CN114643892A - 一种基于多模态数据感知的电动车充电功率预测系统 - Google Patents

Abstract

本发明公开了一种基于多模态数据感知的电动车充电功率预测系统，该系统包括：电动车充电数据获取单元；充电功率曲线拟合单元；充电功率调整单元；所述电动车充电数据获取单元可获取影响电动车充电功率的环境因素值，以及在对应因素值下电动车的充电功率W_n；所述充电功率曲线拟合单元可根据电动车充电数据获取单元获取的相关因素值和充电功率W_n，计算出适用于电动车充电功率的拟合曲线；所述充电功率调整单元可通过拟合曲线预测出不同充电环境下电动车的充电功率，再结合预测到的充电功率，对输出功率进行调整，并满足电动车充电时的所需功率和电压。

Description

一种基于多模态数据感知的电动车充电功率预测系统

技术领域

本发明涉及充电桩的充电功率技术领域，尤其是一种基于多模态数据感知的电动车充电功率预测系统。

背景技术

在电动车(电动自行车、电动汽车等)充电的过程中，充电功率往往是一个动态变化的过程，对于电动车而言，在该电动车充电的过程中，充电桩的输出参数，即电压、电流都应该与电动车的电池组相匹配。若该电动车电池充电的最大功率为350W，充电桩输出的功率也为350W，则可以快速为电动车进行充电。但在实际情况中，因为温度、电网电压值等因素的影响，其实际充电功率并不能维持在350W，且往往会小于该功率数值，因此导致电动车的充电时间较长，降低用户体验。并且，电动车的电池组在充电的过程中，随着电量增加，电池电压增大，输出电压、输出功率也需要动态变化来匹配电池所需的充电功率，这对于恒定功率输出的充电桩而言，则无法做到动态始应，可能会对电动车的电池组带来损伤。

发明内容

为解决上述现有技术问题，本发明提供一种基于多模态数据感知的电动车充电功率预测系统。该系统通过分析影响电动车充电功率的各种因素，并采用模态信息进行描述。在本发明中，主要考虑了天气温度、电网电压和电池剩余电量对电动车充电功率的影响，本发明通过采集电动车充电时环境温度、当前电网电压以及此时电动车电池的剩余电量、充电功率来对于电动车的充电曲线进行拟合，从而在不同的时刻参考预测值对电动车进行充电，使得充电桩的供电功率和电动车所需的充电功率相匹配，从而保证充电的效率。同时，基于所准备的多模态数据信息和机器学习中适用于电动车充电功率拟合的线性回归模型来拟合电动车的充电功率变化曲线，以得到较好的预测结果。

为了实现上述目的，本发明采用的技术方案是：

一种基于多模态数据感知的电动车充电功率预测系统，其中，包括：

电动车充电数据获取单元；

充电功率曲线拟合单元；

充电功率调整单元；

所述电动车充电数据获取单元可获取影响电动车充电功率的环境因素值，以及在对应因素值下电动车的充电功率W_n；

所述充电功率曲线拟合单元根据电动车充电数据获取单元获取的相关因素值和充电功率W_n，计算出适用于电动车充电功率的拟合曲线；

所述充电功率调整单元通过拟合曲线预测出不同充电环境下电动车的充电功率，以此对输出功率进行调整，使得实际充电功率达到电动车所需的充电功率。

优选的，所述充电功率调整单元通过变压器或者限流器对输出功率进行调整。

优选的，所述电动车充电数据获取单元具体包括：

充电桩温度探测单元；

电网电压探测单元；

电池剩余电量探测单元；

充电功率探测单元；

所述温度探测单元记录电动车周围的环境温度T_n，所述电网电压探测单元记录与充电桩相连接的电网的电压值V_n，所述电池剩余电量探测单元记录电动车电池的剩余电量值E_n，所述充电功率探测单元记录电动车的充电功率W_n。

优选的，所述的一种基于多模态数据感知的电动车充电功率预测系统，通过电动车充电数据获取单元获取的多个数据使用模态数据进行描述，表示为：

Dn＝{T_n,V_n,E_n|W_n} (1)

其中，Dn表示多模态数据合集。

优选的，所述多模态数据合集采用向量形式来表示数据格式。

优选的，所述充电功率曲线拟合单元利用线性回归模型对该充电曲线进行拟合。

优选的，所述的一种基于多模态数据感知的电动车充电功率预测系统，采用下式来定义该回归模型：

f(x_n)＝ω*x_n+b (2)

