CN117565727B - 基于人工智能的无线充电自动控制方法及系统 - Google Patents
基于人工智能的无线充电自动控制方法及系统 Download PDFInfo
- Publication number
- CN117565727B CN117565727B CN202410054498.3A CN202410054498A CN117565727B CN 117565727 B CN117565727 B CN 117565727B CN 202410054498 A CN202410054498 A CN 202410054498A CN 117565727 B CN117565727 B CN 117565727B
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- model
- state
- follows
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000011217 control strategy Methods 0.000 claims abstract description 57
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 92
- 230000009471 action Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 208000000044 Amnesia Diseases 0.000 claims 1
- 208000031091 Amnestic disease Diseases 0.000 claims 1
- 230000006986 amnesia Effects 0.000 claims 1
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- B60L53/10—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 characterised by the energy transfer between the charging station and the vehicle
- B60L53/12—Inductive energy transfer
-
- 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
- B60L53/30—Constructional details of charging stations
- B60L53/31—Charging columns specially adapted for electric vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
-
- 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
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的无线充电自动控制方法及系统，方法包括设备识别与定位、充电需求预测、充电控制策略、充电安全监测、系统实施与优化。本发明属于无线充电技术领域，具体是指一种基于人工智能的无线充电自动控制方法及系统，本方案采用人工智能网络模型来预测充电需求，有效调度充电桩，在充电需求不同的情况下将车辆的充电效率最大化、充电桩的使用率最大化；通过设定自适应的充电控制策略，使用强化学习根据充电场景和充电需求预测实时调整充电策略，保证了充电过程的稳定性。
Description
技术领域
本发明涉及无线充电技术领域，具体是指基于人工智能的无线充电自动控制方法及系统。
背景技术
新能源汽车是无线充电设备中最具潜力的市场，由于电池容量及充电基础设施等条件的限制，充电问题成为新能源汽车发展过程中面临的最主要的瓶颈问题，一般的无线充电桩有一定的充电能力和容量限制，在大规模充电的应用场景中充电资源无法合理分配，导致需求过载和部分设备闲置的问题；一般的无线充电技术在能量传输过程中存在能量损耗导致功率浪费，且充电系统输出的功率超过接收设备能承受的最大功率时，不仅会降低充电效率，还会对接收设备造成损坏的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的无线充电自动控制方法及系统，针对一般的无线充电桩有一定的充电能力和容量限制，在大规模充电的应用场景中充电资源无法合理分配，导致需求过载和部分设备闲置的问题，本方案采用人工智能网络模型来预测充电需求，有效调度充电桩，在充电需求不同的情况下将车辆的充电效率最大化、充电桩的使用率最大化；针对一般的无线充电技术在能量传输过程中存在能量损耗导致功率浪费，且充电系统输出的功率超过接收设备能承受的最大功率时，不仅会降低充电效率，还会对接收设备造成损坏的问题，本方案设定自适应的充电控制策略，通过强化学习根据充电场景和充电需求预测实时调整充电策略，保证充电过程的稳定性。
本发明采用的技术方案如下：本发明提供的一种基于人工智能的无线充电自动控制方法，该方法包括以下步骤：
步骤S1：设备识别与定位，利用充电桩识别车辆的位置并与车辆建立通信连接，实时获取车辆的充电状态；
步骤S2：充电需求预测，收集充电桩的历史充电数据，结合车辆的充电状态，建立递归神经网络模型来预测车辆的充电需求；
步骤S3：充电控制策略，根据预测车辆的充电需求和车辆的充电状态，采用强化学习自适应调整算法设计充电控制策略；
步骤S4：充电安全监测，监测充电桩状态，建立远程通信，实时监测车辆在充电过程中的安全性；
