CN118137625A - 一种双向变频电流充电器的充电控制方法及*** - Google Patents
一种双向变频电流充电器的充电控制方法及*** Download PDFInfo
- Publication number
- CN118137625A CN118137625A CN202410558988.7A CN202410558988A CN118137625A CN 118137625 A CN118137625 A CN 118137625A CN 202410558988 A CN202410558988 A CN 202410558988A CN 118137625 A CN118137625 A CN 118137625A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- target vehicle
- demand model
- electricity demand
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000003891 environmental analysis Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 8
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种双向变频电流充电器的充电控制方法及***,涉及充电控制技术领域。方法包括:获取目标车辆的历史充电数据,提取出第一样本数据和第二样本数据,通过第一样本数据和第二样本数据训练得到第一用电需求模型和第二用电需求模型;在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。本发明实现了保障用户用电需求的同时降低电网的用电负荷。
Description
技术领域
本发明涉及充电控制技术领域,尤其涉及一种双向变频电流充电器的充电控制方法及***。
背景技术
在现代电动汽车的发展中,充电技术作为支撑电动汽车广泛应用的关键技术之一,其智能化水平直接影响用户体验和电能的高效利用。用户在为车辆接通电源后,充电过程开中充电功率通常是默认设置或者由用户自己手动设定的。尽管这种方式在操作上相对简单,但它忽视了充电过程中潜在的智能化控制需求,特别是在面对不同用户具有不同的充电习惯和需求时,这种充电方式显得不够灵活和高效。
随着双向充电技术的发展,电动汽车不仅能从电网获取能量,还能向电网反馈电能,这对充电器的智能化控制提出了更高要求。在常规充电过程中,充电器缺乏对用户充电行为的认知和学习能力,无法根据用户的实际需求进行优化调整,导致充电效率和用户满意度无法达到最优。
发明内容
为解决上述技术问题,本发明提出了一种双向变频电流充电器的充电控制方法及***,通过分析用户的充电历史数据智能预测充电需求,动态调整充电器的充电控制策略,以提升用户的充电体验以及降低电网的用电负荷。
本发明第一方面提供一种双向变频电流充电器的充电控制方法,包括:
获取目标车辆的历史充电数据,包括目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率;
从历史充电数据中提取出第一样本数据和第二样本数据,第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,包括多个充电过程中目标车辆的充电时长数据,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,包括多个充电过程中目标车辆的电量变化数据;
通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型;
在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;
基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
优选地,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
优选地,在基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电之前,还包括:
采集当前的充电环境数据,将充电环境数据、电量变化预测数据和充电时长预测数据输入到环境分析模型中,生成目标车辆的第二充电控制数据,基于第一充电控制数据和第二充电控制数据确定双向变频电流充电器的充电控制策略,包括:
判断第一充电控制数据中记载的第一目标输出功率是否大于第二充电控制数据中记载的第二目标输出功率,若是则基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,否则基于第二充电控制数据控制双向变频电流充电器对目标车辆进行充电。
优选地,对于环境分析模型,还包括:
环境分析模型为预先训练得到的深度学习模型,通过基于目标车辆的历史充电数据构建的训练数据集训练得到;
对于目标车辆的历史充电数据,从目标车辆的历史充电数据中提取出每个充电过程的环境时序数据和电量时序数据,基于预设温度间隔对环境时序数据和电量时序数据进行特征分割,得到每个充电过程的多个参考环境特征数据,以及每个参考环境特征数据对应的电量变化数据和时间范围数据;
生成每个充电过程的数据子集,每个数据子集包括所属充电过程对应的输入功率数据、所属充电过程中其中一组环境特征数据和该环境特征数据对应的电量变化数据以及时间范围数据,得到包括多个数据子集的训练数据集;
