CN113978303B - 一种电动汽车的充电方法和系统 - Google Patents
一种电动汽车的充电方法和系统 Download PDFInfo
- Publication number
- CN113978303B CN113978303B CN202111356150.2A CN202111356150A CN113978303B CN 113978303 B CN113978303 B CN 113978303B CN 202111356150 A CN202111356150 A CN 202111356150A CN 113978303 B CN113978303 B CN 113978303B
- Authority
- CN
- China
- Prior art keywords
- charging
- vehicle
- vehicles
- power
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 description 11
- 238000012417 linear regression Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
-
- 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
Abstract
本说明书实施例公开了一种电动汽车的充电方法和系统。其中,该方法包括:获取至少一个时间段的电网供电预测和其它用电预测;对于每个时间点时间段,基于电网供电预测和其它用电预测,确定充电容量;获取各个时间段的电动汽车的充电需求预测;基于各个时间段的充电需求预测及充电容量确定对应的电动汽车充电的电价及充电功率。
Description
技术领域
本发明涉及电动汽车领域,特别涉及一种电动汽车的充电方法和系统。
背景技术
电动汽车是指以车载电源为动力,用电机驱动车轮行驶,符合道路交通、安全法规各项要求的车辆。电动汽车充电行为具有时空分布随机性,大量电动汽车接入电网时,会对电力系统的安全稳定运行产生较大的不利影响,增大了对电网安全运行的管理难度,同时可能引起变压器过载、网络损耗增大和电能质量下降等相关问题。
因此,需要提供一种电动汽车的充电方法和系统,用于对电动汽车充电进行管理。
发明内容
本说明书实施例之一提供一种电动汽车的充电方法。所述电动汽车的充电方法可以包括:获取至少一个时间段的电网供电预测和其它用电预测;对于每个所述时间段,基于所述电网供电预测和所述其它用电预测,确定充电容量;获取电动汽车的充电需求预测;基于所述充电需求预测及所述充电容量确定电动汽车充电的电价及充电功率。
本说明书实施例之一提供一种电动汽车的充电系统。所述电动汽车的充电系统可以包括:预测数据获取模块,用于获取至少一个时间段的电网供电预测和其它用电预测:充电信息确定模块,用于基于每个所述时间段的所述电网供电预测和所述其它用电预测,确定对应的充电容量;获取每个所述时间段的电动汽车的充电需求预测;基于每个时间段的所述充电需求预测及所述充电容量确定对应的电动汽车的充电的电价及充电功率。
一种电动汽车的充电装置,包括处理器,所述处理器用于执行上述的电动汽车的充电方法。
一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述的电动汽车的充电方法。
附图说明
图1是根据本说明书一些实施例所示的电动汽车的充电系统的应用场景示意图;
图2是根据本说明书一些实施例所示的电动汽车的充电方法的示例性流程图;
图3是根据本说明书一些实施例所示的基于历史充电数据获取电动汽车的充电需求预测的示例性流程图;
图4是根据本说明书一些实施例所示的确定第一组车辆需求和第二组车辆需求的示例性流程图;
图5是根据本说明书一些实施例所示的基于机器学习模型确定充电需求预测的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
电动汽车是指以车载电源为动力,用电机驱动车轮行驶,符合道路交通、安全法规各项要求的车辆。
电动汽车充电行为具有时空分布随机性,大量电动汽车接入电网时,会对电力系统的安全稳定运行产生较大的不利影响,增大了对电网安全运行的管理难度,同时可能引起变压器过载、网络损耗增大和电能质量下降等相关问题。
因此,需要对电动汽车的充电进行管理,避免大量电动汽车的充电行为造成负荷高峰,引导电动汽车有序充电。
图1是根据本说明书一些实施例所示的电动汽车的充电系统的应用场景示意图。
如图1所示,电动汽车的充电系统100可以包括服务器110、网络120、用户端130和存储设备140。
