CN114435165B - 一种充电桩的充电方法、装置、电子设备和存储介质 - Google Patents
一种充电桩的充电方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114435165B CN114435165B CN202210087306.XA CN202210087306A CN114435165B CN 114435165 B CN114435165 B CN 114435165B CN 202210087306 A CN202210087306 A CN 202210087306A CN 114435165 B CN114435165 B CN 114435165B
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- state quantity
- model
- strategy
- 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 50
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000009471 action Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 238000002945 steepest descent method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect 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
- B60L53/30—Constructional details of charging stations
- B60L53/31—Charging columns specially adapted for electric vehicles
-
- 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
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例公开了一种充电桩的充电方法、装置、电子设备和存储介质。接收移动终端上传的业务请求和充电桩的状态量；根据业务请求和状态量，生成充电网络模型；根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。本发明实施例根据业务请求和充电桩的状态量生成网络模型，并根据网络模型中的充电策略解决用户主观充电意愿随机性强的问题，达到了根据业务请求和充电桩的状态量实现充电桩电能合理的效果，提高了用户的使用效果。
Description
技术领域
本发明实施例涉及物联网技术领域，尤其涉及一种充电桩的充电方法、装置、电子设备和存储介质。
背景技术
随着物联网时代的迅速发展，越来越多的电动车辆大量涌现，给微网充电桩带来了巨额的充电业务需求。
目前，现有技术的微网充电桩充电策略主要通过混合整数规划法实现。基于混合整数规划法的充电策略以效益函数和约束条件模拟出电力市场的作用机制，最终输出的充电策略能够使得多个电力市场参与者的利益最大化。然而混合整数规划法的充电策略能够针对刚性、显性、易于观测的问题构筑复杂的约束条件，针对智能电力设备普及不多，大量的电力市场机制隐而不显、难以观测和用户主观充电意愿随机性较强的问题，现有技术难以作为刚性调控手段。
发明内容
本发明实施例提供一种充电桩的充电方法、装置、电子设备和存储介质，通过微网充电桩的充电策略，实现电动车辆分配电能。
第一方面，本发明实施例提供了一种充电桩的充电方法，该方法包括：接收移动终端上传的业务请求和充电桩的状态量；根据业务请求和状态量，生成充电网络模型；根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
第二方面，本发明实施例还提供了一种充电桩的充电装置，该装置包括：信息接收模块，用于接收移动终端上传的业务请求和充电桩的状态量；模型生成模块，用于根据业务请求和状态量，生成充电网络模型；电能分配模块，用于根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如本发明实施例中任一项的充电桩的充电方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一项的充电桩的充电方法。
本发明实施例通过接收移动终端上传的业务请求和充电桩的状态量；根据业务请求和状态量，生成充电网络模型；根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。在上述实施例的基础上，通过生成网络模型并根据网络模型中的充电策略解决用户主观充电意愿随机性强的问题，达到了根据业务请求和充电桩的状态量实现充电桩电能合理的效果，提高了用户的使用效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例中提供的一种充电桩的充电方法的一个流程图；
