[发明专利]数据驱动的电动汽车充电需求的时空价格弹性估计方法

权利要求书

1.一种数据驱动的电动汽车充电需求的时空价格弹性估计方法，其特征在于，该方法首先获取每个区域在研究时间内的充电历史数据，对历史数据进行归一化处理，得到各区域每日每时段归一化后的充电需求和充电价格并组成训练集；然后建立一个条件随机场模型，其中将充电价格作显式随机变量，充电需求作为隐式随机变量，选取条件随机场模型的拓扑结构及条件随机场模型的特征函数；利用训练集对条件随机场模型进行训练，得到训练完毕的条件随机场模型；利用训练完毕的条件随机场模型，计算任一区域任一时段充电价格对各区域任一时段充电需求的影响即得到时空价格弹性。

2.如权利要求1所述的方法，其特征在于，该方法包括以下步骤：

1)划分研究区域，获取每个区域在研究时间内的充电历史数据，对历史数据进行归一化处理，得到各区域每日每时段归一化后的充电需求和充电价格并组成训练集；具体步骤如下：

1-1)将研究的地区划分为若干块大小一样的区域，记划分成的区域集合为该集合中共包含k个区域；

将一天的时间划分为T个时段，记划分为的时段集合为

1-2)获取步骤1)划分的每一块区域中的所有充电站在研究时间内的充电历史数据，得到在研究时间内的每一个区域的每日平均充电量各区域充电站数量N_i；并且得到每一个区域在研究时间内每日每时段总充电量)、研究时间内每日每时段加权度电充电价格研究时间内每时段日平均的加权度电充电价格研究时间内每时段日平均充电量其中下标表示第i个区域，上标表示第t个时段，τ表示第τ天；

1-3)对步骤1-2)获取的每一区域的和分别进行归一化，得到归一化后的各区域每日每时段总充电量即归一化后的充电需求，以及归一化的各区域加权度电充电价格即归一化后的的充电价格，归一化公式分别如下：

1-4)将归一化后的充电价格和充电需求组成训练集其中小括号代表一个区域在一个时段的充电需求和充电价格对，中括号表示第τ天中所有区域在所有时段的充电需求和充电价格对数据；

2)建立条件随机场模型，包括：选取条件随机场模型的拓扑结构，选取条件随机场模型的特征函数；具体步骤如下：

2-1)建立条件随机场模型；在条件随机场模型中，将充电价格作显式随机变量，充电需求作为隐式随机变量；每个区域的每个时段分别对应一个充电价格和一个充电需求；将所有的显示随机变量构成图结构中的节点集合V，每一个显示随机变量都有一个对应的隐式随机变量，各随机变量之间的相关关系由连接两节点的边来表示；将各充电需求之间的连接的边的集合用边集E表示，E＝E_k+E_t，边集E包括在空间上拓扑连接的边集E_k和在时间上拓扑连接的边集E_t，其中E_k表示在同一时段内所有区域的充电需求的空间相关关系，E_t表示在同一个区域中的不同时段充电需求的相关关系；节点集和边集组成的图为G＝(V，E)；

条件随机场模型中的充电价格与充电需求之间的关系如下：

其中：

其中，是归一化的充电需求组成的向量；是归一化后的充电需求向量；是条件随机场模型的未知参数，i_t，j_t分别是第i个区域的第t个时段对应的图中的节点和第j个区域的第t个时段对应的图中的节点，分别是第i区域的第t₁，t₂个时段对应的图中的节点；ω_i，i∈V是自弹性的参数，用来量化第i个节点的充电需求d_i和其对应的充电价格ρ_i之间的相关关系，与之匹配的特征函数为ψ_i(d_i，ρ_i)；是空间弹性的参数，用来量化第t个时段第i个区域和第j个区域间的充电需求之间的相关关系，与之匹配的特征函数为是空间弹性的参数，用来量化第i个区域中t₁，t₂时段间的充电需求之间的相关关系，与之匹配的特征函数为为充电需求的离散取值集合；|V|是边集中元素的数量；表示了在中选取|V|次元素来构成充电需求的向量d；Z(ρ)为配分函数；

