CN113379139A - 一种充电站管理方法及其应用装置 - Google Patents
一种充电站管理方法及其应用装置 Download PDFInfo
- Publication number
- CN113379139A CN113379139A CN202110690107.3A CN202110690107A CN113379139A CN 113379139 A CN113379139 A CN 113379139A CN 202110690107 A CN202110690107 A CN 202110690107A CN 113379139 A CN113379139 A CN 113379139A
- Authority
- CN
- China
- Prior art keywords
- prediction
- charging station
- index
- management method
- model
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供的充电站管理方法及其应用装置,应用于直流充电技术领域,该方法在获取包括目标充电站和预测时刻的预测指令之后,响应该预测指令,获取目标充电站的预测指标集中各预测指标的当前指标值,进一步分别将各当前指标值和预测时刻输入运行状态预测模型,即可得到目标充电站的状态预测结果。通过本发明提供的充电站管理方法,能够以目标充电站的各预测指标的当前指标值对目标充电站的运行状态进行预测,进而引导充电车辆的流量,提高充电桩的利用率,同时改善消费者的使用感受。
Description
技术领域
本发明涉及直流充电技术领域,特别涉及一种充电站管理方法及其应用装置。
背景技术
随着电动汽车产业的规模化推广,越来越多的消费者选择电动汽车作为出行工具,由于在电动汽车的使用过程中,不可避免的要对车辆充电,因此,电动汽车的发展也加速了充电站的建设。
然而,在消费者驾驶车辆到达充电站充电前,是无法获知充电站的运行状态的,因此经常会遇到没有空闲充电桩的情况,而且无法预判当前充电站何时会有空闲充电桩可以使用,此种情况下,如果车辆剩余电量较多,消费者还可以试图寻找其他充电站,而如果车辆剩余电量不足,消费者则只能在当前充电站等待,严重影响了消费者的使用体验。而对于充电站而言,也常常会出现车流量分布不均的问题,即有的充电站车满为患,没有空闲充电桩可以使用,而有的充电站则存在大量空闲充电桩,充电桩利用率极低。
因此,如何对充电站的运行状态进行预测,进而引导充电车辆的流量,提高充电桩的利用率,同时改善消费者的使用感受,成为本领域技术人员亟待解决的技术问题之一。
发明内容
本发明提供一种充电站管理方法及其应用装置,能够对充电站的运行状态进行预测,进而引导充电车辆的流量,提高充电桩的利用率,同时改善消费者的使用感受。
为实现上述目的,本发明提供的技术方案如下:
第一方面,本发明提供一种充电站管理方法,包括:
获取预测指令,所述预测指令包括目标充电站和预测时刻;
响应所述预测指令,获取所述目标充电站的预测指标集中各预测指标的当前指标值;
分别将各所述当前指标值和所述预测时刻输入运行状态预测模型,得到所述目标充电站的状态预测结果。
可选的,本发明第一方面提供的充电站管理方法,还包括:获取新增预测指标和新增突发事件;
基于所述新增预测指标和所述新增突发事件更新所述运行状态预测模型。
可选的,所述基于所述新增预测指标更新所述运行状态预测模型,包括:
按照预设评估规则对所述新增预测指标进行性能评估;
若所述新增预测指标满足预设评估条件,将所述新增预测指标添加至所述预测指标集,得到更新后的预测指标集;
根据所述更新后的预测指标集更新所述运行状态预测模型。
可选的,训练所述运行状态预测模型的过程,包括:
获取待训练模型、多个训练样本以及与各所述训练样本对应的充电站实际状态;
其中,所述训练样本包括预测指标集中各预测指标的样本值;
分别确定所述待训练模型对各所述训练样本中各样本值的输出结果,到相应的充电站实际状态之间的误差评估指标,得到各所述训练样本对应的误差评估指标;
以各所述训练样本对应的误差评估指标处于预设范围或循环次达到预设阈值为训练目标,调整所述待训练模型的参数,得到运行状态预测模型。
可选的,所述获取待训练模型包括:
获取预测指标集;
根据所述预测指标集中各预测指标和目标神经网络的网络结构,构建初始网络;
利用预设优化算法对所述初始网络的目标网络参数进行优化,得到待训练模型。
可选的,所述利用预设优化算法对所述初始网络的目标网络参数进行优化,得到待训练模型,包括:
利用改进粒子群算法MPSO对所述初始网络的目标网络参数进行优化,得到待训练模型。
可选的,所述获取预测指标集,包括:
获取多个候选指标;
利用预设改进线性判别分析LDA算法对所述多个候选指标进行筛选,得到多个初选指标;
利用主成分分析PCA算法对所述多个初选指标进行筛选,得到包括至少一个预测指标的预测指标集。
可选的,所述目标神经网络包括长短期记忆LSTM神经网络;
所述目标网络参数包括隐含层神经元、最大迭代次数和初始学习率。
可选的,所述多个候选指标包括:历史运营信息、当前运行信息、检修信息、环境信息和突发事件信息。
可选的,所述获取预测指令,包括:
获取用户或者运营商输入的预测指令。
第二方面,本发明提供一种服务器,包括:存储器和处理器;所述存储器存储有适于所述处理器执行的程序,以实现本发明第一方面任一项所述的充电站管理方法。
第三方面,本发明提供一种充电站,包括:多个充电桩和本发明第二方面提供的服务器,其中,
所述服务器分别与各所述充电桩通讯连接。
本发明提供的充电站管理方法,在获取包括目标充电站和预测时刻的预测指令之后,响应该预测指令,获取目标充电站的预测指标集中各预测指标的当前指标值,进一步分别将各当前指标值和预测时刻输入运行状态预测模型,即可得到目标充电站的状态预测结果。通过本发明提供的充电站管理方法,能够以目标充电站的各预测指标的当前指标值对目标充电站的运行状态进行预测,进而引导充电车辆的流量,提高充电桩的利用率,同时改善消费者的使用感受。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案,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,下面描述内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是本发明实施例提供的一种充电站管理方法的流程图;
图2是本发明实施例提供的一种运行状态预测模型训练方法的流程图;
图3是本发明实施例提供的另一种充电站管理方法的流程图;
图4是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
基于上述内容,本发明提供的充电站管理方法可以应用于电子设备,该电子设备可以是笔记本电脑、PC机,或者是充电站中专门用于对充电站进行管理的上位机、数据处理器等,当然,在某些情况下,也可以应用于网络侧的服务器实现。参见图1,图1是本发明实施例提供的一种充电站管理方法的流程图,该流程可以包括:
S100、获取预测指令。
本发明实施例提供的充电站管理方法,可以为用户,即消费者提供预测服务,也可以为充电站运营商提供管理服务,因此,预测指令可以是用户输入,也可以是运营商输入的。可以想到的是,当本发明实施例提供的充电站管理方法以终端APP形式实现时,用户可以通过点选运行于智能终端上的APP的相关按钮实现预测指令的发送;当本发明实施例提供的充电站管理方法以服务器中的管理软件实现时,运营商可以通过服务器端设置的指令输入设备实现预测指令的输入,当然,还可有其他的实现方式,此处不再一一列举。
可选的,预测指令中包括需要进行运行状态预测的目标充电站和预测时刻。需要说明的是,结合用户的使用习惯,用户往往希望能够预测以当前时刻为起始时刻,未来一定时长之后目标充电站的运行状态,比如,用户希望预测未来10分钟或未来30分钟后目标充电站的运行状态,因此,本发明实施例中述及的预测时刻,可以基于当前时刻以及用户输入的预测时长确定,即在用户以任一方式输入预测时长之后,计算当前时刻与预测时长之和,所得之和即预测时刻。当然,也可以设置相应的界面,允许用户直接输入具体的预测时刻。
可以想到的是,在具体实现时,用户可以首先在显示页面中显示的多个充电站中点选目标充电站,同时输入预测时刻,在完成这些信息的输入后,点选预设的“预测”指令按钮,即可生成相应的预测指令。当然,如果用户为对预测时刻进行选择或限制,可以基于系统默认预测时长确定预测时刻。
S110、响应预测指令,获取目标充电站的预测指标集中各预测指标的当前指标值。
本实施例提供的充电站管理方法,预先设置目标充电站的预测指标集,该预测指标集中包括至少一个预测指标,当然,为了更为准确的预测目标充电站的运行状态,预测指标集在绝大部分情况下会包括多个预测指标。可以想到的是,可以为不同的充电站设置不同的预测指标集,也可以为不同的充电站设置相同的预测指标集,只要实际预测时选用的预测指标集与目标充电站相对应即可。对于预测指标集中具体包括的预测指标,将在后续内容中展开,此处暂不详述。
