CN114103707A

CN114103707A - 基于人工智能与物联网的智慧能源控制方法及系统

Info

Publication number: CN114103707A
Application number: CN202111479544.7A
Authority: CN
Inventors: 王银玲; 于磊; 张亮; 高海宁; 刘文富; 王启; 白柳杨; 沈红丹; 曾建豪
Original assignee: Huanghuai University
Current assignee: Huanghuai University
Priority date: 2021-12-06
Filing date: 2021-12-06
Publication date: 2022-03-01
Anticipated expiration: 2041-12-06
Also published as: CN114103707B

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能与物联网的智慧能源控制方法及系统。该方法为：获取城市中所有充电站的历史充电数据，根据历史充电数据中每个充电站在下一周期的充电量序列；获取城市中任意两个充电站的相关距离；根据相关距离对城市中所有充电站进行聚类得到多个簇；获取每个簇内每个充电站的置信度，进一步得到每个簇对应的总充电量序列；获取每个簇对应的总充电量序列的平均值为标准值，大于标准值的充电量对应的时间段为高峰时段，获取所有高峰时段的溢出量为簇内每个充电站需要储备的电量。有效避免了储能装置中能量过多存在消耗的问题，在节约资源的同时能够缓解每个充电站在高峰时段的充电压力。

Description

基于人工智能与物联网的智慧能源控制方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能与物联网的智慧能源控制方法及系统。

背景技术

随着能源与环保压力的逐步增大以及可再生能源技术的迅猛发展，发展新能源汽车，尤其是纯电动汽车已经是大势所趋。随着电动汽车的普及越来越广泛，电动汽车充电桩也应运而生；而充电站内每天电动汽车的充电量与人们的出行规律息息相关，具有很大的随机性和不确定性。

对于任意一个充电站，在不同的时间段内充电的电动汽车数量不同，那么充电站的充电量也不同，在充电站中充电的高峰期往往会存在充电桩的数量不足的现象，而每辆电动汽车都需要一定的充电时长，因此由于排队时间较长的原因很容易导致充电车主的体验较差。为应对电动汽车充电的随机性，所以电动汽车充电站一般都具有相应的储能装置，在电动汽车充电的低谷时期可安排对储能装置充电，在电动汽车充电的高峰时期可以安排储能装置对电动汽车充电，缓解充电站的充电压力。

而现有的对储能装置进行储存能量时，通常是尽可能的在储能装置中存储电量，在充电高峰时期利用储能设备进行放电，但很容易导致储能装置中的电量过多，在充电站长时间处于低谷时期时，储能装置中的电量会产生非必要的损耗，造成对能源的额外浪费。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能与物联网的智慧能源控制方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能与物联网的智慧能源控制方法，该方法包括以下步骤：

获取城市中所有充电站的历史充电数据，所述历史充电数据包括每个所述充电站的充电量；

获取所述历史充电数据中每个所述充电站在任意时间段内充电量的均值和最大值，根据所述均值和所述最大值预测所述充电站在下一周期对应时间段的充电量，获取所述充电站在下一周期所有时间段的充电量得到充电量序列；

获取所述充电量序列的平均值和方差，根据所述平均值与所述方差的乘积得到所述充电量序列的波动程度；

获取任意两个所述充电站之间的相关距离，所述相关距离是任意两个所述充电站对应的充电量序列之间的相关程度；根据所述相关距离对所述城市中所有所述充电站进行聚类得到多个簇；

获取每个所述簇内任意所述充电站对应的充电量序列与其他所述充电站对应的充电量序列之间的差异程度，根据所述差异程度得到每个所述充电站的置信度；以所述置信度为权重对所述每个所述簇内充电站对应的充电量序列进行加权求和，得到每个所述簇对应的总充电量序列，所述簇内每个所述充电站的充电量序列更新为所述总充电量序列；

获取每个簇对应的所述总充电量序列的平均值为标准值，大于所述标准值的充电量对应的时间段为高峰时段，获取所有所述高峰时段的溢出量，所述溢出量为所述簇内每个所述充电站需要储备的电量。

