CN116862064A - 一种充电站耗电量预测方法、装置、电子设备及存储介质 - Google Patents
一种充电站耗电量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116862064A CN116862064A CN202310857279.4A CN202310857279A CN116862064A CN 116862064 A CN116862064 A CN 116862064A CN 202310857279 A CN202310857279 A CN 202310857279A CN 116862064 A CN116862064 A CN 116862064A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- predicted
- vehicle
- time period
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种充电站耗电量预测方法、装置、电子设备及存储介质。该方法包括:根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;根据当前充电车辆的充电信息确定所述预测时间段的当前车辆预测耗电量;根据所述新增车辆预测耗电量与所述当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。采用本申请技术方案,使得在计算预设时间段内充电站预测耗电量时,可以考虑到新增车辆预测耗电量与当前车辆预测耗电量,从而使得充电站预测耗电量较为符合真实的耗电情况,从而提高了预测结果的准确性。
Description
本发明涉及电力技术领域,尤其涉及一种充电站耗电量预测方法、装置、电子设备及存储介质。
背景技术
随着电动汽车的快速普及,在配电网中建设了越来越多的充电桩,导致电动汽车的充电成为配电网内的一种大负荷,需要在进行配电网运行培训时加入充电站的运行仿真模块。
当前对充电桩的建模仿真侧重于产品的物理参数,如安装方式、额定功率、输入电压、输入模式、工作频率、输出电压、输出电流、输出接口、保护功能和通讯方式等,没有对配电网内全部充电桩所消耗的用电量进行仿真,让配电网的运行人员难以把握负荷的实时变化,因此急需一种能够对充电站耗电量进行较为精准预测的方法。
发明内容
本发明提供了一种充电站耗电量预测方法、装置、电子设备及存储介质,以解决配电网对充电站耗电量难以做到较为精准预测的问题。
根据本发明的一方面,提供了一种充电站耗电量预测方法,该方法包括:
根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;
根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量;
根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
根据本发明的另一方面,提供了一种充电站耗电量预测装置,该装置包括:
新增耗电确定模块,用于根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;
当前耗电确定模块,用于根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量;
预测耗电确定模块,用于根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的充电站耗电量预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的充电站耗电量预测方法。
根据本发明实施例的技术方案,通过预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量,使得在确定新增车辆预测耗电量时,能够较为符合真实情况,从而提高在预测时间段内新增车辆预测耗电量的准确性,通过根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量,使得在计算预设时间段内充电站预测耗电量时,可能考虑到新增车辆预测耗电量与当前车辆预测耗电量,从而使得充电站预测耗电量较为符合真实的耗电情况,从而提高了预测结果的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种充电站耗电量预测方法的流程图;