得到预测指令后,即可获取目标充电站对应的预测指标集中各预测指标的当前指标值。
S120、分别将各当前指标值和预测时刻输入运行状态预测模型,得到目标充电站的状态预测结果。
本实施例提供一种预训练得到的运行状态预测模型,该运行状态预测模型以预测指标集中的各预测指标的指标值为输入,以充电站的运行状态为输出,训练神经网络得到。对于运行状态预测模型的具体训练过程,将在后续内容中展开,此处暂不详述。
具体的,调用该运行状态预测模型,将前述步骤得到的目标充电站对应的预测指标集中的各预测指标的当前指标值和预测时刻输入运行状态预测模型,即可得到目标充电站的状态预测结果。
可选的,状态预测结果中可以包括目标充电站在该预测时刻的空闲充电桩的数量,以及自当前时刻起,目标充电站会在多长时间后存在空闲充电桩。当然,还可以根据需要包括其他相关信息,此处不再一一列举,在不超出本发明核心思想范围的前提下,同样属于本发明保护的范围内。
综上所述,本发明实施例提供的充电站管理方法,可以基于预训练的运行状态预测模型,对目标充电站的运行状态进行预测,消费者可以根据相应的预测结果判断是否到目标充电站充电,或者选择到目标电站进行充电的时间,与现有技术相比,可以使得消费者直观、及时的了解目标充电站的运行状态,结合自身以及充电站的实际情况选择合适的充电站,在避免浪费消费者时间和资金、改善消费者使用感受的同时,达到调节充电车辆流量的目的。相应的,对于运营商而言,不仅能够便捷的确定充电站的运行状态,通过引导充电车辆的流量,还可在整体上提高充电站以及充电桩的利用率,增加经济效益。
可选的,为了尽可能提高预测结果的准确性,本发明各个实施例中使用的预测指标集中的预测指标均是经过严格筛选后得到的。
具体的,在构建预设指标集时,首先需要尽可能多的获取与充电站运行状态直接相关或间接相关的候选指标,可选的,候选指标可以包括历史运营信息、当前运行信息、检修信息、环境信息和突发事件信息。其中,历史运营信息可以包括充电站的历史使用信息和历史预约信息等,当前运行信息可以包括充电桩的剩余余量、当前预约情况、当前排队人数等,检修信息则主要包括历史检修信息和未来检修规划,环境信息包括环境温度、环境湿度以及天气情况等。当然,在实际应用中,还可以包括其他候选指标,在不超出本发明核心思想范围的前提下,同样属于本发明保护的范围内。
可以理解的是,最终用于模型训练的指标不是越多越好,因此,需要对前述步骤得到的候选指标进行筛选,以去掉冗余特征和不相关特征,其中,冗余特征表示该特征不能提供更多有助于模型建立的信息。不相关特征表示该特征在任何情况下无法提供有价值的信息。通过减少候选特征的数量,能够大大减少模型的训练时间,因此有效地解决维数灾害问题;进一步的,使得最终使用的预测指标,与充电站的实际运行状态之间具有最大相关度。当所得候选指标中中包含大量不相关特征或者噪声时,去除这些特征可以使得预测指标集能够更好地反映数据特点,从而能够提高预测模型的泛化性能。
常用的降维方法有无监督学习的PCA算法(Principal Component Analysis,主成分分析法)和监督学习的LDA算法(Linear Discriminant Analysis,线性判别分析法)。其中,PCA算法是将数据投影到方差最大的几个相互正交的方向上,以期待保留最多的样本信息。样本的方差越大表示样本的多样性越好,但对于不同分布的数据集,PCA的这个投影后方差最大的目标就不合适,会忽略一些重要信息,造成过度降维。LDA算法可以尽可能多地保留数据样本的信息、寻找使样本尽可能好分的最佳投影方向的优点,但在降维时依赖均值,与依赖方差的PCA相比降维效果较差,而且LDA存在相近类不易分离和奇异性的问题。
为解决单独使用上述降维方法的不足,本实施例给出一种综合应用多种降维方法对所得候选指标进行筛选的方法。
为克服LDA算法的不足,本实施例利用SVD算法(Singular Value Decomposition,奇异值分解)和类间三都矩阵修正LDA算法,进而得到本实施例使用的预设改进LDA算法,然后利用预设改进LDA算法对多个候选指标进行筛选,得到多个初选指标,进一步利用PCA算法对多个初选指标进行筛选,最终得到包括至少一个预测指标的预测指标集。
需要说明的是,上述修正LDA算法得到预设改进LDA算法的过程,以及基于预设改进LDA算法和PCA算法筛选得到预测指标集的具体过程,均可以参照现有技术实现,此处不再展开。
根据上述内容可以看出,本发明实施例在确定最终使用的预测指标集时,考虑的指标更加全面,种类更加多样,在此基础上,采样混合降维算法去除冗余指标,有效解决维数灾害问题,有助于提高预测模型的泛化性能,而且,基于多种降维算法实现的降维过程,所得结果更能够充分的反应充电站的运行状态,为准确预测未来的运行状态提供所需基础数据。
