CN112874369B - 一种充电管理***的充电与供能优化方法及装置 - Google Patents

一种充电管理***的充电与供能优化方法及装置 Download PDF

Info

Publication number
CN112874369B
CN112874369B CN202110033191.1A CN202110033191A CN112874369B CN 112874369 B CN112874369 B CN 112874369B CN 202110033191 A CN202110033191 A CN 202110033191A CN 112874369 B CN112874369 B CN 112874369B
Authority
CN
China
Prior art keywords
charging
information
capacity
facility
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110033191.1A
Other languages
English (en)
Other versions
CN112874369A (zh
Inventor
孙玉鸿
潘非
戴珂
康勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Borg Warner New Energy (Xiangyang) Co.,Ltd.
Original Assignee
Shanghai Surpass Sun Electric Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Surpass Sun Electric Co ltd filed Critical Shanghai Surpass Sun Electric Co ltd
Priority to CN202110033191.1A priority Critical patent/CN112874369B/zh
Publication of CN112874369A publication Critical patent/CN112874369A/zh
Priority to KR1020237026122A priority patent/KR20230122165A/ko
Priority to PCT/CN2022/070920 priority patent/WO2022152065A1/zh
Priority to JP2023541706A priority patent/JP2024503017A/ja
Priority to DE112022000624.2T priority patent/DE112022000624T5/de
Application granted granted Critical
Publication of CN112874369B publication Critical patent/CN112874369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及充电管理技术领域，公开了一种充电管理***的充电与供能优化方法及装置，包括：获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息，并确定充电站充电设施***的充电能力、供电能力与实际充电容量，根据预先训练的深度学习时间序列预测算法模型获得模型输出结果，结合充电站充电设施***的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令，对各充电设施进行电能分配。本发明提供的充电管理***的充电与供能优化方法及装置，利用深度学习建立持续优化的管理控制模型，优化充电设施的供能与充电能力资源，提高利用效率。

