CN115593264A - 基于边缘计算的充电优化控制方法、装置和计算机设备 - Google Patents

基于边缘计算的充电优化控制方法、装置和计算机设备 Download PDF

Info

Publication number
CN115593264A
CN115593264A CN202211402725.4A CN202211402725A CN115593264A CN 115593264 A CN115593264 A CN 115593264A CN 202211402725 A CN202211402725 A CN 202211402725A CN 115593264 A CN115593264 A CN 115593264A
Authority
CN
China
Prior art keywords
charging
optimized
power
optimization
charging power
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
Application number
CN202211402725.4A
Other languages
English (en)
Inventor
曾正林
张伟
宋学清
侯剑
卢操
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211402725.4A priority Critical patent/CN115593264A/zh
Publication of CN115593264A publication Critical patent/CN115593264A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • 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
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • 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
    • B60L53/80—Exchanging energy storage elements, e.g. removable 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
    • Y02T10/70—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)

Abstract

本申请涉及一种基于边缘计算的充电优化控制方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；获取边缘节点采集的与边缘节点关联的换电站的负荷信息；基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率；根据目标优化充电功率对各充电桩进行充电控制。采用本方法能够有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。

Description

基于边缘计算的充电优化控制方法、装置和计算机设备
技术领域
本申请涉及电力控制技术领域，特别是涉及一种基于边缘计算的充电优化控制方法、装置、计算机设备、存储介质和计算机程序产品。
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的汽车，与传统汽车相比，电动汽车因为其具有零排放或近似零排放、运行平稳、无噪声等优点，逐渐成为现下主流的汽车类型。
电动汽车数量的剧增、制造趋于规模化，使得电动汽车蓄电池数量储备以及充电问题成为了电动汽车换电站的主要问题，换电站使用无序充电的方式对电动汽车进行充电，容易造成资源浪费，提高换电站的充电成本。
发明内容
基于此，有必要针对上述技术问题，提供一种能够换电站的充电成本的基于边缘计算的充电优化控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于边缘计算的充电优化控制方法，所述方法包括：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
获取边缘节点采集的与所述边缘节点关联的换电站的负荷信息；
基于所述负荷信息，采用自适应遗传算法对所述充电优化控制模型进行计算，得到所述换电站中各充电桩的目标优化充电功率；
根据所述目标优化充电功率对各所述充电桩进行充电控制。
第二方面，本申请还提供了一种基于边缘计算的充电优化控制装置，所述装置包括：
模型构建模块，用于以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
边缘节点数据获取模块，用于获取边缘节点采集的与所述边缘节点关联的换电站的负荷信息；
目标优化充电功率计算模块，用于基于所述负荷信息，采用自适应遗传算法对所述充电优化控制模型进行计算，得到所述换电站中各充电桩的目标优化充电功率；
充电控制模块，用于根据所述充电功率对各所述充电桩进行充电控制。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述基于边缘计算的充电优化控制方法、装置、计算机设备、存储介质和计算机程序产品，控制平台以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，获取边缘节点采集的与该边缘节点关联的换电站的负荷信息，用边缘节点采集负荷信息，可以有效减少控制平台的数据采集量与工作量。基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率，控制平台根据目标优化充电功率对该换电站的各充电桩进行充电控制，使换电站对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
附图说明
图1为一个实施例中基于边缘计算的充电优化控制方法的应用环境图；
