一种基于道路状态预测的汽车充电协同调度方法与流程
本发明涉及电动汽车充电调度,尤其涉及一种基于道路状态预测的汽车充电协同调度方法。
背景技术:
1、随着电动汽车保有量的快速增长,如何为待充电车辆合理分配目标充电站,已成为充电调度领域亟待解决的关键问题。
2、目前,电动汽车充电调度方法主要分为基于规则的方法和基于优化模型的方法两大类。前者通常根据车辆当前电量、距离或空闲桩数量等简单规则进行决策;后者通过构建以行驶距离最短、排队时间最少等为目标函数的优化模型并求解,从而确定分配方案。
3、然而,现有方法仍存在以下不足:其一,调度决策仅依赖当前时刻的道路交通状态,缺乏对未来交通状态变化的预测,容易导致车辆途中遭遇拥堵,实际行驶时间远超预期,甚至因电量耗尽无法到达目标站,同时造成充电站资源被无效占用;其二,充电站状态评估维度较为单一,通常仅考虑空闲桩数或排队车辆数,未能将已被分配但尚未到达的在途车辆对排队的动态影响、充电站自身功率余量以及接入配电网的负载率和电压偏差等安全约束纳入考量,容易引发局部配电网过载或电压越限;其三,道路网络与充电站网络常被作为相互独立的特征处理,缺乏对二者深层次耦合关系的有效建模,难以体现道路拥堵与充电站选择之间的相互影响。其四,现有方法多采用确定性规则或静态优化策略,难以适应车辆到达随机、交通状态时变、充电站负载波动等高度动态不确定环境,在大规模多车多站场景下调度效率显著下降。
4、因此,现有技术亟需一种新的技术方案来解决上述问题。
技术实现思路
1、针对现有技术存在的上述不足,本发明提供了一种基于道路状态预测的汽车充电协同调度方法,通过道路状态预测模型预测未来交通状态,并利用多头注意力机制融合道路与充电站多源特征,结合actor-critic网络输出选择概率分布以确定目标充电站,解决了现有技术中忽视未来交通变化、充电站及配电网状态评估维度单一、道路与充电站耦合关系缺失以及静态策略难以适应动态环境的技术问题。
2、为了解决上述技术问题,本发明采用了如下技术方案:
3、一种基于道路状态预测的汽车充电协同调度方法,包括如下步骤:
4、s1、获取待预测区域的道路拓扑图和道路状态矩阵,并输入至训练后的道路状态预测模型,得到道路交通状态预测结果;
5、s2、获取候选充电站的状态特征向量,构建充电站状态特征;
6、s3、基于所述道路交通状态预测结果构建道路特征;将所述道路特征和所述充电站状态特征分别输入多头注意力机制,并利用残差连接得到道路全局特征和充电站全局特征;将所述道路全局特征和所述充电站全局特征进行拼接,得到充电站融合特征;
7、s4、获取待调度车辆的车辆状态特征,将所述车辆状态特征和所述充电站融合特征拼接后输入训练后的actor-critic网络,输出各候选充电站的选择概率分布,根据所述选择概率分布确定所述待调度车辆的目标充电站,实现汽车充电协同调度。
8、作为优选方案,步骤s1中,所述待预测区域的道路拓扑图表示为:
9、;
10、式中:表示道路拓扑图;表示道路节点集合;表示道路之间的连接关系;表示道路邻接矩阵;
11、所述道路状态矩阵由时间段的所有道路状态特征向量按照道路节点顺序进行组合得到,所述道路状态矩阵表示为:
12、;
13、式中:表示道路状态矩阵;表示道路节点数量;表示每条道路的状态特征数量;表示矩阵转置;
14、所述道路状态特征向量表示为:
15、;
16、式中:表示第条道路在时间段的道路状态特征向量;表示对第道路的embedding编码;表示第条道路在时间段的车流量;表示第条道路在时间段的平均速度;表示第条道路在时间段的拥堵情况。
17、作为优选方案,步骤s1中,所述道路状态矩阵输入至训练后的道路状态预测模型之前,还包括:
18、对所述道路状态矩阵中的不同类型的道路状态特征分别进行归一化处理;对于任一类型的道路状态特征,其归一化结果通过下式计算得到:
19、;
