CN116890689A - 基于车辆识别的充电控制方法、装置、设备及存储介质 - Google Patents
基于车辆识别的充电控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116890689A CN116890689A CN202311154910.0A CN202311154910A CN116890689A CN 116890689 A CN116890689 A CN 116890689A CN 202311154910 A CN202311154910 A CN 202311154910A CN 116890689 A CN116890689 A CN 116890689A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- charging
- target
- data
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 137
- 238000000605 extraction Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- 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
- B60L53/66—Data transfer between charging stations and vehicles
- B60L53/665—Methods related to measuring, billing or payment
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明涉及智能充电技术领域，公开了一种基于车辆识别的充电控制方法、装置、设备及存储介质，用于实现充电桩的智能车辆识别并提高充电的效率和充电控制的准确率。方法包括：采集目标停车区域的入库车辆图像并进行身份验证，得到目标车辆；获取历史驾驶数据和历史充电数据并进行驾驶特征提取，得到多个车辆行驶特征，以及进行充电特征提取，得到多个车辆充电特征；将多个车辆行驶特征和多个车辆充电特征输入充电需求预测模型进行充电需求预测，得到充电需求预测数据；获取电池状态信息，并构建初始充电模式及参数集合；获取电网负荷信息，并根据电网负荷信息进行充电参数优化，得到目标充电模式及参数集合。
Description
技术领域
本发明涉及智能充电技术领域，尤其涉及一种基于车辆识别的充电控制方法、装置、设备及存储介质。
背景技术
在当前社会背景下，随着电动车辆的普及和清洁能源的需求增加，电动车充电技术的研究和发展变得尤为重要。然而，电动车充电领域面临着一些挑战，包括充电效率的提升、充电设施的智能化、电网负荷管理等问题。基于这些挑战，研究人员逐渐将车辆识别技术与充电控制相结合，提出了基于车辆识别的充电控制方法。
在过去，传统的电动车充电方式往往是基于用户的手动操作，缺乏智能化和自动化。这导致了充电过程中的效率低下、资源浪费和电网负荷过大等问题。另外，电动车辆数量的增加也对充电基础设施的建设和管理提出了更高的要求。因此，如何实现电动车充电的智能化、高效化以及对电网的友好性，成为了亟待解决的问题。
发明内容
本发明提供了一种基于车辆识别的充电控制方法、装置、设备及存储介质，用于实现充电桩的智能车辆识别并提高充电的效率和充电控制的准确率。
本发明第一方面提供了一种基于车辆识别的充电控制方法，所述基于车辆识别的充电控制方法包括：
基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台；
通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆；
基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征；
将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合；
获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
结合第一方面，在本发明第一方面的第一种实现方式中，所述基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台，包括：
获取接入智能充电桩的车辆所对应的多个车辆充电历史图像，并对所述多个车辆充电历史图像进行车辆边缘标注，得到多个车辆标注图像；
将所述多个车辆标注图像输入预置车辆标识信息识别模型中的深度卷积神经网络进行特征提取，得到每个车辆标注图像对应的车辆边缘分割特征图；
将所述车辆边缘分割特征图输入所述车辆标识信息识别模型中的多个卷积层进行多次卷积操作，得到每个车辆边缘分割特征图对应的卷积特征向量；
将所述卷积特征向量输入所述车辆标识信息识别模型中的池化层进行下采样及特征压缩，得到多个池化特征向量；
将所述多个池化特征向量输入所述车辆标识信息识别模型中的全连接层进行特征组合，得到多个全连接特征向量；
将所述多个全连接特征向量输入所述车辆标识信息识别模型中的SoftMax函数进行特征分类，输出每个车辆充电历史图像的车辆外观、尺寸和识别标识信息；
构建所述车辆外观、尺寸和识别标识信息的唯一标识符，并根据所述唯一标识符对所述接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库；
创建所述车辆特征数据的车辆信息更新机制，并对所述车辆特征数据库进行信息准确性验证，得到信息验证结果；
根据所述车辆信息更新机制和所述信息验证结果，将所述车辆特征数据库整合到预设的车辆充电管理平台中。
结合第一方面，在本发明第一方面的第二种实现方式中，所述通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆，包括：
通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并对所述入库车辆图像进行图像去噪和光信息补偿，得到目标车辆图像；
对所述目标车辆图像进行图像分割和背景分离，得到车辆区域图像；
对所述车辆区域图像进行外观特征和识别标识特征提取，得到车辆外观特征以及车辆标识特征；
对所述车辆外观特征以及所述车辆标识特征进行特征编码，得到外观及标识特征编码向量；
对所述车辆特征数据库中的所述车辆外观、尺寸和识别标识信息进行信息编码，得到多个候选信息编码向量；
分别计算所述外观及标识特征编码向量与所述多个候选信息编码向量之间的欧式距离，并根据所述欧式距离对所述目标车辆图像进行身份验证，得到对应的目标车辆。
结合第一方面，在本发明第一方面的第三种实现方式中，所述基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征，包括：
基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据；
对所述历史驾驶数据进行数据分类，得到多个子驾驶数据集，并对所述多个子驾驶数据集进行驾驶特征运算，得到多个初始行驶特征；
对所述历史充电数据进行数据分类，得到多个子充电数据集，并对所述多个子充电数据集进行充电特征分析，得到多个初始充电特征；
分别对所述多个初始行驶特征以及所述多个初始充电特征进行特征筛选与降维，得到多个降维行驶特征以及多个降维充电特征；
分别对所述多个降维行驶特征以及所述多个降维充电特征进行特征归一化，得到多个车辆行驶特征以及多个车辆充电特征。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据，包括：
对所述多个车辆行驶特征进行特征编码，得到车辆行驶特征编码向量，并对所述多个车辆充电特征进行特征编码，得到车辆充电特征编码向量；
将所述车辆行驶特征编码向量输入预置充电需求预测模型中的第一双向长短时记忆网络进行特征提取，得到第一特征提取向量；