通过训练数据集训练环境分析模型的过程中,以每个数据子集中的输入功率数据为训练目标,得到训练好的环境分析模型。
优选地,从历史充电数据中提取出第一样本数据和第二样本数据,通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,包括:
对于目标车辆的充电时间特征数据,确定每个充电行为的起始时间和充电持续时长,对于目标车辆的电量需求特征数据,确定每个充电行为的起始时间和充电行为中目标车辆的电量变化参数,基于时间顺序将每个充电行为的起始时间和充电持续时长排列为时序数据并输入到第一用电需求模型中,基于时间顺序将每个充电行为的起始时间和充电行为中目标车辆的电量变化参数排列为时序数据并输入到第二用电需求模型中,分别对第一用电需求模型和第二用电需求模型进行训练;
第一用电需求模型和第二用电需求模型均为ARIMA模型,训练第一用电需求模型和第二用电需求模型的过程中,基于ADF检验和KPSS检验确定第一用电需求模型和第二用电需求模型的差分次数,基于自相关图确定第一用电需求模型和第二用电需求模型的移动平均项的阶数,基于偏自相关图确定第一用电需求模型和第二用电需求模型的自回归项的阶数,完成参数设定后基于输入的时序数据分别训练得到第一用电需求模型和第二用电需求模型。
优选地,环境分析模型为长短期记忆网络模型。
本发明第二方面提供一种双向变频电流充电器的充电控制***,用于实现上述的一种双向变频电流充电器的充电控制方法,包括:
数据获取模块,用于获取目标车辆的历史充电数据,包括目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率;
特征提取模块,用于从历史充电数据中提取出第一样本数据和第二样本数据,第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,包括多个充电过程中目标车辆的充电时长数据,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,包括多个充电过程中目标车辆的电量变化数据;
模型训练模块,用于通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型;
充电分析模块,用于在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;
充电控制模块,用于基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
优选地,对于充电控制模块,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
本发明具有以下有益效果:
本发明通过分析目标车辆的历史充电数据,提取出第一样本数据和第二样本数据,并训练得到用于预测分析用户充电时长需求的第一用电需求模型和用于预测分析充电的电量变化需求的第二用电需求模型,通过第一用电需求模型生成充电时长预测数据,通过第二用电需求模型对充电时长预测数据进一步处理得到电量变化预测数据,从而计算得到用户需求的第一充电控制数据,实现对双向变频电流充电器的智能控制,第二用电需求模型从整个充电过程进行考虑,最终计算得到的第一充电控制数据可以较好的降低电网的用电负荷,同时保障用户的用电需求,提升用户的充电体验。
附图说明
图1为本发明实施例示例性的一种双向变频电流充电器的充电控制方法的流程示意图。
图2为本发明实施例示例性的一种双向变频电流充电器的充电控制***的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1为本发明实施例中示例性的一种双向变频电流充电器的充电控制方法的流程示意图,请参见图1,一种双向变频电流充电器的充电控制方法,包括如下步骤:
S01、获取目标车辆的历史充电数据,从历史充电数据中提取出第一样本数据和第二样本数据。
需要说明的是,目标车辆的历史充电数据中至少包括有目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率,用于记录目标车辆每个充电过程中涉及到的时间数据、充电器的参数数据、车辆的电量参数数据等信息。提取出的第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,具体包括多个充电过程中目标车辆的充电时长数据,例如每个充电过程所涉及的起始时间、结束时间等,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,具体包括多个充电过程中目标车辆的电量变化数据,例如每个充电过程中车辆的电量涉及到的起始值、终止值等。
S02、通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型。
需要说明的是,第一用电需求模型和第二用电需求模型均为ARIMA模型,第一样本数据中记载有关于用户多个历史充电过程中涉及到的充电持续时长的时序数据,第二样本数据中记载有关于用户多个历史充电过程中涉及到的车辆的电量变化的时序数据,通过设定模型的训练目标,第一用电需求模型可用于预测不同时间点下用户可能需要的充电时长,第二用电需求模型可用于某个时间点后的某个时间范围内用户可能需要的车辆的电能变化值。
S03、在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据。
