(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 202111556287.2 (22)申请日 2021.12.18 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区新 街口 街道四牌楼 2号 (72)发明人 袁泉　叶宇剑　汤奕　 (74)专利代理 机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 赵丹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 图卷积和深度置信网络的电动汽车负荷优 化方法 (57)摘要 本发明公开图卷积和深度置信网络的电动 汽车负荷优化方法， 利用图卷积网络提取路网大 量不确定性特征数据， 然后通过数据驱动的方法 训练深度置信网络， 输出电动汽 车的最优充电负 荷分布， 在应对路网不确定性的同时优化电动汽 车充电负荷分布， 并量化分析优化结果对路网及 电网的影响。 所述负荷优化方法。 本发明电动汽 车负荷优化方法基于图卷积和DBN的数据驱动优 化方法， 能够泛化影响电动汽车充电负荷的不确 定性因素， 准确高效地优化电动汽车充电负荷； 与求解非线性优化模型相比， 本发明计算难度 低、 求解速度快， 对不确定性因素的泛化性能更 强； 与现有的深度神经网络等技术相比， 本发明 的优化结果更为准确， 降低用户充电成本的效果 更为显著。 权利要求书3页 说明书8页 附图5页 CN 114202127 A 2022.03.18 CN 114202127 A 1.图卷积和深度置信网络的电动汽车负荷优化方法， 其特征在于， 所述负荷优化方法 包括如下步骤： S1： 基于图卷积网络的路网特 征中不确定性特 征提取； S2： 数据驱动的深度置信网络训练， 得到优化后电动汽车最优充电负荷分布； S3： 量化评估充电负荷优化后路网电网的收益。 2.根据权利要求1所述的图卷积和深度置信网络的电动汽车负荷优化方法,其特征在 于， 所述S1中， 将路网特 征分为点特征和边特 征， 然后输入到边 缘特征卷积网络中； 路网点特征包括充电站充电价格、 充电功率、 充电方式、 充电时长、 充电站排队时长和 充电站容量， 点特征矩阵用FN表示； 路网边特征包括道路上车流量、 道路等级、 道路容量和 道路零流行驶时间， 边特 征矩阵用FA表示； 输入层的点特征 和边特征 为未经处理过的路网特征信息； 之后每层的节点n特 征 都是其相邻节点上一层特 征 的加权和； ECCN的卷积 操作表达式为： 式中， B(n)表示节点n及相邻节点组成的集合， 为可训练的网络权重， b(l)为可训练 的网络偏置 。 3.根据权利要求1所述的图卷积和深度置信网络的电动汽车负荷优化方法,其特征在 于， 所述S2中， 将S1中E CCN提取后的特 征作为DBN输入， 以最优充电负荷分布为DBN的输出； 具体包含以下步骤： S21： 对受限玻尔兹曼机的预训练； DBN由RBM逐层堆叠而成， 每个RBM包含一个可见层和 一个隐藏层， 上一层的隐藏层作为下一层的可 见层； 能量函数为： E(l)(v,h|φ(l))＝‑(aTv+bTh+vTwh) 式中， v和h分别为可见层和隐藏层单元； w为连接可见层与隐藏层的权重； a和b分别为 可见层和隐藏层的偏置； φ(l)＝[av,bh,wvh]即为第l层RBM需要训练的参数； v和h的联合分 布函数为： 式中， 用于约束联合分布概 率之和为1； 因此， RBM训练的损失函数为： 式中， S为训练样本集； S22： 对DBN网络进行反向传播的微调， 调 节预训练得到的参数使预测精度提 高； 用预测 结果与标签之 间的均方差作为微调的损失函数； 训练数据及标签通过求解如下优化问题 得 到：权　利　要　求　书 1/3 页 2 CN 114202127 A 2式中： ω为时间成本系数； sa、 sz分别为道路a上车流量和充电站z的充电车数； ta、 tz分别 为道路a上通行时间和充电站z的充电时间； λz、 Pz分别是充电站z的充电价格和充电功率； δi,j,a、 πi,j,z为0‑1变量， 用于表示道路a或充电站z是否经过第j个起讫点的第i条路径； 分别是道路a上的零流通行 时间和充电站z的平均排队时间， 其中μ为排队系数； ca、 cz 分别为道 路a的容量和充电站z的容量； fi,j表示第j个起讫点的第i条路径的车流量； dj为第 j个起讫点的车总数， 为第z个充电站的总充电功率； 上式中目标函数为路网纳什均衡情况下所有电动汽车用户的出行充电总成本最小， 同 时包含行驶、 充电排队的时间成本及充电价格成本 。 4.根据权利要求1所述的图卷积和深度置信网络的电动汽车负荷优化方法,其特征在 于， 所述S3中将S2求得的各充电站最优充电功率 代入电网潮流计算； 需求 解以下优化： 式中， ax、 bx分别为发电机x成本函数的二次项和一次项系数； 分别为发电 机x的有功发电功率、 无功发电功率和 净上网有功发电功率； 为节点xy间线路l 的有功输电功率、 无功输电功率和电流幅值的平方； r∈Xy表示r节点属于y的子节点；权　利　要　求　书 2/3 页 3 CN 114202127 A 3