CN112224083B - 基于物联网的电动汽车充电方法及装置 - Google Patents

基于物联网的电动汽车充电方法及装置 Download PDF

Info

Publication number
CN112224083B
CN112224083B CN202011042745.6A CN202011042745A CN112224083B CN 112224083 B CN112224083 B CN 112224083B CN 202011042745 A CN202011042745 A CN 202011042745A CN 112224083 B CN112224083 B CN 112224083B
Authority
CN
China
Prior art keywords
charging
power supply
available current
current
electric
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
CN202011042745.6A
Other languages
English (en)
Other versions
CN112224083A (zh
Inventor
李其昇
胡兆聪
莫天德
潘志健
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.)
Hong Kong Productivity Council
Original Assignee
Hong Kong Productivity Council
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 Hong Kong Productivity Council filed Critical Hong Kong Productivity Council
Priority to CN202011042745.6A priority Critical patent/CN112224083B/zh
Publication of CN112224083A publication Critical patent/CN112224083A/zh
Application granted granted Critical
Publication of CN112224083B publication Critical patent/CN112224083B/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
    • B60L53/66—Data transfer between charging stations and vehicles
    • B60L53/665—Methods related to measuring, billing or payment
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供了一种基于物联网的电动汽车充电方法及装置，基于物联网的电动汽车充电方法包括：接收电动汽车的充电请求；响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。本发明可以提升充电器数量；充分利用充电站周边建筑的电力装置容量，以及降低充电站的建造成本。

