CN116562476B - 应用于电动汽车的充电负荷信息生成方法和装置 - Google Patents

应用于电动汽车的充电负荷信息生成方法和装置 Download PDF

Info

Publication number
CN116562476B
CN116562476B CN202310848430.8A CN202310848430A CN116562476B CN 116562476 B CN116562476 B CN 116562476B CN 202310848430 A CN202310848430 A CN 202310848430A CN 116562476 B CN116562476 B CN 116562476B
Authority
CN
China
Prior art keywords
information
model
station
charging
target
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
Application number
CN202310848430.8A
Other languages
English (en)
Other versions
CN116562476A (zh
Inventor
苑学贺
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.)
Beijing China Power Information Technology Co Ltd
Original Assignee
Beijing China Power Information Technology 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 Beijing China Power Information Technology Co Ltd filed Critical Beijing China Power Information Technology Co Ltd
Priority to CN202310848430.8A priority Critical patent/CN116562476B/zh
Publication of CN116562476A publication Critical patent/CN116562476A/zh
Application granted granted Critical
Publication of CN116562476B publication Critical patent/CN116562476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本公开的实施例公开了应用于电动汽车的充电负荷信息生成方法和装置。该方法的一具体实施方式包括：采集场站运行信息集合；对场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理；向模型聚合服务器发送目标请求；通过预处理后场站信息集合，对目标模型文件对应的充电负荷信息预测模型进行模型训练；将更新后模型文件发送至模型聚合服务器；通过更新后充电负荷信息预测模型和目标对象对应的实时场站运行信息，生成实时充电负荷信息。该实施方式可以实现对车辆充电桩的充电负荷的实时调整，解决了当充电负荷激增所可能导致的车辆充电桩被损坏的问题。