Description

一种充电管理***的充电与供能优化方法及装置
技术领域
本发明涉及充电管理技术领域，特别涉及一种充电管理***的充电与供能优化方法及装置。
背景技术
电动汽车充电桩作为一项重要的基础设施，关乎着车辆的用车体验，随着新能源汽车保有量的增加和续航里程的提升，对于充电桩的需求量也在逐渐增多，人们日益看重充电基础设施的建设和发展。现有充电设施数量多，充电容量大，但充电设施一旦建成，充电输出接口和停车位是相对固定的，同时还受到接入的供电能力的影响。由于被充电电动汽车的流动性，充电设施所连接的被充电电动汽车的数量，需要充电的时间以及所需充电容量均不确定，经常会出现高峰时段车找桩困难，车辆需排队充电且等候时间长，低峰时段又会出现充电设施闲置、利用率不高的现象；有时，还会出现即使充电设施满充电输出工作，由于存在充电过程功率需求曲线的因素，受充电枪与停车位的限制，高峰时段也会出现充电设施能力富裕，而被迫车等位的现象。
现有的充电设施管理***不具备充电供需预测能力，仅靠人工结合实际充电使用而调整，效率低且车辆充电过程中矛盾突出，无法实现充电设施的充电输出与用电供能效率的最大化。
发明内容
本发明的目的旨在解决现有技术的缺陷，提供一种充电管理***的充电与供能优化方法及装置，利用深度学习建立持续优化的管理控制模型，优化充电设施的供能与充电能力资源，提高利用效率。
本发明的上述技术目的是通过以下技术方案得以实现的：一种充电管理***的充电与供能优化方法，其特征在于，所述方法包括：
S1，获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
S2，根据所述充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
S3，将所述充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果；
S4，根据所述模型输出结果和充电站充电设施的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
S5，根据所述充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电。
通过采用上述技术方案，本发明提供的充电管理***包括充电能力执行管理单元和充电能力训练优化单元，充电能力训练优化单元通过对初始的机器学***衡、最佳充电终端利用的控制模型输出，从而实现充电设施***的充电与用电效率最大化。
本发明的进一步设置为：在所述S1，获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息的步骤之前，所述方法还包括：
S01，选择机器学习预模型，并设定模型中与充电容量相关的初始阈值和功能矩阵，建立充电与供能优化时序预测关系模型；
S02，设置充电终端特征参数，并获取被充电电动汽车动力电池充电过程功率需求变化曲线，建立充电工作状态特征时序预测关系；
S03，获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库；
S04，将所述特征数据库中的数据输入至所述充电与供能优化时序预测关系模型中，结合所述充电工作状态特征时序预测关系，对所述充电与供能优化时序预测关系模型进行训练优化，获得预先训练的深度学习时间序列预测算法模型。
本发明的进一步设置为：所述S04，将所述特征数据库中的数据输入至所述充电与供能优化时序预测关系模型中，结合所述充电工作状态特征时序预测关系，对所述充电与供能优化时序预测关系模型进行训练优化，获得预先训练的深度学习时间序列预测算法模型的步骤之后，所述方法还包括：
S05，在所述深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出；
S06，累积一定的充电与供能数值，将采集的实时数据输入特征数据库，结合充电站与被充电电动汽车的应用场景特征，充实模型学习训练的数据集；
S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用；
S08，形成优化的充电***能量控制供需平衡的控制模型输出。
本发明的进一步设置为：所述S05，在所述深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出的步骤具体包括：
输入各充电终端实时接入的电动汽车信息、充电能力、供电能力以及实际充电容量至所述预先训练的深度学习时间序列预测算法模型；
计算总充电容量并与预定阈值进行对比，同时比较各充电终端的实际充电容量与充电终端的额定输出能力以及被充电电动汽车的充电需求的差值，根据比较值进行模型训练与数据输出；
当接收到新电动汽车的充电需求时，根据数据输出结果，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行所述获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
本发明的进一步设置为：所述S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用的步骤具体包括：
当接收到新电动汽车的充电需求时，根据输出比较值，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行所述获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
本发明的进一步设置为：所述能量控制输出子流程的步骤包括：
接收充电功率分配指令；
接收新电动汽车的充电需求，并按照需求时序定义优先级；
检测充电终端的工作状态；
当充电终端处于空闲状态时，按照优先级接入新电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当充电终端处于非空闲状态时，比较***内电能供能是否富余；
当***内电能供能有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，按照优先级接入新的电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当***内电能供能没有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，接入新的电动汽车并开始充电，同时调整其他充电终端的充电容量，按照优先级满足新电动汽车的充电需求并实时监控充电状态与能量补给调整，并将充电能量使用信息反馈至数据库。
本发明的进一步设置为：所述S08，形成优化的充电***能量控制供需平衡的控制模型输出的步骤之后，所述方法还包括：
S09，训练形成的充电***能量控制供需平衡的控制模型输出并保存后，在此基础上每隔预设时间周期进行一次机器学***衡的控制模型。
本发明的进一步设置为：所述与充电容量相关的初始阈值包括：充电***电能供能变配电站最大供电能力、充电设施的总额定充电能力、各充电设施额定充电容量及其充电终端的数量和位置信息。
本发明的进一步设置为：所述电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息具体包括：充电设施工作信息状态参数、被充电电动汽车车辆数量及车型参数、被充电电动汽车充电需求参数、供电能力参数、环境状态参数、工作状态场景数据以及人机交互控制参数。
此外，本发明还提供一种充电管理***的充电与供能优化装置，所述装置包括：
数据采集模块，用于获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据管理模块，用于根据所述充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
数据存储模块，用于存储所述电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据训练和输出模块，用于将所述充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果，根据所述模型输出结果和充电站充电设施***的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