将所述车辆充电特征编码向量输入所述充电需求预测模型中的第二双向长短时记忆网络进行特征提取，得到第二特征提取向量；
对所述第一特征提取向量和所述第二特征提取向量进行向量融合，生成目标融合向量，并将所述目标融合向量输入所述充电需求预测模型中的两层门限循环网络进行充电需求预测，得到充电需求预测数据。
结合第一方面，在本发明第一方面的第五种实现方式中，所述获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合，包括：
获取所述目标车辆的电池状态信息，其中，所述电池状态信息包括：剩余电量、电压数据以及温度数据；
根据所述剩余电量匹配所述目标车辆的第一充电规则，并根据所述电压数据匹配所述目标车辆的第二充电规则，以及根据所述温度数据匹配所述目标车辆的第三充电规则；
根据所述第一充电规则、所述第二充电规则以及所述第三充电规则创建所述目标车辆的目标充电模式；
根据所述电池状态信息和所述充电需求预测数据计算所述目标车辆的充电速率参数和充电时长参数；
根据所述目标充电模式、所述充电速率参数和所述充电时长参数，构建所述目标车辆的初始充电模式及参数集合。
结合第一方面，在本发明第一方面的第六种实现方式中，所述获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合，包括：
获取所述智能充电桩的电网负荷信息，并对所述电网负荷信息进行解析，得到负荷峰值时段以及负荷变化趋势；
根据所述负荷峰值时段以及所述负荷变化趋势，对所述目标车辆进行最佳充电时段计算，得到目标充电时段；
根据所述目标充电时段对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
本发明第二方面提供了一种基于车辆识别的充电控制装置，所述基于车辆识别的充电控制装置包括：
建模模块，用于基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台；
验证模块，用于通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆；
提取模块，用于基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征；
预测模块，用于将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
构建模块，用于获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合；
优化模块，用于获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
本发明第三方面提供了一种基于车辆识别的充电控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于车辆识别的充电控制设备执行上述的基于车辆识别的充电控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于车辆识别的充电控制方法。
本发明提供的技术方案中，采集目标停车区域的入库车辆图像并进行身份验证，得到目标车辆；获取历史驾驶数据和历史充电数据并进行驾驶特征提取，得到多个车辆行驶特征，以及进行充电特征提取，得到多个车辆充电特征；将多个车辆行驶特征和多个车辆充电特征输入充电需求预测模型进行充电需求预测，得到充电需求预测数据；获取电池状态信息，并构建初始充电模式及参数集合；获取电网负荷信息，并根据电网负荷信息进行充电参数优化，得到目标充电模式及参数集合，本发明通过车辆识别技术，系统能够准确识别每辆车辆并了解其历史充电和驾驶数据。这使得充电可以更加个性化地进行，根据车辆的特性和需求制定最优的充电计划，从而提高充电效率，减少充电时间和能源浪费。基于电池状态信息，为每辆车辆制定适当的充电策略，避免了过度充电或放电，从而延长电池的使用寿命，减少电池更换成本，并提高电动车的可持续性。通过获取电网负荷信息并根据电池充电需求进行充电调度，能够在电网负荷较轻的时段进行充电，避免电网负荷过大，降低电网压力，从而提高电网的稳定性和可靠性。基于车辆识别，用户无需手动设置充电参数，根据车辆特征和充电需求智能地制定充电计划，提供更便捷、个性化的充电体验，为用户节省时间和精力。通过预测充电需求并在低负荷时段进行充电，可以更有效地规划能源利用，充分利用清洁能源，并在高峰负荷时段减少对传统能源的需求，进而实现了充电桩的智能车辆识别，并提高了充电的效率和充电控制的准确率。
附图说明
图1为本发明实施例中基于车辆识别的充电控制方法的一个实施例示意图；
图2为本发明实施例中身份验证的流程图；
图3为本发明实施例中特征提取的流程图；
图4为本发明实施例中充电需求预测的流程图；
图5为本发明实施例中基于车辆识别的充电控制装置的一个实施例示意图；
图6为本发明实施例中基于车辆识别的充电控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于车辆识别的充电控制方法、装置、设备及存储介质，用于实现充电桩的智能车辆识别并提高充电的效率和充电控制的准确率。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”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于车辆识别的充电控制方法的一个实施例包括：
S101、基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将车辆特征数据库存储至预设的车辆充电管理平台；
可以理解的是，本发明的执行主体可以为基于车辆识别的充电控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，智能充电桩的摄像头捕捉到接入充电桩的车辆图像。这些图像会被收集起来，并进行车辆边缘标注，以明确标识车辆的外形轮廓。经过标注的车辆图像被送入预置车辆标识信息识别模型，该模型基于深度卷积神经网络。这一网络通过一系列卷积操作，提取出每个图像对应的车辆边缘分割特征图。车辆边缘分割特征图经过多个卷积层的处理，产生卷积特征向量。这些向量对于每个车辆图像都捕捉到了其在特征空间中的重要表达。卷积特征向量进一步送入池化层，进行下采样和特征压缩。这样的处理导致产生多个池化特征向量，用以表征图像中的重要特征。池化特征向量输入全连接层，这一层将不同的特征进行组合。这产生了多个全连接特征向量，携带了更高层次的特征表达。经过全连接特征向量的处理，车辆标识信息识别模型应用SoftMax函数，对特征进行分类。这样，每个车辆充电历史图像都得到了一个识别结果，包含了外观、尺寸和识别标识信息。利用识别到的车辆外观、尺寸和识别标识信息，为每辆车构建唯一标识符。这个唯一标识符作为索引，将车辆的特征信息存储在车辆特征数据库中，实现车辆信息建模。为保持数据库的准确性，创建车辆特征数据的更新机制。周期性地对车辆特征数据库进行信息验证，确保其中的数据与实际车辆状态保持一致。车辆信息更新机制和验证结果将被用来整合车辆特征数据库至预设的车辆充电管理平台。这样，管理平台便获得了基于车辆识别的数据基础，可以支持后续充电需求的预测和优化。例如，考虑一辆电动出租车进入智能充电站。当该车辆连接到充电桩时，摄像头捕捉到其图像。通过经过训练的车辆标识信息识别模型，充电站可以迅速识别出该车辆的外观、尺寸和识别标识。基于这些信息，为电动出租车生成唯一标识符，并将其信息存储在车辆特征数据库中。这个数据库不仅包含了车辆的基本信息，还记录了车辆的充电历史数据，如充电时间、电量等。每次车辆充电时，数据库都会更新这些信息。当电动出租车需要充电时，充电管理平台可以根据该车辆的历史充电数据和行驶特征，预测其充电需求。同时，根据电网负荷情况，调整充电模式和参数，以避免电网过载。这种智能化的充电策略不仅减少了能源浪费，还提高了充电站的效率。
S102、通过智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过车辆特征数据库对入库车辆图像进行身份验证，得到对应的目标车辆；