图2是本发明实施例所适用的电动汽车排队模型的示意图;
图3是本发明实施例所适用的车辆充电曲线的示意图;
图4是根据本发明实施例二提供的另一种充电站耗电量预测方法的流程图;
图5是根据本发明实施例三提供的一种充电站耗电量预测装置的结构示意图;
图6是实现本发明实施例的充电站耗电量预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种充电站耗电量预测方法的流程图,本实施例可适用于对充电站耗电量进行较为实时且较为准确的耗电量预测的情况,该方法可以由充电站耗电量预测装置来执行,该充电站耗电量预测装置可以采用硬件和/或软件的形式实现,该充电站耗电量预测装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110、根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量。
预测时间段可以是需要进行耗电量预测的时间段,即以当前时间点为起点的预设长度的时间段。新增车辆概率可以是在预测时间段内,车辆进入充电站充电的概率。当前时间段的充电站实际耗电量可以是充电站在当前时间段中,为车辆充电的电量。当前时间段可以是上一次预测的预测时间段或者是以当前时间点为终点的预设长度的时间段。新增车辆预测耗电量可以是预测时间段内进入充电站充电的车辆所消耗的电量。其中,预测时间段与当前时间段的时间长度相同。
在预测某一时间段充电站新增车辆数量时,可以利用概率学中的泊松分布描述单位时间内新增车辆到达充电站的事件发生的次数,如果用N(t)表示[0,t]时间段内顾客到达的总数,则任意时间t的N(t)为随机变量。
新增车辆到充电站充电的过程是泊松过程,该过程中任意时刻的充电过程是无记忆无后效的,即泊松过程的随机变量N(t2)-N(t1),N(t3)-N(t2),...,N(tn)-N(tn-1)满足马尔科夫过程,且对任意时间t有k辆电动汽车到达的概率满足下式:
式中,λ的取值为根据历史数据确定的,一天时间内t时间段到充电站的新增车辆的平均数;k表示t时间段内进入充电站的新增车辆为k辆。
对于电动汽车充电时间往往服从指数分布,用Tn表示第n个时间段电动汽车在充电桩所需的服务时间,且分布函数满足下式:
相应的,概率密度为:
其中,期望为1/μ;方差为1/μ2。
相应的,排队参数为:
平均队长Ls:充电站内电动汽车数(包括正在充电的电动汽车与排队等待充电的电动汽车)的数学期望。
平均充电时间Ws:一辆电动汽车在充电站内逗留的时间的数学期望,包含排队等待时间和充电时间。
平均等待时间Wq:一辆电动汽车在充电站内排队时的等待时间的期望;
平均忙期Tb:这是衡量充电桩的指标,即充电桩连续充电时间长度的数学期望,也即是当电动汽车到达充电桩开始服务被占用,到充电服务再次空闲的时间;
λ为单位时间平均到达的新增车辆的数量,1/λ为平均到达间隔时间;
μ为单位时间正在充电的电动汽车平均数,1/μ每辆电动汽车的平均充电时间;
S为充电桩个数;
ρ平均每个充电桩的充电强度;其中,充电强度表示单位时间内,充电桩实际工作的比例。示例性的,若单位时间为1h,充电桩实际工作时间为30min,则充电强度为50%。
Pj为充电站(必须处于平衡状态而言)中有j辆电动汽车的概率;其中,平衡状态为充电站单位时间内新增车辆的数量与离开充电站的电动汽车数量相同的情况。
图2为本发明实施例所适用的电动汽车排队模型的示意图。参见图2,图中充电站有S个充电桩,由于电动汽车到达服从泊松分布,所以新增车辆进入充电站的概率系数λj=λ,而电动汽车离开的概率系数为:
相应的,电动汽车数量为j时候的稳态概率为:
其中,对于充电强度的计算方法为ρ=λ/(sμ);P0为公式(一)中k=0的概率。
相应的,平均队长Ls则为:
平均排队长Lq则为:
平均等待时间Wq为:
当新增车辆到达充电站的数量k等于该充电站的充电桩数S时,再有新增车辆可能通过电子地图等工具定位到其他充电站中。其中,平均队长可以是充电站中各个充电桩的平均排队的长度,其中,对于平均队长的计算包含正在充电的电动汽车。平均排队长可以是充电站中各个充电桩的平均排队长度,其中,对于平均排队长的计算不包含正在充电的电动汽车。
因此,k>S时,此时电动汽车数量为j时候的稳态概率则为:
相应的,平均队长Ls则为:
相应的,:
根据上述方法,可以得到预测时间段对应的新增车辆概率。