图2是本发明实施例中提供的一种应用场景；
图3是本发明实施例中提供的一种充电桩的充电方法的另一流程图；
图4是本发明实施例中提供的一种充电网络模型框图；
图5是本发明实施例中提供的一种充电桩的充电装置的结构示意图；
图6是本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外，在本发明实施例中，“可选的”或者“示例性的”等词是用于表示作例子、例证或说明。本发明实施例中被描述为“可选的”或者“示例性的”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“可选的”或者“示例性的”等词旨在以具体方式呈现相关概念。
图1是本发明实施例中提供的一种充电桩的充电方法的一个流程图，本发明实施例主要适用于微网充电桩为电动车辆分配电能的情况，该方法可以通过充电桩的充电装置来执行，该装置可以采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中。以下实施例将以该充电桩的充电装置集成在电子设备中为例进行说明，参考图1，本发明实施例的方法具体包括如下步骤：
S110、接收移动终端上传的业务请求和充电桩的状态量。
其中，移动终端是指可以在移动中使用的计算机设备，又称为移动通信终端。移动终端例如可以是手机应用程序(application，APP)和车载服务端等，本实施例对此不进行限定。
业务请求是指根据要完成的具体业务内容提出相关的要求，具体包括需要进行车辆充电等；充电桩的状态量是指充电桩处于某种过程中，例如可以是充电状态和闲置状态，本实施例对此不进行限定。
具体的，当移动终端接收到电动车辆上传的充电业务请求之后，微网充电桩获取移动终端上传的业务请求，而且微网充电桩控制所有充电桩的使用和管理。在微网充电桩获取到业务请求之后，同时确定管理的充电桩的状态量，进一步确定微网充电桩在接收到业务请求时管理的充电桩是充电状态还是闲置状态。
S120、根据业务请求和状态量，生成充电网络模型。
其中，充电网络模型是一种基于深度强化学习的网络模型，主要包括两大模块，分别是充电策略回归模型和环境量反馈模型。
具体的，在接收到业务请求和充电桩的状态量之后，将接收到的业务请求和充电桩的状态量作为充电策略回归模型的输入，然后通过样本随机器和深度神经网络回归模型进行训练，并将训练的结果输入环境量反馈模型作为环境量反馈模型的输入变量，然后环境量反馈模型利用深度强化学习中的奖励函数以及状态量等进行训练学习最终生成充电网络模型。
S130、根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
其中，充电策略是指在满足电动车辆在正常充电需求的前提下，根据电动车辆充电的随机性和充电桩的承受能力进行协调互动，实现电动车辆充电的有序性和安全性。
具体的，在生成充电网络模型之后，将电动车辆充电的随机性数据和隐形电力市场作用机制作为充电网络模型的输入，充电网络模型对输入电动车辆充电的随机性数据和隐形电力市场作用机制的测试样本进行训练生成充电策略，同时根据生成的充电策略为电动车辆合理分配电能。
示例性的，该方法主要应用于为充电桩微网的可再生电能或者主网的电能场景中，图2是本发明实施例中提供的一种应用场景，如图2所示，充电网络模型接收移动设备通过边缘计算终端上传的业务请求，其中，存在多个边缘计算终端和多个移动设备，如图2中的边缘计算终端1和边缘计算终端2所示，且一个边缘计算终端可以对应管理一个或者多个移动终端，可以存在多个边缘计算终端。当充电网络模型接收到业务请求之后，与此同时充电网络模型通过主网对微网进行管理，并获取微网管理的充电桩的状态量，其中，微网充电桩有很多个，如图2中的微网1和微网2所示，且微网中包含分布式能源站和多个充电桩；进一步的，充电网络模型通过其中的充电策略对微网中的充电桩进行有序管理并实现合理为电动汽车分配电能的目的。
本实施例的技术方案，通过接收移动终端上传的业务请求和充电桩的状态量；根据业务请求和状态量，生成充电网络模型；根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。在上述实施例的基础上，通过生成网络模型并根据网络模型中的充电策略解决用户主观充电意愿随机性强的问题，达到了根据业务请求和充电桩的状态量实现充电桩电能合理的效果，提高了用户的使用效果。
图3是本发明实施例中提供的一种充电桩的充电方法的另一流程图，上述实施例的基础上，对根据业务请求和状态量，生成充电网络模型进一步优化，其中，充电网络模型包括充电策略回归模型和环境量反馈模型，该方法中生成充电网络模型具体包括如下步骤：
S310、接收移动终端上传的业务请求和充电桩的状态量。
具体的，当移动终端接收到电动车辆上传的充电业务请求之后，微网充电桩获取移动终端上传的业务请求，而且微网充电桩控制所有充电桩的使用和管理。在微网充电桩获取到业务请求之后，同时确定管理的充电桩的状态量，进一步确定微网充电桩在接收到业务请求时管理的充电桩是充电状态还是闲置状态。