其中,充电时长预测数据表示第一用电需求模型预测得到的在当前时间点下,用户可能需要的充电持续时长,例如用户可能需要再接下来的5个小时内对车辆进行充电,用户的充电信号可以视为用户将车辆与充电器连接并且充电器处于供电状态,也可以表示用户存在充电需求并通过相关的控制按钮或者智能设备表达出自己的需求这一行为视为接收到充电信号等,本实施例中不对其进行具体限定。
S04、将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据。
需要说明的是,在预测得到当前时间点下用户可能需要的充电时长后,通过第二用电需求模型进一步分析预测当前时间点下用户可能需要的电量变化数据,即用户希望车辆的电量上升的数值。
S05、基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
在本实施例中,在得到充电时长预测数据和电量变化预测数据后,可通过充电时长预测数据和电量变化预测数据计算得到相关的第一充电控制数据,即充电功率数据,第一充电控制数据至少包括有第一目标输出功率,即表示在控制双向变频电流充电器以第一目标输出功对目标车辆进行充电的过程中,在充电进行充电时长预测数据对应的持续时长后,目标车辆预期的电量变化值预期为电量变化预测数据对应的数值。
在本实施例中,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,具体包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
值得说明的是,上述计算得到的第一目标输出功率为预测得到的数值,考虑到预测得到的数值存在误差,实际的充电过程中还结合目标车辆的额定输入功率对通过双向变频电流充电器对目标车辆进行充电这一过程进行控制,保证通过第一目标输出功率为目标车辆进行充电这一行为可以实际实施,避免因为输出功率过大对车辆造成不良影响。
在一种可选的实施过程中,对于步骤S02,通过第二样本数据对第二用电需求模型进行训练,具体包括:
对于目标车辆的充电时间特征数据,确定每个充电行为的起始时间和充电持续时长,基于时间顺序将每个充电行为的起始时间和充电持续时长排列为时序数据,得到关于不同时期下的充电持续时长的时序数据,输入到第一用电需求模型中对第一用电需求模型进行训练;
对于目标车辆的电量需求特征数据,确定每个充电行为的起始时间和充电行为中目标车辆的电量变化参数,基于时间顺序将每个充电行为的起始时间和充电行为中目标车辆的电量变化参数排列为时序数据,得到不同时期下电量变化需求的时序数据,输入到第二用电需求模型中,对第二用电需求模型进行训练;
在本实施例中,通过第一样本数据和第二样本数据中包含的时序数据对第一用电需求模型和第二用电需求模型,模型训练过程中,基于ADF检验和KPSS检验确定第一用电需求模型和第二用电需求模型的差分次数,具体为分别通过ADF检验和KPSS检验算法对用于对第一用电需求模型训练的数据进行处理,根据每种算法得到的模型参数取均值,作为第一用电需求模型的差分次数,同理得到第二用电需求模型的差分次数。值得说明的是,在对每种算法得到的模型参数取均值的过程中,若得到的均值不为整数,则随机选取其中一个模型参数作为差分次数。
对于模型的移动平均项的阶数和自回归项的阶数,分别通过分析每个模型输入数据的自相关图和偏自相关图进行确定,基于自相关图确定第一用电需求模型和第二用电需求模型的移动平均项的阶数,基于偏自相关图确定第一用电需求模型和第二用电需求模型的自回归项的阶数,完成两个模型的参数设定后,基于输入的时序数据分别训练得到第一用电需求模型和第二用电需求模型。
在本实施例中,由于用于对第二用电需求模型进行训练的时序数据,具体为多个时间段内分别对应的电量变化数据,每个时间段对应的电量变化数据,实际上充电过程并不完全覆盖整个时间段,示例性的,某天晚上11点至第二条早上7点,车辆的电量变化了某个数值,例如从30%变为100%,而实际上车辆的电量从30%变为100%,可能在凌晨4点就已经完成,剩余的几个小时内车辆的电量并为发生变化。因此,训练得到的第二用电需求模型,预测得到的某个时间段内的电量变化需求数据,实际上完成这个数据的充电时长可能更短,例如,假设预测的结果为在8小时内车辆的电量要从20%充至100%,而实际上以标准的充电速度只需要5个小时即可完成这一充电过程,那么最终计算得到的第一充电控制数据,对应的第一目标输出功率将低于充电器的标准输出功率,这种情况下对于一些电网负荷较大的时段,采用该方法为用户的车辆进行充电,由于采用了更低的输出功率,一定程度上降低了电网的负荷,同时用户的用电需求也有保障,实现了在保障用户充电体验的同时减轻了电网的供电压力。
在一种可选的实施过程中,对于步骤S05,在基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电之前,还包括:
采集当前的充电环境数据,将充电环境数据、电量变化预测数据和充电时长预测数据输入到环境分析模型中,生成目标车辆的第二充电控制数据,基于第一充电控制数据和第二充电控制数据确定双向变频电流充电器的充电控制策略。