Description

应用于电动汽车的充电负荷信息生成方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及应用于电动汽车的充电负荷信息生成方法和装置。
背景技术
电动汽车相较于燃油汽车，具有着环境友好等特点，因此，电动汽车的推广对于能源危机的缓解，以及环境污染的缓解有着积极作用。但电动汽车往往需要配套相应的车辆充电桩以用于车辆充电。目前，在对电动汽车进行车辆充电时，通常采用的方式为：通过车辆充电桩，将电动汽车接入充电电网中，以实现对电动汽车的车辆充电。
然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：
第一，电动汽车的充电时机往往不确定，当同时存在大量的电动汽车需要进行车辆充电时，会造成充电负荷突增，从而可能导致车辆充电桩损坏；
第二，不同目标对象对应的场站运行信息往往相互隔离，使得无法综合结合多个不同目标对象对应的场站运行信息，对充电负荷信息预测模型进行模型训练，导致模型的预测精度较差，当预测得到的充电负荷信息与实际的充电负荷需求偏差较大时，可能会造成充电电网或车辆充电桩的损坏；
第三，未结合对充电负荷产生影响的多模态因素，以用于充电负荷信息预测模型进行训练，导致训练得到的充电负荷信息预测模型输出的实时充电负荷信息准确度较差，当实时充电负荷信息与实际的充电负荷需求偏差较大时，可能会造成车辆充电桩损坏。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了应用于电动汽车的充电负荷信息生成方法和装置，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种应用于电动汽车的生成充电负荷信息的方法，该方法包括：采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合；向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器；响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件；将上述更新后模型文件发送至上述模型聚合服务器；响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
第二方面，本公开的一些实施例提供了一种应用于电动汽车的生成充电负荷信息的装置，装置包括：采集单元，被配置成采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；数据预处理单元，被配置成对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合；第一发送单元，被配置成向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器；模型训练单元，被配置成响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件；第二发送单元，被配置成将上述更新后模型文件发送至上述模型聚合服务器；生成单元，被配置成响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的应用于电动汽车的充电负荷信息生成方法，避免了在充电负荷突增的情况下，车辆充电桩可能造成损坏的问题。具体来说，车辆充电桩可能造成损坏的原因在于：电动汽车的充电时机往往不确定，当同时存在大量的电动汽车需要进行车辆充电时，会造成充电负荷突增，从而可能导致车辆充电桩损坏。实践中，充电负荷突增，可能会导致车辆充电桩的瞬时电压突增，当瞬时电压超过车辆充电桩内部件的电压阈值时，可能造成电路击穿等问题，进而导致车辆充电桩损坏。基于此，本公开的一些实施例的应用于电动汽车的充电负荷信息生成方法，首先，采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息。其次，对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合。实践中，场站运行信息在数据采集时，可能存在数据丢失或数据异常的情况（例如，出现空值），因此，需要对场站运行信息进行数据预处理，以提高数据质量。接着，向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器。进一步，响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件。通过结合预处理后场站信息集合，对充电负荷信息预测模型进行本地化训练，以提高训练得到的充电负荷信息预测模型（更新后模型文件对应的充电负荷信息预测模型），针对目标对象对应的至少一个场站的适应性。此外，将上述更新后模型文件发送至上述模型聚合服务器。最后，响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。通过模型聚合服务器实现对不同对象对应的模型文件的融合，以提高得到的更新后充电负荷信息预测模型的鲁棒性。通过此种方式，可以实时的预测得到实时充电负荷信息，从而可以结合实时充电负荷信息对车辆充电桩的充电负荷进行实时调整，以解决充电负荷突增，所可能导致的车辆充电桩被损坏的问题。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的应用于电动汽车的充电负荷信息生成方法的一些实施例的流程图；
图2是根据本公开的应用于电动汽车的充电负荷信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的应用于电动汽车的充电负荷信息生成方法的一些实施例的流程100。该应用于电动汽车的充电负荷信息生成方法，包括以下步骤：
步骤101，采集场站运行信息集合。
在一些实施例中，应用于电动汽车的充电负荷信息生成方法的执行主体（例如，计算设备）可以采集场站运行信息集合。其中，场站运行信息集合是目标对象对应的至少一个场站的场站运行数据。场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息。目标对象表征提供车辆充电服务的对象。实践中，目标对象可以是车辆充电服务运营商。场站是目标对象对应的、用于提供车辆充电服务的区域。实践中，场站可以包括至少一个车辆充电桩。车辆充电数据表征车辆使用场站内的车辆充电桩时的充电数据。充电车辆信息表征使用场站内车辆充电桩的车辆的车辆信息。场站天气信息表征场站所处位置的天气信息。
作为示例，对于场站运行信息包括的车辆充电数据和充电车辆信息，上述执行主体可以通过有线连接，或无线连接的方式，获取目标对象对应的场站内的车辆充电桩在进行车辆充电时的运行数据和使用车辆充电桩的车辆信息，作为车辆充电数据和充电车辆信息。对于场站运行信息包括的场站天气信息，上述执行主体可以通过有线连接，或无线连接的方式，从天气网站拉取场站所处位置的天气信息，作为场站天气信息。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目。
步骤102，对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合。
在一些实施例中，上述执行主体可以对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合。其中，预处理后场站信息可以是数据预处理后的场站运行信息。