S320、根据业务请求和状态量，构建充电策略回归模型。
其中，充电策略回归模型是根据充电桩的状态量进行回归分析，是一种以深度神经网络(Deep Neural Networks，DNN)网络模型为基础的回归模型。
具体的，构建充电策略回归模型主要是根据状态量适配规则，利用时间t的输入量xt和微网可再生电量计算时间t的状态量st，其中，N为充电桩的数量，D为电动车辆参数的个数，电动车辆参数至少包括充电桩位置、目标电荷量、充电时间、电动车辆电池容量和充电前初始电荷量，/>N×4表示N个充电桩的四个状态表征，四个状态表征为剩余充电时间、已充电量、微网已输电量和主网已输电量；根据高斯分布，生成随机概率；利用时间t的状态量st和随机概率，得到时间t的动作量at。
进一步的，动作量代表在时间t时，N个充电桩分别对应的充电挡位，在传输微网的可再生电能时，充电桩是慢充挡，而在传输主网的电能时，充电桩是快挡。
在上述实施例的基础上，进一步的，利用时间t的状态量st和随机概率，得到时间t的动作量at，包括：若随机概率大于0.5，则将时间t的状态量st输入深度神经网络回归模型，得到时间t的动作量at；若随机概率不大于0.5，则将时间t的状态量st输入样本随机器，得到时间t的动作量at。
其中，样本随机器是从总的输入中选择一定的元素列表，用于无需替换的随机抽样。
具体的，在通过高斯分布产生随机概率之后，利用时间t的状态量st和随机概率，得到时间t的动作量at。进一步的，通过判断随机概率的大小，根据深度神经网络回归模型和样本随机器最终构建充电策略回归模型，当随机概率大于0.5，则将时间t的状态量st输入深度神经网络回归模型；若随机概率不大于0.5，则将时间t的状态量st输入样本随机器，最终充电策略回归模型的输出结果是时间t的动作量at。
这样设置的好处在于，通过深度神经网络回归模型和样本随机器对输入的时间t的输入量xt和微网可再生电量计算时间t的状态量st进行深度强化学习之后，模拟用户充电随机性场景，使得充电策略回归模型考虑充电车辆的充电随机性。
S330、根据充电策略回归模型，构建环境量反馈模型。
具体的，环境量反馈模型是利用深度强化学习中的奖励函数对某一充电策略下的分时电价和微网可再生发电的进行刻画，并通过样本库存储动作量、状态量和奖励函数进行模型训练，最后在样本库中随机将选取样本簇反馈至深度神经网络回归模型DNN，样本簇所反映的隐性的电力市场作用机制依靠回归模型自学习得到，进而构建出环境量反馈模型，其中，样本库是指通过标准化收集、处理、存储后的电动车辆充电随机性样本。
在上述实施例的基础上，进一步的，构建环境量反馈模型，包括：根据状态量适配规则，利用时间t的动作量at、时间t的输入量xt和微网可再生电量，计算时间t+1的状态量st+1；根据时间t的动作量at、时间t的状态量st和时间t+1的状态量st+1，计算奖励函数R(st,at)。
其中，奖励函数是会决定深度强化学习中算法的收敛速度和程度，可以在不依赖于状态空间大小的情况下及时学习近似最优策略。
进一步的，奖励函数其中，Fcs(st,at)和FG(st,at)分别为N个充电桩取自微网和主网的充电量，GEV(st,at)为分时电价下用户应缴电费，μ为主网供电惩罚系数，μ∈{0,1}。这样设置的好处在于，有利于电动车辆就地消耗微网电能。
S340、对充电策略回归模型和环境量反馈模型进行迭代优化。
其中，迭代优化是一个重复反馈的过程，通常进行迭代优化是为了逼近所需要的目标或结果。
具体的，在获取到充电策略回归模型和环境量反馈模型之后，需要利用样本库的训练样本簇对回归模型进行训练，将动作量at、状态量st和状态量st+1、奖励函数值R(st,at)存入样本库，利用随机最速下降法SGD更新回归模型中的网络参数，其中，网络参数是能够独立地反映网络特征的参数，例如可以是激活函数和损失函数等，本实施例对此不进行限定。
在上述实施例的基础上，进一步的，对充电策略回归模型和环境量反馈模型进行迭代优化，包括：将时间t的动作量at、时间t的状态量st、时间t+1的状态量st+1和奖励函数R(st,at)存储至样本库；从样本库内随机提取样本簇作为训练样本，根据随机最速下降法SGD训练充电策略回归模型和环境量反馈模型，直至当前迭代时间t等于最大迭代时间T、且当前迭代次数k等于最大迭代次数K为止。
其中，样本库是指通过标准化收集、处理、存储后的电动车辆充电随机性样本。具体的，对充电策略回归模型和环境量反馈模型进行迭代优化是将时间t的动作量at、时间t的状态量st、时间t+1的状态量st+1和奖励函数R(st,at)存储至样本库，然后在样本库内随机提取样本簇作为训练样本，根据随机最速下降法SGD训练充电策略回归模型和环境量反馈模型。其中，在通过随机最速下降法SGD训练时，迭代优化模型中的损失函数等网络参数，使得充电策略回归模型和环境量反馈模型得到进一步优化。
S350、根据迭代最优结果生成充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
其中，充电策略是指在满足电动车辆在正常充电需求的前提下，根据电动车辆充电的随机性和充电桩的承受能力进行协调互动，实现电动车辆充电的有序性和安全性。