图2为一个实施例中基于边缘计算的充电优化控制方法的流程示意图；
图3为一个实施例中以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型步骤的流程示意图；
图4为一个实施例中基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率步骤的流程示意图；
图5为一个实施例中根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数步骤的流程示意图；
图6为一个实施例中基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率步骤的流程示意图；
图7为另一个实施例中基于边缘计算的充电优化控制方法的应用环境图；
图8为另一个实施例中基于边缘计算的充电优化控制方法的流程示意图；
图9为一个实施例中基于边缘计算的充电优化控制装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于边缘计算的充电优化控制方法，可以应用于如图1所示的应用环境中。其中，控制平台102通过网络与边缘节点104进行通信。边缘节点104可以通过采集设备获取与其关联的换电站106的负荷信息。数据存储系统可以存储控制平台102需要处理的数据。数据存储系统可以集成在控制平台102上，也可以放在云上或其他网络服务器上。控制平台102以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，获取边缘节点104采集的与边缘节点104关联的换电站106的负荷信息，基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站106中各充电桩的目标优化充电功率，控制平台102根据目标优化充电功率对换电站106中各充电桩进行充电控制。其中，控制平台102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物等。也可以用独立的服务器或者是多个服务器组成的服务器集群来实现。边缘节点104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，控制平台可以通过云平台实现。
在一个实施例中，如图2所示，提供了一种基于边缘计算的充电优化控制方法，以该方法应用于图1中的控制平台为例进行说明，包括以下步骤：
步骤202，以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型。
电动汽车以换电模式和充电模式作为能源供给的主要方式，整车充电至电动汽车为充电模式，分为常规充电和快速充电两部分。换电模式则是主要利用更换电池方式为电动汽车提供补给能源的方式，电动汽车采用换电模式供电时，需通过换电站为电池集中充电。换电模式是目前电动汽车的主要运营模式。
换电站使用换电模式，通过换电站内的充电桩对各电动汽车进行充电，电动汽车换电电池在换电模式下充电时间较长，换下电池后需要一定的时间才可进入下一次运营，电池存在一定的冗余度，即电池数量高于电动汽车数量才可满足电动汽车换电电池的换电要求。
例如，设时间为t时，换电站所提供满电电池数量以及换电所需电池组数量是影响电动汽车换电电池冗余度的重要影响因素，电动汽车换电电池冗余度公式如下：
Nleft，t-1+t≥Rt
其中，表示换电站符合电动汽车时间段为的换电需求后所剩储备蓄电池数量，
Figure BDA0003935640630000041
表示时间段为t-1时未充满电，直至时间段为t时电量符合满电荷的电池数量；Rt表示时间段为t时，电动汽车需更换电池数量，即换电需求。
时段为时，充满电的换电需求和电池数量决定了Nleft，t-1取值，Nleft，t-1取值同时受时段为t-2时剩余满电电池数量影响，其计算公式如下：
Nleft，t-1＝left，t-2+t-1-t-1
其中，充电优化控制模型以符合电动汽车换电需求且总充电费用最低为优化目标。符合电动汽车换电需求即指换电站中电池数量满足电动汽车所需更换电池的数量。总充电费用最低是指进行优化控制后，同一时间段内使用优化控制后的充电功率进行充电，其花费的充电费用最低。
电网负荷的波动也是影响充电费用的关键因素，因此，以负荷波动方差最低作为目标函数，利用负荷波动最低降低发电机组跟踪负荷的运行成本，实现充电优化控制。
具体地，控制平台以符合电动汽车换电需求且总充电费用最低为优化目标，以负荷波动方差最低为目标函数，预先构建得到充电优化控制模型。
在一个实施例中，控制平台利用数据模型库结合算法库和知识库建立充电优化控制模型。
步骤204，获取边缘节点采集的与边缘节点关联的换电站的负荷信息。
其中，由于物联网快速发展，终端设备数量也得到了巨大提升，云计算资源为物联网终端用户提供服务。终端数据传输至云计算中心处理后返回至终端，为云计算中心带来巨大压力，云计算中心容易出现由于数据量过大造成服务异常情况，影响物联网终端用户使用，边缘计算的概念应运而生。
边缘计算是物联网背景和大数据技术下的重要计算方式，边缘计算模式将存储、计算和网络服务通过网络边缘提供至用户，在网络边缘实现数据应用，可提升数据处理的实时性，节约带宽，并将数据处理结果反馈至用户，避免数据丢失以及数据延时情况。
在其中一个实施例中，控制平台与各边缘节点之间可以利用网络作为连接方式，可以选取本地网络、移动网络、外部网络等相关硬件建立移动蜂窝网络。
具体地，管理人员为每个换电站关联对应的边缘节点，每个边缘节点都与控制平台进行连接，边缘节点可以自行采集与处理关联换电站的信息，将信息传输给控制平台，有效减少控制平台的数据采集量与工作量。
其中，换电站的负荷信息是指换电站中用于为电动汽车进行充电的电池的相关信息，换电站的负荷信息可以包括换电站所提供满电电池数量以及换电所需电池组数量等。
具体地，边缘节点采集关联的换电站的负荷信息，并将负荷信息上传至控制平台，以供控制平台进行优化分析。可以理解的，一个控制平台可以与多个边缘节点建立连接，控制平台所连接的边缘节点的数量可以根据控制平台的实际运行处理能力设定，本申请不作限定。