优选的，所述每个所述充电站的充电量的获取步骤，包括：

获取所述充电站中每个充电桩的充电功率以及充电时长，根据所述充电功率与所述充电时长的乘积获取所述充电桩的充电量；所述充电站内所有所述充电桩的充电量的和为所述充电站的充电量。

优选的，所述根据所述均值和所述最大值预测所述充电站在下一周期对应时间段的充电量的步骤，包括：

对所述均值和所述最大值进行加权求和得到下一周期所述充电站在对应时间段的充电量。

优选的，所述任意两个所述充电站对应的充电量序列之间的相关程度的获取步骤，包括：

获取任意两个所述充电站对应的充电量序列之间波动程度的差值以及两个所述充电站对应充电量序列之间相似度，所述差值与所述相似度的比值为所述相关程度。

优选的，所述获取两个所述充电站对应充电量序列之间相似度的方法为皮尔逊相关法。

优选的，所述置信度与所述差异程度呈负相关关系。

优选的，所述获取所有所述高峰时段的溢出量的步骤，包括：

获取任意所述高峰时段对应充电量与标准值的差值，所有所述高峰时段对应的差值的和为溢出量。

第二方面，本发明另一个实施例提供了一种基于人工智能与物联网的智慧能源控制系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现上述方法的步骤。

本发明具有如下有益效果：本发明实施例中通过获取城市内各个充电站对应的历史充电数据，对每个充电站在下一周期各个时间段的充电量进行预测，得到每个充电站在下一周期的充电量序列；获取城市内任意两个充电站对应的相关程度，进一步根据城市内每两个充电站之间的相关程度进行聚类获取多个簇。获取每个簇内每个充电站的置信度，根据每个充电站对应的置信度和充电量序列得到该簇的总充电量序列，获取每个簇对应的总充电量序列的均值作为标准值，该总充电量序列中充电量大于标准值时对应的时间段为高峰时间，获取所有高峰时段的溢出量即为该簇内每个充电站所需储备的能量有效避免了储能装置中能量过多存在消耗的问题，为每个充电站提供必要的储电需求提醒，以使每个充电站储备适量的电量，在节约资源的同时能够缓解每个充电站在高峰时段的充电压力。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于人工智能与物联网的智慧能源控制的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能与物联网的智慧能源控制方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例适用于电动汽车充电站中对储能设备储存能量的场景，通过获取城市内各个充电站对应的历史充电数据，预测出每个充电站在下一周期的充电量序列；进一步根据城市内任意两个充电站之间的相关程度进行聚类，将所有的充电站划分为多个簇。获取每个簇内每个充电站的置信度，进而得到该簇对应的总充电量序列，根据总充电量序列获取充电量标准值，该总充电量序列中充电量大于标准值时对应的时间段即为高峰时段，获取所有高峰时段的溢出量即为该簇内每个充电站所需储备的能量。有效避免了储能装置中能量过多存在消耗的问题，为每个充电站提供必要的储电需求提醒，以使每个充电站储备适量的电量，在节约资源的同时能够缓解每个充电站在高峰时段的充电压力。

下面结合附图具体的说明本发明所提供的一种基于人工智能与物联网的智慧能源控制方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能与物联网的智慧能源控制的方法流程图，该方法包括以下步骤：

步骤S100，获取城市中所有充电站的历史充电数据，历史充电数据包括每个充电站的充电量。

由于城市内不同区域的充电站在不同时段的充电量存在随机性和不确定性，因此针对不同区域的每个充电站进行分析。首先获取该城市内所有充电站的历史充电数据，该历史充电数据包括每个充电站在每个时间段内对电动汽车的充电量，为了使得充电数据的更加具有代表性，本发明实施例中设置充电量的最小记录片段为一小时，则每个充电站对应的历史充电数据包括每个小时内该充电站对电动汽车的充电量。

