CN116090675B

CN116090675B - 基于区块链与神经网络联合的短时充电调度方法

Info

Publication number: CN116090675B
Application number: CN202310371117.XA
Authority: CN
Inventors: 赵军; 龚琴; 李杨; 王云飞; 周立兮; 杨睿; 唐小利; 石磊
Original assignee: Chengdu University of Information Technology
Current assignee: Chengdu University of Information Technology
Priority date: 2023-04-10
Filing date: 2023-04-10
Publication date: 2023-06-09
Anticipated expiration: 2043-04-10
Also published as: CN116090675A

Abstract

本发明公开了基于区块链与神经网络联合的短时充电调度方法，包括：搭建分布式数据通信模型；获取数组电动车充电的原始数据，搭建BP神经网络模型；利用BP神经网络模型进行训练获得第一预测调度模型；预设调度功率阈值；利用分布式数据通信模型采集当前的任一充电桩的充电数据；更新第一预测调度模型，得到第二预测调度模型；闲置充电桩接入判断，并更新第二预测调度模型，并进行分布式存储更新后的第二预测调度模型；若第二预测调度模型输出的充电调度数据中对应的功率数据等于或大于调度功率阈值，则持续采集任一充电桩的充电数据。通过上述方案，本发明具有逻辑简单、调度可靠等优点，在充电调度技术领域具有很高的实用价值和推广价值。

Description

基于区块链与神经网络联合的短时充电调度方法

技术领域

本发明涉及充电调度技术领域，尤其是基于区块链与神经网络联合的短时充电调度方法。

背景技术

本文中所述的充电桩（Charging pile）是指为电动汽车提供充电服务的充能设备，其主要分为落地式充电桩和挂壁式充电桩，充电桩主要采取计时、计电度、计金额的充电方式。随着充电桩（站）、电动汽车的高速发展，充电电压、充电电流、充电效率也得到了明显的提升；例如：某些车企提出的超级充电站（桩）。其中，一台交流变压设备会搭载几座充电桩（站），例如10kV变压器搭载几台充电桩（站），该充电桩（站）上设置有1根直流或交流枪。

在设计时，交流变压设备的总功率与所有的充电桩（站）的额定功率总和之间存在一系数，该系数小于1；通常情况下，该系数在0.75~0.95之间。其原因是：第一，通常情况下，同一交流变压设备下的充电桩（站）在同一时间段内满负荷最大功率充电的可能性极小，除非是理论极限试验情况（即所有充电桩（站）在同一时间，同时用最大功率充电，其仅仅停留在试验阶段，不适用于实际情况）。第二，为了延长电动车的电池使用寿命，避免电池过充等问题，电池在30%~80%的充电功率较高，在充电至80%后，其充电功率降低，并进行缓慢充电。第三，并非所有的电动车的最高充电功率等于充电桩（站）的额定功率，充电功率与电动车本身有关。

因此，交流变压设备和充电桩（站）面临复杂多变的充电工况，如何保证其高效、可靠进行充电分配已经成为重要的研究课题。目前，现有技术也出现众多充电调度管理方法，例如“专利公开号为：CN114638440A、名称为：一种基于充电桩使用度的充电负荷超短期预测方法”的中国发明专利，其包括以下步骤：S1、获取所有充电桩的充电负荷交易数据；S2、利用密度聚类算法剔除规律异常日的充电负荷，并计算得到充电桩充电负荷的日平均负荷；S3、根据充电桩充电负荷的日平均负荷，计算得到充电桩使用度；S4、融合充电负荷历史数据和充电桩使用度数据形成二维输入数据集；S5、将二维输入数据集输入构建的长短期记忆神经网络模型，经过大量的监督学***均负荷，其负荷曲线依然较为宽泛，例如一辆电动车的快充时间大概在半个小时至1个小时左右，该技术无法做到精确到每分钟或秒数，其只能实现长周期预测。通常情况下，在上午9:00到11：00、下午13:00至17:00、晚上19:00至21:00是相对的充电高峰期，23:00至7:00是充电的低谷时期。在充电高峰期内，一分钟内或更短时间内可能出现某一充电枪的工作接入或退出，其复杂的变化状态对充电设备提出了更灵活的调度要求。另外，并非任一电动车均从低电量充电至满负荷，其有可能需要高功率充电，可能是低功率充电。因此，该技术无法适用极短时间的充电调度。

