发明内容
本发明的目的旨在解决现有技术的缺陷,提供一种基于深度学习的充电管理系统及方法,利用深度学习建立持续优化的管理控制模型,使充电设施管理系统具备动态分配充电功率的供能,优化充电设施的供能与充电能力资源,提高利用效率。
本发明为实现上述技术目的采用的技术方案是:一种基于深度学习的充电管理系统,包括充电能力执行管理单元以及充电能力训练优化单元,所述充电能力执行管理单元与所述充电能力训练优化单元连接;
所述充电能力训练优化单元,用于对收集的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进行处理,得到充电站充电设施系统的充电能力、供电能力与实际充电容量;
所述充电能力训练优化单元,还用于根据预先训练的深度学习时间序列预测算法模型,结合充电站充电设施系统的实际充电容量与待充电电动汽车的充电需求量,生成充电功率分配指令;
所述充电能力执行管理单元,用于接收所述充电功率分配指令,并根据所述充电功率分配指令控制电能分配到各充电设施,以使所述充电设施通过充电终端对待充电电动汽车进行充电。
通过采用上述技术方案,本发明提供的充电管理系统,利用深度学习及时间序列预测动态分析和优化等技术,提供一种具备深度自我学习后的动态分配充电功率能力的智能充电设施管理系统,优化充电设施的供能与充电能力资源,提高充电设施的利用效率。
本发明提供的充电管理系统,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高效,并利用AI深度学习建立持续优化的管理控制模型,实现充电设施系统的充电与用电效率最大化。
作为本发明的进一步设置:还包括云服务器,所述云服务器与所述充电能力训练优化单元通讯连接,用于将深度学习时间序列预测算法模型及模型训练环境迁移并置入到所述充电能力训练优化单元。
作为本发明的进一步设置:所述充电能力执行管理单元包括供能变配电站、充电设施分配控制模块以及若干个充电设施,所述充电设施设置有若干个充电终端,所述充电设施均与所述充电设施分配控制模块连接,所述充电设施分配控制模块连接至所述供能变配电站;
所述充电设施分配控制模块,用于接收所述充电能力训练优化单元发送的所述充电功率分配指令,并根据所述充电功率分配指令控制电能分配至所述充电设施;
所述充电设施,用于将所述电能转换成所述待充电电动汽车所需的工作电源,通过所述充电终端对所述待充电电动汽车进行充电。
作为本发明的进一步设置:所述充电能力训练优化单元包括数据管理模块、数据采集模块、数据库模块、数据训练模块以及数据输出模块,所述数据采集模块、所述数据库模块以及所述数据训练模块均通过所述数据管理模块与所述充电设施分配控制模块连接;
所述数据管理模块,用于对系统各数据进行综合处理与储存,并与所述云服务器通讯连接;
所述数据采集模块,用于采集所述供能变配电站、所述充电设施分配控制模块、所述充电设施以及所述充电终端的供电能力与实际使用数据,还用于采集所述待充电电动汽车的充电需求和环境参数;
所述数据库模块,用于收集和存储历史数据,并处理所述数据采集模块采集到的实时数据,根据所述历史数据和所述数据采集模块采集到的实时数据,建立历史数据库与实时数据库;
所述数据训练模块,用于结合所述历史数据库和所述实时数据库的数据,对预置的深度学习时间序列预测算法模型进行训练,以生成新的供电充电能力模型,根据所述供电充电能力模型输出结果制定充电功率分配指令;
所述数据输出模块,用于将接收到的所述充电功率分配指令输出至所述充电能力执行管理单元。
作为本发明的进一步设置:所述充电能力训练优化单元还包括人机交互调度模块和通讯模块,所述人机交互调度模块分别与所述数据管理模块和所述通讯模块连接,所述通讯模块与所述数据输出模块连接;
所述人机交互调度模块,用于使用户对深度学习时间序列预测算法模型的数据进行修改与调节,参与模型输出结果发出操作控制指令;
所述通讯模块,用于接收所述人机交互调度模块发出的所述操作控制指令,并将所述操作控制指令输出至所述充电能力执行管理单元。
此外,为实现上述技术目的,本发明还提出一种基于深度学习的充电管理系统的充电管理方法,所述方法包括:
S10,充电能力训练优化单元对收集的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进行处理,得到充电站充电设施系统的充电能力、供电能力与实际充电容量;
S20,充电能力训练优化单元根据预先训练的深度学习时间序列预测算法模型,结合充电站充电设施系统的实际充电容量与待充电电动汽车的充电需求量,生成充电功率分配指令;
S30,充电能力执行管理单元接收所述充电功率分配指令,并根据所述充电功率分配指令控制电能分配到各充电设施;
S40,充电设施通过充电终端对待充电电动汽车进行充电。
作为本发明的进一步设置:在所述S10,充电能力训练优化单元对收集的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进行处理,得到充电站充电设施系统的充电能力、供电能力与实际充电容量的步骤之前,所述方法还包括:
充电能力训练优化单元收集数据集并建立数据库,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集;
充电能力训练优化单元搭建基于充电能力、供电能力和实际充电容量的深度学习时间序列预测算法模型;
充电能力训练优化单元根据创建的训练集和测试集,对预先搭建的深度学习时间序列预测算法模型进行训练、测试、验证,评估生成训练后的供电充电能力模型并输出实时充电需求响应的预测值。
作为本发明的进一步设置:所述充电能力训练优化单元收集数据集并建立数据库,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集的步骤包括:
数据采集模块采集待充电电动汽车的充电需求信息、各终端的充电工作信息、供电信息以及环境信息,包括充电设施工作信息状态参数、待充电电动汽车的数量与车型参数、待充电电动汽车的充电需求参数、供能变配电站的供电能力参数、环境状态参数、工作状态场景参数以及人机交互控制参数;
数据库模块对数据采集模块采集的数据进行处理、分类与标签,建立历史数据库和实时数据库;
数据训练模块根据历史数据库和实时数据库的数据,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集。
作为本发明的进一步设置:所述充电能力训练优化单元搭建基于充电能力、供电能力和实际充电容量的深度学习时间序列预测算法模型的步骤包括:结合应用场景选择初始的深度学习时间序列预测算法模型,设置模型中的容量预定阈值,建立充电与供能优化时序预测关系模型,所述容量预定阈值包括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充电终端的数据和位置信息。
作为本发明的进一步设置:在所述充电能力训练优化单元根据创建的训练集合测试集,对预先搭建的深度学习时间序列预测算法模型进行训练、测试、验证,评估生成训练后的供电充电能力模型并输出实时充电需求响应的预测值的步骤之后,所述方法包括:训练形成的供电充电能力模型输出并保存后,在此基础上每隔预设时间周期对深度学习时间序列预测算法模型进行训练优化,并根据新训练优化后的形成的模型输出,对充电终端的充电优先级和功率分配进行调整。
本发明的有益效果是:
1、本发明提供的充电管理系统,利用深度学习及时间序列预测动态分析和优化等技术,提供一种具备深度自我学习后的动态分配充电功率能力的智能充电设施管理系统,优化充电设施的供能与充电能力资源,提高充电设施的利用效率。
2、本发明提供的充电管理系统,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,实现充电设施系统的充电与用电效率最大化。
3、云服务器支持系统级的综合管理,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系统下的数据共享与机器深度学习,实现各系统充电能力资源的互补与优化,实现局域内充电设施系统的充电与用电效率最大化。
4、充电能力训练优化单元以数据管理中心为核心,包括数据管理模块、数据采集模块、数据库模块、数据训练模块、数据输出模块、人机交互调度模块、通讯模块等,数据管理模块作为数据管理中心的处理器,支持系统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、数据库模块、数据训练模块、数据输出模块、人机交互调度模块、通讯模块一起组成本发明的充电管理运算中心,本发明的充电管理系统对多个模块进行集中式管理,通过充电设施分配控制模块控制多个充电终端实现充电功率动态分配。
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1,一种基于深度学习的充电管理系统,其特征在于:包括充电能力执行管理单元1以及充电能力训练优化单元2,充电能力执行管理单元1与充电能力训练优化单元2连接;
充电能力训练优化单元2,用于对收集的充电站电能供能变配电信息、充电设施13能力信息、充电终端14输出信息以及电动汽车4充电需求信息进行处理,得到充电站充电设施系统的充电能力、供电能力与实际充电容量;
充电能力训练优化单元2,还用于根据预先训练的深度学习时间序列预测算法模型,结合充电站充电设施系统的实际充电容量与待充电电动汽车4的充电需求量,生成充电功率分配指令;
充电能力执行管理单元1,用于接收充电功率分配指令,并根据充电功率分配指令控制电能分配到各充电设施13,以使充电设施13通过充电终端14对待充电电动汽车4进行充电。
本发明提供的充电管理系统,包括充电能力执行管理单元1和充电能力训练优化单元2,通过充电能力训练优化单元2预置的深度学习时间序列预测算法模型,结合充电设施13的实际充电容量和待充电电动汽车4的充电需求,实时调整充电能力执行管理单元1的供能与充电比例,使充电终端14的输出量在最佳满足电动汽车4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13及相应的供电效率持续优化。