作为示例，上述执行主体可以分别对上述场站运行信息包括的车辆充电数据进行缺省值剔除、对场站运行信息包括的充电车辆信息进行缺省值剔除，以及对场站运行信息包括的天气信息进行缺省值剔除，得到上述场站运行信息对应的预处理后场站信息。
可选地，场站运行信息集合中的场站运行信息包括的车辆充电数据包括：充电桩实时电压信号、充电桩实时电流信号和充电桩实时功率信号，上述预处理后场站信息集合中的预处理后场站信息包括：预处理后车辆充电数据，预处理后车辆充电数据包括：预处理后电压信号、预处理后电流信号和预处理后功率信号。
其中，充电桩实时电压信号可以是目标对象对应的场站内的车辆充电桩在进行车辆充电时的实时电压信号。充电桩实时电流信号可以是目标对象对应的场站内的车辆充电桩在进行车辆充电时的实时电流信号。充电桩实时功率信号可以是目标对象对应的场站内的车辆充电桩在进行车辆充电时的实时功率信号。预处理后电压信号表征进行数据预处理后的充电桩实时电压信号。预处理后电流信号表征进行数据预处理后的充电桩实时电流信号。预处理后功率信号表征进行数据预处理后的充电桩实时功率信号。
在一些实施例的一些可选的实现方式中，上述对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，可以包括以下步骤：
第一步，响应于确定上述充电桩实时电压信号中存在目标电压值，将上述目标电压值从上述充电桩实时电压信号中剔除，以生成第一剔除后充电桩实时电压信号。
其中，上述目标电压值满足剔除条件组中的至少一个剔除条件。
上述剔除条件组可以包括：电压值大于第一预设电压值；电压值小于第二预设电压值；电压值为异常值。其中，第一预设电压值大于上述第二预设电压值。实践中，异常值可以是空值（NULL），即未采集到的对应的电压值。
实践中，剔除条件组可以是大于800V或小于100V。
第二步，对上述第一剔除后充电桩实时电压信号进行连续小波变换，以生成多个不同频率的小波系数，得到小波系数组。
其中，上述小波系数组中的小波系数对应上述第一剔除后充电桩实时电压信号中的子电压信号。
第三步，对于上述小波系数组中的每个小波系数，响应于确定上述小波系数小于系数阈值，将上述小波系数对应的子电压信号从上述第一剔除后充电桩实时电压信号中剔除。
其中，上述系数阈值可以是预先设定的系数阈值，用于剔除异常的子电压信号。
第四步，以预设采样频率，对第二剔除后充电桩实时电压信号进行信号降采样，得到上述预处理后电压信号。
其中，第二剔除后充电桩实时电压信号可以是对第一剔除后充电桩实时电压信号中、对应的小波系数小于系数阈值的子电压信号剔除后的电压信号。
实践中，预设采样频率的频率值小于上述第二剔除后充电桩实时电压信号的信号频率值。具体的，上述执行主体可以以上述预设采样频率，对上述第二剔除后充电桩实时电压信号进行均匀采样，得到上述预处理后电压信号。
第五步，对上述充电桩实时电流信号进行信号预处理，以生成预处理后电流信号。
实践中，上述执行主体可以采用上述第一步至第四步的步骤，对上述充电桩实时电流信号进行信号预处理，以生成预处理后电流信号，在此不在赘述。
第六步，根据上述预处理后电压信号和上述预处理后电流信号，生成预处理后功率信号。
实践中，上述执行主体可以通过功率的计算公式（P=U×I，其中，P表示功率值，U表示电压值，I表示电流值），根据上述预处理后电压信号和上述预处理后电流信号，以生成预处理后功率信号。
可选地，场站运行信息集合中的场站运行信息包括的充电车辆信息包括：车辆信息组，车辆信息组中的车辆信息包括：车辆当前电量和车辆电池型号，上述预处理后场站信息集合中的预处理后场站信息包括：预处理后充电车辆信息，预处理后充电车辆信息包括：车辆电量需求量集合。
其中，车辆当前电量可以是使用场站内车辆充电桩的车辆的当前电量。车辆电池型号可以是使用场站内车辆充电桩的车辆的电池型号。车辆电池需求量表征使用场站内车辆充电桩的车辆的电量需求量。
在一些实施例的一些可选的实现方式中，上述对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，还可以包括以下步骤：
第一步，对于上述场站运行信息包括的车辆信息组中的每个车辆信息，响应于确定上述车辆信息包括的车辆当前电量为空值或车辆电池型号为空值，将上述车辆信息从上述车辆信息组中剔除。
第二步，对于得到的剔除后车辆信息组中的每个剔除后车辆信息执行以下车辆电量需求量确定步骤：
子步骤1：根据上述剔除后车辆信息包括的车辆电池型号，确定上述车辆电池型号对应的电池容量。
其中，电池容量可以是剔除后车辆信息对应车辆电池的额定容量。实践中，上述执行主体可以通过查询预先构建的车辆电池型号和电池容量数据库，确定车辆电池型号对应的电池容量。
子步骤2：将上述电池容量和上述剔除后车辆信息包括的车辆当前电量的电量差值，确定为车辆电量需求量。
可选地，上述场站运行信息集合中的场站运行信息包括的场站天气信息包括：天气温度信号和天气湿度信号，上述预处理后场站信息集合中的预处理后场站信息包括：预处理后场站天气信息，预处理后场站天气信息包括：功率预测信息。
其中，天气温度信号可以是场站所处位置的天气温度信号。实践中，天气温度信号可以是天气温度曲线。天气湿度信号可以是场站所处位置的天气湿度信号。实践中，天气湿度信号可以是天气湿度曲线。功率预测信息可以表征预测的、车辆充电桩的功率信息。具体的，在天气影响下，如，天气温度较高时，极易导致车辆充电桩散热效率较差，在高功率的工作条件下，极易造成车辆充电桩包含的部件发生损耗，因此，通过结合天气温度信号和天气湿度信号，得到车辆充电桩对应的功率预测信息，以实现对车辆充电桩的功率进行合理化限制。
在一些实施例的一些可选的实现方式中，上述对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，还可以包括以下步骤：
第一步，以上述预设采样频率，分别对上述场站运行信息包括的天气温度信号和天气湿度信号进行信号降采样，得到采样后天气温度信号和采样后天气湿度信号。
实践中，上述预设采样频率的频率值小于上述天气温度信号的信号频率值。上述预设采样频率的频率值小于上述天气湿度信号的信号频率值。具体的，上述执行主体可以以上述预设采样频率，分别对上述场站运行信息包括的天气温度信号和天气湿度信号进行均匀采样，得到采样后天气温度信号和采样后天气湿度信号。
第二步，通过预先训练的功率预测模型包括的温度特征提取模型，对上述采样后天气温度信号进行特征提取，得到天气温度特征。
实践中，上述温度特征提取模型可以是包括至少一个卷积层，其中，至少一个卷积层串行连接。
第三步，通过上述功率预测模型包括的湿度特征提取模型，对上述采样后天气湿度信号进行特征提取，得到天气湿度特征。
实践中，上述湿度特征提取模型的模型结构可以和上述温度特征提取模型的模型结构一致。
第四步，将上述天气温度特征和上述天气湿度特征输入上述功率预测模型包括的功率预测层，以生成功率预测信息。
其中，上述功率预测层输出的结果通过温度湿度约束策略约束。实践中，上述功率预测模型包括的功率预测层可以是全连接层。上述温度湿度约束策略可以是根据已知的温度和湿度的关系，构建的约束曲线。具体的，约束曲线的生成可以根据收集得到的（温度值-湿度值）关系对，通过SVM（Support Vector Machine，支持向量机）进行拟合得到。
步骤103，向模型聚合服务器发送目标请求。
