基于指数猎兔优化与深度学习的用户偏好感知型电动汽车充电调度系统，结合新型TMBLg损失函数实现用户类型分类

《Computers and Electrical Engineering》：User preference-aware electric vehicle charge scheduling using exponential hare optimization and deep learning with novel TMBLg loss-based user type classification

　　摘要
基于用户偏好的电动汽车充电调度旨在通过考虑个体用户的实际需求，如时间偏好和成本考量，来优化电动汽车的充电过程。现有的系统往往忽视这些因素，从而导致充电成本上升、电网负荷过重以及充电效率低下。本文提出的泰勒均值偏差对数神经网络（TMBLgN-Net）通过实现智能化的、以用户为中心的调度方式，有效解决了这些问题，提升了充电效率与用户满意度。首先，对基于用户偏好的电动汽车充电调度模型进行了仿真测试；随后，在分类阶段采用了时空调度策略，以捕捉不同地点和时间段内用户行为的变化，从而实现准确且具备情境意识的用户类型识别。接着，利用TMBLgN-Net进行用户类型分类，该模型是通过结合混合TMBLg损失函数对深度神经网络的学习规则进行改进而设计的。最后，采用指数型野兔逃逸优化算法来优化充电计划，同时兼顾多种目标。实验结果表明，TMBLgN-Net在电动汽车充电调度中可实现2.356公里的行驶距离、0.618秒的等待时间、72.737千瓦的充电功率，以及210.36印度卢比的充电成本。与现有方法相比，该模型的计算成本分别降低了15.73%、13.52%、11.37%、7.89%、4.84%和3.70%，充分体现了其优越的性能。在用户类型分类方面，TMBLgN-Net取得了最高的准确率、特异性、召回率、精确率和F1分数，分别为95.40%、94.84%、96.43%、94.20%和95.30%。

引言
电动汽车作为一种可持续的替代能源，逐渐被视作传统化石燃料交通工具的理想选择，它在减少碳排放、推动绿色出行方面发挥着重要作用[1]。尽管具有诸多优势，但大规模且缺乏协调的电动汽车充电行为仍可能加剧电网的峰谷负荷失衡，影响电力系统的稳定运行，尤其是那些与可再生能源相融合的电力系统。因此，高效的电动汽车充电调度已成为保障电力系统可靠性和能源效率的重要研究方向[2]。随着交通技术的不断发展，汽车行业正在发生深刻变革，电动汽车已成为创新发展的重点领域。从历史上看，交通运输业一直是温室气体排放和空气污染的主要来源，给环境和人类健康带来了严重威胁。这迫切需要寻求更清洁、更可持续的交通解决方案[3]。电动汽车依靠高容量电池储存的电能，为应对这些挑战提供了一种可行的途径。在电动汽车基础设施中，高效且优化的充电机制至关重要，它能够确保车辆持续获得能量供应，从而保持正常运行[4]。此外，通过电动汽车聚合器实现协调充电，可以提高需求侧的灵活性，帮助电动汽车参与削峰填谷、促进可再生能源的整合，同时降低用户的充电成本。借助边际电价机制，电动汽车聚合器显著提升了大规模电动汽车充电系统的经济效率和运营协调性[2]。

目前，一些协调方法，如差异化定价方案和基于博弈论的模型，已被应用于电动汽车聚合器的运营中；然而，这些方法大多仅针对单一类型的充电系统[5]，因此无法充分考虑多种充电需求的综合影响，也就难以满足不同类型电动汽车用户的多样化需求。此外，许多现有的电动汽车聚合器框架仅侧重于对某一类电动汽车的聚合与调度，而对用户行为和车辆特性的时空变化关注不足。这就凸显出有必要开发出能够适应不同时间和空间场景的多元化电动汽车聚合器充电策略[6,7]。这类策略应能够支持针对多种类型电动汽车用户的协调调度，充分体现用户个性化需求，降低运营成本，同时优化影响电动汽车普及率和用户满意度的各种因素[2]。除了充电协调之外，电动汽车聚合器还可以通过参与频率控制等辅助服务，为电网稳定性做出贡献。通过频率控制，电动汽车聚合器能够快速、分散地对频率偏差作出响应，而负荷频率控制则有助于实现长期频率调节。这些服务不仅提升了电网的可靠性和韧性，还为电动汽车聚合器在辅助服务市场中创造了额外的收入来源，进而提高了电动汽车整合的整体经济效率和运营效率[8,9]。此外，电动汽车用户具有不同的充电偏好，这些偏好会显著影响他们的充电行为和调度效果。常见的偏好包括对充电成本的敏感度、对充电时间的灵活性要求、环保意识或低碳出行意愿，以及对行驶里程或时间焦虑的担忧[10,11]。出于经济考虑的用户通常希望尽可能降低充电成本，倾向于在非高峰用电时段充电；而具有环保意识的用户则希望在可再生能源供应充足的时段充电，以减少碳排放[10]。至于那些担心行驶里程或时间不足的用户，则更倾向于选择快速充电，以确保车辆在需要时随时可用[12]。充电调度在决定电动汽车的充电时间和方式方面起着关键作用，其目标是在满足电网需求和用户需求的同时，优化能源使用。其具体目标包括降低充电成本、减少高峰负荷，以及确保车辆能够及时投入使用，同时还要兼顾用户对便利性、充电速度及环境影响的各类需求。高效的调度不仅有助于提升电网稳定性，还能促进可再生能源的整合，进而改善整体的电动汽车充电体验[3]。由于深度学习方法具备建模复杂非线性关系和处理大规模数据的能力，因此在优化电动汽车充电调度方面发挥着越来越重要的作用。先进的机器学习方法能够有效模拟用户充电行为和电价变化的复杂动态模式。通过分析历史数据和实时数据，这些方法可以预测用户需求，识别高峰和非高峰时段，预判能源供应的变化趋势[6]。它们还能让充电系统不断学习和适应不断变化的环境，优化调度决策，从而在平衡不同用户需求、降低充电成本以及减轻电网负担方面发挥重要作用。此外，这些方法还有助于推动可再生能源的主动整合，进一步提升电动汽车充电管理的整体效率与可靠性[13]。