可选的,参见图2,图2是本发明实施例提供的一种运行状态预测模型训练方法的流程图,该流程可以包括:
S200、获取待训练模型、多个训练样本以及与各训练样本对应的充电站实际状态。
可选的,本发明实施例的待训练模型是基于目标神经网络得到的,考虑到预测指标集中预测指标的数量往往较多,且有可能发生变化,目标神经网络优先选用对输入变量具有更强适应性的LSTM网络(Long Short-Term Memory,长短期记忆网络)。LSTM网络一方面能准确且自动地从数据中提取特征,模型构建简单高效、高准确度;另一方面,LSTM网络还可以自动学习到数据更深层次、更具体的特征,具有更好的非线性拟合能力。最重要的是,LSTM网络具有长久的时间记忆性,隐藏层的结构设计体现了时间序列之间的相互影响关系,具有更好的时序数据处理能力。
进一步的,基于前述内容述及的预测指标集中的各个预测指标和目标神经网络,如LSTM网络的网络结构构建初始网络,然后利用预设优化算法对初始网络的目标网络参数进行优化,即可得到待训练模型。
可选的,在目标神经网络选用LSTM网络的情况下,可以利用MPSO(modifiedparticle swarm optimization,改进粒子群)算法对LSTM网络中的隐含层神经元、最大迭代次数和初始学习率进行优化,得到最终的待训练模型。需要说明的是,利用MPSO算法对LSTM算法进行优化的具体过程,可以基于现有技术实现,此处不再展开。
进一步的,在本实施例中,任一训练样本中均包括有预测指标集中各预测指标对应的样本值。至于与各训练样本对应的充电站实际状态,可以在采集各样本值的过程中同步获得。
S210、分别确定待训练模型对各训练样本中各样本值的输出结果,到相应的充电站实际状态之间的误差评估指标,得到各训练样本对应的误差评估指标。
在S200的基础上,分别将各训练样本中包括的各个样本值输入待训练模型,经过待训练模型的处理,可得到待训练模型对各训练样本的输出结果,即预测结果。
进一步的,利用预设的误差评估算法,可以计算得到各输出结果到相应的充电站实际状态之间的误差评估指标,在遍历所有的训练样本之后,得到与各训练样本对应的误差评估指标。
可选的,误差评估指标可以选择均方根误差RMSE和相关系数R,其中,
上式中,yi′为预测值,即为利用上述算法模型得到的未来第i个时刻的充电桩空闲数量,yi为实际值,即为对应第i个时刻充电桩的实际空闲数量。Y′和Y分别是由yi′和yi构成的预测值和实际值向量,cov(Y′,Y)表示Y′和Y的协方差,δY′和δY分别为Y′和Y的标准差。
S220、判断是否满足预设结束条件,若否,执行S230,若是,执行S240。
具体的,基于S210中选用的误差评估指标,可以相应的设置误差评估指标的预设范围,当各训练样本对应的误差评估指标处于预设范围内时,即判定满足预设结束条件。
可选的,为了避免各训练样本对应的误差评估指标长时间无法处于预设范围内,还可以设置循环次数的限值,当循环次达到预设阈值时即判定满足预设结束条件。在实际应用中,各训练样本对应的误差评估指标处于预设范围内、循环次达到预设阈值,二者只要满足一条即可
当然,对于预设范围以及预设阈值的具体设置,还应结合具体的预测精度要求以及硬件算力等条件确定,本发明对于二者的具体取值不做限定。
S230、调整待训练模型的参数,并返回S210。
如果不满足上述预设结束条件,则调整待训练模型的参数,并返回S210,继续下一轮次的训练。需要说明的是,对于参数调整的具体过程,可以结合目标神经网络的具体网络架构以及现有技术中对于目标神经网络的训练过程实现,此处不再赘述。
S240、得到运行状态预测模型。
如果满足上述预设结束条件,则将满足预设结束条件时的待训练模型作为最终使用的运行状态预测模型。
在实际应用中,随着充电站的使用以及影响充电站使用的外界因素的变化,出现预测指标集中并未涉及的预测指标,相应的,同样需要对运行状态预测模型进行更新,以使该模型适应预测指标的变换,进而得到更符合实际应用环境的预测结果。
基于此,参见图3,图3是本发明实施例提供的另一种充电站管理方法的流程图,在图1所示实施例的基础上,本实施例提供的充电站管理方法,还包括:
S300、获取新增预测指标和新增突发事件。
