人工智能技术支撑的集群电动汽车实时优化调度策略

电动汽车(electric vehicle,EV)在近年来得到了广泛的应用与部署,针对入网EV的充放电优化已成为研究热点.然而,传统的基于优化模型的EV优化调度方法在实际应用上面临模型参数难以准确获得和计算压力大的挑战.为了解决该问题,基于K-means聚类算法与长短期记忆神经网络(long short-term memory neural networks,LSTM)提出了一种集群电动汽车实时自动优化调度策略,直接从电动汽车的基础数据和电价生成满足约束的最优充放电计划.该策略基于分布式EV调度架构,由离线模型训练阶段和实时优化调度阶段2部分构成.在离线阶段,首先由K-means算法对海量EV数据聚类,之后用LSTM网络学习不同类型数据下的优化调度模式,建立从EV基础数据到优化决策之间的映射,并针对LSTM的输出设计了策略增强环节提高LSTM的决策性能.在实时阶段,在对EV类型识别的基础上,LSTM网络能够快速生成优化调度方案.仿真结果表明,与传统优化算法相比,所提策略能够在不依赖于用户提供准确的出行时间的情况下,毫秒级地输出近似最优解,适用于规模化EV的实时优化调度.