具体的，智能充电桩中的摄像头捕捉到目标停车区域内的车辆图像。这些图像受到噪声和光线等因素的影响，需要进行图像去噪和光信息补偿，以获得更清晰、准确的目标车辆图像。对目标车辆图像进行图像分割，将车辆与背景区分开来。目的是提取出车辆的区域，为后续的特征提取和分析创造条件。在车辆区域图像的基础上，进行外观特征和识别标识特征的提取。外观特征包括车辆的形状、颜色等信息，而识别标识特征涉及车牌号码等识别标识。所提取的外观特征和识别标识特征需要经过特征编码的过程，将其转化为特征向量。这些特征向量将作为车辆的唯一标识，在后续的身份验证过程中发挥重要作用。需要从车辆特征数据库中获取存储的候选信息，包括其他车辆的外观、尺寸和识别标识信息。这些信息同样需要经过信息编码，生成对应的候选信息编码向量。利用生成的外观特征和识别标识特征编码向量，以及候选信息编码向量，计算它们之间的欧式距离。欧式距离可用于衡量特征之间的相似度。通过比较目标车辆特征与候选信息特征之间的欧式距离，进行身份验证，确定是否为目标车辆。例如，假设一辆电动车驶入智能充电桩所在的停车区域。摄像头捕捉到了车辆的图像。通过图像处理，对图像进行去噪和光信息补偿，获得清晰的车辆图像。对车辆图像进行分割，得到车辆的区域图像。在图像区域图像的基础上，提取出车辆的外观特征和识别标识特征，例如车辆的颜色和车牌号。这些特征经过编码，生成外观特征和识别标识特征编码向量。从车辆特征数据库中获取其他车辆的外观、尺寸和识别标识信息，并对这些信息进行编码，生成候选信息编码向量。通过计算目标车辆的特征编码向量与候选信息编码向量之间的欧式距离，进行身份验证。如果欧式距离在一定范围内，可以认定该车辆是目标车辆，从而确认充电操作的合法性。
S103、基于车辆充电管理平台获取目标车辆的历史驾驶数据和历史充电数据，并对历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对历史充电数据进行充电特征提取，得到多个车辆充电特征；
需要说明的是，通过车辆充电管理平台，获取目标车辆的历史驾驶数据和历史充电数据。这些数据包括车辆的行驶时间、行驶距离、速度、充电时间、充电电量等信息。将历史驾驶数据进行分类，将其划分为不同的子驾驶数据集，每个子集代表了特定的驾驶情境，如高速行驶、城市道路行驶等。对每个子驾驶数据集进行驾驶特征运算，提取与该情境相关的特征。这些特征包括平均速度、加速度变化、停车频率等。类似地，将历史充电数据进行分类，将其划分为不同的子充电数据集，每个子集代表了特定的充电情境，如快充、慢充等。对每个子充电数据集进行充电特征分析，提取与该情境相关的特征。这些特征包括充电电量、充电时间、充电速率等。从所有的驾驶特征和充电特征中，进行特征筛选，选择对充电过程具有重要影响的特征。对所选特征进行降维处理，以保留最有信息量的特征，减少数据维度，提高特征的表达效率。对降维后的驾驶特征和充电特征进行归一化处理，使得不同特征在尺度上保持一致，避免因尺度差异引发的问题。常用的归一化方法包括标准化和最小-最大归一化。例如，假设有一辆电动汽车，它在过去的一段时间内充电和驾驶的数据被记录在充电管理平台上。通过该平台，服务器获取了这辆车的历史驾驶数据和历史充电数据。历史驾驶数据包括每次行驶的时间、里程、平均速度等，而历史充电数据包括每次充电的时间、充电电量、充电速率等。针对历史驾驶数据，服务器根据驾驶情境将数据分为子驾驶数据集，如高速行驶和城市道路行驶。对于每个子驾驶数据集，服务器运算出相关的驾驶特征，如平均速度、加速度变化等。同时，历史充电数据也被分为子充电数据集，如快充和慢充，并从中提取充电特征，如充电电量、充电时间等。服务器对这些驾驶特征和充电特征进行筛选，选出对充电行为影响显著的特征。例如，对于充电特征来说，充电电量和充电时间是决定充电效率的重要因素。选取的特征会被送入降维算法，以压缩数据的维度，同时保留关键信息。得到的降维驾驶特征和充电特征将被进行特征归一化，确保它们在尺度上具有一致性，以便更好地进行后续的数据分析和充电需求预测。
S104、将多个车辆行驶特征和多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
具体的，对多个车辆行驶特征和车辆充电特征进行编码，将其转化为对应的特征编码向量。这一步骤将确保特征能够被准确地输入到预测模型中。将车辆行驶特征编码向量输入预置充电需求预测模型中的第一双向长短时记忆网络（LSTM），以进行特征提取。LSTM网络可以捕捉序列数据中的时间依赖性和模式，从而将车辆行驶特征进一步转化为更抽象、更有表达力的第一特征提取向量。同样地，将车辆充电特征编码向量输入预置充电需求预测模型中的第二双向长短时记忆网络（LSTM），以进行特征提取。这一网络将车辆充电特征转化为第二特征提取向量，用于捕捉与充电需求相关的信息。将第一特征提取向量和第二特征提取向量进行向量融合，生成目标融合向量。向量融合有助于将两种类型的特征信息整合起来，以提供更全面、更准确的预测数据。将目标融合向量输入充电需求预测模型中的两层门限循环网络（GRU），以进行充电需求的预测。门限循环网络能够在序列数据中建模长期依赖关系，从而准确预测未来的充电需求。预测结果将作为充电管理的依据，帮助智能充电桩做出决策。例如，假设有一辆电动汽车，其历史驾驶数据包括行驶速度、行驶距离等信息，而历史充电数据包括充电电量、充电时间等信息。这些数据已经经过特征编码，转化为车辆行驶特征编码向量和车辆充电特征编码向量。在预置的充电需求预测模型中，这两种特征编码向量将分别经过两个双向LSTM网络，分别得到第一特征提取向量和第二特征提取向量。假设第一特征提取向量捕捉到了行驶模式的特征，而第二特征提取向量捕捉到了充电行为的特征。这两个特征提取向量会被融合为目标融合向量，将两方面的特征信息综合起来。这个目标融合向量将进一步被输入到两层门限循环网络中，进行充电需求的预测。模型会考虑历史驾驶行为和充电行为，以及它们之间的关系，从而预测出未来一段时间内的充电需求。
S105、获取目标车辆的电池状态信息，并根据电池状态信息构建充电需求预测数据的初始充电模式及参数集合；
具体的，服务器获取目标车辆的电池状态信息，包括剩余电量、电压数据和温度数据。这些信息将为充电控制提供关键依据，以确保充电过程的安全和效率。基于电池状态信息，制定一系列充电规则，分别涵盖不同方面的充电控制。其中，剩余电量可以匹配第一充电规则，电压数据可以匹配第二充电规则，温度数据可以匹配第三充电规则。这些规则将在充电过程中影响充电模式和参数的选择。根据匹配的充电规则，创建目标车辆的充电模式。每个充电规则都会对应一种充电模式，例如，当剩余电量较低时，充电模式可以选择快充以迅速恢复电量；当电压数据显示电池可承受较高充电功率时，充电模式可以选择高功率充电；当温度数据较高时，充电模式可以选择慢充以避免过热。结合电池状态信息和充电需求预测数据，计算目标车辆的充电速率参数和充电时长参数。这些参数将直接影响充电过程的具体细节，如充电功率大小和充电时间长度。根据目标充电模式、充电速率参数和充电时长参数，构建目标车辆的初始充电模式及参数集合。这一集合将包含充电模式的选择以及与之相关的各项参数，确保充电过程按照个性化需求进行控制。例如，假设有一辆电动汽车，其电池状态信息显示剩余电量为30%，电压数据表明电池可承受高功率充电，温度数据为正常范围。基于这些信息，制定了以下充电规则：第一充电规则匹配低剩余电量，第二充电规则匹配高电压，第三充电规则匹配正常温度。根据这些规则，服务器创建了目标充电模式：选择高功率快充以尽快恢复电量，同时避免过热。结合历史充电数据和预测需求，计算出适当的充电速率参数和充电时长参数。服务器构建了该车辆的初始充电模式及参数集合：高功率快充，充电速率为50kW，充电时长为40分钟。这将是起始阶段的充电方案，在实际充电过程中，根据充电过程中的实时情况，会进行动态调整，以达到更好的充电效果。
S106、获取智能充电桩的电网负荷信息，并根据电网负荷信息对初始充电模式及参数集合进行充电参数优化，得到目标车辆的目标充电模式及参数集合。
