(Wo·concat(xt,ht-1)+bo) (4)
其中zi,zf,zo,是由拼接向量乘以权重矩阵之后,通过一个sigmoid激活函数转化成0到1之间的数值,作为一种门控状态;而z是将结果通过一个tanh激活函数转换成-1到1之间的值;W,Wi,Wf,Wo分别是连接到xt和ht-1各个状态对应的权重;b,bi,bf,bo是相应的偏置项;
忘记阶段:是通过计算得到的zf作为忘记门控,对上一个节点传进来的输入进行选择性忘记,过滤要保留的长期信息;
选择记忆阶段:由计算得到的z表示输入当前阶段,通过zi作为门控信号,将这个阶段的输入有选择性地进行记忆;
输出阶段:通过zo进行控制,决定哪些将会被当成当前状态的输出,通过一个tanh激活函数进行变化输出;
LSTM块的输出后跟一个用于正则化的dropout层,由一个全连接层连接,将输出的序列特征进行汇总和压缩,得到短期充电状态依赖性特征表示;
利用基于VAE提取长期充电状态依赖性特征,具体为:
由多层级联卷积层处理来自不同类型的数据输入,以残差连接的方式传递不同深度和不同卷积核大小卷积层的特征信息,将传递的特征信息融合到最后一层进行合并;
使用门控卷积网络GatedCNN在每个卷积层之后增加一个门;
GatedCNN层的输入是词嵌入矩阵;
门控卷积的输出分为两部分,一部分是卷积激活值,记为单位A,另一部分是门值,记为单位B;
所述门单元控制A的输出,最终输出为A与sigmoid B的乘法;
卷积单元A与门单元B构成门控卷积层;
将特征的合并信息进行分布概率的向量形式转换,对序列数据,编码器将每个时间步的输入数据进行编码,产生一个隐含向量h作为序列的编码表示后输入骨干网络,每个一维门通卷积层后有一个ReLU激活函数;
经过多层门通卷积将隐含向量h转换为潜在变量分布的均值μ和方差σ2,均值和方差的计算如下:
μ=Wμ+bμ (5)
σ2=Wσh+bσ (6)
从潜在变量分布中采样一个潜在变量zv,潜在变量的采样是使用重参数化技巧,将采样过程转换为对随机噪声的加减操作,潜在变量的采样公式如下:
zv=μ+ε⊙σ (7)
其中,σ表示方差向量,ε表示属于分布的噪声向量,⊙表示逐元素乘法;
通过最大池层提取压缩的特征后,编码器的输出为潜在变量的均值和方差,使用均值和方差来描述潜在变量的分布,得到长期充电状态依赖性特征表示。
4.根据权利要求3所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述S3中,将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,得到充电占用状态的多阶段预测的结果,具体为:
将提取得到的两类特征进行拼接后输入电动汽车充电桩占用预测网络,是通过一个全连接层和一个具有k个神经元的输出层,将每个神经元对应一个充电占用状态预测t,t+1,...t+k-1;使用两个dropout层避免过度拟合;
输出是一个二进制值向量,表示充电占用状态的多阶段预测,此过程用向量表示为:
yt=r(Wzv+b) (8)
其中,yt是充电占用状态预测值,r是线性函数sigmod,W表示权重系数,b是偏置项。
5.根据权利要求4所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述S3中,所述电动汽车充电桩占用预测网络采用端到端的训练方式,不断更新权值参数,直至网络收敛,具体为:
将合并后的特征图矩阵的每个张量表征为一个聚类中心,将高维数据组织到低维空间中,同时保留数据的拓扑结构,其中,每一个聚类中心对应特征权重可以表示为:
ΔWij=η·h(c,(i,j))·(x-Wij)·φij(x) (9)
其中,激活函数φij(x)衡量潜在变量x与自组织映射中节点(i,j)的权重向量Wij之间的相似度;获胜节点(iw,jw)是对于给定潜在变量x具有最高激活值的节点;学习率η控制训练期间权重更新的幅度;邻域函数h(c,(i,j))定义了训练期间获胜节点(iw,jw)对其相邻节点(i,j)的影响;
通过约束变分自动编码器的隐藏变量空间来匹配自组织映射方式的结构逻辑,产生连续且结构化的学习表示,网络中的自组织映射项表示为:
其中,xe表示每一个输入特征向量的嵌入特征信息,σ表示梯度控制参数,在前向传递过程中不改变输出,在后向传递过程中将梯度设置为0,zr和ztr分别表示不同输入对应隐藏特征向量和嵌入变量转换后的隐藏特征向;
由多元高斯分布下的神经网络有对角协方差结构,则得:
其中,{W1,W2}和{b1,b2}是模型网络的权重和偏置参数,c是上下文向量,经融合得到多头注意力输出h,Lout(x)表示编码器取输入为x的输出;
通过最小化数据的嵌入表示和自组织映射交互过程来约束整个网络收敛,让整个映射空间的概率向量分布贴合真实样本分布,该过程的最大证据下界可表示为:
其中,分别表示短期充电序列状态输入,长期充电序列状态输入和对应的真实占用状态标志;N是序列状态个数;DKL表示KL散度度量公式;{zr,ztr}分别表示短期充电序列状态输入和长期充电序列状态输入对应隐藏变量;/>和/>分别是识别模型和生成模型;φ和θ是神经网络模型的参数;/>是隐藏特征变量z*的先验分布;多阶段充电桩占用预测模型/>和/>产生对应输入x*和{xr,xtr}的分布p(x*)和p(y)。
6.根据权利要求5所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述S4中,多阶段充电桩占用预测模型云平台部署,具体为:
充电桩通过网络层将各机器记录的历史数据发送到云服务器,在云服务器中,历史数据被预处理,被预处理的数据由主图形处理器GPU分发到多个GPU设备并行计算,主GPU负责将模型复制到其他GPU上,并对其他GPU的计算结果进行整合,生成多阶段充电桩占用预测结果。
7.根据权利要求2所述的一种云计算双流特征交互的电动汽车充电桩占用预测方法,其特征在于:所述的输入序列X1t={yt-1,yt-2,...,yt-m}为充电桩历史占用状态信息;所述的输入序列X2t={t,d,w,p}为一天中的时间、星期几、周末和过去的充电占用状态以及工作日或周末一天中类型的平均充电占用率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916869.XA CN116933931A (zh) | 2023-07-25 | 2023-07-25 | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916869.XA CN116933931A (zh) | 2023-07-25 | 2023-07-25 | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933931A true CN116933931A (zh) | 2023-10-24 |
Family
ID=88380263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310916869.XA Pending CN116933931A (zh) | 2023-07-25 | 2023-07-25 | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117565727A (zh) * | 2024-01-15 | 2024-02-20 | 朗峰新材料启东有限公司 | 基于人工智能的无线充电自动控制方法及系统 |
-
2023
- 2023-07-25 CN CN202310916869.XA patent/CN116933931A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117565727A (zh) * | 2024-01-15 | 2024-02-20 | 朗峰新材料启东有限公司 | 基于人工智能的无线充电自动控制方法及系统 |
CN117565727B (zh) * | 2024-01-15 | 2024-04-02 | 朗峰新材料启东有限公司 | 基于人工智能的无线充电自动控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210089922A1 (en) | Joint pruning and quantization scheme for deep neural networks | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
TW201947464A (zh) | 用於離散化深度神經網路的量化的連續鬆弛 | |
CN111291183A (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
CN112508173A (zh) | 交通时空序列多步预测方法、系统及存储介质 | |
CN114944229B (zh) | 基于深度学习和磁共振结构脑影像的脑龄预测方法 | |
CN109919188A (zh) | 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法 | |
CN116933931A (zh) | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及系统 | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN110517494A (zh) | 基于集成学习的交通流预测模型、预测方法、系统、装置 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN114912666A (zh) | 一种基于ceemdan算法和注意力机制的短时客流量预测方法 | |
CN115482518A (zh) | 一种面向交通场景的可扩展多任务视觉感知方法 | |
CN117668563B (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
CN116914730A (zh) | 基于广域卫星云图数据的日前光伏功率预测方法及装置 | |
CN115409252A (zh) | 基于lstm的植物生长数据多步预测方法、装置、介质及设备 | |
CN113947250A (zh) | 一种基于有限数据资源的城市细粒度流量预测方法及系统 | |
CN115792631A (zh) | 一种结合小波变换和卷积神经网络的锂电池soh预测方法 | |
CN115348182A (zh) | 一种基于深度堆栈自编码器的长期频谱预测方法 | |
CN115496175A (zh) | 新建边缘节点接入评估方法、装置、终端设备及产品 | |
CN113642627A (zh) | 一种基于深度学习的图像与决策多源异类信息融合识别方法和装置 |
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 |