服务器110可以用于处理来自电动汽车的充电系统100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。例如,服务器110可以获取至少一个时间段的电网供电预测和其它用电预测。又例如,服务器110可以基于每个时间段的电网供电预测和其它用电预测,确定对应的充电容量;获取每个时间段的电动汽车的充电需求预测;基于每个时间段的充电需求预测及充电容量确定对应的电动汽车的充电的电价及充电功率。在处理过程中,服务器110可以从存储设备140获取数据(如指令)或将数据(例如,电网供电预测和其它用电预测)保存到存储设备140,也可以通过网络120从用户端130等其他来源读取数据(例如,历史充电数据)或将数据(例如,电动汽车充电的电价及充电功率)输出至用户端130。
网络120可以连接电动汽车的充电系统100的各组成部分和/或连接电动汽车的充电系统100与外部部分。网络120使得电动汽车的充电系统100的各组成部分之间,和/或电动汽车的充电系统100与外部部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。
用户端130可以实现用户和电动汽车的充电系统100之间的交互。在一些实施例中,服务器110可以通过网络120与用户端130通信,并将电动汽车充电的电价及充电功率发送到用户端130。在一些实施例中,用户端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、其他具有输入和/或输出功能的设备等或其任意组合。上述示例仅用于说明用户端130设备范围的广泛性而非对其范围的限制。
存储设备140可以用于存储数据(例如,历史充电数据等)和/或指令。存储设备140可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备140可以集成或包括在电动汽车的充电系统100的一个或多个其他组件(例如,服务器110、用户端130或其他可能的组件)中。
在一些实施例中,服务器110可以包括预测数据获取模块及充电信息确定模块。
预测数据获取模块可以用于获取至少一个时间段的电网供电预测和其它用电预测。
充电信息确定模块可以用于基于每个时间段的电网供电预测和其它用电预测,确定对应的充电容量;获取每个时间段的电动汽车的充电需求预测;基于每个时间段的充电需求预测及充电容量确定对应的电动汽车的充电的电价及充电功率。
在一些实施例中,充电信息确定模块还可以用于获取历史充电数据,并基于历史充电数据确定充电需求预测。
在一些实施例中,充电需求预测可以包括第一组车辆需求和第二组车辆需求。在一些实施例中,充电信息确定模块还可以用于基于第一组车辆的车辆状态信息确定第一组车辆需求,并基于第二组车辆的车辆相关信息确定第二组车辆需求。
在一些实施例中,车辆状态信息还可以包括位置信息。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图1中披露的预测数据获取模块及充电信息确定模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的电动汽车的充电方法200的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由电动汽车的充电系统100执行。下面呈现的流程200的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图2中示出的和下面描述的流程200的操作的顺序不旨在是限制性的。
步骤210,获取至少一个时间段的电网供电预测和其它用电预测。在一些实施例中,步骤210可以由预测数据获取模块执行。
时间段为某个特定的时间区间,时间段可以由多个连续的时间点组成。在一些实施例中,一个时间段可以为某几天、某几个月等。示例地,2030年3月5日至2030年3月10日。又示例地,2030年3月至2030年4月。
在一些实施例中,时间段是指当前时间之后的时间段,换言之,时间段是未来的时间段。
在一些实施例中,预测数据获取模块可以从电动汽车的充电系统100的一个或以上组件(例如,用户端130、存储设备140等)或经由网络120从外部源(例如,数据库)获得至少一个时间段。
电网供电预测可以为电力系统在某个时间段可以提供给某个区域(例如,A城市,B小区附近3km范围内等)中的用电设备使用的电能预测,其中,用电设备可以包括用于给电动汽车充电的充电桩。
在一些实施例中,预测数据获取模块可以从电动汽车的充电系统100的一个或以上组件(例如,用户端130、存储设备140等)或经由网络120从外部源(例如,数据库)获得电网供电预测。
在一些实施例中,预测数据获取模块还可以基于固定预测表获取电网供电预测。固定预测表可以为记录有一个时间周期的电网供电预测的表格,其中,时间周期可以包括至少一个时间点,例如,时间周期可以为一天或几天、一个或几个月、一个或几个季度、一年或几年等。
在一些实施例中,固定预测表中可以包括至少一个时间段电网供电预测最高值、最低值及平均值。
在一些实施例中,预测数据获取模块可以基于最高值、最低值及平均值确定电网供电预测。例如,预测数据获取模块可以将最高值、最低值或平均值中的一个作为电网供电预测。还例如,预测数据获取模块可以将最高值、最低值或平均值加权平均后的结果作为电网供电预测。