具体的，在生成充电网络模型之后，将电动车辆充电的随机性数据和隐形电力市场作用机制作为充电网络模型的输入，充电网络模型对输入电动车辆充电的随机性数据和隐形电力市场作用机制的测试样本进行训练生成充电策略，同时根据生成的充电策略为电动车辆合理分配电能。
示例性的，图4是本发明实施例中提供的一种充电网络模型框图，如图4所示是充电策略回归模型和环境量反馈模型进行迭代优化之后生成充电网络模型的过程。在迭代优化之前，设置初始化迭代次数k＝1，时间t＝1，惩罚系数μ，同时输入时间t的输入量xt，然后根据状态量适配规则对输入时间t的输入量xt和微网可再生电量计算时间t的状态量st。在得到时间t的状态量之后，根据高斯分布，生成随机概率；通过判断随机概率的大小，根据深度神经网络回归模型和样本随机器最终构建充电策略回归模型，当随机概率大于0.5，则将时间t的状态量st输入深度神经网络回归模型；若随机概率不大于0.5，则将时间t的状态量st输入样本随机器，最终充电策略回归模型的输出结果是时间t的动作量at。
进一步的，根据状态量适配规则，利用时间t的动作量at、时间t的输入量xt和微网可再生电量，计算时间t+1的状态量st+1；根据时间t的动作量at、时间t的状态量st和时间t+1的状态量st+1，计算奖励函数R(st,at)，进一步计算充电网络模型。然后对计算的充电网络模型进行迭代优化，将时间t的动作量at、时间t的状态量st、时间t+1的状态量st+1和奖励函数R(st,at)存储至样本库，然后在样本库内随机提取样本簇作为训练样本，根据随机最速下降法SGD进行模型训练，设置训练时间T＝10且迭代K＝100次时，当t＝T，且k＝K时，网络模型稳定，则迭代完毕，获取并输出充电网络模型。最后输入采集的充电桩充电测试样本到充电网络模型，获取充电策略为电动车辆合理分配电能。
本发明实施例的技术方案，通过接收移动终端上传的业务请求和充电桩的状态量；根据业务请求和状态量，构建充电策略回归模型；根据充电策略回归模型，构建环境量反馈模型；对充电策略回归模型和环境量反馈模型进行迭代优化；根据迭代最优结果生成充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。在上述实施例的基础上，通过对充电策略回归模型和环境量反馈模型进行迭代优化；根据迭代最优结果生成充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能，实现通过充生成的充电网络模型获取充电策略，达到了为电动车辆能够进行最有充电分配的效果。
图5是本发明实施例中提供的一种充电桩的充电装置的结构示意图，从图中可以看出，该装置包括：信息获取模块510、模型生成模块520和电能分配模块530。其中，
信息获取模块510，用于接收移动终端上传的业务请求和充电桩的状态量。
模型生成模块520，用于根据业务请求和状态量，生成充电网络模型。
电能分配模块530，用于根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
可选的，模型生成模块520，具体用于：根据业务请求和状态量，构建充电策略回归模型；根据充电策略回归模型，构建环境量反馈模型；对充电策略回归模型和环境量反馈模型进行迭代优化。
可选的，构建充电策略回归模型，模型生成模块520，具体用于：根据状态量适配规则，利用时间t的输入量xt和微网可再生电量计算时间t的状态量st，其中，N为充电桩的数量，D为电动车辆参数的个数，电动车辆参数至少包括充电桩位置、目标电荷量、充电时间、电动车辆电池容量和充电前初始电荷量，/>N×4表示N个充电桩的四个状态表征，四个状态表征为剩余充电时间、已充电量、微网已输电量和主网已输电量；根据高斯分布，生成随机概率；利用时间t的状态量st和随机概率，得到时间t的动作量at。
可选的，利用时间t的状态量st和随机概率，得到时间t的动作量at，模型生成模块520，具体用于：若随机概率大于0.5，则将时间t的状态量st输入深度神经网络回归模型，得到时间t的动作量at；若随机概率不大于0.5，则将时间t的状态量st输入样本随机器，得到时间t的动作量at。
可选的，构建环境量反馈模型，模型生成模块520，具体用于：根据状态量适配规则，利用时间t的动作量at、时间t的输入量xt和微网可再生电量，计算时间t+1的状态量st+1；根据时间t的动作量at、时间t的状态量st和时间t+1的状态量st+1，计算奖励函数R(st,at)。
可选的，构建环境量反馈模型，模型生成模块520，具体用于：奖励函数其中，Fcs(st,at)和FG(st,at)分别为N个充电桩取自微网和主网的充电量，GEV(st,at)为分时电价下用户应缴电费，μ为主网供电惩罚系数，μ∈{0,1}。
可选的，对充电策略回归模型和环境量反馈模型进行迭代优化，模型生成模块520，具体用于：将时间t的动作量at、时间t的状态量st、时间t+1的状态量st+1和奖励函数R(st,at)存储至样本库；从样本库内随机提取样本簇作为训练样本，根据随机最速下降法SGD训练充电策略回归模型和环境量反馈模型，直至当前迭代时间t等于最大迭代时间T、且当前迭代次数k等于最大迭代次数K为止。
