CN115063184B 电动汽车充电需求建模方法、系统、介质、设备及终端 （兰州理工大学）

本发明属于电动汽车充电需求建模技术领型学习用户驾驶策略和用户出行策略；基于XGboost机器学习电动汽车性能模型；基于百度地图实时路况证明该算法可提取用户驾驶特征城市区域充电站规划以及充电引导提供有力的2分析电动汽车用户差异性和电动汽车性能差异性的影响，基于生成步骤三，采用交叉验证方法训练基于XGboost的电动汽车24小3当鉴别器无法区分生成器生成的数据与真实数据时，生成器和鉴别器达到纳什均衡，比较在状态s下执行动作a所得回报和执行当前策略π(s|a)所得回报，用于评价动作aθt4.如权利要求1所述电动汽车充电需求建模方法，其特征在于，所述步骤三中的基于XGboost的电动汽车用户24小时SO根据输入特征分析，基于策略学习产生的24小时用户速度曲路径规划采用数据集中真实路径经纬度坐标集合，所有路径经纬4分析用户驾驶策略受实时交通流速的影响，获取各路图实时信息平台获取当前车辆坐标所属路段的行驶时间T，设相邻节点的距离起始节点的使用正态分布对不同用户的充电起始SOC分布进行6.一种实施如权利要求1～5任意一项所述电动汽车充电需求建模方法的电动汽车充输入数据集构建模块，用于构建电动汽车运行原始数据集，并将所述原鉴别器神经网络、策略神经网络和价值神经网络构区域电动汽车集群充电需求预测构建模块，~5任意一项所述电动汽车充电需求建模方法。得所述处理器执行如权利要求1～5任意一项所述电动汽车充5车(EVs)发展和市场渗透的政策。2021年全球电动汽车销量达到675万辆，比2020年增长108同时电动汽车在全球轻型汽车销售中的全球份额为8.3而2020年为4.2％。持续增长的规模化电动汽车充电需求接入电网必将给城市道路交通以及电网的稳定运行带来户充电SOC特征挖掘和基于用户充电策略分布来模拟群体行为及其对充电需求预测的影响。其次使用levenbergu的前馈和递归人工神经网络(ANN)开发了基于Rough结构的前技术方案中缺乏对用户充放电策略的数学模型的6述模型分为放电SOC预测模型和充电SOC测所有用户24小时单车SOC变化曲线；结合用户充电紧迫性预测所有用户充电需求和能量7[0028]根据SOC和用户策略的相关性分析，基于策略学习产生的24小时用户速度曲线计[0029]预测算法选择XGboost，其中的循环为交叉验证过程；将训练数据集划分为n_[0042]用户充电需求产生的根本原因是由于电池能量(SOC)的减少，即用户充电的紧迫8和x3越大。[0050]用户充电起始SOC分布会反映用户充电动作对SOC的依赖性。不同用户的起始SOCp这里利用用户充电紧迫性和充电起始SOC来预测不用用户的充电能量需求，根据充电需求p9[0056]本发明的另一目的在于提供一种实施所述的电动汽车充电需求建模方法的电动[0066]本发明基于生成对抗模仿学习的策略学习能力，提出一种基于百度地图实时数性能差异性的影响，基于生成对抗模型学习(GAIL)用户驾驶策略和用户出行策略；基于[0079]建立充放电策略精确的数学模型；建立基于实时交通流速的单车24小时SOC预测[0080](3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难基于MIC构建用户策略模型训练输入数据集，构建电动汽车用户24小时SOC预测数据集合，所有用户24小时单车SOC变化曲线；结合用户充电紧迫性预测所有用户充电需求和能量需[0103]充电阶段没有人为主观因素参与，各个变量随电动汽车和充电桩交互过程而变[0116]构建GAIL算法构架；GAIL利用专家数据训练鉴别器训练生成器并混淆鉴别的判)是鉴别器对真实数据的概率判定；D(G(z(i)))对生成数据的概率判例提供的步骤S102中的构建基于生成对抗模仿学习的用户行为策略学习模型包括如下步[0142]作为优选实施例，本发明实施例提供的步骤S103中的结合策略模型的XGboost电[0143]根据SOC和用户策略的相关性分析，基于策略学习产生的24小时用户速度曲线计[0145]如图4所示，该优选实施例提供的电动汽车集群充电需求预测方法，包括如下步[0151]基于XGboost的电动汽车24小时SOC预测模型，该模型分为放电SOC预测模型和充所有用户24小时单车SOC变化曲线，结合用户充电紧迫性预测所有用户充电需求和能量需例提供的步骤S103中的基于XGboost的电动汽车用户24小时S曲线以及充电时间曲线，其中速度曲线和里程曲线预测放电SOC，充电时间曲线预测充电度地图实时信息平台获取当前车辆坐标所属路段的行驶时间T，设相邻节点的距离起始节利用用户充电紧迫性和充电起始SOC预测不用用户的充电能量需求，根据充电需求区间的[0216]本发明实验数据是从上海新能源电动汽车监测中心获取的1000辆电动汽车在一率同步动态随机存取存储器(英文：DoubleDataRateSynchronousDynamicRandomAccessMe处理器调用。两者在晚上采取慢速充电。出租车和私家车的放电时间区间相对而言没有明显的规律性。同时出租车在13:00PM左右会有明显的充电行为，由于出租车需要在白天获得更多出行订[0232]这里基于用户驾驶速度和里程预测结果作为XGboost算法的输入特征，以此来预结果上表现出良好的稳定性，但是基于历史SOC的方法的预测结果在放电过程的后半段出中平均均方误差减少了13平均决定系数提高了4结果证明，两种方在对物流车SOC预