Description

基于物联网的电动汽车充电方法及装置
技术领域
本发明涉及物联网技术领域，具体涉及一种基于物联网的电动汽车充电方法及装置。
背景技术
随着新能源的飞速发展，电动车越来越普及，电动车的充电需求同样飞速增加。另一方面，现有技术中的中速充电器比起标准充电器可以减少电动车的充电时间约达60％，但开放给公众使用的中速充电器数量却严重不足，远不能满足因近年电动车急速增长而带来的需求。此外，部分停车场因电力供应有限，仅足以应付一至两个中速充电器，加上提升电力供应成本昂贵，使得不少物业管理公司正寻找一个可行方案可以令现有停车场安装更多的中速充电器。
此外，随着物联网的飞速发展，(英文：Internet of Things，缩写：IoT)，使很多领域通过物联网的应用得到进一步的改善，例如：“内在智能”的传感器、移动终端、工业系统、楼控系统、家庭智能设施、视频监控系统等、和“外在使能”(Enabled)的，如贴上RFID的各种资产(Assets)、携带无线终端的个人与车辆等等“智能化物件或动物”或“智能尘埃”(Mote)，通过各种无线和/或有线的长距离和/或短距离通讯网络连接物联网域名实现互联互通(M2M)、应用大集成(Grand Integration)、以及基于云计算的SaaS营运等模式，在内网(Intranet)、专网(Extranet)、和/或互联网(Internet)环境下，采用适当的信息安全保障机制，提供安全可控乃至个性化的实时在线监测、定位追溯、报警联动、调度指挥、预案管理、远程控制、安全防范、远程维保、在线升级、统计报表、决策支持、领导桌面(集中展示的Cockpit Dashboard)等管理和服务功能，实现对“万物”的“高效、节能、安全、环保”的“管、控、营”一体化。
综上，如何基于物联网以动态管理形式去调控整个充电站的电力使用是本领域亟待解决的技术难题。
发明内容
根据本发明所提供的基于物联网的电动汽车充电方法及装置，可以以动态管理形式去调控整个充电站的电力使用。具体地，在非电力使用高峰时段，充电站周围的电力能充分分配到充电站中，并按各充电器使用情况，独立调控个别充电器的电源，从而使该充电站能支援更多的中速充电器。
为了实现上述目的，本发明提供了一种基于物联网的电动汽车充电方法，包括：
接收电动汽车的充电请求；
响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
优选地，生成所述深度强化学习资源分配模型的步骤包括：
利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型。
优选地，所述响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流包括：
通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
通过第二智能电表实时采集多个电动汽车充电时的目标电流。
优选地，基于物联网的电动汽车充电方法还包括：根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流。
第二方面，本发明提供一种基于物联网的电动汽车充电装置，该装置包括：
充电请求接收单元，用于接收电动汽车的充电请求；
目标电流获取单元，用于响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
汽车充电单元，用于根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
优选地，基于物联网的电动汽车充电装置还包括：模型生成单元，用于生成所述深度强化学习资源分配模型，所述模型生成单元包括：
初始模型建立模块，用于利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
初始模型训练模块，用于以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型。
优选地，所述目标电流获取单元包括：
可用电流采集模块，用于通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
目标电流采集模块，用于通过第二智能电表实时采集多个电动汽车充电时的目标电流；
所述基于物联网的电动汽车充电装置还包括：可用电流预测单元，用于根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流；
所述目标电流获取单元还包括：
可用电流计算模块，用于根据所述充电电源所分配可用电流、所述充电电源周边电源的可用电流以及所述多个电动汽车充电时的目标电流计算所述充电电源可用电流。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于物联网的电动汽车充电方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于物联网的电动汽车充电方法的步骤。
从上述描述可知，本发明实施例提供的基于物联网的电动汽车充电方法以及装置，首先接收电动汽车的充电请求；接着，响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；最后根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。具体地，本发明具有以下有益效果：
1.提升充电器数量：使电力不够的现有楼宇中设立更多的中速充电器，免去提升楼宇电力装置容量(增设额外火牛)的需要，使更多的楼宇都能安装中速充电器。
2.充分利用充电站周边建筑的电力装置容量：按照楼宇的实时电力负荷情况，将电源最有效地分配给充电站，充分利用大厦的电力装置容量，让更多电动车充电。
3.降低充电站的建造成本：可以充分利用现有大厦的电力，因此免去了提升电力装置容量的需要，降低充电站的建造成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本申请实施例的基于物联网的电动汽车充电系统的第一种结构示意图；
图2为本申请实施例的基于物联网的电动汽车充电系统的第二种结构示意图；
图3为本发明实施例中提供的基于物联网的电动汽车充电方法的流程示意图一；
图4为本发明的实施例中生成所述深度强化学习资源分配模型方法的流程示意图；
图5为本发明的实施例中步骤200的流程示意图；
图6为本发明实施例中提供的基于物联网的电动汽车充电方法的流程示意图二；
图7为本发明的实施例中实时获取充电电源可用电流方法的流程示意图；
图8为本发明具体实施例中基于物联网的电动汽车充电方法的流程示意图；
图9为本发明具体实施例中基于物联网的电动汽车充电系统结构示意图；
图10为本发明实施例中针基于物联网的电动汽车充电装置的结构示意图一；
图11为本发明实施例中针基于物联网的电动汽车充电装置的结构示意图二；
图12为本发明实施例中模型生成单元结构示意图；
图13为本发明实施例中目标电流获取单元结构示意图一；
图14为本发明实施例中针基于物联网的电动汽车充电装置的结构示意图三；
图15为本发明实施例中目标电流获取单元结构示意图二；
