電動汽車(electricvehicle,EV)在近年來得到了廣泛的應(yīng)用與部署,針對入網(wǎng)EV的充放電優(yōu)化已成為研究熱點。然而,傳統(tǒng)的基于優(yōu)化模型的EV優(yōu)化調(diào)度方法在實際應(yīng)用上面臨模型參數(shù)難以準確獲得和計算壓力大的挑戰(zhàn)。為了解決該問題,基于K-means聚類算法與長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory neural networks,LSTM)提出了一種集群電動汽車實時自動優(yōu)化調(diào)度策略,直接從電動汽車的基礎(chǔ)數(shù)據(jù)和電價生成滿足約束的最優(yōu)充放電計劃。該策略基于分布式EV調(diào)度架構(gòu),由離線模型訓(xùn)練階段和實時優(yōu)化調(diào)度階段2部分構(gòu)成。在離線階段,首先由K-means算法對海量EV數(shù)據(jù)聚類,之后用LSTM網(wǎng)絡(luò)學(xué)習(xí)不同類型數(shù)據(jù)下的優(yōu)化調(diào)度模式,建立從EV基礎(chǔ)數(shù)據(jù)到優(yōu)化決策之間的映射,并針對LSTM的輸出設(shè)計了策略增強環(huán)節(jié)提高LSTM的決策性能。在實時階段,在對EV類型識別的基礎(chǔ)上,LSTM網(wǎng)絡(luò)能夠快速生成優(yōu)化調(diào)度方案。仿真結(jié)果表明,與傳統(tǒng)優(yōu)化算法相比,所提策略能夠在不依賴于用戶提供準確的出行時間的情況下,毫秒級地輸出近似最優(yōu)解,適用于規(guī)�；疎V的實時優(yōu)化調(diào)度。

【文章頁數(shù)】：14 頁


本文編號：3894817