充电能力管理执行单元，用于根据所述充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电。
本发明的有益效果是：
1、本发明提供的充电与供能优化方法，实现本充电站在最佳满足电动汽车的充电需求下，实现充电输出与用电供能效率的最大化，使充电设施及相应的供电效率持续优化，利用AI深度学习建立持续优化的管理控制模型，实现充电设施***的充电与用电效率最大化。
2、在具体的电动汽车充电应用场景中，将实时采集的数据输入至深度学习时间序列预测算法模型中，根据模型输出结果，并结合充电设施的实际充电容量以及待充电电动汽车的充电需求，生成充电功率分配指令并根据实际需求实时调整充电设施***的供能与充电比例，使充电终端的输出量在最佳满足电动汽车的充电需求下，实现充电输出与用电供能效率的最大化；同时，在使用深度学习时间序列预测算法模型的过程中，结合实际的充电应用场景，对模型进行不断地训练、测试、验证和优化，从而使充电设施及相应的供电效率持续优化。
3、在对模型进行训练前，需要收集大量的历史数据和实时数据，创建特征数据库，通过特征数据库中的数据对模型进行反复地训练、验证和优化，关联数据用于计算电动汽车充电需求量、充电设备的实时充电量于充电站电能的供电量，参与学习训练不断优化***充电电能管理模块，并预测各充电终端充电需求与响应能力，对各充电终端的充电能力与被充电电动汽车动力电池充电过程功率需求曲线进行实时对比，以最优实时响应充电需求和控制充电能力。
4、深度学***衡的控制模型输出，使得充电与供能优化方法是在持续优化的，根据实际情况灵活调整改变，实现充电设施***的充电与用电效率最大化。
5、在充电需求多而充电终端不足的资源矛盾下，可通过本***进行优化调度，从而提高充电设施、供配电与充电终端、待充电电动汽车之间的供需适配性，从而为本***的资源动态优化实施提供了空间。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种充电管理***的充电与供能优化方法的流程示意图；
图2是本发明一种充电管理***的充电与供能优化方法的深度学习模型实施步骤示意图；
图3是本发明一种充电管理***的能量控制输出子流程示意图；
图4是本发明一种充电管理***的充电与供能优化装置的结构示意图；
图5是本发明充电终端被充电电动汽车动力电池充电过程功率需求变化曲线图。
图中，1、数据管理模块；2、数据采集模块；3、数据存储模块；4、数据训练和输出模块；5、人机交互调度模块；6、通讯模块；7、云服务器；8、充电能力管理执行单元；9、充电能力训练优化单元。
具体实施方式
下面将结合具体实施例对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明提供一种充电管理***的充电与供能优化方法，包括：
步骤S1，获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
步骤S2，根据充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
步骤S3，将充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果；
步骤S4，根据模型输出结果和充电站充电设施的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
步骤S5，根据充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电。
需要说明的是，本发明提供的充电管理***包括充电能力执行管理单元8和充电能力训练优化单元9，充电能力训练优化单元9通过对初始的机器学习模型进行训练、测试和验证，形成预先训练的深度学习时间序列预测算法模型，在具体的电动汽车充电应用场景中，将实时采集的数据输入至深度学习时间序列预测算法模型中，根据模型输出结果，并结合充电设施的实际充电容量以及待充电电动汽车的充电需求，生成充电功率分配指令并发送至充电能力执行管理单元8，由充电能力执行管理单元8根据实际需求实时调整充电设施***的供能与充电比例，使充电终端的输出量在最佳满足电动汽车的充电需求下，实现充电输出与用电供能效率的最大化；同时，在使用深度学习时间序列预测算法模型的过程中，结合实际的充电应用场景，对模型进行不断地训练、测试、验证和优化，从而使充电设施及相应的供电效率持续优化。
需要说明的是，充电设施***的充电能力为所有充电设施的额定功率之和，充电设施***的供电能力为充电站供能变配电变压器额定容量减去电网内其他设备用电功率后所能提供的最大输出容量，设定充电能力为∑P，供电能力为∑Q，实际充电容量为∑S，单个充电设施的额定功率为P，充电设施的数量为m，每个充电设施上设置的充电终端数量为n，可以得到：
∑P＝P1+P2+…+Pm
∑Q≧∑S
其中，充电设施的输出功率Pm≧Sm1+Sm2+…+Smn，Sm为充电终端的实际充电功率，与被充电电动汽车直接相关联，没有接入电动汽车时其值为0。充电终端的最大输出功率小于或等于电动汽车的最大受电容量，受电动汽车内电池充电管理***的控制，同时受本***供电能力的控制。
充电机实际输出功率Pn＝Sn，充电时实际所需的功率，除受被充电电动汽车动力容量、环境温度的影响很大外，更受充电电动汽车动力电池自身的荷电动态SOC等影响。根据被充电电动汽车动力电池充电过程的变化产生的功率需求曲线可以得知，当被充电电动汽车动力电池达到一定容量时，进入需要较长时间的低电流匀充阶段，此时如果∑Q富余，即使充电设施不足，一旦接收到新电动汽车的充电需求，应选择性控制充电终端，发出充电完成指令，以接入新的充电需求，从而对新电动汽车进行充电并实时监控充电状态。
本发明提供的充电管理***的充电与供能优化方法是利用AI深度学***衡、最佳充电终端利用的控制模型输出，从而实现充电设施***的充电与用电效率最大化。
具体的，结合附图4，本发明的充电管理***包括充电能力执行管理单元8、充电能力训练优化单元9和云服务器7，充电能力执行管理单元8包括供能变配电站、充电设施分配控制模块以及若干个充电设施，充电设施设置有若干个充电终端，充电设施均与充电设施分配控制模块连接，充电设施分配控制模块连接至供能变配电站，充电设施分配控制模块用于接收充电能力训练优化单元发送的充电功率分配指令，并根据充电功率分配指令控制电能分配至充电设施；充电设施用于将电能转换成待充电电动汽车所需的工作电源，通过充电终端对待充电电动汽车进行直流快速充电或交流慢充。
充电能力训练优化单元9包括数据管理模块1、数据采集模块2、数据存储模块3、数据训练和输出模块4，数据采集模块2、数据存储模块3以及数据训练和输出模块4均通过数据管理模块1与充电设施分配控制模块连接，充电能力训练优化单元9还包括人机交互调度模块5和通讯模块6，人机交互调度模块9分别与数据管理模块1和通讯模块6连接，通讯模块6与数据训练和输出模块4连接。
云服务器7支持***级的综合管理，通过通讯接口的共同协议支持数据信息的远程共享、收集处理、互用与调度，作为充电能力训练优化单元8数据管理中心的外延与局域网联管理与共享扩展，并可接受AI训练环境及模型的迁移、置入，更好地发挥大数据下人工智能技术的优势进行输出控制模型的训练与验证，从而优化局域多站充电管理***下的数据共享与机器深度学习，实现各***充电能力资源的互补与优化，实现局域内充电设施***的充电与用电效率最大化。
参见图2，在步骤S1，获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息的步骤之前，方法还包括：
步骤S01，选择机器学习预模型，并设定模型中与充电容量相关的初始阈值和功能矩阵，建立充电与供能优化时序预测关系模型；
步骤S02，设置充电终端特征参数，并获取被充电电动汽车动力电池充电过程功率需求变化曲线，建立充电工作状态特征时序预测关系；