在一些实施例中,预测数据获取模块可以基于第一预设规则选择固定预测表。在一些实施例中,第一预设规则可以表征所需预测的时间段与固定预测表对应关系。在一些实施例中,第一预设规则可以与所需预测的时间段的相关信息有关,其中,相关信息可以包括所需预测的时间段所属季度、所属月份、温度范围等。例如,四个固定预测表可以分别对应四个季度,第一预设规则可以为根据所需预测的时间段获取对应的固定预测表,所需预测的时间段属于第一季度,则预测数据获取模块可以基于预设规则获取属于第一季度的固定预测表,并基于该固定预测表确定电网供电预测。
其他用电预测可以为较为固定的中长期负荷在某个时间段的用电预测。例如,居民用电的预测、商业用电的预测以及工业用电的预测等。
在一些实施例中,预测数据获取模块可以从电动汽车的充电系统100的一个或以上组件(例如,用户端130、存储设备140等)或经由网络120从外部源(例如,数据库)获得其它用电预测。
步骤220,基于每个时间段对应的电网供电预测和其它用电预测,确定对应的充电容量。在一些实施例中,步骤220可以由充电信息确定模块执行。
充电容量可以为电力系统在某个时间段可以提供给某个区域(例如,A城市)中的电动汽车充电的电能。其中,充电容量对应的区域与电网供电预测对应的区域为同一区域。
在一些实施例中,可以基于每个时间段对应的电网供电预测和其它用电预测,确定对应的充电容量。在一些实施例中,预测数据获取模块可以将电网供电预测和其它用电预测的差值作为充电容量。在一些实施例中,预测数据获取模块还可以基于如下公式计算充电容量:
X=Y-a*Z;
其中,X为充电容量,Y为电网供电预测,a为其它用电预测的系数,Z为其它用电预测。
步骤230,获取每个时间段对应的充电需求预测。在一些实施例中,步骤230可以由充电信息确定模块执行。
充电需求预测可以为对应于某个时间段在某个区域(例如,A城市)的电动汽车的充电需求的预测,其中,充电需求预测对应的区域与电网供电预测对应的区域为同一区域。在一些实施例中,充电需求预测可以包括充电所需电量、充电车数和预测功率等,其中,充电所需电量可以为该区域中所有需要充电的电动汽车所需电能之和;充电车数为在该时间段该区域内需要进行充电的电动汽车的数量;预测功率为电动汽车充电时功率。
在一些实施例中,充电信息确定模块可以从电动汽车的充电系统100的一个或以上组件(例如,用户端130、存储设备140等)或经由网络120从外部源(例如,数据库)获得充电需求预测。
在一些实施例中,充电信息确定模块还可以基于图3的方式通过历史充电数据获取电动汽车的充电需求预测。
在一些实施例中,充电需求预测可以包括第一组车辆需求和第二组车辆需求,充电信息确定模块可以基于图4的方式,通过历史充电数据获取第一组车辆需求和第二组车辆需求。
步骤240,基于每个时间段对应的充电需求预测及充电容量,确定电动汽车充电的电价及充电功率。在一些实施例中,步骤240可以由充电信息确定模块执行。
电价可以为电动汽车进行充电的单价。例如,0.8594元/度等。
充电功率可以为对电动汽车进行充电的效率。例如,5度/小时等。
在一些实施例中,充电信息确定模块可以基于充电需求预测及充电容量确定电动汽车充电的电价及充电功率。在一些实施例中,充电信息确定模块可以基于充电容量、充电所需电量、充电车数和预测功率中的至少一个确定电动汽车充电的电价及充电功率。在一些实施例中,充电信息确定模块可以基于充电所需电量及充电容量的差值确定电动汽车充电的电价及充电功率。例如,充电所需电量及充电容量的差值越大,充电信息确定模块可以将电动汽车充电的电价设置得越高,并充电功率设置得越低。在一些实施例中,充电信息确定模块可以基于充电容量、充电车数确定电动汽车充电的电价及充电功率。例如,充电容量越小、充电车数越多,充电信息确定模块可以将电动汽车充电的电价设置得越高,并充电功率设置得越低。在一些实施例中,充电信息确定模块可以将预测功率作为充电功率。在一些实施例中,充电信息确定模块还可以基于充电所需电量及充电容量对预测功率进行调整,以确定充电功率。例如,当充电容量大于充电所需电量时,将预测功率降低(例如,降低25%)作为充电功率。
在一些实施例中,充电信息确定模块可以通过预设公式或者模型确定电价或充电功率。例如,预设电价和充电功率分别与充电容量、充电车数和预测功率之间的关系的公式。
图3是根据本说明书一些实施例所示的基于历史充电数据获取电动汽车的充电需求预测的示例性流程图。如图3所示,流程300包括下述步骤。
步骤310,获取历史充电数据。在一些实施例中,步骤310可以由充电信息确定模块执行。
历史充电数据是历史时间段的充电数据。历史时间段是当前时间之前的时间段。在一些实施例中,历史时间段可以是当前时间之前预设时间范围内的时间段。例如,当前是12:00,历史时间段可以是09:00-10:00,10:00-11:00,11:00-12:00等。