图16为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
本申请提供一基于物联网的电动汽车充电系统，参见图1，该系统可以为一种服务器A1，该服务器A1可以与充电请求数据接收端B1通信连接，服务器A1还可以与多个数据库分别通信连接，或者如图2所示，这些数据库也可以之间设置在服务器A1中。其中，充电请求数据接收端B1用于接收客户的充电请求数据接收。服务器A1在收取充电请求数据接收之后，对该请求发送至对应的子系统，并对该充电请求数据进行处理。
可以理解的是，客户端C1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，进行基于物联网的电动汽车充电的部分可以在如上述内容的服务器A1侧执行，即，如图1或图2所示的架构，也可以所有的操作都在客户端C1设备中完成。具体可以根据客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行对充电请求处理等操作。
上述的客户端C1设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与服务器的数据传输。服务器可以包括基于物联网的电动汽车充电服务器一侧，其他的实施场景中也可以包括中间平台的服务器，例如与基于物联网的电动汽车充电服务器有通信链接的第三方服务器平台的服务器。服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
服务器与客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，网络协议例如还可以包括在上述协议之上使用的RPC协议(RemoteProcedure Call Protocol，远程过程调用协议)、REST协议(Representational StateTransfer，表述性状态转移协议)等。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种基于物联网的电动汽车充电方法的具体实施方式，参见图3，该方法具体包括如下内容：
步骤100：接收电动汽车的充电请求。
步骤200：响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流。
具体地，从主电源智能电表实时采集总电流(实时主电流)，以及从充电站智能电表实时采集充电站电流(电动汽车目标电流)。最后通过采集的实时主电流和实时充电站电流，计算充电站最大可用电流。
步骤300：根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
可以理解的是，以机器学习、深度学习为代表的新一代人工智能技术已广泛应用于医疗、教育、交通、安防、智能家居等领域，从最初的算法驱动逐渐向数据、算法和算力的复合驱动转变，有效地解决了各类问题，取得了显著成效。深度强化学习是深度学习与强化学习的结合，具体来说是结合了深度学习的结构和强化学习的思想，但它的侧重点更多的是在强化学习上，解决的仍然是决策问题，不过是借助神经网络强大的表征能力去拟合Q表或直接拟合策略以解决状态-动作空间过大或连续状态-动作空间问题。对于本申请，通过建立适合本申请的深度强化学习资源分配模型，以动态管理形式去调控整个充电站的电力使用。通过此方法，在非电力使用高峰时段，将充电站周边的电力，例如楼宇等其他设施的电力能充分分配到充电站，并按各充电器使用情况，独立调控个别充电器的电源，从而使该充电站能支援更多的中速充电器。
从上述描述可知，本发明实施例提供的基于物联网的电动汽车充电方法，首先接收电动汽车的充电请求；接着，响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；最后根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。具体地，本发明具有以下有益效果：
1.提升充电器数量：使电力不够的现有楼宇中设立更多的中速充电器，免去提升楼宇电力装置容量(增设额外火牛)的需要，使更多的楼宇都能安装中速充电器。
2.充分利用充电站周边建筑的电力装置容量：按照楼宇的实时电力负荷情况，将电源最有效地分配给充电站，充分利用大厦的电力装置容量，让更多电动车充电。
3.降低充电站的建造成本：可以充分利用现有大厦的电力，因此免去了提升电力装置容量的需要，降低充电站的建造成本。
一实施例中，参见图4，生成所述深度强化学习资源分配模型的步骤包括：
步骤501：利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
优选地，在前向资源分配的过程中，以神经网络增加隐层个数而形成深度神经网络来进行学习，以此生成初始模型。
步骤502：以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型。
具体地，在反向训练过程中，将可用电流与所述目标电流之差作为奖惩值，构建误差函数来反向训练DNN(深度神经网络)每一层的权值。前向传输过程和反向训练过程反复迭代，直到满足收敛条件时，输出最优资源分配方案。上述算法可以通过调整误差函数中的折扣因子来自主设置分配至电动汽车的电力的偏重程度，其收敛速度快，在计算速率和系统能耗的优化方面明显优于其他算法，能够有效地解决多目标优化问题。
一实施例中，参见图5，步骤200具体包括：
步骤201：通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
可以理解的是，智能电表是智能电网(特别是智能配电网)数据采集的基本设备，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。智能电表除了具备传统电能表基本用电量的计量功能以外，为了适应智能电网和新能源的使用它还具有双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能。另一方面，通过结合物联网结束，可以在智能电表的基础上，加设一定的传感器，以控制智能电表所对应的充电装置。
步骤202：通过第二智能电表实时采集多个电动汽车充电时的目标电流。
需要说明的是，步骤201以及步骤202所采集的充电电源周边电源的可用电流以及目标电流是动态可变的。
一实施例中，参见图6，基于物联网的电动汽车充电方法还包括：
步骤400：根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流。
可以理解的是，所述充电电源的周边电源包括充电站周边的各种楼宇电力，例如小区、办公楼、写字楼等等，因为这种用电场所用电时间上有着较强的规律性，故可以通过深度信念网络模型来预测周边电源的用电情况，以将其富余的电力分配至充电电源。
一实施例中，参见图7，所述实时获取充电电源可用电流包括：
步骤801：根据所述充电电源所分配可用电流、所述充电电源周边电源的可用电流以及所述多个电动汽车充电时的目标电流计算所述充电电源可用电流。