在本实施例中,环境分析模型为预先训练得到的深度学习模型,通过基于目标车辆的历史充电数据构建的训练数据集训练得到。这样做的意义在于,在实际的充电过程中,充电器的输出功率与车辆的充电速率并不是完全对等的,车辆的充电速率还会受到环境的影响,例如温度升高的情况下,充电器以同样的输出功率为车辆充电,温度越高电池内部的化学反应速率会受到影响,适宜的温度范围内温度越高可能充电速度越快,过高的温度则可能导致充电速率降低。因此,通过从目标车辆的历史充电数据中,采集不同环境下充电器的不同输出功率下目标车辆的电量变化数据中提取出特征信息,构建训练数据集,训练得到环境分析模型,可分析环境对目标车辆的充电速率的影响,进而根据输入的充电环境数据、电量变化预测数据和充电时长预测数据,预测要在充电时长预测数据对应的充电时长内,要使得车辆的电量变化量达到电量变化预测数据对应的数字,在当前的充电环境数据下应该以什么功率对目标车辆进行充电。
在得到第一充电控制数据和第二充电控制数据和,综合分析第一充电控制数据和第二充电控制数据,确定用于控制双向变频电流充电器对目标车辆进行充电的充电控制策略。
具体的,判断第一充电控制数据中记载的第一目标输出功率是否大于第二充电控制数据中记载的第二目标输出功率,若是则表示实际上不需要以第一目标输出功率为目标车辆充电也可达到用户的充电需求,这种情况下为了保证用户的充电体验,即考虑到模型预测的结果可能存在一定的误差,因此采用充电速度更快的第一目标输出功率确定相关的充电控制策略,具体为基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,若否则表示在当前的充电环境下以第一目标输出功率为目标车辆充电,可能无法达到用户的充电需求,即充电速度可能较慢,这种情况下基于第二充电控制数据控制双向变频电流充电器对目标车辆进行充电。
值得说明的是,上述的基于第一充电控制数据或第二充电控制数据控制双向变频电流充电器对目标车辆进行充电,在实际的充电过程中均可以结合目标车辆的额定输入功率,若未超过目标车辆的额定输入功率则以数据中记载的输出功率控制充电过程,若超过则以目标车辆的额定输入功率为参考,本实施例中基于第一充电控制数据或第二充电控制数据控制用于泛指相关的输出功率不高于目标车辆的额定输入功率的情况,实际的充电过程中需要综合分析目标车辆的相关参数,避免因为不当的充电行为对车辆造成不良的影响。
在一种可选的实施过程中,对于上述的环境分析模型,还包括如下训练过程:
对于目标车辆的历史充电数据,从目标车辆的历史充电数据中提取出每个充电过程的环境时序数据和电量时序数据,基于预设温度间隔对环境时序数据和电量时序数据进行特征分割,得到每个充电过程的多个参考环境特征数据,以及每个参考环境特征数据对应的电量变化数据和时间范围数据。
需要说明的是,预设温度间隔用于对波动的温度范围进行划分,例如,某个充电过程涉及到温度从27℃上升至31℃,预设温度间隔为1℃,则将该充电过程划分为27℃-28℃、28℃-29℃等多个过程,每个温度范围对应一组参考环境特征数据,每个充电过程的环境时序数据被分割为多个参考环境特征数据,每个参考环境特征数据对应有一个时间范围,例如在9点至10点内,环境温度从27℃变为28℃,同时还对电量时序数据进行相关的划分,例如9点至10点内,环境温度从27℃变为28℃的过程中电量的变化数据,对于每个参考环境特征数据,可以取温度范围的中值用于表征该温度范围,便于后续的模型训练。
在对每个充电过程的环境时序数据和电量时序数据进行特征分割后,生成每个充电过程的数据子集,每个数据子集包括所属充电过程对应的输入功率数据、所属充电过程中其中一组环境特征数据和该环境特征数据对应的电量变化数据以及时间范围数据,得到包括多个数据子集的训练数据集,并通过训练数据集对环境分析模型进行训练,训练环境分析模型的过程中,以每个数据子集中的输入功率数据为训练目标,在本实施例中,环境分析模型优选为长短期记忆网络模型(Long Short-Term Memory,LSTM),实现对时序数据的高效处理。神经网络模型的具体训练过程为本领域技术人员熟知的技术手段,本实施例中不再赘述。训练好的环境分析模型,可用于分析已知充电时长、充电环境温度和电量变化数据的情况下,预测在已知的充电环境温度,要在已知的充电时长内使得车辆的电量变化达到电量变化数据对应的数值,需要的输入功率,从而实现对第二充电控制数据的预测生成。
图2为本发明实施例中示例性的一种双向变频电流充电器的充电控制***的结构框图,请参见图2,一种双向变频电流充电器的充电控制***,包括:
数据获取模块,用于获取目标车辆的历史充电数据,包括目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率;
特征提取模块,用于从历史充电数据中提取出第一样本数据和第二样本数据,第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,包括多个充电过程中目标车辆的充电时长数据,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,包括多个充电过程中目标车辆的电量变化数据;
模型训练模块,用于通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型;
具体的,通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,包括:
对于目标车辆的充电时间特征数据,确定每个充电行为的起始时间和充电持续时长,对于目标车辆的电量需求特征数据,确定每个充电行为的起始时间和充电行为中目标车辆的电量变化参数,基于时间顺序将每个充电行为的起始时间和充电持续时长排列为时序数据并输入到第一用电需求模型中,基于时间顺序将每个充电行为的起始时间和充电行为中目标车辆的电量变化参数排列为时序数据并输入到第二用电需求模型中,分别对第一用电需求模型和第二用电需求模型进行训练;