再如“专利公开号为：CN114648171A、名称为：一种电动汽车充电桩负荷预测方法、***及存储介质”的中国发明专利，其包括：将预先构建的第一神经网络模型输入待分析充电桩，并根据待分析充电桩的目标充电信息对第一神经网络模型进行调整得到第二神经网络模型；其中，第一神经网络模型是通过第一数量的充电信息构建的，且目标充电信息的数量与第一数量的差值大于预设差值；采集待分析充电桩中的实时充电信息，并将实时充电信息输入所述第二神经网络模型中，并获取第二神经网络模型输出的待分析充电桩的负荷状态信息。再如“专利公开号为：CN115034507A、名称为：一种充电桩的电力负荷预测方法及相关组件”的中国发明专利，其包括：获取目标充电桩的历史电力负荷得到输入序列，并将所述输入序列输入至由卷积神经网络和长短期记忆网络构建的预测模型；利用所述卷积神经网络对所述输入序列进行第一处理得到与所述输入序列对应的输出特征，并利用所述长短期记忆网络对所述输出特征进行第二处理得到输出电力负荷；根据所述预测模型的由所述输出电力负荷组成的输出序列对所述目标充电桩的电力负荷进行预测。上述两个技术均是对某一充电桩（站）进行调整，其不适用动态整体调整数个充电桩（站）。其中，充电桩并未考虑电动车的电池本身情况（即剩余电量、充电功率选择），例如在CN114648171A中，对于不同的车型、电池情况，充电调度是动态变化的，其无法适用于多个充电桩（站）进行联合调度。

随着科技技术的发展，区块链也在各行各业得到了推广，在电动汽车充电技术中也不例外，但是，现有技术均停留在充电桩、用户端和管理服务器之间的控制，其无法实现同一个站点的数个充电桩之间的调度。例如“专利公开号为：CN115545486A、名称为：一种基于区块链的电动汽车充电调度方法”的中国发明专利，其包括：(1)用户：由接受调度的电动汽车组成；当电动汽车需要充电时，需要向区块链上传当前车辆的基本信息，包括汽车位置、需要电量、当前电量、信誉分数、正常行驶速度下每公里耗电量；当得到调度结果后，根据用户是否按照调度结果履约，车辆将得到更新后的信誉分数，以便用于下次调度；(2)充电站：负责为用户提供电力资源；在开始调度之前，充电站需要向区块链上传基本信息，包含位置、分时电价，待用户前来充电时，提供服务；(3)区块链：负责记录基础信息、交易信息、完成调度的决策和信息下发、更新用户信誉分数；在收到充电站和用户的相关信息后，区块链利用其上的智能合约对车辆进行充电调度；后根据履约情况，更新电动汽车信誉。

再如“专利公开号为：CN115063927A、名称为：基于区块链的共享充电***及运行设备”的中国发明专利，其包括充电桩、用户端和管理服务器端，充电桩、用户端和管理服务器端上链后相互连接形成区块链网络，所述充电桩：进行充电量管理，充电桩的所有者通过设备对充电桩信息进行签名后上传至区块链；所述用户端：每个用户端至少对应一个需充电设备，通过设备对需充电设备信息进行签名后上传至区块链，预约充电成功并充电后向管理服务器端支付充电费用；所述管理服务器端：通过区块链获取充电桩的信息和需充电设备的信息以根据需求进行资源调度，监督充电交易完成并将充电交易数据上传至区块链。