步骤S03，获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库；
步骤S04，将特征数据库中的数据输入至充电与供能优化时序预测关系模型中，结合充电工作状态特征时序预测关系，对充电与供能优化时序预测关系模型进行训练优化，获得预先训练的深度学习时间序列预测算法模型。
应理解的是，在使用预先训练的深度学习时间序列预测算法模型之前，需要先建立模型并对模型进行训练验证，首先是选择机器学习预模型，并设定模型中与充电容量相关的初始阈值和功能矩阵，建立充电与供能优化时序预测关系模型，在选择机器学习预模型时，需要结合应用场景进行选择，初始模型选定后，输入具体的充电***中与充电容量相关的初始阈值，包括充电***电能供能变配电站最大供电能力、充电设施***的总额定充电能力、各充电设施额定充电容量及其充电终端的数量、位置信息，用于动态分析与处理充电***的充电与供能能力，明确应用场景的状态特征。
充电与供能优化时序预测关系建立后，还需要建立充电工作状态特征时序预测关系，具体包括：设置各充电终端的充电容量与时间的对应关系为主变量，用于对应和响应电动汽车的充电需求，并对进入充电状态的电动汽车与充电终端建立一一对应的时间序列预测关系趋势，需要说明的是，被充电电动汽车动力电池充电过程功率需求变化曲线可以来源于历史数据库，也可以来源于被充电电动汽车的电池管理***BMS，通过移动APP或互联网服务器或充电终端读取被充电电动汽车的电池管理***BMS，即可获取到被充电电动汽车动力电池充电过程功率需求变化曲线，用于充电终端于被充电电动汽车实时充电能量状态的监督学习，并提高能量适配控制的准确性。
如图5所示，现有的电动汽车动力电池大多采用锂离子电池，充电过程所需时间很长。充电终端功率一般选配能满足电动汽车充电所需的最大额定功率，这样可保证当被充电电动汽车需要最大容量充电时，充电终端能提供相应的电能。动力电池所需充电容量同时受电池的剩余容量影响，也即动力电池自身的荷电动态SOC(动力电池剩余电量百分比)，剩余容量占电池容量的比值，当SOC＝1时为电池完全充满，当SOC＝0时表示电池放电完全，这种情况对动力电池的损害极大，实际应用中当SOC小于50％时即应充电补电，图5(a)是常温下动力电池的典型不同SOC下充电电流曲线图。随着动力电池充电过程的变化，充电机输出功率也发生相应的变化，图5(b)反应了充电终端实际输出功率随动力充电过程变化的曲线。
通过图5所给出的本实施例电动汽车动力电池充电容量与SOC的关系曲线可看出，当电动汽车动力电池容量达到90％的额定容量时，所需充电功率将快速减小，对应的用充电时间来表征为：本实施例的电动汽车动力电池容量完全充满需要250-300min，但实际只有开始充电的150min左右需要接近满功率快速充电，将达到电动汽车额定容量的90％，其余的时间充电终端实际输出容量逐渐变低。也就是说，一辆电动汽车要完全充满至额定容量，在充电终端富余的情况下，***可提供支持，在充电需求多而充电终端不足的资源矛盾下，可通过本***进行优化调度，从而提高充电设施、供配电与充电终端、待充电电动汽车之间的供需适配性，从而为本***的资源动态优化实施提供了空间。
在对模型进行训练前，还需要收集大量的历史数据和实时数据，创建特征数据库，也就是模型训练的数据集，通过特征数据库中的数据对模型进行反复地训练、验证和优化，通过数据采集模块2采集数据，经过数据管理模块1处理后进入数据存储模块3进行存储，为数据训练和输出模块4提供历史和实时数据，对初始建立的充电与供能优化时序预测关系模型进行训练优化，相关采集参数包括充电设施工作信息状态参数、被充电电动汽车车辆数量及车型参数、被充电电动汽车充电需求参数、供电能力参数、环境状态参数、工作状态场景数据以及人机交互控制参数，关联数据用于计算电动汽车充电需求量、充电设备的实时充电量于充电站电能的供电量，参与学习训练不断优化***充电电能管理模块，并预测各充电终端充电需求与响应能力，对各充电终端的充电能力与被充电电动汽车动力电池充电过程功率需求曲线进行实时对比，以最优实时响应充电需求和控制充电能力。
需要说明的是，在创建特征数据库时，包括训练集和测试集，初期设置90％为训练数据和10％为测试数据，随着数据的不断增多，调整95％为训练数据和5％为测试数据，为机器学习优化输出模型作准备。具体如以基于过去两年收集的充电数据，以小时充电数据为基本时间序列单元，分成两组数据：90％为训练数据集和10％为测试数据集，对过往数据做历史性分析后，做出时间序列预测、建模，再用测试数据做检验调整控制误差，可以很好的管理如季节环境变化造成的电动汽车充电负荷波动的影响。
参见图2，步骤S04，将特征数据库中的数据输入至充电与供能优化时序预测关系模型中，结合充电工作状态特征时序预测关系，对充电与供能优化时序预测关系模型进行训练优化，获得预先训练的深度学习时间序列预测算法模型的步骤之后，方法还包括：
步骤S05，在深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出；
步骤S06，累积一定的充电与供能数值，将采集的实时数据输入特征数据库，结合充电站与被充电电动汽车的应用场景特征，充实模型学习训练的数据集；
步骤S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用；
步骤S08，形成优化的充电***能量控制供需平衡的控制模型输出。
应理解的是，深度学***衡的控制模型输出，使得充电与供能优化方法是在持续优化的，根据实际情况灵活调整改变，实现充电设施***的充电与用电效率最大化。
需要说明的是，在累积一定的充电与供能数值时，可根据不同场景或用户要求设置的算法，进入学***衡。
具体的，步骤S05，在深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出的步骤具体包括：
输入各充电终端实时接入的电动汽车信息、充电能力、供电能力以及实际充电容量至预先训练的深度学习时间序列预测算法模型；
计算总充电容量并与预定阈值进行对比，同时比较各充电终端的实际充电容量与充电终端的额定输出能力以及被充电电动汽车的充电需求的差值，根据比较值进行模型训练与数据输出；
当接收到新电动汽车的充电需求时，根据数据输出结果，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
应理解的是，目标控制量为充电与供能之间的关系，在深度学***衡，当需要响应或接收到新电动汽车的充电需求时，通过充电能力训练优化管理单元的输出指令给充电能力执行电能管理单元，执行能量控制输出子流程，控制充电终端的使用，满足新电动汽车的充电需求，同时提高充电终端的利用率，避免充电终端闲置或***内富余的电能浪费。
具体的，步骤S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用的步骤具体包括：
当接收到新电动汽车的充电需求时，根据输出比较值，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
应理解的是，在根据累积的数据集进行模型学习训练与数值分析的过程中，***也会结合实际的充电需求作出响应，根据数值分析结果输出比较值，控制充电能力执行电能管理单元充电终端的使用，根据输出指令，结合电动汽车的需求信息判断充电终端的使用，如此时的输出比较值控制***需要响应或接收新电动汽车的充电需求，即通过充电能力训练优化管理单元的输出指令给充电能力执行电能管理单元，执行能量控制输出子流程，控制充电终端的使用，满足新电动汽车的充电需求，同时提高充电终端的利用率，避免充电终端闲置或***内富余的电能浪费。
参见图3，能量控制输出子流程的步骤包括：
接收充电功率分配指令；
接收新电动汽车的充电需求，并按照需求时序定义优先级；
检测充电终端的工作状态；
当充电终端处于空闲状态时，按照优先级接入新电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当充电终端处于非空闲状态时，比较***内电能供能是否富余；