步骤S5：系统实施与优化，将充电控制策略实施到无线充电系统中，并持续监测和优化无线充电系统的性能。
进一步地，在步骤S2中，所述充电需求预测，具体包括以下步骤：
步骤S21：数据采集，采集新能源汽车充电桩使用记录作为公开数据集，所述公开数据集包括充电桩标识符、车辆充电的开始和结束时间、充电量及充电功率；
步骤S22：数据预处理，对公开数据集进行预处理，去除重复、缺失和异常的数据，得到预处理后的数据作为样本库；
步骤S23：特征工程，从样本库中提取相关特征，转换为时间序列作为模型的输入，步骤如下：
步骤S231：将充电桩标识符通过独热编码转换为只含有0和1的向量表示形式；
步骤S232：将车辆充电的开始和结束时间转换为以分钟划分的时间点构建成时间序列数据，将充电量和充电功率随时间的变化作为额外的时间序列数据；
步骤S233：将充电桩标识符的向量表示形式、时间序列数据和额外的时间序列数据进行组合，形成一个完整的输入序列，每个输入序列表示为[充电桩标识符(t)，充电时间(t)，充电量(t)，充电功率(t)]，作为一个时间步的输入；
步骤S24：划分数据集，将预处理后的数据随机选取70%作为训练集用于模型训练，30%作为测试集用于模型测试；
步骤S25：模型构建，构建LSTM-attention模型，LSTM-attention模型由编码器、注意力机制、解码器构成，步骤如下：
步骤S251：编码器，构建LSTM网络作为LSTM-attention模型的编码器，LSTM网络是一种递归神经网络，由连续的记忆细胞组成，每个记忆细胞包含遗忘门、输入门和输出门三个部分，步骤如下：
步骤S2511：遗忘门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建遗忘门，所用公式如下：
；
式中，是sigmoid函数，是遗忘门的权重矩阵，是遗忘门的偏置向量；
步骤S2512：输入门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建输入门，所用公式如下：
；
式中，是输入门的权重矩阵，是输入门的偏置向量；
使用函数得到候选细胞信息，所用公式如下：
；
式中，是加权权重矩阵，是加权偏置向量；
将输入门和候选细胞信息相乘，然后与旧的记忆细胞状态相加，得到新的
细胞状态，所用公式如下：
；
式中，和分别是时间和时间的细胞状态；
步骤S2513：输出门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建输出门，所用公式如下：
；
式中，是输出门的权重矩阵，是输出门的偏置向量；
使用函数激活新的细胞状态，然后与输出门相乘得到结果作为注意力
机制的输入，所用公式如下：
；
步骤S252：注意力机制，利用不同时间步的输入对预测结果的重要性进行动态调整，步骤如下：
步骤S2521：权重计算，将输入向量经过线性变换和激活函数，得到最终的权重
向量，所用公式如下：
；
式中，是权重向量，是的转置，是权重矩阵，是偏置向量；
步骤S2522：归一化，将权重向量中的元素转化为概率分布，所用公式如下：
；
式中，表示权重向量元素的概率表示，表示归一化函数；
步骤S2523：带权和计算，将输入向量与对应的权重向量元素的概率表示相乘，
累加结果得到输出，所用公式如下：
；
步骤S253：解码器，根据注意力机制的输出逐步构造出预测序列；
步骤S26：模型训练，使用训练集对LSTM-attention模型进行训练，通过多次迭代调整模型参数，步骤如下：
步骤S261：初始化模型参数，对LSTM-attention模型的权重矩阵和偏置向量进行初始化；
步骤S262：选择损失函数，使用平均绝对误差MAE作为损失函数用于定义模型性能，所用公式如下：
；
式中，为真实值，为模型预测值，为样本数量；
步骤S263：选择优化器，选择Adam优化器来最小化损失函数，在每个训练迭代过程中不断调整LSTM-attention模型的权重矩阵和偏置向量以最小化平均绝对误差MAE，所用公式如下：
；
式中，是LSTM-attention模型的权重矩阵和偏置向量的集合，是学习率，是
偏差校正的一阶估计，是偏差校正的二阶估计，是数值稳定性常数；
步骤S264：LSTM-attention模型训练，将训练集输入至LSTM-attention模型中，设置LSTM-attention模型的超参数进行训练，重复迭代调整LSTM-attention模型的权重矩阵和偏置向量直到LSTM-attention模型收敛，训练完成后得到LSTM-attention-A模型；
步骤S27：模型验证，将测试集输入至LSTM-attention-A模型中，使用平均绝对误差MAE进行验证，根据验证值调整LSTM-attention-A模型的参数和结构；
步骤S28：性能评估，用均方根误差计算模型预测值与真实值的匹配程度来评
估模型的预测精度，所用公式如下：
；
步骤S29：运行，通过LSTM-attention-A模型对充电桩实时数据进行预测车辆的充电需求，根据LSTM-attention-A模型提供的预测结果进行后续充电控制策略的制定。
进一步地，在步骤S3中，所述充电控制策略，具体包括以下步骤：
步骤S31：初始化充电控制策略，构建基于经验回放的Q学习框架，将LSTM-
attention-A模型的预测结果作为基于经验回放的Q学习框架的输入特征之一，使用马尔可
夫决策过程初始化充电控制策略的参数，所用公式如下：
；
式中，表示状态空间，表示动作空间，表示折扣因子，表示状态转移概率，
表示每个状态-动作对的确定性奖励；
步骤S32：初始化数据集，将对充电控制行为做出决策的充电桩设置为智能体，智
能体从实时获取的车辆的充电状态中学习经验，并将学习到的经验作为经验样本存储在数据集中，所用公式如下：
；
式中，表示轮次编号，表示时间步，表示经验学习轮次的序号，表示时刻的