历史充电数据可以为与电动汽车在至少一个历史时间段充电相关的数据。在一些实施例中,历史充电数据可以包括至少一个历史时间段的车辆数量、车电容量、日期类型、天气信息、充电车数、充电功率等,其中,车辆数量可以为在该历史时间段充电需求预测对应的区域内的电动汽车的数量;车电容量可以为在该历史时间段充电需求预测对应的区域内的每辆车的电池容量;日期类型可以为该历史时间段对应的类型(例如,工作日、节假日等);天气信息可以为与该历史时间段的天气相关的信息,例如,温度、阴晴雨雪状态、风力等;充电车数可以为在该历史时间段充电需求预测对应的区域内的进行充电的电动汽车的车辆数;充电功率可以为在该历史时间段充电需求预测对应的区域内的电动汽车进行充电的功率。
在一些实施例中,充电信息确定模块可以从电动汽车的充电系统100的一个或以上组件(例如,用户端130、存储设备140等)或经由网络120从外部源(例如,数据库)获得历史充电数据。在一些实施例中,充电数量还可以通过识别监控摄像头中的图像确定。车电容量可以通过识别图像中车辆型号确定。
步骤320,基于所述历史充电数据确定所述充电需求预测。在一些实施例中,步骤320可以由充电信息确定模块执行。
在一些实施例中,充电信息确定模块可以基于多元线性回归方程组确定充电需求预测。其中,多元线性回归方程组的自变量可以包括某个历史时间段的车辆数量、车电容量、日期类型(例如,工作日、节假日等)、天气信息等,多元线性回归方程组的因变量可以包括某个历史时间段的充电车数和预测功率。
在一些实施例中,充电信息确定模块可以通过最小二乘法等求解多元线性回归方程组。
为了通过拟合确定某个未来时间段的充电数量和预测功率,拟合用的是该未来时间段之前临近的车辆数量、车电容量、日期类型(例如,工作日、节假日等)、天气信息等。
在一些实施例中,通过多元线性回归拟合确定充电需求预测,建立了两组变量间(即,自变量组和因变量组)的线性因果关系,便于获取不同时间段的充电需求预测。
在一些实施例中,结合图5,充电信息确定模块可以通过第一模型确定充电车数和预测功率,在一些实施例中,第一模型的输入可以为多个历史时间段的车辆数量、车电容量、日期类型(例如,工作日、节假日等)、天气信息,第一模型的输出可以为未来时间段的充电车数和预测功率。该多个历史时间段是该未来时间段之前临近的多个时间段。
在一些实施例中,第一模型类型可以是LSTM(Long Short-Term Memory)模型等。
在一些实施例中,充电信息确定模块可以基于历史充电数据生成训练集,对第一模型进行训练,训练集包括多组样本,每组样本可以包括多个样本历史时间段的车辆数量、车电容量、日期类型、天气信息等;样本的标签可以包括多个样本时间段之后的某个时间段的充电车数、预测功率等。
在一些实施例中,通过历史充电数据确定充电车数和预测功率,使得获取的充电车数和预测功率更符合实际需求。更进一步地,基于第一模型确定充电车数和预测功率,提高了确定充电车数和预测功率的准确度。
图4是根据本说明书一些实施例所示的确定第一组车辆需求和第二组车辆需求的示例性流程图。如图4所示,流程400包括下述步骤。
步骤410,基于第一组车辆的车辆状态信息确定第一组车辆需求。在一些实施例中,步骤410可以由充电信息确定模块执行。
对于每个时间段前述区域,其存在对应的电动汽车辆。电动汽车辆可以分第一组车辆和第二组车辆,第一组车辆与系统100相连,系统100可以获取其状态信息。第二组车辆未与系统100相连,系统100无法获取其状态信息。每个时间段前述区域存在第一组车辆和第二组车辆,第一组车辆由第一车辆构成,第二组车辆由第二车辆构成。
车辆状态信息是指车辆相关的信息,包括:车辆电池相关信息、车辆位置相关信息、车辆行驶参数信息等。第一组车辆的车辆状态信息为第一组车辆中每个第一车辆的状态信息。在一些实施例中,车辆电池相关信息可以包括电动汽车的车电容量、当前剩余电量等。车辆位置相关信息包括车辆当前位置等。车辆行驶参数信息包括行驶速度等。
在一些实施例中,充电信息确定模块还可以获取第一组车辆的其他信息,比如,车辆数量等。
第一组车辆需求可以为对应于某个未来的时间段第一组车辆的充电需求的预测,例如,第一组车辆充电所需电能、第一组车辆的充电车数和第一组车辆的预测功率等。
在一些实施例中,充电信息确定模块可以基于第一组车辆中电动汽车的车辆电池相关信息确定第一组车辆需求。
例如,充电信息确定模块可以将基于电动汽车当前剩余电量是否小于剩余电量预设阈值,确定是否进行充电,小于剩余电量预设阈值则需要充电,从而确定第一组车辆的充电车数。又例如,充电信息确定模块可以基于需要充电的电动汽车需要充的电量之和作为第一组车辆充电所需电能,其中,电动汽车需要充的电量为电动汽车的车电容量与其当前剩余电量的差值。又例如,充电确定模块可以基于需要充电的电动汽车需要充电的电量,确定相应的子预测功率,进一步基于部分或者全部子充电功率确定第一组车辆的充电功率。如,充电功率为平均子充电功率与预设系数(如,2、3等)相乘。