可选的,在本实施例提供的充电站管理方法中,新增预测指标主要指与目标充电站运行状态相关的、未包括于现有的预测指标集中的指标,对于新增预测指标的获取,一方面,可以根据充电站运维情况及专家经验,进行指标的新增;另一方面,可以根据运行状态预测模型的预测结果判断,具体的,如果预测模型的预测结果多次与实际状态存在较大差异,可能与当前预测指标集已经不能有效涵盖所有可能相应预测结果的预测指标有关,判断是否需要录入新的预测指标。而新增突发事件则主要指直接影响充电站运行的时间,比如充电桩发生爆炸等事件。
S310、基于新增预测指标和新增突发事件更新运行状态预测模型。
可选的,在得到新增预测指标之后,首先需要按照预设评估规则对新增预测指标进行性能评估,比如,可以计算新增预测指标的主成分贡献率,当然,也可以采用其他方法或规则对新增预测指标进行评估,本发明对此不做限定。
如果新增预测指标满足预设评估条件,便可将新增预测指标添加至预测指标集中,进而得到更新后的预测指标集,根据更新后的预测指标集更新运行状态预测模型。
而新增突发事件往往对目标充电站的正常运行影响较大,因此,当获取到新增突发事件时,可以直接将新增突发事件作为预测指标使用。
需要说明的是,对于运行状态预测模型的更新过程,与运行状态预测模型的训练过程是类似的,只不过是使用的训练样本和预测指标集的具体内容有所不同,其余实现过程完全可以参照图2所示实施例实现,此处不再展开。
本发明实施例提供的充电站管理方法,在图1所示实施例的基础上,还可以根据实际的管理效果,进行运行状态预测模型的更新,进而确保预测结果的准确性,确定更好的管理效果。
可选的,图4为本发明实施例提供的服务器的结构框图,参见图4所示,可以包括:至少一个处理器100,至少一个通信接口200,至少一个存储器300和至少一个通信总线400;
在本发明实施例中,处理器100、通信接口200、存储器300、通信总线400的数量为至少一个,且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信;显然,图4所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的;
可选的,通信接口200可以为通信模块的接口,如GSM模块的接口;
处理器100可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300,存储有应用程序,可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,处理器100具体用于执行存储器内的应用程序,以实现上述所述的充电站管理方法的任一实施例。
可选的,本发明实施例还提供一种充电站,包括:多个充电桩和上述实施例提供的服务器,其中,
所述服务器分别与各所述充电桩通讯连接。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种充电站管理方法,其特征在于,包括:
获取预测指令,所述预测指令包括目标充电站和预测时刻;
响应所述预测指令,获取所述目标充电站的预测指标集中各预测指标的当前指标值;
分别将各所述当前指标值和所述预测时刻输入运行状态预测模型,得到所述目标充电站的状态预测结果。
2.根据权利要求1所述的充电站管理方法,其特征在于,还包括:获取新增预测指标和新增突发事件;
基于所述新增预测指标和所述新增突发事件更新所述运行状态预测模型。
3.根据权利要求2所述的充电站管理方法,其特征在于,所述基于所述新增预测指标更新所述运行状态预测模型,包括:
按照预设评估规则对所述新增预测指标进行性能评估;
若所述新增预测指标满足预设评估条件,将所述新增预测指标添加至所述预测指标集,得到更新后的预测指标集;
根据所述更新后的预测指标集更新所述运行状态预测模型。
4.根据权利要求1所述的充电站管理方法,其特征在于,训练所述运行状态预测模型的过程,包括:
获取待训练模型、多个训练样本以及与各所述训练样本对应的充电站实际状态;
其中,所述训练样本包括预测指标集中各预测指标的样本值;
分别确定所述待训练模型对各所述训练样本中各样本值的输出结果,到相应的充电站实际状态之间的误差评估指标,得到各所述训练样本对应的误差评估指标;
以各所述训练样本对应的误差评估指标处于预设范围或循环次达到预设阈值为训练目标,调整所述待训练模型的参数,得到运行状态预测模型。
5.根据权利要求4所述的充电站管理方法,其特征在于,所述获取待训练模型包括:
获取预测指标集;
根据所述预测指标集中各预测指标和目标神经网络的网络结构,构建初始网络;
利用预设优化算法对所述初始网络的目标网络参数进行优化,得到待训练模型。
6.根据权利要求5所述的充电站管理方法,其特征在于,所述利用预设优化算法对所述初始网络的目标网络参数进行优化,得到待训练模型,包括:
利用改进粒子群算法MPSO对所述初始网络的目标网络参数进行优化,得到待训练模型。
7.根据权利要求5所述的充电站管理方法,其特征在于,所述获取预测指标集,包括:
获取多个候选指标;
利用预设改进线性判别分析LDA算法对所述多个候选指标进行筛选,得到多个初选指标;
利用主成分分析PCA算法对所述多个初选指标进行筛选,得到包括至少一个预测指标的预测指标集。
8.根据权利要求5所述的充电站管理方法,其特征在于,所述目标神经网络包括长短期记忆LSTM神经网络;
所述目标网络参数包括隐含层神经元、最大迭代次数和初始学习率。
9.根据权利要求7所述的充电站管理方法,其特征在于,所述多个候选指标包括:历史运营信息、当前运行信息、检修信息、环境信息和突发事件信息。
10.根据权利要求1-9任一项所述的充电站管理方法,其特征在于,所述获取预测指令,包括:
获取用户或者运营商输入的预测指令。
11.一种服务器,其特征在于,包括:存储器和处理器;所述存储器存储有适于所述处理器执行的程序,以实现权利要求1至10任一项所述的充电站管理方法。
12.一种充电站,其特征在于,包括:多个充电桩和权利要求11所述的服务器,其中,
所述服务器分别与各所述充电桩通讯连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690107.3A CN113379139A (zh) | 2021-06-22 | 2021-06-22 | 一种充电站管理方法及其应用装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690107.3A CN113379139A (zh) | 2021-06-22 | 2021-06-22 | 一种充电站管理方法及其应用装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379139A true CN113379139A (zh) | 2021-09-10 |
Family
ID=77578334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690107.3A Pending CN113379139A (zh) | 2021-06-22 | 2021-06-22 | 一种充电站管理方法及其应用装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379139A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023695A1 (de) * | 2011-08-17 | 2013-02-21 | Siemens Aktiengesellschaft | Ladestation |
DE102017212302A1 (de) * | 2017-07-18 | 2019-01-24 | Bender Gmbh & Co. Kg | Ladestation mit Differenzstromüberwachung zum Aufladen eines elektrischen Energiespeichers eines Elektrofahrzeugs |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN112819576A (zh) * | 2021-01-27 | 2021-05-18 | 北京百度网讯科技有限公司 | 充电站推荐模型的训练方法、装置、及充电站的推荐方法 |
CN112862183A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 充电难度的预测方法、模型的训练方法、装置以及设备 |
CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
-
2021
- 2021-06-22 CN CN202110690107.3A patent/CN113379139A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013023695A1 (de) * | 2011-08-17 | 2013-02-21 | Siemens Aktiengesellschaft | Ladestation |