当***内电能供能有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，按照优先级接入新的电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当***内电能供能没有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，接入新的电动汽车并开始充电，同时调整其他充电终端的充电容量，按照优先级满足新电动汽车的充电需求并实时监控充电状态与能量补给调整，并将充电能量使用信息反馈至数据库。
需要说明的是，能量控制输出子流程是根据充电数据管理中心数值分析的输出结果，结合充电终端的充电状态与电动汽车的充电需求判断并控制充电终端的使用。数据训练和输出模块输出指令后，能量优化调度输出控制过程具体为：数据训练和输出模块4在输出指令的同时，充电能力执行管理单元8的充电设施分配控制模块也在时刻监控***各充电终端的能量使用情况，一旦通过移动APP或互联网服务器或人机交互调度模块5等接收到新电动汽车的充电需求时，按需求时序定义优先级，并在***内进行判断按识别与调度。
当充电终端有空闲时，充电设施分配控制模块即安排新待充电电动汽车接入，***结合电能供能变配电站可用的总功率、实际使用功率以及供给分配最大充电容量对接入的新电动汽车进行充电，并实时监控充电状态，同时将新接入的充电终端与电动汽车的相关信息反馈至数据采集模块，进入大数据库。
当充电终端没有空闲时，充电设施分配控制模块判断***内电能供能是否有富余，如果***内电能供能有富余，找出各充电终端实时充电功率小于最大充电容量90％的对应接入的电动汽车，控制中心可结合图5中的被充电电动汽车动力电池充电过程功率需求变化曲线，判断其被充电电动汽车是否处于均充状态，如果已处于均充状态，可以优先停止充电，从而提高充电终端的利用率，控制该充电终端及其对应的电动汽车停止充电，同时接入新的被充电电动汽车，按照优先级以额定容量快充并实时监控充电状态；同时将充电终端与新接入电动汽车的相关信息反馈至数据采集模块，进入大数据库。
当充电终端没有空闲时，充电设施分配控制模块判断***内电能供能是否有富余，如果***内电能供能没有富余，找出各充电终端实时充电功率小于最大充电容量90％的对应接入的电动汽车，控制中心可结合图5中的被充电电动汽车动力电池充电过程功率需求变化曲线，判断其被充电电动汽车是否处于均充状态，如果已处于均充状态，可以优先停止充电，从而提高充电终端的利用率，控制该充电终端及其对应的电动汽车停止充电，接入新的被充电电动汽车并开始充电，同时通过充电设施分配控制模块调整其它被充电电动汽车充电容量正处于大幅下降的充电终端的充电容量，通过网内相关输出点的输出能量调度，满足有优先级需求的被充电电动汽车充电并实时监控充电状态与能量补给调整；同时各相关充电终端与接入电动汽车的相关信息反馈至数据采集模块，进入大数据库。
优选地，当充电终端没有空闲时，充电设施分配控制模块判断***内电能供能是否有富余，如果***内电能供能没有富余，在多网充电堆/设施充电能力管理***互联下，可实现跨站资源互补调度，即推荐新需求充电电动汽车到临近有闲置电能资源的充电站进行优先充电。
参见图2，步骤S08，形成优化的充电***能量控制供需平衡的控制模型输出的步骤之后，方法还包括：步骤S09，训练形成的充电***能量控制供需平衡的控制模型输出并保存后，在此基础上每隔预设时间周期进行一次机器学***衡的控制模型。
应理解的是，在训练形成的充电***能量控制供需平衡的控制模型基础上，每隔预设时间周期进行一次机器学习训练，将多个充电终端做一次充电优先级的调整，让多个充电终端对应的充电位做功率分配调整，以适应不同季节，不同新能源车用户的变化而优化整体充电效率，融合不同型号车辆及移动充电储能设施的充电需求。
本实施例的深度学习训练环境采用学习训练Facebook开源的PyTorch框架，基于Ubuntu操作***的开源GUN/Linux操作***，默认PyTorch安装环境，以其相关智能数据与模型为基础，包括Anaconda包管理工具、镜像设置、可视化工具、GPU(图像处理器)等，通过置入开发的基于本发明基于深度学习时间序列预测的充电设施管理***并建立训练模型。用户也可通过服务器配置Ubuntu操作***，迁移植入本学习***的数据库进行远程交互。
具体的，与充电容量相关的初始阈值包括：充电***电能供能变配电站最大供电能力、充电设施的总额定充电能力、各充电设施额定充电容量及其充电终端的数量和位置信息。
应理解的是，通过设定模型中充电容量相关的初始阈值，结合应用场景选择学习模型并输入具体充电***的初始阈值，建立充电***能量优化运行预训练模型，用于动态分析与处理充电***的充电与供能能力，明确应用场景的状态特征。
具体的，电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息具体包括：充电设施工作信息状态参数、被充电电动汽车车辆数量及车型参数、被充电电动汽车充电需求参数、供电能力参数、环境状态参数、工作状态场景数据以及人机交互控制参数。
需要说明的是，充电设施工作信息状态参数采集包括充电电量及充电时长、实时电量与累计电量，来自充电设施及其终端或被充电电动汽车BMS管理***，用来实时管理与控制同时进入数据库，支持机器学习与训练验证；被充电车数车型参数采集来自充电终端或电动汽车的车牌识别信号，信息进入数据库，用于AI控制模型训练、匹配、验证，制定充电能力与充电需求相结合的***优化调度模型并实时调度；充电需求参数采集来自电动汽车充电请求及实时充电状态，包括正在充电的终端匹配和待充电电动汽车的需求信息，用于AI训练、匹配、验证，制定充电能力与充电需求相结合的***优化调度模型并实时调度；供电能力参数采集来自电能供能变配电站的状态信息，包括最大供电能力与历史供电容量、实时供能数据，用于AI训练、匹配、验证，制定充电能力与充电需求相结合的***优化调度模型并总体调度控制；环境状态参数采集主要是温湿度，来自电能供能变配电站的状态信息及***内设备关键点的采集，用于训练、匹配、验证和优化控制模型，支持不同场景下的***工作优化，并对关键点工作状态进行监控与保护；工作状态场景数据采集主要是***监控、智能设备的工作状态识别，包括充电设施、充电接口、电动汽车等图像与数据，用于支持模型数据训练、验证和优化控制***决策控制能力；人机交互控制参数采集来自人机交互调度单元、充电APP终端与远程服务器，包括实时状态数据及模型的调整、设置的需求信息，直接作为输入实现就地或远程的人机协同参数参与运算、控制与调度。
参见图4，此外，本发明还提供一种充电管理***的充电与供能优化装置，包括：
数据采集模块2，用于获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据管理模块1，用于根据充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
数据存储模块3，用于存储电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据训练和输出模块4，用于将充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果，根据模型输出结果和充电站充电设施***的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
充电能力管理执行单元8，用于根据充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电。
需要说明的是，本发明的充电管理***的充电与供能优化装置以数据管理中心为核心，包括数据管理模块1、数据采集模块2、数据存储模块3、数据训练和输出模块4等，数据管理模块1作为数据管理中心的处理器，支持***各数据库储存与处理，并负责与云服务器、各种充电APP、WiFi设备通讯连接，实现用户的远程交互；数据采集模块2、数据存储模块3、数据训练和输出模块4、人机交互调度模块5、通讯模块6一起组成本发明的充电管理运算中心，通过对多个充电站级***进行集中式管理，实现充电管理***的充电与供能优化，控制多个充电终端实现充电功率的动态分配。