具体的，获取智能充电桩所连接的电网负荷信息。可以通过电网监测系统实时获得，包括电网当前的负荷状态、负荷峰值时段和负荷变化趋势等。对获取的电网负荷信息进行解析，确定负荷峰值时段和负荷变化趋势。负荷峰值时段通常是电网负荷最高的时段，负荷变化趋势可以显示负荷在不同时间段内的波动情况。根据负荷峰值时段和负荷变化趋势，计算出目标车辆的最佳充电时段。在负荷较低的时段进行充电可以减轻电网负荷压力，提高充电效率。这个时段通常是负荷峰值之外的时间，或者负荷波动较小的时段。根据最佳充电时段，对初始充电模式及参数集合进行充电参数优化。例如，在电网负荷较低的时段，可以选择提高充电功率，缩短充电时间，以最大化充电效率。相反，在负荷峰值时段，可以适当减小充电功率，以避免对电网造成额外负荷。在充电参数优化后，生成目标车辆的最终充电模式及参数集合。这个集合将包含充电模式、充电功率、充电时间等参数，确保充电过程在最佳充电时段内进行，同时兼顾电网负荷情况。例如，假设在某个地区，电网负荷信息显示负荷峰值时段在下午6点到8点，而在其他时间段负荷较低。根据负荷变化趋势，电网负荷在晚上9点后逐渐减小。对于一辆电动车，其初始充电模式为快充，充电功率为50kW，充电时间为1小时。根据电网负荷信息，计算出最佳充电时段为晚上9点到早上6点，这是电网负荷较低的时段。在这个时段内，进行充电将不会对电网造成额外负荷。通过充电参数优化，将充电功率调整为40kW，充电时间缩短为45分钟，以最大程度地提高充电效率。生成了目标充电模式及参数集合：在晚上9点到早上6点期间，以40kW的功率充电，充电时长为45分钟。这个方案在考虑了电网负荷情况的基础上，实现了充电过程的优化。通过智能地根据电网负荷信息调整充电参数，充电控制方法能够在保障电网稳定的前提下，为电动车提供更高效、更可靠的充电体验。
本发明实施例中，采集目标停车区域的入库车辆图像并进行身份验证，得到目标车辆；获取历史驾驶数据和历史充电数据并进行驾驶特征提取，得到多个车辆行驶特征，以及进行充电特征提取，得到多个车辆充电特征；将多个车辆行驶特征和多个车辆充电特征输入充电需求预测模型进行充电需求预测，得到充电需求预测数据；获取电池状态信息，并构建初始充电模式及参数集合；获取电网负荷信息，并根据电网负荷信息进行充电参数优化，得到目标充电模式及参数集合，本发明通过车辆识别技术，系统能够准确识别每辆车辆并了解其历史充电和驾驶数据。这使得充电可以更加个性化地进行，根据车辆的特性和需求制定最优的充电计划，从而提高充电效率，减少充电时间和能源浪费。基于电池状态信息，为每辆车辆制定适当的充电策略，避免了过度充电或放电，从而延长电池的使用寿命，减少电池更换成本，并提高电动车的可持续性。通过获取电网负荷信息并根据电池充电需求进行充电调度，能够在电网负荷较轻的时段进行充电，避免电网负荷过大，降低电网压力，从而提高电网的稳定性和可靠性。基于车辆识别，用户无需手动设置充电参数，根据车辆特征和充电需求智能地制定充电计划，提供更便捷、个性化的充电体验，为用户节省时间和精力。通过预测充电需求并在低负荷时段进行充电，可以更有效地规划能源利用，充分利用清洁能源，并在高峰负荷时段减少对传统能源的需求，进而实现了充电桩的智能车辆识别，并提高了充电的效率和充电控制的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取接入智能充电桩的车辆所对应的多个车辆充电历史图像，并对多个车辆充电历史图像进行车辆边缘标注，得到多个车辆标注图像；
（2）将多个车辆标注图像输入预置车辆标识信息识别模型中的深度卷积神经网络进行特征提取，得到每个车辆标注图像对应的车辆边缘分割特征图；
（3）将车辆边缘分割特征图输入车辆标识信息识别模型中的多个卷积层进行多次卷积操作，得到每个车辆边缘分割特征图对应的卷积特征向量；
（4）将卷积特征向量输入车辆标识信息识别模型中的池化层进行下采样及特征压缩，得到多个池化特征向量；
（5）将多个池化特征向量输入车辆标识信息识别模型中的全连接层进行特征组合，得到多个全连接特征向量；
（6）将多个全连接特征向量输入车辆标识信息识别模型中的SoftMax函数进行特征分类，输出每个车辆充电历史图像的车辆外观、尺寸和识别标识信息；
（7）构建车辆外观、尺寸和识别标识信息的唯一标识符，并根据唯一标识符对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库；
（8）创建车辆特征数据的车辆信息更新机制，并对车辆特征数据库进行信息准确性验证，得到信息验证结果；
（9）根据车辆信息更新机制和信息验证结果，将车辆特征数据库整合到预设的车辆充电管理平台中。
具体的，服务器从智能充电桩的摄像头中获取接入车辆的多个充电历史图像。这些图像将用于识别车辆外观、尺寸和识别标识信息。针对每个图像，进行车辆边缘标注，将车辆的轮廓标记出来，以准备用于车辆识别模型的训练。将标注的车辆历史图像送入预置的车辆标识信息识别模型中。模型通常采用深度卷积神经网络，对图像进行特征提取和车辆边缘分割。这些分割特征图随后会通过多次卷积层进行处理，产生卷积特征向量。池化层进行下采样和特征压缩，生成多个池化特征向量。全连接层将这些池化特征向量进行组合，得到多个全连接特征向量。通过SoftMax函数对全连接特征向量进行分类，输出每个车辆充电历史图像的车辆外观、尺寸和识别标识信息。对于每个车辆，根据输出的外观、尺寸和识别标识信息，构建唯一的车辆标识符。例如，可以结合车辆品牌、车型和车牌号等信息来构建。根据这些唯一标识符，对接入智能充电桩的车辆进行车辆信息建模，将车辆的特征信息与标识符关联存储。创建车辆特征数据的信息更新机制，以确保车辆信息的实时性和准确性。这包括定期更新充电历史图像、识别结果以及其他车辆信息。同时，进行信息准确性验证，确保识别结果与实际车辆一致，防止误识别导致的数据错误。根据车辆信息更新机制和信息验证结果，将构建的车辆特征数据库整合到预设的车辆充电管理平台中。这个数据库将成为充电管理平台的核心，为后续的充电控制提供基础数据支持。例如，假设一个智能充电桩系统，摄像头可以拍摄车辆充电历史图像。当一辆车辆接入充电桩时，服务器自动捕获了该车的多个充电历史图像，并通过图像标注标记了车辆的边缘轮廓。这些图像被送入预置的车辆标识信息识别模型，模型对车辆边缘分割特征进行了多次卷积和池化操作，得到了车辆的全连接特征向量。通过分类输出，得到了该车辆的外观、尺寸和识别标识信息。基于输出的识别标识信息，服务器构建了车辆的唯一标识符。例如，如果一辆车被识别为“XX-XXXX-ABC123”，那么唯一标识符可以是“XX-XXXX-ABC123”。根据唯一标识符，服务器建立了该车辆的信息模型，包括外观、尺寸和识别标识等特征。在车辆特征数据的信息更新机制下，服务器每天定时更新充电历史图像和识别结果，保持信息的最新。同时，通过与实际数据对比验证，服务器确保识别结果的准确性。服务器将构建的车辆特征数据库整合到充电管理平台中，为后续的充电控制和管理提供基础数据支持。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、通过智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并对入库车辆图像进行图像去噪和光信息补偿，得到目标车辆图像；
S202、对目标车辆图像进行图像分割和背景分离，得到车辆区域图像；
S203、对车辆区域图像进行外观特征和识别标识特征提取，得到车辆外观特征以及车辆标识特征；
S204、对车辆外观特征以及车辆标识特征进行特征编码，得到外观及标识特征编码向量；
S205、对车辆特征数据库中的车辆外观、尺寸和识别标识信息进行信息编码，得到多个候选信息编码向量；
S206、分别计算外观及标识特征编码向量与多个候选信息编码向量之间的欧式距离，并根据欧式距离对目标车辆图像进行身份验证，得到对应的目标车辆。