状态，表示时刻执行的充电动作，表示采取充电动作后转移到时刻的状态，
表示采取充电动作后获得的即时奖励；
步骤S33：Q值函数表示，马尔可夫决策过程的状态空间和动作空间采用近似
的Q值函数表示，步骤如下：
步骤S331：采用线性函数逼近器近似表示Q值函数，评估在特定状态下采取某个充
电动作的价值，所用公式如下：
；
式中，是状态-动作对的特征向量，是在时刻学习经验得到的参数向量，表示在时刻通过参数向量和特征向量计算得到的价值估计，表示折扣因子
作用于未来奖励的累积效果，表示时刻的即时奖励；
步骤S332：构造时刻关于参数向量的目标方程，执行充电动作后预期获得的
累积奖励用Q值表示，通过将预测的Q值与真实Q值之间的均方误差最小化，使得Q值的估计
更加接近真实值，所用公式如下：
；
式中，为状态-动作对在所有状态-动作对中所占的比例，表示策
略下任意状态-动作对的真实值，表示时间步时任意状态-动作对的Q值的
估计；
步骤S333：在连续的状态空间下，采用梯度下降算法求参数向量，所用公式如
下：
；
式中，表示学习率，表示参数向量的转置；
步骤S334：Q值函数达到最优后，通过一步映射获得最优策略，所用公式如下：
；
步骤S34：动作选择，对于每个时间步，根据步骤S2中LSTM-attention-A模型预测
的充电需求，结合ε-greedy策略选取合适的充电动作，即智能体以的概率来选择动作空
间中的随机动作，以的概率选择Q值最大的贪心动作以最大化累积奖励，所用公式
如下：
；
式中，是探索因子；
步骤S35：动作执行，执行当前时间步的充电动作，获得下一个状态和即时奖
励，计算样本的序号，所用公式如下：
；
式中，为用于区分不同轮次的常数，表示轮次编号，是时间步；
步骤S36：更新样本数据集，所用公式如下：
；
步骤S37：学习参数向量，若当前时间步是最大时间步的整数倍，则根据在线
学习算法对参数向量进行更新，步骤如下：
步骤S371：采用均匀分布从数据集中读取样本；
步骤S372：读取数据集中与样本具有相同状态和充电动
作的所有样本，取出使下一个状态具有最大Q值的贪心动作，所用公式如下：
；
步骤S373：生成状态-动作对对应的特征向量；
步骤S374：更新参数向量，所用公式如下：
；
步骤S375：重复执行步骤S371至S374直到次，输出值函数参数向量；
步骤S38：状态更新，将当前时刻状态更新为；
步骤S39：最优策略生成，当参数向量数值不再发生变化时，即值函数对于
特定的状态-动作对在权重上达到了平衡，值函数收敛到局部最优解，生成无线充电最优控
制策略。
本发明提供的一种基于人工智能的无线充电自动控制系统，包括设备识别与定位模块、充电需求预测模块、充电控制策略模块、充电安全监测模块和系统实施与优化模块；
所述设备识别与定位模块利用充电桩识别车辆的位置并与车辆建立通信连接，将充电桩实时获取的车辆的充电状态发送至充电需求预测模块和充电控制策略模块；
所述充电需求预测模块接收设备识别与定位模块发送的车辆的充电状态，并收集充电桩的历史充电数据，建立人工智能网络模型来预测不同时间段的充电需求，将预测得到的充电需求发送至充电控制策略模块；
所述充电控制策略模块接收设备识别与定位模块发送的车辆的充电状态和充电需求预测模块发送的预测得到的充电需求，通过强化学习使用自适应调整算法设计充电控制策略，将充电控制策略发送至充电安全监测模块和系统实施与优化模块；
所述充电安全监测模块接收充电控制策略模块发送的充电控制策略，建立远程通信监测充电桩状态，将充电过程中的监测信息发送至系统实施与优化模块；
所述系统实施与优化模块接收充电控制策略模块发送的充电控制策略和充电安全监测模块发送的充电过程中的监测信息，将充电控制策略实施到无线充电系统中，并持续监测和优化系统性能。
采用上述方案本发明取得的有益效果如下：
（1）针对一般的无线充电桩有一定的充电能力和容量限制，在大规模充电的应用场景中充电资源无法合理分配，导致需求过载和部分设备闲置的问题，本方案采用人工智能网络模型来预测充电需求，有效调度充电桩，在充电需求不同的情况下将车辆的充电效率最大化、充电桩的使用率最大化。
（2）针对一般的无线充电技术在能量传输过程中存在能量损耗导致功率浪费，且充电系统输出的功率超过接收设备能承受的最大功率时，不仅会降低充电效率，还会对接收设备造成损坏的问题，本方案设定自适应的充电控制策略，通过强化学习根据充电场景和充电需求预测实时调整充电策略，保证充电过程的稳定性。
附图说明
图1为本发明提出的一种基于人工智能的无线充电自动控制方法的流程示意图；
图2为本发明提出的一种基于人工智能的无线充电自动控制系统的示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的无线充电自动控制方法，该方法包括以下步骤：
步骤S1：设备识别与定位，利用充电桩识别车辆的位置并与车辆建立通信连接，实时获取车辆的充电状态；
步骤S2：充电需求预测，收集充电桩的历史充电数据，结合车辆的充电状态，建立递归神经网络模型来预测车辆的充电需求；
步骤S3：充电控制策略，根据预测车辆的充电需求和车辆的充电状态，采用强化学习自适应调整算法设计充电控制策略；
步骤S4：充电安全监测，监测充电桩状态，建立远程通信，实时监测车辆在充电过程中的安全性；
步骤S5：系统实施与优化，将充电控制策略实施到无线充电系统中，并持续监测和优化无线充电系统的性能。
实施例二，参阅图1和3，该实施例基于上述实施例，在步骤S2中，充电需求预测，具体包括以下步骤：
步骤S21：数据采集，采集新能源汽车充电桩使用记录作为公开数据集，所述公开数据集包括充电桩标识符、车辆充电的开始和结束时间、充电量及充电功率；
步骤S22：数据预处理，对公开数据集进行预处理，去除重复、缺失和异常的数据，得到预处理后的数据作为样本库；