步骤206，基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率。
其中，自适应遗传算法(Adaptive Genetic Algorithm，AGA)是对基本遗传算法的一种改进，它通过对遗传参数的自适应调整，大大提高了遗传算法的收敛精度，加快了收敛速度。自适应遗传算法在保持群体多样性的同时，保证了遗传算法的收敛性。自适应遗传算法的遗传参数是自适应的，提高了基本遗传算法的收敛速度和收敛精度。如今大量改进算法根据生物进化特征，更加形象的模拟生物进化，使算法能够以较大概率收敛到最优解。
具体地，控制平台将负荷信息输入充电优化控制模型中，采用自适应遗传算法，对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率。
步骤208，根据目标优化充电功率对各充电桩进行充电控制。
具体地，控制平台根据计算得到的目标优化充电功率，对各充电桩进行充电控制，由于目标优化充电功率是通过充电优化控制模型计算得到的，因此，目标优化充电功率即符合电动汽车换电需求且总充电费用最低，同时也可以使符合波动最低。
上述基于边缘计算的充电优化控制方法中，控制平台以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，获取边缘节点采集的与该边缘节点关联的换电站的负荷信息，用边缘节点采集负荷信息，可以有效减少控制平台的数据采集量与工作量。基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率，控制平台根据目标优化充电功率对该换电站的各充电桩进行充电控制，使换电站对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
在一个实施例中，如图3所示，以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，包括：
步骤302，以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数。
具体地，控制平台首先以控制平台以符合电动汽车换电需求且总充电费用最低为第一优化阶段的优化目标，以负荷波动方差最低为第二优化阶段的目标函数。
步骤304，将优化目标设置为目标函数的第一约束条件。
具体地，第一优化阶段的目标为总充电费用最低，控制平台将第一优化阶段目标设置为第二优化阶段的负荷波动最小的第一约束条件，第二优化阶段目标为从负荷最低的全部可行解内获取日负荷波动最低的解。
例如，设置15min为电动汽车换电电池充电周期，将每天分为96个时段，设电动汽车换电站内包含充电桩数量为K。
设置总充电费用最低为日充电负荷优化目标如下：
Figure BDA0003935640630000071
其中，Pk(t)与c(t)分别表示时间段为t时，充电站内充电桩k的充电功率以及电价，Δt表示充电时间段，设置Δt为15min。
完成第1阶段优化后，利用第2阶段优化目标降低充电过程中负荷波动情况，第2阶段选取负荷波动方差最低为目标函数。第2阶段设置每天为1个控制周期，每小时作为1个时间段，每天分为24个时间段。负荷波动方差最低作为第2阶段目标函数公式如下：
Figure BDA0003935640630000072
其中，PL,t与Pkt分别表示时间段为t时原电网负荷以及充电桩k的充电负荷；n与Pav分别表示换电站充电桩数量以及调整充电负荷后日平均负荷，Pav公式如下：
Figure BDA0003935640630000081
步骤306，根据第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
其中，预设约束条件时模型设计人员根据换电站实际为电动汽车充电过程中所需要考虑的条件进行设计的约束条件，用于为最后确定目标函数的最优解提供约束。
具体地，控制平台根据第一约束条件、目标函数以及预设约束条件构建充电优化控制模型。可以理解的，预设约束条件的个数和种类均可根据实际情况进行设置，本申请不作限定。
本实施例中，通过将第一优化阶段的优化目标作为第二优化阶段的第一约束条件，并根据目标函数以及各约束条件一起构建得到充电优化控制模型，为后续对充电优化控制模型进行计算得到目标优化充电功率提供了基础。
在一个实施例中，预设约束条件包括换电需求约束条件、电池更换能力约束条件、换电电池荷电状态约束条件、电池充满数量约束条件、充电功率约束条件以及换电需求约束条件中的至少一种。
具体地，所建立电动汽车换电电池的充电优化控制模型中，两个优化阶段目标函数约束条件如下：
第一，换电需求约束。
设置时间段为t时，可应用于更换的电池数量可满足电池更换需求公式如下：
N(t)≥M(t)
其中，N(t)与M(t)分别表示时间段为t时，换电站内可用于更换的电池数量以及换电需求。
第二，电池更换能力约束。
换电站运行时全部电池需为充满状态，利用备用电池总数量衡量电池更换能力，约束公式如下：
Figure BDA0003935640630000091
其中，Q与F(t-1)分别表示换电站备用电池总数量以及时间段为t-1时满电量电池数量。
第三，换电电池荷电状态约束。
用[ts,te]表示充电桩k接入电池时间，
Figure BDA0003935640630000092
表示充电桩接入时电池起始荷电状态，电池荷电状态在充电过程中换电电池荷电状态约束如下：
Figure BDA0003935640630000093
其中，t＝ts+1,…,te。yk(t)表示时间段为t时，起始时刻的荷电状态；Pk()与Dc分别表示时间段为t时，充电桩k的充电功率以及电池容量；ηCH表示充电效率。
第四，电池充满数量约束。
时间段为t时，全部充电桩上充满的电池数量总和为电池充满数量，该约束公式如下：
Figure BDA0003935640630000094
其中，F(t)与DU分别表示时间段为t时已充满电池数量以及电池充满时荷电状态，可以理解的，DU的值可以设置为0.9。
第五，充电功率约束。
设置换电站充电桩上充电功率约束如下：
Pk(t)＝NkHk()
其中，PNk与Hk()分别表示充电桩k的充电额定功率以及充电状态变量。忽略充电功率变换时充电状态如下：
