本發(fā)明涉及電動(dòng)汽車，尤其涉及一種基于蒙特卡洛與人工蜂群優(yōu)化的電動(dòng)汽車充電行為分類方法。

背景技術(shù)：

1、隨著電動(dòng)汽車產(chǎn)業(yè)的快速發(fā)展，其作為新能源交通工具在減少碳排放、改善空氣質(zhì)量方面展現(xiàn)出巨大潛力。然而，電動(dòng)汽車的大規(guī)模接入電網(wǎng)給電網(wǎng)調(diào)度和運(yùn)營(yíng)管理帶來(lái)了新的挑戰(zhàn)。現(xiàn)有的電動(dòng)汽車調(diào)度策略多基于預(yù)設(shè)的充電行為模型，忽略了電動(dòng)汽車用戶間的個(gè)體差異和動(dòng)態(tài)行為變化。因此，開(kāi)發(fā)一種能夠準(zhǔn)確識(shí)別電動(dòng)汽車用戶群體特征，并據(jù)此制定靈活調(diào)度策略的技術(shù)顯得尤為重要。k-means算法作為一種經(jīng)典的聚類算法，在電動(dòng)汽車用戶行為分析中已有應(yīng)用，但其存在對(duì)初始聚類中心敏感、處理大規(guī)模數(shù)據(jù)集時(shí)效率低下等不足。

技術(shù)實(shí)現(xiàn)思路

1、為了解決配電網(wǎng)規(guī)劃人員識(shí)別對(duì)電動(dòng)汽車不確定性信息，準(zhǔn)確提取電動(dòng)汽車行為信息，本發(fā)明提出了一種基于蒙特卡洛與人工蜂群優(yōu)化的電動(dòng)汽車充電行為分類方法，涉及電動(dòng)汽車技術(shù)領(lǐng)域。

2、為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

3、一種基于蒙特卡洛與人工蜂群優(yōu)化的電動(dòng)汽車充電行為分類方法，包括：

4、數(shù)據(jù)收集與預(yù)處理；

5、利用蒙特卡洛模型對(duì)電動(dòng)汽車的充電行為進(jìn)行模擬；

6、基于蒙特卡洛模型的輸出結(jié)果，進(jìn)一步生成電動(dòng)汽車離并網(wǎng)時(shí)間的概率密度函數(shù)；

7、分析傳統(tǒng)k-means聚類算法在處理大規(guī)模電動(dòng)汽車充電行為數(shù)據(jù)集時(shí)存在的情況；

8、引入人工蜂群算法對(duì)聚類過(guò)程進(jìn)行優(yōu)化；

9、構(gòu)建新的適應(yīng)度函數(shù)，進(jìn)行聚類中心優(yōu)化。

10、進(jìn)一步的，所述的利用蒙特卡洛模型對(duì)電動(dòng)汽車的充電行為進(jìn)行模擬，其具體為：選用蒙特卡洛方法來(lái)進(jìn)行模擬，該方法基于中心極限定理和大數(shù)定理兩個(gè)基本的概率統(tǒng)計(jì)定理，具體包括以下步驟：

11、利用中心極限定理描述預(yù)先確定的輸入電動(dòng)汽車數(shù)據(jù)的概率密度函數(shù)曲線，以模擬電動(dòng)汽車的充電行為；

12、從所述概率密度函數(shù)曲線中提取出電動(dòng)汽車的離并網(wǎng)時(shí)間規(guī)則，并同時(shí)提取出單個(gè)車輛充放電行為的概率特征；

13、基于這兩個(gè)定理，mcm的數(shù)學(xué)模型描述為式(1)-(3)，假設(shè)函數(shù)為y＝f(x1,x2,···,xn)，每個(gè)變量的期望e(xi)和方差d(xi)相同，lnt如式(1)所示，然后假設(shè)事件發(fā)生的概率為p(f)，則滿足式(2)，則mcm模擬evus充電行為的數(shù)學(xué)模型如式(3)所示:

14、

15、yi＝f(x1i,x2i)????(3)