本发明实施例所提供的充电桩的充电装置可执行本发明任意实施例所提供的充电桩的充电方法，具备执行方法相应的功能模块和有益效果。
图6是本发明实施例中提供的一种电子设备的结构示意图，如图6所示，该电子设备包括处理器610、存储器620、输入装置630和输出装置640；电子设备中处理器610的数量可以是一个或多个，图6中以一个处理器610为例；电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种充电桩的充电方法对应的程序指令/模块(例如，一种充电桩的充电装置中的信息获取模块510、模型生成模块520和电能分配模块530)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的一种充电桩的充电方法。
存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种充电桩的充电方法，
该方法包括：
接收移动终端上传的业务请求和充电桩的状态量；
根据业务请求和状态量，生成充电网络模型；
根据充电网络模型，获取充电策略，并根据充电策略为电动车辆分配电能。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的充电桩的充电方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述充电桩的充电装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种充电桩的充电方法，其特征在于，所述方法包括：
接收移动终端上传的业务请求和充电桩的状态量；
根据所述业务请求和所述状态量，构建充电策略回归模型；根据所述充电策略回归模型，构建环境量反馈模型；对所述充电策略回归模型和所述环境量反馈模型进行迭代优化，生成充电网络模型；其中，所述充电网络模型包括充电策略回归模型和环境量反馈模型；
所述构建充电策略回归模型，包括：根据状态量适配规则，利用时间t的输入量xt和微网可再生电量计算时间t的状态量st，其中，N为充电桩的数量，D为电动车辆参数的个数，所述电动车辆参数至少包括充电桩位置、目标电荷量、充电时间、电动车辆电池容量和充电前初始电荷量，/>N×4表示N个充电桩的四个状态表征，所述四个状态表征为剩余充电时间、已充电量、微网已输电量和主网已输电量；根据高斯分布，生成随机概率；利用时间t的状态量st和所述随机概率，得到时间t的动作量at；
所述构建环境量反馈模型，包括：根据状态量适配规则，利用时间t的动作量at、时间t的输入量xt和微网可再生电量，计算时间t+1的状态量st+1；根据时间t的动作量at、时间t的状态量st和时间t+1的状态量st+1，计算奖励函数R(st,at)；
根据所述充电网络模型，获取充电策略，并根据所述充电策略为电动车辆分配电能。
2.根据权利要求1所述的方法，其特征在于，所述利用时间t的状态量st和所述随机概率，得到时间t的动作量at，包括：
若所述随机概率大于0.5，则将时间t的状态量st输入深度神经网络回归模型，得到时间t的动作量at；
若所述随机概率不大于0.5，则将时间t的状态量st输入样本随机器，得到时间t的动作量at。
3.根据权利要求1所述的方法，其特征在于，
所述奖励函数
其中，Fcs(st,at)和FG(st,at)分别为N个充电桩取自微网和主网的充电量，GEV(st,at)为分时电价下用户应缴电费，μ为主网供电惩罚系数，μ∈{0,1}。
4.根据权利要求1所述的方法，其特征在于，所述对所述充电策略回归模型和所述环境量反馈模型进行迭代优化，包括：
将时间t的动作量at、时间t的状态量st、时间t+1的状态量st+1和奖励函数R(st,at)存储至样本库；
从所述样本库内随机提取样本簇作为训练样本，根据随机最速下降法SGD训练所述充电策略回归模型和所述环境量反馈模型，直至当前迭代时间t等于最大迭代时间T、且当前迭代次数k等于最大迭代次数K为止。
5.一种充电桩的充电装置，其特征在于，包括：
信息接收模块，用于接收移动终端上传的业务请求和充电桩的状态量；
模型生成模块，用于根据所述业务请求和所述状态量，构建充电策略回归模型；根据所述充电策略回归模型，构建环境量反馈模型；对所述充电策略回归模型和所述环境量反馈模型进行迭代优化，生成充电网络模型；其中，所述充电网络模型包括充电策略回归模型和环境量反馈模型；所述构建充电策略回归模型，包括：根据状态量适配规则，利用时间t的输入量xt和微网可再生电量计算时间t的状态量st，其中，N为充电桩的数量，D为电动车辆参数的个数，所述电动车辆参数至少包括充电桩位置、目标电荷量、充电时间、电动车辆电池容量和充电前初始电荷量，/>N×4表示N个充电桩的四个状态表征，所述四个状态表征为剩余充电时间、已充电量、微网已输电量和主网已输电量；根据高斯分布，生成随机概率；利用时间t的状态量st和所述随机概率，得到时间t的动作量at；所述构建环境量反馈模型，包括：根据状态量适配规则，利用时间t的动作量at、时间t的输入量xt和微网可再生电量，计算时间t+1的状态量st+1；根据时间t的动作量at、时间t的状态量st和时间t+1的状态量st+1，计算奖励函数R(st,at)；