其中，x_n＝(T_n,V_n,E_n)，表示多模态数据集合；

y_n＝W_n，表示因变量集合；

ω和b均为曲线拟合的系数；

f(x_n)为模型通过多模态数据x_n得到的预测功率结果。

优选的，所述的一种基于多模态数据感知的电动车充电功率预测系统，使用最小二乘法对曲线拟合的系数ω和b进行求解，并得到拟合曲线。

优选的，所述求解ω和b，得到拟合曲线的具体步骤为:

1)定义f(x_n)和y_n之间误差逐渐减小的过程：

带入公式(2)可得：

3)使得下式最小化求解系数ω和b：

对公式(5)分别根据ω和b求其偏导数，可得：

对于公式(6)和公式(7)，使其分别等于0，得到系数ω和b的最优解：

其中，

为x的均值，使用公式(10)计算得到：

3)将公式(8)和(9)代入公式(2)得到拟合曲线，表示为：

优选的，在回归模型的具体训练过程中，使用循环迭代的方式，当迭代次数超过λ次，或者f(x_n)和y_n之间的误差小于设定的误差阈值μ时，即结束迭代训练，从而得到电动车充电曲线回归模型。

本发明的有益效果体现在：通过预测不同充电环境下电动车电池的实际充电功率，以此调整输出功率和输出电压来满足电动车电池的需求功率和电压，解决了目前恒功率充电桩在实际充电过程中因为充电环境因素影响导致充电桩输出功率无法满足电动车电池所需功率的问题。同时解决了恒定功率输出的充电桩无法做到动态始应，不能动态调整输出电压，会对电动车的电池组带来损伤的问题。

附图说明：

图1为基于多模态数据感知的电动车充电功率预测系统总框架示意图；

图2为电动车充电数据获取环境示意图；

图3为基于多模态数据感知的电动车充电功率预测系统具体实施流程示意图；

图4为通过线性回归模型获得拟合的充电曲线流程示意图；

图5为基于回归模型拟合的电动车充电功率曲线示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

请参阅图1-5所示，本发明提供的具体实施例如下：

实施例1

一种基于多模态数据感知的电动车充电功率预测系统，其中，包括：

电动车充电数据获取单元；

充电功率曲线拟合单元；

充电功率调整单元；

所述电动车充电数据获取单元可获取影响电动车充电功率的环境因素值，以及在对应因素值下电动车的充电功率W_n；

所述充电功率曲线拟合单元根据电动车充电数据获取单元获取的相关因素值和充电功率W_n，计算出适用于电动车充电功率的拟合曲线；

所述充电功率调整单元通过拟合曲线预测出不同充电环境下电动车的充电功率，以此对输出功率进行调整，使得实际充电功率达到电动车所需的充电功率。

本方案构建的一种基于多模态数据感知的电动车充电功率预测系统通过采集影响电动车充电功率的环境因素值，以及在对应因素值下电动车的充电功率W_n，并利用这些数据计算出适用于电动车充电功率的拟合曲线，再根据该曲线预测不同充电环境下充电桩的充电功率(预测到的充电功率为恒定功率输出的充电桩在不同充电环境下的实际充电功率)，参考预测到的充电功率，对充电桩输出功率和输出电压进行调整，使实际充电功率和电压满足电动车电池所需功率和电压。

实施例2

本实施例中，作为实施例1技术方案的进一步改进，所述充电功率调整单元通过变压器或者限流器对输出功率进行调整。

因为充电过程中电压超过电池能承受的电压，也会对损伤电池，因此本方案选择变压器或者限流器调整输出功率，同时可通过变压器满足电动车充电时的所需电压，并控制电压不超过电池能承受的最大电压值。

实施例3

本实施例中，作为实施例1技术方案的进一步改进，所述电动车充电数据获取单元具体包括：

充电桩温度探测单元；

电网电压探测单元；

电池剩余电量探测单元；

充电功率探测单元；

所述温度探测单元记录电动车周围的环境温度T_n，所述电网电压探测单元记录与充电桩相连接的电网的电压值V_n，所述电池剩余电量探测单元记录电动车电池的剩余电量值E_n，所述充电功率探测单元记录电动车的充电功率W_n。