因此，急需要提出一种逻辑简单、调度可靠的基于区块链与神经网络联合的短时充电调度方法。

发明内容

针对上述问题，本发明的目的在于提供基于区块链与神经网络联合的短时充电调度方法，本发明采用的技术方案如下：

基于区块链与神经网络联合的短时充电调度方法，其包括以下步骤：

采用共识通信搭建同一交流变压设备下的数个充电桩的分布式数据通信模型；

获取数组电动车充电的原始数据，搭建BP神经网络模型；利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型；所述原始数据包括第一电动车电池当前剩余电量、第一充电电压和第一充电电流；

采用共识通信将第一预测调度模型分布式存储在任一充电桩内，并预设调度功率阈值；

利用分布式数据通信模型采集当前的任一充电桩的充电数据；并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型；利用第二预测调度模型输出当前的充电调度数据；

若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且存在非充电状态的充电桩，则采用可信身份验证获取电动车接入充电桩信号，并获取电动车的第三当前电池工况数据和第三充电数据，对第三当前电池工况数据和第三充电数据进行分布式存储；

将第三当前电池工况数据和第三充电数据输入第二预测调度模型内，求得第二误差值，采用反向传播更新权重，更新第二预测调度模型，并进行分布式存储更新后的第二预测调度模型；

若第二预测调度模型输出的充电调度数据中对应的功率数据等于或大于调度功率阈值，则持续采集任一充电桩的充电数据，更新第二预测调度模型。

进一步地，利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型，包括：

选取同一交流变压设备下的某一充电桩，以原始数据进行充电，且同一交流变压设备下的剩余充电桩处于非充电状态；

将原始数据输入至BP神经网络模型内进行训练，求得原始数据对应的第一预测调度模型。

进一步地，利用分布式数据通信模型采集当前的任一充电桩的充电数据；并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型，包括：

利用分布式数据通信模型依次采集同一交流变压设备下充电使用状态的充电桩的充电数据；所述充电数据包括第二电动车电池当前剩余电量、第二充电电压和第二充电电流；

将第二电动车电池当前剩余电量、第二充电电压和第二充电电流输入第一预测调度模型内，进行预测训练，并获得第一误差值，采用反向传播更新权重；

更新第一预测调度模型并得到第二预测调度模型。

优选地，搭建BP神经网络模型，并在BP神经网络模型的隐藏层和输出层之间设置损失函数；所述损失函数为均方差损失函数。

进一步地，获取数组电动车充电的原始数据和任一充电桩的充电数据，并采用线性拟合分别剔除原始数据、充电数据内的异常数据点。

进一步地，所述BP神经网络模型的训练包括正向传播和反向传播；所述反向传播利用第二误差值作为输入，并传输给BP神经网络模型的隐藏层。

优选地，所述调度功率阈值

的表达为：

其中，k表示接入同一交流变压设备下的充电桩的额定功率总和与交流变压设备的总功率的比例系数；n表示充电桩的数量；

表示充电桩的额定功率。

进一步地，所述基于区块链与神经网络联合的短时充电调度方法，还包括：更新第一预测调度模型得到第二预测调度模型，并对第二预测调度模型进行分布式存储。

进一步地，所述基于区块链与神经网络联合的短时充电调度方法，还包括：若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且任一充电桩处于充电状态，则利用分布式数据通信模型采集当前的任一充电桩的充电数据，并更新第一预测调度模型。

进一步地，所述分布式数据通信模型采集任一充电桩的充电数据，并进行分布式存储，并加盖当前的时间戳。

与现有技术相比，本发明具有以下有益效果：

本发明巧妙地获取数组电动车充电的原始数据，并以某一充电桩为研究对象进行理论化训练，获得理想状态下的第一预测调度模型，并且初始状态下，任一充电桩均接受理论的第一预测调度模型，为后期实际修正调整提供基础。

本发明通过区块链的共享机制采集当前的任一充电桩的充电数据，并与第一预测调度模型进行校正，获得当前实时的预测调度模型，并根据当前的充电调度数据判断是否可进行非充电状态的充电桩的接入，其动态可靠性强，并且其利用第一误差值进行反向传播并更新权重，保证当前的调度模型实时动态化。