其中，获取每个充电站的历史充电数据的方法为：获取充电站中每个充电桩的充电功率以及充电时长，根据充电功率与充电时长的乘积获取充电桩的充电量；充电站内所有充电桩的充电量的和为充电站的充电量。

具体的，已知充电站内的每个充电桩的充电功率，统计每个充电桩在任意一小时内的充电时长，则一个充电站内所有充电桩在这一小时内的充电量即为该充电站在这一小时内的充电量：

s_i＝∑T_i*p

其中，s_i表示任意充电站在第i个小时的充电量；T_i表示任意充电桩在第i个小时内的充电时长；p表示充电桩对应的充电功率。

以此类推，获取任意充电站在一天内各时间段的充电量构成序列为：

S＝{s₁,s₂,…,s₂₄}

其中，s₁表示任意充电站在一天内第1个小时的充电量；s₂₄表示任意充电站在一天内第24个小时的充电量。

基于上述任意充电站一天内各时间段充电量的方法相同的原理，获取任意充电站对应的每天的历史充电数据。

步骤S200，获取历史充电数据中每个充电站在任意时间段内充电量的均值和最大值，根据均值和最大值预测充电站在下一周期对应时间段的充电量，获取充电站在下一周期所有时间段的充电量得到充电量序列。

由步骤S100中获取任意充电站对应的每天的历史充电数据，在不同位置的充电站的车辆活动规律不同，本发明实施例中以一周时间为一个周期，提取历史数据中每个充电站每周各个时间段的对应的充电量序列。

为了更加准确可观的描述充电站的充电使用规律，基于物联网记录每周的最新使用数据，对每个充电站的用电规律进行迭代更新。本发明实施例中选取连续四周内充电站各个时间段的最新充电量数据为依据，对下一周期该充电站对应时间段的充电量进行预测。

具体的，以任意充电站的每周周一的第9个小时为例，即每周周一8:00～9:00的时间段，则对下一周期相同时间段该充电站对应的充电量预测的方法为：获取最新时间的连续四周内该充电站在此时间段的充电量的均值mean¹(s₉)，以及该充电站在最近四周内相同时间段的充电量的最大值，对均值和最大值进行加权求和得到下一周期充电站在对应时间段的充电量。

则根据该充电站对应的均值和最大值预测该充电站在下一周周一的第9个小时的充电量为：

s₉ ¹(j+1)＝(1-α)*mean¹(s₉)+α

*Max[s₉ ¹(j-3),s₉ ¹(j-2),s₉ ¹(j-1),s₉ ¹(j)]

其中，s₉ ¹(j+1)表示该充电站第j+1周周一的第9个小时的充电量；mean¹(s₉)表示该充电站最近四周周一的第9个小时充电量的均值；s₉ ¹(j)表示该充电站第j周周一的第9个小时的充电量，即该充电站当前周周一的第9个小时的充电量；s₉ ¹(j-1)表示该充电站第j-1周周一的第9个小时的充电量；s₉ ¹(j-2)表示该充电站第j-2周周一的第9个小时的充电量；s₉ ¹(j-3)表示该充电站第j-3周周一的第9个小时的充电量；Max[s₉ ¹(j-3),s₉ ¹(j-2),s₉ ¹(j-1),s₉ ¹(j)]表示该充电站在最近四周内周一第9个小时的充电量的最大值；α表示平滑系数，用于消除充电量偶尔过低的情况。

作为优选，本发明实施例中设置α＝0.05。

以此类推，预测出该充电站在下一周期每个时间段内的充电量，构成该充电站对应的充电量序列。

步骤S300，获取充电量序列的平均值和方差，根据平均值与方差的乘积得到充电量序列的波动程度。

由步骤S200的方法预测出每个充电站在下一周期对应的充电量序列；选取城市内的任意充电站进行分析，计算该充电站对应的充电量序列中充电量的平均值与方差。

当充电量序列中的充电量数值的平均值越大时，表明该充电站被使用的越频繁；当该充电量序列中充电量的方差越大时，表明该充电量序列对应的波动越大；由于不同的充电站的充电量序列之间的均值可能存在较大的差异，因此将每个充电站的充电量序列对应的均值作为基数，则每个充电站对应充电量序列波动程度的计算方法为：