此外,对于新增车辆,难以确定新增车辆的耗电量,因此需要依据当前时间段的充电站实际耗电量对新增车辆进行确定,并利用预测时间段对应的新增车辆概率,确定预测时间段的新增车辆预测耗电量。
通过预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量,使得在确定新增车辆预测耗电量时,能够较为符合真实情况,从而提高在预测时间段内新增车辆预测耗电量的准确性。
在一种可选方案中,根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量,可包括步骤A1-A3:
步骤A1、根据新增车辆概率,确定充电站预测时间段的新增车数量。
步骤A2、根据当前预设时间段内充电站实际耗电量以及当前预设时间段空闲充电桩数,确定预测时间段的单一新增车辆的预测电量消耗功率。
步骤A3、根据预测时间段的新增车数量以及单一新增车辆的预测电量消耗功率,确定预测时间段的新增车辆预测耗电量。
新增车数量可以是预测时间段内,新到充电站的新增车辆的数量。空闲充电桩数可以是充电站内未给电动汽车充电的充电桩的数量。预测电量消耗功率可以是预测时间段单位时间内单一新增车辆消耗电量的功率。
在S110中说明,充电站的新增车辆属于泊松分布,因此,在确定了预测时间段后,可以依据泊松分布公式确定出新增车辆概率,从而确定出充电站预测时间段的新增车数量。
对于新增车辆的耗电量除了需要预测时间段的新增车数量之外,还需要确定单一新增车辆的预测电量消耗功率。
图3为本发明实施例所适用的车辆充电曲线的示意图。参见图3,对于单一新增车辆的预测电量消耗功率,由于不同车辆的车辆曲线不同,导致不同新增车辆对应的实际消耗功率难以确定。因此选择依据当前预设时间段内充电站实际耗电量进行确定,从而使得确定出的预测时间段的单一新增车辆的预测电量消耗功率能够尽可能的符合新增车辆的实际消耗功率。其中,新增车辆的实际消耗功率可以是预测时间段中新增车辆在实际充电过程中的消耗功率。
在得到预测时间段的新增车数量以及单一新增车辆的预测电量消耗功率后,可以通过预测时间段的时长以及单一新增车辆的预测电量消耗功率,确定出单一新增车辆在预测时间段的预测消耗单一电量。依据预测消耗单一电量以及新增车数量,可以确定出预测时间段的新增车辆预测耗电量。
其中,预测消耗单一电量可以是预测得到的预测时间段单一新增车辆消耗的电量。
可选的,通过下式计算新增车辆预测耗电量:
式中,V表示新增车辆预测耗电量;S表示充电站中充电桩数量;K表示当前时间段,正在充电的充电桩数量;j表示新增车数量;P(j)表示新增车数量为j辆的概率;m表示单一新增车辆的预测电量消耗功率。
S120、根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量。
当前充电车辆可以是在当前时间段已经位于充电站内进行充电的充电车辆。充电信息可以是用以描述充电车辆的充电时长、车辆充电曲线、电桩充电协议、当前时间段耗电量以及当前充电车辆的剩余电量。当前车辆预测耗电量可以是预测得到的,当前充电车辆在当前时间段的消耗电量。
在计算当前车辆预测耗电量时,可以通过当前充电车辆的充电信息,确定当前充电车辆在当前时间段的耗电量,此时可以依据当前时间段的耗电量作为预测时间段的当前车辆预测耗电量。
在一种可选方案中,根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量,可包括步骤B1-B2:
步骤B1、根据车辆充电曲线,确定预测时间段的当前充电车辆的单一耗电量。
步骤B2、根据当前充电车辆的单一耗电量以及当前充电车辆的充电时长,确定预测时间段的当前车辆预测耗电量。
单一耗电量可以是预测得到的,单一当前充电车辆在预测时间段中消耗的电量。
在确定当前车辆预测耗电量时,为了提高确定结果的准确性,可以利用车辆充电曲线以及当前时间段的当前充电车辆的耗电量确定出预测时间段的当前充电车辆的单一耗电量。并依据当前充电车辆的充电时长计算得到预测时间段的当前车辆预测耗电量。
在一种可选方案中,根据车辆充电曲线,确定预测时间段的当前充电车辆的单一耗电量,可包括步骤C1-C2:
步骤C1、根据当前充电车辆的电桩充电协议,确定各个当前充电车辆的车辆充电曲线。
步骤C2、根据各个当前充电车辆的当前时间段的实际耗电量以及车辆充电曲线,确定预测时间段的当前充电车辆的单一耗电量。
电桩充电协议可以是当前充电车辆与充电桩之间充电时运行的协议,包括但不限于直流、两相交流电、三相交流电、快充、慢充以及车辆型号等。
