(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 202111220416.0 (22)申请日 2021.10.20 (71)申请人 华北电力大 学 地址 102206 北京市昌平区回龙观北农路2 号华北电力大 学 (72)发明人 马苗苗　刘立成　董利鹏　崔婧　 李钰梅　 (74)专利代理 机构 北京中索 知识产权代理有限 公司 11640 代理人 高海涛 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01)G06F 119/06(2020.01) (54)发明名称 一种基于概率转移矩阵的电动汽车分层式 充电策略方法 (57)摘要 本发明涉及新能源电动汽车领域， 提供一种 基于概率转移矩 阵的电动汽车分层式充电策略 方法， 包括： 主控制中心建立基于神经网络的电 动汽车充电负荷预测模型， 并以电网侧负荷峰谷 差最小为目标函数， 对负荷曲线进行优化并向次 级控制中心下达指令； 次级控制中心通过计算概 率转移矩 阵制订充电计划并广播至区域内受控 电动汽车群； 电动汽车根据概率转移矩阵与本地 约束更新充电计划。 本发明基于电动汽 车历史充 电负荷数据建立的神经网络负荷预测模型， 能够 准确的预测次日电动汽车充电负荷曲线， 基于概 率转移矩 阵的电动汽车充电策略能够有效的优 化次日电动汽 车充电计划， 本发 明为分层与分布 式相结合的有序充电控制策略， 能有效的达到削 峰填谷的目标。 权利要求书4页 说明书11页 附图9页 CN 113919229 A 2022.01.11 CN 113919229 A 1.一种基于概率转移矩阵的电动汽车分层式充电策略方法， 其特征在于， 包括以下步 骤： S1、 结合区域 内电动汽车历史充电负荷数据建立基于LSTM神经网络的电动汽车充电负 荷预测模型； 所述电动汽车充电负荷预测模型通过LSTM神经网络的逻辑门： 输入门it、 输出门ot、 遗 忘门ft控制数据信息的丢弃或者增 加； 所述逻辑门： 输入门it、 输出门ot、 遗忘门ft的功能分别由各自的si gmoid函数和点乘操 作组成； 所述输入门it用于控制数据信息输入的多少； 输入门it和一个tanh函数配合， 所述tanh 函数产生新的候选向量 输入门it为 中的每一项产生一个在[0,1]内的值， 控制数据信 息被加入的多少， 更新后的记 忆单元的单元状态为： 式(1)中， σ 为输入门sigmoid函数， Wi和Wc为输入门权重系数， bi和bc为输入门偏差， Ct为 更新后的记 忆单元状态； 遗忘门ft是以上一单元 的输出ht‑1和本单元的输入xt为输入的sigmoid函数， 用于控制 历史状态 t‑1的数据信息允许多少流入到t时刻， 输出表示 为： ft＝σ(Wf·[ht‑1,xt]+bf)    (2) 式(2)中， σ 为遗忘门sigmoid函数， Wf为遗忘门权重系数， xt为区域内天气信息、 放假情 况以及出 行目的因素的输入特 征； ht‑1为上一单 元的输出， bf为遗忘门偏差； 所述输出 门ot用于控制t时刻状态信息的过滤， 为t时刻状态信息其中的每一项产生一 个在[0,1]内的值， 控制单 元状态被过 滤的程度； 输出门ot表达式为： 式(3)中， σ 为输出门sigmoid函数， Wo为输出门权重系数， bo为输出门偏差， ht为LSTM神 经网络的输出， 即区域内次日电动汽车充电负荷的预测结果， 完成基于LSTM神经网络的电 动汽车充电负荷预测模型； S2、 主控制中心对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电 功率指导曲线Ht， 并下达给 各个次级控制中心； S3、 各个所述次级控制中心根据主控制中心下达的所述充电功率指导曲线Ht计算概率 转移矩阵并广播至受控电动汽车群； 所述充电功率指导曲线的下达方法包括： 次级控制中心跟随充电功率指导曲线的目标 函数为：权　利　要　求　书 1/4 页 2 CN 113919229 A 2式(4)中， T为时间序列{1,2,3,...,T}； Pi,t为t时刻第i个次级控制中心的电动汽车充 电负荷， Hi,t为主控制中心给出的要求跟随的充电功率指导曲线Ht的t时刻的分量； 通过所 述目标函数以使电动汽车总充电负荷曲线与充电功率指导曲线的欧氏距离最小； 所述概率转移矩阵的计算方法包括： 计算 概率转移矩阵M： 式(5)中， 概率转移矩阵M的第i行第j列元素mi,j代表由状态j转移至状态i的概率， 物理 意义代表一辆电动汽 车在j时刻的充电负荷转移至i时刻的概率； 定义峰时段为当前负荷大 于充电指导负荷的时段， 即Pi,t≥Hi,t的时段； 定义谷时段为当前负荷小于充电指导负荷的 时段， 即Pi,t≤Hi,t的时段， 定义充电负荷转移时段和负荷不转移时段， 待转移时段为电动汽 车充电负荷大于充电指导负荷曲线的时段， 不转移时段为电动汽车充电负荷小于充电指导 负荷曲线的时段， 计算各时段的负荷富裕值 Qt， 如下式所示： 对于峰时段j， Pi,t≥Hi,t， 如下式所示： 式(7)中， i≠j且i∈ T。 对于谷时段j， Pi,t≤Hi,t， 如下式所示： 式(8)中， i≠j且i∈ T。 S4、 受控电动汽车群的电动汽车根据所述 概率转移矩阵结合本地约束更新充电计划。 2.根据权利要求1所述的电动汽车分布式充电策略方法， 其特征在于， 所述S1步骤的所 述建立LSTM神经网络的电动汽车充电负荷预测模型的方法包括： 主控制中心对区域内电动 汽车历史充电负荷进行一天内14 4个等间隔时间点的数据采样。 3.根据权利要求1所述的电动汽车分布式充电策略方法， 其特征在于， 所述S2步骤的对 所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线并下达 给各次级控制中心的方法包括： 主控制中心 通过基于LSTM神经网络模 型的电动汽 车充电负权　利　要　求　书 2/4 页 3 CN 113919229 A 3