在一些实施例中，上述执行主体可以向模型聚合服务器发送目标请求。其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求。上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件。实践中，第一目标版本可以是最新版本。目标模型文件可以包括模型参数信息。其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器。实践中，模型聚合服务器和上述执行主体相互独立设置。充电负荷信息预测模型可以是用于预测目标对象对应至少一个场站实时充电负荷信息的模型。实践中，上述充电负荷信息预测模型可以是TCN（Temporal ConvolutionalNetwork，时间卷积网络）模型。例如，上述执行主体可以定时向上述模型聚合服务器发送目标请求。又如，上述执行主体可以响应于生成预处理后场站信息集合后，向上述模型聚合服务器可以发送上述目标请求。
在一些实施例的一些可选的实现方式中，上述模型聚合服务器生成上述目标模型文件，可以包括以下步骤：
第一步，对目标更新后模型文件集合中的每个目标更新后模型文件进行文件解密，以生成解密后模型文件，得到解密后模型文件集合。
其中，上述目标更新后模型文件集合中的目标更新后模型文件是不同目标对象对应的更新后模型文件。实践中，可以存在多个车辆充电服务运营商，因此可以存在多个不同的目标对象。多个不同的目标对象中的目标对象均可以在本地生成对应的更新后模型文件，作为目标更新后模型文件，得到目标更新后模型文件集合。实践中，不同的目标对象再将目标更新后模型文件发送至模型聚合服务器时，可以采用不同的加密算法，以保证数据在传输过程中的安全性。当模型聚合服务器接收到目标对象发送的目标更新后模型文件后，可以采用对应的加密算法的秘钥进行文件解密，得到对应的解密后模型文件。
第二步，根据上述解密后模型文件集合，进行模型参数融合，以生成融合后模型参数。
实践中，上述执行主体可以根据解密后模型文件对应的模型权重，对根据上述解密后模型文件集合通过SCAFFOLD算法进行模型参数融合，得到上述融合后模型参数。具体的，上述SCAFFOLD算法可以是基于联邦学习的随机控制平均算法，以实现对模型参数的融合。
第三步，启动虚拟容器集合。
其中，上述虚拟容器集合中的虚拟容器的数量与上述解密后模型文件集合中的解密后模型文件的数量一致。实践中，虚拟容器可以是虚拟机，也可以是Docker容器。具体的，虚拟容器集合中的虚拟容器对应的硬件配置可以相同。
第四步，响应于启动成功，在上述虚拟容器集合中的每个虚拟容器中加载第二目标版本的充电负荷信息预测模型。
其中，第二目标版本小于上述第一目标版本。上述第二目标版本的充电负荷信息预测模型对应的模型参数为上述融合后模型参数。
第五步，对目标训练样本集合进行随机样本划分，得到目标训练样本组集合。
其中，上述目标训练样本组集合中的目标训练样本组的数量与上述虚拟容器集合中的虚拟容器的数量一致。目标训练样本为包含样本标签的、用于模型训练的样本。具体的，目标训练样本可以是预先采集的、经过数据预处理后的、且包含样本标签的场站运行信息。
第六步，通过上述目标训练样本组集合中的目标训练样本组，并行对上述虚拟容器集合中虚拟容器内加载第二目标版本的充电负荷信息预测模型进行有监督模型训练。
第七步，响应于训练结束，对上述虚拟容器集合中的、训练结束的充电负荷信息预测模型对应的模型参数进行模型参数融合，以生成上述目标模型文件。
实践中，上述执行主体通过控制训练次数，或根据模型是否收敛，确定训练是否结束。上述执行主体可以采用第二步的方式，对虚拟容器集合中的、训练结束的充电负荷信息预测模型对应的模型参数进行模型参数融合，以生成上述目标模型文件。
上述第一步至第七步作为本公开的一个发明点，解决了背景技术提及的技术问题二，即“不同目标对象对应的场站运行信息往往相互隔离，使得无法综合结合多个不同目标对象对应的场站运行信息，对充电负荷信息预测模型进行模型训练，导致模型的预测精度较差，当预测得到的充电负荷信息与实际的充电负荷需求偏差较大时，可能会造成充电电网或车辆充电桩的损坏”。实践中，不同目标对象对应的场站运行信息由于数据的隐私性，进而导致相互隔离。此外，受限于场站规模，以及场站内充电车辆的数量限制，使得不同的目标对象对应的场站运行信息的数量和质量良莠不齐。而训练样本的数量和质量，决定了训练得到的充电负荷信息预测模型的预测精度。基于此，首先，本公开通过模型聚合服务器对不同目标对象对应的目标更新后模型文件进行模型融合，解决了因数据相互隔离，所导致的无法直接结合所有目标对象对应的场站运行信息，对充电负荷信息预测模型进行模型训练的问题。其次，通过构建虚拟容器集合，以及对目标训练样本集合进行随机样本划分，以用于第二目标版本的充电负荷信息预测模型（融合后模型参数对应的充电负荷信息预测模型）进行并行且独立的模型训练，由此提高模型的鲁棒性。最后，再将虚拟容器集合中的、训练结束的充电负荷信息预测模型对应的模型参数进行模型参数融合，以生成上述目标模型文件。通过此种方式，间接实现了结合不同目标对象的场站运行信息，对充电负荷信息预测模型进行模型训练的目的，由于目标训练样本的数量和质量大大提高，以及结合虚拟容器进行并行独立训练的方式，大大提高了训练得到的充电负荷信息预测模型（目标模型文件对应的目标模型文件）的模型预测精度，使得预测得到的充电负荷信息更贴近实际的充电负荷需求，避免了因预测得到的充电负荷信息与实际的充电负荷需求偏差较大时，可能会造成充电电网或车辆充电桩的损坏的问题。
步骤104，响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件。
在一些实施例中，上述执行主体可以响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件。其中，更新后模型文件是对上述目标模型文件对应的充电负荷信息预测模型进行模型训练后的充电负荷信息预测模型对应的模型文件。实践中，更新后模型文件可以包括更新后的模型参数信息。具体的，模型参数信息可以是模型权重或模型参数。实践中，上述执行主体可以通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行有监督的模型训练，以生成更新后模型文件。
在一些实施例的一些可选的实现方式中，上述通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件，可以包括以下步骤：
第一步，对于上述预处理后场站信息集合中的每个预处理后场站信息进行训练样本预处理步骤：
子步骤1：分别对上述预处理后场站信息包括的预处理后电压信号、预处理后电流信号和预处理后功率信号进行信号标准化处理，以生成标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号。
实践中，上述执行主体可以分别对预处理后场站信息包括的预处理后电压信号、预处理后电流信号和预处理后功率信号进行最大值-最小值标准化处理，以生成标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号。
子步骤2：分别对上述标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号进行信号离散化处理，以生成离散化电压信号值组、离散化电流信号值组和离散化功率信号值组。
实践中，上述执行主体可以分别对标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号进行离散傅里叶变换（Discrete Fourier Transform，DFT），以生成离散化电压信号值组、离散化电流信号值组和离散化功率信号值组。