Hk(){0,1}
第六，换电需求约束。
设置换电需求为非负整数，设置约束如下：
M(t)∈Q
本实施例中，通过为两个优化阶段的目标函数设置多个约束条件，可以进一步提高根据充电优化控制模型计算得到的目标优化充电功率的优化效果，使换电站根据目标优化充电功率对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
在一个实施例中，如图4所示，基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率，包括以下步骤：
步骤402，将负荷信息输入充电优化控制模型中，初始化换电站的设备信息。
其中，换电站的设备信息包括各充电桩的状态信息、蓄电池以及电动汽车保有量等信息。
具体地，控制平台将边缘节点采集的换电站的负荷信息输入充电优化控制模型中，初始化换电站中各充电桩的状态、蓄电池以及电动汽车保有量等。
步骤404，根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数。
具体地，控制平台根据初始化的设备信息，对充电优化控制模型中的目标函数进行求解，确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数。
步骤406，基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
具体地，控制平台对待优化充电功率与目标函数进行迭代优化，在满足预设迭代停止条件时，将此时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在本实施例中，通过自适应遗传算法对充电优化控制模型中的目标函数和待优化充电功率进行迭代优化，大大提高了遗传算法的收敛精度，加快了收敛速度。将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率，可以进一步提高根据充电优化控制模型计算得到的目标优化充电功率的优化效果，使换电站根据目标优化充电功率对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
在一个实施例中，如图5所示，根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数，包括以下步骤：
步骤502，将迭代次数设置为1；
具体地，控制平台首先将初始迭代次数设置为1。
步骤504，根据设备信息随机生成初始种群；
具体地，控制平台根据设备信息随机生成初始种群，可以理解的，对于种群的规模，一般是在初始阶段设定好的，复杂程度不同的问题，相应的初始种群的设定也不同。种群规模设定要适中，太小的种群规模会使收敛速度过慢，过大的规模也会增加搜索的难度，演化为枚举搜索。
步骤506，从各目标函数的可行解中确定待优化充电功率；
具体地，控制平台对目标函数进行求解，从求得的各可行解中随机选取一个作为待优化充电功率。
步骤508，根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置；
具体地，控制平台依据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置。
步骤510，通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。
其中，交叉处理，是指对两个相互配对的染色体依据交叉概率cp，按某种方式相互交换其部分基因，从而形成两个新个体。交叉处理是遗传算法区别于其它进化算法的重要特征，它在遗传算法中起关键作用，交叉处理应该产生尽可能多样性的后代。预设交叉处理方法可以为单点交叉(简单交叉)、两点交叉、多点交叉、均匀交叉、算术交叉等。
具体地，控制平台通过预设交叉处理，将待优化充电功率进行随机变异，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。其中，变异运算，是指依据变异概率mp将个体编码串中的某些基因值用其它基因值来替换，从而形成一个新个体。遗传算法中的变异运算是产生新个体的辅助方法，它增强了遗传算法的局部搜索能力，同时保持了种群的多样性。交叉运算和变异运算相互配合，共同完成对搜索空间的全局搜索和局部搜索。
在其中一个实施例中，预设交叉处理可以为简单交叉。
上述实施例中，通过预设种群，从各目标函数的可行解中确定待优化充电功率，根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置，再通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数，为后续迭代优化得到最终的目标优化充电功率提供了数据基础。
在一个实施例中，如图6所示，基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率，包括：
步骤602，通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求。
其中，蒙特卡洛方法也称统计模拟法、统计试验法，是把概率现象作为研究对象的数值模拟方法。是按抽样调查法求取统计值来推定未知特性量的计算方法。蒙特卡洛法的基本思想是：为了求解问题，首先建立一个概率模型或随机过程，使它的参数或数字特征等于问题的解：然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征，最后给出所求解的近似值。解的精确度用估计值的标准误差来表示。
具体地，控制平台通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求。
步骤604，根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数。
