买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉大学

摘要：本发明属于智能化电力系统技术领域，具体提供了基于改进RAC‑GAN的电动汽车充电负荷场景生成方法、系统及设备，能够有效挖掘电动汽车充电负荷的真实特征并生成满足多源环境特征影响下电动汽车的充电场景。方法包括：步骤1，数据输入；步骤2，数据处理，基于Spearman相关系数分析电动汽车充电负荷与多源特征信息的相关性，选取相关系数最高的至少两种特征值，并将这些特征值与其充电负荷数据进行拼接，得到原始数据集；步骤3，基于变分自编码器构建训练数据集及其特征簇标签；步骤4，对生成对抗网络RAC‑GAN进行改进，建立改进RAC‑GAN模型；步骤5，采用改进RAC‑GAN模型生成电动汽车充电负荷场景。

主权项：1.基于改进RAC-GAN的电动汽车充电负荷场景生成方法，其特征在于，包括以下步骤：步骤1，数据输入：输入各电动汽车充电站历史序列负荷、历史交通出行模式及气象多源特征信息；步骤2，数据处理：首先，对步骤1输入的数据进行归一化预处理；然后基于Spearman相关系数分析电动汽车充电负荷与多源特征信息的相关性，根据相关性分析结果，选取相关系数最高的至少两种特征值，并将这些特征值与其充电负荷数据进行拼接，得到原始数据集；步骤3，构建训练数据集及其特征簇标签：基于变分自编码器预先对原始数据集的特征进行浅层学习，对电动汽车历史充电序列负荷及多源特征信息数据进行降维，并提取其特征簇标签作为改进鲁棒多标签生成对抗网络模型中的噪声标签；步骤4，对生成对抗网络RAC-GAN进行改进，建立改进鲁棒多标签生成对抗网络模型，通过训练改进鲁棒多标签生成对抗网络模型中的生成器和判别器网络，挖掘多源特征信息下电动汽车充电负荷序列数据输入的潜概率分布特征；改进鲁棒多标签生成对抗网络模型的建立过程具体为：步骤4.1，在判别器网络中加入噪声转移矩阵；步骤4.2，采用交叉熵损耗重定义生成对抗网络的损失函数；首先，采用Wasserstein对真实样本和生成样本之间的距离进行度量；度量后，得到真实数据源的对数似然损失LrS和正确类别的对数似然损失LrC： 式中：xr为真实样本数据；为将真实样本数据判别为标签的概率，为被错误标记带噪声的样本标签；上标g表示生成的特征标签；z为潜变量；使用交叉熵损耗替代单一损耗，结合噪声转移矩阵得到模型的对抗损失公式如下： 式中，Ti,j为真实样本标签类型为i被误标记为j的条件概率；Px为真实数据分布、PZ为生成数据分布；步骤4.3，在生成器和判别器中加入多层感知器，并结合加入的类别簇标签信息，得到改进后的模型价值函数VG,D： 式中：y为数据样本类别标签信息；步骤5，电动汽车充电负荷场景生成：将数据集特征簇标签值及随机噪声输入步骤4建立的鲁棒多标签生成对抗网络模型中，得到多标签的电动汽车充电负荷场景集合。

全文数据：

权利要求：

百度查询： 武汉大学 基于改进RAC-GAN的电动汽车充电负荷场景生成方法、系统及设备