一种城市电动出租车能量预测方法及系统

1.本发明属于电动车辆管理技术领域，具体涉及一种城市电动出租车能量预测方法及系统。


背景技术：

2.限电停产、错峰用电等现象折射出供电形势面临较严峻的局面，城市交通方式的电动化更是从出租车开始布局的，充电站供应商、充电站以及电动出租车之间的能量调控将是解决城市电量优化问题的有效途径。由于电动出租车充电行为复杂且充电需求量大，给电力系统造成严重的能量负担，这将会直接导致其他设备形成欠电力状态。
3.已有的基于机器学习的能量预测是基于充电站完成的，并不考虑能量消耗端即电动出租车，这些方法存在的共同点是没有形成电动出租车、充电站、充电站服务商之间的系统性，并没有涉及到隐私保护的问题。由于城市中充电站的数据量很小，导致机器学习的准确度严重不足。急需一种系统性的电动出租车能量预测方法对相关部门调控电能具有重要作用，同时也加速了我们国家智慧城市的发展。


技术实现要素：

4.本发明的目的在于提供一种城市电动出租车能量预测方法及系统，以克服现有技术的不足，能够解决现有技术训练样本不足、隐私缺乏保护、系统性不强的问题，本发明能量预测准确度高，可以给相关部门能量调控提供可靠的依据。
5.一种城市电动出租车能量预测方法，包括以下步骤：
6.s1，根据充电站服务商的初始化模型要求训练电动出租车，得到电动出租车的日常充电行为模型，并将生成的日常充电行为模型参数传输至充电站；
7.s3，充电站根据获取的电动出租车的日常充电行为模型参数就能行聚合，根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数传输至充电站服务商进行全聚合，得到全聚合预测模型，利用全聚合预测模型预测电动出租车能量。
8.进一步的，电动出租车模块采用电动出租车本地模型，通信网络模块用于数据的通信传输，充电站模块用于模拟充电站充电。
9.进一步的，电动出租车模型通过电动出租车自身充电的相关数据进行本地预测，并通过通信网络上传权重变化值到充电站模型。
10.进一步的，电动出租车模块对应的本地模型模拟单独使用电能驱动的在运营出租车。
11.进一步的，日常充电行为模型参数通过电动出租车所有者的充电数据采集获取。
12.进一步的，电动出租车模块在本地训练日常充电行为模型具体采用机器学习训练方法。
13.进一步的，设输入矩阵为xi＝{x1,x2,
…
,x
p
}，x
p
为第p个电动出租车的充电属性集合，可以建立本地网络模型：
14.采用批量梯度下降方法可得电动出租车的权重更新方式：
[0015][0016]
在充电站充电的电动出租车本地网络模型训练的梯度信息会被传送到充电站；充电站提供商的权重向量为ω
csp
；充电站的权重向量电动出租车的权重向量i、j分别代表电动出租车数量和充电站数量。
[0017]
进一步的，采用充电概率统计值和高斯分布概率值作为注意力来形成聚合权重。
[0018]
进一步的，充电站的损失函数和权重更新方式：
[0019][0020][0021]
一种城市电动出租车能量预测系统，包括第一层联邦学习系统和第二层联邦学习系统；
[0022]
第一层联邦学习系统包括电动出租车模块、通信网络模块和本地充电站模块，电动出租车模块根据本地充电站模块在本地训练得到日常充电行为模型；
[0023]
第二层联邦学习系统包括充电站模块、英特网模块和充电站提供商模块，充电站模块用于获取电动出租车模块的日常充电行为模型参数后进行聚合，并根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数通过英特网模块发给充电站供应商模块，充电站供应商模块进行最终的全局聚合得到全聚合预测模型。
[0024]
与现有技术相比，本发明具有以下有益的技术效果：
[0025]
本发明一种城市电动出租车能量预测方法，根据充电站服务商的初始化模型要求训练电动出租车，得到电动出租车的日常充电行为模型，并将生成的日常充电行为模型参数传输至充电站；充电站根据获取的电动出租车的日常充电行为模型参数就能行聚合，根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数传输至充电站服务商进行全聚合，得到全聚合预测模型，利用全聚合预测模型预测电动出租车能量，解决了机器学习因训练集数据不足而导致能量预测准确度不足的问题，通过本发明的方法可以实现能量供需平衡及低成本电力输送，实现电力波谷时期的能量及时存储，满足电动出租车的正常充电请求。