其中，惩罚函数可以认为是适应度函数，用于评价个体适应环境的能力，在进行选择操作时经常用到，它的选取是否恰当直接影响到遗传算法的性能，所以就形成了很多计算适应度的函数，改进这些适应度函数是为了使适应度能更好的反映个体的优劣，使得适应度低的个体被淘汰，适应度高的个体被保留。自适应的适应度函数可以随着种群代数的增加自适应的调整，在算法的开始阶段，适应度差别较大，为了防止一些适应度较差的个体在一开始就丢失，可以通过改变适应度函数使得它们得以保留下来，另外，当种群趋于收敛时，适应度差别很小，这时为了加快收敛的速度，应对适应度进行调整，使得个体适应度差别增大，从而更快的收敛到全局最优解。
具体地，控制平台根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数。
步骤606，判断迭代次数是否满足预设迭代停止条件，若不满足，则返回根据设备信息随机生成初始种群的步骤，直至迭代次数满足预设迭代停止条件，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
其中，预设迭代停止条件可以为预设迭代次数阈值，用于评价迭代优化过程是否完成，是否得到了目标函数的最优解。预设迭代停止条件由设计人员根据实验数据与经验数据进行设定，当迭代次数满足预设迭代停止条件时，认为此时对应的待优化充电功率即为目标优化充电功率。若迭代次数不满足预设迭代停止条件，则认为此时待优化充电功率仍有优化空间。
具体地，控制平台判断当前的迭代次数是否满足预设迭代次数阈值，若不满足，则返回步骤504，继续执行根据设备信息随机生成初始种群的步骤。若迭代此时满足预设迭代停止条件，则将此时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在其中一个实施例中，依据自适应遗传算法对所建立电动汽车换电电池充电优化控制模型实施求解。模型求解过程中全局搜索能力受交叉算子影响，需设置交叉算子在进化初期与进化末期概率分别较大以及较小，保证进化初期具有较大范围的全局性搜索能力，交叉算子修正公式如下：
Figure BDA0003935640630000141
其中，Pc与Pcmax分别表示交叉概率以及最大交叉概率；Pcmin与ge分别表示最小交叉概率以及进化代数；gemax与favg分别表示最大进化代数以及种群平均适应度值；f·表示具有较大适应度的交叉父辈个体适应度。
上述实施例中，利用自适应遗传算法求解所建立电动汽车换电电池充电优化控制模型，将电动汽车充电需求选取蒙特卡洛方法模拟，可以进一步提高根据充电优化控制模型计算得到的目标优化充电功率的优化效果和优化精度，使换电站根据目标优化充电功率对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
在一个实施例中，提供了一种基于边缘计算的充电优化控制方法，应用于如图7所示的边缘计算平台中，边缘计算平台利用网络边缘实现网络计算、控制以及存储，可拓展云计算的环境感知能力，降低用户延迟。将边缘计算平台内各节点设置于无线网络控制器以及大型基站内，令多节点与用户处于相同区域网络内。边缘计算以“端设备-边缘-云”作为构架，三层架构均可提供服务与资源至应用。
由图7可知，所建立边缘计算平台将边缘计算与云计算结合，边缘节点A采集电动汽车用电信息(包括换电站所提供满电电池数量以及换电所需电池组数量等)，将所采集数据上传至云平台，云平台利用数据模型库结合算法库和知识库通过所建立电动汽车换电电池充电优化控制模型分析边缘节点A所关联的电动汽车换电电池冗余度(换电需求、电池更换能力、换电电池荷电状态、电池充满数量、充电功率均会影响边缘节点A计算精度)，实现电动汽车换电电池充电优化。当边缘节点A采集的数据出现丢失时，边缘节点B将发送改进模型请求，通过云平台模块对其进行优化和改进后，将改进后模型下发至边缘节点A，重新采集电动汽车用电信息。构建边缘计算平台利用网络作为边缘计算连接方式，可选取本地网络、移动网络、外部网络等相关硬件建立移动蜂窝网络；边缘计算平台主机内部可划分为网络平台、网络应用以及虚拟基础设施。
如图8所示，基于边缘计算的充电优化控制具体包括以下步骤：
步骤1，云平台以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，再根据换电需求约束、电池更换能力约束、换电电池荷电状态约束、电池充满数量约束、充电功率约束以及换电需求约束，一起构建得到充电优化控制模型。
步骤2，云平台获取边缘节点采集的与边缘节点关联的换电站的负荷信息。
步骤3，将符合信息输入模型中，初始化充电桩状态、蓄电池以及电动汽车保有量。
步骤4，将初始迭代次数设置为1。
步骤5，随机选取待优化充电功率，根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置，通过简单交叉，随机变异，获取待优化充电功率的目标函数。
步骤6，通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求，根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，将迭代次数加1。
步骤7，判断当前跌打次数是否达到预设迭代次数阈值，若未达到，则返回执行步骤5。若达到，则执行步骤8。
步骤8，获取目标优化充电功率，根据目标优化充电功率对充电桩进行充电控制。
本实施例中的基于边缘计算的充电优化控制方法，利用边缘计算所具有的优势，建立电动汽车换电电池充电优化控制模型，利用所建立模型分析电动汽车换电电池冗余度，避免充电设备饱和以及蓄电池数量过多造成资源浪费情况。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于边缘计算的充电优化控制方法的基于边缘计算的充电优化控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于边缘计算的充电优化控制装置实施例中的具体限定可以参见上文中对于基于边缘计算的充电优化控制方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种基于边缘计算的充电优化控制装置900，包括：模型构建模块901、边缘节点数据获取模块902、目标优化充电功率计算模块903和充电控制模块904，其中：