第一用电需求模型和第二用电需求模型均为ARIMA模型,训练第一用电需求模型和第二用电需求模型的过程中,基于ADF检验和KPSS检验确定第一用电需求模型和第二用电需求模型的差分次数,基于自相关图确定第一用电需求模型和第二用电需求模型的移动平均项的阶数,基于偏自相关图确定第一用电需求模型和第二用电需求模型的自回归项的阶数,完成参数设定后基于输入的时序数据分别训练得到第一用电需求模型和第二用电需求模型。
充电分析模块,用于在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;
充电控制模块,用于基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
其中,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,具体包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
上述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种双向变频电流充电器的充电控制方法,其特征在于,包括:
获取目标车辆的历史充电数据,包括目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率;
从历史充电数据中提取出第一样本数据和第二样本数据,第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,包括多个充电过程中目标车辆的充电时长数据,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,包括多个充电过程中目标车辆的电量变化数据;
通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型;
在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;
基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
2.根据权利要求1所述的一种双向变频电流充电器的充电控制方法,其特征在于,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
3.根据权利要求1所述的一种双向变频电流充电器的充电控制方法,其特征在于,在基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电之前,还包括:
采集当前的充电环境数据,将充电环境数据、电量变化预测数据和充电时长预测数据输入到环境分析模型中,生成目标车辆的第二充电控制数据,基于第一充电控制数据和第二充电控制数据确定双向变频电流充电器的充电控制策略,包括:
判断第一充电控制数据中记载的第一目标输出功率是否大于第二充电控制数据中记载的第二目标输出功率,若是则基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,否则基于第二充电控制数据控制双向变频电流充电器对目标车辆进行充电。
4.根据权利要求3所述的一种双向变频电流充电器的充电控制方法,其特征在于,对于环境分析模型,还包括:
环境分析模型为预先训练得到的深度学习模型,通过基于目标车辆的历史充电数据构建的训练数据集训练得到;
对于目标车辆的历史充电数据,从目标车辆的历史充电数据中提取出每个充电过程的环境时序数据和电量时序数据,基于预设温度间隔对环境时序数据和电量时序数据进行特征分割,得到每个充电过程的多个参考环境特征数据,以及每个参考环境特征数据对应的电量变化数据和时间范围数据;
生成每个充电过程的数据子集,每个数据子集包括所属充电过程对应的输入功率数据、所属充电过程中其中一组环境特征数据和该环境特征数据对应的电量变化数据以及时间范围数据,得到包括多个数据子集的训练数据集;
通过训练数据集训练环境分析模型的过程中,以每个数据子集中的输入功率数据为训练目标,得到训练好的环境分析模型。
5.根据权利要求1所述的一种双向变频电流充电器的充电控制方法,其特征在于,从历史充电数据中提取出第一样本数据和第二样本数据,通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,包括:
对于目标车辆的充电时间特征数据,确定每个充电行为的起始时间和充电持续时长,对于目标车辆的电量需求特征数据,确定每个充电行为的起始时间和充电行为中目标车辆的电量变化参数,基于时间顺序将每个充电行为的起始时间和充电持续时长排列为时序数据并输入到第一用电需求模型中,基于时间顺序将每个充电行为的起始时间和充电行为中目标车辆的电量变化参数排列为时序数据并输入到第二用电需求模型中,分别对第一用电需求模型和第二用电需求模型进行训练;
第一用电需求模型和第二用电需求模型均为ARIMA模型,训练第一用电需求模型和第二用电需求模型的过程中,基于ADF检验和KPSS检验确定第一用电需求模型和第二用电需求模型的差分次数,基于自相关图确定第一用电需求模型和第二用电需求模型的移动平均项的阶数,基于偏自相关图确定第一用电需求模型和第二用电需求模型的自回归项的阶数,完成参数设定后基于输入的时序数据分别训练得到第一用电需求模型和第二用电需求模型。