在确定预测时间段的当前充电车辆的单一耗电量时,可以利用当前充电车辆的电桩充电协议,确定当前充电车辆的车辆型号,从而对各个当前充电车辆的车辆充电曲线进行确定,从而避免由于不同车辆充电曲线之间存在交叉,而导致仅依据当前时间段的当前充电车辆的耗电量确定车辆充电曲线时,出现车辆充电曲线的确定错误的问题。
在得到各个当前充电车辆的车辆充电曲线后,可以根据各个当前充电车辆的当前时间段的实际耗电量,确定各个当前充电车辆在当前时间段的耗电量,从而根据各个当前充电车辆的车辆充电曲线,确定出预测时间段的当前充电车辆的单一耗电量。
参见图2,图中k表示充电站中正在充电的充电桩,s表示充电站中充电桩的个数。
可选的,对于当前车辆预测耗电量,可以运用下式计算:
式中,V0表示当前车辆预测耗电量。Nj表示第n个充电桩充了j个时间段。
S130、根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
充电站预测耗电量可以是预测得到的预设时间段内充电站的耗电量。
在得到新增车辆预测耗电量与当前车辆预测耗电量,可以将新增车辆预测耗电量与当前车辆预测耗电量进行汇总,从而得到预设时间段内充电站预测耗电量。
通过根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量,使得在计算预设时间段内充电站预测耗电量时,可能考虑到新增车辆预测耗电量与当前车辆预测耗电量,从而使得充电站预测耗电量较为符合真实的耗电情况,从而提高了预测结果的准确性。
根据本发明实施例的技术方案,通过预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量,使得在确定新增车辆预测耗电量时,能够较为符合真实情况,从而提高在预测时间段内新增车辆预测耗电量的准确性,通过根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量,使得在计算预设时间段内充电站预测耗电量时,可以考虑到新增车辆预测耗电量与当前车辆预测耗电量,从而使得充电站预测耗电量较为符合真实的耗电情况,从而提高了预测结果的准确性。
实施例二
图4为本发明实施例提供了另一种充电站耗电量预测方法的流程图,本实施例在上述实施例的基础上对前述实施例中根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量的过程进行进一步优化,本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图4所示,本实施例的充电站耗电量预测方法,可包括以下步骤:
S210、根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量。
S220、根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量。
S230、获取当前时间段之前的上一时间段的新增车辆预测耗电量与当前车辆预测耗电量。
S240、根据上一时间段的新增车辆预测耗电量与上一时间段的当前车辆预测耗电量,确定当前时间段的充电站预测耗电量。
S250、根据当前时间段的充电站预测耗电量以及充电站实际耗电量,确定当前时间段的预测误差。
在计算当前车辆预测耗电量时,可能出现预测结果与充电站实际耗电量存在一定的误差,因此需要将上一时间段的新增车辆预测耗电量与上一时间段的当前车辆预测耗电量,确定出当前时间段的充电站预测耗电量。
并依据当前时间段的充电站预测耗电量以及当前时间段的充电站实际耗电量,确定当前时间段的预测误差。
S260、依据当前时间段的预测误差、预测时间段的新增车辆预测耗电量以及当前车辆预测耗电量,确定预测时间段内充电站预测耗电量。
在得到当前时间段的预测误差后,可以依据当前时间段的预测误差对预测时间段的新增车辆预测耗电量进行调整,使得预测时间段的新增车辆预测耗电量可以更加符合充电站的在预测时间段新增车辆的实际耗电量,并依据调整后的新增车辆预测耗电量以及当前车辆预测耗电量,确定预测时间段内充电站预测耗电量。
在一种可选方案中,依据当前时间段的预测误差、预测时间段的新增车辆预测耗电量以及当前车辆预测耗电量,确定预测时间段内充电站预测耗电量,可包括步骤D1-D2:
步骤D1、根据当前时间段的预测误差以及预测时间段的当前车辆预测耗电量,确定预测时间段的当前车辆修正预测耗电量。
步骤D2、根据预测时间段的当前车辆修正预测耗电量以及新增车辆预测耗电量,确定预测时间段内充电站预测耗电量。