子步骤3：将上述离散化电压信号值组、离散化电流信号值组、离散化功率信号值组、上述预处理后场站信息包括的车辆电量需求量集合和上述预处理后场站信息包括的功率预测信息进行拼接，以生成训练样本。
实践中，上述执行主体可以将上述离散化电压信号值组、离散化电流信号值组、离散化功率信号值组、上述预处理后场站信息包括的车辆电量需求量集合和上述预处理后场站信息包括的功率预测信息进行拼接，以生成训练样本。
第二步，根据得到的训练样本集合，对上述目标模型文件对应的充电负荷信息预测模型进行无监督模型训练。
第三步，响应于确定到达训练次数，确定训练后的充电负荷信息预测模型对应的模型参数信息。
实践中，上述执行主体可以将达到训练次数后的充电负荷信息预测模型对应的模型参数，确定为训练后的充电负荷信息预测模型对应的模型参数信息。
第四步，对上述模型参数信息进行参数加密，以生成上述更新后模型文件。
实践中，上述执行主体可以通过国密加密算法，对模型参数信息进行参数加密，以生成上述更新后模型文件。
上述第一步至第四步，作为本公开的一个发明点，解决了背景技术提及的技术问题三，即“未结合对充电负荷产生影响的多模态因素，以用于充电负荷信息预测模型进行训练，导致训练得到的充电负荷信息预测模型输出的实时充电负荷信息准确度较差，当实时充电负荷信息与实际的充电负荷需求偏差较大时，可能会造成车辆充电桩损坏”。实践中，当车辆充电桩的充电桩实时电压，充电桩实时电流，充电桩实时功率过大时，均有可能对车辆充电桩内部部件造成损坏，例如，过大的电流，可能会击穿电子元器件。同时，天气因素也可能会造成车辆充电桩损坏，例如，当天气温度过高，或天气湿度较大时，也会加速车辆充电桩内部元器件的老化。基于此，本公开结合了预处理后电压信号、预处理后电流信号和预处理后功率、车辆电量需求量集合（根据充电车辆信息得到）和功率预测信息（根据场站天气信息包括的天气温度信号和天气湿度信号得到）来构建训练样本，以实现从对充电负荷产生影响的多模态因素的角度，构建训练样本。此外，考虑到，不同数据之间的数据类型往往不同，例如，电流信号为连续信号，功率预测信息为具体的功率值，因此，在进行训练样本构件之前，本公开还分别对上述标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号进行信号离散化处理，以生成离散化电压信号值组、离散化电流信号值组和离散化功率信号值组。以保证用于构建训练样本的数据的数据类型的一致性。最后，通过考虑多模态因素构建的训练样本，对目标模型文件对应的充电负荷信息预测模型进行无监督模型训练，使得得到的更新后模型文件对应的充电负荷信息预测模型对于充电负荷信息的预测准确度大大提高，由此，避免了在对充电负荷进行调整时，当实时充电负荷信息与实际的充电负荷需求信息偏差较大时，所导致的车辆充电桩被损坏的问题。
步骤105，将上述更新后模型文件发送至上述模型聚合服务器。
在一些实施例中，上述执行主体可以将上述更新后模型文件发送至上述模型聚合服务器。实践中，上述执行主体可以将上述更新后模型文件实时发送至上述模型聚合服务器
步骤106，响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
在一些实施例中，上述执行主体可以响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。更新后充电负荷信息预测模型可以是模型参数更新后的充电负荷信息预测模型。实践中，模型聚合服务器可以根据多个目标对象对应的更新后模型文件对应的充电负荷信息预测模型进行模型参数融合，以生成上述更新后充电负荷信息预测模型。实时场站运行信息可以是实时的、目标对象对应的至少一个场站的实时场站运行数据。实时充电负荷信息可以表征目标对象对应的至少一个场站在未来时间段内的充电负荷预测量。实践中，上述执行主体可以将上述目标对象对应的实时场站运行信息输入更新后充电负荷信息预测模型，以生成实时充电负荷信息。
可选地，上述实时充电负荷信息包括：充电负荷曲线序列。其中，充电负荷曲线表征在上述至少一个场站中对应场站的充电负荷。其中，充电负荷曲线表征预测得到的、目标对象对应的场站的充电负荷变化情况。
在一些实施例的一些可选的实现方式中，上述方法还包括：
对于上述充电负荷曲线序列中的每条充电负荷曲线，执行以下充电负荷调整处理步骤：
子步骤1：确定上述充电负荷曲线中的波峰区域，以生成波峰曲线组。
其中，波峰曲线组中的波峰曲线包括波峰。波峰是曲线中的局部最大值。波峰曲线是波峰区域在充电负荷曲线中对应的子曲线。波峰区域是由临近上述波峰曲线包括的波峰的两个波谷之间的区域。
子步骤2：确定上述充电负荷曲线中的波谷区域，以生成波谷曲线组。
其中，波谷曲线组中的波谷曲线包括波谷。波谷是曲线中的局部最小值。波谷曲线是波谷区域在充电负荷曲线中对应的子曲线。波谷区域是由临近上述波谷曲线包括的波谷的两个波峰之间的区域。
子步骤3：对于上述波峰曲线组中的每条波峰曲线，响应于确定上述波峰曲线对应的波峰峰值大于预设峰值，在上述波峰曲线对应的时间段，进行充电负荷削峰操作。
作为示例，上述执行主体可以增大电流的瞬时供应量，以实现充电负荷削峰操作。
作为又一示例，上述执行主体可以降低场站中车辆充电桩的充电功率，以实现充电负荷削峰操作。
子步骤4：对于上述波谷曲线组中的每条波谷曲线，响应于确定上述波谷曲线对应的波谷谷值小于预设谷值，在上述波谷曲线对应的时间段，进行充电负荷填谷操作。
作为示例，上述执行主体可以降低电流的瞬时供应量，以实现充电负荷填谷操作。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的应用于电动汽车的充电负荷信息生成方法，避免了在充电负荷突增的情况下，车辆充电桩可能造成损坏的问题。具体来说，造成，车辆充电桩可能造成损坏的原因在于：电动汽车的充电时机往往不确定，当同时存在大量的电动汽车需要进行车辆充电时，会造成充电负荷突增，从而可能导致车辆充电桩损坏。实践中，充电负荷突增，可能会导致车辆充电桩的瞬时电压突增，当瞬时电压超过车辆充电桩内部件的电压阈值时，可能造成电路击穿等问题，进而导致车辆充电桩损坏。基于此，本公开的一些实施例的应用于电动汽车的充电负荷信息生成方法，首先，采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息。其次，对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合。实践中，场站运行信息在数据采集时，可能存在数据丢失或数据异常的情况（例如，出现空值），因此，需要对场站运行信息进行数据预处理，以提高数据质量。接着，向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器。进一步，响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件。通过结合预处理后场站信息集合，对充电负荷信息预测模型进行本地化训练，以提高训练得到的充电负荷信息预测模型（更新后模型文件对应的充电负荷信息预测模型），针对目标对象对应的至少一个场站的适应性。此外，将上述更新后模型文件发送至上述模型聚合服务器。最后，响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。通过模型聚合服务器实现对不同对象对应的模型文件的融合，以提高得到的更新后充电负荷信息预测模型的鲁棒性。