6.根据权利要求2所述的一种双向变频电流充电器的充电控制方法,其特征在于,环境分析模型为长短期记忆网络模型。
7.一种双向变频电流充电器的充电控制***,其特征在于,所述***用于实现上述权利要求1-6任一项所述的一种双向变频电流充电器的充电控制方法,包括:
数据获取模块,用于获取目标车辆的历史充电数据,包括目标车辆在多个充电过程中的环境特征数据、电量变化数据和充电器的输入功率;
特征提取模块,用于从历史充电数据中提取出第一样本数据和第二样本数据,第一样本数据表征历史充电数据中目标车辆的充电时间特征数据,包括多个充电过程中目标车辆的充电时长数据,第二样本数据表征历史充电数据中目标车辆的电量需求特征数据,包括多个充电过程中目标车辆的电量变化数据;
模型训练模块,用于通过第一样本数据对第一用电需求模型进行训练,通过第二样本数据对第二用电需求模型进行训练,得到训练好的第一用电需求模型和第二用电需求模型;
充电分析模块,用于在接收到用户的充电信号后,从充电信号中提取出时间信息并输入到第一用电需求模型中,生成充电时长预测数据,将充电时长预测数据和时间信息输入到第二用电需求模型中,生成电量变化预测数据;
充电控制模块,用于基于充电时长预测数据和电量变化预测数据计算第一充电控制数据,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电。
8.根据权利要求7所述的一种双向变频电流充电器的充电控制***,其特征在于,对于充电控制模块,基于第一充电控制数据控制双向变频电流充电器对目标车辆进行充电,包括:
获取目标车辆的额定输入功率,判断第一充电控制数据中记载的第一目标输出功率是否小于目标车辆的额定输入功率,若是则控制双向变频电流充电器基于第一目标输出功率为目标车辆进行充电,否则控制双向变频电流充电器基于目标车辆的额定输入功率为目标车辆进行充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410558988.7A CN118137625B (zh) | 2024-05-08 | 2024-05-08 | 一种双向变频电流充电器的充电控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410558988.7A CN118137625B (zh) | 2024-05-08 | 2024-05-08 | 一种双向变频电流充电器的充电控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118137625A true CN118137625A (zh) | 2024-06-04 |
CN118137625B CN118137625B (zh) | 2024-07-12 |
Family
ID=91230953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410558988.7A Active CN118137625B (zh) | 2024-05-08 | 2024-05-08 | 一种双向变频电流充电器的充电控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118137625B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200389029A1 (en) * | 2017-12-15 | 2020-12-10 | Panasonic Intellectual Property Management Co., Ltd. | Power management system for customer connected to power network and having load apparatus and power storage apparatus |
CN112215434A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市加码能源科技有限公司 | 一种lstm模型的生成方法、充电时长预测方法及介质 |
CN114757402A (zh) * | 2022-03-30 | 2022-07-15 | 国网电动汽车服务有限公司 | 一种电动汽车充电量需求预测方法及装置 |
WO2023058066A1 (en) * | 2021-10-08 | 2023-04-13 | Ola Electric Mobility Private Limited | Smart charging recommendations for electric vehicles |
CN116780683A (zh) * | 2022-03-11 | 2023-09-19 | 华为技术有限公司 | 供电控制方法及电子设备 |
CN117498325A (zh) * | 2023-11-02 | 2024-02-02 | 深圳中保动力新能源科技有限公司 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
-
2024