模型构建模块901，用于以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型。
边缘节点数据获取模块902，用于获取边缘节点采集的与边缘节点关联的换电站的负荷信息。
目标优化充电功率计算模块903，用于基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率。
充电控制模块904，用于根据充电功率对各充电桩进行充电控制。
上述基于边缘计算的充电优化控制装置，控制平台以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，获取边缘节点采集的与该边缘节点关联的换电站的负荷信息，用边缘节点采集负荷信息，可以有效减少控制平台的数据采集量与工作量。基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率，控制平台根据目标优化充电功率对该换电站的各充电桩进行充电控制，使换电站对电动汽车进行充电既符合电动汽车换电需求，又可以降低总充电费用，有效避免了无序充电造成的资源浪费，降低了换电站的充电成本。
在一个实施例中，模型构建模块还用于：以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数；将优化目标设置为目标函数的第一约束条件；根据第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
在一个实施例中，目标优化充电功率计算模块还用于：将负荷信息输入充电优化控制模型中，初始化换电站的设备信息；根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数；基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，目标优化充电功率计算模块还用于：将迭代次数设置为1，根据设备信息随机生成初始种群；从各目标函数的可行解中确定待优化充电功率；根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置；通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。
在一个实施例中，目标优化充电功率计算模块还用于：通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求；根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数；判断迭代次数是否满足预设迭代停止条件，若不满足，则返回根据设备信息随机生成初始种群的步骤，直至迭代次数满足预设迭代停止条件，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
上述基于边缘计算的充电优化控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是集成了控制平台的服务器或终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储充电优化控制模型、负荷信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于边缘计算的充电优化控制方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
获取边缘节点采集的与边缘节点关联的换电站的负荷信息；
基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率；
根据目标优化充电功率对各充电桩进行充电控制。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数；
将优化目标设置为目标函数的第一约束条件；
根据第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将负荷信息输入充电优化控制模型中，初始化换电站的设备信息；
根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数；
基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将迭代次数设置为1，根据设备信息随机生成初始种群；
从各目标函数的可行解中确定待优化充电功率；
根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置；
通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求；
根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数；
判断迭代次数是否满足预设迭代停止条件，若不满足，则返回根据设备信息随机生成初始种群的步骤，直至迭代次数满足预设迭代停止条件，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
获取边缘节点采集的与边缘节点关联的换电站的负荷信息；
基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率；
根据目标优化充电功率对各充电桩进行充电控制。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数；
将优化目标设置为目标函数的第一约束条件；
根据第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将负荷信息输入充电优化控制模型中，初始化换电站的设备信息；
根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数；
基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将迭代次数设置为1，根据设备信息随机生成初始种群；
从各目标函数的可行解中确定待优化充电功率；