20、式中:表示归一化后的道路状态特征;表示归一化前的道路状态特征,包括车流量、平均速度和拥堵情况;和分别表示该类道路状态特征在历史数据中的最小值和最大值;表示用于避免分母为零的预设正数。
21、作为优选方案,步骤s1中,所述道路状态预测模型包括图卷积神经网络和门控循环单元,其具体处理过程包括如下步骤:
22、s101、在所述道路邻接矩阵中加入单位矩阵,得到包括自连接的邻接矩阵,并根据所述包括自连接的邻接矩阵计算度矩阵,根据所述度矩阵对所述道路邻接矩阵进度对称归一化处理;
23、s102、在每一个历史时刻,将归一化后的道路邻接矩阵和经归一化处理后的所述道路状态矩阵输入图卷积神经网络,提取得到道路空间特征矩阵:
24、;
25、式中:表示道路空间特征矩阵;表示归一化后的道路邻接矩阵;表示图卷积层的可训练权重矩阵;表示图卷积层的偏置参数;表示线性整流激活函数;
26、s103、将连续多个历史时刻的道路空间特征矩阵按时序排列,构成道路空间特征序列并输入门控循环单元;
27、s104、所述门控循环单元通过更新门和重置门控制上一时刻的隐藏状态的保留和舍弃,输出各历史时刻的隐藏状态:
28、更新门:;
29、重置门:;
30、候选隐藏状态:;
31、当前隐藏状态:;
32、式中:表示上一时刻的隐藏状态;表示更新门输出;表示重置门输出;表示候选隐藏状态;表示当前隐藏状态;表示sigmoid激活函数;表示双曲正切激活函数;表示逐元素乘法;、、、、、均表示门控循环单元的可训练参数;
33、s105、将最后一个历史时刻对应的隐藏状态输入输出层,得到下一个时刻的道路交通状态预测结果:
34、;
35、式中:表示道路交通状态预测结果;表示输出层的多层感知机。
36、作为优选方案,步骤s1中,所述道路状态预测模型具体通过如下步骤训练:
37、获取各道路路段在多个历史时刻的道路状态特征向量,构建道路历史状态矩阵,将连续多个历史时刻的道路历史状态矩阵按时序排列,得到道路历史状态序列;利用滑动时间窗口从所述道路历史状态序列中截取连续多个历史时刻的道路历史状态矩阵作为训练样本,输入至所述道路状态预测模型,以平均绝对误差作为训练损失,通过反向传播算法调整所述道路状态预测模型的模型参数,得到训练后的道路状态预测模型;
38、所述训练损失表示为:
39、;
40、式中:表示训练损失;表示第条道路未来第个时刻的真实道路交通状态;表示第条道路在未来第个时刻的道路交通状态预测结果;表示预测的未来时刻数量;表示道路节点数量。
41、作为优选方案,步骤s2中,所述充电站状态特征表示为:
42、;
43、;
44、式中:表示充电站状态特征;表示第个候选充电站的状态特征向量;、、分别表示第个候选充电站的空闲充电桩比例、综合排队压力、站端功率余量;、分别表示第个候选充电站的接入配电网的电网设备负载率和节点电压偏差。
45、作为优选方案,步骤s3中,所述道路全局特征通过多头注意力机制提取:
46、;
47、;
48、式中:表示道路全局特征;表示多头注意力机制;表示道路特征;表示当前时刻的道路交通状态;表示道路交通状态预测结果;
49、所述充电站全局特征通过多头注意力机制与多层感知机的残差连接提取:
50、;
51、式中:表示充电站全局特征;表示多层感知机;
52、所述充电站融合特征表示为:
53、;
54、式中:为充电站融合特征。
55、作为优选方案,步骤s4中,所述actor-critic网络包括actor网络和critic网络;
56、在所述actor-critic网络中,对输入的所述车辆状态特征和所述充电站融合特征拼接后得到联合状态,将所述联合状态输入多层感知机,提取得到联合状态特征;将所述联合状态特征输入所述actor网络,经softmax层输出各候选充电站的选择概率分布,进而通过分配策略选择目标充电站;将所述联合状态特征输入所述critic网络,经线性层输出当前联合状态的价值评估;
57、所述车辆状态特征表示为:
58、;
59、式中:表示车辆状态特征;表示车辆当前所在的第道路的embedding编码;表示车辆缺电程度;表示充电紧急程度;