步骤S23：特征工程，从样本库中提取相关特征，转换为时间序列作为模型的输入，步骤如下：
步骤S231：将充电桩标识符通过独热编码转换为只含有0和1的向量表示形式；
步骤S232：将车辆充电的开始和结束时间转换为以分钟划分的时间点构建成时间序列数据，将充电量和充电功率随时间的变化作为额外的时间序列数据；
步骤S233：将充电桩标识符的向量表示形式、时间序列数据和额外的时间序列数据进行组合，形成一个完整的输入序列，每个输入序列表示为[充电桩标识符(t)，充电时间(t)，充电量(t)，充电功率(t)]，作为一个时间步的输入；
步骤S24：划分数据集，将预处理后的数据随机选取70%作为训练集用于模型训练，30%作为测试集用于模型测试；
步骤S25：模型构建，构建LSTM-attention模型，LSTM-attention模型由编码器、注意力机制、解码器构成，步骤如下：
步骤S251：编码器，构建LSTM网络作为LSTM-attention模型的编码器，LSTM网络是一种递归神经网络，由连续的记忆细胞组成，每个记忆细胞包含遗忘门、输入门和输出门三个部分，步骤如下：
步骤S2511：遗忘门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建遗忘门，所用公式如下：
；
式中，是sigmoid函数，是遗忘门的权重矩阵，是遗忘门的偏置向量；
步骤S2512：输入门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建输入门，所用公式如下：
；
式中，是输入门的权重矩阵，是输入门的偏置向量；
使用函数得到候选细胞信息，所用公式如下：
；
式中，是加权权重矩阵，是加权偏置向量；
将输入门和候选细胞信息相乘，然后与旧的记忆细胞状态相加，得到新的
细胞状态，所用公式如下：
；
式中，和分别是时间和时间的细胞状态；
步骤S2513：输出门，使用上一个记忆细胞在时间内输出的隐层状态和当
前记忆细胞在时间内输入的序列构建输出门，所用公式如下：
；
式中，是输出门的权重矩阵，是输出门的偏置向量；
使用函数激活新的细胞状态，然后与输出门相乘得到结果作为注意力
机制的输入，所用公式如下：
；
步骤S252：注意力机制，利用不同时间步的输入对预测结果的重要性进行动态调整，步骤如下：
步骤S2521：权重计算，将输入向量经过线性变换和激活函数，得到最终的权重
向量，所用公式如下：
；
式中，是权重向量，是的转置，是权重矩阵，是偏置向量；
步骤S2522：归一化，将权重向量中的元素转化为概率分布，所用公式如下：
；
式中，表示权重向量元素的概率表示，表示归一化函数；
步骤S2523：带权和计算，将输入向量与对应的权重向量元素的概率表示相乘，
累加结果得到输出，所用公式如下：
；
步骤S253：解码器，根据注意力机制的输出逐步构造出预测序列；
步骤S26：模型训练，使用训练集对LSTM-attention模型进行训练，通过多次迭代调整模型参数，步骤如下：
步骤S261：初始化模型参数，对LSTM-attention模型的权重矩阵和偏置向量进行初始化；
步骤S262：选择损失函数，使用平均绝对误差MAE作为损失函数用于定义模型性能，所用公式如下：
；
式中，为真实值，为模型预测值，为样本数量；
步骤S263：选择优化器，选择Adam优化器来最小化损失函数，在每个训练迭代过程中不断调整LSTM-attention模型的权重矩阵和偏置向量以最小化平均绝对误差MAE，所用公式如下：
；
式中，是LSTM-attention模型的权重矩阵和偏置向量的集合，是学习率，是
偏差校正的一阶估计，是偏差校正的二阶估计，是数值稳定性常数；
步骤S264：LSTM-attention模型训练，将训练集输入至LSTM-attention模型中，设置LSTM-attention模型的超参数进行训练，重复迭代调整LSTM-attention模型的权重矩阵和偏置向量直到LSTM-attention模型收敛，训练完成后得到LSTM-attention-A模型；
步骤S27：模型验证，将测试集输入至LSTM-attention-A模型中，使用平均绝对误差MAE进行验证，根据验证值调整LSTM-attention-A模型的参数和结构；
步骤S28：性能评估，用均方根误差计算模型预测值与真实值的匹配程度来评
估模型的预测精度，所用公式如下：
；
步骤S29：运行，通过LSTM-attention-A模型对充电桩实时数据进行预测车辆的充电需求，根据LSTM-attention-A模型提供的预测结果进行后续充电控制策略的制定。
通过执行所述操作，针对一般的无线充电桩有一定的充电能力和容量限制，在大规模充电的应用场景中充电资源无法合理分配，导致需求过载和部分设备闲置的问题，本方案采用人工智能网络模型来预测充电需求，有效调度充电桩，在充电需求不同的情况下将车辆的充电效率最大化、充电桩的使用率最大化。
实施例三，参阅图1和4，该实施例基于上述实施例，在步骤S3中，充电控制策略，具体包括以下步骤：
步骤S31：初始化充电控制策略，构建基于经验回放的Q学习框架，将LSTM-
attention-A模型的预测结果作为基于经验回放的Q学习框架的输入特征之一，使用马尔可
夫决策过程初始化充电控制策略的参数，所用公式如下：
；
式中，表示状态空间，表示动作空间，表示折扣因子，表示状态转移概率，
表示每个状态-动作对的确定性奖励；
步骤S32：初始化数据集，将对充电控制行为做出决策的充电桩设置为智能体，智
能体从实时获取的车辆的充电状态中学习经验，并将学习到的经验作为经验样本存储在数据集中，所用公式如下：
；
式中，表示轮次编号，表示时间步，表示经验学习轮次的序号，表示时刻的
状态，表示时刻执行的充电动作，表示采取充电动作后转移到时刻的状态，
表示采取充电动作后获得的即时奖励；