对于充电桩而言，充电环境对充电功率的影响不容小觑，例如周围环境的温度对充电功率有着明显的影响；用电高峰会使电网电压减小，影响输出电压，进而影响充电功率；同时电池的电量变化也会对充电功率造成影响。因此本方案利用温度探测单元记录电动车周围的环境温度Tn，利用电网电压探测单元记录与充电桩相连接的电网的电压值Vn，利用电池剩余电量探测单元记录电动车电池的剩余电量值En，利用充电功率探测单元记录电动车的充电功率Wn，以此作为电动车充电数据获取单元需要获取的数据。

实施例4

本实施例中，作为实施例3技术方案的进一步改进，通过电动车充电数据获取单元获取的多个数据使用模态数据进行描述，表示为：

Dn＝{T_n,V_n,E_n|W_n} (1)

其中，Dn表示多模态数据合集。

因为环境的温度是一个动态变化的过程，利用数量关系难以描述这种动态变化过程，同时考虑到电网的电压值和温度也有相应的潜在关系，因此，本方案中将上述多个数据使用模态数据进行描述，表示为一个元素集合，以此对回归模型进行拟合，避免了因选择多重线性回归时各个自变量之间不独立，存在多重共线性，出现方程估计的偏回归系数明显与常识不相符的问题出现，且相对于多重线性回归参数更少，有效提高了拟合速度。

实施例5

本实施例中，作为实施例4技术方案的进一步改进，所述多模态数据合集采用向量形式来表示数据格式。

实施例4所述的多模态数据有其固定的参数范围，同时采用向量形式来表示数据格式，有利于增加回归模型对数据的编码速度，经过实验表明，其反应在最终的功率预测结果上，速度提升了2％～3％。

实施例6

本实施例中，作为实施例5技术方案的进一步改进，所述充电功率曲线拟合单元利用线性回归模型对该充电曲线进行拟合。

由于充电桩的功率预测是一个涉及多种因素的问题，且这些数据由于动态变化原因，过分复杂的模型，反而会导致较差的效果。因此，在本方案中，采用参数量较少、鲁棒性较强的线性回归模型对该充电曲线进行拟合。

实施例7

本实施例中，作为实施例6技术方案的进一步改进，采用下式来定义该回归模型：

f(x_n)＝ω*x_n+b (2)

其中，x_n＝(T_n,V_n,E_n)，表示曲线拟合的自变量集合；

y_n＝W_n，表示曲线拟合的因变量集合；

ω和b均为曲线拟合的系数；

f(x_n)为模型通过多模态数据x_n得到的预测功率结果。

由于实施例6采用多模态数据集合来表示自变量和因变量，因此，本方案选择以x_n＝(T_n,V_n,E_n)表示自变量集合，这样只需要两个系数就能定义线性回归模型，有效减少了模型复杂度，有利于增加曲线拟合速度。

实施例8

本实施例中，作为实施例7技术方案的进一步改进，使用最小二乘法对曲线拟合的系数ω和b进行求解，并得到拟合曲线。

计算线性回归模型参数的方法有最小二乘法和最小绝对值法，最小二乘法将误差的平方求和，再使得总体误差衡量最小的被称为最优解，而最小绝对值法则是把误差的绝对值加起来，以此求得最优解。

最小二乘法相比于最小绝对值法可得到唯一的最优解，且由于误差项是处处可导而且导数连续的，可以写出求解的等式(对于参数会随着因变量改变而改变的函数，通过最小二乘法可直接得到求解的等式，便于后续预测值的计算)。

实施例9

本实施例中，作为实施例8技术方案的进一步改进，所述求解ω和b，得到拟合曲线的具体步骤为:

1)定义f(x_n)和y_n之间误差逐渐减小的过程：

带入公式(2)可得：

4)使得下式最小化求解系数ω和b：

对公式(5)分别根据ω和b求其偏导数，可得：

对于公式(6)和公式(7)，使其分别等于0，得到系数ω和b的最优解：

其中，

为x的均值，使用公式(10)计算得到：

3)将公式(8)和(9)代入公式(2)得到拟合曲线，表示为：

在求解过程中，该电动车曲线拟合的过程也就是使得f(x_n)和y_n之间误差逐渐减小的过程，因此，本实施例先通过公式定义了该过程，然后分别根据ω和b求其偏导数，使其分别为0后，以此求得了系数ω和b的最优解。