本发明巧妙地搭建同一交流变压设备下的数个充电桩的分布式数据通信模型，其数据实时共享并且可追溯，以便于对同一交流变压设备下的数个充电桩进行动态联动调度。

本发明通过对接入的电动车的第三当前电池工况数据和第三充电数据进行区块链分布式存储，并进行第二预测调度模型训练，以更新第二预测调度模型，保证调度动态化。同理地，某一或某几个充电桩退出充电后，再分布式数据通信模型采集当前的任一充电桩的充电数据，便可进行第一预测调度模型的更新。

本发明巧妙地采用BP神经网络模型，并且利用误差值进行反向传播，以更新模型，保证其更贴近当前所需的充电调度数据。

本发明巧妙地设置调度功率阈值，其存在一个充电桩接入的余量，以便于判断当前充电状态是否可接入电动车充电，保证交流变压设备工作可靠。

综上所述，本发明具有逻辑简单、调度可靠等优点，在充电调度技术领域具有很高的实用价值和推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。

图1为本发明的逻辑结构示意图。

实施方式

为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个***是指两个或两个以上的***。

区块链（Blockchain）是信息技术领域的术语，从本质上讲，它是共享数据库，存储于其中的数据或信息，具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征。因此，本实施例通过区块链进行任一充电桩的数据采集、共享，便于进行可靠调整。另外，本实施采用区块链的可信身份验证，当电动车需要充电时，其接入充电桩，并且进行可信身份验证，保证信息的可靠共享。

如图1所示，本实施例提供了基于区块链与神经网络联合的短时充电调度方法，其实现同一交流变压设备下的数个充电桩的充电调度，具体来说，其包括以下步骤：

第一步，采用区块链的共识通信搭建同一交流变压设备下的数个充电桩的分布式数据通信模型。接入同一分布式数据通信模型内的数个充电桩的数据共享，其具有实时性。例如，以同一个交流变压设备下配置5个充电桩为例。在同一个分布式数据通信模型的数个充电桩之间的信息具有共享性，即公开透明，以便于后期的数据处理、分享。

第二步，根据充电需求，搭建初始的调度模型，其可以采用同类型的充电站点的数组电动车充电的原始数据进行初始模型训练，原始数据包括第一电动车电池当前剩余电量、第一充电电压和第一充电电流。其中，原始数据收集越全面、且数量较多，更利用训练较为准确可靠的初始模型，后期修正量相对会减少。在本实施例中，为了获取反向修正，并准确贴近调度需求，通过BP神经网络模型，在BP神经网络模型的隐藏层和输出层之间设置损失函数，该损失函数可以是均方差损失函数。

在本实施例中，利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型，将第一预测调度模型作为本充电站点（即交流变压设备、5个充电桩）的初始调度模型。该初始调度模型属于理论化的，其为后期实际修正调整提供基础，区块链的共享数据作为后期实际修正调整使用。

具体来说，利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型，包括以下步骤：

（1）选取同一交流变压设备下的某一充电桩，以原始数据进行充电，且同一交流变压设备下的剩余充电桩处于非充电状态；

（2）将原始数据输入至BP神经网络模型内进行训练，求得原始数据对应的第一预测调度模型。

第三步，采用区块链的共识通信将第一预测调度模型分布式存储在任一充电桩内，并预设调度功率阈值，在本实施例中，该调度功率阈值

的表达为：

表示充电桩的额定功率。

在此，利用调度功率阈值判断当前充电状态是否可接入电动车充电，其是否还有充电功率余量，保证变压设备在额定功率及以下工作。

第四步，根据当前实际情况更新第一预测调度模型，利用分布式数据通信模型采集当前的任一充电桩的充电数据，即区块链的共享特性。并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型；利用第二预测调度模型输出当前的充电调度数据。例如，刚投运时，无电动车接入充电桩进行充电，那么，其依然是原始的第一预测调度模型；随着充电投入，原始的预测调度模型必然会进行修正更新。例如：当前有两台电动车接入充电桩进行充电，那么采集其充电数据，并进行第一预测调度模型的修正，具体来说：