步骤S33：Q值函数表示，马尔可夫决策过程的状态空间和动作空间采用近似
的Q值函数表示，步骤如下：
步骤S331：采用线性函数逼近器近似表示Q值函数，评估在特定状态下采取某个充
电动作的价值，所用公式如下：
；
式中，是状态-动作对的特征向量，是在时刻学习经验得到的参数向量，表示在时刻通过参数向量和特征向量计算得到的价值估计，表示折扣因子
作用于未来奖励的累积效果，表示时刻的即时奖励；
步骤S332：构造时刻关于参数向量的目标方程，执行充电动作后预期获得的
累积奖励用Q值表示，通过将预测的Q值与真实Q值之间的均方误差最小化，使得Q值的估计
更加接近真实值，所用公式如下：
；
式中，为状态-动作对在所有状态-动作对中所占的比例，表示策
略下任意状态-动作对的真实值，表示时间步时任意状态-动作对的Q值的
估计；
步骤S333：在连续的状态空间下，采用梯度下降算法求参数向量，所用公式如
下：
；
式中，表示学习率，表示参数向量的转置；
步骤S334：Q值函数达到最优后，通过一步映射获得最优策略，所用公式如下：
；
步骤S34：动作选择，对于每个时间步，根据步骤S2中LSTM-attention-A模型预测
的充电需求，结合ε-greedy策略选取合适的充电动作，即智能体以的概率来选择动作空
间中的随机动作，以的概率选择Q值最大的贪心动作以最大化累积奖励，所用公式
如下：
；
式中，是探索因子；
步骤S35：动作执行，执行当前时间步的充电动作，获得下一个状态和即时奖
励，计算样本的序号，所用公式如下：
；
式中，为用于区分不同轮次的常数，表示轮次编号，是时间步；
步骤S36：更新样本数据集，所用公式如下：
；
步骤S37：学习参数向量，若当前时间步是最大时间步的整数倍，则根据在线
学习算法对参数向量进行更新，步骤如下：
步骤S371：采用均匀分布从数据集中读取样本；
步骤S372：读取数据集中与样本具有相同状态和充电动
作的所有样本，取出使下一个状态具有最大Q值的贪心动作，所用公式如下：
；
步骤S373：生成状态-动作对对应的特征向量；
步骤S374：更新参数向量，所用公式如下：
；
步骤S375：重复执行步骤S371至S374直到次，输出值函数参数向量；
步骤S38：状态更新，将当前时刻状态更新为；
步骤S39：最优策略生成，当参数向量数值不再发生变化时，即值函数对于
特定的状态-动作对在权重上达到了平衡，值函数收敛到局部最优解，生成无线充电最优控
制策略。
通过执行所述操作，针对一般的无线充电技术在能量传输过程中存在能量损耗导致功率浪费，且充电系统输出的功率超过接收设备能承受的最大功率时，不仅会降低充电效率，还会对接收设备造成损坏的问题，本方案设定自适应的充电控制策略，通过强化学习根据充电场景和充电需求预测实时调整充电策略，保证充电过程的稳定性。
实施例四，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的无线充电自动控制系统，包括设备识别与定位模块、充电需求预测模块、充电控制策略模块、充电安全监测模块和系统实施与优化模块；
所述设备识别与定位模块利用充电桩识别车辆的位置并与车辆建立通信连接，将充电桩实时获取的车辆的充电状态发送至充电需求预测模块和充电控制策略模块；
所述充电需求预测模块接收设备识别与定位模块发送的车辆的充电状态，并收集充电桩的历史充电数据，建立人工智能网络模型来预测不同时间段的充电需求，将预测得到的充电需求发送至充电控制策略模块；
所述充电控制策略模块接收设备识别与定位模块发送的车辆的充电状态和充电需求预测模块发送的预测得到的充电需求，通过强化学习使用自适应调整算法设计充电控制策略，将充电控制策略发送至充电安全监测模块和系统实施与优化模块；
所述充电安全监测模块接收充电控制策略模块发送的充电控制策略，建立远程通信监测充电桩状态，将充电过程中的监测信息发送至系统实施与优化模块；
所述系统实施与优化模块接收充电控制策略模块发送的充电控制策略和充电安全监测模块发送的充电过程中的监测信息，将充电控制策略实施到无线充电系统中，并持续监测和优化系统性能。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (2)
1.基于人工智能的无线充电自动控制方法，其特征在于：该方法包括以下步骤：
步骤S1：设备识别与定位，利用充电桩识别车辆的位置并与车辆建立通信连接，实时获取车辆的充电状态；
步骤S2：充电需求预测，收集充电桩的历史充电数据，结合车辆的充电状态，建立递归神经网络模型来预测车辆的充电需求；
步骤S3：充电控制策略，根据预测车辆的充电需求和车辆的充电状态，采用强化学习自适应调整算法设计充电控制策略；
步骤S4：充电安全监测，监测充电桩状态，建立远程通信，实时监测车辆在充电过程中的安全性；
步骤S5：系统实施与优化，将充电控制策略实施到无线充电系统中，并持续监测和优化无线充电系统的性能；
在步骤S2中，所述充电需求预测，包括以下步骤：
步骤S21：数据采集，采集新能源汽车充电桩使用记录作为公开数据集，所述公开数据集包括充电桩标识符、车辆充电的开始和结束时间、充电量及充电功率；
步骤S22：数据预处理，对公开数据集进行预处理，去除重复、缺失和异常的数据，得到预处理后的数据作为样本库；
步骤S23：特征工程，从样本库中提取相关特征，转换为时间序列作为模型的输入，步骤如下：
步骤S231：将充电桩标识符通过独热编码转换为只含有0和1的向量表示形式；
步骤S232：将车辆充电的开始和结束时间转换为以分钟划分的时间点构建成时间序列数据，将充电量和充电功率随时间的变化作为额外的时间序列数据；
步骤S233：将充电桩标识符的向量表示形式、时间序列数据和额外的时间序列数据进行组合，形成一个完整的输入序列，每个输入序列表示为[充电桩标识符(t)，充电时间(t)，充电量(t)，充电功率(t)]，作为一个时间步的输入；