60、在调度过程中,以最大选择概率分布所选充电站作为所述待调度车辆的目标充电站,其表示为:
61、;
62、式中:表示目标充电站;表示actor网络参数;表示联合状态;表示候选充电动作;表示分配策略;表示在联合状态下选择第个候选充电站的动作概率。
63、作为优选方案,步骤s4中,所述actor-critic网络交具体通过如下步骤训练:
64、s401、基于所述车辆状态特征和所述充电站融合特征拼接得到的联合状态,将所述联合状态输入所述actor网络,通过分配策略根据所述actor网络输出的选择概率分布进行采样,确定所述待调度车辆的候选充电动作;
65、402、执行所述候选充电站动作后,获取当前调度时间段内的车辆充电任务完成率作为即时奖励,并转入下一时刻的联合状态;
66、s403、将所述当前联合状态和所述下一时刻的联合状态分别输入所述critic网络,得到当前状态价值评估和下一时刻状态价值评估,根据所述即时奖励和所述下一时刻状态价值评估计算时序差分目标值和时序差分误差;
67、s404、根据所述时序差分误差,分别构建actor网络和critic网络的损失函数,以分别更新actor网络和critic网络的参数,进而得到训练后的actor-critic网络。
68、作为优选方案,步骤s401中,所述联合状态表示为:
69、;
70、式中:表示联合状态;表示充电站融合特征;
71、所述选择概率分布表示为:
72、;
73、式中:表示actor网络参数;表示候选充电动作;表示actor网络;
74、步骤s402中,所述即时奖励表示为:
75、;
76、式中:表示即时奖励;表示当前调度时间段内成功完成充电任务的车辆数量;表示当前调度时间段内参与充电站调度的车辆总数;
77、步骤s403中,所述时序差分目标值的计算公式为:
78、;
79、式中:表示时序差分目标值;表示折扣因子;表示下一时刻状态价值评估;
80、所述时序差分误差的计算公式为:
81、;
82、式中:表示时序差分误差;表示当前状态价值评估。
83、与现有技术相比,本发明具有如下技术效果:
84、1、本发明通过构建包括图卷积神经网络和门控循环单元的道路状态预测模型,以道路路段为节点构建拓扑图并提取交通状态的空间关联特征与时序演化规律,实现对未来时刻道路交通状态的准确预测,使调度决策能够预判车辆前往充电站途中可能遭遇的拥堵,有效避免因实际行驶时间远超预期而导致的车辆无法到达目标站及充电站资源被无效占用。
85、2、本发明通过获取候选充电站的空闲充电桩比例、综合排队压力、站端功率余量以及接入配电网的负载率和电压偏差构建充电站状态特征,其中综合排队压力由站内等待车辆数量及已被分配但尚未到达车辆的预计到达时间共同确定,实现了对充电站接纳能力和电网安全约束的多维度评估,有效防止多车集中涌入同一站点引发排队加剧及局部配电网过载或电压越限。
86、3、本发明利用多头注意力机制分别提取道路网络中各路段之间的全局关联特征和各候选充电站之间的全局关联特征,充分挖掘道路拥堵与充电站选择之间的深层耦合关系;将充电站全局特征与原始充电站状态特征进行残差连接,在提取交互信息的同时保留各充电站自身属性;再将道路全局特征与充电站全局特征拼接为多源融合特征,实现了异构数据的高度压缩与深度融合,为调度决策提供了包含未来交通态势和充电站多维约束的全局特征表示。
87、4、本发明将车辆状态特征与多源融合特征拼接后输入actor-critic网络,actor网络输出各候选充电站的选择概率,critic网络输出状态价值评估以评价策略优劣,通过以充电任务完成率为奖励函数的时序差分误差同步更新双网络参数,使调度策略在训练中逐步收敛至全局最优;推理阶段直接选择概率最大的充电站作为目标充电站,在多车多站的复杂动态博弈场景下保持较高调度效率,显著提升充电任务完成率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com