需要说明的是,充电设施系统的充电能力为所有充电设施13的额定功率之和,充电设施系统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13的额定功率为P,充电设施13的数量为m,每个充电设施13上设置的充电终端14数量为n,可以得到:
∑P=P1+P2+…+Pm
∑Q≧∑S
其中,充电设施13的输出功率Pm≧Sm1+Sm2+…+Smn,Sm为充电终端14的实际充电功率,与被充电电动汽车4直接相关联,没有接入电动汽车4时其值为0。充电终端14的最大输出功率小于或等于电动汽车4的最大受电容量,受电动汽车4内电池充电管理系统的控制,同时受本系统供电能力的控制。
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4动力容量、环境温度的影响很大外,更受充电电动汽车4动力电池自身的荷电动态SOC等影响。根据被充电电动汽车4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4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13不足,一旦接收到新电动汽车4的充电需求,应选择性控制充电终端14,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4进行充电并实时监控充电动态。
本发明提供的充电管理系统,实现本充电站在最佳满足电动汽车4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13及相应的供电效率持续优化,本发明利用深度学习及时间序列预测动态分析和优化等技术,提供一种具备深度自我学习后的动态分配充电功率能力的智能充电设施13管理系统,实现充电设施13系统的充电与用电效率最大化,提高充电设施13的利用效率。
参见图2,还包括云服务器3,云服务器3与充电能力训练优化单元2通讯连接,用于将深度学习时间序列预测算法模型及模型训练环境迁移并置入到充电能力训练优化单元2。
应理解的是,云服务器33支持系统级的综合管理,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2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系统下的数据共享与机器深度学习,实现各系统充电能力资源的互补与优化,实现局域内充电设施13系统的充电与用电效率最大化。
参见图2,充电能力执行管理单元1包括供能变配电站11、充电设施分配控制模块12以及若干个充电设施13,充电设施13设置有若干个充电终端14,充电设施13均与充电设施分配控制模块12连接,充电设施分配控制模块12连接至供能变配电站11;
充电设施分配控制模块12,用于接收充电能力训练优化单元2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13;
充电设施13,用于将电能转换成待充电电动汽车4所需的工作电源,通过充电终端14对待充电电动汽车4进行直流快速充电或交流慢充。
应理解的是,充电能力执行管理单元1包括分配控制模块、若干个充电设施13和多个充电终端14,通过分配控制模块的调动,根据电动汽车4的充电需求和充电终端14的实际充电容量,灵活调整充电终端14对待充电电动汽车4进行充电,实现充电功率的动态分配,使充电管理系统的充电与供能达到供需平衡,提高充电设施13的利用率。
参见图2,充电能力训练优化单元2包括数据管理模块21、数据采集模块22、数据库模块23、数据训练模块24以及数据输出模块25,数据采集模块22、数据库模块23以及数据训练模块24均通过数据管理模块21与充电设施分配控制模块12连接;
数据管理模块21,用于对系统各数据进行综合处理与储存,并与云服务器3通讯连接;
数据采集模块22,用于采集供能变配电站11、充电设施分配控制模块12、充电设施13以及充电终端14的供电能力与实际使用数据,还用于采集待充电电动汽车4的充电需求和环境参数;
数据库模块23,用于收集和存储历史数据,并处理数据采集模块22采集到的实时数据,根据历史数据和数据采集模块采集到的实时数据,建立历史数据库与实时数据库;
数据训练模块24,用于结合历史数据库和实时数据库的数据,对预置的深度学习时间序列预测算法模型进行训练,以生成新的供电充电能力模型,根据供电充电能力模型输出结果制定充电功率分配指令;
数据输出模块25,用于将接收到的充电功率分配指令输出至充电能力执行管理单元。
应理解的是,本发明的充电管理系统对多个模块进行集中式管理,通过充电设施分配控制模块12控制多个充电终端14实现充电功率的动态分配,通过云服务器3和人机交互调度模块26,实现了用户与充电管理系统之间的交互供能。