步骤S24：划分数据集，将预处理后的数据随机选取70%作为训练集用于模型训练，30%作为测试集用于模型测试；
步骤S25：模型构建，构建LSTM-attention模型，LSTM-attention模型由编码器、注意力机制、解码器构成，步骤如下：
步骤S251：编码器，构建LSTM网络作为LSTM-attention模型的编码器，LSTM网络是一种递归神经网络，由连续的记忆细胞组成，每个记忆细胞包含遗忘门、输入门和输出门三个部分，步骤如下：
步骤S2511：遗忘门，使用上一个记忆细胞在时间内输出的隐层状态/>和当前记忆细胞在时间/>内输入的序列/>构建遗忘门/>，所用公式如下：
；
式中，是sigmoid函数，/>是遗忘门的权重矩阵，/>是遗忘门的偏置向量；
步骤S2512：输入门，使用上一个记忆细胞在时间内输出的隐层状态/>和当前记忆细胞在时间/>内输入的序列/>构建输入门/>，所用公式如下：
；
式中，是输入门的权重矩阵，/>是输入门的偏置向量；
使用函数得到候选细胞信息/>，所用公式如下：
；
式中，是加权权重矩阵，/>是加权偏置向量；
将输入门和候选细胞信息/>相乘，然后与旧的记忆细胞状态/>相加，得到新的细胞状态/>，所用公式如下：
；
式中，和/>分别是时间/>和时间/>的细胞状态；
步骤S2513：输出门，使用上一个记忆细胞在时间内输出的隐层状态/>和当前记忆细胞在时间/>内输入的序列/>构建输出门/>，所用公式如下：
；
式中，是输出门的权重矩阵，/>是输出门的偏置向量；
使用函数激活新的细胞状态/>，然后与输出门/>相乘得到结果/>作为注意力机制的输入，所用公式如下：
；
步骤S252：注意力机制，利用不同时间步的输入对预测结果的重要性进行动态调整，步骤如下：
步骤S2521：权重计算，将输入向量经过线性变换和激活函数，得到最终的权重向量/>，所用公式如下：
；
式中，是权重向量，/>是/>的转置，/>是权重矩阵，/>是偏置向量；
步骤S2522：归一化，将权重向量中的元素转化为概率分布，所用公式如下：
；
式中，表示权重向量元素的概率表示，/>表示归一化函数；
步骤S2523：带权和计算，将输入向量与对应的权重向量元素的概率表示/>相乘，累加结果得到输出/>，所用公式如下：
；
步骤S253：解码器，根据注意力机制的输出逐步构造出预测序列；
步骤S26：模型训练，使用训练集对模型进行训练，通过多次迭代调整模型参数，步骤如下：
步骤S261：初始化模型参数，对LSTM-attention模型的权重矩阵和偏置向量进行初始化；
步骤S262：选择损失函数，使用平均绝对误差MAE作为损失函数用于定义模型性能，所用公式如下：
；
式中，为真实值，/>为模型预测值，/>为样本数量；
步骤S263：选择优化器，选择Adam优化器来最小化损失函数，在每个训练迭代过程中不断调整LSTM-attention模型的权重矩阵和偏置向量以最小化平均绝对误差MAE，所用公式如下：
；
式中，是LSTM-attention模型的权重矩阵和偏置向量的集合，/>是学习率，/>是偏差校正的一阶估计，/>是偏差校正的二阶估计，/>是数值稳定性常数；
步骤S264：LSTM-attention模型训练，将训练集输入至LSTM-attention模型中，设置LSTM-attention模型的超参数进行训练，重复迭代调整LSTM-attention模型的权重矩阵和偏置向量直到LSTM-attention模型收敛，训练完成后得到LSTM-attention-A模型；
步骤S27：模型验证，将测试集输入至LSTM-attention-A模型中，使用平均绝对误差MAE进行验证，根据验证值调整LSTM-attention-A模型的参数和结构；
步骤S28：性能评估，用均方根误差计算模型预测值与真实值的匹配程度来评估模型的预测精度，所用公式如下：
；
步骤S29：运行，通过LSTM-attention-A模型对充电桩实时数据进行预测车辆的充电需求，根据LSTM-attention-A模型提供的预测结果进行后续充电控制策略的制定；
在步骤S3中，所述充电控制策略，包括以下步骤：
步骤S31：初始化充电控制策略，构建基于经验回放的Q学习框架，将LSTM-attention-A模型的预测结果作为基于经验回放的Q学习框架的输入特征之一，使用马尔可夫决策过程初始化充电控制策略的参数，所用公式如下：
；
式中，表示状态空间，/>表示动作空间，/>表示折扣因子，/>表示状态转移概率，/>表示每个状态-动作对的确定性奖励；
步骤S32：初始化数据集，将对充电控制行为做出决策的充电桩设置为智能体，智能体从实时获取的车辆的充电状态中学习经验，并将学习到的经验作为经验样本存储在数据集/>中，所用公式如下：
；
式中，表示轮次编号，/>表示时间步，/>表示经验学习轮次的序号，/>表示/>时刻的状态，/>表示/>时刻执行的充电动作，/>表示采取充电动作/>后转移到/>时刻的状态，/>表示采取充电动作/>后获得的即时奖励；
步骤S33：Q值函数表示，马尔可夫决策过程的状态空间和动作空间采用近似的Q值函数表示，步骤如下：
步骤S331：采用线性函数逼近器近似表示Q值函数，评估在特定状态下采取某个充电动作的价值，所用公式如下：
；
式中，是状态-动作对/>的特征向量，/>是在/>时刻学习经验得到的参数向量，表示在/>时刻通过参数向量/>和特征向量/>计算得到的价值估计，/>表示折扣因子作用于未来奖励的累积效果，/>表示/>时刻的即时奖励；
步骤S332：构造时刻关于参数向量/>的目标方程，执行充电动作/>后预期获得的累积奖励用Q值表示，通过将预测的Q值与真实Q值之间的均方误差最小化，使得Q值的估计更加接近真实值，所用公式如下：
；
式中，为状态-动作对/>在所有状态-动作对中所占的比例，/>表示策略下任意状态-动作对/>的真实值，/>表示时间步/>时任意状态-动作对/>的Q值的估计；
