CN112819203B - 一种基于深度学习的充电管理系统及方法 - Google Patents

一种基于深度学习的充电管理系统及方法 Download PDF

Info

Publication number
CN112819203B
CN112819203B CN202110033120.1A CN202110033120A CN112819203B CN 112819203 B CN112819203 B CN 112819203B CN 202110033120 A CN202110033120 A CN 202110033120A CN 112819203 B CN112819203 B CN 112819203B
Authority
CN
China
Prior art keywords
charging
training
capacity
data
module
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
CN202110033120.1A
Other languages
English (en)
Other versions
CN112819203A (zh
Inventor
潘非
孙玉鸿
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
Hubei Chasri New Energy Technology 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 Hubei Chasri New Energy Technology Co ltd filed Critical Hubei Chasri New Energy Technology Co ltd
Priority to CN202110033120.1A priority Critical patent/CN112819203B/zh
Publication of CN112819203A publication Critical patent/CN112819203A/zh
Application granted granted Critical
Publication of CN112819203B publication Critical patent/CN112819203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B60L53/66—Data transfer between charging stations and vehicles
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
    • 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
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (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，公开了一种基于深度学习的充电管理系统及方法，包括充电能力执行管理单元以及充电能力训练优化单元，充电能力执行管理单元与充电能力训练优化单元连接，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，充电能力执行管理单元根据所述充电功率分配指令控制电能分配到各充电设施，以使充电设施通过充电终端对待充电电动汽车进行充电。本发明提供的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，提高充电设施利用效率。

Description

一种基于深度学习的充电管理系统及方法
技术领域
本发明涉及充电管理技术领域，特别涉及一种基于深度学习的充电管理系统及方法。
背景技术
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，即电动汽车处于均充阶段仍然在继续充电。
现有的充电能力管理系统虽然具备一定的自动监控处理手段，但综合调度能力有限，没有充电供需预测能力，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。同时，受节能环保与政策拉动等多方面促进，新能源电动车辆及其电动汽车作为新基建建设的一部分，呈动态快速增长趋势，充电桩的管理和匹配因为周边地区的新增车辆数量和种类不同，也呈快速增长的动态变化过程，且季节不同导致电动汽车动力电池耗电速度不同，也改变着充电需求和用电负荷。而充电设施受停车位与供电能力的限制，无法快速增长。
这些问题与需求，包括自动驾驶技术的突破及新能源电动汽车与自动驾驶的整合趋势，要求新的智能充电设施能主动参与到供电充电能力与储能充电需求的优化配置与管理中。
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。
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是本发明一种基于深度学习的充电管理系统实施例一的结构示意图；
图2是本发明一种基于深度学习的充电管理系统实施例二的结构示意图；
图3是本发明一种基于深度学习的充电管理系统的充电管理方法流程图。
图中，1、充电能力执行管理单元，11、供能变配电站，12、充电设施分配控制模块，13、充电设施，14、充电终端；2、充电能力训练优化单元，21、数据管理模块，22、数据采集模块，23、数据库模块，24、数据训练模块，25、数据输出模块，26、人机交互调度模块，27、通讯模块；3、云服务器；4、电动汽车。
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。

Claims (8)

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；
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；
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；
其中，所述深度学习时间序列预测算法模型的训练优化步骤包括：选择初始的机器学习预测模型，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；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；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。
2.根据权利要求1所述的基于深度学习的充电管理系统，其特征在于：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。
3.根据权利要求2所述的基于深度学习的充电管理系统，其特征在于：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。
4.一种基于权利要求1至3任一项所述的基于深度学习的充电管理系统的充电管理方法，其特征在于，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；
其中，所述深度学习时间序列预测算法模型的训练优化步骤包括：选择初始的机器学习预测模型，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；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；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。
5.根据权利要求4所述的基于深度学习的充电管理系统的充电管理方法，其特征在于，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。
6.根据权利要求5所述的基于深度学习的充电管理系统的充电管理方法，其特征在于，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。
7.根据权利要求5所述的基于深度学习的充电管理系统的充电管理方法，其特征在于，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。
8.根据权利要求5所述的基于深度学习的充电管理系统的充电管理方法，其特征在于，在所述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。
CN202110033120.1A 2021-01-12 2021-01-12 一种基于深度学习的充电管理系统及方法 Active CN112819203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110033120.1A CN112819203B (zh) 2021-01-12 2021-01-12 一种基于深度学习的充电管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110033120.1A CN112819203B (zh) 2021-01-12 2021-01-12 一种基于深度学习的充电管理系统及方法