具体地，将所述充电电源所分配的固定可用电流(电力局分配至供电站的固定电力额度)与充电电源周边电源的可用电流求和，并减去目标电流即为充电电源可用电流。
为进一步地说明本方案，本申请提供基于物联网的电动汽车充电方法的具体应用实例，该具体应用实例包括如下内容，参见图8。
本具体应用实例还提供一种基于物联网的电动汽车充电系统，参见图9，在该系统中，主电源总掣柜控制主电源智能电表，主电源智能电表外接充电电源周边电源的可用电源以及充电站智能电表，充电站智能电表下设多个充电器智能电表，每个充电器智能电表都可对一充电器(电动汽车)进行充电，优选地，电源管理系统内设深度强化学习资源分配模型，经互联网的后台管理系统内设深度信念网络模型。
步骤S1：根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流。
通过获取实际的充电站及大厦电力使用数据，优化充电站动态电源管理系统及智能充电器电力负荷管理系统的算法。由于测试场地只能提供每年的最大电力负荷，并非每年或每天的电力负荷综合概况，因此这阶段获取的数据对整套系统的优化是异常重要。
深度信念网络(Deep Belief Network,DBN)是一种生成模型，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。不仅可以使用DBN识别特征、分类数据，还可以用来生成数据。DBN由多层神经元构成，这些神经元又分为可见层神经元和隐含层神经元。可见层神经元用于接受输入，隐含层神经元用于提取特征。在本实施例中，生成深度信念网络模型的具体步骤如下：可见层和隐含层之间的连接权重P、可见层偏置a、隐含层偏置b的初始值为较大的随机数。将预处理过的训练数据集代入DBN初始模型中，并由下向上逐层训练，得到连接权重P、可见层偏置a、隐含层偏置b等各层参数，直至训练到n-1层，将第n-1层训练结果输入第n层(顶层)神经网络中，将第n层的训练结果与训练数据集中的实际数据进行对比，并得到对应的误差。接着，将该误差由上向下逐层传输，并根据每层误差微调每一层中的连接权重P、可见层偏置a、隐含层偏置b，直至第1层，然后再利用训练数据向上逐层训练，循环往复……直到误差小于预设误差，得到DBN预测模型。
步骤S2：响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流。
在电动车充电站安装多个电动车充电器，以及其他硬件包括智能电表、充电站主控制器等。利用智能电表获取大厦及充电站的电力使用数据。除此之外，服务器应用程式及入口网站(web portal)也将在此阶段完成。以及采用OCPP通讯标准以达至高度兼容性，“Open Charge Point Protocol(OCPP)”是一个开放性的通讯标准，用于解决充电网络间通讯产生的各种困难。由于OCPP已经成为充电设施网络通讯的行业标准，因此本发明采纳了OCPP通讯标准以达至高度兼容性。
另外，大多数的充电站仅配备电力公司用于电费计算的电表。本具体应用实例利用智能电表来获取各个充电器的负荷数据、整个充电站及楼宇的电力使用。通过应用物联网和大数据的概念，智能电表系统能产生各项创新和实际的应用，具体包括：
即时并且可以远距离获取电力资讯作电力监测及管理；
计算电力使用；
分析充电站的使用率及电动车用家的充电习惯；
动态管理整体充电站及各个充电器的电力使用。
步骤S3：根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
可以理解的是，现有的停车场可能没有足够的备用电力容量来支持较大规模的充电站。本具体应用实例通过大厦能源管理方式，分析住宅、公共空间和停车场的实时及过往电力使用数据，并按照大厦电力负荷情况，以动态管理形式将电源最有效地分配给充电站。例如大厦总电力容量是600安培及实时使用了400安培，充电站可从大厦中获取最多200安培的电力容量。
另一方面，部分充电站因电力容量不足而只有数个充电器。本具体应用实例能按各个充电器的使用状况，独立调控个别充电器的电力使用，避免出现充电站过载的情况，同时可使充电站安装更多的充电器，充分使用充电站的电力容量。例如某台电动车充电时使用了32安培充电器，但只利用了16安培的电力，余下的16安培电力容量可分配给其他充电器。
从上述描述可知，本发明具体应用实例所提供的基于物联网的电动汽车充电方法，着重于运行流程、异常情况处理方式及故障安全机制中的算法开发，使用现时现有的负荷管理系统和其他电动汽车充电系统作为基础。从以往的电动车充电器项目中获得不少测试数据，并开发了一套电动车充电站的场景及处理方法，所以本具体应用实例的设计开发时间可以大大减少。
另一方面，本具体应用实例主要是针对内部测试测试小型原型、系统软件和动态功率分配算法。利用电子计算机建立楼宇及充电站的负荷及事件模型(Computermodelling)，方便进行软件在环(Software-in-the-loop)和硬件在环(Hardware-in-the-loop)测试，并测试系统对最坏情况(worst-case-scenario)的应变能力。以及着重于硬件开发，选择符合国际标准及合适的硬件，确保本具体应用实例的系统可靠性。
从上述描述可知，本发明实施例提供的基于物联网的电动汽车充电方法以，首先接收电动汽车的充电请求；接着，响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；最后根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。具体地，本发明具有以下有益效果：
1.提升充电器数量：使电力不够的现有楼宇中设立更多的中速充电器，免去提升楼宇电力装置容量(增设额外火牛)的需要，使更多的楼宇都能安装中速充电器。
2.充分利用充电站周边建筑的电力装置容量：按照楼宇的实时电力负荷情况，将电源最有效地分配给充电站，充分利用大厦的电力装置容量，让更多电动车充电。
3.降低充电站的建造成本：可以充分利用现有大厦的电力，因此免去了提升电力装置容量的需要，降低充电站的建造成本。
基于同一发明构思，本申请实施例还提供了基于物联网的电动汽车充电装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基于物联网的电动汽车充电装置解决问题的原理与基于物联网的电动汽车充电方法相似，因此基于物联网的电动汽车充电装置的实施可以参见基于物联网的电动汽车充电方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于物联网的电动汽车充电方法的基于物联网的电动汽车充电装置的具体实施方式，参见图10，基于物联网的电动汽车充电装置具体包括如下内容：
充电请求接收单元10，用于接收电动汽车的充电请求；
目标电流获取单元20，用于响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
汽车充电单元30，用于根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
优选地，参见图11，基于物联网的电动汽车充电装置还包括：模型生成单元40，用于生成所述深度强化学习资源分配模型，参见图12，所述模型生成单元40包括：