根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置；
通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求；
根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数；
判断迭代次数是否满足预设迭代停止条件，若不满足，则返回根据设备信息随机生成初始种群的步骤，直至迭代次数满足预设迭代停止条件，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
获取边缘节点采集的与边缘节点关联的换电站的负荷信息；
基于负荷信息，采用自适应遗传算法对充电优化控制模型进行计算，得到换电站中各充电桩的目标优化充电功率；
根据目标优化充电功率对各充电桩进行充电控制。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数；
将优化目标设置为目标函数的第一约束条件；
根据第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将负荷信息输入充电优化控制模型中，初始化换电站的设备信息；
根据设备信息确定换电站中各充电桩的待优化充电功率以及待优化充电功率的目标函数；
基于待优化充电功率的目标函数对待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将迭代次数设置为1，根据设备信息随机生成初始种群；
从各目标函数的可行解中确定待优化充电功率；
根据种群平均适应度和遗传代数确定待优化充电功率的最优位置和全局最优位置；
通过预设交叉处理，根据待优化充电功率的最优位置和全局最优位置确定待优化充电功率的目标函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过蒙特卡洛方法模拟电动汽车行驶，得到电动汽车的换电需求；
根据惩罚函数降低未符合换电需求的待优化充电功率的适应度，对待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数；
判断迭代次数是否满足预设迭代停止条件，若不满足，则返回根据设备信息随机生成初始种群的步骤，直至迭代次数满足预设迭代停止条件，将满足预设迭代停止条件时的待优化充电功率确定为换电站中各充电桩的目标优化充电功率。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于边缘计算的充电优化控制方法，其特征在于，所述方法包括：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
获取边缘节点采集的与所述边缘节点关联的换电站的负荷信息；
基于所述负荷信息，采用自适应遗传算法对所述充电优化控制模型进行计算，得到所述换电站中各充电桩的目标优化充电功率；
根据所述目标优化充电功率对各所述充电桩进行充电控制。
2.根据权利要求1所述的方法，其特征在于，所述以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型，包括：
以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数；
将所述优化目标设置为所述目标函数的第一约束条件；
根据所述第一约束条件、目标函数以及预设约束条件构建得到充电优化控制模型。
3.根据权利要求2所述的方法，其特征在于，所述预设约束条件包括换电需求约束条件、电池更换能力约束条件、换电电池荷电状态约束条件、电池充满数量约束条件、充电功率约束条件以及换电需求约束条件中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述基于所述负荷信息，采用自适应遗传算法对所述充电优化控制模型进行计算，得到所述换电站中各充电桩的目标优化充电功率，包括：
将所述负荷信息输入所述充电优化控制模型中，初始化所述换电站的设备信息；
根据所述设备信息确定所述换电站中各充电桩的待优化充电功率以及所述待优化充电功率的目标函数；
基于所述待优化充电功率的目标函数对所述待优化充电功率进行迭代优化，将满足预设迭代停止条件时对应的待优化充电功率确定为所述换电站中各充电桩的目标优化充电功率。
5.根据权利要求4所述的方法，其特征在于，所述根据所述设备信息确定所述换电站中各充电桩的待优化充电功率以及所述待优化充电功率的目标函数，包括：
将迭代次数设置为1，根据所述设备信息随机生成初始种群；
从各目标函数的可行解中确定待优化充电功率；
根据种群平均适应度和遗传代数确定所述待优化充电功率的最优位置和全局最优位置；
通过预设交叉处理，根据所述待优化充电功率的最优位置和全局最优位置确定所述待优化充电功率的目标函数。
6.根据权利要求4所述的方法，其特征在于，所述基于所述待优化充电功率的目标函数对所述待优化充电功率进行迭代优化，将满足预设迭代停止条件时的待优化充电功率确定为所述换电站中各充电桩的目标优化充电功率，包括：
通过蒙特卡洛方法模拟电动汽车行驶，得到所述电动汽车的换电需求；
根据惩罚函数降低未符合所述换电需求的待优化充电功率的适应度，对所述待优化充电功率进行优化，将迭代次数加1后更新为新的迭代次数；
判断所述迭代次数是否满足预设迭代停止条件，若不满足，则返回根据所述设备信息随机生成初始种群的步骤，直至所述迭代次数满足所述预设迭代停止条件，将满足所述预设迭代停止条件时的待优化充电功率确定为所述换电站中各充电桩的目标优化充电功率。
7.一种基于边缘计算的充电优化控制装置，其特征在于，所述装置包括：
模型构建模块，用于以符合电动汽车换电需求且总充电费用最低为优化目标，负荷波动方差最低为目标函数，构建得到充电优化控制模型；
边缘节点数据获取模块，用于获取边缘节点采集的与所述边缘节点关联的换电站的负荷信息；
目标优化充电功率计算模块，用于基于所述负荷信息，采用自适应遗传算法对所述充电优化控制模型进行计算，得到所述换电站中各充电桩的目标优化充电功率；