Claims (8)

1.一种充电管理***的充电与供能优化方法，其特征在于，所述方法包括：
S1，获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
S2，根据所述充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
S3，将所述充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果；
S4，根据所述模型输出结果和充电站充电设施的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
S5，根据所述充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电；
其中，所述步骤S1之前，所述方法还包括：
S01，选择机器学习预模型，并设定模型中与充电容量相关的初始阈值和功能矩阵，建立充电与供能优化时序预测关系模型；
S02，设置充电终端特征参数，并获取被充电电动汽车动力电池充电过程功率需求变化曲线，建立充电工作状态特征时序预测关系；
S03，获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库；
S04，将所述特征数据库中的数据输入至所述充电与供能优化时序预测关系模型中，结合所述充电工作状态特征时序预测关系，对所述充电与供能优化时序预测关系模型进行训练优化，获得预先训练的深度学习时间序列预测算法模型；
S05，在所述深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出；
S06，累积一定的充电与供能数值，将采集的实时数据输入特征数据库，结合充电站与被充电电动汽车的应用场景特征，充实模型学习训练的数据集；
S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用；
S08，形成优化的充电***能量控制供需平衡的控制模型输出。
2.根据权利要求1所述的充电管理***的充电与供能优化方法，其特征在于，所述S05，在所述深度学习时间序列预测算法模型下对目标控制量进行比较、预测和优化控制，根据比较值，进行模型训练与数据输出的步骤具体包括：
输入各充电终端实时接入的电动汽车信息、充电能力、供电能力以及实际充电容量至所述预先训练的深度学习时间序列预测算法模型；
计算总充电容量并与预定阈值进行对比，同时比较各充电终端的实际充电容量与充电终端的额定输出能力以及被充电电动汽车的充电需求的差值，根据比较值进行模型训练与数据输出；
当接收到新电动汽车的充电需求时，根据数据输出结果，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行所述获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
3.根据权利要求2所述的充电管理***的充电与供能优化方法，其特征在于，所述S07，根据累积的数据集进行模型学习训练与数值分析，根据数值分析结果输出比较值，结合充电终端的充电状态与电动汽车的需求信息，控制充电终端的使用的步骤具体包括：
当接收到新电动汽车的充电需求时，根据输出比较值，结合充电站充电设施的实际充电容量、充电终端的充电状态与电动汽车的需求信息，输出充电功率分配指令，执行能量控制输出子流程，控制充电终端的使用；
当未接收到新电动汽车的充电需求时，返回执行所述获取电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息，创建特征数据库的步骤。
4.根据权利要求3所述的充电管理***的充电与供能优化方法，其特征在于，所述能量控制输出子流程的步骤包括：
接收充电功率分配指令；
接收新电动汽车的充电需求，并按照需求时序定义优先级；
检测充电终端的工作状态；
当充电终端处于空闲状态时，按照优先级接入新电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当充电终端处于非空闲状态时，比较***内电能供能是否富余；
当***内电能供能有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，按照优先级接入新的电动汽车，对新电动汽车进行充电并实时监控充电状态，同时将充电能量使用信息反馈至数据库；
当***内电能供能没有富余时，结合被充电电动汽车动力电池充电过程功率需求变化曲线，找到处于均充状态的被充电电动汽车以及相对应的充电终端，控制充电终端和被充电电动汽车停止充电，接入新的电动汽车并开始充电，同时调整其他充电终端的充电容量，按照优先级满足新电动汽车的充电需求并实时监控充电状态与能量补给调整，并将充电能量使用信息反馈至数据库。
5.根据权利要求1所述的充电管理***的充电与供能优化方法，其特征在于，所述S08，形成优化的充电***能量控制供需平衡的控制模型输出的步骤之后，所述方法还包括：
S09，训练形成的充电***能量控制供需平衡的控制模型输出并保存后，在此基础上每隔预设时间周期进行一次机器学***衡的控制模型。
6.根据权利要求1所述的充电管理***的充电与供能优化方法，其特征在，所述与充电容量相关的初始阈值包括：充电***电能供能变配电站最大供电能力、充电设施的总额定充电能力、各充电设施额定充电容量及其充电终端的数量和位置信息。
7.根据权利要求1所述的充电管理***的充电与供能优化方法，其特征在，所述电动汽车的充电需求信息、充电设施的充电工作信息、供电信息以及环境信息具体包括：充电设施工作信息状态参数、被充电电动汽车车辆数量及车型参数、被充电电动汽车充电需求参数、供电能力参数、环境状态参数、工作状态场景数据以及人机交互控制参数。
8.一种基于权利要求1至7任一项所述的充电管理***的充电与供能优化方法的装置，其特征在于，所述装置包括：
数据采集模块，用于获取充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据管理模块，用于根据所述充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息确定充电站充电设施***的充电能力、供电能力与实际充电容量；
数据存储模块，用于存储所述充电站电能供能变配电信息、充电设施能力信息、充电终端输出信息以及电动汽车充电需求信息；
数据训练和输出模块，用于将所述充电能力、供电能力与实际充电容量输入至预先训练的深度学习时间序列预测算法模型，并获得模型输出结果，根据所述模型输出结果和充电站充电设施***的实际充电容量以及待充电电动汽车的充电需求量，生成充电功率分配指令；
充电能力管理执行单元，用于根据所述充电功率分配指令对各充电设施进行电能分配，并通过充电设施上设置的充电终端对电动汽车进行充电。
CN202110033191.1A 2021-01-12 2021-01-12 一种充电管理***的充电与供能优化方法及装置 Active CN112874369B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110033191.1A CN112874369B (zh) 2021-01-12 2021-01-12 一种充电管理***的充电与供能优化方法及装置
KR1020237026122A KR20230122165A (ko) 2021-01-12 2022-01-10 충전 관리 시스템의 충전과 에너지공급 최적화 방법및 장치
PCT/CN2022/070920 WO2022152065A1 (zh) 2021-01-12 2022-01-10 一种充电管理***的充电与供能优化方法及装置
JP2023541706A JP2024503017A (ja) 2021-01-12 2022-01-10 充電管理システムにおける充電及びエネルギー供給の最適化方法並び装置
DE112022000624.2T DE112022000624T5 (de) 2021-01-12 2022-01-10 Verfahren und vorrichtung zur optimierung des ladevorgangs und der stromversorgung für ein lademanagementsystem

