一种适用于广域分散充电桩的通信组网方法及系统

本发明涉及新能源汽车领域，尤其涉及一种适用于广域分散充电桩的通信组网方法及系统。

背景技术：

1、电动汽车保有量的不断增加，对新能源汽车基础充电设施的建设带来了挑战。如何实现电动汽车的通信组网是新能源汽车基础充电设施建设的基本问题之一。目前有研究通过目标充电桩执行该充电控制指令,只需将网关放置在有局域网络的场所，实现充电桩与控制平台的通信，或是，利用无线通信将集群系统信道内除去主节点和辅节点外的剩余各辅节点进行组网，完成组网并进行维护；当电动汽车充电桩密集分布时，上述方式较为有效。

2、然而，当充电桩距离较远、呈现广域分散时，目前的技术手段无法解决充电桩的通信组网问题。因此，为了解决上述问题，提供一种适用于广域分散充电桩的通信组网方法具有重要的意义。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种适用于广域分散充电桩的通信组网方法及系统解决当充电桩距离较远、呈现广域分散时，目前充电桩的无法准确高效的进行通信组网的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种适用于广域分散充电桩的通信组网方法，包括：

5、初始化广域离散充电桩的总数以及其坐标参数；

6、初始化混合学习网络的相关参数，利用混合学习网络进行预测并判断充电桩的最优组网节点；

7、依据所述最优组网节点连接形成广域分散充电桩的通信组网。

8、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述初始化广域离散充电桩的总数以及其坐标参数，包括：

9、广域分散充电桩的坐标表示为：(xi,yi)，i＝1,2,3,...,n，n为广域分散充电桩的总数。

10、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述初始化混合学习网络的相关参数，利用混合学习网络判断充电桩的最优组网节点，包括：

11、将第一个主节点(x1,y1)定义为第一个最优主节点(x1,op,y1,op)，即x1＝x1,op，y1＝y1,op；

12、进行第一判断，所述第一判断包括：

13、判断其他充电桩与第一个最优主节点的距离ri1，表示为：

14、

15、其中，i＝2,3,...,n；

16、对n-1个充电桩的距离从小到大进行排序，截取距离最小的n个充电桩建立第二最优主节点判断数据集φ；其中，数据集φ为距离第一个最优主节点距离最小的n个充电桩的编号；

17、利用混合学习网络对第一个最优主节点与数据集φ中n个充电桩的信道状态信息进行预测，获取预测误差ej，j＝1,2,3,...,n；

18、将预测误差进行排序，定义误差最小的充电桩为第二最优主节点，数据集φ中其他充电桩定义为次节点；

19、将φ中对应充电桩标签从充电桩标签总数据集φ总中去除，获得删减后的充电桩标签总数据集φ'总；

20、进行第二判断，所述第二判断包括：

21、判断充电桩标签总数据集φ'总与第二个最优主节点(x2,op,y2,op)的距离ri2，表示为：

22、

23、其中，为充电桩标签总数据集φ'总的大小；

24、对个充电桩的距离进行排序，截取距离最小的n个充电桩更新主节点判断数据集φ；

25、利用混合学习网络对第二个主节点与数据集φ中n个充电桩的信道状态信息进行预测，获取预测误差ej，j＝1,2,3,...,n；

26、将预测误差进行排序，定义误差最小的充电桩为第三最优主节点，数据集φ中其他充电桩为次节点；将φ中对应充电桩标签从充电桩标签数据集φ'总中去除，更新删减后的充电桩标签总数据集φ'总；

27、判断φ'总是否为空集；如果否，则循环第二判断；

28、依次输出最优主节点的编号。

29、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述利用混合学习网络对第二个主节点与数据集φ中n个充电桩的信道状态信息进行预测，获取预测误差ej，j＝1,2,3,...,n，包括：