步骤S333：在连续的状态空间下，采用梯度下降算法求参数向量，所用公式如下：
；
式中，表示学习率，/>表示参数向量/>的转置；
步骤S334：Q值函数达到最优后，通过一步映射获得最优策略，所用公式如下：
；
步骤S34：动作选择，对于每个时间步，根据步骤S2中LSTM-attention-A模型预测的充电需求，结合ε-greedy策略选取合适的充电动作/>，即智能体以/>的概率来选择动作空间/>中的随机动作，以/>的概率选择Q值最大的贪心动作/>以最大化累积奖励，所用公式如下：
；
式中，是探索因子；
步骤S35：动作执行，执行当前时间步的充电动作，获得下一个状态/>和即时奖励，计算样本的序号/>，所用公式如下：
；
式中，为用于区分不同轮次的常数，/>表示轮次编号，/>是时间步；
步骤S36：更新样本数据集，所用公式如下：
；
步骤S37：学习参数向量，若当前时间步/>是最大时间步/>的整数倍，则根据在线学习算法对参数向量/>进行更新，步骤如下：
步骤S371：采用均匀分布从数据集中读取样本/>；
步骤S372：读取数据集中与样本/>具有相同状态/>和充电动作的所有样本，取出使下一个状态/>具有最大Q值的贪心动作/>，所用公式如下：
；
步骤S373：生成状态-动作对对应的特征向量/>；
步骤S374：更新参数向量，所用公式如下：
；
步骤S375：重复执行步骤S371至S374直到次，输出值函数参数向量/>；
步骤S38：状态更新，将当前时刻状态更新为；
步骤S39：最优策略生成，当参数向量数值不再发生变化时，即值函数/>对于特定的状态-动作对在权重上达到了平衡，值函数收敛到局部最优解，生成无线充电最优控制策略。
2.基于人工智能的无线充电自动控制系统，用于实现如权利要求1中所述的基于人工智能的无线充电自动控制方法，其特征在于：包括设备识别与定位模块、充电需求预测模块、充电控制策略模块、充电安全监测模块和系统实施与优化模块；
所述设备识别与定位模块利用充电桩识别车辆的位置并与车辆建立通信连接，将充电桩实时获取的车辆的充电状态发送至充电需求预测模块和充电控制策略模块；
所述充电需求预测模块接收设备识别与定位模块发送的车辆的充电状态，并收集充电桩的历史充电数据，建立人工智能网络模型来预测不同时间段的充电需求，将预测得到的充电需求发送至充电控制策略模块；
所述充电控制策略模块接收设备识别与定位模块发送的车辆的充电状态和充电需求预测模块发送的预测得到的充电需求，通过强化学习使用自适应调整算法设计充电控制策略，将充电控制策略发送至充电安全监测模块和系统实施与优化模块；
所述充电安全监测模块接收充电控制策略模块发送的充电控制策略，建立远程通信监测充电桩状态，将充电过程中的监测信息发送至系统实施与优化模块；
所述系统实施与优化模块接收充电控制策略模块发送的充电控制策略和充电安全监测模块发送的充电过程中的监测信息，将充电控制策略实施到无线充电系统中，并持续监测和优化系统性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410054498.3A CN117565727B (zh) | 2024-01-15 | 2024-01-15 | 基于人工智能的无线充电自动控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410054498.3A CN117565727B (zh) | 2024-01-15 | 2024-01-15 | 基于人工智能的无线充电自动控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117565727A CN117565727A (zh) | 2024-02-20 |
| CN117565727B true CN117565727B (zh) | 2024-04-02 |
Family
ID=89862757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410054498.3A Active CN117565727B (zh) | 2024-01-15 | 2024-01-15 | 基于人工智能的无线充电自动控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117565727B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744704B (zh) * | 2024-02-21 | 2024-04-30 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
| CN117977028A (zh) * | 2024-04-01 | 2024-05-03 | 深圳市易联科电子有限公司 | 基于车辆电池监测的智能充电方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113415203A (zh) * | 2021-06-29 | 2021-09-21 | 湖南昌茂电能发展有限公司 | 一种基于物联网的智能充电桩管理系统 |
| CN115705515A (zh) * | 2021-08-13 | 2023-02-17 | 赫尔环球有限公司 | 用于预测电动车辆充电点利用率的方法、设备和计算机程序产品 |
| CN115782652A (zh) * | 2023-01-06 | 2023-03-14 | 深圳市蜂蜗科技有限公司 | 一种基于物联网的充电桩智能控制方法及系统 |
| CN115907377A (zh) * | 2022-11-21 | 2023-04-04 | 昆明理工大学 | 一种基于多智能体深度强化学习的协作充电规划方法 |