初始模型建立模块401，用于利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
初始模型训练模块402，用于以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型。
优选地，参见图13，所述目标电流获取单元20包括：
可用电流采集模块201，用于通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
目标电流采集模块202，用于通过第二智能电表实时采集多个电动汽车充电时的目标电流；
所述基于物联网的电动汽车充电装置还包括：参见图14，可用电流预测单元50，用于根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流；
参见图15，所述目标电流获取单元20还包括：
可用电流计算模块203，用于根据所述充电电源所分配可用电流、所述充电电源周边电源的可用电流以及所述多个电动汽车充电时的目标电流计算所述充电电源可用电流。
从上述描述可知，本发明实施例提供的基于物联网的电动汽车充电装置，首先接收电动汽车的充电请求；接着，响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；最后根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。具体地，本发明具有以下有益效果：
1.提升充电器数量：使电力不够的现有楼宇中设立更多的中速充电器，免去提升楼宇电力装置容量(增设额外火牛)的需要，使更多的楼宇都能安装中速充电器。
2.充分利用充电站周边建筑的电力装置容量：按照楼宇的实时电力负荷情况，将电源最有效地分配给充电站，充分利用大厦的电力装置容量，让更多电动车充电。
3.降低充电站的建造成本：可以充分利用现有大厦的电力，因此免去了提升电力装置容量的需要，降低充电站的建造成本。
本申请的实施例还提供能够实现上述实施例中的基于物联网的电动汽车充电方法中全部步骤的一种电子设备的具体实施方式，参见图16，电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、功率测量设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于物联网的电动汽车充电方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：接收电动汽车的充电请求；
步骤200：响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
步骤300：根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
本申请的实施例还提供能够实现上述实施例中的基于物联网的电动汽车充电方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于物联网的电动汽车充电方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：接收电动汽车的充电请求；
步骤200：响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
步骤300：根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于物联网的电动汽车充电方法，其特征在于，包括：
接收电动汽车的充电请求；
响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车；
生成所述深度强化学习资源分配模型的步骤包括：
利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型；
所述响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流包括：
通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
通过第二智能电表实时采集多个电动汽车充电时的目标电流；
所述基于物联网的电动汽车充电方法还包括：根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流；
所述实时获取充电电源可用电流包括：
根据所述充电电源所分配可用电流、所述充电电源周边电源的可用电流以及所述多个电动汽车充电时的目标电流计算所述充电电源可用电流。
2.一种基于物联网的电动汽车充电装置，其特征在于，包括：
充电请求接收单元，用于接收电动汽车的充电请求；
目标电流获取单元，用于响应于所述充电请求，实时获取充电电源可用电流以及电动汽车目标电流；
汽车充电单元，用于根据所述可用电流、所述目标电流以及预生成的深度强化学习资源分配模型将所述可用电流分配至多个电动汽车；
模型生成单元，用于生成所述深度强化学习资源分配模型，所述模型生成单元包括：
初始模型建立模块，用于利用深度强化学习算法，根据所述可用电流以及所述目标电流建立所述度强化学习资源分配模型的初始模型；
初始模型训练模块，用于以所述可用电流与所述目标电流之差最小为优化目标，对所述初始模型进行反向训练；以生成所述深度强化学习资源分配模型；
所述目标电流获取单元包括：
可用电流采集模块，用于通过第一智能电表实施实时采集所述充电电源所分配可用电流以及所述充电电源周边电源的可用电流；
目标电流采集模块，用于通过第二智能电表实时采集多个电动汽车充电时的目标电流；
所述基于物联网的电动汽车充电装置还包括：可用电流预测单元，用于根据预先建立的深度信念网络模型以及所述充电电源周边电源的历史可用电流预测所述充电电源周边电源的可用电流；
所述目标电流获取单元还包括：
可用电流计算模块，用于根据所述充电电源所分配可用电流、所述充电电源周边电源的可用电流以及所述多个电动汽车充电时的目标电流计算所述充电电源可用电流。
3.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述基于物联网的电动汽车充电方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1所述基于物联网的电动汽车充电方法的步骤。
CN202011042745.6A 2020-09-28 2020-09-28 基于物联网的电动汽车充电方法及装置 Active CN112224083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011042745.6A CN112224083B (zh) 2020-09-28 2020-09-28 基于物联网的电动汽车充电方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011042745.6A CN112224083B (zh) 2020-09-28 2020-09-28 基于物联网的电动汽车充电方法及装置