当前车辆修正预测耗电量可以是利用预测误差修正后得到的当前车辆预测耗电量。
在得到当前时间段的预测误差以及预测时间段的当前车辆预测耗电量后,可以利用预测时间段的当前车辆预测耗电量减去当前时间段的预测误差,得到预测时间段的当前车辆修正预测耗电量。
对于依靠预测误差对当前车辆预测耗电量进行修正可以通过下式运算:
V2=V0-Δv
其中,V2表示当前车辆修正预测耗电量;Δv表示预测误差与V0的差值。
通过上式得到预测时间段的当前车辆修正预测耗电量后,可以将预测时间段的当前车辆修正预测耗电量以及新增车辆预测耗电量进行汇总,得到预测时间段内充电站预测耗电量。
根据本发明实施例的技术方案,通过预测误差的获取,以及依据当前时间段的所述预测误差、预测时间段的所述新增车辆预测耗电量以及所述当前车辆预测耗电量,确定预测时间段内所述充电站预测耗电量,使得确定的预设时间段内充电站预测耗电量的准确性较为符合充电站的真实耗电量的情况。
实施例三
图5为本发明实施例提供了一种充电站耗电量预测装置的结构框图,本实施例可适用于对充电站耗电量进行较为实时且较为准确的耗电量预测的情形。该充电站耗电量预测装置可以采用硬件和/或软件的形式实现,该充电站耗电量预测装置可配置于具有数据处理能力的电子设备中。如图5所示,本实施例的充电站耗电量预测装置,可包括:新增耗电确定模块310、当前耗电确定模块320以及预测耗电确定模块。其中:
新增耗电确定模块310,用于根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;
当前耗电确定模块320,用于根据当前充电车辆的充电信息确定预测时间段的当前车辆预测耗电量;
预测耗电确定模块330,用于根据新增车辆预测耗电量与当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
在上述实施例的基础上,可选的,新增耗电确定模块310,包括:
新增车数量确定单元,用于根据新增车辆概率,确定充电站预测时间段的新增车数量;
单一消耗确定单元,用于根据当前预设时间段内充电站实际耗电量以及当前预设时间段空闲充电桩数,确定预测时间段的单一新增车辆的预测电量消耗功率;
新增耗电量确定单元,用于根据预测时间段的新增车数量以及单一新增车辆的预测电量消耗功率,确定预测时间段的新增车辆预测耗电量。
可选的,新增耗电量确定单元,包括:
通过下式计算新增车辆预测耗电量:
式中,V表示新增车辆预测耗电量;S表示充电站中充电桩数量;K表示当前时间段,正在充电的充电桩数量;j表示新增车数量;P(j)表示新增车数量为j辆的概率;m表示单一新增车辆的预测电量消耗功率。
在上述实施例的基础上,可选的,当前耗电确定模块320,包括:
单一耗电量确定单元,用于根据车辆充电曲线,确定预测时间段的当前充电车辆的单一耗电量;
当前耗电量确定单元,用于根据当前充电车辆的单一耗电量以及当前充电车辆的充电时长,确定预测时间段的当前车辆预测耗电量。
在上述实施例的基础上,可选的,单一耗电量确定单元,包括:
充电曲线确定子单元,用于根据当前充电车辆的电桩充电协议,确定各个当前充电车辆的车辆充电曲线;
单一耗电确定子单元,用于根据各个当前充电车辆的当前时间段的实际耗电量以及车辆充电曲线,确定预测时间段的当前充电车辆的单一耗电量。
在上述实施例的基础上,可选的,预测耗电确定模块330,包括:
当前耗电量获取单元,用于获取当前时间段之前的上一时间段的新增车辆预测耗电量与当前车辆预测耗电量;
电站耗电预测单元,用于根据上一时间段的新增车辆预测耗电量与当前车辆预测耗电量,确定当前时间段的充电站预测耗电量;
预测误差确定单元,用于根据当前时间段的充电站预测耗电量以及充电站实际耗电量,确定当前时间段的预测误差;
电站耗电确定单元,用于依据当前时间段的预测误差、预测时间段的新增车辆预测耗电量以及当前车辆预测耗电量,确定预测时间段内充电站预测耗电量。
在上述实施例的基础上,可选的,电站耗电确定单元,包括:
预测耗电修正子单元,用于根据当前时间段的预测误差以及预测时间段的当前车辆预测耗电量,确定预测时间段的当前车辆修正预测耗电量;
电站耗电获取子单元,用于根据预测时间段的当前车辆修正预测耗电量以及新增车辆预测耗电量,确定预测时间段内充电站预测耗电量。
本发明实施例所提供的充电站耗电量预测装置可执行本发明任意实施例所提供的充电站耗电量预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如充电站耗电量预测方法。