U_k＝mean(S_k)*STD²(S_k)

其中，S_k表示第k个充电站对应的充电量序列；U_k表示第k个充电站对应的充电量序列的波动程度；mean(S_k)表示第k个充电站对应的充电量序列的平均值；STD²(S_k)表示第k个充电站对应的充电量序列的方差。

步骤S400，获取任意两个充电站之间的相关距离，相关距离是任意两个充电站对应的充电量序列之间的相关程度；根据相关距离对城市中所有充电站进行聚类得到多个簇。

在同一个城市内，不同区域的充电站对应的充电量序列之间可能具有相似的特征，因此获取任意两个充电站之间的相关距离，根据相关距离将充电站划为不同的组进行分析，本发明实施例中利用DBSCAN的密度聚类方法对进行聚类，分为多个簇。

具体的，获取任意两个充电站之间的相关距离的方法为：本发明实施例中根据皮尔逊相关法获取任意两个充电站之间的相似度，进一步计算这两个充电站充电量序列的波动程度的差值，该差值和相似度之间的比值为这两个充电站之间的相关程度，为了避免相关程度的值为小于零的情况以及差值作为分母为零的情况，对相关程度进行优化为：

其中，SIM(k1,k2)表示城市内第k1个充电站和第k2个充电站之间的相关程度；PPMCC(k1,k2)表示城市内第k1个充电站充电量序列和第k2个充电站充电量序列之间的相似度；abs(U_k1-U_k2)表示城市内第k1个充电站充电量序列的波动程度和第k2个充电站充电量序列的波动程度的差值的绝对值；U_k1表示第k1个充电站充电量序列的波动程度；U_k2表示第k2个充电站充电量序列的波动程度。

进一步的，任意两个充电站之间的相关距离为：

D(k1,k2)＝1-SIM(k1,k2)

其中，D(k1,k2)表示城市内第k1个充电站和第k2个充电站之间的相关距离；SIM(k1,k2)表示城市内第k1个充电站和第k2个充电站之间的相关程度。

步骤S500，获取每个簇内任意充电站对应的充电量序列与其他充电站对应的充电量序列之间的差异程度，根据差异程度得到每个充电站的置信度；以置信度为权重对每个簇内充电站对应的充电量序列进行加权求和，得到每个簇对应的总充电量序列，簇内每个充电站的充电量序列更新为总充电量序列。

进一步的，对步骤S500中划分出的每个簇内充电站的充电量进行分析。获取每个簇内每个充电站对应的隶属度为置信度。

计算每个簇内每个充电站的置信度的具体方法为：

首先，获取任意一个簇内所有充电站对应的充电量序列，该簇内任意充电站对应的充电量序列与其他充电站对应的充电量序列的差异程度为：

X_k＝∑(1-PPMCC(k,k^′))

其中，X_k表示该簇内第k个充电站对应的差异程度；PPMCC(k,k^′)表示该簇内第k个充电站对应的充电量序列与第k^′个充电站对应的充电量序列之间的相似度。

然后，根据该簇内任意充电站对应的差异程度获取该充电站的置信度，置信度与差异程度呈负相关关系：

其中，C_k表示该簇内第k个充电站对应的置信度；X_k表示该簇内第k个充电站对应的差异程度。

需要说明的是，对该簇内每个充电站对应的置信度进行归一化处理，且该簇内所有充电站对应的置信度的和为1。以此类推，获取每个簇内的所有充电站对应的置信度。

进一步的，获取城市内每个簇对应的总充电量序列为：

其中，S_group表示该簇对应的总充电量序列；C_k表示该簇内第k个充电站对应的置信度；S_k表示该簇内第k个充电站对应的充电量序列；K表示该簇内所有充电站的数量。

