TR2022019711A2 - Si̇ni̇r aği (neural network) kullanarak şarj i̇stasyonu lokasyon öneri̇ yöntemi̇ - Google Patents
Si̇ni̇r aği (neural network) kullanarak şarj i̇stasyonu lokasyon öneri̇ yöntemi̇Info
- Publication number
- TR2022019711A2 TR2022019711A2 TR2022/019711 TR2022019711A2 TR 2022019711 A2 TR2022019711 A2 TR 2022019711A2 TR 2022/019711 TR2022/019711 TR 2022/019711 TR 2022019711 A2 TR2022019711 A2 TR 2022019711A2
- Authority
- TR
- Turkey
- Prior art keywords
- charging station
- neural network
- data
- recommendation method
- location recommendation
- Prior art date
Links
- 238000000034 method Methods 0.000 title abstract description 17
- 238000013528 artificial neural network Methods 0.000 title abstract description 11
- 230000006870 function Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Abstract
Buluş, şarj istasyonu operatörlüğü yapmak isteyen firmalara şarj istasyonu kurulabilecek en optimal lokasyon önerisinin sinir ağı (neural network) kullanılarak sağlandığı bir lokasyon öneri yöntemi ile ilgilidir.
Description
TARIFNAME SINIR AGI (NEURAL NETWORK) KULLANARAK SARJ ISTASYONU LOKASYON ÖNERI YÖNTEMI Teknik Alan Bulus; sarj istasyonu operatörlügü yapmak isteyen firmalara sarj istasyonu kurulabilecek en optimal lokasyon önerisinin sinir agi (neural network) kullanilarak saglandigi bir lokasyon öneri yöntemi ile ilgilidir. Önceki Teknik Teknikte sadece trafik yogunlugu verisi hesaba katilarak herhangi bir yapay zeka algoritmasi kullanilmadan sarj istasyonlarina iliskin lokasyon önerisi yapilmaktadir. Teknigin bilinen durumunda yer alan Intelligent Electric Vehicle Charging Recommendation Based on Multi-Agent Reinforcement Learning baslikli dokümanda, çoklu ajan takviyeli ögrenmeye dayali akilli elektrikli araç sarj önerisinden bahsedilmektedir. Dokümanda ReLU fonksiyonun kullanimindan bahsedilmektedir. Dokümanda ReLu fonksiyonunda negatif degerler isleme alinmamaktadir. Teknigin bilinen durumunda yer alan Web Mining to Inform Locations of Charging Stations for Electric Vehicles baslikli dokümanda, elektrikli araçlar için sarj istasyonlarinin konumlarini bildirmeye yönelik ve madenciligi bilgilerinden bahsedilmektedir. Ilgili dokümanda sinir agi ve ReLU fonksiyonlarinin kullanimindan bahsedilmektedir. Patent dokümaninda, bir veya daha fazla ilgi noktasindaki (POI'ler) elektrikli araç (EV) sarj istasyonlarinin (EVCS) optimal sayisini ve karisimini tahmin etmek için gelistirilmis yaklasimlardan bahsedilmektedir. Teknikte var olan yöntemler incelendiginde, tek bir parametreye bagli olmayan ve sinir agi kullanilarak daha verimli bir sarj istasyonu lokasyon önerisinin gerçeklestirildigi bulus konusu öneri yönteminin gerçeklestirilmesi ihtiyaci duyulmustur. Bulusun Amaçlari Bu bulusun amaci, tek bir parametreye bagli olmayan ve sinir agi kullanilarak daha verimli bir sarj istasyonu lokasyon önerisinin gerçeklestirildigi öneri yönteminin gerçeklestirilmesidir. Bu bulusun bir baska amaci, karayollari trafik hacim verisinin yani sira sarj istasyonlari ve harita veri tabanlari, mobese kayitlari ve sebeke sagligi verilerinin kullanildigi bir lokasyon öneri yönteminin gerçeklestirilmesidir. Bu bulusun bir baska amaci, sinir agi (Neural Network) olusturularak kurulum maliyeti, operasyon maliyeti, baglanti maliyeti, bakim maliyeti, is maliyeti, sarj ücreti gibi parametrelerin azaltilmasinin saglandigi bir lokasyon öneri yönteminin gerçeklestirilmesidir. Bulusun Ayrintili Açiklamasi Bulus, sarj istasyonu kurulabilecek en optimal lokasyon önerisinin sinir agi (neural network) kullanilarak saglandigi bir lokasyon öneri yöntemi ile ilgili olup; - modelin girdisini olusturan karayollari trafik yogunlugu, sebeke sagligi verileri, var olan sarj istasyonu bilgileri ve harita verilerinin toplanmasi, - toplanan verilerin sinir agini besleyebilecek formata hazir hale getirilerek modelin giris katmanina beslenmesi, - giris katmanini besleyen parametrelerin rastgele agirliklarla çarpilmasi ve bir sapma sabitinin (bias) eklenmesi, - elde edilen agirlikli toplamin, ReLu (Rectified Linear Unit (Dogrultulmus Dogrusal Birim)) aktivasyon fonksiyonuna aktarilarak sarj istasyonu model skorunun hesaplanmasi, - hesaplanan çikti skoru ile veri setindeki skorun karsilastirilmasi ve agirliklar ile sapma sabitinin yeniden hesaplanmasi, - seçilen lokasyonlarin modele girdi olarak verilmesi ve en yüksek skora sahip lokasyonun belirlenmesi adimlarini içermektedir. Bulus konusu yöntemde, ilk olarak karayollari trafik yogunlugu, sebeke sagligi verileri, var olan sarj istasyonu bilgileri (konum, kullanici sayisi, karlilik) ve harita verileri hazirlanir. Bu veriler Karayollari Genel Müdürlügü, sarj istasyonu operatörlügü yapan firmalar, Harita Genel Müdürlügü ve Enerji Piyasasi Düzenleme Kurumu,ndan temin edilmektedir. Daha sonra toplanan veriler; temizlik, bütünlestirme, seçme ve dönüstürme islemlerinden geçirilerek sinir agini besleyebilecek formata hazir hale getirilir. Hazir olan parametrelerle modelin giris katmani beslenir. Verinin kalitesinin arttirilmasi için ilk olarak veri temizleme islemi gerçeklestirilir. Bunun için, toplanmis verilerdeki tekrar eden, gereksiz veya tutarsiz veriler belirlenerek veri tabanindan çikarilir. Temiz veri kümesi belirlenerek eksik ve kayip veriler tamamlanir. Farkli kaynaklardan toplanmis verilerin isleme alinmasi ve degerlendirilebilmesi için iliskili veriler ayni türe çevrilerek birlestirilir ve veri bütünlestirme asamasi tamamlanmis olur. Ardindan temizlenmis ve bütünlestirilmis sarj istasyonu bilgileri, harita verileri, trafik yogunlugu, sebeke sagligi verilerinden analiz yapilmasi için uygun veriler degerlendirilerek seçilmektedir. Seçilerek elde edilen veriler; ilgili sarj istasyonu lokasyon önerisi için kullanilacak modele ve uygulanacak fonksiyona uygun bir sekle dönüstürülür. Giris katmanini besleyen parametreler rastgele agirliklarla çarpilir ve bir sapma (bias) eklenir. Girisler ve ilgili girislerin agirliklarinin çarpiminin bir sonucu olan net girisin hesaplandigi toplama fonksiyonuna parametre olarak eklenen bias, aktivasyon fonksiyonunun esik degeri olan bir sabittir. Parametrelerle rastgele agirliklar çarpma islemine tabi tutulmaktadir. Agirliklar toplami elde edildikten sonra elde edilen bu sonuca bias eklenerek eldeki skor ile karsilastirma yapilmaktadir. Skora olabildigince yakinsama saglanana dek agirliklar ve bias degistirilmektedir. Bias degerinin belirli bir formülü bulunmamaktadir. Elde edilen agirlikli toplam, özellestirilmis bir ReLu (Rectified Linear Unit) aktivasyon fonksiyonuna aktarilir. Burada kullanacagimiz özellestirilmis bu ReLu aktivasyon fonksiyonunda ise sadece pozitif degerler degil belirlenen sifira çok yakin bir deger ile negatif veriler de ögrenmeye dahil edilmektedir. Bu sayede sistemin daha hizli ve verimli çalismasi saglanmaktadir. Böylece özellik çikarma için de hangi verilerin kullanilmasi gerektigi belirlenmis olur. ReLu aktivasyon fonksiyonu çikti degerleri [0, +00] arasinda yer alan ve agin daha hizli egitilmesini saglayan bir fonksiyondur. Bunun nedeni de fonksiyonun 0,dan büyük olan girdilerinin sabit türev degerine sahip olmasidir. Bu özellestirilmis ReLu,da ise belirlenen sifira yakin bir sabit ile negatif degerlerin de hesaplamaya katilmasi saglanmis olur. Fonksiyon modele uygulanarak sarj istasyonu model skoru hesaplanir. Veri setindeki skor ve çikti sonucu karsilastirilir ve agirliklar ile sapma sabiti (bias) yeniden hesaplanir. Modelden en dogru sonuç alinana dek yukaridaki islemler tekrarlanmaktadir. Modelin genelleme performansini dogrulamak için test analizi sinifi kullanilir ve veri setinin test örneklerinde skoru ile model çiktisi karsilastirilir. Analiz sonucu seçilen lokasyonlar ilgili modele girdi olarak verilir. En yüksek skora sahip lokasyon belirlenir. Bulus konusu yöntem; sarj istasyonu operatörlügü yapmak isteyen firmalara sarj istasyonu kurulabilecek en optimal lokasyon önerisi yapmak üzerinedir. Bu sayede enerjide verimlilik aitirilacaktir. Bulus konusu yöntemi, elektrikli araç sarj istasyonu operatörlügü ve üreticiligi yapan firmalar kullanabilecektir. TR TR TR
Publications (1)
Publication Number | Publication Date |
---|---|
TR2022019711A2 true TR2022019711A2 (tr) | 2024-01-22 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
CN108761509B (zh) | 一种基于历史数据的汽车行驶轨迹及里程预测方法 | |
CN108072381B (zh) | 一种路径规划的方法及装置 | |
CN106529608A (zh) | 一种机动车尾气遥测设备综合布点系统 | |
CN110555476B (zh) | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 | |
CN112949931B (zh) | 数据驱动和模型混合的充电站数据的预测方法和装置 | |
CN113435777B (zh) | 一种电动运营车辆充电站规划方法及系统 | |
CN118025203A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
CN116029411A (zh) | 一种基于物联网的智慧城市区域管理方法和系统 | |
CN110738367A (zh) | 一种基于深度残差网络的交通尾气排放量预测方法 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
Sánchez-Marré et al. | An approach for temporal case-based reasoning: Episode-based reasoning | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
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 | |
Ayman et al. | Data-driven prediction of route-level energy use for mixed-vehicle transit fleets | |
CN110659774A (zh) | 大数据方法驱动的停车需求预测方法 | |
Saleh et al. | Traffic accident risk forecasting using contextual vision transformers | |
TR2022019711A2 (tr) | Si̇ni̇r aği (neural network) kullanarak şarj i̇stasyonu lokasyon öneri̇ yöntemi̇ | |
Holden et al. | Development of a trip energy estimation model using real-world global positioning system driving data | |
Sarika et al. | Cloud based Smart EV Charging Station Recommender | |
Chondrogiannis et al. | History oblivious route recovery on road networks | |
CN114444795A (zh) | 一种单线路公交乘客出行数据生成方法 | |
Cucu et al. | Management of a public transportation service: carsharing service | |
CN113076693A (zh) | 基于支持向量机和隐马模型的路面压实质量评价方法 |