DE102017212302A1 (de) * | 2017-07-18 | 2019-01-24 | Bender Gmbh & Co. Kg | Ladestation mit Differenzstromüberwachung zum Aufladen eines elektrischen Energiespeichers eines Elektrofahrzeugs |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN112819576A (zh) * | 2021-01-27 | 2021-05-18 | 北京百度网讯科技有限公司 | 充电站推荐模型的训练方法、装置、及充电站的推荐方法 |
CN112862183A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 充电难度的预测方法、模型的训练方法、装置以及设备 |
Non-Patent Citations (1)
Title |
---|
张曦予;张淼鑫;: "基于ARMA时间序列的电动汽车充电站运行状态预测及充电功率需求模型", 电气应用, no. 21, pages 55 - 61 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
CN110491124B (zh) | 一种车辆流量预测方法、装置、设备及存储介质 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
CN108989092B (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN110046986A (zh) | 基于大数据的借款逾期客户分群方法及装置 | |
CN112348663A (zh) | 一种信用风险评估方法、装置、计算机设备及存储介质 | |
KR102615145B1 (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN112838247A (zh) | 燃料电池系统功率模型预测计算方法、装置、介质及设备 | |
CN114387024A (zh) | 基于Mamdani算法的电商复购行为的用户分析系统 | |
CN113379139A (zh) | 一种充电站管理方法及其应用装置 | |
CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 | |
CN116880867A (zh) | 基于策略大模型的决策引擎更新方法及装置 | |
CN111598275B (zh) | 一种电动汽车信用分评测方法、装置、设备和介质 | |
CN113792945B (zh) | 一种营运车辆的派遣方法、装置、设备及可读存储介质 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN114358394A (zh) | 特征指标筛选方法、满意度预测模型构建方法及预测方法 | |
CN110516845A (zh) | 一种续航里程预测方法及装置 | |
CN117172516B (zh) | 充电桩动态调度决策方法、装置、设备及存储介质 | |
CN118247951A (zh) | 路况识别方法、装置及电子设备 | |
CN116956170A (zh) | 行为预测方法、装置、电子设备和存储介质 | |
CN118134288A (zh) | 一种基于高斯模型的群集电动车灵活性刻画方法及系统 | |
CN118311435A (zh) | 动力电池退役量预测方法、装置、设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221220 Address after: Room 214-49, Block B, Phase III (South District), Huguang Road Independent Innovation Industrial Base, Shushan New Industrial Park, Shushan District, Hefei City, Anhui Province, 230088 Applicant after: Hefei Zero Carbon Technology Co.,Ltd. Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province Applicant before: SUNGROW POWER SUPPLY Co.,Ltd. |