Publications (2)

Publication Number Publication Date
CN112819203A CN112819203A (zh) 2021-05-18
CN112819203B true CN112819203B (zh) 2022-12-20

Family

ID=75869004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110033120.1A Active CN112819203B (zh) 2021-01-12 2021-01-12 一种基于深度学习的充电管理系统及方法

Country Status (1)

Country Link
CN (1) CN112819203B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024064258A1 (en) * 2022-09-21 2024-03-28 Ohio State Innovation Foundation Systems and methods for optimal energy management based on time series forecasting of power load
CN116278903B (zh) * 2023-05-24 2023-07-18 湘江实验室 基于联邦学习的电动汽车动态充电控制方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108082002B (zh) * 2012-02-13 2021-06-22 埃森哲环球服务有限公司 用于电力跟踪和电力分配的分布式智能的方法和系统
CN106557872A (zh) * 2016-11-10 2017-04-05 浙江工业大学 多停车位智能三相充电群充电系统及方法
CN110892601B (zh) * 2017-05-16 2023-09-22 宝马股份公司 用于电动车辆的智能充电调度装置和方法
CN208849477U (zh) * 2018-06-26 2019-05-10 蔚来汽车有限公司 配电系统、容量共享系统、服务器及采执终端
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系统及其方法
KR102057649B1 (ko) * 2018-12-13 2019-12-19 주식회사 알고리고 상위계층 인공신경망을 이용한 전기차 충전소 점유 예측 장치 및 방법
CN110370983B (zh) * 2019-06-19 2021-10-01 东北大学 基于5g移动通讯的电动汽车用电池管理系统
CN111523722B (zh) * 2020-04-20 2022-04-12 武汉大学 一种基于深度强化学习的智能充电站优化选择系统

Also Published As

Publication number Publication date
CN112819203A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112874369B (zh) 一种充电管理系统的充电与供能优化方法及装置
CN110649641B (zh) 基于源网荷储协同服务的电动汽车快充站储能系统及其方法
Ma et al. Optimal charging of plug-in electric vehicles for a car-park infrastructure
CN103559567B (zh) 电网对电动汽车充电站的管理系统的管理方法
CN103915869B (zh) 一种基于移动设备的电动汽车智能充电系统及方法
CN103337890B (zh) 一种电动出租车充电站有序充电系统及方法
CN109523087B (zh) 基于深度学习的电动汽车快充站储能监测系统及其方法
CN112819203B (zh) 一种基于深度学习的充电管理系统及方法
CN108037667B (zh) 基于虚拟电厂的基站电能优化调度方法
CN104022552A (zh) 一种用于电动汽车充电控制的智能检测方法
Liang et al. A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain
CN113437754A (zh) 一种基于台区智能融合终端的电动汽车有序充电方法及系统
CN114056161A (zh) 一种充电桩有序充电系统及控制方法
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
CN117674221A (zh) 微电网充电桩的智能供电调控方法及系统
CN111160384B (zh) 一种移动储能车调度优化方法、系统及装置
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
CN116454983B (zh) 一种风光储联合最优控制管理方法、系统及设备
CN117200334A (zh) 一种计及新能源不确定性的多能源调度方法及装置
CN108039760B (zh) 一种基于大数据云平台远程管理的分布式智慧充电系统
CN114862263A (zh) 一种提高可再生能源消纳的多区域物流车队配送管理方法
CN117087480B (zh) 一种无增容充电桩的调度方法及其系统
Wang et al. Dynamic electric vehicles charging load allocation strategy for residential area
CN116910637B (zh) 基于改进的iga-rbf神经网络短期负荷预测方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221124

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

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

Address before: 441000 No.59 Guanyu Road, high tech Industrial Development Zone, Fancheng District, Xiangyang City, Hubei Province

Applicant before: HUBEI SURPASS SUN ELECTRIC Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

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

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