30、利用信道估计最优节点与第j个充电桩的频域信道状态信息其中，k和ns分别为子载波的总数和导频子载波的采样数目；

31、通过离散傅里叶逆变换获取最优节点与第j个充电桩的时延功率谱

32、对时延功率谱的第l个多径建立混合学习网络预测模型，预测得到第l个多径的预测值l＝1,2,3,...,lt，lt为最优节点与第j个充电桩之间的传输多径总数；

33、将预测的进行傅里叶变换，获得预测的频域信道状态信息与理论的频域信道状态信息联合计算均方根误差ej，表示为：

34、

35、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述对时延功率谱的第l个多径建立混合学习网络预测模型，包括：

36、初始化混合学习网路的第一特征层的神经元数目p，第二特征层的神经元数目q，那么第一特征层的输出矩阵g可以表示为

37、g＝tanh(xwin)

38、其中，tanh为双曲正切函数，x为训练阶段关于时延功率谱第l个多径的输入数据，表示为：

39、

40、nt为训练阶段时延功率谱第l个多径用于训练的数据数目，ns＞nt；win为输入层与第一特征层之间的连接权重，win在0-1之间随机生成；

41、计算第二特征层的输出矩阵u：

42、u＝tanh(gw)

43、其中，w为第一特征层与第二特征层之间的连接权重，w在0-1之间随机生成；

44、通过损失函数j估计输出层的权重矩阵wout，表示为：

45、

46、其中，y为时延功率谱第l个多径在训练阶段输入矩阵x对应的目标矩阵，[x；g；u]表示关于x、g和u的行连接矩阵，||*||2表示l2范数，λ为l2范数的惩戒系数，θi为第i个在0-1之间的随机系数；

47、利用自适应粒子球算法求解损失函数j，获得估计的输出权重矩阵

48、利用训练后的混合学习网络得到时延功率谱第l个多径的预测值

49、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述利用自适应粒子球算法求解损失函数j，获得估计的输出权重矩阵包括：

50、初始化粒子球的种群个数ms，每个粒子球的空间矢量k＝1,2,3,...,ms，最大迭代次数d；

51、定义迭代次数标签d，令d＝1；

52、进行带入求解，包括：将本次迭代过程中第k个粒子球空间矢量带入到损失函数j中，求解出第k个粒子球的适应值k＝1,2,3,...,ms，获得第d次迭代最优的粒子球空间矢量

53、更新第k个粒子球的空间矢量，表示为：

54、

55、其中，β、α和rand均为0-1之间的随机系数，为第d次迭代过程中第g个粒子球的空间矢量，g＝1,2,3,...,ms,g≠k；

56、判断d是否等于d；如果否，那么d＝d+1，返回至所述带入求解；

57、输出最优的粒子球空间矢量

58、作为本发明所述的适用于广域分散充电桩的通信组网方法的一种优选方案，其中：所述利用训练后的混合学习网络得到时延功率谱第l个多径的预测值包括：

59、在预测阶段，计算第一特征层的输出矩阵gt：

60、gt＝tanh(xtwin)

61、其中，xt为预测阶段关于时延功率谱第l个多径的输入数据；

62、计算第二特征层的输出矩阵ut：

63、ut＝tanh(gtw)

64、计算输出层的输出矩阵

65、

66、其中，

67、第二方面，本发明提供了一种适用于广域分散充电桩的通信组网系统，包括，

68、初始化模块，用于初始化广域离散充电桩的总数以及其坐标参数；

69、判断模块，用于初始化混合学习网络的相关参数，利用混合学习网络进行预测并判断充电桩的最优组网节点；

70、组网模块，用于依据所述最优组网节点连接形成广域分散充电桩的通信组网。

71、第三方面，本发明提供了一种计算设备，包括：

72、存储器和处理器；

73、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述适用于广域分散充电桩的通信组网方法的步骤。

74、第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述适用于广域分散充电桩的通信组网方法的步骤。

75、与现有技术相比，本发明的有益效果：本发明面向适用于广域分散充电桩的通信组网，对广域分散充电桩之间的信道环境进行评估，根据充电桩之间的通信环境质量筛选出最优主节点，从而形成广域分散充电桩的通信组网方案；弥补了当充电桩距离较远、呈现广域分散时，无法保障通信可靠性的缺陷，为后期全面实现电动汽车的通信组网奠定了基础。