在一些情况下(例如,驾驶环境的风阻较大、驾驶环境的温度较低、道路较不平坦、电动汽车负载较大等),电动汽车行驶过程中,消耗功率会更大,因此,在一些实施例中,为了更加准确地确定第一组车辆需求,充电信息确定模块在确定电动汽车是否需要充电时,可以对当前剩余电量进行变换。例如,充电信息确定模块可以先将每辆电动汽车的当前剩余电量乘以系数(例如,0.8),再判断乘积结果是否小于剩余电量预设阈值(例如,15kwh),若是,则将该电动汽车作为需要进行充电的电动汽车。该系数可以基于经验统计的得到。
在一些实施例中,充电信息确定模块还可以结合车辆电池相关信息和车辆位置相关信息,确定第一组车辆需求。
存在电动汽车的剩余电量无法支持电动汽车移动至充电桩进行充电的情况以及前述说的用户因为一些原因不会在该时间段进行充电,因此,为了更加准确地确定第一组车辆需求,避免第一组车辆中不会进行充电的电动汽车和无法进行充电的电动汽车带来的误差,在一些实施例中,充电信息确定模块可以基于电动汽车的当前剩余电量及其位置信息确定需要进行第一组车辆中需要充电的电动汽车。在一些实施例中,充电信息确定模块可以将电动汽车的当前剩余电量乘以系数(例如,0.8),判断乘积结果是否小于剩余电量预设阈值(例如,15kwh),并基于该电动汽车的位置信息获取该电动汽车与其对应的充电桩之间的距离,判断距离是否小于距离预设阈值(例如,10公里),充电信息确定模块可以将乘积结果小于剩余电量预设阈值(例如,15kwh)且距离小于距离预设阈值(例如,10公里)的电动汽车作为需要充电的电动汽车。在一些实施例中,充电信息确定模块可以将与电动汽车距离最近的充电桩作为该电动汽车对应的充电桩。在一些实施例中,可以预先设置有电动汽车与充电桩的对应关系,其中,一个充电桩可以对应有至少一辆电动汽车,需要进行充电时,电动汽车需要使用对应的充电桩进行充电,充电信息确定模块可以获取预先设置的电动汽车与充电桩的对应关系以查找与电动汽车对应的充电桩。在确定了需要充电的电动汽车基础上,可以类似于前面的方法确定第一车辆需求中的充电车数、预测功率等。
在一些实施例中,充电信息确定模块可以基于电动汽车的当前剩余电量确定距离预设阈值。例如,当剩余电量越多时,充电信息确定模块可以将距离预设阈值设置得更大。示例地,当剩余电量为30%时,充电信息确定模块可以将预设距离阈值设置为15公里;当剩余电量为50%时,充电信息确定模块可以将预设距离阈值设置为30公里。
在一些实施例中,充电信息确定模块还可以通过第二模型确定第一组车辆需求。第二模型为机器学习模型。在一些实施例中,第二模型的输入可以为第一组车辆中每个第一车辆的车辆状态信息,具体包括,车辆电池相关信息和车辆位置相关信息;输出可以为第一组车辆的充电车数和第一组车辆的预测功率。
在一些实施例中,为了得到某个未来时间段的第一组车辆需求,输入可以该未来时间段之前多个历史时间段第一组车辆的车辆状态信息。换言之,第二模型输入的是未来时间段之前多个历史时间段第一组车辆的车辆状态信息,输出的是该未来时间段第一组车辆的充电车数和第一组车辆的预测功率。
在一些实施例中,第二模型的类型可以是RNN、LSTM等。
在一些实施例中,该第二模型可以通过多组训练样本训练得到。每组训练样本包括多个样本历史时间段样本第一组车辆的车辆状态信息,标签为该多个样本历史时间段之后的时间段样本第一组车辆的充电车数和预测功率。
在一些实施例中,充电信息确定模块可以基于第一模型确定第一组车辆需求。关于第一模型参见图3及其相关描述。具体的,将未来时间段之前多个历史时间段的第一组车辆的车辆数量、车电容量、日期类型(例如,工作日、节假日等)、天气信息输入第一模型,输出该未来时间段第一组车辆的充电车数和预测功率。
在一些实施例中,为了进一步提高预测的第一组车辆需求的准确度,充电信息确定模块可以将第一模型和第二模型确定的第一组车辆需求进行融合,得到最终的第一组车辆需求。融合可以包括平均、加权平均等。通过将第一模型和第二模型确定的第一组车辆需求进行融合,能够有效减少误差,使得最终确定第一组车辆需求更符合第一组车辆的实际需求。
车辆相关信息可以为与第二组车辆中的电动汽车相关的信息。例如,车辆数量、车电容量等。在一些实施例中,充电信息确定模块可以基于获取的整个车辆数量和第一组车辆中车辆的数量,确定第二组车辆的车辆数量。如前所述,可以通过图像识别车辆型号确定车辆的车电容量。
第二组车辆需求可以为对应于某个未来的时间段在第二组车辆的充电需求的预测,例如,第二组车辆的充电车数和第二组车辆的预测功率等。
在一些实施例中,充电信息确定模块可以基于第二组车辆的车辆相关信息确定第二组车辆需求。
在一些实施例中,充电信息确定模块可以基于车辆数量和车电容量按照预设规则确定第二组车辆的充电车数和第二组车辆的预测功率,其中,预设规则可以表征车辆数量和车电容量和第二组需求预测之间的对应关系。在一些实施例中,预设规则可以包括基于车辆数量确定充电车数。例如,预设规则可以为将车辆数量的一部分(例如,80%)作为充电车数。在一些实施例中,预设规则可以包括基于车电容量确定预测功率。例如,预设规则可以为:预测功率=车电容量/时间段。