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110033191.1A CN112874369B (zh) 2021-01-12 2021-01-12 一种充电管理***的充电与供能优化方法及装置

Publications (2)

Publication Number Publication Date
CN112874369A CN112874369A (zh) 2021-06-01
CN112874369B true CN112874369B (zh) 2022-08-05

Family

ID=76044599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110033191.1A Active CN112874369B (zh) 2021-01-12 2021-01-12 一种充电管理***的充电与供能优化方法及装置

Country Status (5)

Country Link
JP (1) JP2024503017A (zh)
KR (1) KR20230122165A (zh)
CN (1) CN112874369B (zh)
DE (1) DE112022000624T5 (zh)
WO (1) WO2022152065A1 (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733426B (zh) * 2020-12-16 2022-10-04 国创移动能源创新中心(江苏)有限公司 电动汽车的脉冲充电频率优化方法、装置
CN112874369B (zh) * 2021-01-12 2022-08-05 上海追日电气有限公司 一种充电管理***的充电与供能优化方法及装置
JP2022189386A (ja) * 2021-06-11 2022-12-22 トヨタ自動車株式会社 情報処理装置、情報処理方法及びプログラム
CN113379139A (zh) * 2021-06-22 2021-09-10 阳光电源股份有限公司 一种充电站管理方法及其应用装置
CN113568307B (zh) * 2021-07-02 2022-04-01 福建时代星云科技有限公司 一种储充站的控制策略优化方法及终端
WO2023049998A1 (en) * 2021-10-01 2023-04-06 Cowan & Associates Management Ltd. Electric vehicle fleet charging and energy management system
CN114801834B (zh) * 2022-04-18 2022-12-20 广东健怡投资有限公司 新能源汽车剩余充电时长预估方法、装置、设备及介质
CN115081929B (zh) * 2022-07-18 2023-04-07 东南大学溧阳研究院 一种基于云边协同的电动汽车实时响应能力评估方法
CN115291111B (zh) * 2022-08-03 2023-09-29 苏州清研精准汽车科技有限公司 电池静置时间预测模型的训练方法以及静置时间预测方法
CN116039437B (zh) * 2023-01-09 2023-08-15 广东天枢新能源科技有限公司 一种大功率液冷充电桩的能量调度***
CN116307487B (zh) * 2023-02-01 2024-03-19 浙江曼克斯缝纫机股份有限公司 基于电网新能源节能利用的新能源车充电管理***及方法
CN115946563B (zh) * 2023-03-13 2023-05-16 山东理工大学 充电堆功率动态分配策略优化方法、***、终端及介质
CN116386215B (zh) * 2023-03-16 2024-04-19 淮阴工学院 一种基于人流量用于移动电箱的智能充电方法
CN116353399B (zh) * 2023-05-09 2023-11-03 湖北国网华中科技开发有限责任公司 充电桩的动态运行方法、装置、设备及可读存储介质
CN116663842A (zh) * 2023-06-15 2023-08-29 黑龙江卓锦科技有限公司 一种基于人工智能的数字化管理***及方法
CN116788102B (zh) * 2023-06-20 2024-05-14 阿维塔科技(重庆)有限公司 充电控制方法、装置、车辆及存储介质
CN116552299B (zh) * 2023-07-11 2023-09-15 深圳市南霸科技有限公司 一种可移动式电动汽车应急充电***及方法
CN116562602B (zh) * 2023-07-12 2023-10-24 国网安徽省电力有限公司经济技术研究院 电动汽车参与需求响应优化运行方法
CN116691419B (zh) * 2023-08-03 2023-11-14 浙江大学 弱链接通信下深度强化学习的电动汽车自主充电控制方法
CN117060456B (zh) * 2023-08-21 2024-04-30 深圳中保动力新能源科技有限公司 一种基于人工智能的储能***控制方法及装置
CN116834567B (zh) * 2023-09-04 2023-11-17 北京新源恒远科技发展有限公司 适用于双枪充电桩的充电方法、***、终端及存储介质
CN116882715B (zh) * 2023-09-07 2023-11-28 杭州格创新能源有限公司 基于云服务器的桩车联动有序安全用电方法及***
CN117310313B (zh) * 2023-09-18 2024-04-16 广东永光新能源设计咨询有限公司 储能装置的故障检测方法、***、设备及介质
CN116937581B (zh) * 2023-09-19 2023-12-26 广州德姆达光电科技有限公司 一种充电站的智能调度方法
CN117277519B (zh) * 2023-11-21 2024-02-02 深圳鹏城新能科技有限公司 一种储能逆变器电池过充保护方法、***及介质
CN117584790B (zh) * 2023-11-23 2024-06-18 北京海蓝云联技术有限公司 一种无增容充电桩控制***
CN117601700A (zh) * 2023-11-28 2024-02-27 深圳市优优绿能股份有限公司 一种充电站的能量流管理方法、装置和***
CN117621898B (zh) * 2023-12-08 2024-05-24 杭州育恩科技有限公司 考虑电网电价的智慧停车场充电桩充电控制方法及***
CN117406007B (zh) * 2023-12-14 2024-02-13 山东佰运科技发展有限公司 一种充电桩充电数据检测方法及***
CN118017659A (zh) * 2024-04-10 2024-05-10 速源芯(东莞)能源科技有限公司 一种可识别充电器充电能力的充电方法
CN118061844A (zh) * 2024-04-19 2024-05-24 南方电网调峰调频(广东)储能科技有限公司 充放电控制方法、装置、计算机设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930955A (zh) * 2016-04-07 2016-09-07 浙江万马新能源有限公司 基于深度学习的充电网络运行态势分析方法及装置
CN109094381A (zh) * 2017-06-20 2018-12-28 南京理工大学 一种电动汽车充电站有序充电方法
CN109398133A (zh) * 2018-10-29 2019-03-01 河南英开电气股份有限公司 一种电动汽车充电集群及其功率自动分配***
WO2019140279A1 (en) * 2018-01-12 2019-07-18 Johnson Controls Technology Company Building energy optimization system with battery powered vehicle cost optimization
CN110154817A (zh) * 2019-05-16 2019-08-23 上海上汽安悦充电科技有限公司 一种集约式交流充电桩集群架构
CN110888908A (zh) * 2019-11-01 2020-03-17 广州大学 一种可持续深度学习的充电站/桩推荐***及推荐方法
CN111429038A (zh) * 2020-04-25 2020-07-17 华南理工大学 一种基于强化学习的主动配电网实时随机优化调度方法
KR102137751B1 (ko) * 2020-01-16 2020-07-27 주식회사 텔다 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和***