| CN116384814A (zh) * | 2023-03-24 | 2023-07-04 | 南京航空航天大学 | 基于机器学习对多因素影响下机场跑道容量的评估方法 |
| CN116933931A (zh) * | 2023-07-25 | 2023-10-24 | 重庆邮电大学 | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 |
-
2024
- 2024-01-15 CN CN202410054498.3A patent/CN117565727B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113415203A (zh) * | 2021-06-29 | 2021-09-21 | 湖南昌茂电能发展有限公司 | 一种基于物联网的智能充电桩管理系统 |
| CN115705515A (zh) * | 2021-08-13 | 2023-02-17 | 赫尔环球有限公司 | 用于预测电动车辆充电点利用率的方法、设备和计算机程序产品 |
| CN115907377A (zh) * | 2022-11-21 | 2023-04-04 | 昆明理工大学 | 一种基于多智能体深度强化学习的协作充电规划方法 |
| CN115782652A (zh) * | 2023-01-06 | 2023-03-14 | 深圳市蜂蜗科技有限公司 | 一种基于物联网的充电桩智能控制方法及系统 |
| CN116384814A (zh) * | 2023-03-24 | 2023-07-04 | 南京航空航天大学 | 基于机器学习对多因素影响下机场跑道容量的评估方法 |
| CN116933931A (zh) * | 2023-07-25 | 2023-10-24 | 重庆邮电大学 | 一种云计算双流特征交互的电动汽车充电桩占用预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117565727A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117565727B (zh) | 基于人工智能的无线充电自动控制方法及系统 | |
| JP6620902B2 (ja) | 劣化推定装置、コンピュータプログラム及び劣化推定方法 | |
| CN107358060B (zh) | 一种对风电功率预测误差区间进行估计的方法 | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
| CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
| CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
| CN117621898B (zh) | 考虑电网电价的智慧停车场充电桩充电控制方法及系统 | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| CN117353359B (zh) | 电池联合储能供电方法及系统 | |
| CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| CN116610416A (zh) | 基于Kubernetes的负载预测型弹性伸缩系统及方法 | |
| CN117007974A (zh) | 一种基于模型融合的固态电池soc估计方法 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN111489027A (zh) | 一种水电机组波形数据趋势预测方法及其系统 | |
| Chen et al. | A Deep Reinforcement Learning-Based Charging Scheduling Approach with Augmented Lagrangian for Electric Vehicle | |
| CN112101651B (zh) | 电能源网络协调控制方法、系统及信息数据处理终端 | |
| CN114611823A (zh) | 电-冷-热-气多能需求典型园区的优化调度方法及系统 | |
| Xie et al. | Degradation prediction and uncertainty quantification for PEMFC using NSGA-optimized deep learning method | |
| CN117239737B (zh) | 一种光伏发电量的预测方法及终端 | |
| CN117220318B (zh) | 电网数字化驱动控制方法及系统 | |
| Pindaro | Controlling lithium-ion batteries through reinforcement learning | |
| Seethalakshmi et al. | Prediction of energy demand in smart grid using deep neural networks with optimizer ensembles | |
| KR20230076067A (ko) | 강화학습 기반의 에너지 관리 방법 및 장치 | |
| CN116127708A (zh) | 一种考虑人机交互的复杂装备健康状态确定方法及系统 |
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 |