在一些实施例中,充电信息确定模块可以基于多元线性回归方程组确定第二组需求。其中,多元线性回归方程组的自变量可以为第二组车辆的车辆数量和车电容量,多元线性回归方程组的因变量可以为第二组车辆中的充电车数和第二组车辆的预测功率。在一些实施例中,充电信息确定模块可以通过最小二乘法等求解多元线性回归方程组。
在一些实施例中,充电信息确定模块可以基于图3中描述的第一模型确定第二组需求。
在一些实施例中,充电信息确定模块还可以将基于预设规则确定的第二组车辆的充电车数和第二组车辆的预测功率、基于多元线性回归拟合确定的第二组车辆的充电车数和第二组车辆的预测功率及基于机器学习模型确定的第二组车辆的充电车数和第二组车辆的预测功率进行融合,确定最终的第二组车辆的充电车数和第二组车辆的预测功率。融合的方式可以是加权求和、求平均等。
在一些实施例中,充电信息确定模块可以基于第一组车辆需求和第二组车辆需求确定充电需求预测。在一些实施例中,充电信息确定模块可以基于第一组车辆的充电车数和第二组车辆的充电车数确定时间段的充电车数。例如,充电信息确定模块可以将第一组车辆的充电车数和第二组车辆的充电车数加权求和的结果作为该时间段的充电车数。在一些实施例中,充电信息确定模块可以基于第一组车辆的预测功率和第二组车辆的预测功率确定时间段的预测功率。例如,充电信息确定模块可以将第一组车辆的预测功率和第二组车辆的预测功率中的较大值作为该时间段的预测功率。还例如,充电信息确定模块可以将第一组车辆的预测功率和第二组车辆的预测功率加权求和的结果作为该时间段的预测功率。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种电动汽车的充电方法,其特征在于,包括:
获取至少一个时间段的电网供电预测和其它用电预测;
对于每个所述时间段,
基于所述电网供电预测和所述其它用电预测,确定充电容量;
获取电动汽车的充电需求预测;
基于所述充电需求预测及所述充电容量确定电动汽车充电的电价及充电功率;
其中,所述充电需求预测包括第一组车辆需求,所述第一组车辆需求包括第一组车辆的充电车数和预测功率;
所述获取电动汽车的充电需求预测,包括:
基于未来时间段之前多个历史时间段的所述第一组车辆的车辆数量、车电容量、日期类型和天气信息,通过第一模型确定该未来时间段所述第一组车辆的所述充电车数和所述预测功率;
基于所述未来时间段之前多个历史时间段的所述第一组车辆中每个第一车辆的车辆状态信息,通过第二模型确定所述第一组车辆的所述充电车数和所述预测功率;所述车辆状态信息包括车辆电池相关信息和车辆位置相关信息;
将所述第一模型和所述第二模型确定的所述第一组车辆需求进行融合,确定所述第一组车辆需求。
2.根据权利要求1所述的一种电动汽车的充电方法,其特征在于,所述获取电动汽车的充电需求预测,包括:
获取历史充电数据;
基于所述历史充电数据确定所述充电需求预测。
3.根据权利要求1所述的方法,其特征在于,所述充电需求预测还包括第二组车辆需求;
所述获取电动汽车的充电需求预测,包括:
基于第二组车辆的车辆相关信息确定所述第二组车辆需求。
4.一种电动汽车的充电系统,其特征在于,包括:
预测数据获取模块,用于获取至少一个时间段的电网供电预测和其它用电预测;
充电信息确定模块,用于基于每个所述时间段的所述电网供电预测和所述其它用电预测,确定对应的充电容量;获取每个所述时间段的电动汽车的充电需求预测;基于每个时间段的所述充电需求预测及所述充电容量确定对应的电动汽车的充电的电价及充电功率;
其中,所述充电需求预测包括第一组车辆需求,所述第一组车辆需求包括第一组车辆的充电车数和预测功率;
所述充电信息确定模块,还用于基于未来时间段之前多个历史时间段的所述第一组车辆的车辆数量、车电容量、日期类型和天气信息,通过第一模型确定该未来时间段所述第一组车辆的所述充电车数和所述预测功率;基于所述未来时间段之前多个历史时间段的所述第一组车辆中每个第一车辆的车辆状态信息,通过第二模型确定所述第一组车辆的所述充电车数和所述预测功率;所述车辆状态信息包括车辆电池相关信息和车辆位置相关信息;将所述第一模型和所述第二模型确定的所述第一组车辆需求进行融合,确定所述第一组车辆需求。
5.根据权利要求4所述的一种电动汽车的充电系统,其特征在于,所述充电信息确定模块还用于:
获取历史充电数据;
基于所述历史充电数据确定所述充电需求预测。
6.根据权利要求4所述的一种电动汽车的充电系统,其特征在于,所述充电需求预测还包括第二组车辆需求;
所述充电信息确定模块还用于:
基于第二组车辆的车辆相关信息确定所述第二组车辆需求。
7.一种电动汽车的充电装置,包括处理器,所述处理器用于执行如权利要求1~3中任一项所述的电动汽车的充电方法。