实施例10

本实施例中，作为实施例7技术方案的进一步改进，在回归模型的具体训练过程中，使用循环迭代的方式，当迭代次数超过λ次，或者f(x_n)和y_n之间的误差小于设定的误差阈值μ时，即结束迭代训练，从而得到电动车充电曲线回归模型。

本方案进一步设定了回归模型的训练过程，便于本领域技术人员根据实际需求设定λ或μ的值来训练回归模型，得到合适的拟合曲线。

在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系。

在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明的实施例的描述中，需要理解的是，“-”和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“A-B”表示大于或等于A，且小于或等于B的范围。“A～B”表示大于或等于A，且小于或等于B的范围。

在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于多模态数据感知的电动车充电功率预测系统，其中，包括：

电动车充电数据获取单元；

充电功率曲线拟合单元；

充电功率调整单元；

所述电动车充电数据获取单元可获取影响电动车充电功率的环境因素值，以及在对应因素值下电动车的充电功率W_n；

所述充电功率曲线拟合单元根据电动车充电数据获取单元获取的相关因素值和充电功率W_n，计算出适用于电动车充电功率的拟合曲线；

所述充电功率调整单元通过拟合曲线预测出不同充电环境下电动车的充电功率，以此对输出功率进行调整，使得实际充电功率达到电动车所需的充电功率。

2.根据权利要求1所述的一种基于多模态数据感知的电动车充电功率预测系统，所述充电功率调整单元通过变压器或者限流器对输出功率进行调整。

3.根据权利要求1所述的一种基于多模态数据感知的电动车充电功率预测系统，所述电动车充电数据获取单元具体包括：

充电桩温度探测单元；

电网电压探测单元；

电池剩余电量探测单元；

充电功率探测单元；

所述温度探测单元记录电动车周围的环境温度T_n，所述电网电压探测单元记录与充电桩相连接的电网的电压值V_n，所述电池剩余电量探测单元记录电动车电池的剩余电量值E_n，所述充电功率探测单元记录电动车的充电功率W_n。

4.根据权利要求3所述的一种基于多模态数据感知的电动车充电功率预测系统，通过电动车充电数据获取单元获取的多个数据使用模态数据进行描述，表示为：

Dn＝{T_n,V_n,E_n|W_n} (1)

其中，Dn表示多模态数据合集。

5.根据权利要求4所述的一种基于多模态数据感知的电动车充电功率预测系统，所述多模态数据合集采用向量形式来表示数据格式。

6.根据权利要求5所述的一种基于多模态数据感知的电动车充电功率预测系统，所述充电功率曲线拟合单元利用线性回归模型对该充电曲线进行拟合。

7.根据权利要求6所述的一种基于多模态数据感知的电动车充电功率预测系统，采用下式来定义该回归模型：

f(x_n)＝ω*x_n+b (2)

其中，x_n＝(T_n,V_n,E_n)，表示多模态数据集合；

y_n＝W_n，表示因变量集合；

ω和b均为曲线拟合的系数；

f(x_n)为模型通过多模态数据x_n得到的预测功率结果。

8.根据权利要求7所述的一种基于多模态数据感知的电动车充电功率预测系统，使用最小二乘法对曲线拟合的系数ω和b进行求解，并得到拟合曲线。

9.根据权利要求8所述的一种基于多模态数据感知的电动车充电功率预测系统，所述求解ω和b，得到拟合曲线的具体步骤为:

1)定义f(x_n)和y_n之间误差逐渐减小的过程：

带入公式(2)可得：

2)使得下式最小化求解系数ω和b：

对公式(5)分别根据ω和b求其偏导数，可得：

对于公式(6)和公式(7)，使其分别等于0，得到系数ω和b的最优解：

其中，

为x的均值，使用公式(10)计算得到：

3)将公式(8)和(9)代入公式(2)得到拟合曲线，表示为：

10.根据权利要求7所述的一种基于多模态数据感知的电动车充电功率预测系统，在回归模型的具体训练过程中，使用循环迭代的方式，当迭代次数超过λ次，或者f(x_n)和y_n之间的误差小于设定的误差阈值μ时，即结束迭代训练，从而得到电动车充电曲线回归模型。

Images