通过此种方式，可以实时的预测得到实时充电负荷信息，从而可以结合实时充电负荷信息对车辆充电桩的充电负荷进行实时调整，以解决充电负荷突增，所可能导致的车辆充电桩被损坏的问题。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种应用于电动汽车的充电负荷信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的应用于电动汽车的充电负荷信息生成装置200包括：采集单元201、数据预处理单元202、第一发送单元203、模型训练单元204、第二发送单元205和生成单元206。其中，采集单元201被配置成采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；数据预处理单元202被配置成对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合；第一发送单元203被配置成向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器；模型训练单元204被配置成响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件；第二发送单元205被配置成将上述更新后模型文件发送至上述模型聚合服务器；而生成单元206被配置成响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采集场站运行信息集合，其中，上述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；对上述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合；向模型聚合服务器发送目标请求，其中，上述目标请求是用于向上述模型聚合服务器请求目标模型文件的请求，上述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，上述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器；响应于接收到上述目标模型文件，通过上述预处理后场站信息集合，对上述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件；将上述更新后模型文件发送至上述模型聚合服务器；响应于接收到上述模型聚合服务器发送的更新后充电负荷信息预测模型，通过上述更新后充电负荷信息预测模型和上述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、数据预处理单元、第一发送单元、模型训练单元、第二发送单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“采集场站运行信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种应用于电动汽车的充电负荷信息生成方法，包括：
采集场站运行信息集合，其中，所述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；
对所述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合，所述预处理后场站信息集合中的预处理后场站信息包括：预处理后车辆充电数据，预处理后车辆充电数据包括：预处理后电压信号、预处理后电流信号和预处理后功率信号；
向模型聚合服务器发送目标请求，其中，所述目标请求是用于向所述模型聚合服务器请求目标模型文件的请求，所述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，所述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器；
响应于接收到所述目标模型文件，通过所述预处理后场站信息集合，对所述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件；
将所述更新后模型文件发送至所述模型聚合服务器；
响应于接收到所述模型聚合服务器发送的更新后充电负荷信息预测模型，通过所述更新后充电负荷信息预测模型和所述目标对象对应的实时场站运行信息，生成实时充电负荷信息；
其中，所述模型聚合服务器生成所述目标模型文件，包括：
对目标更新后模型文件集合中的每个目标更新后模型文件进行文件解密，以生成解密后模型文件，得到解密后模型文件集合，其中，所述目标更新后模型文件集合中的目标更新后模型文件是不同目标对象对应的更新后模型文件；
根据所述解密后模型文件集合，进行模型参数融合，以生成融合后模型参数；
启动虚拟容器集合；
响应于启动成功，在所述虚拟容器集合中的每个虚拟容器中加载第二目标版本的充电负荷信息预测模型；
对目标训练样本集合进行随机样本划分，得到目标训练样本组集合；
通过所述目标训练样本组集合中的目标训练样本组，并行对所述虚拟容器集合中虚拟容器内加载第二目标版本的充电负荷信息预测模型进行有监督模型训练；
响应于训练结束，对所述虚拟容器集合中的、训练结束的充电负荷信息预测模型对应的模型参数进行模型参数融合，以生成所述目标模型文件；
其中，所述通过所述预处理后场站信息集合，对所述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件，包括：
对于所述预处理后场站信息集合中的每个预处理后场站信息进行训练样本预处理步骤：
分别对所述预处理后场站信息包括的预处理后电压信号、预处理后电流信号和预处理后功率信号进行信号标准化处理，以生成标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号；
分别对所述标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号进行信号离散化处理，以生成离散化电压信号值组、离散化电流信号值组和离散化功率信号值组；
将所述离散化电压信号值组、离散化电流信号值组、离散化功率信号值组、所述预处理后场站信息包括的车辆电量需求量集合和所述预处理后场站信息包括的功率预测信息进行拼接，以生成训练样本；
根据得到的训练样本集合，对所述目标模型文件对应的充电负荷信息预测模型进行无监督模型训练；
响应于确定到达训练次数，确定训练后的充电负荷信息预测模型对应的模型参数信息；
对所述模型参数信息进行参数加密，以生成所述更新后模型文件。
2.根据权利要求1所述的方法，其中，所述场站运行信息集合中的场站运行信息包括的车辆充电数据包括：充电桩实时电压信号、充电桩实时电流信号和充电桩实时功率信号；以及
所述对所述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，包括：
响应于确定所述充电桩实时电压信号中存在目标电压值，将所述目标电压值从所述充电桩实时电压信号中剔除，以生成第一剔除后充电桩实时电压信号，其中，所述目标电压值满足剔除条件组中的至少一个剔除条件；
对所述第一剔除后充电桩实时电压信号进行连续小波变换，以生成多个不同频率的小波系数，得到小波系数组，其中，所述小波系数组中的小波系数对应所述第一剔除后充电桩实时电压信号中的子电压信号；
对于所述小波系数组中的每个小波系数，响应于确定所述小波系数小于系数阈值，将所述小波系数对应的子电压信号从所述第一剔除后充电桩实时电压信号中剔除；