具体的，服务器通过智能充电桩内置的摄像头，对停车区域的入库车辆进行图像采集。这些图像受到噪声和光照等因素的影响，因此需要进行预处理。对图像进行去噪处理，以消除图像中的干扰信息。其次，进行光信息补偿，通过调整图像的亮度和对比度来增强图像的可识别性，确保后续分析的准确性。对经过预处理的图像，进行图像分割和背景分离，将车辆从背景中分离出来，得到车辆区域图像。常用的方法包括阈值分割、边缘检测等。目的是提取出包含车辆的区域，为后续特征提取和识别做准备。从车辆区域图像中提取外观特征和识别标识特征。外观特征可以包括车辆的颜色、形状、车型等视觉信息。识别标识特征则可以是车辆的车牌号、标志性图案等用于唯一识别车辆的信息。这些特征可以通过图像处理技术、深度学习模型等方法提取。将提取的外观特征和识别标识特征进行编码，转化为特征向量。常用的编码方法包括哈希编码、向量化编码等，这些编码能够将多维特征表示为固定维度的向量，便于后续的计算和比较。对车辆特征数据库中的已有车辆信息进行编码，得到多个候选信息编码向量。计算目标车辆的外观及标识特征编码向量与每个候选信息编码向量之间的欧式距离。距离越小，表示目标车辆越与候选车辆信息匹配。通过设置阈值，可以判定目标车辆是否为某个已知车辆的身份验证成功。例如，假设一个停车场智能充电系统，一辆汽车驶入停车区域接入充电桩。充电桩内的摄像头自动捕获该车的图像，图像经过去噪和光信息补偿后，进入图像分割阶段，将车辆与背景分离。从车辆区域图像中提取外观特征如车辆颜色、车型，并提取识别标识特征如车牌号。这些特征经过编码，得到了外观及标识特征编码向量。在车辆特征数据库中，有一辆已知车辆的特征信息。假设数据库中保存了一辆“XX-XXXX-XYZ456”的信息。将这辆车的信息进行编码，得到候选信息编码向量。计算目标车辆的外观及标识特征编码向量与候选信息编码向量之间的欧式距离。如果距离在设定的阈值范围内，服务器认定目标车辆验证成功，确认其身份为“XX-XXXX-XYZ456”。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、基于车辆充电管理平台获取目标车辆的历史驾驶数据和历史充电数据；
S302、对历史驾驶数据进行数据分类，得到多个子驾驶数据集，并对多个子驾驶数据集进行驾驶特征运算，得到多个初始行驶特征；
S303、对历史充电数据进行数据分类，得到多个子充电数据集，并对多个子充电数据集进行充电特征分析，得到多个初始充电特征；
S304、分别对多个初始行驶特征以及多个初始充电特征进行特征筛选与降维，得到多个降维行驶特征以及多个降维充电特征；
S305、分别对多个降维行驶特征以及多个降维充电特征进行特征归一化，得到多个车辆行驶特征以及多个车辆充电特征。
具体的，服务器从车辆充电管理平台获取目标车辆的历史驾驶数据和历史充电数据。历史驾驶数据包括行驶距离、行驶时间、驾驶路线等信息。历史充电数据包括充电时间、充电电量、充电桩信息等。将历史驾驶数据和历史充电数据分别进行分类，将它们划分为不同的子数据集。例如，历史驾驶数据可以按照不同的驾驶路线、季节等分类。历史充电数据可以按照充电时间、充电桩类型等分类。对每个子驾驶数据集进行驾驶特征的提取，例如平均速度、行驶时间等。对每个子充电数据集进行充电特征的分析，例如平均充电功率、充电持续时间等。从提取的驾驶特征和充电特征中，选择对充电需求预测和充电优化具有重要影响的特征。这可以通过特征选择方法，如方差分析、互信息等，来识别和保留最相关的特征。可以使用降维技术，如主成分分析（PCA）或线性判别分析（LDA），将特征维度减少，保留最显著的特征信息。对降维后的驾驶特征和充电特征进行归一化处理，将其映射到相同的数值范围内，以避免不同特征尺度带来的影响。例如，假设一辆电动汽车在车辆充电管理平台上有一段时间的历史驾驶数据和历史充电数据。历史驾驶数据按照四季进行分类，历史充电数据按照工作日和非工作日进行分类。在冬季的历史驾驶数据中，提取的驾驶特征包括平均速度、行驶时间等；在工作日的历史充电数据中，提取的充电特征包括平均充电功率、充电持续时间等。经过特征筛选和降维后，选择了平均速度和平均充电功率作为最终的驾驶特征和充电特征。对这些降维后的特征进行归一化，确保它们在相同的数值范围内，为后续的充电需求预测和充电优化提供准确的数据基础。通过这些步骤，服务器根据历史驾驶和充电数据更准确地预测目标车辆的充电需求，并优化充电策略。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、对多个车辆行驶特征进行特征编码，得到车辆行驶特征编码向量，并对多个车辆充电特征进行特征编码，得到车辆充电特征编码向量；
S402、将车辆行驶特征编码向量输入预置充电需求预测模型中的第一双向长短时记忆网络进行特征提取，得到第一特征提取向量；
S403、将车辆充电特征编码向量输入充电需求预测模型中的第二双向长短时记忆网络进行特征提取，得到第二特征提取向量；
S404、对第一特征提取向量和第二特征提取向量进行向量融合，生成目标融合向量，并将目标融合向量输入充电需求预测模型中的两层门限循环网络进行充电需求预测，得到充电需求预测数据。
具体的，服务器对多个车辆行驶特征进行编码，得到车辆行驶特征编码向量；同时对多个车辆充电特征进行编码，得到车辆充电特征编码向量。编码可以采用一种合适的方法，例如基于统计的方法或神经网络编码方法，将原始特征转换为高维编码向量。将车辆行驶特征编码向量输入预置充电需求预测模型中的第一双向长短时记忆网络（BiLSTM），以进行特征提取。目的是捕捉行驶特征中的时序和相关信息，得到第一特征提取向量。同样，将车辆充电特征编码向量输入充电需求预测模型中的第二双向长短时记忆网络，以进行充电特征的提取，得到第二特征提取向量。对第一特征提取向量和第二特征提取向量进行向量融合。这可以通过简单的向量拼接、加权平均等方式进行。目标是将行驶特征和充电特征的信息融合在一起，形成一个综合的特征表示，即目标融合向量。将目标融合向量输入充电需求预测模型中的两层门限循环网络，用于进行充电需求的预测。这一模型可以通过历史数据训练得到，能够将融合特征映射到充电需求的预测结果。得到的预测结果即为充电需求预测数据。例如，假设有一辆电动汽车，其历史行驶数据包括平均速度、行驶距离等行驶特征，历史充电数据包括平均充电功率、充电持续时间等充电特征。通过神经网络编码，将行驶特征和充电特征分别编码为行驶特征编码向量和充电特征编码向量。在预测模型中，行驶特征编码向量输入第一双向LSTM，充电特征编码向量输入第二双向LSTM，分别提取它们的时序特征。通过向量融合，将两个双向LSTM的输出进行拼接，形成目标融合向量。将目标融合向量输入两层门限循环网络进行充电需求预测。这个预测模型通过学习历史数据中行驶特征、充电特征和充电需求之间的关系，能够生成准确的充电需求预测数据，以便更好地管理车辆的充电行为。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）获取目标车辆的电池状态信息，其中，电池状态信息包括：剩余电量、电压数据以及温度数据；
（2）根据剩余电量匹配目标车辆的第一充电规则，并根据电压数据匹配目标车辆的第二充电规则，以及根据温度数据匹配目标车辆的第三充电规则；
（3）根据第一充电规则、第二充电规则以及第三充电规则创建目标车辆的目标充电模式；
（4）根据电池状态信息和充电需求预测数据计算目标车辆的充电速率参数和充电时长参数；
（5）根据目标充电模式、充电速率参数和充电时长参数，构建目标车辆的初始充电模式及参数集合。