2-2)选取需要研究的空间上充电需求相关关系，方法如下：首先选取感兴趣的区域，然后将每个感兴趣区域及该区域的相邻区域连接起来，所有连接的边表示了充电需求转移的路径，组成边集E_k；

2-3)选取需要研究的时段上充电需求相关关系，方法如下：取每一个区域的各个时段，将该区域每一个时段的充电需求节点两两连接在一起，所有连接的边组成边集E_t；

2-4)选取条件随机场模型的三个特征函数ψ_i(d_i，ρ_i)，和表达式分别如下：

ψ_i(d_i，ρ_i)＝d_iρ_i，i∈V

3)利用步骤1)中得到的训练集对步骤2)建立的条件随机场模型进行训练，得到训练完毕的条件随机场模型；具体步骤如下：

3-1)最大化似然函数；

求取未知参数ω，使得训练集出现的概率为最大；

ω的对数似然函数为：

lnL(d|ρ；ω)＝lnP_ω(d|ρ)

根据三个特征函数，该对数似然函数的梯度为：

其中E(·)为概率分布的期望；

3-2)采用带遗忘的随机梯度上升算法对条件随机场模型进行训练，得到训练完毕的条件随机场模型；具体步骤如下：

3-2-1)初始化参数ω⁰，设迭代次数n＝0，设定遗忘系数α，学习率γ，训练集的天数为N，对第i天的数据选择概率为

3-2-2)在训练集中利用每一天数据概率p_i选取出第i天的充电需求和充电价格向量数据(d_i，ρ_i)；

3-2-3)计算第n次迭代的最大似然函数的梯度

3-2-4)更新参数ωⁿ⁺¹＝ωⁿ+γΔωⁿ；

3-2-5)计算第i天数据的平均损失并判定：若该天的数据已经被选取次数为m次，则其中δ(i)表示选取到第i天数据时对应的迭代次数n的集合；

3-2-6)更改所有天数的数据被选取的概率：

3-2-7)对n进行判定：如果n达到最大迭代次数，则输出ωⁿ作为条件随机场模型的最优参数ω^*，条件随机场模型训练完毕，进入步骤4)；否则，令n＝n+1，然后重新返回步骤3-2-2)；

4)利用步骤3)训练完毕的条件随机场模型估计充电需求的时空价格弹性；具体步骤如下：

4-1)利用条件随机场中对有环图的环状信念传播算法，估计充电需求的概率分布；具体步骤如下：

4-1-1)初始化信息初始迭代次数n＝1，其中表示第n次迭代中，当节点j的充电需求从离散集合中选取取值为d_j时，从节点i传递到节点j的信息；

4-1-2)对所有的边(i，j)∈E和节点j的充电需求对应的所有离散取值计算节点i传递到节点j的信息其中N(i)表示与节点i相连接的节点集合，N(i)\{j}表示节点i相连接的节点且不包含节点j的集合，ω_i，jψ_i，j(d_i，d_j)表示充电需求之间的相关关系；

4-1-3)对同一节点j的不同信息进行归一化

4-1-4)判定：若达到收敛条件或者达到最大迭代次数，则转到4-1-5)运算；否则，令迭代次数n＝n+1，然后重新回到步骤4-1-2)；

4-1-5)根据收敛的信息计算信念，计算方法为：

4-1-6)对信念进行归一化为：

4-1-7)待求取的隐式随机变量的期望为：

4-2)在给定的充电价格处局部线性化得到充电需求的价格弹性；

第i个区域的t₁时段充电价格对第j个区域t₂时段充电需求的影响用价格弹性表示；以设定的长Δρ在第i个区域t₁时段给定的充电价格处，取其附近的两个充电价格并且保持其余的区域价格不变，由此得到包含所有区域所有时段的两个价格向量对两个价格向量分别使用步骤4-1)的环状信念传播算法，计算在两个充电价格向量下分别对应的第j个区域t₂时段期望充电需求和得到充电需求的价格弹性表达式如下：