随着电动汽车的日益普及，人们越来越需要一种既能满足用户需求，又能符合电网要求的智能充电管理方案，这也促使人们开始探索基于用户偏好的电动汽车充电调度方法。传统的电动汽车充电系统主要关注站点可用性、充电功率或电网负荷平衡等技术因素，往往忽视了个体用户的偏好。但实际上，电动汽车用户的充电决策通常会受到充电成本、首选充电时间、等待耐心、行驶距离、电池状态以及环保意识等因素的影响。忽视这些因素会导致用户满意度下降、充电站点利用率不高、等待时间过长以及充电需求分布不均。因此，采用基于用户偏好的调度方法，才能为用户提供个性化的充电方案，同时提升充电基础设施的运营效率。

本文提出的方法之所以被选中，还因为它能够适应用户需求随时间和地点变化的动态实时充电环境。通过整合时空行为分析、用户类型分类和多目标优化功能，该框架能够智能地分配充电资源，减少拥堵，提升电网稳定性。这一特点使其特别适用于未来电动汽车普及率较高的智慧城市和智能电网应用场景。

本文的主要贡献如下：
?提出了一种全新的基于用户偏好的电动汽车充电调度框架，该框架综合考虑了充电成本、用户首选时间、等待耐心、行驶距离以及电池需求，从而为用户提供个性化的充电建议。
?引入了一种时空行为建模策略，用于捕捉不同地点和时间段内的充电需求变化，进而实现更精准的调度。
?提出了一种新的分类模型——TMBLgN-Net，该模型通过对深度神经网络进行改进，并结合混合TMBLg损失函数，提升了模型的收敛速度和分类精度。其中，TMBLg损失函数是泰勒级数、均值偏差误差和対数损失函数的组合体。
?采用指数型野兔逃逸优化算法来解决多目标充电调度问题，该算法能够同时最小化成本、等待时间、行驶距离以及电力波动。

本文的其余结构如下：第2节将对现有的充电调度模型进行文献综述；第3节将阐述基于用户偏好的电动汽车充电调度框架；第4节将详细介绍所设计的TMBLgN-Net模型；第5节将分析仿真结果并对其进行评估；第6节则会对研究结论及未来的工作方向进行总结。

文献综述
以下是对现有基于用户偏好的电动汽车充电调度方法的概述。Z. Ji等人[2]提出了基于动机-保健理论的电动汽车充电调度方法。该理论通过考虑人类的动机因素，重新定义了调度问题，将研究重点从单纯的能源优化转向基于行为特征的决策制定。不过，这一理论也使得用户偏好驱动的电动汽车充电调度系统模型出现了非凸性问题。图1展示了基于动机-保健理论的电动汽车用户偏好充电调度整体框架。首先，通过将用户需求分为保健因素和动机因素，对电动汽车的充电偏好进行建模。保健因素指的是确保充电服务达到满意水平所必需的条件，而动机因素则能激励用户积极参与到优化的充电决策中。在该框架下，保健因素包括时间焦虑等。根据用户是更注重充电的可靠性、经济性和低碳效益，还是同时考虑这两方面，电动汽车用户被划分为保健驱动型、动机驱动型和混合型三类。图2则展示了基于TMBLgN-Net的电动汽车用户偏好充电调度框架。首先，利用时空调度策略对电动汽车用户偏好充电调度模型进行仿真，以捕捉不同地点和时间段内的行为差异，随后再进行用户类型分类。

结果与讨论
本节将评估TMBLgN-Net在基于用户偏好的电动汽车充电调度中的性能，并将其结果与现有模型的输出进行比较。

结论
基于用户偏好的电动汽车充电调度通过综合考虑个体用户的各种需求，如时间敏感度和成本约束，旨在提升充电效率。传统的充电方案往往忽视这些需求，从而导致充电成本上升、电网拥堵以及充电基础设施的利用率偏低。为克服这些缺陷，本文提出了一种名为TMBLgN-Net的新框架，用以支持智能化的、以用户为中心的充电决策制定。