具体的通过车辆连接的传感器或者智能充电桩内置的传感器，获取目标车辆的电池状态信息。这些信息通常包括剩余电量、电压数据和温度数据。根据获取的电池状态信息，制定充电规则以决定充电策略。例如，如果剩余电量低于20%，则使用快充电模式，以尽快充满电池；如果电压数据显示电池正常，可以维持标准充电速率；如果温度数据表明电池过热，充电速率将降低以避免过热。基于匹配的充电规则，创建目标车辆的充电模式。例如：如果剩余电量低于20%，则目标充电模式为快速充电，以快速补充电能；如果电池电压正常且温度适中，则充电模式可以是标准充电，以保证电池寿命。根据电池状态信息、充电需求预测数据和充电模式，计算充电参数，包括充电速率和充电时长。充电速率参数可以根据电池状态、电池特性和充电模式计算，以确保充电效率和电池寿命的平衡。充电时长参数取决于所需充电量和充电速率，确保充电达到预期电量。整合计算得到的充电速率参数、充电时长参数和充电模式，构建目标车辆的初始充电模式及参数集合，这将为后续的实际充电提供准确的指导。例如，一辆电动汽车的剩余电量为40%，电压正常，温度适中。根据匹配的充电规则，决定采用标准充电模式。根据充电需求预测数据，计算出充电速率参数为6kW，充电时长参数为4小时。将充电模式、充电速率参数和充电时长参数整合，构建出目标车辆的初始充电模式及参数集合，即标准充电，6kW，4小时。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）获取智能充电桩的电网负荷信息，并对电网负荷信息进行解析，得到负荷峰值时段以及负荷变化趋势；
（2）根据负荷峰值时段以及负荷变化趋势，对目标车辆进行最佳充电时段计算，得到目标充电时段；
（3）根据目标充电时段对初始充电模式及参数集合进行充电参数优化，得到目标车辆的目标充电模式及参数集合。
具体的，智能充电桩需要获取电网负荷信息，这可以通过与电网通信或连接到能源管理系统来实现。获取的电网负荷信息是电网当前负荷以及过去时间段内的负荷数据。对这些数据进行解析，以识别负荷峰值时段和负荷变化趋势。基于解析的负荷峰值时段和负荷变化趋势，确定电网负荷较低的时段作为最佳充电时段。在这些时段充电可以减少对电网的负担，提高充电效率，并降低充电成本。考虑到电网负荷波动，最佳充电时段会定期更新。对于目标车辆，根据获取的最佳充电时段，对初始充电模式及参数集合进行充电参数优化。这可以涉及充电速率、充电时长等参数的调整，以最大程度地适应电网负荷情况并满足车主的充电需求。例如，假设某智能充电桩获取了电网负荷信息，分析后发现每天晚上8点到10点是负荷峰值时段，而白天负荷较低。在这种情况下，为了减少对电网的负荷影响，最佳充电时段会被设定为白天。假设目标车辆的初始充电模式为标准充电，充电速率为6kW，充电时长为4小时。根据电网负荷情况，充电控制系统会进行调整，将最佳充电时段设定为白天，比如上午10点到下午2点。服务器会对目标车辆的初始充电模式及参数集合进行充电参数优化。如果在白天充电，电网负荷较低，那么充电速率可以保持6kW，但充电时长会根据实际需要进行调整，例如缩短到3.5小时，以在负荷低谷时尽快完成充电。
上面对本发明实施例中基于车辆识别的充电控制方法进行了描述，下面对本发明实施例中基于车辆识别的充电控制装置进行描述，请参阅图5，本发明实施例中基于车辆识别的充电控制装置一个实施例包括：
建模模块501，用于基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台；
验证模块502，用于通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆；
提取模块503，用于基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征；
预测模块504，用于将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
构建模块505，用于获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合；
优化模块506，用于获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
通过上述各个组成部分的协同合作，采集目标停车区域的入库车辆图像并进行身份验证，得到目标车辆；获取历史驾驶数据和历史充电数据并进行驾驶特征提取，得到多个车辆行驶特征，以及进行充电特征提取，得到多个车辆充电特征；将多个车辆行驶特征和多个车辆充电特征输入充电需求预测模型进行充电需求预测，得到充电需求预测数据；获取电池状态信息，并构建初始充电模式及参数集合；获取电网负荷信息，并根据电网负荷信息进行充电参数优化，得到目标充电模式及参数集合，本发明通过车辆识别技术，系统能够准确识别每辆车辆并了解其历史充电和驾驶数据。这使得充电可以更加个性化地进行，根据车辆的特性和需求制定最优的充电计划，从而提高充电效率，减少充电时间和能源浪费。基于电池状态信息，为每辆车辆制定适当的充电策略，避免了过度充电或放电，从而延长电池的使用寿命，减少电池更换成本，并提高电动车的可持续性。通过获取电网负荷信息并根据电池充电需求进行充电调度，能够在电网负荷较轻的时段进行充电，避免电网负荷过大，降低电网压力，从而提高电网的稳定性和可靠性。基于车辆识别，用户无需手动设置充电参数，根据车辆特征和充电需求智能地制定充电计划，提供更便捷、个性化的充电体验，为用户节省时间和精力。通过预测充电需求并在低负荷时段进行充电，可以更有效地规划能源利用，充分利用清洁能源，并在高峰负荷时段减少对传统能源的需求，进而实现了充电桩的智能车辆识别，并提高了充电的效率和充电控制的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于车辆识别的充电控制装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于车辆识别的充电控制设备进行详细描述。
图6是本发明实施例提供的一种基于车辆识别的充电控制设备的结构示意图，该基于车辆识别的充电控制设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于车辆识别的充电控制设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于车辆识别的充电控制设备600上执行存储介质630中的一系列指令操作。
基于车辆识别的充电控制设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于车辆识别的充电控制设备结构并不构成对基于车辆识别的充电控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于车辆识别的充电控制设备，所述基于车辆识别的充电控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于车辆识别的充电控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于车辆识别的充电控制方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于车辆识别的充电控制方法，其特征在于，所述基于车辆识别的充电控制方法包括：
基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台；
通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆；
基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征；
将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合；
获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
2.根据权利要求1所述的基于车辆识别的充电控制方法，其特征在于，所述基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台，包括：
获取接入智能充电桩的车辆所对应的多个车辆充电历史图像，并对所述多个车辆充电历史图像进行车辆边缘标注，得到多个车辆标注图像；
将所述多个车辆标注图像输入预置车辆标识信息识别模型中的深度卷积神经网络进行特征提取，得到每个车辆标注图像对应的车辆边缘分割特征图；
将所述车辆边缘分割特征图输入所述车辆标识信息识别模型中的多个卷积层进行多次卷积操作，得到每个车辆边缘分割特征图对应的卷积特征向量；
将所述卷积特征向量输入所述车辆标识信息识别模型中的池化层进行下采样及特征压缩，得到多个池化特征向量；