在一些实施例中,充电站耗电量预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的充电站耗电量预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行充电站耗电量预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种充电站耗电量预测方法,其特征在于,包括:
根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;
根据当前充电车辆的充电信息确定所述预测时间段的当前车辆预测耗电量;
根据所述新增车辆预测耗电量与所述当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
2.根据权利要求1所述的方法,其特征在于,所述根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量,包括:
根据所述新增车辆概率,确定充电站预测时间段的新增车数量;
根据当前预设时间段内所述充电站实际耗电量以及当前预设时间段空闲充电桩数,确定预测时间段的单一新增车辆的预测电量消耗功率;
根据预测时间段的所述新增车数量以及单一新增车辆的所述预测电量消耗功率,确定预测时间段的所述新增车辆预测耗电量。
3.根据权利要求2所述的方法,其特征在于,根据预测时间段的所述新增车数量以及单一新增车辆的所述预测电量消耗功率,确定预测时间段的所述新增车辆预测耗电量,包括:
通过下式计算所述新增车辆预测耗电量:
式中,V表示所述新增车辆预测耗电量;S表示充电站中充电桩数量;K表示当前时间段,正在充电的充电桩数量;j表示所述新增车数量;P(j)表示所述新增车数量为j辆的概率;m表示单一新增车辆的所述预测电量消耗功率。
4.根据权利要求1所述的方法,其特征在于,根据当前充电车辆的充电信息确定所述预测时间段的当前车辆预测耗电量,包括:
根据所述车辆充电曲线,确定预测时间段的所述当前充电车辆的单一耗电量;
根据所述当前充电车辆的所述单一耗电量以及所述当前充电车辆的充电时长,确定预测时间段的所述当前车辆预测耗电量。
5.根据权利要4所述的方法,其特征在于,所述根据所述车辆充电曲线,确定预测时间段的所述当前充电车辆的单一耗电量,包括:
根据所述当前充电车辆的所述电桩充电协议,确定各个所述当前充电车辆的所述车辆充电曲线;
根据各个所述当前充电车辆的当前时间段的实际耗电量以及所述车辆充电曲线,确定预测时间段的所述当前充电车辆的单一耗电量。
6.根据权利要求1所述的方法,其特征在于,所述根据所述新增车辆预测耗电量与所述当前车辆预测耗电量,确定预设时间段内充电站预测耗电量,包括:
获取当前时间段之前的上一时间段的所述新增车辆预测耗电量与所述当前车辆预测耗电量;
根据上一时间段的所述新增车辆预测耗电量与上一时间段的所述当前车辆预测耗电量,确定当前时间段的所述充电站预测耗电量;
根据当前时间段的所述充电站预测耗电量以及所述充电站实际耗电量,确定当前时间段的预测误差;
依据当前时间段的所述预测误差、预测时间段的所述新增车辆预测耗电量以及所述当前车辆预测耗电量,确定预测时间段内所述充电站预测耗电量。
7.根据权利要求6所述的方法,其特征在于,所述依据当前时间段的所述预测误差、预测时间段的所述新增车辆预测耗电量以及所述当前车辆预测耗电量,确定预测时间段内所述充电站预测耗电量,包括:
根据当前时间段的所述预测误差以及预测时间段的所述当前车辆预测耗电量,确定预测时间段的当前车辆修正预测耗电量;
根据预测时间段的所述当前车辆修正预测耗电量以及所述新增车辆预测耗电量,确定预测时间段内所述充电站预测耗电量。
8.一种充电站耗电量预测装置,其特征在于,包括:
新增耗电确定模块,用于根据预测时间段对应的新增车辆概率以及当前时间段的充电站实际耗电量,确定预测时间段的新增车辆预测耗电量;
当前耗电确定模块,用于根据当前充电车辆的充电信息确定所述预测时间段的当前车辆预测耗电量;