需要说明的是,充电能力训练优化单元2以数据管理中心为核心,包括数据管理模块21、数据采集模块22、数据库模块23、数据训练模块24、数据输出模块25、人机交互调度模块26、通讯模块27等,数据管理模块21作为数据管理中心的处理器,支持系统各数据库储存与处理,并负责与云服务器3、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22、数据库模块23、数据训练模块24、数据输出模块25、人机交互调度模块26、通讯模块27一起组成本发明的充电管理运算中心。
其中,数据采集模块22用于采集系统内供能变配电站11、充电设施分配控制模块12、若干充电设施13、充电终端14的供给能力与实际使用数据,以及系统外的电动汽车4充电需求和环境参数等;数据采集模块22用于将采集到的数据输送至数据库模块23;数据库模块23用于收集和储存大量的历史数据,并处理数据采集模块22采集到的实时数据,设置标签,建立历史数据库与实时数据库;数据训练模块24用于对预置的深度学习时间序列预测算法模型进行训练,不断地修正模型参数进行迭代,以生成新的供电充电能力模型,并通过数据输出模块25结合充电设施13控制系统发出开始或停止充电指令,从而实现系统充电能力优化管理。
具体的,充电能力训练优化单元2还包括人机交互调度模块26和通讯模块27,人机交互调度模块26分别与数据管理模块21和通讯模块27连接,通讯模块27与数据输出模块25连接;
人机交互调度模块26,用于使用户对深度学习时间序列预测算法模型的数据进行修改与调节,参与模型输出结果发出操作控制指令;
通讯模块27,用于接收人机交互调度模块发出的操作控制指令,并将操作控制指令输出至充电能力执行管理单元。
通过设置人机交互调度模块26和通讯模块27,使得用户与充电能力训练优化单元2实现了远程交互,可以随时监控系统的充电状态,并根据需求调整深度学习时间序列预测算法模型的数据,从而发出操作指令,便于充电能力执行管理单元1根据实际的操作指令做出调整并执行。
此外,本发明实施例还提供一种基于深度学习的充电管理系统的充电管理方法,参见图3,充电管理方法包括:
步骤S10,充电能力训练优化单元2对收集的充电站电能供能变配电信息、充电设施13能力信息、充电终端14输出信息以及电动汽车4充电需求信息进行处理,得到充电站充电设施系统的充电能力、供电能力与实际充电容量;
步骤S20,充电能力训练优化单元2根据预先训练的深度学习时间序列预测算法模型,结合充电站充电设施系统的实际充电容量与待充电电动汽车4的充电需求量,生成充电功率分配指令;
步骤S 30,充电能力执行管理单元1接收充电功率分配指令,并根据充电功率分配指令控制电能分配到各充电设施13;
步骤S40,充电设施13通过充电终端14对待充电电动汽车4进行充电。
应理解的是,本发明提供的充电管理方法是利用AI深度学习建立持续优化的管理控制模型,从而实现充电设施系统的充电与用电效率最大化。其中,基于深度学习的管理控制模型的训练优化步骤包括:选择初始的机器学习预模型,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;设置充电终端14特征参数,并获取被充电电动汽车4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;获取电动汽车4的充电需求信息、充电设施13的充电工作信息、供电信息以及环境信息,创建特征数据库;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。
深度学习时间序列预测算法模型经过训练后,可以在充电管理系统的实际充电应用场景中使用,并结合实际的充电应用场景,对模型进行不断地优化训练,形成优化的充电系统能量控制供需平衡、最佳充电终端14利用的控制模型输出。
本实施例的深度学习时间序列预测算法模型可以基于PyTorch、TersorFlow开放的深度学习平台进行,深度学习时间序列预测算法模型包括自回归模型、循环神经网络中的长短期记忆网络模型等,具体的学习训练过程描述如下:
使用训练好的预训练模型在原先的训练集上进行计算训练,重新训练,并采用微调等技术手段将神经网络用到数据集上,逐步扩大模型规模,并在验证集上多次训练,找到最佳性能的模型结构,从而形成新拟合效果的算法控制模型输出并输出预测值,进行充电需求与充电终端14相适应的预测时间序列,从而适配充电站内电动汽车4的充电需求。
具体的,在充电能力训练优化单元2对收集的充电站电能供能变配电信息、充电设施13能力信息、充电终端14输出信息以及电动汽车4充电需求信息进行处理,得到充电站充电设施13系统的充电能力、供电能力与实际充电容量的步骤之前,所述方法还包括:
充电能力训练优化单元2收集数据集并建立数据库,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集;
充电能力训练优化单元2搭建基于充电能力、供电能力和实际充电容量的深度学习时间序列预测算法模型;