以预设采样频率，对第二剔除后充电桩实时电压信号进行信号降采样，得到所述预处理后电压信号，其中，所述第二剔除后充电桩实时电压信号是对子电压信号剔除后的第一剔除后充电桩实时电压信号；
对所述充电桩实时电流信号进行信号预处理，以生成预处理后电流信号；
根据所述预处理后电压信号和所述预处理后电流信号，生成预处理后功率信号。
3.根据权利要求2所述的方法，其中，所述场站运行信息集合中的场站运行信息包括的充电车辆信息包括：车辆信息组，车辆信息组中的车辆信息包括：车辆当前电量和车辆电池型号，所述预处理后场站信息集合中的预处理后场站信息包括：预处理后充电车辆信息，预处理后充电车辆信息包括：车辆电量需求量集合；以及
所述对所述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，包括：
对于所述场站运行信息包括的车辆信息组中的每个车辆信息，响应于确定所述车辆信息包括的车辆当前电量为空值或车辆电池型号为空值，将所述车辆信息从所述车辆信息组中剔除；
对于得到的剔除后车辆信息组中的每个剔除后车辆信息执行以下车辆电量需求量确定步骤：
根据所述剔除后车辆信息包括的车辆电池型号，确定所述车辆电池型号对应的电池容量；
将所述电池容量和所述剔除后车辆信息包括的车辆当前电量的电量差值，确定为车辆电量需求量。
4.根据权利要求3所述的方法，其中，所述场站运行信息集合中的场站运行信息包括的场站天气信息包括：天气温度信号和天气湿度信号，所述预处理后场站信息集合中的预处理后场站信息包括：预处理后场站天气信息，预处理后场站天气信息包括：功率预测信息；以及
所述对所述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，包括：
以所述预设采样频率，分别对所述场站运行信息包括的天气温度信号和天气湿度信号进行信号降采样，得到采样后天气温度信号和采样后天气湿度信号；
通过预先训练的功率预测模型包括的温度特征提取模型，对所述采样后天气温度信号进行特征提取，得到天气温度特征；
通过所述功率预测模型包括的湿度特征提取模型，对所述采样后天气湿度信号进行特征提取，得到天气湿度特征；
将所述天气温度特征和所述天气湿度特征输入所述功率预测模型包括的功率预测层，以生成功率预测信息，其中，所述功率预测层输出的结果通过温度湿度约束策略约束。
5.根据权利要求4所述的方法，其中，所述实时充电负荷信息包括：充电负荷曲线序列，充电负荷曲线表征在所述至少一个场站中对应场站的充电负荷；以及
所述方法还包括：
对于所述充电负荷曲线序列中的每条充电负荷曲线，执行以下充电负荷调整处理步骤：
确定所述充电负荷曲线中的波峰区域，以生成波峰曲线组；
确定所述充电负荷曲线中的波谷区域，以生成波谷曲线组；
对于所述波峰曲线组中的每条波峰曲线，响应于确定所述波峰曲线对应的波峰峰值大于预设峰值，在所述波峰曲线对应的时间段，进行充电负荷削峰操作；
对于所述波谷曲线组中的每条波谷曲线，响应于确定所述波谷曲线对应的波谷谷值小于预设谷值，在所述波谷曲线对应的时间段，进行充电负荷填谷操作。
6.一种应用于电动汽车的充电负荷信息生成装置，包括：
采集单元，被配置成采集场站运行信息集合，其中，所述场站运行信息集合表征目标对象对应的至少一个场站的场站运行数据，场站运行信息包括：车辆充电数据、充电车辆信息和场站天气信息；
数据预处理单元，被配置成对所述场站运行信息集合中的每个场站运行信息包括的车辆充电数据、充电车辆信息和场站天气信息进行数据预处理，以生成预处理后场站信息，得到预处理后场站信息集合，所述预处理后场站信息集合中的预处理后场站信息包括：预处理后车辆充电数据，预处理后车辆充电数据包括：预处理后电压信号、预处理后电流信号和预处理后功率信号；
第一发送单元，被配置成向模型聚合服务器发送目标请求，其中，所述目标请求是用于向所述模型聚合服务器请求目标模型文件的请求，所述目标模型文件是第一目标版本的充电负荷信息预测模型对应的模型文件，其中，所述模型聚合服务器是用于对充电负荷信息预测模型进行模型更新的服务器，其中，所述模型聚合服务器生成所述目标模型文件，包括：对目标更新后模型文件集合中的每个目标更新后模型文件进行文件解密，以生成解密后模型文件，得到解密后模型文件集合，其中，所述目标更新后模型文件集合中的目标更新后模型文件是不同目标对象对应的更新后模型文件；根据所述解密后模型文件集合，进行模型参数融合，以生成融合后模型参数；启动虚拟容器集合；响应于启动成功，在所述虚拟容器集合中的每个虚拟容器中加载第二目标版本的充电负荷信息预测模型；对目标训练样本集合进行随机样本划分，得到目标训练样本组集合；通过所述目标训练样本组集合中的目标训练样本组，并行对所述虚拟容器集合中虚拟容器内加载第二目标版本的充电负荷信息预测模型进行有监督模型训练；响应于训练结束，对所述虚拟容器集合中的、训练结束的充电负荷信息预测模型对应的模型参数进行模型参数融合，以生成所述目标模型文件；
模型训练单元，被配置成响应于接收到所述目标模型文件，通过所述预处理后场站信息集合，对所述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件，其中，所述通过所述预处理后场站信息集合，对所述目标模型文件对应的充电负荷信息预测模型进行模型训练，以生成更新后模型文件，包括：对于所述预处理后场站信息集合中的每个预处理后场站信息进行训练样本预处理步骤：分别对所述预处理后场站信息包括的预处理后电压信号、预处理后电流信号和预处理后功率信号进行信号标准化处理，以生成标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号；分别对所述标准化处理后电压信号、标准化处理后电流信号和标准化处理后功率信号进行信号离散化处理，以生成离散化电压信号值组、离散化电流信号值组和离散化功率信号值组；将所述离散化电压信号值组、离散化电流信号值组、离散化功率信号值组、所述预处理后场站信息包括的车辆电量需求量集合和所述预处理后场站信息包括的功率预测信息进行拼接，以生成训练样本；根据得到的训练样本集合，对所述目标模型文件对应的充电负荷信息预测模型进行无监督模型训练；响应于确定到达训练次数，确定训练后的充电负荷信息预测模型对应的模型参数信息；对所述模型参数信息进行参数加密，以生成所述更新后模型文件；
第二发送单元，被配置成将所述更新后模型文件发送至所述模型聚合服务器；
生成单元，被配置成响应于接收到所述模型聚合服务器发送的更新后充电负荷信息预测模型，通过所述更新后充电负荷信息预测模型和所述目标对象对应的实时场站运行信息，生成实时充电负荷信息。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
CN202310848430.8A 2023-07-12 2023-07-12 应用于电动汽车的充电负荷信息生成方法和装置 Active CN116562476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310848430.8A CN116562476B (zh) 2023-07-12 2023-07-12 应用于电动汽车的充电负荷信息生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310848430.8A CN116562476B (zh) 2023-07-12 2023-07-12 应用于电动汽车的充电负荷信息生成方法和装置