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102055217B (zh) * 2010-10-27 2012-09-19 国家电网公司 电动汽车有序充电控制方法及***
DE102011008676A1 (de) * 2011-01-15 2012-07-19 Daimler Ag System und Verfahren zum Aufladen von Batterien von Fahrzeugen
JP6199771B2 (ja) * 2014-02-26 2017-09-20 株式会社日立製作所 蓄電システムの制御方式
CN107623355A (zh) * 2017-10-12 2018-01-23 科世达（上海）管理有限公司 一种充电站功率的配置***、管理器及方法
CN107769237B (zh) * 2017-11-30 2019-11-08 南方电网科学研究院有限责任公司 基于电动汽车接入的多能源***协同调度方法及装置
CN108494034B (zh) * 2018-03-21 2021-11-02 电子科技大学 一种配电网内电动汽车充电负荷分配的计算方法
CN109034648B (zh) * 2018-08-13 2021-03-19 华南理工大学广州学院 一种电动汽车集群需求响应潜力评估方法
US10759298B2 (en) * 2018-08-29 2020-09-01 GM Global Technology Operations LLC Electric-drive motor vehicles, systems, and control logic for predictive charge planning and powertrain control
CN109591643A (zh) * 2018-10-31 2019-04-09 特变电工南京智能电气有限公司 一种基于优先级的功率动态分配***及其方法
CN109523087B (zh) * 2018-11-28 2020-09-25 国网山东省电力公司德州供电公司 基于深度学习的电动汽车快充站储能监测***及其方法
CN109927583A (zh) * 2019-04-09 2019-06-25 广州市奔流电力科技有限公司 充电桩控制方法、装置、电动汽车充电***和存储介质
CN110936843A (zh) * 2019-12-23 2020-03-31 南方科技大学 智能充电桩互联网***及管理方法
CN112874369B (zh) * 2021-01-12 2022-08-05 上海追日电气有限公司 一种充电管理***的充电与供能优化方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930955A (zh) * 2016-04-07 2016-09-07 浙江万马新能源有限公司 基于深度学习的充电网络运行态势分析方法及装置
CN109094381A (zh) * 2017-06-20 2018-12-28 南京理工大学 一种电动汽车充电站有序充电方法
WO2019140279A1 (en) * 2018-01-12 2019-07-18 Johnson Controls Technology Company Building energy optimization system with battery powered vehicle cost optimization
CN109398133A (zh) * 2018-10-29 2019-03-01 河南英开电气股份有限公司 一种电动汽车充电集群及其功率自动分配***
CN110154817A (zh) * 2019-05-16 2019-08-23 上海上汽安悦充电科技有限公司 一种集约式交流充电桩集群架构
CN110888908A (zh) * 2019-11-01 2020-03-17 广州大学 一种可持续深度学习的充电站/桩推荐***及推荐方法
KR102137751B1 (ko) * 2020-01-16 2020-07-27 주식회사 텔다 머신러닝 알고리즘 기반의 에너지 에이전트를 활용한 전력거래시스템 및 방법
CN111429038A (zh) * 2020-04-25 2020-07-17 华南理工大学 一种基于强化学习的主动配电网实时随机优化调度方法
CN112036602A (zh) * 2020-07-24 2020-12-04 国网安徽省电力有限公司经济技术研究院 一种集成人机智能的5g电动汽车充电预测方法和***

Also Published As

Publication number Publication date
CN112874369A (zh) 2021-06-01
JP2024503017A (ja) 2024-01-24
DE112022000624T5 (de) 2024-01-25
KR20230122165A (ko) 2023-08-22
WO2022152065A1 (zh) 2022-07-21

Similar Documents

Publication Publication Date Title
CN112874369B (zh) 一种充电管理***的充电与供能优化方法及装置
Bibak et al. A comprehensive analysis of Vehicle to Grid (V2G) systems and scholarly literature on the application of such systems
Zheng et al. A novel real-time scheduling strategy with near-linear complexity for integrating large-scale electric vehicles into smart grid
CN110649641B (zh) 基于源网荷储协同服务的电动汽车快充站储能***及其方法
Yao et al. Robust frequency regulation capacity scheduling algorithm for electric vehicles
CN103559567B (zh) 电网对电动汽车充电站的管理***的管理方法
CN103337890B (zh) 一种电动出租车充电站有序充电***及方法
CN109523087B (zh) 基于深度学习的电动汽车快充站储能监测***及其方法
WO2015081740A1 (zh) 电动汽车充放电控制***及方法
US20130096725A1 (en) Electric Power Control Method, Program, and Electric Power Control Apparatus
CN109190812B (zh) 一种基于电动汽车的虚拟储能可用容量预测方法及***
Liang et al. A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain
CN109560577B (zh) 一种交直流混合分布式可再生能源***的控制方法及***
CN112819203B (zh) 一种基于深度学习的充电管理***及方法
KR20190068358A (ko) 전기자동차 충방전 시스템과 그 방법
CN117748566B (zh) 一种基于负荷动态聚合参与电网需求响应的方法
CN114498768A (zh) 一种区域智能变电站源荷储优化运行策略生成方法及装置
CN113872228A (zh) 一种应用于电网调峰调频的电动汽车调度方法和装置
CN117057547A (zh) 智慧能源服务平台多形态负荷资源调度模型构建方法、装置、存储介质
US20230100372A1 (en) Computer and electricity adjustment method
CN111160384A (zh) 一种移动储能车调度优化方法、***及装置
Striani et al. Wind Based Charging via Autonomously Controlled EV Chargers under Grid Constraints
CN116862036A (zh) 一种负载预测方法以及装置
Wang et al. Dynamic electric vehicles charging load allocation strategy for residential area
US20230078874A1 (en) Computer and electricity adjustment method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221111

Address after: No. 59, Guanyu Road, Tuanshan Town, Xiangyang High tech Development Zone, Hubei Province

Patentee after: Hubei Chasri New Energy Technology Co.,Ltd.

Address before: 200333 9th floor, 21 Lane 88, Wuwei Road, Putuo District, Shanghai

Patentee before: Shanghai Surpass Sun Electric Co.,Ltd.

TR01 Transfer of patent right
CP03 Change of name, title or address

Address after: 441000 No. 59, Guanyu Road, Tuanshan Town, Xiangyang High tech Development Zone, Hubei Province

Patentee after: Borg Warner New Energy (Xiangyang) Co.,Ltd.

Address before: No. 59, Guanyu Road, Tuanshan Town, Xiangyang High tech Development Zone, Hubei Province

Patentee before: Hubei Chasri New Energy Technology Co.,Ltd.

CP03 Change of name, title or address