[0026]
进一步的，在第二层联邦学习中的充电站提供商，目标是最小化本地模型的损失函数，解决充电站聚合局部模型时质量不平衡的问题。
附图说明
[0027]
图1为本发明实施例中具体系统模块连接及原理图；
[0028]
图2为本发明实施例中应用实例图。
[0029]
图1：1、第一层联邦学习系统，11、通信网络，12、网络模型(gru)，13、电动出租车，2、第二层联邦学习系统，21、充电站提供商，22、英特网，23、充电站。
具体实施方式
[0030]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0031]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]
一种城市电动出租车能量预测方法，包括以下步骤：
[0033]
s1，根据充电站服务商的初始化模型要求训练电动出租车，得到电动出租车的日常充电行为模型，并将生成的日常充电行为模型参数传输至充电站；
[0034]
s3，充电站根据获取的电动出租车的日常充电行为模型参数就能行聚合，根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数传输至充电站服务商进行全聚合，得到全聚合预测模型，利用全聚合预测模型预测电动出租车能量。
[0035]
本技术的通信网络模块采用通信网络通信传输。
[0036]
电动出租车模块采用电动出租车本地模型，通信网络模块用于数据的通信传输，充电站模块用于模拟充电站充电。
[0037]
电动出租车模型通过电动出租车自身充电的相关数据进行本地预测，并通过通信网络上传权重变化值到充电站模型。
[0038]
日常充电行为模型参数来自电动出租车所有者的充电数据。
[0039]
电动出租车模块在本地训练日常充电行为模型具体采用机器学习训练方法。
[0040]
本发明针对城市电动出租车能量预测方法，主要包括：
[0041]
构建电动出租车-充电站和充电站-充电站提供商的双层联邦学习，在这里充电站提供商将初始化模型发给电动出租车，电动出租车训练自己的日常充电行为模型，所生成的日常充电行为模型参数发送到充电站，充电站聚合后优化自己的局部模型并将优化后的梯度信息发给充电站提供商，充电站提供商进行最终的全局聚合得到全聚合预测模型，采用全聚合预测模型进行城市电动出租车能量的预测。
[0042]
如图1所示，一种城市电动出租车能量预测系统，包括第一层联邦学习系统1和第二层联邦学习系统2；
[0043]
第一层联邦学习系统1包括电动出租车模块、通信网络模块和本地充电站模块，第一层联邦学习的本地训练端是电动出租车模块，模型聚合端是充电站模块，电动出租车模块根据本地充电站模块在本地训练日常充电行为模型，将训练所生成的日常充电行为模型参数通过通信网络模块发送到充电站模块；
[0044]
第二层联邦学习系统包括充电站模块、英特网模块和充电站提供商模块，第二层
联邦学习的本地训练端是充电站模块，聚合端是充电站提供商站模块，充电站模块在得电动出租车模块的日常充电行为模型参数后进行聚合，并根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数通过英特网模块发给充电站供应商模块，充电站供应商模块进行最终的全局聚合得到全聚合预测模型。
[0045]
充电站模型用于得到电动出租车日常充电行为模型的相关参数后进行聚合，并将相关变化信息通过英特网模块发给充电站供应商模块，充电站供应商进行最终的全局聚合。
[0046]
所述的电动出租车模块对应的本地模型模拟单独使用电能驱动的在运营出租车。
[0047]
全聚合预测模型中，充电站提供商的权重向量为ω
csp
；充电站的权重向量电动出租车的权重向量i、j代表电动出租车数量和充电站数量。
[0048]
设输入矩阵为xi＝{x1,x2,
…
,x
p
}，x
p
为第p个电动出租车的充电属性集合，可以建立本地网络模型：
[0049]
在这里，矩阵的大小为h
×
p，bi为网络偏置，h为网络层数，fi(
·
)表示relu激活函数。
[0050]
每个电动出租车的损失函数则为：
[0051][0052]
采用批量梯度下降方法可得电动出租车的权重更新方式：
[0053][0054]
在充电站充电的电动出租车本地网络模型训练的梯度信息会被传送到充电站，在第一层联邦学习中充电站作为模型聚合者，电动出租车输出了某个时期的能量需求模型。
[0055]
因为充电站针对每个电动出租车的注意力不同，所以对于不同的充电站采用择不同的电动出租车参数进行聚合，这将更加解决模型质量不平衡的问题。
[0056]
选择充电概率统计值和高斯分布概率值作为注意力来形成聚合权重。
[0057]
设ej为电动车选择充电站的概率值并取得选择第j个充电站的最大概率为：
[0058][0059][0060]
式中p
xk
代表充电次数。
[0061]
电动出租车在区域内选择充电站的概率还服从二维高斯分布，在统计概率的注意力机制上还要引入二位高斯分布模型生成的参数：
[0062][0063]
式中：a为常数，代表在一定区域选择第j个充电站的概率，l(k)代表充电前电动出租车的在第k个充电站附近的活动点，l(j)为第j个充电站位置。
[0064]
综上可得充电站的损失函数和权重更新方式：
[0065][0066][0067]
在第二层联邦学习中的充电站提供商，目标是最小化本地模型(充电站)的损失函数，这样可以解决充电站聚合局部模型时质量不平衡的问题。
[0068]
鉴于充电站数据分布的地理特性，充电站服务商更多集中注意力在充电站的服务区域和充电站之间相关性方面。
[0069]
在进行第二层联邦学习系统聚合时引入地理围栏信息即曼哈顿距离函数：
[0070][0071]
这里代表某区域的中心位置，计算所有充电站的曼哈顿比例关系并进行归一化，即可得：
[0072][0073]
式中：
[0074]
另一个方面就是充电站之间存在服务竞争、速度竞争的作用关系，设第j个充电站与其最为相近的充电站之间的相关系数。
[0075][0076]
式中表示充电站一定周期内充电车辆频次以及等待时间的联合。此时我们的充电站提供商端的损失函数可以表达为：
[0077][0078]
在多注意力机制的加权方法下，可以得到充电站提供商权重更新的模型：
[0079][0080]
在双层联邦学习中，充电站提供商经过吸收充电站的梯度信息，直到充电站提供商模型参数聚合完毕，全局损失函数lg(ω
csp
)取到最小值，终止条件是预测误差收敛到一定值s或达到一定数量的迭代次数t。
[0081]
本发明一种城市电动出租车能量预测方法，根据充电站服务商的初始化模型要求训练电动出租车，解决了机器学习因训练集数据不足而导致能量预测准确度不足的问题，通过本发明的方法可以实现能量供需平衡及低成本电力输送，实现电力波谷时期的能量及时存储，满足电动出租车的正常充电请求。
[0082]
本发明充分考虑了隐私保护的问题，不要需要电动出租车和充电站的本地数据即可完成能量预测，此外在聚合模型时引入多注意力机制加权的方法，极大提升了预测精度。
[0083]
实施例：
[0084]
见图2，城市电动出租车能量预测系统，具体包括：第一层联邦学习系统11包括通信网络模块11，本地充电站模块(gru)12和电动出租车模块13；第二层联邦学习系统22包括
充电站提供商模块21，英特网模块22和充电站模块23模块。
[0085]
第一层联邦学习的本地训练端是电动出租车模块(byd)13个体，模型聚合端是充电站模块23，电动出租车模块(byd)13在本地训练自己的日常充电行为模型，将训练过程中所生成的相关参数通过通信网络模块11发送到充电站模块23。第二层联邦学习系统2包括充电站模块23、英特网模块22和充电站提供商模块21，第二层联邦学习的本地训练端是充电站模块23端，聚合端是充电站提供商模块21，充电站模块23在得电动出租车模块(byd)13相关参数后进行聚合，充电站模块23优化自己的局部模型并将相关信息通过英特网模块22发给充电站模块23供应商，充电站模块23供应商进行最终的全局聚合。如图2所示，这里的充电站提供商模块21可以是服务器或者国家电网。
[0086]
在本实施例中，上述联邦学习组成和聚合的实现方法如下。