Publications (2)

Publication Number Publication Date
CN112224083A CN112224083A (zh) 2021-01-15
CN112224083B true CN112224083B (zh) 2022-04-15

Family

ID=74120859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011042745.6A Active CN112224083B (zh) 2020-09-28 2020-09-28 基于物联网的电动汽车充电方法及装置

Country Status (1)

Country Link
CN (1) CN112224083B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113910963A (zh) * 2021-11-12 2022-01-11 集度科技有限公司 电动车辆有序充电控制方法、装置、系统及存储介质
CN114167724B (zh) * 2021-11-30 2023-10-27 中车长春轨道客车股份有限公司 一种基于黑箱模型的双控制器分权控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8013570B2 (en) * 2009-07-23 2011-09-06 Coulomb Technologies, Inc. Electrical circuit sharing for electric vehicle charging stations
CN105703427A (zh) * 2016-03-03 2016-06-22 北京新能源汽车股份有限公司 充电桩用电容量分配系统及其控制方法

Also Published As

Publication number Publication date
CN112224083A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Reynolds et al. Upscaling energy control from building to districts: Current limitations and future perspectives
US20160055507A1 (en) Forecasting market prices for management of grid-scale energy storage systems
CN113103905B (zh) 一种电动汽车智能充电分配调节方法、装置、设备及介质
CN112224083B (zh) 基于物联网的电动汽车充电方法及装置
CN112636338B (zh) 一种基于边缘计算的负荷分区调控系统及方法
Suresh et al. Microgrid energy management system with embedded deep learning forecaster and combined optimizer
CN104376389A (zh) 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN105391090B (zh) 一种智能电网多智能体多目标一致性优化方法
CN114219212B (zh) 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法
CN106934497A (zh) 基于深度学习的智慧小区用电量实时预测方法及装置
CN113904380B (zh) 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
Ruelens et al. Demand side management of electric vehicles with uncertainty on arrival and departure times
Nweye et al. MERLIN: Multi-agent offline and transfer learning for occupant-centric operation of grid-interactive communities
CN104299031A (zh) Bp神经网络超短期负荷预测方法
Tang et al. Deep neural network-based hierarchical learning method for dispatch control of multi-regional power grid
Lee et al. Energy consumption prediction system based on deep learning with edge computing
CN116862551A (zh) 一种考虑用户隐私保护的新能源消纳电价决策方法
CN103761666B (zh) 参与式感知系统中平台利润最大化的在线控制方法
CN115965124A (zh) 一种台区电动汽车有序充电动态优化控制方法及系统
CN116011722A (zh) 一种面向大电网的人机协作的调控方法、模块及装置
CN111339664B (zh) 一种基于边缘计算的逐层负荷建模方法和系统
Yan et al. Matching theory aided federated learning method for load forecasting of virtual power plant
CN115705608A (zh) 一种虚拟电厂负荷感知方法及装置
Simões et al. Advances in information technology for Smart Grids
CN117522087B (zh) 虚拟电厂资源配置方法、装置、设备及介质

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