电能分配模块，用于根据所述充电网络模型，获取充电策略，并根据所述充电策略为电动车辆分配电能。
6.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至4中任一所述的充电桩的充电方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一所述的充电桩的充电方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087306.XA CN114435165B (zh) | 2022-01-25 | 2022-01-25 | 一种充电桩的充电方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087306.XA CN114435165B (zh) | 2022-01-25 | 2022-01-25 | 一种充电桩的充电方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114435165A CN114435165A (zh) | 2022-05-06 |
| CN114435165B true CN114435165B (zh) | 2024-03-08 |
Family
ID=81369044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210087306.XA Active CN114435165B (zh) | 2022-01-25 | 2022-01-25 | 一种充电桩的充电方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114435165B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689188B (zh) * | 2024-02-04 | 2024-04-26 | 江西驴充充物联网科技有限公司 | 基于大数据的用户充电策略优化系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948816A (zh) * | 2018-09-20 | 2019-06-28 | 国网江苏省电力有限公司盐城供电分公司 | 一种微网调度方法 |
| CN111768311A (zh) * | 2020-06-19 | 2020-10-13 | 浙江大学 | 一种基于双级最优充电策略的微电网能量管理系统 |
| CN112465338A (zh) * | 2020-11-25 | 2021-03-09 | 东软睿驰汽车技术（沈阳）有限公司 | 一种充电桩分配方法及其相关设备 |
| CN113241806A (zh) * | 2021-06-11 | 2021-08-10 | 广东电网有限责任公司 | 一种微电网充电调度方法及装置 |
| CN113442778A (zh) * | 2021-06-28 | 2021-09-28 | 国网山东省电力公司信息通信公司 | 基于车联网的电动汽车充电调配方法、装置和系统 |
| CN113799640A (zh) * | 2021-08-17 | 2021-12-17 | 浙江大学 | 适用于含电动汽车充电桩微电网的能量管理方法 |
-
2022
- 2022-01-25 CN CN202210087306.XA patent/CN114435165B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948816A (zh) * | 2018-09-20 | 2019-06-28 | 国网江苏省电力有限公司盐城供电分公司 | 一种微网调度方法 |
| CN111768311A (zh) * | 2020-06-19 | 2020-10-13 | 浙江大学 | 一种基于双级最优充电策略的微电网能量管理系统 |
| CN112465338A (zh) * | 2020-11-25 | 2021-03-09 | 东软睿驰汽车技术（沈阳）有限公司 | 一种充电桩分配方法及其相关设备 |
| CN113241806A (zh) * | 2021-06-11 | 2021-08-10 | 广东电网有限责任公司 | 一种微电网充电调度方法及装置 |
| CN113442778A (zh) * | 2021-06-28 | 2021-09-28 | 国网山东省电力公司信息通信公司 | 基于车联网的电动汽车充电调配方法、装置和系统 |