将所述多个池化特征向量输入所述车辆标识信息识别模型中的全连接层进行特征组合，得到多个全连接特征向量；
将所述多个全连接特征向量输入所述车辆标识信息识别模型中的SoftMax函数进行特征分类，输出每个车辆充电历史图像的车辆外观、尺寸和识别标识信息；
构建所述车辆外观、尺寸和识别标识信息的唯一标识符，并根据所述唯一标识符对所述接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库；
创建所述车辆特征数据的车辆信息更新机制，并对所述车辆特征数据库进行信息准确性验证，得到信息验证结果；
根据所述车辆信息更新机制和所述信息验证结果，将所述车辆特征数据库整合到预设的车辆充电管理平台中。
3.根据权利要求1所述的基于车辆识别的充电控制方法，其特征在于，所述通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆，包括：
通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并对所述入库车辆图像进行图像去噪和光信息补偿，得到目标车辆图像；
对所述目标车辆图像进行图像分割和背景分离，得到车辆区域图像；
对所述车辆区域图像进行外观特征和识别标识特征提取，得到车辆外观特征以及车辆标识特征；
对所述车辆外观特征以及所述车辆标识特征进行特征编码，得到外观及标识特征编码向量；
对所述车辆特征数据库中的所述车辆外观、尺寸和识别标识信息进行信息编码，得到多个候选信息编码向量；
分别计算所述外观及标识特征编码向量与所述多个候选信息编码向量之间的欧式距离，并根据所述欧式距离对所述目标车辆图像进行身份验证，得到对应的目标车辆。
4.根据权利要求1所述的基于车辆识别的充电控制方法，其特征在于，所述基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征，包括：
基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据；
对所述历史驾驶数据进行数据分类，得到多个子驾驶数据集，并对所述多个子驾驶数据集进行驾驶特征运算，得到多个初始行驶特征；
对所述历史充电数据进行数据分类，得到多个子充电数据集，并对所述多个子充电数据集进行充电特征分析，得到多个初始充电特征；
分别对所述多个初始行驶特征以及所述多个初始充电特征进行特征筛选与降维，得到多个降维行驶特征以及多个降维充电特征；
分别对所述多个降维行驶特征以及所述多个降维充电特征进行特征归一化，得到多个车辆行驶特征以及多个车辆充电特征。
5.根据权利要求4所述的基于车辆识别的充电控制方法，其特征在于，所述将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据，包括：
对所述多个车辆行驶特征进行特征编码，得到车辆行驶特征编码向量，并对所述多个车辆充电特征进行特征编码，得到车辆充电特征编码向量；
将所述车辆行驶特征编码向量输入预置充电需求预测模型中的第一双向长短时记忆网络进行特征提取，得到第一特征提取向量；
将所述车辆充电特征编码向量输入所述充电需求预测模型中的第二双向长短时记忆网络进行特征提取，得到第二特征提取向量；
对所述第一特征提取向量和所述第二特征提取向量进行向量融合，生成目标融合向量，并将所述目标融合向量输入所述充电需求预测模型中的两层门限循环网络进行充电需求预测，得到充电需求预测数据。
6.根据权利要求5所述的基于车辆识别的充电控制方法，其特征在于，所述获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合，包括：
获取所述目标车辆的电池状态信息，其中，所述电池状态信息包括：剩余电量、电压数据以及温度数据；
根据所述剩余电量匹配所述目标车辆的第一充电规则，并根据所述电压数据匹配所述目标车辆的第二充电规则，以及根据所述温度数据匹配所述目标车辆的第三充电规则；
根据所述第一充电规则、所述第二充电规则以及所述第三充电规则创建所述目标车辆的目标充电模式；
根据所述电池状态信息和所述充电需求预测数据计算所述目标车辆的充电速率参数和充电时长参数；
根据所述目标充电模式、所述充电速率参数和所述充电时长参数，构建所述目标车辆的初始充电模式及参数集合。
7.根据权利要求6所述的基于车辆识别的充电控制方法，其特征在于，所述获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合，包括：
获取所述智能充电桩的电网负荷信息，并对所述电网负荷信息进行解析，得到负荷峰值时段以及负荷变化趋势；
根据所述负荷峰值时段以及所述负荷变化趋势，对所述目标车辆进行最佳充电时段计算，得到目标充电时段；
根据所述目标充电时段对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
8.一种基于车辆识别的充电控制装置，其特征在于，所述基于车辆识别的充电控制装置包括：
建模模块，用于基于车辆外观、尺寸和识别标识信息，对接入智能充电桩的车辆进行车辆信息建模，得到车辆特征数据库，并将所述车辆特征数据库存储至预设的车辆充电管理平台；
验证模块，用于通过所述智能充电桩中的摄像头采集目标停车区域的入库车辆图像，并通过所述车辆特征数据库对所述入库车辆图像进行身份验证，得到对应的目标车辆；
提取模块，用于基于所述车辆充电管理平台获取所述目标车辆的历史驾驶数据和历史充电数据，并对所述历史驾驶数据进行驾驶特征提取，得到多个车辆行驶特征，以及对所述历史充电数据进行充电特征提取，得到多个车辆充电特征；
预测模块，用于将所述多个车辆行驶特征和所述多个车辆充电特征输入预置的充电需求预测模型进行充电需求预测，得到充电需求预测数据；
构建模块，用于获取所述目标车辆的电池状态信息，并根据所述电池状态信息构建所述充电需求预测数据的初始充电模式及参数集合；
优化模块，用于获取所述智能充电桩的电网负荷信息，并根据所述电网负荷信息对所述初始充电模式及参数集合进行充电参数优化，得到所述目标车辆的目标充电模式及参数集合。
9.一种基于车辆识别的充电控制设备，其特征在于，所述基于车辆识别的充电控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于车辆识别的充电控制设备执行如权利要求1-7中任一项所述的基于车辆识别的充电控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于车辆识别的充电控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311154910.0A CN116890689B (zh) | 2023-09-08 | 2023-09-08 | 基于车辆识别的充电控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311154910.0A CN116890689B (zh) | 2023-09-08 | 2023-09-08 | 基于车辆识别的充电控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116890689A true CN116890689A (zh) | 2023-10-17 |
| CN116890689B CN116890689B (zh) | 2023-12-12 |
Family
ID=88313765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311154910.0A Active CN116890689B (zh) | 2023-09-08 | 2023-09-08 | 基于车辆识别的充电控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116890689B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094535A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市能数科技有限公司 | 基于人工智能的能源补给管理方法及系统 |