16、其中i表示采樣次數(shù)，在足夠的個(gè)體數(shù)下，得到了離并網(wǎng)時(shí)間分布的精確概率分布和數(shù)值特征。

17、進(jìn)一步的，所述的evus離并網(wǎng)時(shí)間的概率密度函數(shù)，其具體表現(xiàn)為：基于得到的離并網(wǎng)時(shí)間規(guī)則，在matlab平臺(tái)上利用擬合函數(shù)得到pdf，其數(shù)學(xué)表達(dá)式如下:

18、

19、fet(x)＝a4·exp(-((x-b4)/c4)2)+a5·exp(-((x-b5)/c5)2)????(5)

20、式(4)和式(5)分別表示電動(dòng)汽車上網(wǎng)時(shí)間和離網(wǎng)時(shí)間的pdf。

21、進(jìn)一步的，所述的k-means算法的數(shù)學(xué)模型，其具體為：根據(jù)聚類的歐氏距離準(zhǔn)則，將所有樣本細(xì)分為k個(gè)聚類，并用中心樣本代替每一個(gè)聚類；然后，評(píng)估當(dāng)前聚類結(jié)果，如果初始聚類不合理，則通過(guò)迭代過(guò)程修改聚類目標(biāo)樣本，即將樣本重新分配到與其歐氏距離更近的聚類中心，同時(shí)，對(duì)聚類中心的位置進(jìn)行迭代更新；此過(guò)程反復(fù)執(zhí)行，直至達(dá)到預(yù)設(shè)的收斂準(zhǔn)則或達(dá)到聚類結(jié)果的最優(yōu)狀態(tài)，其中最優(yōu)狀態(tài)定義為聚類內(nèi)部的樣本相似度最高且聚類間的樣本相似度最低，其數(shù)學(xué)模型如下：

22、

23、

24、其中p表示集群中數(shù)據(jù)的個(gè)數(shù)，h表示迭代次數(shù)，d(ci,xj)表示點(diǎn)xj到簇中心ci的歐氏距離，s表示內(nèi)部距離之和。

25、進(jìn)一步的，所述的改進(jìn)的k-means算法，其具體為：該方法針對(duì)k-means算法在處理大規(guī)模數(shù)據(jù)集時(shí)時(shí)間復(fù)雜度增加以及對(duì)初始聚類中心敏感的問(wèn)題，引入人工蜂群算法進(jìn)行改進(jìn)；通過(guò)abc算法的全局搜索能力和魯棒性，提高k-means聚類的全局搜索能力和計(jì)算精度；其中，適應(yīng)度函數(shù)被設(shè)計(jì)為評(píng)估聚類結(jié)果優(yōu)劣的關(guān)鍵指標(biāo)，用于指導(dǎo)abc算法中蜂群的進(jìn)化過(guò)程，從而優(yōu)化聚類中心的選擇，進(jìn)而提升聚類結(jié)果的精確度和穩(wěn)定性，基于abc改進(jìn)k-means的新的適應(yīng)度函數(shù)為:

26、fitnessi＝cni/ji；i＝1,2,…,n????(9)

27、

28、vij＝xij+rand[-1,1]·(xmj-xkj)+rand[-1,1]·(xbest,j-xij)????(12)

29、式中cni表示聚類i中的數(shù)據(jù)量，ji為聚類i中的距離之和，pi表示蜜蜂做出選擇的概率，vij代表更新的花蜜來(lái)源的新位置。

30、進(jìn)一步的，所述的人工蜂群算法，其原理為：一種基于人工蜂群算法的優(yōu)化方法，該方法模擬自然界中蜜蜂的覓食行為，通過(guò)雇傭蜂、觀察蜂和偵查蜂的協(xié)同工作來(lái)搜索問(wèn)題的最優(yōu)解，該方法包括以下步驟：初始化一群蜜蜂作為候選解，每只蜜蜂代表一個(gè)潛在解；利用雇傭蜂在其鄰域內(nèi)搜索更優(yōu)解，并基于適應(yīng)度函數(shù)評(píng)估解的優(yōu)劣；觀察蜂根據(jù)雇傭蜂提供的信息選擇優(yōu)質(zhì)解進(jìn)一步搜索；當(dāng)某個(gè)解的適應(yīng)度長(zhǎng)時(shí)間未改善時(shí)，對(duì)應(yīng)的雇傭蜂轉(zhuǎn)變?yōu)閭刹榉?，隨機(jī)產(chǎn)生新解以探索新的搜索空間；重復(fù)上述過(guò)程，直至滿足預(yù)設(shè)的停止條件，此時(shí)獲得的最優(yōu)解即為問(wèn)題的解。該算法以其簡(jiǎn)單性、強(qiáng)大的全局搜索能力和魯棒性，適用于多種優(yōu)化問(wèn)題的求解。