[0087]
构建电动出租车模块(byd)13-充电站模块23和充电站模块23-充电站提供商模块21的双层联邦学习，在这里充电站提供商模块21将初始化模型发给电动出租车模块(byd)13，电动出租车模块(byd)13训练自己的日常充电行为模型，所生成的参数发送到充电站模块23，充电站模块23优化聚合自己的局部模型并将梯度信息发给充电站提供商模块21，充电站提供商模块21进行最终的全局聚合。
[0088]
定义充电站提供商模块21全局模型的权重向量为ω
csp
；充电站模块23的权重向量电动出租车模块(byd)13的权重向量i、j代表电动出租车模块(byd)13数量和充电站模块23数量。假设输入矩阵为xi＝{x1,x2,
…
,x
p
}，x
p
为某电动出租车模块(byd)13在某时期的充电属性集合，可以建立本地网络模型(gate recurrent unit，gru)：
[0089]
在这里，矩阵的大小为h
×
p，bi为网络偏置，h为网络层数，fi(
·
)表示relu激活函数。每个电动汽车的损失函数则定义为：
[0090][0091]
采用批量梯度下降方法可得电动出租车模块(byd)13的权重更新方式：
[0092][0093]
在某个充电站模块23充电的电动出租车模块(byd)13本地网络模型(gru)训练的梯度信息会被传送到充电站模块23，在第一层联邦学习中充电站模块23作为模型聚合者，电动出租车模块(byd)13输出了某个时期的能量需求模型。因为充电站模块23针对每个电动出租车模块(byd)13的注意力不同，所以对于不同的充电站模块23我们会选择不同的电动出租车模块(byd)13参数进行聚合，这将更加解决模型质量不平衡的问题。
[0094]
选择充电概率统计值和高斯分布概率值作为注意力来形成聚合权重。定义ej为某个电动车选择充电站模块23的概率值并取得选择第j个充电站模块23的最大概率为：
[0095][0096][0097]
式中代表充电次数。电动出租车模块(byd)13在区域内选择充电站模块23的概率还服从二维高斯分布，在统计概率的注意力机制上还要引入二位高斯分布模型生成的参
数：
[0098][0099]
式中：a为常数，代表在一定区域选择某充电站模块23的概率，l(k)代表充电前电动出租车模块(byd)13的在某充电站模块23附近的活动点，l(j)为某充电站模块23位置。综上可得充电站模块23端的损失函数和权重更新方式：
[0100][0101][0102]
这样可以解决充电站模块23聚合局部模型时质量不平衡的问题，而在第二层联邦学习中的充电站提供商模块21，目标是最小化本地模型(充电站模块23)的损失函数。鉴于充电站模块23数据分布的地理特性，充电站模块23服务商更多集中注意力在充电站模块23的服务区域和充电站模块23之间相关性方面。在进行第二层联邦学习聚合时引入地理围栏信息即曼哈顿距离函数：
[0103][0104]
这里代表某区域的中心位置，计算所有充电站模块23的曼哈顿比例关系并进行归一化，即可得：
[0105][0106]
式中：另一个方面就是充电站模块23之间存在服务竞争、速度竞争等作用关系，定义某充电站模块23与其最为相近的充电站模块23之间的相关系数。
[0107][0108]
式中表示充电站模块23一定周期内充电车辆频次以及等待时间的联合。此时我们的充电站提供商模块21端的损失函数可以表达为：
[0109][0110]
在多注意力机制的加权方法下，可以得到充电站提供商模块21权重更新的模型：
[0111][0112]
在双层联邦学习中，充电站提供商模块21经过吸收充电站模块23的梯度信息，直到充电站提供商模块21模型参数聚合完毕，全局损失函数lg(ω
csp
)取到最小值，终止条件是预测误差收敛到一定值s或达到一定数量的迭代次数t。
[0113]
以上描述仅为本技术的较佳实施范例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中涉及的实施范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本技术中公开的但不限于具有类似功能的技术特征进行互相替换而形成的技术。