| CN117104035A (zh) * | 2023-10-25 | 2023-11-24 | 天津海关工业产品安全技术中心 | 一种充电控制方法、设备和充电系统 |
| CN117445735A (zh) * | 2023-12-25 | 2024-01-26 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117799483A (zh) * | 2024-03-01 | 2024-04-02 | 南京澜儒电气技术有限公司 | 利用类型解析的智能充电桩电量调配系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102044723A (zh) * | 2010-11-25 | 2011-05-04 | 奇瑞汽车股份有限公司 | 一种电动汽车智能充电方法 |
| CN111767915A (zh) * | 2019-04-02 | 2020-10-13 | 顺丰科技有限公司 | 车牌检测方法、装置、设备及存储介质 |
| CN115546776A (zh) * | 2022-09-20 | 2022-12-30 | 东南大学 | 基于卷积神经网络模型的字符分割模式车牌识别方法 |
| CN115759462A (zh) * | 2022-12-02 | 2023-03-07 | 重庆邮电大学 | 一种电动汽车用户的充电行为预测方法、装置及电子设备 |
-
2023
- 2023-09-08 CN CN202311154910.0A patent/CN116890689B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102044723A (zh) * | 2010-11-25 | 2011-05-04 | 奇瑞汽车股份有限公司 | 一种电动汽车智能充电方法 |
| CN111767915A (zh) * | 2019-04-02 | 2020-10-13 | 顺丰科技有限公司 | 车牌检测方法、装置、设备及存储介质 |
| CN115546776A (zh) * | 2022-09-20 | 2022-12-30 | 东南大学 | 基于卷积神经网络模型的字符分割模式车牌识别方法 |
| CN115759462A (zh) * | 2022-12-02 | 2023-03-07 | 重庆邮电大学 | 一种电动汽车用户的充电行为预测方法、装置及电子设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094535A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市能数科技有限公司 | 基于人工智能的能源补给管理方法及系统 |
| CN117094535B (zh) * | 2023-10-19 | 2024-01-16 | 深圳市能数科技有限公司 | 基于人工智能的能源补给管理方法及系统 |
| CN117104035A (zh) * | 2023-10-25 | 2023-11-24 | 天津海关工业产品安全技术中心 | 一种充电控制方法、设备和充电系统 |
| CN117104035B (zh) * | 2023-10-25 | 2024-03-15 | 天津海关工业产品安全技术中心 | 一种充电控制方法、设备和充电系统 |
| CN117445735A (zh) * | 2023-12-25 | 2024-01-26 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117445735B (zh) * | 2023-12-25 | 2024-03-19 | 国网天津市电力公司武清供电分公司 | 云边协同的充电预警方法、设备及介质 |
| CN117799483A (zh) * | 2024-03-01 | 2024-04-02 | 南京澜儒电气技术有限公司 | 利用类型解析的智能充电桩电量调配系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116890689B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116890689B (zh) | 基于车辆识别的充电控制方法、装置、设备及存储介质 | |
| CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
| US11586992B2 (en) | Travel plan recommendation method, apparatus, device and computer readable storage medium | |
| EP4060599A1 (en) | Battery service providing system and method | |
| CN109544351A (zh) | 车辆风险评估方法、装置、计算机设备及存储介质 | |
| KR20210119329A (ko) | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 | |
| CN109446783B (zh) | 一种基于机器众包的图像识别高效样本采集方法及系统 | |
| CN116494816B (zh) | 充电桩的充电管理系统及其方法 | |
| CN114493191B (zh) | 一种基于网约车数据的驾驶行为建模分析方法 | |
| CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
| CN106796672A (zh) | 利用自适应自动化控制软件预测及优化能量存储寿命周期性能 | |
| CN114723174B (zh) | 一种基于状态评估的能源输送参数调整方法及系统 | |
| CN117277316B (zh) | 一种电力负荷预测方法、系统、介质及设备 | |
| CN113459871B (zh) | 换电站的电池充电方法、装置以及存储介质、电子设备 | |
| CN110598747A (zh) | 基于自适应k均值聚类算法的道路分类方法 | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
| CN117611015A (zh) | 一种建筑工程质量实时监测系统 | |
| CN116484247B (zh) | 一种签署数据智能处理系统 | |
| CN113095680A (zh) | 电力大数据模型的评价指标体系与构建方法 | |
| Xu et al. | Research on estimation method of mileage power consumption for electric vehicles | |
| CN116562398A (zh) | 电力负荷预测模型训练方法、预测方法、电子设备和介质 | |
| US20230369857A1 (en) | Methods and systems for power-supply management in smart urban based on internet of things | |
| CN114977162A (zh) | 一种电动汽车充电监测方法及系统 | |
| CN114048978A (zh) | 一种基于机器学习模型的供需调度策略融合应用 | |
| CN112579721A (zh) | 构建人群分布图的方法及系统、终端设备、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |