[发明专利]一种集成人机智能的5G电动汽车充电预测方法和系统

说明书

本发明的一种集成人机智能的5G电动汽车充电预测方法和系统，包括以下步骤：S100、获取电动汽车的充电行为数据；S200、把获取到的充电行为数据输入事先设置好的电动汽车充电预测模型，对电动汽车的充电请求进行处理，进行预测并优化充电计划。本发明考虑到电动汽车固有的高移动性和低可靠性，提出了一种基于网络切片和边缘计算技术的5G智能电网架构，所提出的三层智能电网体系结构是实现混合人工智能算法的硬件基础。本发明提出了基于K均值的电动汽车充电行为聚类、基于K近邻(KNN)的电动汽车充电行为分类和基于LSTM的电动汽车充电行为预测的混合人工智能方法，多步混合预测过程有助于分析电动汽车的充电行为。

技术领域

本发明涉及电力物联网技术领域，具体涉及一种集成人机智能的 5G电动汽车充电预测方法及系统。

背景技术

随着全球气候的不断变化和化石燃料的枯竭，传统的电网已经不能满足日益增长的能源需求，无法支持产业创新和改善人民生活水平。智能电网正在发展成为下一代电网，将电力基础设施与先进信息、人工智能、传感器和自动控制技术相结合来应对这些挑战。在上述多种技术的支持下，智能电网能够提供可靠、安全、经济、高效的供电服务。现今由于油价上涨、全球变暖、充电设施的发展以及电动汽车电池技术的进步，电车数量急剧上升。根据国际能源署(IEA)的预测，到2030年，道路上的电动汽车数量将达到1.25亿辆。考虑到电动汽车所需电能巨大，智能电网运营商需要通过分析电动汽车的充电行为来确定最优充电价格。从充电行为的角度，电动汽车用户可以分为正常用户和非正常用户。普通用户的收费行为具有一定的规律性。他们每天定时充电，每次充电量稳定。非正常用户的收费行为不规范。比如，由于旅途中电量不足，非正常用户只需选择附近的充电站充电，很长一段时间内不会在同一个充电站充电。电网运营商需要对电动汽车用户的充电行为进行分析，才能为高效、有目的地使用能源提供按需服务。然而，传统的电网由于传输延迟大、计算能力有限，无法有效地实现资源优化和先进的计费服务保障调度。

为了实现高效的电动汽车充电，最近许多提案都引入了网络切片的概念，在网络资源有限、运营成本较低的情况下，可以按需提供服务。已经有人提出了一种智能电网中的车辆延迟容忍网络，利用边缘计算技术将数据传输到电动汽车上。然而，随着电动汽车数量的增加，对低延迟车到网(V2G)服务的需求不断增加。最近，边缘计算技术引起了很大关注，它有潜力为电动汽车用户提供计算资源，以减少电网边缘的V2G延迟。此外，边缘计算还可以实现视频监控、城市交通、定位系统和应急等多种智能城市服务。尽管有这些优势，但采用网络分层和边缘计算的智能电网仍然缺乏预测电动汽车充电行为的能力，这对给电动汽车用户提供按需服务至关重要。

众所周知，深度学习算法可用于预测时间序列数据，如网络流量和用户行为。近年来，学者们一直试图利用递归神经网络(RNNs)来解决时间序列预测问题，RNNs是模式识别和时间序列预测的深度学习的一个重要分支。在电动汽车预测方面，研究者发现RNN比传统的深度学习有更好的性能。RNN可以对依赖于时间或序列的行为进行建模，如语音识别、金融市场、web流量等。然而，传统的RNN模型不能忽视其长期依赖性的弱点，这将导致梯度消失。作为RNN最常见的变体，长短期存储器(LSTM)被广泛应用于捕获长期依赖项。因此，LSTM更适合于电动汽车充电分析。目前已经有人采用了基于RNN的方法，通过预测电动汽车的轨迹和延迟来提高电动汽车的能耗。

下面简单介绍两种已有专利提出的电动汽车充电行为分析的策略：

方案一：专利号201310618439.6涉及一种基于单辆电动汽车充电预测的电动汽车实时充电方法，属于电力系统运行和控制技术领域。本发明利用单辆电动汽车未来充电行为的预测信息，在每个控制时刻考虑未来一段时间内的电力系统和电动汽车的运行状态，利用将入网单辆电动汽车充电行为的预测数据，建立相应的充电预测模型，并将预测模型纳入已入网充电汽车的实时滚动优化模型中，求解已入网汽车当前时刻的优化充电功率，在最终的控制方案中只对入网充电的电动汽车下发当前时刻的最优解。此方法有效提高了现有实时充电优化方法的效果，更好地削峰填谷，增加电力系统效益。