| CN113799640A (zh) * | 2021-08-17 | 2021-12-17 | 浙江大学 | 适用于含电动汽车充电桩微电网的能量管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114435165A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112862281A (zh) | 综合能源系统调度模型构建方法、装置、介质及电子设备 | |
| Wu et al. | Two-stage self-scheduling of battery swapping station in day-ahead energy and frequency regulation markets | |
| Carli et al. | A distributed control algorithm for optimal charging of electric vehicle fleets with congestion management | |
| Zhang et al. | MOEA/D-based probabilistic PBI approach for risk-based optimal operation of hybrid energy system with intermittent power uncertainty | |
| CN114435165B (zh) | 一种充电桩的充电方法、装置、电子设备和存储介质 | |
| CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
| Nikolaidis et al. | Gaussian process-based Bayesian optimization for data-driven unit commitment | |
| CN116451880B (zh) | 一种基于混合学习的分布式能源优化调度方法及装置 | |
| CN101404047A (zh) | 一种游戏行为提示方法、装置以及游戏系统 | |
| CN111864742B (zh) | 一种主动配电系统扩展规划方法、装置及终端设备 | |
| CN112825154A (zh) | 深度学习中在线推理的优化方法、装置及计算机存储介质 | |
| Ampatzis et al. | Robust optimisation for deciding on real‐time flexibility of storage‐integrated photovoltaic units controlled by intelligent software agents | |
| CN116454902A (zh) | 基于强化学习的配电网调压方法、装置、设备和存储介质 | |
| Xu et al. | A combined neurodynamic approach to optimize the real-time price-based demand response management problem using mixed zero-one programming | |
| Domínguez-Barbero et al. | Energy management of a microgrid considering nonlinear losses in batteries through Deep Reinforcement Learning | |
| CN117639043A (zh) | 风电协同下的电动汽车调度方法、装置、终端设备及介质 | |
| CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
| CN116845930A (zh) | 微电网系统的储能控制方法、装置及微电网系统 | |
| CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
| CN117374995B (zh) | 一种电力调度优化方法、装置、设备和存储介质 | |
| Gu et al. | Demand response‐based autonomous voltage control for transmission and active distribution networks using modified partially observed Markov decision process model | |
| CN118572729B (zh) | 一种基于多智能体强化学习的多微电网快速功率控制方法 | |
| CN115936253B (zh) | 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 | |
| CN117311991B (zh) | 模型训练方法、任务分配方法、装置、设备、介质及系统 | |
| CN117910717A (zh) | 基于深度强化学习的社区微电网能源管理方法及装置 |
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 |