预测耗电确定模块,用于根据所述新增车辆预测耗电量与所述当前车辆预测耗电量,确定预设时间段内充电站预测耗电量。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的充电站耗电量预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的充电站耗电量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857279.4A CN116862064A (zh) | 2023-07-12 | 2023-07-12 | 一种充电站耗电量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857279.4A CN116862064A (zh) | 2023-07-12 | 2023-07-12 | 一种充电站耗电量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862064A true CN116862064A (zh) | 2023-10-10 |
Family
ID=88228273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857279.4A Pending CN116862064A (zh) | 2023-07-12 | 2023-07-12 | 一种充电站耗电量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862064A (zh) |
-
2023
- 2023-07-12 CN CN202310857279.4A patent/CN116862064A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN116166405B (zh) | 异构场景下的神经网络任务调度策略确定方法及装置 | |
CN112819215B (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
CN116937645A (zh) | 充电站集群调控潜力评估方法、装置、设备及介质 | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN115395613B (zh) | 电池充电管理方法、装置、电子设备及存储介质 | |
CN116862064A (zh) | 一种充电站耗电量预测方法、装置、电子设备及存储介质 | |
CN116311893A (zh) | 一种交通拥堵时间预测方法、装置、电子设备及存储介质 | |
CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
CN114779109A (zh) | 电池健康状态的确定方法、装置、电子设备及存储介质 | |
CN115692885A (zh) | 一种电池析锂保护方法、装置、电子设备和存储介质 | |
CN115907491A (zh) | 充电策略确定方法、装置、电子设备及存储介质 | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN115291111B (zh) | 电池静置时间预测模型的训练方法以及静置时间预测方法 | |
CN116484993A (zh) | 换电站换电需求预测方法、装置、设备及介质 | |
CN115293083B (zh) | 集成电路时序预测方法、装置、电子设备及存储介质 | |
CN116819342A (zh) | 一种电池寿命曲线确定方法、装置、电子设备及存储介质 | |
CN116523051A (zh) | 一种模型混精推理方法、装置、设备及存储介质 | |
CN118011173A (zh) | 一种列车igbt寿命评估方法、装置、设备及介质 | |
CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 | |
CN118313102A (zh) | 页岩气藏最终可采储量的预测方法、装置、设备及介质 | |
CN117252444A (zh) | 配电网规划方法、装置、电子设备及存储介质 | |
CN114633833A (zh) | 电动自行车的行驶参数确定方法、装置、设备和存储介质 | |
CN116029504A (zh) | 车辆换电调度方法、装置、电子设备及存储介质 | |
CN118068199A (zh) | 一种电池充放电曲线预测方法、装置、电子设备和存储介质 |
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 |