需要说明的是，当存在孤立充电站时，即簇内只存在一个充电站，则该充电站本身对应的充电量序列即为该簇对应的总充电量序列；为了进一步提高每个簇内数据的包容度，将每个簇对应的总充电量序列赋予该簇内每个充电站，即相同簇内所有充电站的充电量序列一致。

步骤S600，获取每个簇对应的总充电量序列的平均值为标准值，大于标准值的充电量对应的时间段为高峰时段，获取所有高峰时段的溢出量，溢出量为簇内每个充电站需要储备的电量。

由步骤S400对城市内的充电站划为不同的簇，进一步根据步骤S500的方法获取每个簇对应的总充电量序列。

计算每个簇对应的总充电量序列中所有充电量数据的平均值，以该平均值作为该簇内每个充电站的充电量标准值。本发明实施例中将该总充电量序列中所有的充电量数据与该标准值进行比较。当充电量小于该标准值时，该充电量对应的时间段为低谷时段；当充电量大于该标准值时，该充电量对应的时间段为高峰时段。

本发明实施例中将高峰时段对应的溢出量作为该簇内每个充电站需要储备的能量。获取任意高峰时段对应充电量与标准值的差值，所有高峰时段对应的差值的和为溢出量，即溢出量的计算方法为：

H＝∑(s_i-mean(S_group))

其中，H表示所有高峰时段对应的溢出量；s_i表示总充电量序列中第i个高峰时段对应的充电量；mean(S_group)表示总充电量序列的平均值，即总充电量序列的标准值。

溢出量的值越大，表明该充电站在高峰时段时越供不应求，导致电动汽车车主充电的体验越差。因此基于该充电站每个时间段的充电情况合理储备能量，在充电高峰时段利用储能设备缓解充电压力。

综上所述，本发明实施例中通过获取城市内各个充电站对应的历史充电数据，对每个充电站在下一周期各个时间段的充电量进行预测，得到每个充电站在下一周期的充电量序列；进一步计算每个充电站对应的充电量序列的波动程度。获取城市内任意两个充电站对应的充电量序列的波动程度的差值以及这两个充电站对应的充电量序列的相似度，根据相似度和差值获取这两个充电站之间的相关程度，进一步根据城市内每两个充电站之间的相关程度进行聚类获取多个簇。获取每个簇内每个充电站的置信度，根据每个充电站对应的置信度和充电量序列得到该簇的总充电量序列，获取每个簇对应的总充电量序列的均值作为标准值，该总充电量序列中充电量大于标准值时对应的时间段为高峰时间，获取所有高峰时段的溢出量即为该簇内每个充电站所需储备的能量。避免了储能装置中能量过多存在消耗的问题，在节约资源的同时能够缓解每个充电站在高峰时段的充电压力。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于人工智能与物联网的智慧能源控制系统，该系统包括：处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于人工智能与物联网的智慧能源控制方法实施例中的步骤，例如图1所述的步骤。该一种一种基于人工智能与物联网的智慧能源控制方法在上述实施例中已经详细说明，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且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。

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。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于人工智能与物联网的智慧能源控制方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述每个所述充电站的充电量的获取步骤，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述均值和所述最大值预测所述充电站在下一周期对应时间段的充电量的步骤，包括：

4.根据权利要求1所述的方法，其特征在于，所述任意两个所述充电站对应的充电量序列之间的相关程度的获取步骤，包括：

5.根据权利要求4所述的方法，其特征在于，所述获取两个所述充电站对应充电量序列之间相似度的方法为皮尔逊相关法。

6.根据权利要求1所述的方法，其特征在于，所述置信度与所述差异程度呈负相关关系。

7.根据权利要求1所述的方法，其特征在于，所述获取所有所述高峰时段的溢出量的步骤，包括：

8.一种基于人工智能与物联网的智慧能源控制系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1～7任意一项所述方法的步骤。