31、本發(fā)明的原理：

32、第一方面：電動(dòng)汽車充電行為特征提取與建模，為了準(zhǔn)確捕捉電動(dòng)汽車用戶充電行為的不確定性，本發(fā)明提出了一種基于蒙特卡洛模擬(mcm)的電動(dòng)汽車行為特征提取方法。該方法首先構(gòu)建mcm數(shù)學(xué)模型，依托中心極限定理(clt)和大數(shù)定理(lnt)，通過(guò)式(1)至式(3)精確模擬電動(dòng)汽車的充電行為，特別是其離并網(wǎng)時(shí)間的概率分布。隨后，利用matlab平臺(tái)，基于mcm模擬結(jié)果，通過(guò)擬合函數(shù)生成電動(dòng)汽車上網(wǎng)時(shí)間和離網(wǎng)時(shí)間的概率密度函數(shù)(pdf)，為后續(xù)的充電行為聚類分析奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

33、第二方面：基于改進(jìn)k-means的電動(dòng)汽車充電行為聚類方法，針對(duì)傳統(tǒng)k-means算法在處理大規(guī)模數(shù)據(jù)集時(shí)存在的計(jì)算復(fù)雜度高及初始聚類中心選擇敏感等問(wèn)題，本發(fā)明引入人工蜂群算法(abc)對(duì)k-means算法進(jìn)行創(chuàng)新性改進(jìn)。通過(guò)構(gòu)建新的適應(yīng)度函數(shù)，該改進(jìn)算法能夠充分利用abc的全局搜索能力，有效優(yōu)化聚類中心和聚類結(jié)果。具體實(shí)施步驟包括：定義適應(yīng)度函數(shù)以平衡聚類緊湊性與分散性；實(shí)施改進(jìn)的k-means聚類流程，涵蓋初始化、距離計(jì)算、樣本分配、中心更新及適應(yīng)度評(píng)估等關(guān)鍵環(huán)節(jié)，直至滿足收斂條件或達(dá)到預(yù)設(shè)迭代次數(shù)。

34、本技術(shù)的一種基于電價(jià)波動(dòng)預(yù)測(cè)的綜合能源系統(tǒng)魯棒性優(yōu)化方法，具體有以下有益效果：本發(fā)明通過(guò)蒙特卡洛模型捕獲電動(dòng)汽車充電行為的概率特征，生成離并網(wǎng)時(shí)間的概率密度函數(shù)。隨后，針對(duì)傳統(tǒng)k-means在大數(shù)據(jù)集上的不足，引入人工蜂群算法優(yōu)化聚類過(guò)程，通過(guò)構(gòu)建新的適應(yīng)度函數(shù)指導(dǎo)聚類中心的優(yōu)化。其具體優(yōu)勢(shì)有：通過(guò)人工蜂群算法優(yōu)化k-means算法的初始聚類中心，減少算法對(duì)初始條件的依賴，提高聚類結(jié)果的穩(wěn)定性和準(zhǔn)確性；引入人工蜂群算法的快速全局搜索能力，加速聚類過(guò)程中的收斂速度，顯著提高大規(guī)模數(shù)據(jù)集的處理效率；通過(guò)準(zhǔn)確識(shí)別電動(dòng)汽車用戶群體的充電和離網(wǎng)行為特征，為電網(wǎng)調(diào)度和運(yùn)營(yíng)管理提供更加科學(xué)、合理的決策支持。