[发明专利]一种电动汽车充电负荷的估算与建模方法

说明书

本发明涉及一种电动汽车充电负荷的估算与建模方法，是针对现有同类方法较少采用CNN和LSTM会快速获取不同时间段不同场景的充电时空特征，导致模型评估的精度较低，及较少采用BP神经网络，拟合用户的充电偏好，建立畅通的充电站处充电路段通道的技术问题而设计。其要点是该方法通过获取电动汽车的出行轨迹，挖掘电动汽车用户出行模式和充电模式，采用融合CNN和LSTM分别对不同场景和不同时间段的出行模式数据、充电模式数据进行时空特征提取，基于上述时空特征采用BP神经网络综合交通路网状态实现分时段估算充电负荷；同时，该方法采用BP神经网络，结合交通状态实现不同场景和不同时间段充电负荷预测，并拟合用户的充电偏好。

技术领域

本发明涉及电动汽车充电负荷系统，是一种电动汽车充电负荷的估算与建模方法。

背景技术

目前，准确的电动汽车充电负荷估算模型能够为配电网优化运行与控制提供可靠的实时 充电预估信息，为配电网规划提供精细化的充电负荷时空特性输入。现有电动汽车充电负荷 技术，如中国专利文献中披露的申请号201710952465.0，申请公布日2018.02.13，发明名称 “一种考虑时空分布的电动汽车充电负荷预测方法”；再如中国专利文献中披露的申请号 202110978765.2，申请公布日2021.12.31，发明名称“一种考虑数据相关性的电动汽车充电 负荷预测方法”。但除上述方法之外，当前大多数的电动汽车充电负荷估算模型研究一般采用 单一模型，比如蒙特卡洛模型进行用户出行行为的预测，该模型较难很好地体现不同用户充 电需求多样性的特征，从而导致模拟误差。因此需要对用户的出行模式进行深入研究，结合 出行模式来预测用户的充电需求，而不是仅仅关注电动汽车自身电量变化规律。同时，现有 同类模型较少针对现有电动汽车渗透率较高场景下充电行为具有随机性和分散性的特点，提 出融合CNN和LSTM电动汽车充电负荷估算模型，实现分时段估算充电负荷。

发明内容

为克服上述不足，本发明的目的是向本领域提供一种电动汽车充电负荷的估算与建模方 法，使其主要解决现有同类方法较少采用CNN和LSTM会快速获取不同时间段不同场景的充电 时空特征，导致模型评估的精度较低，及较少采用BP神经网络，拟合用户的充电偏好，建立 畅通的充电站处充电路段通道的技术问题。其目的是通过如下技术方案实现的。

一种电动汽车充电负荷的估算与建模方法，该方法通过获取电动汽车的出行轨迹，挖掘 电动汽车用户出行模式和充电模式，采用融合CNN和LSTM分别对不同场景和不同时间段的出 行模式数据、充电模式数据进行时空特征提取，基于上述时空特征采用BP神经网络综合交通 路网状态实现分时段估算充电负荷；其特征在于所述CNN对数据进行获得某个时间段和某个 场景的空间特征，原始输入是以T为时间长度，n个样本所有接入的电动汽车在充电前一刻 的行驶里程数量、充电时长、充电前一刻的剩余电量、充电开始时间、充电结束时间的数据； 经过CNN的一系列处理，最后由n个神经元得到1×n维的空间特征向量：

接着，将充电接入的时间先后排列出行模式数据和充电模式数据，出行模式数据和充电 模式数据包括充电前一刻的行驶里程数量、充电时长、充电前一刻的剩余电量、充电开始时 间和充电结束时间，通过LSTM提取某个时间段和某个场景的时间特征；

经过LSTM处理后，在LSTM的隐含层单元数量为n，最后隐含层输出n×m维时间特征向 量：

在得到CNN和LSTM的原始表达之后，引入注意力特征对特征表达进行融合，形成融合后 的时空特征表达f_map，特征融合的表示方法为：

基于公式7，得到：

f_map就是当前表达的出行模式和充电模式的时空特征。