8.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~3中任一项所述的电动汽车的充电方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356150.2A CN113978303B (zh) | 2021-11-16 | 2021-11-16 | 一种电动汽车的充电方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111356150.2A CN113978303B (zh) | 2021-11-16 | 2021-11-16 | 一种电动汽车的充电方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113978303A CN113978303A (zh) | 2022-01-28 |
CN113978303B true CN113978303B (zh) | 2023-10-27 |
Family
ID=79748837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111356150.2A Active CN113978303B (zh) | 2021-11-16 | 2021-11-16 | 一种电动汽车的充电方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113978303B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2910404A1 (en) * | 2014-02-25 | 2015-08-26 | ABB Technology AG | Self-managing charging poles |
CN106532686A (zh) * | 2016-11-09 | 2017-03-22 | 国网山东省电力公司济南供电公司 | 基于电动汽车充电配置的片区配电网负荷预测方法 |
CN110774929A (zh) * | 2019-10-25 | 2020-02-11 | 上海电气集团股份有限公司 | 一种电动汽车有序充电的实时控制策略及优化方法 |
CN111422094A (zh) * | 2020-03-11 | 2020-07-17 | 国网辽宁省电力有限公司大连供电公司 | 分布式充电桩的充放电协调优化控制方法 |
CN111497671A (zh) * | 2020-04-23 | 2020-08-07 | 国网安徽省电力有限公司合肥供电公司 | 基于车牌自动识别与引导的电动汽车有序充电方法与系统 |
CN113147482A (zh) * | 2020-01-07 | 2021-07-23 | 北京科东电力控制系统有限责任公司 | 一种电动汽车有序充电优化方法及系统 |
-
2021
- 2021-11-16 CN CN202111356150.2A patent/CN113978303B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2910404A1 (en) * | 2014-02-25 | 2015-08-26 | ABB Technology AG | Self-managing charging poles |
CN106532686A (zh) * | 2016-11-09 | 2017-03-22 | 国网山东省电力公司济南供电公司 | 基于电动汽车充电配置的片区配电网负荷预测方法 |
CN110774929A (zh) * | 2019-10-25 | 2020-02-11 | 上海电气集团股份有限公司 | 一种电动汽车有序充电的实时控制策略及优化方法 |
CN113147482A (zh) * | 2020-01-07 | 2021-07-23 | 北京科东电力控制系统有限责任公司 | 一种电动汽车有序充电优化方法及系统 |
CN111422094A (zh) * | 2020-03-11 | 2020-07-17 | 国网辽宁省电力有限公司大连供电公司 | 分布式充电桩的充放电协调优化控制方法 |
CN111497671A (zh) * | 2020-04-23 | 2020-08-07 | 国网安徽省电力有限公司合肥供电公司 | 基于车牌自动识别与引导的电动汽车有序充电方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113978303A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2566596B (en) | Aggregating energy resources | |
Zhang et al. | A Monte Carlo simulation approach to evaluate service capacities of EV charging and battery swapping stations | |
US11535122B2 (en) | Power cell tracking and optimization system | |
US20230251324A1 (en) | Systems and methods for determining vehicle battery health | |