充电控制模块，用于根据所述充电功率对各所述充电桩进行充电控制。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211402725.4A 2022-11-10 2022-11-10 基于边缘计算的充电优化控制方法、装置和计算机设备 Pending CN115593264A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211402725.4A CN115593264A (zh) 2022-11-10 2022-11-10 基于边缘计算的充电优化控制方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211402725.4A CN115593264A (zh) 2022-11-10 2022-11-10 基于边缘计算的充电优化控制方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN115593264A true CN115593264A (zh) 2023-01-13

Family

ID=84852372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211402725.4A Pending CN115593264A (zh) 2022-11-10 2022-11-10 基于边缘计算的充电优化控制方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN115593264A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117134468A (zh) * 2023-10-25 2023-11-28 深圳联芯微电子科技有限公司 一种动态调整功率的稳定pd快充系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180186247A1 (en) * 2015-06-26 2018-07-05 Easycharge.Me Gmbh Charging system
CN111391709A (zh) * 2020-04-23 2020-07-10 燕山大学 一种电动汽车换电站调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180186247A1 (en) * 2015-06-26 2018-07-05 Easycharge.Me Gmbh Charging system
CN111391709A (zh) * 2020-04-23 2020-07-10 燕山大学 一种电动汽车换电站调度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117134468A (zh) * 2023-10-25 2023-11-28 深圳联芯微电子科技有限公司 一种动态调整功率的稳定pd快充系统及方法
CN117134468B (zh) * 2023-10-25 2024-02-13 深圳联芯微电子科技有限公司 一种动态调整功率的稳定pd快充系统及方法

Similar Documents

Publication Publication Date Title
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN113821983B (zh) 基于代理模型的工程设计优化方法、装置及电子设备
CN113935235A (zh) 基于遗传算法和代理模型的工程设计优化方法及装置
CN116167289B (zh) 电网运行场景生成方法、装置、计算机设备和存储介质
CN111694664A (zh) 一种边缘服务器的计算卸载分配方法
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
CN115593264A (zh) 基于边缘计算的充电优化控制方法、装置和计算机设备
CN114202229B (zh) 基于深度强化学习的微电网的能量管理策略的确定方法
CN116167581A (zh) 电池需求量预估方法、装置、调度方法和计算机设备
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
Zhou et al. An on-line multi-fidelity metamodel assisted multi-objective genetic algorithm
CN113298329A (zh) 训练、策略生成方法、系统、计算机装置及存储介质
CN116454890B (zh) 基于scuc模型的机组组合控制方法、装置和设备
CN118094934A (zh) 电池性能优化方法、装置、设备、存储介质和程序产品
CN116611506B (zh) 用户分析模型训练方法、用户标签确定方法和装置
CN117114329B (zh) 多气源智能调度方法与装置
CN117353359B (zh) 电池联合储能供电方法及系统
CN113506901B (zh) 燃料电池系统动态性能预测方法及装置
CN116415770A (zh) 供电方案的确定方法、装置、计算机设备和存储介质
CN116700972A (zh) 金融系统的资源调度模型训练方法、调度方法及装置
CN117236598A (zh) 充电调度方法、装置、计算机设备和存储介质
CN117909714A (zh) 充电功率预测模型训练方法、装置和计算机设备
CN116822209A (zh) 考虑供需协同的大规模风光火储系统容量配置方法
Coelho et al. Surrogate models with kriging and POD for the optimization of an intake port
CN117874548A (zh) 一种充换电站时序数据的处理方法、装置、计算机设备

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