(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111597778.1 (22)申请日 2021.12.24 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 张嘉昊　罗平　乔森　李智慧　 何中杰　吕强　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 代理人 杨舟涛 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/18(2006.01) G06F 17/16(2006.01)G06Q 30/02(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于条件生成对抗网络的EV充电负荷 计算方法 (57)摘要 本发明公开了一种基于条件生成对抗网络 的EV充电负荷计算方法， 本发明考虑气温、 交通 拥堵、 用户意愿建立精确的EV负荷预测模型， 并 将其预测结果作为真实数据。 将气温、 交通拥堵、 用户意愿等负荷影响因素作为条件与噪声输入 CGAN的生成模型并获取预测数据， 然后将预测数 据与真实数据分别输入CGAN的判别模型， 通过 CGAN的博弈训练， 使 生成模型以负荷影 响因素为 条件生成预测负荷数据。 本发明提出的基于CGAN 的方法， 在网络训练完成后可以更改条件数据快 速获得EV充电数据， 为线上实时调度打下基础， 也可以对一些非常见条件下的负荷进行快速预 测， 起到一定参 考作用。 权利要求书3页 说明书7页 附图1页 CN 114282654 A 2022.04.05 CN 114282654 A 1.一种基于条件生成对抗网络的EV充电负荷计算方法， 其特征在于， 该方法具体包括 以下步骤： 步骤1、 根据调查问卷获取用户日常充电习惯、 偏好； 拟合用户有充电需求时的电量、 每 次充电结束时的电量的概率分布， 拟合用户对于距离最近、 充电成本最低、 花费时间最少这 三个方案排序的概 率密度； 步骤2、 构建用户出 行模型 EV按照使用性质分为私家车运营车辆两类； 考虑到私家车和运营车辆较大的运行差 异， 分别使用出 行链和OD概 率矩阵描述私家车和社会运营 车辆的出 行行为； 用户在一天之中会前往一个或多个地点活动， 其出行的目的地节点构 成的集合即为出 行链， 使用出 行链表示私家车用户出 行的具体表示如式(1)所示： D＝{d1,d2,...,dn,...} (1) 式中D为出行链对应的目的地 集合； n为目的地序号； d1为用户出 行的出发点； dn为出行过程中的停留点； 出 行链所对应的路径集 合可由式(2)表示： P＝{p(d1,d2),p(d2,d3),...p(dn‑1,dn),...} (2) 式中P表示出行链对应的路径集合， p(dn‑1,dn)表示第n ‑1个目的地到第n个目的地间的 路径； 各时间段区域内OD概率矩阵即可看作运营车辆出行目的地的概率分布， 其具体表示如 式(3)所示； 其中G(i)表示第i个时间段内的OD概率矩阵； r、 w、 b分别表示住宅区、 工作区、 商业区； gw,r表示用户从工作区前往住宅区的概 率； 步骤3、 构建EV能耗模型； 当道路畅通时车辆可匀速行驶， 车辆从i节点行驶到j节点 花费时间ti,j如式(4)所示： 其中， v为道路 限制行驶速度， li,j表示i节点到j节点的距离； 当道路发生拥堵时， 拥堵 程度越高,车辆行驶越缓慢， 通过引入耗时系数修 正行驶时间， 具体如式(5)所示； 其中， 为修正后的时间； δi为耗时系数； EV能耗模型 具体如式(6)所示： 其中， ei,j为EV从节点i行驶到节点j消耗的电量； ecf表示单位距离的动力能耗， li,j表示 为i节点和j节点之间的距离； Pa为EV空调功率； 为根据式(3)求得的行驶时间， E为EV电池权　利　要　求　书 1/3 页 2 CN 114282654 A 2容量； 步骤4、 构建EV充电模型； EV充电时长具体由式(7)表示： 其中， soce为用户结束充电时 的电量； socs为用户开始充电时 的电量； p为充电桩充电功 率； η为充电桩充电效率； te为EV充满电后额外的停留时间， 如果用户结束充电时电量小于 电量最大值， 则te为0； 步骤5、 构建EV用户充电方案 选择模型； 在用户需要充电时， 假定用户可以收到调度中心推荐的三种充电方案， 具体包括用户 花费时间最短方案、 充电站距离用户最近方案以及用户充电成本最低方案； 用户收到推荐 后选择其中一种方案前往充电站充电， 其中用户对于充电方案的选择意愿通过调查问卷的 形式获得； 步骤6、 基于模型驱动的EV充电负荷预测 根据步骤2中的用户出行模型， 计算EV电池电量的时空变化， 其中EV在运行过程中的能 耗由步骤3获得； 每 当用户到达一个目的地， 判断其是否需要充电， 如果需要充电根据步骤5 选择充电方案； 如果不需要充电， 用户停留一段时间后前往下一个目的地； 最后统计所需时 刻的充电的车辆数量， 其充电功率之和即为相应时刻的充电负荷， 其具体如式(8)所示； 其中， loadi为i时刻的充电负荷； n为当前时刻正在充电的EV总 数； pj为第j辆EV的充电 功率； 更改影响因素数据即可获取多种情况下的EV充电负荷值并将这些数据作为后续CGAN 中的“真实”数据； 步骤7、 构建CGAN 生成器模型 生成器由一个深度LSTM层和一个全连接层组成， 深度LSTM层具有4个隐藏层， 每层有 200个LSTM单位， 隐藏层 使用ReLU函数作为激活函数； 模 型的输入为影响因素数据和随机噪 声； 影响因素数据即为与步骤6中 “真实”数据获取过程中相同的影响因素数据， 具体包括日 期类型、 当日气温最低值、 当日气温最高值、 交通拥堵系数、 用户产生充电需求时EV电量的 概率分布、 用户结束充电时EV电量的概率分布、 用户充电方案选择排序的概率密度； 随机噪 声设为服从高斯分布的随机变量； 模型的输出 数据即为预测的负荷数据； 影响因素 数据输入前还需要 进行归一 化处理； 步骤8、 构建CGAN判别器模型 判别器由一个深度LSTM层和一个全连接层组成， 深度LSTM层具有4个隐藏层， 每层有 200个LSTM单位， 隐藏层使用ReLU函数作为激活函数； 在全连接层使用sigmoi d激活函数进 行真假判断； 基于模型驱动 获得负荷数据、 生成器生成的预测负荷数据分别与影响因素整 合输入判别器， 判别器输出输入数据为真实数据的概 率； 步骤9、 生成器模型和判别器模型进行博弈训练， 使用训练好的生成器模型进行负荷预 测；权　利　要　求　书 2/3 页 3 CN 114282654 A 3