Publications (2)

Publication Number Publication Date
CN116562476A CN116562476A (zh) 2023-08-08
CN116562476B true CN116562476B (zh) 2023-10-13

Family

ID=87503981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310848430.8A Active CN116562476B (zh) 2023-07-12 2023-07-12 应用于电动汽车的充电负荷信息生成方法和装置

Country Status (1)

Country Link
CN (1) CN116562476B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894163B (zh) * 2023-09-11 2024-01-16 国网信息通信产业集团有限公司 基于信息安全的充放电设施负荷预测信息生成方法和装置
CN117856257B (zh) * 2024-03-08 2024-05-24 国网天津市电力公司电力科学研究院 充电场站用电负荷的预测方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508830A (zh) * 2018-11-15 2019-03-22 云南电网有限责任公司 一种电动汽车时空动态负荷预测的方法
KR20200003318A (ko) * 2018-06-20 2020-01-09 한양대학교 산학협력단 전기차 충전전력을 고려한 배전 변전소 변압기의 열화 및 잔여수명 예측 방법 및 그 시스템
CN110866605A (zh) * 2018-08-27 2020-03-06 北京京东尚科信息技术有限公司 数据模型训练方法、装置、电子设备及可读介质
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220038349A1 (en) * 2020-10-19 2022-02-03 Ziyi LI Federated learning across ue and ran

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200003318A (ko) * 2018-06-20 2020-01-09 한양대학교 산학협력단 전기차 충전전력을 고려한 배전 변전소 변압기의 열화 및 잔여수명 예측 방법 및 그 시스템
CN110866605A (zh) * 2018-08-27 2020-03-06 北京京东尚科信息技术有限公司 数据模型训练方法、装置、电子设备及可读介质
CN109508830A (zh) * 2018-11-15 2019-03-22 云南电网有限责任公司 一种电动汽车时空动态负荷预测的方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合多源信息的电动汽车充电负荷预测及其对配电网的影响;陈丽丹 等;电力自动化设备;第38卷(第12期);第1-9页 *

Also Published As

Publication number Publication date
CN116562476A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN116562476B (zh) 应用于电动汽车的充电负荷信息生成方法和装置
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN112907942A (zh) 基于边缘计算的车辆调度方法、装置、设备和介质
CN115293258A (zh) 一种输电线路导线覆冰监测分析方法及系统
CN116512980B (zh) 基于动力电池内阻的功率分配方法、装置、设备和介质
CN117129879B (zh) 阈值调整方法和电池健康状态预测模型的训练方法
CN111667409B (zh) 一种基于超分辨率算法的绝缘子影像分辨率增强方法
CN113365291A (zh) 基于物联网管理平台的数据处理系统、方法及装置
US20230229913A1 (en) Method and Apparatus for Training Information Adjustment Model of Charging Station, and Storage Medium
CN116894163B (zh) 基于信息安全的充放电设施负荷预测信息生成方法和装置
CN111898061B (zh) 搜索网络的方法、装置、电子设备和计算机可读介质
CN112650597A (zh) 高并发采集数据的处理系统及方法
CN116599090B (zh) 基于储能资源的功率调节方法、装置和计算机可读介质
CN117131366B (zh) 变压器维修设备控制方法、装置、电子设备和可读介质
CN117171712B (zh) 辅助信息生成方法、装置、电子设备和计算机可读介质
CN116749813B (zh) 燃料电池充电系统调节方法、装置、设备和介质
CN117978612B (zh) 网络故障检测方法、存储介质以及电子设备
CN114697206B (zh) 物联网节点管理方法、装置、设备和计算机可读介质
CN118269750A (zh) 电池功率的控制方法、装置、设备、介质及车辆
CN113240107B (zh) 图像处理方法、装置和电子设备
US20240232694A1 (en) System and method for operational analysis of energy storage devices
CN118112430A (zh) 一种汽车电池电量监测预警方法及装置
CN115659154B (zh) 数据发送方法、装置、服务器和计算机可读介质
CN115512486A (zh) 一种分离式电表及控制方法
CN117636100B (zh) 预训练任务模型调整处理方法、装置、电子设备和介质

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