（1）利用分布式数据通信模型依次采集同一交流变压设备下充电使用状态的充电桩的充电数据；所述充电数据包括第二电动车电池当前剩余电量、第二充电电压和第二充电电流。在本实施例中，利用区块链的共享、公开透明、防止非法篡改等特点，保证任一充电桩的数据实时共享，为后期的调度调整提供保障。

（2）将第二电动车电池当前剩余电量、第二充电电压和第二充电电流输入第一预测调度模型内，进行预测训练，并获得第一误差值（即原始数据输入第一预测调度模型后的输出与充电数据输入第一预测调度模型后的输出之间的误差值），采用反向传播更新权重，更新第一预测调度模型并得到第二预测调度模型。其中，第一误差是体现理论化的输出与预测输出的差异，通过反向传播，以便于获知更为准确的调度数据。

在本实施例中，若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且存在非充电状态的充电桩，那么就有新闲置的充电桩可以接入电动车充电使用。本实施例采用区块链的可信身份验证获取电动车接入充电桩信号，并获取电动车的第三当前电池工况数据和第三充电数据，对第三当前电池工况数据和第三充电数据进行分布式存储。其中，第三当前电池工况数据和第三充电数据还是电动车自身的电池剩余电量、充电电压、充电电流等数据。由于有新的电动车充电接入，又需要进行调度修正，那么，将第三当前电池工况数据和第三充电数据输入第二预测调度模型内，求得第二误差值，采用反向传播更新权重，更新第二预测调度模型，并进行分布式存储更新后的第二预测调度模型，依次类推，并进行更新调度模型。

另外，若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且任一充电桩处于充电状态；例如某一个或某几个充电桩处于高功率充电，剩余充电桩处于在缓慢充电过程中，此时，利用分布式数据通信模型采集当前的任一充电桩的充电数据，并更新第二预测调度模型。或者，当所有充电桩处于充电状态，并且第二预测调度模型输出的充电调度数据中对应的功率数据大于或等调度功率阈值，且小于交流变压设备的最大额定功率时，也是采集当前的任一充电桩的充电数据，并更新第二预测调度模型。

特殊情况下，第二预测调度模型输出的充电调度数据中对应的功率数据等于或大于调度功率阈值，且存在一个充电桩处于闲置状态，说明充电工作状态的数个充电桩接近充电桩（站）的额定功率，此时暂不允许接入闲置的充电桩进行充电，依然采集当前充电状态下的任一充电桩的充电数据，并更新第二预测调度模型。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims

1.基于区块链与神经网络联合的短时充电调度方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，利用BP神经网络模型进行训练获得原始数据对应的第一预测调度模型，包括：

3.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，利用分布式数据通信模型采集当前的任一充电桩的充电数据；并将充电数据输入第一预测调度模型内，更新第一预测调度模型，得到第二预测调度模型，包括：

更新第一预测调度模型并得到第二预测调度模型。

4.根据权利要求1或2或3所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，搭建BP神经网络模型，并在BP神经网络模型的隐藏层和输出层之间设置损失函数；所述损失函数为均方差损失函数。

5.根据权利要求1或2所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，获取数组电动车充电的原始数据和任一充电桩的充电数据，并采用线性拟合分别剔除原始数据、充电数据内的异常数据点。

6.根据权利要求4所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述BP神经网络模型的训练包括正向传播和反向传播；所述反向传播利用第二误差值作为输入，并传输给BP神经网络模型的隐藏层。

7.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述调度功率阈值

的表达为：

表示充电桩的额定功率。

8.根据权利要求3所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，还包括：更新第一预测调度模型得到第二预测调度模型，并对第二预测调度模型进行分布式存储。

9.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，还包括：若第二预测调度模型输出的充电调度数据中对应的功率数据小于调度功率阈值，且任一充电桩处于充电状态，则利用分布式数据通信模型采集当前的任一充电桩的充电数据，并更新第一预测调度模型。

10.根据权利要求1所述的基于区块链与神经网络联合的短时充电调度方法，其特征在于，所述分布式数据通信模型采集任一充电桩的充电数据，并进行分布式存储，并加盖当前的时间戳。