CN111861075B (zh) | 一种资源配置方法、资源配置装置及可读存储介质 | |
Zhang et al. | An improved adaptive equivalent consumption minimization strategy for parallel plug-in hybrid electric vehicle | |
Chiş et al. | Scheduling of plug-in electric vehicle battery charging with price prediction | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
Yao et al. | Simulation-based optimization framework for economic operations of autonomous electric taxicab considering battery aging | |
Subramanian et al. | A bilevel conic optimization model for routing and charging of EV fleets serving long distance delivery networks | |
CN115081781A (zh) | 蓄电池的信息系统以及信息提供方法 | |
CN113978303B (zh) | 一种电动汽车的充电方法和系统 | |
CN111507554B (zh) | 一种服务资源调度方法、装置、设备及存储介质 | |
Preis et al. | Assessing the incorporation of battery degradation in vehicle-to-grid optimization models | |
US20230303091A1 (en) | Simulation-based optimization framework for controlling electric vehicles | |
Gao et al. | GGlueVaR‐based participation of electric vehicles in automatic demand response for two‐stage scheduling | |
Widmer et al. | Battery health target tracking for HEVs: Closed-loop control approach, simulation framework, and reference trajectory optimization | |
Pelzer | A modular framework for optimizing grid integration of mobile and stationary energy storage in smart grids | |
Englberger | Optimized energy management for battery energy storage via multi-use and multi-storage operation | |
Shekari et al. | Recognition of electric vehicles charging patterns with machine learning techniques | |
CN112560325A (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
Wibisono et al. | Development of Location-Allocation Model of Network Design for Battery Swapping Station and Battery Charging Station Facilities for E-Trike and E-Motorcycle | |
US20240146060A1 (en) | Methods and systems for controlling electric vehicle charging based on power distribution system information | |
EP4160847A1 (en) | Electrical grid system | |
Chauhan et al. | Scheduling of Electric Vehicle’s Charging–Discharging: An Overview |
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 |