充电能力训练优化单元2根据创建的训练集和测试集,对预先搭建的深度学习时间序列预测算法模型进行训练、测试、验证,评估生成训练后的供电充电能力模型并输出实时充电需求响应的预测值。
应理解的是,在充电能力训练优化单元2对深度学习时间序列预测算法模型进行训练之前,需要收集数据集并建立数据库,创建深度学习训练所需的训练集和测试集,从而确保数据集特征丰富程度足以作出预测。
具体的,充电能力训练优化单元2收集数据集并建立数据库,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集的步骤包括:
数据采集模块22采集待充电电动汽车4的充电需求信息、各终端的充电工作信息、供电信息以及环境信息,包括充电设施13工作信息状态参数、待充电电动汽车4的数量与车型参数、待充电电动汽车4的充电需求参数、供能变配电站11的供电能力参数、环境状态参数、工作状态场景参数以及人机交互控制参数;
数据库模块23对数据采集模块22采集的数据进行处理、分类与标签,建立历史数据库和实时数据库;
数据训练模块24根据历史数据库和实时数据库的数据,创建深度学习时间序列预测算法模型训练数据所需的训练集和测试集,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(Training Data)集和10%为测试数据(Testing Data)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4充电负荷波动的影响。
需要说明的是,充电设施13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13及其终端或被充电电动汽车4BMS管理系统,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14或电动汽车4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系统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4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4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系统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11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系统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11的状态信息及系统内设备关键点的采集,用于训练、匹配、验证和优化控制模型,支持不同场景下的系统工作优化,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系统监控、智能设备的工作状态识别,包括充电设施13、充电接口、电动汽车4等图像与数据,用于支持模型数据训练、验证和优化控制系统决策控制能力;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。
具体的,充电能力训练优化单元2搭建基于充电能力、供电能力和实际充电容量的深度学习时间序列预测算法模型的步骤包括:结合应用场景选择初始的深度学习时间序列预测算法模型,设置模型中的容量预定阈值,建立充电与供能优化时序预测关系模型,容量预定阈值包括供能变配电站11最大供电能力、充电设施13的总额定充电能力、各充电设施13额定充电容量及充电终端14的数据和位置信息,用于动态分析与处理充电系统的充电与供能能力,明确应用场景的状态特征。
应理解的是,充电能力训练优化单元2搭建的是基于充电能力、供电能力和实际充电容量的深度学习时间序列预测动态数据模型,利用选择的初始模型进行训练、测试并验证生产最佳性能的控制模型,输出实时充电需求响应的预测值,控制被充电电动汽车4的充电需求及供电量的匹配,实现充电设施13系统的充电功率动态调整。
具体的,充电能力训练优化单元2根据创建的训练集和测试集,对预先搭建的深度学习时间序列预测算法模型进行训练、测试、验证,评估生成训练后的供电充电能力模型并输出实时充电需求响应的预测值的步骤之后,方法包括:训练形成的供电充电能力模型输出并保存后,在此基础上每隔预设时间周期对深度学习时间序列预测算法模型进行训练优化,并根据新训练优化后形成的模型输出,对充电终端14的充电优先级和功率分配进行调整。
应理解的是,在训练形成的供电充电能力模型的基础上,每隔预设时间周期做一次充电桩的自我深度学习,将多个充电终端14做一次充电优先级的调整,让多个充电终端14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。产品中的冗余充电功率,可以选择释放出来,以应对极端天气的充电需求,提高系统整体的利用效率。