- 2024-05-08 CN CN202410558988.7A patent/CN118137625B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200389029A1 (en) * | 2017-12-15 | 2020-12-10 | Panasonic Intellectual Property Management Co., Ltd. | Power management system for customer connected to power network and having load apparatus and power storage apparatus |
CN112215434A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市加码能源科技有限公司 | 一种lstm模型的生成方法、充电时长预测方法及介质 |
WO2023058066A1 (en) * | 2021-10-08 | 2023-04-13 | Ola Electric Mobility Private Limited | Smart charging recommendations for electric vehicles |
CN116780683A (zh) * | 2022-03-11 | 2023-09-19 | 华为技术有限公司 | 供电控制方法及电子设备 |
CN114757402A (zh) * | 2022-03-30 | 2022-07-15 | 国网电动汽车服务有限公司 | 一种电动汽车充电量需求预测方法及装置 |
CN117498325A (zh) * | 2023-11-02 | 2024-02-02 | 深圳中保动力新能源科技有限公司 | 一种新能源汽车用电量预测及充电资源调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118137625B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majidpour et al. | Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications | |
US9846886B2 (en) | Strategic modeling for economic optimization of grid-tied energy assets | |
Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
WO2021089786A1 (en) | Battery performance prediction | |
CN110723029A (zh) | 一种充电策略的确定方法及装置 | |
WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
CN113627993A (zh) | 一种基于深度强化学习的智能电动汽车充放电决策方法 | |
CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
CN117554846B (zh) | 计及约束条件的锂电池寿命预测方法及*** | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN118137625B (zh) | 一种双向变频电流充电器的充电控制方法及*** | |
Cai et al. | Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter | |
CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力***可靠性评估方法及*** | |
CN115407224A (zh) | 一种动力电池全生命周期健康监测方法、***及电子设备 | |
CN118100375B (zh) | 一种电源模块的充电控制方法及*** | |
Pyne et al. | Toward the Use of Operational Cycle Data for Capacity Estimation | |
CN118095783B (zh) | 一种电动汽车充电规划方法及装置 | |
CN117973238B (zh) | 一种电芯化成流程充放电时间的智能预测方法及装置 | |
CN117996931B (zh) | 一种地下车库光伏储能控制方法及*** | |
CN113949084B (zh) | 一种基于非线性分位数区间预测的充放电优化调度方法 | |
US11733313B2 (en) | Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods | |
WO2018114860A1 (fr) | Caractérisation perfectionnée d'un dispositif électrochimique en opération pour un pronostic de fonctionnement futur du dispositif | |
CN117863969B (zh) | 一种考虑电池损耗的电动汽车充放电控制方法及*** | |
Ding et al. | On Probabilistic Flexible Regulation Capability Forecasting for Electric Vehicles |
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 |