一种李群引导注意推理网络的电动汽车充电站选址方法

本发明属于电力系统领域，涉及基于人工智能方法的电动汽车充电站选址方法，适用于电力系统和智慧城市充电站选址。

背景技术：

在化石能源存量危机和“碳中和”的国际趋势下，汽车制造商开始大力发展电动汽车产业，摆脱对石油的依赖，拥抱清洁能源，完成社会“碳中和”的使命。在现有城市网络中建设新的充电站，提高城市电动汽车的包容度，降低电动汽车应用的短板。

基于数据驱动的充电站选址是一种基于人工智能的技术，能解决一些传统数学建模无法完成的缺陷。基于人工智能中机器学习方法的信息采集是能全面快速的锁定数据信息，有效提取车辆信息，经网格信息评估，确定最优的充电站地址，增强充电站选址的经济性和实用性。

李群机器学习结合了流形学习的优点和李群的思想，从而成为机器学习领域中一种具有创新特色的学习范式。引导注意推理网络是一种端对端的图片识别方式，是一种机器学习方法，属于监督和非监督中间的规范方式。

因此，通过李群机器学习方法作为引导注意推理网络方法的阈值函数参数，能提高端对端训练效率，最后使用大量实际监控图像识别交通车流量有效信息，划分交通需求位置和网格编码，最终选取电动汽车的充电站地址。

技术实现要素：

本发明提出一种李群引导注意推理网络的电动汽车充电站选址方法，该方法能精细化训练图标签，在机器学习的学习过程中增加一个有效的机制来操控网络注意，学习过程是端到端进行训练，环节清晰明了，还能在训练过程中提供自我指导，提高对特殊目标任务泛化能力。该方法将李群机器学习方法和引导注意推理网络方法结合，用于电动汽车充电站选址，依据交通数据的情况下获得电动汽车充电站候选位置；李群引导注意推理网络的电动汽车充电站选址方法在使用过程中的步骤为：

步骤(1)：将引导注意推理网络方法用于处理交通数据，达到最优训练样本集的目的；

对于给定的图像i，在约束流sc,l中，设fl,k激活第l层中单元k，对于每个来自真实标签的类别c，类别c关于激活地图的梯度为s^c，神经元重要性权重为回流的梯度将通过全局平均池化：

式中，gap(·)表示全局平均池化；

为了整合所有激活地图，使用权重矩阵w^c作为内核和应用二维卷积在激活图矩阵fl，进行线性整流函数relu操作以获得a^c注意图：

a^c＝relu(conv(fl,w^c))

式中，l来自最后一个卷积层，特征在详细的空间信息和高级语义之间平衡；

使用注意图a^c生成一个用于原始输入图像的软遮罩获得i^*c：

i^*c＝i-(t(a^c)⊙i)

式中，⊙表示元素级的乘法，t(a^c)是一个基于阈值操作的屏蔽函数；为了使t(a^c)可导，使用sigmoid函数作为t(a^c)函数：i为给定的图像；

式中，ω是尺度参数，当t(a^c)大于σ，或者等于0时，保证t(a^c)近似等于1；注意挖掘损失的损失函数目的是最小化类别c的i^*c的预测分数，

式中，s^c(i^*c)表示类别c的i^*c的预测得分；n为图像的真实标签的个数；

最终的自导向损耗lself是分类损耗lcl和lam的总和：

lself＝lcl+αlam

式中，lcl是多标签软利润损失；α是权重参数，设置为1；

步骤(2)：将李群机器学习方法用于引导注意推理网络方法屏蔽函数参数；

李群机器学习方法用于引导注意推理网络方法屏蔽函数参数；σ为李群机器学习样本集的内均值：

其中，xij表示李群训练样本集中第i个分类中第j个样本，ni表示第i个分类中训练样本的个数，一共有c个类别；

步骤(3)：将李群引导注意推理网络方法应用于电动汽车充电站选址；

将交通需求出发点和目的地的经纬度转换为网格编号，通过统计网格编号出现的次数，间接统计网格内的交通需求量；网格划分方法是按照一定间隔将分析区域划分为大小相等的网格，用d表示网格划分的间隔；当d＝0.01°时表示分析区域按照0.01°经度和纬度的间隔划分为若干等间隔的网格，每个网格为700m×1000m的长方形网格；

定义(xmin,ymin)为分析区域的左下角经纬度坐标，(xmin,ymin)为右上角经纬度坐标；(xi,yi)是任意一条交通需求点位置的经纬度坐标，则(xi,yi)所在网格编号(gridcx,gridcy)为

gridcx＝(int)((xi-xmin)/w)

gridcy＝(int)((yi-ymin)/w)；

(int)为取整数部分；选择需求量大的网格作为电动汽车充电站选址的候选位置。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明的引导注意推理网络方法是一种介于监督和非监督学习之间的机器学习方法，训练集中端对端训练具有良好的识别效果；同时加入屏蔽函数，防止过度训练，导致图像识别特定物体更加稳定。

(2)本发明提出屏蔽函数中，参数使用来自于李群机器学习方法，把李群学习方法的内均值作为阈值矩阵，平衡训练时监督与非监督直接影响，大幅提高系统泛化能力。

(3)本发明提出的李群引导注意推理网络方法作用于地面交通系统，分析路面信息，获得电动汽车充电的需求量，通过经纬度网格划分，将车流和网格关联，最终在密集网格处确定最佳的充电站地址。避免了信息采集不准确和不全面的因素，直接从交通图像中获取信息具有较高的准确性。

附图说明

图1是本发明方法的李群引导注意推理网络。

图2是本发明方法的基于数据驱动充电站选址方法。

具体实施方式

本发明提出的一种李群引导注意推理网络的电动汽车充电站选址方法，结合附图详细说明如下：

图1是本发明方法的李群引导注意推理网络。首先，将交通数据图片整合为训练集和测试集，训练李群引导注意推理网络。训练图片输入后，采用流scl对图片进行查找，提取有助于识别类别的区域。使用relu操作获得a^c注意图，同时获得网络当前关注的类别c之外的区域i^*c。李群引导注意推理网络试图最小化类别c的i^*c的预测分数，最为关键的基于阈值操作的屏蔽函数t(a^c)中的σ为李群机器学习样本集的内均值。

图2是本发明方法的基于数据驱动充电站选址方法。数据驱动的电动汽车充电站选址方法是通过分析海量移动位置数据的分布规律，挖掘潜在的交通需求分布位置，为电动汽车充电站选址提供数据支撑。为了提高数据处理的效率，本发明提出一种网格化的交通需求量统计方法，网格化又称为单元化，是一种系统划分和组织的形式，目的是通过将系统网格化来降低系统的复杂性，从而实现管理水平的提升和控制效果的改善。利用海量的移动位置数据，使用李群引导注意推理网络提取潜在的交通需求位置，包括出发点和目的地。将分析区域划分为等间隔大小的网格，将交通需求位置与网格关联，统计每个网格中的交通需求量。选择需求量大的网格作为电动汽车充电站选址的候选位置。